Nothing Special   »   [go: up one dir, main page]

CN115455814B - 基于深度学习的污染源查找及污染物分布预测方法及系统 - Google Patents

基于深度学习的污染源查找及污染物分布预测方法及系统 Download PDF

Info

Publication number
CN115455814B
CN115455814B CN202211053058.3A CN202211053058A CN115455814B CN 115455814 B CN115455814 B CN 115455814B CN 202211053058 A CN202211053058 A CN 202211053058A CN 115455814 B CN115455814 B CN 115455814B
Authority
CN
China
Prior art keywords
pollution
gradient map
distribution gradient
real
distribution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211053058.3A
Other languages
English (en)
Other versions
CN115455814A (zh
Inventor
刘鹏
张真
张堃
左成婷
秦敏轩
高中强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Innovative Data Technologies Inc
Original Assignee
Nanjing Innovative Data Technologies Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Innovative Data Technologies Inc filed Critical Nanjing Innovative Data Technologies Inc
Priority to CN202211053058.3A priority Critical patent/CN115455814B/zh
Publication of CN115455814A publication Critical patent/CN115455814A/zh
Application granted granted Critical
Publication of CN115455814B publication Critical patent/CN115455814B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24Querying
    • G06F16/245Query processing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29Geographical information databases
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05Geographic models
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于污染检测技术领域,公开了基于深度学习的污染源查找及污染物分布预测方法及系统。所述方法包括:构建污染溯源模型;基于历史数据库构建若干训练样本;基于深度学习算法对所述污染溯源模型进行迭代优化以获得一优化溯源模型;将所述优化溯源模型中的模型结构与实时卫星影像相关联,地面点监测数据与监测设备的实时数据相关联,气象特征数据与气象卫星实时数据相关联;基于污染分布梯度图指导所述走航装置移动,并随着走航装置的实时移动对所述优化溯源模型输出的污染分布梯度图进行实时更新以对污染物的空间分布进行实时预测更新,并对污染源位置进行实时查找更新。本发明具有硬件数量更少,污染溯源精确度高、指向性强的优点。

