一种水污染损害的智能监测方法与流程

本发明属于数据处理，具体涉及一种水污染损害的智能监测方法。

背景技术：

1、传统的水污染监测方法往往依赖于人工采样和实验室分析，这不仅耗时耗力，而且难以实现实时监测和快速响应。因此，开发一种能够实时监测水体污染状况并快速评估损害的方法具有重要的现实意义。类似的现有技术公开号为cn118037057a的中国专利申请，提供一种基于大数据分析的市政园林水污染监测系统，包括园林信息数据采集模块、风险等级划分模块、线性回归模型模块和报警模块；园林信息数据采集模块获取园林水体外部多个环境数据，并获取对应的园林水体污染数据；风险等级划分模块根据多个环境数据和园林水体污染数据分别进行风险等级划分；线性回归模型模块根据多次采集的数据训练线性回归模型；并利用线性回归模型预测园林水体污染风险等级；风险等级高于阈值时，报警模块发出报警。类似的现有技术还有公开号为cn116562185a的中国专利申请，公开提供水质模拟方法、系统与水污染监测分析装置，方法包括：(一)一维与二维水质模型的耦合策略：通过一维水质模型与二维水质模型耦合得到一维二维耦合水质模型，基于微观层面，通过分布函数来处理一维和二维模型耦合计算的交界面；将耦合界面视为一维计算域中的一个内部节点；首先计算该节点的未知分布函数，其次由分布函数计算其宏观量浓度，最后求解该处二维边界的未知分布函数；(二)一维二维耦合水质模型的gpu并行实现；(三)并行模型优化策略：计算过程将二维模型的计算数据存放于共享存储器上，将对全局内存的访问换成对共享内存的访问。然而上述两个申请文件在监测水污染时，都没有考虑如何提高监测效率和监测精准度的问题。由此，本发明提供一种水污染损害的智能监测方法。

技术实现思路

1、本发明通过智能传感器收集污水成分数据，对收集的污水成分数据进行整合和融合处理生成融合数据，基于融合数据精准且快速的判断污水成分数据的污染程度，帮助相关管理人员快速定位污染源，基于历史的融合数据高效的训练预测模型，预测模型能够精准的预测污水成分数据和异常情况，还基于预测的污水成分数据和异常情况使用人工智能模型生成对应的应对措施，帮助相关人员更好的监测和管理水污染。

2、为了达到上述的发明目的，本发明给出如下所述的一种水污染损害的智能监测方法，通过执行以下步骤进行实现:

3、将污水排放区域划分为多个子区域，在每个子区域设置若干智能传感器，基于智能传感器收集的污水成分数据的特征为智能传感器设置不同的收集间隔，收集子区域的污水成分数据，还获取对应的收集时间戳和设备id，将任一子区域对应的所述污水成分数据，基于收集时间戳进行数据整合生成组合式数据，还将属于所有所述组合式数据进行融合生成融合数据，将所述融合数据通过网络传输到远程服务器；

4、远程服务器接收所述融合数据后，将收集的所述融合数据保存在内存模块中，获取所述融合数据中的多个衡量参数，预先设置多个不同的污染程度，针对每个污染程度为每个所述衡量参数设置对应的分值，还对每个所述衡量参数设置对应的权重值，基于所述分值和所述权重值判断所述融合数据的污染程度，若污染程度高于预设的污染等级，判断污水排放不达标，将污水成分数据和已知的污染源信息进行匹配定位污染源，同时向相关管理人员发送污染源信息，还对不达标的所述融合数据做异常标记；

5、将历史收集的所述融合数据和对应的所述异常标记作为学习数据训练预测模型，基于所述融合数据使用所述预测模型预测生成未来的污水成分数据，在预测到未来污水成分数据不在预设的正常范围时，将对应的异常情况发送到相关管理人员；

6、基于预测的所述污水成分数据和异常情况，使用人工智能模型生成对应的应对措施，估计所述应对措施的实施时间，在到达所述实施时间后实施所述应对措施，之后持续监测污水排放区域并继续收集所述融合数据，基于新收集的所述融合数据评估所述应对措施的实施效果，并根据实际情况调整所述人工智能模型。

7、作为本发明的一种优选技术方案，基于收集时间戳进行数据整合获取组合式数据，包括如下步骤：

8、预设收集周期，从收集的起始时间点开始经过收集周期的时长后，基于收集周期和起始时间点计算各个收集周期的时间戳范围，获取所有在同一收集周期内的所述污水成分数据和对应的设备id，获取设备id相同的所有所述污水成分数据计算第一数值，若所述第一数值大于预设的第一阈值，获取所有所述污水成分数据中的最大值作为设备id在当前收集周期的代表值，若所述第一数值小于等于所述第一阈值，计算所有所述污水成分数据的第二数值，将所述第二数值作为所述设备id对应的智能传感器在当前收集周期对应的代表值，获取子区域内所有设备id对应的所述代表值，将所述代表值、所述收集周期和子区域按照预先设置的格式组合生成所述组合式数据。

