欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025111588570
申请人: 广东海洋大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度学习的污染物入海通量监测预测方法,其特征在于,包括以下步骤:步骤S1:基于第一时间间隔采集目标区域的历史水体流量数据;基于第二时间间隔采集目标区域的历史污染物浓度数据;根据历史水体流量数据和历史污染物浓度数据确定污染物待分析区域;

步骤S2:基于污染物待分析区域获取区域水体样本;处理区域水体样本以分别得到亚硝酸盐浓度数据、氨氮浓度数据及硝酸盐浓度数据,并结合历史水体流量数据作为模型训练集;其中,步骤S2中基于污染物待分析区域获取区域水体样本包括:确定污染物待分析区域的地理边界,利用GPS定位系统标记采样点位置,采样点间距控制在50m~200m范围内;

根据污染物待分析区域的水深及水流条件选择采样深度,浅水区采样深度为0.3m~0.5m,深水区采样深度为1.0m~3.0m;当水流速度超过0.5m/s时,采用抗扰动取样器以保证样品完整性;

采集水体样本的体积范围为500mL~2L,采样瓶材质为聚乙烯或玻璃,瓶体需预先酸洗,并用去离子水冲洗干净,以避免二次污染,其中预先酸洗具体为使用1:1的溶液浸泡30min;

在采样过程中记录环境条件数据,包括水温、pH值和溶解氧浓度并附加采样时间戳,以得到区域水体样本;

步骤S3:预处理模型训练集,得到标准化模型训练集,并将实时采集的水体流量数据作为模型测试集;利用标准化模型训练集以及模型测试集训练TCN模型,并利用训练后的TCN模型对污染物待分析区域进行流量和污染物浓度预测,得到水体流量预测数据和污染物浓度预测数据;

步骤S4:根据水体流量预测数据和污染物浓度预测数据计算污染物入海通量预测值,以执行污染物入海通量监测预测作业。

2.根据权利要求1所述的基于深度学习的污染物入海通量监测预测方法,其特征在于,步骤S1中根据历史水体流量数据和历史污染物浓度数据确定污染物待分析区域包括:以历史污染物浓度数据的最高值和最低值为中心,分别确定距离最高值和最低值最近的第一监测站位置和第二监测站位置;

根据第一监测站位置和第二监测站位置,分析监测站的监测半径,得到第一监测站监测半径和第二监测站监测半径;

基于第一监测站监测半径和第二监测站监测半径确定第一监测站位置和第二监测站位置之间的初始污染物待分析区域;

计算历史水体流量数据和历史污染物浓度数据之间的皮尔逊相关系数;

将皮尔逊相关系数和预设的相关性阈值进行对比,当皮尔逊相关系数大于或等于预设的相关性阈值时,则基于皮尔逊相关系数确定第三监测站位置,并根据第三监测站位置二次筛选初始污染物待分析区域,得到污染物待分析区域。

3.根据权利要求2所述的基于深度学习的污染物入海通量监测预测方法,其特征在于,基于皮尔逊相关系数确定第三监测站位置,并根据第三监测站位置二次筛选初始污染物待分析区域包括:网格化初始污染物待分析区域,并确定初始污染物待分析区域中每个网格单元的皮尔逊相关系数;

筛选皮尔逊相关系数大于或等于预设的相关性阈值的网格单元,以得到污染物输移敏感区域;

基于污染物输移敏感区域的区域边缘,确定距离边缘最近的第三监测站位置;

根据第三监测站位置获取第三监测站采集的断面位置,并结合历史水体流量计算河段的流速梯度,以确定污染物迁移空间范围;

利用污染物迁移空间范围和初始污染物待分析区域进行区域交集计算,得到污染物待分析区域。

4.根据权利要求2所述的基于深度学习的污染物入海通量监测预测方法,其特征在于,当皮尔逊相关系数小于预设的相关性阈值时,还包括:当皮尔逊相关系数小于预设的相关性阈值时,基于第一监测站位置和第二监测站位置确定的初始污染物待分析区域划分为若干相等大小的网格单元;

对每一网格单元,统计其对应监测站点的历史污染物浓度平均值与目标区域的全域历史平均浓度的差值,得到该网格单元的浓度偏差值;

将所有网格单元中浓度偏差值大于预设的偏差阈值的网格单元筛选为高浓度候选单元,其中预设的偏差阈值为大于全域平均浓度+2倍标准差;

对高浓度候选单元在空间上进行聚类分析,以提取相互毗邻且偏差一致的污染物聚集子区域;