Description

基于深度学习的污染源查找及污染物分布预测方法及系统
技术领域
本发明涉及污染检测技术领域,具体涉及基于深度学习的污染源查找及污染物分布预测方法及系统。
背景技术
一般意义上的污染物是指进入环境后使环境的正常组分发生变化,从而为动植物的正常生长及人类的正常活动产生直接或间接不利影响的物质。对污染物进行溯源,确认污染源位置并获取污染物在空间内分布情况是提高区域化环境监测及治理的前提。
现有的污染源溯源主要分为主动式搜寻及被动式预测两种。所述被动式预测方法主要包括烟流预测方法、分布几率预测方法等。所述主动式搜寻主要分为等高图亮点方法、单纯型搜寻方法及路径移动搜寻方法等。
现有的被动式预测方法多以概率统计及最优化理论为基础,利用气象和环境污染物浓度实时监控数据进行污染排放区域反推预测。但该类被动式预测方法中,由于相关的气象观测数据、采样分析技术及算法本身更适用于整个城市尺度下或更大尺度区域下的污染物溯源,而无法对工业园区等小尺度范围内进行高精确度、高指向性定位溯源。
现有的主动式搜寻方法中,需要借助点监测设备或线监测设备获得相应监测数据,再基于所述监测数据对污染物进行追踪式定位。其中,对于所述等高图亮点方法,由于需要进行重构计算,因此需要借助大量的监测设备才能构建三维的污染物分布等高图。对于所述单纯型搜寻方法及路径移动搜寻方法,虽然不需要大量监测设备参与监测,但由于其通过监测设备的移动以获取不同位置的污染物浓度,因此在不同位置的污染物浓度数据具有获取时差,因此常存在由量测间隔时间长而使获取的污染物分布与当下实际情况相差较大的情况。
发明内容
本发明目的在于提供基于深度学习的污染源查找及污染物分布预测方法及系统,以改善现有的污染物溯源中被动预测方法中精确度低、指向性差;及主动搜寻中硬件需求量大,或由数据获取时长而导致的搜寻结果误差大的技术问题。
为达成上述目的,本发明提出如下技术方案:
基于深度学习的污染源查找及污染物分布预测方法,包括:
构建污染溯源模型;其中,所述污染溯源模型以三维实景作为模型结构,以地面点监测数据及气象特征数据作为所述三维实景的输入变量,以按照坐标信息加载于所述三维实景上的污染分布梯度图作为输出量;
基于历史数据库构建若干训练样本,所述历史数据库包括:发生污染事件时的地理位置、气象特征数据、地面监测数据、污染源位置、空间分布浓度;
基于深度学习算法,以各所述训练样本为输入量,以基于所述污染分布梯度图获取的预测污染源位置与所述训练样本相应的实际污染源位置间的差值,及基于所述污染分布梯度图获取的预测空间分布浓度与所述训练样本相应的实际空间分布浓度间的差值均小于相应的差值阈值为目标对所述污染溯源模型进行迭代优化以获得一优化溯源模型;
将所述优化溯源模型中的模型结构与实时卫星影像相关联,地面点监测数据与监测设备的实时数据相关联,气象特征数据与气象卫星的实时数据相关联;其中,所述优化溯源模型及所述监测设备均装载于移动设置的走航装置上;
基于所述污染分布梯度图指导所述走航装置移动,并随着走航装置的实时移动对所述优化溯源模型输出的污染分布梯度图进行实时更新以对污染物的空间分布进行实时预测更新,并对污染源位置进行实时查找更新。
进一步的,所述随着走航装置的实时移动对所述优化溯源模型输出的污染分布梯度图进行实时更新,还包括:
将所述优化溯源模型与所述走航装置的GPS导航系统相关联;
基于所述地面点监测数据获取污染类型并对其进行毒性判断;
若所述污染类型为有毒污染,则基于GPS导航系统为所述走航装置规划污染物分布浓度最低的路线以靠近当前查找出的污染源位置;反之,则规划距离最短的路线以靠近当前查找出的污染源位置。
进一步的,所述随着走航装置的实时移动对所述优化溯源模型输出的污染分布梯度图进行实时更新,还包括:
将所述优化溯源模型与远程监控设备相关联;
若基于所述污染分布梯度图查找的污染源处的污染浓度高于安全阈值,则发送预警信息至所述远程监控设备。
进一步的,所述基于所述污染分布梯度图指导所述走航装置移动,包括:
若当前污染分布梯度图中存在若干个高点位置,则获取当前时间点之前一预设时长区间内的若干历史污染分布梯度图;
若当前污染分布梯度图中的高点位置与历史污染分布梯度图中的高点位置至少部分一致,确认相一致的高点位置为污染源,并为其分配对应的走航装置;
若当前污染分布梯度图中的高点位置与历史污染分布梯度图中的高点位置均不一致,则分别确认当前污染分布梯度图及每一历史污染分布梯度图中各高点位置的辐射中心;并基于各所述辐射中心确认走航装置的移动路线;其中,所述辐射中心为当前污染分布梯度图或每一历史污染分布梯度图中各高点位置的中心。
