[发明专利]土壤污染预测方法及系统

说明书

本发明提供一种土壤污染预测方法及系统。所述方法包括：根据特定区域的往年土壤污染指数，利用灰色预测模型生成用于进行土壤污染预测的有效数列，所述有效数列包括模型还原值和生成数列值；利用有效数列训练神经网络模型；利用训练后的神经网络模型预测特定区域的土壤污染指数，所述预测的土壤污染指数包括与往年土壤污染指数对应的往年预测土壤污染指数；计算往年预测土壤污染指数与往年土壤污染指数之间的误差；基于所述误差预测特定区域的未来的土壤污染指数。

技术领域

本发明涉及土壤污染治理领域，具体涉及一种土壤污染预测方法及系统。

背景技术

为保障我国粮食安全、人民身体健康，有针对性地对被污染土地进行土地修复十分重要。目前处理土壤重金属污染的方法多为预防为主，然而影响土壤重金属污染的因素较多，加之数据量较大，使得传统的土壤重金属污染预测速度慢，预测不到位，导致预防效果差，造成资金和时间的浪费。

发明内容

本发明在于提供一种土壤污染预测方法及系统，旨在提高土壤污染预测的准确度。

根据本发明，提供一种土壤污染预测方法，所述土壤污染预测方法包括：根据特定区域的往年土壤污染指数，利用灰色预测模型生成用于进行土壤污染预测的有效数列，所述有效数列包括模型还原值和生成数列值；利用有效数列训练神经网络模型；利用训练后的神经网络模型预测特定区域的土壤污染指数，所述预测的土壤污染指数包括与往年土壤污染指数对应的往年预测土壤污染指数；计算往年预测土壤污染指数与往年土壤污染指数之间的误差；基于所述误差预测特定区域的未来的土壤污染指数。

利用灰色预测模型生成用于进行土壤污染预测的有效数列的步骤包括：计算所述往年污染数据的级比；基于所述级比，从所述往年土壤污染数据中选择用于建立灰色预测模型的数据；利用选择的数据建立灰色预测模型；利用灰色预测模型生成模型还原值和生成数列值。

所述神经网络模型被部署在Hadoop分布式网络框架的多个子节点上。

利用所述有效数列训练神经网络模型的步骤包括：将所述有效数列整合为数据集；将所述数据集划分为多个子数据集，并将所述多个子数据集从所述Hadoop分布式网络框架的主节点广播至所述多个子节点上；在所述多个子节点上，分别利用所述多个子数据集训练所述神经网络模型。

所述Hadoop分布式网络框架中的数据通过Spark算法来并行处理。

基于所述误差预测特定区域的未来的土壤污染指数的步骤包括：通过马尔可夫链算法计算所述误差的初始状态概率向量和一步转移概率矩阵；根据初始状态概率向量和一步转移概率矩阵预测特定区域的未来的土壤污染指数。

本发明提供一种土壤污染预测系统，所述土壤污染预测系统包括：灰色模块，被配置为根据特定区域的往年土壤污染指数，利用灰色预测模型生成用于进行土壤污染预测的有效数列，所述有效数列包括模型还原值和生成数列值；神经网络预测模块，被配置为利用所述有效数列训练神经网络模型，利用训练后的神经网络模型预测特定区域的土壤污染指数，所述预测的土壤污染指数包括与往年土壤污染指数对应的往年预测土壤污染指数；预测修正模块，被配置为计算往年预测土壤污染指数与往年土壤污染指数之间的误差，基于所述误差预测特定区域的未来的土壤污染指数。

灰色模块被配置为：计算所述往年污染数据的级比；基于所述级比，从所述往年土壤污染数据中选择用于建立灰色预测模型的数据；利用选择的数据建立灰色预测模型；利用灰色预测模型生成模型还原值和生成数列值。

所述神经网络模型被部署在Hadoop分布式网络框架的多个子节点上。

神经网络预测模块被配置为：将所述有效数列整合为数据集；将所述数据集划分为多个子数据集，并将所述多个子数据集从所述Hadoop分布式网络框架的主节点广播至所述多个子节点上；在所述多个子节点上，分别利用所述多个子数据集训练所述神经网络模型。