[发明专利]水域岸线污染风险评估方法及控制智能决策方法和系统

权利要求书

1.水域岸线污染风险评估方法，其特征在于，包括以下步骤：

S1、进行图像识别和语义分割：

将待检测区域的遥感影像与航拍图像输入到各自对应的卷积神经网络实现对林地、农田、水体、建筑、岸线的语义分割识别；

将待检测区域的实拍摄图像输入到对应的卷积神经网络实现植物类型的识别与标注；

遥感影像与航拍图像各自对应的卷积神经网络和实拍摄图像对应的卷积神经网络为预先训练好的，训练过程包括以下步骤：

构建水域岸线遥感影像、航拍影像以及实拍图像三个样本数据集，并人工进行水域岸线的林地、农田、水体、建筑、岸线构成元素的标注；针对水域岸线遥感影像、航拍影像以及实拍图像，分别构建基于InceptionV3和注意力机制的融合卷积神经网络，并进行训练得到遥感影像、航拍影像、实拍图像各自对应的训练好的神经网络；

遥感影像对应的神经网络，或者航拍影像对应的神经网络，或者实拍图像对应的神经网络也根据输出内容的不同而设置多个神经网络网络类型，用于得到不同的数据：

a、根据语义分割识别结果计算水体、岸线、建筑、植被区域的长宽像素值，然后乘以绝对分辨率，得到建筑占比C1、农田占比C2、人类聚集区平均距离C3、岸线平均宽度C4、林地区域占比C5各自相应的距离、面积、面积占比；

b、根据语义分割识别结果，在河道弯曲处提取边界圆弧，计算每50m河道的平均曲率K，并将断面内的最大值平均曲率作为最大曲率C9；

c、由岸线实拍图像的卷积神经网络进行岩土、护坡和坡度识别结果得出护坡类型C6、岩土类型C7、平均坡度C8；

d、由岸线实拍图像的卷积神经网络进行植物类别，得到每种植物的数量及所有植物的数量；

将植物的数量最多的植物类型作为优势植物类型，得到优势植物类型C36；

同时根据每种植物的数量及所有植物的数量得到植被多样性C35；

S2、利用由目标层、准则层和网络层及组成的水域岸线污染风险ANP模型进行风险评估，包括以下步骤：

S2.1、调用水域岸线污染风险ANP模型，目标层为水域岸线污染风险A，准则层包括的指标：人类活动影响B1、岸线自身影响B2、地理环境影响B3、生态系统影响B4，网络层包括的指标：建筑占比C1、农田占比C2、人类聚集区平均距离C3、岸线平均宽度C4、林地区域占比C5、护坡类型C6、岩土类型C7、平均坡度C8、最大曲率C9、土壤污染C10-C20、水质污染C21-C34、植被多样性C35、优势植物类型C36；

网络层中的建筑占比C1、农田占比C2、人类聚集区平均距离C3、岸线平均宽度C4、林地区域占比C5、护坡类型C6、岩土类型C7、平均坡度C8、最大曲率C9、植被多样性C35、优势植物类型C36为步骤S1得到的数据；土壤污染C10-C20及水质污染C21-C34根据实际采样的检测数据得到；

S2.2、将每项网络层指标作为一个风险因子，针对于不同区间选择不同的风险因子赋分值；

S2.3、获得判断矩阵，通过一致性检验之后，计算超矩阵、加权超矩阵以及极限超矩阵，反复迭代至极限收敛，完成当极限收敛时，获得36个风险因子的稳定权重；

所述判断矩阵是采用Santy的1-9度标度方法输入的；S2.4、确定第n个断面水域岸线污染风险综合指数为I_n：

其中，m—水域岸线污染风险因子个数，也就是网络层指标的数量；k_i—第i个风险因子的稳定权重；q_i—第i个风险因子赋分值；

S2.5、根据水域岸线污染风险综合指数I_n实现水域岸线的污染风险评估。

2.根据权利要求1所述的水域岸线污染风险评估方法，其特征在于，步骤a中的距离、面积、面积占比计算公式如下：

D＝d×Rs

S＝d×l×Rs

式中：D为距离，m；d为距离识别像素值，px；Rs为影像的地理分辨率，m/px；S为面积，m²；l为宽度识别像素值，px；为单种识别类型的占用率；i为分割类型，n为分割类型的数量。

3.根据权利要求1所述的水域岸线污染风险评估方法，其特征在于，步骤b中的平均曲率如下：

其中，为河道平均曲率；Δa为河道岸线弧线的切线转角，弧度制数；Δs为河道长度，m。