9、作为本发明的一种优选技术方案，将属于不同子区域的所述组合式数据进行融合生成融合数据，包括如下步骤：

10、获取每个子区域收集所述污水成分数据的准确性，基于所述准确性、每个子区域智能传感器的类型，为不同的子区域分配不同的区域权重，获取所述收集周期相同的各个子区域的所述污水成分数据，将不同子区域的所述污水成分数据和对应的所述区域权重相乘后再相加以生成综合污水成分数据，将所有所述综合污水成分数据和所述收集周期组合生成所述融合数据。

11、作为本发明的一种优选技术方案，对每个所述衡量参数设置对应的权重值，包括如下步骤：

12、获取相关专业人员对各个所述衡量参数相对应其他所述衡量参数做出的第一评价值、第二评价值和第三评价值，获取每个所述衡量参数相对于其他所述衡量参数的所有所述第二评价值的第一总和，将每个衡量参数对应的所述第一评价值、所述第二评价值和所述第三评价值分别除以对应的所述第一总和获取到第一数值、第二数值和第三数值，计算所述第一数值、所述第二数值和所述第三数值的第一平均值，获取所述衡量参数对应的多个所述第一平均值，计算多个所述第一平均值的第二平均值，获取其他衡量参数对应的第二平均值，获取所有第二平均值的总和作为第二总和，用所述衡量参数对应的第二平均值除以所述第二总和作为所述衡量参数对应的所述权重值。

13、作为本发明的一种优选技术方案，基于所述分值和所述权重值判断所述融合数据的污染程度，包括如下步骤：

14、获取每个所述衡量参数的所述权重值，还获取针对每个污染程度为每个所述衡量参数设置对应的分值，用第一公式计算污染程度结果，所述第一公式为：，，其中，分别是每个所述衡量参数对应的权重值，分别是第i个所述衡量参数对于n个不同的污染程度对应的分值，m是所述衡量参数的个数，n是污染程度的个数，使用第一公式获取到每个所述衡量参数对于n个不同的污染程度对应的m个综合值，获取m个所述综合值中的最大值对应的污染程度作为所述融合数据的污染程度。

15、作为本发明的一种优选技术方案，将历史收集的所述融合数据和对应的所述异常标记作为学习数据训练预测模型，包括如下步骤：

16、创建初始预测模型，为所述初始预测模型设置初始参数值，初始参数值基于历史的经验数据获取，从内存模块中获取历史收集的历史融合数据，从所述历史融合数据中提取若干数据作为训练数据集，使用所述训练数据集训练所述初始预测模型生成第一预测模型，在训练的过程中优化所述初始参数值，从所述历史融合数据中选择若干数据作为测试数据，使用所述测试数据对所述第一预测模型进行测试获取第一预测模型的准确度，若所述准确度小于预设的第二阈值，更新所述训练数据集生成新的所述训练数据集，使用新的所述训练数据集对所述第一预测模型进行训练，在训练的过程中对所述初始参数值进行进一步优化，生成新的预测模型获取对应新的所述准确度，若所述准确度依然小于所述第二阈值，继续更新所述训练数据集训练所述第一预测模型并优化参数值，直到所述准确度大于等于所述第二阈值。

17、作为本发明的一种优选技术方案，从所述历史融合数据中提取若干数据作为训练数据集，包括如下步骤：

18、获取所述历史融合数据，对每条所述历史融合数据获取所有的所述衡量参数和对应的所述权重值，将所有衡量参数按照对应所述权重值的大小从大到小进行编号排序生成衡量参数序列，从所述衡量参数序列中选择若干个编号靠前的衡量参数作为第一衡量参数，将所有所述第一衡量参数和对应的所述收集周期组合生成一条第一融合数据，从剩余的所述历史融合数据中选择相同的所述第一衡量参数和对应的所述收集周期组合生成对应的所述第一融合数据，将所有的所述第一融合数据组合生成所述训练数据集。

19、作为本发明的一种优选技术方案，更新所述训练数据集生成新的所述训练数据集，包括如下步骤：

20、从没有被选择的剩余衡量参数序列中，选择若干个编号靠前的衡量参数作为第二衡量参数，将所述第二衡量参数添加到所述训练数据集中生成新的训练数据集。

21、与现有技术相比，本发明的有益效果至少如下所述：

22、在本发明中，首先将污水排放区域划分为多个子区域，为每个子区域设置多个智能传感器收集污水成分数据，使收集的污水成分数据更精准，对收集的污水成分数据进行整合和融合生成融合数据，使后续对污水成分数据的分析更准确；对融合数据的每个衡量参数进行合理的权重设置，基于权重值和针对每个污染程度为衡量参数设置的分值获取融合数据对应污水成分数据的污染程度，通过将复杂的问题进行量化分析，为最终的污染程度的判断提供了更加科学的依据；基于历史收集的融合数据和异常标记作为学习数据训练预测模型，先使用部分数据作为训练数据集训练初始预测模型生成第一预测模型，在第一预测模型不符合预定条件的情况下更新训练数据集继续训练第一预测模型，直到训练出的预测模型符合预定条件在提高预测模型的训练效率的同时保证了预测模型的预测准确度；最后还基于预测的所述污水成分数据和异常情况，使用人工智能模型生成对应的应对措施并评估应对措施的实施效果，确保水污染管理的有效性和持续性。