进一步的,所述若当前污染分布梯度图中的高点位置与历史污染分布梯度图中的高点位置至少部分一致,确认相一致的高点位置为污染源,并为其分配对应的走航装置,还包括:
若所述污染源为至少两个,则以相应的走航装置为中心,以所述走航装置当前位置与污染源预测位置的间距为半径分别创建模型结构,并得到与之分别相应的优化溯源模型。
基于深度学习的污染源查找及污染物分布预测系统,包括:
第一构建模块,用于构建污染溯源模型;其中,所述污染溯源模型以三维实景作为模型结构,以地面点监测数据及气象特征数据作为所述三维实景的输入变量,以按照坐标信息加载于所述三维实景上的污染分布梯度图作为输出量;
第二构建模块,用于基于历史数据库构建若干训练样本,所述历史数据库包括:发生污染事件时的地理位置、气象特征数据、地面监测数据、污染源位置、空间分布浓度;
迭代优化模块,用于基于深度学习算法,以各所述训练样本为输入量,以基于所述污染分布梯度图获取的预测污染源位置与所述训练样本相应的实际污染源位置间的差值,及基于所述污染分布梯度图获取的预测空间分布浓度与所述训练样本相应的实际空间分布浓度间的差值均小于相应的差值阈值为目标对所述污染溯源模型进行迭代优化以获得一优化溯源模型;
实时加载模块,用于将所述优化溯源模型中的模型结构与实时卫星影像相关联,地面点监测数据与监测设备的实时数据相关联,气象特征数据与气象卫星的实时数据相关联;其中,所述优化溯源模型及所述监测设备均装载于移动设置的走航装置上;
实时溯源模块,用于基于所述污染分布梯度图指导所述走航装置移动,并随着走航装置的实时移动对所述优化溯源模型输出的污染分布梯度图进行实时更新以对污染物的空间分布进行实时预测更新,并对污染源位置进行实时查找更新。
进一步的,包括:
导航加载模块,用于将所述优化溯源模型与所述走航装置的GPS导航系统相关联;
第一判断模块,用于基于所述地面点监测数据获取污染类型并对其进行毒性判断;
路线规划模块,用于在所述污染类型为有毒污染时,基于GPS导航系统为所述走航装置规划污染物分布浓度最低的路线以靠近当前查找出的污染源位置;反之,则规划距离最短的路线以靠近当前查找出的污染源位置。
进一步的,包括:
远程控制模块,用于将所述优化溯源模型与远程监控设备相关联;
预警发送模块,用于若基于所述污染分布梯度图查找的污染源处的污染浓度高于安全阈值,则发送预警信息至所述远程监控设备。
进一步的,包括:
第一获取模块,用于在当前污染分布梯度图中存在若干个高点位置时,获取当前时间点之前一预设时长区间内的若干历史污染分布梯度图;
第二判断模块,用于在当前污染分布梯度图中的高点位置与历史污染分布梯度图中的高点位置至少部分一致时,确认相一致的高点位置为污染源,并为其分配对应的走航装置;
第三判断模块,用于若当前污染分布梯度图中的高点位置与历史污染分布梯度图中的高点位置均不一致时,分别确认当前污染分布梯度图及每一历史污染分布梯度图中各高点位置的辐射中心;并基于各所述辐射中心确认走航装置的移动路线;其中,所述辐射中心为当前污染分布梯度图或每一历史污染分布梯度图中各高点位置的中心。
进一步的,包括:
第三构建模块,用于在所述污染源为至少两个时,以相应的走航装置为中心,以所述走航装置当前位置与污染源预测位置的间距为半径分别创建模型结构,并得到与之分别相应的优化溯源模型。
有益效果:
由以上技术方案可知,本发明的技术方案提供了一种全新的基于深度学习的污染源查找及污染物分布预测方法,以改善现有的各种污染溯源方法中存在的各种缺陷。
本技术方案包括模型训练阶段及实时追溯阶段。在所述模型训练阶段,采用了类似于被动预测的方法。首先构建了一污染溯源模型,为便于进行污染源查找定位,设置所述污染溯源模型以三维实景作为模型结构。又为了减少后期实时追溯中的硬件设备(监测设备)部署,以地面点监测数据作为输入变量;同时基于污染物在三维空间中分布的不确定性,还在输入变量中引入了气象特征数据。此时,在所述污染溯源模型中,基于与三维实景相应的三维空间中的气象特征数据,及实测的地面点监测数据即可对该空间内的污染物进行溯源,得到一污染分布梯度图。本技术方案中所述污染分布梯度图的构建中引入了气象特征数据,因此可基于概率统计理论等获取,与现有通过主动搜寻中的等高图亮点方法相比,不需要大量的监测设备进行多点监测后再进行重构;从而极大的减少了实际使用时的监控设备配置。同时,由于所述污染分布梯度图在输出时被按照坐标信息加载于所述三维实景上,因此所述污染分布梯度图上的相应点将与实际位置对应,此时可直接进行污染源位置定位为污染分布情况预确认。在所述污染溯源模型训练中还具体采用了基于深度学习的有监督算法,即以基于输出的污染分布梯度图预测的污染源位置、空间分布浓度均小于相应的差值阈值为学习目标。从而使得所述污染溯源模型更快得收敛以得到优化后的优化溯源模型。
