[发明专利]基于深度学习的污染源查找及污染物分布预测方法及系统

说明书

本发明属于污染检测技术领域，公开了基于深度学习的污染源查找及污染物分布预测方法及系统。所述方法包括：构建污染溯源模型；基于历史数据库构建若干训练样本；基于深度学习算法对所述污染溯源模型进行迭代优化以获得一优化溯源模型；将所述优化溯源模型中的模型结构与实时卫星影像相关联，地面点监测数据与监测设备的实时数据相关联，气象特征数据与气象卫星实时数据相关联；基于污染分布梯度图指导所述走航装置移动，并随着走航装置的实时移动对所述优化溯源模型输出的污染分布梯度图进行实时更新以对污染物的空间分布进行实时预测更新，并对污染源位置进行实时查找更新。本发明具有硬件数量更少，污染溯源精确度高、指向性强的优点。

技术领域

本发明涉及污染检测技术领域，具体涉及基于深度学习的污染源查找及污染物分布预测方法及系统。

背景技术

一般意义上的污染物是指进入环境后使环境的正常组分发生变化，从而为动植物的正常生长及人类的正常活动产生直接或间接不利影响的物质。对污染物进行溯源，确认污染源位置并获取污染物在空间内分布情况是提高区域化环境监测及治理的前提。

现有的污染源溯源主要分为主动式搜寻及被动式预测两种。所述被动式预测方法主要包括烟流预测方法、分布几率预测方法等。所述主动式搜寻主要分为等高图亮点方法、单纯型搜寻方法及路径移动搜寻方法等。

现有的被动式预测方法多以概率统计及最优化理论为基础，利用气象和环境污染物浓度实时监控数据进行污染排放区域反推预测。但该类被动式预测方法中，由于相关的气象观测数据、采样分析技术及算法本身更适用于整个城市尺度下或更大尺度区域下的污染物溯源，而无法对工业园区等小尺度范围内进行高精确度、高指向性定位溯源。

现有的主动式搜寻方法中，需要借助点监测设备或线监测设备获得相应监测数据，再基于所述监测数据对污染物进行追踪式定位。其中，对于所述等高图亮点方法，由于需要进行重构计算，因此需要借助大量的监测设备才能构建三维的污染物分布等高图。对于所述单纯型搜寻方法及路径移动搜寻方法，虽然不需要大量监测设备参与监测，但由于其通过监测设备的移动以获取不同位置的污染物浓度，因此在不同位置的污染物浓度数据具有获取时差，因此常存在由量测间隔时间长而使获取的污染物分布与当下实际情况相差较大的情况。

发明内容

本发明目的在于提供基于深度学习的污染源查找及污染物分布预测方法及系统，以改善现有的污染物溯源中被动预测方法中精确度低、指向性差；及主动搜寻中硬件需求量大，或由数据获取时长而导致的搜寻结果误差大的技术问题。

为达成上述目的，本发明提出如下技术方案：

基于深度学习的污染源查找及污染物分布预测方法，包括：

构建污染溯源模型；其中，所述污染溯源模型以三维实景作为模型结构，以地面点监测数据及气象特征数据作为所述三维实景的输入变量，以按照坐标信息加载于所述三维实景上的污染分布梯度图作为输出量；

基于历史数据库构建若干训练样本，所述历史数据库包括：发生污染事件时的地理位置、气象特征数据、地面监测数据、污染源位置、空间分布浓度；

基于深度学习算法，以各所述训练样本为输入量，以基于所述污染分布梯度图获取的预测污染源位置与所述训练样本相应的实际污染源位置间的差值，及基于所述污染分布梯度图获取的预测空间分布浓度与所述训练样本相应的实际空间分布浓度间的差值均小于相应的差值阈值为目标对所述污染溯源模型进行迭代优化以获得一优化溯源模型；

将所述优化溯源模型中的模型结构与实时卫星影像相关联，地面点监测数据与监测设备的实时数据相关联，气象特征数据与气象卫星的实时数据相关联；其中，所述优化溯源模型及所述监测设备均装载于移动设置的走航装置上；

基于所述污染分布梯度图指导所述走航装置移动，并随着走航装置的实时移动对所述优化溯源模型输出的污染分布梯度图进行实时更新以对污染物的空间分布进行实时预测更新，并对污染源位置进行实时查找更新。