[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

说明书

水域岸线污染风险评估方法及控制智能决策方法和系统，属于环境工程技术与计算机技术交叉领域。为了解决现有的水域岸线污染风险评估方法效率低、准确率低的问题，以及对应进行控制智能决策的效率低的问题。本发明利用卷积神经网络对水域岸线遥感影像、航拍影像以及区域图像进行识别与语义分割，完成岸线宽度、人类活动、耕地占用面积、优势植株等影像因子的自动化计算与赋值；构建基于网络层次分析的水域岸线污染风险评价体系，确定影响因子权重，从而得到客观公正的定量化评价结果，提出基于影响因子权重水域岸线污染控制策略。主要用于水域岸线污染风险评估及控制智能决策。

技术领域

本发明涉及水域岸线污染风险评估方法及控制智能决策方法。属于环境工程技术与计算机技术交叉领域。

背景技术

水域岸线是河湖水域在水陆边界线一定范围的带状区域统称，不仅具备景观、养殖、交通、采砂、娱乐等经济社会功能，更具维护生物多样性、消纳污染物、提供生物栖息地、调节气候等生态系统服务功能，对城镇经济发展及生态文明建设具有重要贡献作用。但随着我国经济发展，非法排污、设障、捕捞、养殖、采砂、采矿、围垦等侵占水域岸线等问题日益严重，进而导致河湖水环境质量恶化，水安全保障存在隐患。水域岸线污染风险评估及其治理措施决策需求迫在眉睫。

层次分析法(The analytic hierarchy process，AHP)是一种传统的水域岸线污染风险评价方法，通过对可能造成水域岸线污染与破坏的指标进行打分量化与权重分析，实现水域岸线污染风险评价。但在实际应用过程中，该方法存在岸线巡视耗时长、评价体系模糊以及打分主观性高等问题，造成水域岸线污染风险评价过程冗长、结果可接受程度低。同时，在治理措施决策方面，主流水域岸线生物与物理修复技术多达百余种，但目前缺乏具有指导性的技术筛选原则，致使实际工程应用中水域岸线修复技术的决策仍以人工主观性选择为主，难以定量化决策。综上所述，在水域岸线污染风险评价与方案决策领域，目前亟需一种实现水域岸线污染风险快速精准评价与修复方案定量化决策的综合解决方法。

以卷积神经网络(Convolutional Neural Networks,CNN)为代表的人工智能技术在图像识别与语义分割方面具有重大技术突破，可实现航拍影像、遥感影像以及实拍图像的地物识别与数据提取，从而为实现水域岸线影响因子的赋分过程从人工判断到机器智能判断提供了解决途径；而网络层次分析(Analytic Network Process,ANP)是层次分析法的升级模式，具备更复杂的内部依赖性和反馈性层次结构，在水域岸线污染评价问题中能确定影响因子相互影响下纠偏权重，提高评价准确性。因此，两种技术的融合运用为水域岸线污染风险评价与方案定量化决策提供了一种创新性的解决思路。

发明内容

本发明是为了解决现有的水域岸线污染风险评估方法效率低、准确率低的问题，以及对应进行控制智能决策的效率低的问题。

水域岸线污染风险评估方法，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：