在实时溯源阶段,采用了类似主动搜寻的方法。将所述优化溯源模型中的模型结构与实时卫星影像相关联,地面点监测数据与监测设备的实时数据相关联,气象特征数据与气象卫星的实时数据相关联;其中,所述优化溯源模型及所述监测设备均装载于移动设置的走航装置上。此时,所述走航装置的移动与所述污染分布梯度图的更新将互为指导,从而实现了整个溯源过程的实时进行,避免了数据获取时差导致的查找及预测误差;使本技术方案无论在大尺度范围还是小尺度范围;无论是污染分布变化小还是变化大的区域都可良好的适用,即都始终具有高精确度及高指向性。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1为本实施例所述的基于深度学习的污染源查找及污染物分布预测方法的流程图;
图2为图1所述方法的基础上进行走航装置路径规划的流程图;
图3为图1所述方法的基础上进行远程预警的流程图;
图4为图1中污染分布梯度图中有多个高点位置的处理流程图;
图5为图4中判断出多个污染源时的处理流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,除非上下文清楚地指明其它情况,否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件,并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。“上”“下”“左”“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
现有技术中对于污染溯源,虽然包括分为主动搜寻、被动预测两大类的各种方法。但均存在各种缺陷,如被动预测存在无法在小尺度范围内进行高精确度、高指向性定位溯源的技术问题;再如主动搜寻存在硬件需求量大,或由数据获取时长而导致的溯源结果误差大的技术问题。因此本实施例旨在提供一种基于深度学习的污染源查找及污染物分布预测方法,以同时改善现有污染溯源方法中存在的各类技术缺陷。
下面结合附图所示,对本实施例公开的基于深度学习的污染源查找及污染物分布预测方法作进一步具体介绍。
结合图1所示,所述方法包括:
步骤S102、构建污染溯源模型。
在具体实施时,所述污染溯源模型可基于ANSYS或COMSOL等仿真软件构建。作为一种具体的实施方式,所述污染溯源模型的构建过程包括:
步骤S102.2、确认模型尺寸规格,并以三维实景创建模型结构。
所述三维实景包括地理地形、建筑物、道路等。在创建所述三维实景前可先构建各种实景模块,再依据具体需求加载于相应位置。
步骤S102.4、构建输入变量,所述输入变量包括地面点监测数据、气象特征数据。
步骤S102.6、确认输出量,以按照坐标信息加载于所述三维实景上的污染分布梯度图作为输出量。
其中,所述污染分布梯度图用于预测污染物在三维空间中的分布概率;所述污染分布梯度图中的高点位置则对应着污染源位置。
步骤S104、基于历史数据库构建若干训练样本。
所述历史数据库包括:发生污染事件时的地理位置、气象特征数据、地面监测数据、污染源位置、空间分布浓度。所述训练样本包括发生污染事件时的地理位置、气象特征数据及地面监测数据。
步骤S106、基于深度学习算法对所述污染溯源模型进行迭代优化以获得一优化溯源模型。
本实施例中具体采用有监督的深度学习算法,以各所述训练样本为输入量,以基于所述污染分布梯度图获取的预测污染源位置与所述训练样本相应的实际污染源位置间的差值,及基于所述污染分布梯度图获取的预测空间分布浓度与所述训练样本相应的实际空间分布浓度间的差值均小于相应的差值阈值为目标进行迭代训练。
基于步骤S102~步骤S106即完成了模型训练阶段。其采用了类似于被动预测的方法。由于首先构建了一污染溯源模型,此时在所述污染溯源模型中,基于整个三维空间中的气象特征数据,及实测的地面点监测数据即可对该空间内的污染物进行溯源,得到一污染分布梯度图。与现有通过主动搜寻中的等高图亮点方法相比,不需要大量的监测设备进行多点监测后再进行重构。由于所述污染分布梯度图在输出时被按照坐标信息加载于所述三维实景上,因此可直接进行污染源位置定位为污染分布情况预确认。同时在所述污染溯源模型中具体采用了基于深度学习的有监督算法进行优化,即以基于输出的污染分布梯度图获取的污染源位置、空间分布浓度均小于相应的误差阈值为学习目标。从而使得所述污染溯源模型更快得收敛以得到优化后的优化溯源模型。