基于所提取的污染物聚集子区域,使用其外包多边形边界作为污染物待分析区域。

5.根据权利要求1所述的基于深度学习的污染物入海通量监测预测方法,其特征在于,步骤S2中处理区域水体样本以分别得到亚硝酸盐浓度、氨氮浓度及硝酸盐浓度数据包括:当采用N-1-萘基乙二胺分光光度法测定亚硝酸盐含量时,检测波长设定为540nm,若测得浓度为0.02mg/L~1.0mg/L,且颜色反应时间不超过10分钟,视为稳定亚硝酸盐浓度数据;若出现颜色漂移或干扰峰偏移大于±5nm,则该次检测无效;

当使用纳氏试剂比色法检测氨氮浓度时,在测定波长425nm条件下,若氨氮浓度稳定在0.1mg/L~10mg/L之间,且比色吸光度曲线与标准曲线相关系数R²大于0.98,则判定检测有效氨氮浓度数据;若浓度超过15mg/L或试剂显色不完全,则需稀释重测;

当采用紫外分光法或离子色谱法测定硝酸盐浓度时,浓度范围为0.5mg/L~20mg/L,吸光度在220nm与275nm之间的比值需大于1.5,且背景修正值不得超过0.05,才可确认为硝酸盐浓度有效数据;若连续两次检测结果偏差大于±1.0mg/L,触发异常标记。

6.根据权利要求1所述的基于深度学习的污染物入海通量监测预测方法,其特征在于,步骤S3中利用标准化模型训练集以及模型测试集训练TCN模型包括:构建TCN模型结构,其中TCN模型结构包括输入层、因果卷积层、扩张卷积层以及输出层,其中输入层接收标准化模型训练集中的时间序列,输入张量的形状为(B,T,F),其中B为批次大小,T为时间步数,F为特征数;

基于因果卷积层通过零填充在输入张量的时间维度左侧填充K-1个零,得到第一模型训练数据,其中K为卷积核大小;

基于扩张卷积层对第一模型训练数据引入扩张因子D进行时间依赖关系捕捉,得到第二模型训练数据,其中扩张因子D表示卷积核在处理第一模型训练数据时的间隔;

通过激活函数对第二模型训练数据进行多层卷积和激活变换,并判断变换结果的任务类型,当任务类型为分类任务时,则利用输出层后接Softmax函数以生成概率分布,得到概率分布结果,当任务类型为回归任务,则利用输出层直接输出预测值,其中输出层中输出张量的形状为(B,T,C),其中C为输出通道数;

根据模型测试集对概率分布结果或预测值进行模型精准性评估,以得到训练后的TCN模型。

7.根据权利要求6所述的基于深度学习的污染物入海通量监测预测方法,其特征在于,因果卷积层还包括:每个残差块包含两个因果卷积层,每个因果卷积层后接有激活函数和正则化层;

在第一层因果卷积中,卷积核大小为K,扩张因子为D,输出通道数为C;卷积输出后通过ReLU激活函数引入非线性特征,其计算公式为:;

式中,为输入值,为最大值函数;

在激活函数之后设置Dropout正则化层,随机丢弃比例为0.2;

第二层因果卷积的卷积核大小与扩张因子与第一层相同,即卷积核大小K和扩张因子D不发生变化;

通过跳跃连接将残差块的输入张量直接与第二层因果卷积输出相加,其中残差块的输出由以下公式定义:;

式中,为残差块的最终输出,为输入张量,为第一层卷积操作,为应用非线性激活函数,为第二层卷积操作。

8.根据权利要求6所述的基于深度学习的污染物入海通量监测预测方法,其特征在于,判断变换结果的任务类型包括:当出现以下任一情况时,判定为分类任务:第二模型训练数据的标签格式为离散类别索引,类别数量大于1;输出张量的最后一维通道数C与类别数匹配,且数值范围在0,1之间;卷积与激活变换后的张量特征满足概率分布特征;

当同时出现以下情况时,判定为回归任务:第二模型训练数据的标签为连续实数值,且输出张量最后一维C=1;卷积与激活变换后的输出数值范围不局限于0,1,具体在-106~106范围内波动;输出张量不满足概率归一化特征。

9.根据权利要求1所述的基于深度学习的污染物入海通量监测预测方法,其特征在于,步骤S4中根据水体流量预测数据和污染物浓度预测数据计算污染物入海通量预测值包括:根据入海通量计算公式计算水体流量预测数据和污染物浓度预测数据的污染物入海通量预测值,其中入海通量计算公式如下所示:;

其中为时刻污染物的瞬时入海通量,为时刻污染物浓度预测数据,为时刻水体流量预测数据,为时刻。