步骤S108、将所述优化溯源模型中的模型结构与实时卫星影像相关联,地面点监测数据与监测设备的实时数据相关联,气象特征数据与气象卫星的实时数据相关联;其中,所述优化溯源模型及所述监测设备均装载于移动设置的走航装置上。
本步骤中,具体将采用实时卫星影像形成模型结构,即三维实景。所述监测设备可以是点监测设备或线监测设备。在具体实施时,在一台走航装置上装载一架监测设备即可。
步骤S110、基于所述污染分布梯度图指导所述走航装置移动,并随着走航装置的实时移动对所述优化溯源模型输出的污染分布梯度图进行实时更新以对污染物的空间分布进行实时预测更新,并对污染源位置进行实时查找更新。
本步骤中,所述污染分布梯度图为使用彩色图谱标注的梯度图。
在监测区域较大时,可同时配置多台走航装置。此时,以其中一台走航装置作为中控走航装置。在具体实施时,各其余走航装置输出的污染分布梯度图将同步传输至所述中控走航装置;然后所述中控走航装置将对获取的其他污染分布梯度图及其自身输出的污染分布梯度图进行整合后输出;并以该整合的污染分布梯度图对污染物的空间分布进行实时预测更新,并对污染源位置进行实时查找更新。同时,该整合的污染分布梯度图指导其他走航装置移动。
基于步骤S108~步骤S110即完成了实时溯源阶段。其采用了类似主动搜寻的方法。由于将所述优化溯源模型中的模型结构与实时卫星影像相关联,地面点监测数据与监测设备的实时数据相关联,气象特征数据与实时气象卫星数据相关联;其中,所述优化溯源模型及所述监测设备均装载于移动设置的走航装置上。因此,所述走航装置的移动与所述污染分布梯度图的更新将互为指导,从而实现了整个溯源过程的实时进行,避免了数据获取时差导致的结果误差;使本技术方案无论在大尺度范围还是小尺度范围;无论是污染分布变化小还是变化大的区域都可良好的适用,即都始终具有高精确度及高指向性。
受污染物毒性影响,为了基于所述污染分布梯度图更好的指导所述走航装置移动。作为一种具体的实施方式,如图2所示,所述走航装置的实时移动过程中,还包括:
步骤S202、将所述优化溯源模型与所述走航装置的GPS导航系统相关联。
步骤S204、基于所述地面点监测数据获取污染类型并对其进行毒性判断。
步骤S206、若所述污染类型为有毒污染,则基于GPS导航系统为所述走航装置规划污染物分布浓度最低的路线以靠近当前查找出的污染源位置;反之,则规划距离最短的路线以靠近当前查找出的污染源位置。
本实施例中,所述有毒污染物可以是VOCs、CO、O3、氯气、硫化氢或氨气等,所述无毒污染物可以是PM10、PM2.5、NO2等。通过步骤S202~步骤S206还有利于提高相应工程人员的人身安全,避免受污染物侵害。
为了进一步提高工程人员的人身安全,作为一种具体的实施方式,当基于步骤S204获取污染类型时,还包括:
步骤S205、基于所述污染类型在展示窗口弹出相应的防护提示。
本步骤中,所述防护提示包括注意事项、应急避险措施及相应的防护用具等。
同时,作为另一种具体的实施方式,如图3所示,在所述走航装置的实时移动过程中,还包括:
步骤S302、将所述优化溯源模型与远程监控设备相关联。
所述远程监控设备可以监控电脑,或工程人员的值班机等。
步骤S304、若基于所述污染分布梯度图查找的污染源处的污染浓度高于安全阈值,则发送预警信息至所述远程监控设备。
在具体实施时,所述预警信息包括污染物类型、污染源位置、污染源处污染物浓度、污染源的空间分布概率等。
为了避免工程人员在高浓度的有毒污染源查找过程中由信号中断等而发生安全事故,在步骤304之后,还包括:
步骤S306、若远程监控设备超出阈值时间而未对所述预警信息进行应答,则发送报警信息至安全部门。
所述预警信息或所述报警信息可以是携带上述内容的位置信息;也可以是所述优化溯源模型输出的污染分布梯度图,并在所述污染分布梯度图的相应位置标注上述内容。
在实际监测中常存在监测区域可能存在多个污染源的情况,因此如图4所示,为了对该类情况进行处理,所述基于所述污染分布梯度图指导所述走航装置移动时,还包括:
步骤S402、若当前污染分布梯度图中存在若干个高点位置,则获取当前时间点之前一预设时长区间内的若干历史污染分布梯度图。
步骤S404、若当前污染分布梯度图中的高点位置与历史污染分布梯度图中的高点位置至少部分一致,确认相一致的高点位置为污染源,并为其分配对应的走航装置。
本步骤中,对于当前的所述污染分布梯度图中的高点位置与历史污染分布梯度图中的高点位置不一致的部分,则基于实际情况判断其为建筑物阻碍造成的污染物聚集等。
步骤S406、若当前污染分布梯度图中的高点位置与历史污染分布梯度图中的高点位置均不一致,则分别确认当前污染分布梯度图及每一历史污染分布梯度图中各高点位置的辐射中心;并基于各所述辐射中心确认走航装置的移动路线。
本实施例中,所述辐射中心为当前污染分布梯度图或每一历史污染分布梯度图中各高点位置的中心。
作为一种优选的实施方式,当监测区域存在多个污染源时,为了对各污染源的位置及相应的污染分布进行高精确度、高指向性定位。设置如图5所示,在步骤S404之后,还包括:
步骤S405、若所述污染源为至少两个,则以相应的走航装置为中心,以所述走航装置当前位置与污染源预测位置的间距为半径分别创建模型结构,并得到与之分别相应的优化溯源模型。
此时,则以所述走航装置为中心,以污染源位置为半径对每个污染源进行针对性实时溯源。
上述程序可以运行在处理器中,或者也可以存储在存储器中(或称为计算机可读存储介质),计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体,如调制的数据信号和载波。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤,对应与不同的步骤可以通过不同的模块来实现。
在本实施例中,就提供了这样一种系统,该系统可以称为一种基于深度学习的污染源查找及污染物分布预测系统。该系统依次包括:
第一构建模块,用于构建污染溯源模型;其中,所述污染溯源模型以三维实景作为模型结构,以地面点监测数据及气象特征数据作为所述三维实景的输入变量,以按照坐标信息加载于所述三维实景上的污染分布梯度图作为输出量。
第二构建模块,用于基于历史数据库构建若干训练样本,所述历史数据库包括:发生污染事件时的地理位置、气象特征数据、地面监测数据、污染源位置、空间分布浓度。
迭代优化模块,用于基于深度学习算法,以各所述训练样本为输入量,以基于所述污染分布梯度图获取的预测污染源位置与所述训练样本相应的实际污染源位置间的差值,及基于所述污染分布梯度图获取的预测空间分布浓度与所述训练样本相应的实际空间分布浓度间的差值均小于相应的差值阈值为目标对所述污染溯源模型进行迭代优化以获得一优化溯源模型。
实时加载模块,用于将所述优化溯源模型中的模型结构与实时卫星影像相关联,地面点监测数据与监测设备的实时数据相关联,气象特征数据与气象卫星的实时数据相关联;其中,所述优化溯源模型及所述监测设备均装载于移动设置的走航装置上。
实时溯源模块,用于基于所述污染分布梯度图指导所述走航装置移动,并随着走航装置的实时移动对所述优化溯源模型输出的污染分布梯度图进行实时更新以对污染物的空间分布进行实时预测更新,并对污染源位置进行实时查找更新。
该系统用于实现上述实施例中方法的步骤,已经进行说明的,在此不再赘述。
例如,还依次包括:
导航加载模块,用于将所述优化溯源模型与所述走航装置的GPS导航系统相关联。
第一判断模块,用于基于所述地面点监测数据获取污染类型并对其进行毒性判断。
路线规划模块,用于在所述污染类型为有毒污染时,基于GPS导航系统为所述走航装置规划污染物分布浓度最低的路线以靠近当前查找出的污染源位置;反之,则规划距离最短的路线以靠近当前查找出的污染源位置。
例如,还依次包括:
远程控制模块,用于将所述优化溯源模型与远程监控设备相关联。
预警发送模块,用于若基于所述污染分布梯度图查找的污染源处的污染浓度高于安全阈值,则发送预警信息至所述远程监控设备。
例如,还依次包括:
第一获取模块,用于在当前污染分布梯度图中存在若干个高点位置时,获取当前时间点之前一预设时长区间内的若干历史污染分布梯度图。
第二判断模块,用于在当前污染分布梯度图中的高点位置与历史污染分布梯度图中的高点位置至少部分一致时,确认相一致的高点位置为污染源,并为其分配对应的走航装置。
第三判断模块,用于若当前污染分布梯度图中的高点位置与历史污染分布梯度图中的高点位置均不一致时,分别确认当前污染分布梯度图及每一历史污染分布梯度图中各高点位置的辐射中心;并基于各所述辐射中心确认走航装置的移动路线;其中,所述辐射中心为当前污染分布梯度图或每一历史污染分布梯度图中各高点位置的中心。
例如,还依次包括:
第三构建模块,用于在所述污染源为至少两个时,以相应的走航装置为中心,以所述走航装置当前位置与污染源预测位置的间距为半径分别创建模型结构,并得到与之分别相应的优化溯源模型。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。

Claims (10)

1.基于深度学习的污染源查找及污染物分布预测方法,其特征在于,包括:
构建污染溯源模型;其中,所述污染溯源模型以三维实景作为模型结构,以地面点监测数据及气象特征数据作为所述三维实景的输入变量,以按照坐标信息加载于所述三维实景上的污染分布梯度图作为输出量;
基于历史数据库构建若干训练样本,所述历史数据库包括:发生污染事件时的地理位置、气象特征数据、地面监测数据、污染源位置、空间分布浓度;
基于深度学习算法,以各所述训练样本为输入量,以基于所述污染分布梯度图获取的预测污染源位置与所述训练样本相应的实际污染源位置间的差值,及基于所述污染分布梯度图获取的预测空间分布浓度与所述训练样本相应的实际空间分布浓度间的差值均小于相应的差值阈值为目标对所述污染溯源模型进行迭代优化以获得一优化溯源模型;
将所述优化溯源模型中的模型结构与实时卫星影像相关联,地面点监测数据与监测设备的实时数据相关联,气象特征数据与气象卫星的实时数据相关联;其中,所述优化溯源模型及所述监测设备均装载于移动设置的走航装置上;
基于所述污染分布梯度图指导所述走航装置移动,并随着走航装置的实时移动对所述优化溯源模型输出的污染分布梯度图进行实时更新以对污染物的空间分布进行实时预测更新,并对污染源位置进行实时查找更新。
2.根据权利要求1所述的基于深度学习的污染源查找及污染物分布预测方法,其特征在于,所述随着走航装置的实时移动对所述优化溯源模型输出的污染分布梯度图进行实时更新,还包括:
将所述优化溯源模型与所述走航装置的GPS导航系统相关联;
基于所述地面点监测数据获取污染类型并对其进行毒性判断;
若所述污染类型为有毒污染,则基于GPS导航系统为所述走航装置规划污染物分布浓度最低的路线以靠近当前查找出的污染源位置;反之,则规划距离最短的路线以靠近当前查找出的污染源位置。
3.根据权利要求1所述的基于深度学习的污染源查找及污染物分布预测方法,其特征在于,所述随着走航装置的实时移动对所述优化溯源模型输出的污染分布梯度图进行实时更新,还包括:
将所述优化溯源模型与远程监控设备相关联;
若基于所述污染分布梯度图查找的污染源处的污染浓度高于安全阈值,则发送预警信息至所述远程监控设备。
4.根据权利要求1所述的基于深度学习的污染源查找及污染物分布预测方法,其特征在于,所述基于所述污染分布梯度图指导所述走航装置移动,包括:
若当前污染分布梯度图中存在若干个高点位置,则获取当前时间点之前一预设时长区间内的若干历史污染分布梯度图;
若当前污染分布梯度图中的高点位置与历史污染分布梯度图中的高点位置至少部分一致,确认相一致的高点位置为污染源,并为其分配对应的走航装置;
若当前污染分布梯度图中的高点位置与历史污染分布梯度图中的高点位置均不一致,则分别确认当前污染分布梯度图及每一历史污染分布梯度图中各高点位置的辐射中心;并基于各所述辐射中心确认走航装置的移动路线;其中,所述辐射中心为当前污染分布梯度图或每一历史污染分布梯度图中各高点位置的中心。
5.根据权利要求4所述的基于深度学习的污染源查找及污染物分布预测方法,其特征在于,所述若当前污染分布梯度图中的高点位置与历史污染分布梯度图中的高点位置至少部分一致,确认相一致的高点位置为污染源,并为其分配对应的走航装置,还包括:
若所述污染源为至少两个,则以相应的走航装置为中心,以所述走航装置当前位置与污染源预测位置的间距为半径分别创建模型结构,并得到与之分别相应的优化溯源模型。
6.基于深度学习的污染源查找及污染物分布预测系统,其特征在于,包括:
第一构建模块,用于构建污染溯源模型;其中,所述污染溯源模型以三维实景作为模型结构,以地面点监测数据及气象特征数据作为所述三维实景的输入变量,以按照坐标信息加载于所述三维实景上的污染分布梯度图作为输出量;
第二构建模块,用于基于历史数据库构建若干训练样本,所述历史数据库包括:发生污染事件时的地理位置、气象特征数据、地面监测数据、污染源位置、空间分布浓度;
迭代优化模块,用于基于深度学习算法,以各所述训练样本为输入量,以基于所述污染分布梯度图获取的预测污染源位置与所述训练样本相应的实际污染源位置间的差值,及基于所述污染分布梯度图获取的预测空间分布浓度与所述训练样本相应的实际空间分布浓度间的差值均小于相应的差值阈值为目标对所述污染溯源模型进行迭代优化以获得一优化溯源模型;
实时加载模块,用于将所述优化溯源模型中的模型结构与实时卫星影像相关联,地面点监测数据与监测设备的实时数据相关联,气象特征数据与气象卫星的实时数据相关联;其中,所述优化溯源模型及所述监测设备均装载于移动设置的走航装置上;
实时溯源模块,用于基于所述污染分布梯度图指导所述走航装置移动,并随着走航装置的实时移动对所述优化溯源模型输出的污染分布梯度图进行实时更新以对污染物的空间分布进行实时预测更新,并对污染源位置进行实时查找更新。
7.根据权利要求6所述的基于深度学习的污染源查找及污染物分布预测系统,其特征在于,包括:
导航加载模块,用于将所述优化溯源模型与所述走航装置的GPS导航系统相关联;
第一判断模块,用于基于所述地面点监测数据获取污染类型并对其进行毒性判断;
路线规划模块,用于在所述污染类型为有毒污染时,基于GPS导航系统为所述走航装置规划污染物分布浓度最低的路线以靠近当前查找出的污染源位置;反之,则规划距离最短的路线以靠近当前查找出的污染源位置。
8.根据权利要求6所述的基于深度学习的污染源查找及污染物分布预测系统,其特征在于,包括:
远程控制模块,用于将所述优化溯源模型与远程监控设备相关联;
预警发送模块,用于若基于所述污染分布梯度图查找的污染源处的污染浓度高于安全阈值,则发送预警信息至所述远程监控设备。
9.根据权利要求6所述的基于深度学习的污染源查找及污染物分布预测系统,其特征在于,包括:
第一获取模块,用于在当前污染分布梯度图中存在若干个高点位置时,获取当前时间点之前一预设时长区间内的若干历史污染分布梯度图;
第二判断模块,用于在当前污染分布梯度图中的高点位置与历史污染分布梯度图中的高点位置至少部分一致时,确认相一致的高点位置为污染源,并为其分配对应的走航装置;
第三判断模块,用于若当前污染分布梯度图中的高点位置与历史污染分布梯度图中的高点位置均不一致时,分别确认当前污染分布梯度图及每一历史污染分布梯度图中各高点位置的辐射中心;并基于各所述辐射中心确认走航装置的移动路线;其中,所述辐射中心为当前污染分布梯度图或每一历史污染分布梯度图中各高点位置的中心。
10.根据权利要求9所述的基于深度学习的污染源查找及污染物分布预测系统,其特征在于,包括:
第三构建模块,用于在所述污染源为至少两个时,以相应的走航装置为中心,以所述走航装置当前位置与污染源预测位置的间距为半径分别创建模型结构,并得到与之分别相应的优化溯源模型。
CN202211053058.3A 2022-08-31 2022-08-31 基于深度学习的污染源查找及污染物分布预测方法及系统 Active CN115455814B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211053058.3A CN115455814B (zh) 2022-08-31 2022-08-31 基于深度学习的污染源查找及污染物分布预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211053058.3A CN115455814B (zh) 2022-08-31 2022-08-31 基于深度学习的污染源查找及污染物分布预测方法及系统

Publications (2)

Publication Number Publication Date
CN115455814A CN115455814A (zh) 2022-12-09
CN115455814B true CN115455814B (zh) 2023-05-12

Family

ID=84300133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211053058.3A Active CN115455814B (zh) 2022-08-31 2022-08-31 基于深度学习的污染源查找及污染物分布预测方法及系统

Country Status (1)

Country Link
CN (1) CN115455814B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117808626B (zh) * 2023-12-21 2024-06-04 北京英视睿达科技股份有限公司 燃煤电厂负荷运行状态监测方法、装置、设备及介质
CN118247109B (zh) * 2024-05-30 2024-07-30 江西匠制科技有限公司 基于异形网格化的环境污染溯源分析方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107391951B (zh) * 2017-08-03 2020-10-23 江苏卓易信息科技股份有限公司 一种基于环形邻域梯度排序的空气污染溯源方法
CN109613178A (zh) * 2018-11-05 2019-04-12 广东奥博信息产业股份有限公司 一种基于递归神经网络预测空气污染的方法及系统
CN109934377A (zh) * 2018-12-29 2019-06-25 段文旭 一种细颗粒物的工业污染源综合交互因素控制分析和预测方法
CN110766219A (zh) * 2019-10-21 2020-02-07 成都理工大学工程技术学院 基于bp神经网络的雾霾预测方法
KR20210069466A (ko) * 2019-12-03 2021-06-11 삼성전자주식회사 오염원을 판단하는 로봇 청소기 및 그 동작 방법
CN112232571B (zh) * 2020-10-19 2023-08-08 广东长天思源环保科技股份有限公司 一种废气主要污染物浓度的预测方法
CN112766549A (zh) * 2021-01-07 2021-05-07 清华大学 一种空气污染物浓度预报方法、装置及存储介质
CN113514612B (zh) * 2021-06-30 2024-05-10 杭州谱育科技发展有限公司 区域内污染的溯源方法
CN113640470B (zh) * 2021-08-20 2023-01-24 中国计量大学 一种基于改进教与学算法的多无人机大气污染源定位方法
CN114169232B (zh) * 2021-11-29 2024-08-09 中国科学技术大学 全时段三维大气污染物的重构方法、装置、计算机设备和存储介质
CN113901350A (zh) * 2021-12-10 2022-01-07 西安中电环通数字科技有限公司 污染源挂图调度系统及终端
CN114356880B (zh) * 2021-12-15 2023-04-11 浙江工业大学 基于数据驱动的小尺度区域大气污染物快速溯源方法

Also Published As

Publication number Publication date
CN115455814A (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
Kang et al. Air quality prediction: Big data and machine learning approaches
CN110567510B (zh) 大气污染监测方法、系统、计算机设备和存储介质
CN113065000B (zh) 一种基于地理实体的多源异构数据融合方法
CN115455814B (zh) 基于深度学习的污染源查找及污染物分布预测方法及系统
CN105181898B (zh) 基于大密度部署传感器的大气污染监控及管理方法及系统
CN111551147B (zh) 基于gnss与测量机器人融合的拱坝表面变形监测系统
CN112182064A (zh) 一种污染物来源分析方法、装置、电子设备及存储介质
CN110738354B (zh) 预测颗粒物浓度的方法、装置、存储介质及电子设备
CN110426493B (zh) 空气质量监测数据校准方法、装置、设备和存储介质
CN112308292A (zh) 一种火灾风险等级分布图的绘制方法
CN113642263B (zh) 基于北斗网格的空气质量预警方法和装置
CN113326964B (zh) 一种基于数据复合多级综合管廊风险管控方法及方法
CN114511087B (zh) 一种基于双模型的空气质量空间推断方法及系统
CN109657842A (zh) 空气污染物浓度的预测方法及装置、电子设备
CN116048129A (zh) 污染物排放的监测方法、装置、电子设备和存储介质
CN117538503A (zh) 一种实时智能的土壤污染监测系统及方法
CN117687416B (zh) 河网水安全检测装置路径规划方法及系统
CN113297946B (zh) 一种监控盲区识别方法和识别系统
CN115792137B (zh) 大气污染溯源方法及装置、终端
CN116658828A (zh) 基于cim数字孪生技术的燃气管网无人机巡检系统及方法
CN112446543A (zh) 基于神经网络的城市地下综合管廊风险管控系统及方法
Huss et al. Effect of database errors on intervisibility estimation
Materukhin et al. Simulation of Spatio-Temporal Data Streams from Geosensors Located On mobile Objects
CN117058549B (zh) 一种多行业二次污染动态来源解析系统及解析方法
CN117312784A (zh) 一种基于受体模型和大数据联用的污染源溯源方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant