本發(fā)明涉及水質(zhì)監(jiān)測(cè)，具體涉及一種水體監(jiān)測(cè)異常狀態(tài)識(shí)別模型訓(xùn)練方法。

背景技術(shù)：

1、在地表水環(huán)境持續(xù)改善，河道水質(zhì)整體提高，對(duì)水生態(tài)環(huán)境日益重視的今天，需要對(duì)當(dāng)前仍然存在的一些外源性有機(jī)污染事件采取更有效、更精細(xì)化的監(jiān)測(cè)手段。針對(duì)水體有機(jī)物污染物檢測(cè)識(shí)別，目前我國主要采用化學(xué)需氧量(cod)、總有機(jī)碳(toc)、254nm處的紫外吸光度(uv254)和常規(guī)五參數(shù)等非特異性指標(biāo)進(jìn)行水質(zhì)監(jiān)測(cè)。然而由于芳香族化合物以及結(jié)構(gòu)復(fù)雜的有機(jī)污染物難以被完全氧化，僅依靠以上指標(biāo)難以完全反映水中污染物污染程度，且難以區(qū)分污染物種類，如2021年某市某水源地水質(zhì)監(jiān)測(cè)數(shù)據(jù)均無異常，然而自來水卻有明顯異味，溯源分析顯示有機(jī)物2-乙基己醇、苯甲酸甲酯等卻已超標(biāo)。

2、目前，針對(duì)有機(jī)污染物的特異性檢測(cè)分析，主要有電化學(xué)分析法、色譜法、光譜法等，其中三維熒光光譜法由于具有樣品準(zhǔn)備需求小、實(shí)驗(yàn)條件款式、靈敏度高、檢測(cè)速度快、選擇性好等特點(diǎn)，在污染物識(shí)別方面有一定優(yōu)勢(shì)。然而，由于河道、管網(wǎng)內(nèi)水體復(fù)雜，加之天然溶解性有機(jī)物的背景干擾等問題，以及水溶性有機(jī)物的熒光粉重疊等問題使得水體低濃度污染物識(shí)別方面適用性不足。

3、另外，基于現(xiàn)有標(biāo)準(zhǔn)體系進(jìn)行報(bào)警識(shí)別，未有效考慮環(huán)境所在區(qū)域的溫度、濕度、光照及降雨等因素影響，采用一刀切的方法，不利于相關(guān)監(jiān)管部門的精細(xì)化監(jiān)管。在相關(guān)技術(shù)中，公布號(hào)為cn115563487a的專利申請(qǐng)文獻(xiàn)中提出了一種基于emd和改進(jìn)lstm的水質(zhì)監(jiān)測(cè)方法，該方案通過獲取社會(huì)指標(biāo)、氣象指標(biāo)、水量指標(biāo)和水質(zhì)指標(biāo)等數(shù)據(jù)，并使用emd(經(jīng)驗(yàn)?zāi)B(tài)分解)對(duì)水質(zhì)指標(biāo)數(shù)據(jù)進(jìn)行處理，利用s-ssa(改進(jìn)的自適應(yīng)最小二乘算法)優(yōu)化lstm神經(jīng)網(wǎng)絡(luò)的參數(shù)，將時(shí)間序列數(shù)據(jù)分成多個(gè)子lstm網(wǎng)絡(luò)并進(jìn)行訓(xùn)練；但該方案中忽略了水質(zhì)數(shù)據(jù)包含噪聲干擾，影響模型訓(xùn)練的準(zhǔn)確性和穩(wěn)定性，再者該方案通過將時(shí)間序列數(shù)據(jù)分成多個(gè)子lstm網(wǎng)絡(luò)進(jìn)行訓(xùn)練，這種方法雖然可能能夠更好地捕捉時(shí)間序列的不同動(dòng)態(tài)特征，但是未對(duì)模型進(jìn)行自我訓(xùn)練和參數(shù)修正，模型的適應(yīng)性和預(yù)測(cè)精度較差。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于如何提高水質(zhì)異常識(shí)別的準(zhǔn)確性。

2、本發(fā)明通過以下技術(shù)手段解決上述技術(shù)問題的：

3、本發(fā)明提出了一種水體監(jiān)測(cè)異常狀態(tài)識(shí)別模型訓(xùn)練方法，所述方法包括：

4、s10、獲取原始水質(zhì)監(jiān)測(cè)數(shù)據(jù)，所述原始水質(zhì)監(jiān)測(cè)數(shù)據(jù)包括水質(zhì)監(jiān)測(cè)數(shù)據(jù)、光譜數(shù)據(jù)和質(zhì)譜數(shù)據(jù)；

5、s20、采用小波變換對(duì)所述原始水質(zhì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行降噪處理，得到基準(zhǔn)數(shù)據(jù)；

6、s30、利用所述基準(zhǔn)數(shù)據(jù)集對(duì)預(yù)先構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，計(jì)算所述神經(jīng)網(wǎng)絡(luò)模型輸出的水質(zhì)預(yù)測(cè)結(jié)果與實(shí)測(cè)水樣的水質(zhì)結(jié)果之間的差值，其中，以氣象數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型的邊界條件；

7、s40、將差值超過識(shí)別閾值的數(shù)據(jù)作為異常數(shù)據(jù)剔除后形成新的基準(zhǔn)數(shù)據(jù)，并重新執(zhí)行步驟s30；

8、s50、直至剔除所有的異常數(shù)據(jù)后，得到正常的訓(xùn)練數(shù)據(jù)用于繼續(xù)進(jìn)行水質(zhì)異常預(yù)測(cè)模型的訓(xùn)練。

9、進(jìn)一步地，所述光譜數(shù)據(jù)包括紫外-可見吸收光譜數(shù)據(jù)和三維熒光光譜數(shù)據(jù)。

10、進(jìn)一步地，在所述采用小波變換對(duì)所述原始水質(zhì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行降噪處理，得到基準(zhǔn)數(shù)據(jù)之前，所述方法還包括：

11、對(duì)所述原始水質(zhì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行清洗操作，得到預(yù)處理后的水質(zhì)監(jiān)測(cè)數(shù)據(jù)；

12、相應(yīng)地，所述采用小波變換對(duì)所述原始水質(zhì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行降噪處理，得到基準(zhǔn)數(shù)據(jù)，包括：

13、采用小波變換對(duì)預(yù)處理后的水質(zhì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行降噪處理，得到基準(zhǔn)數(shù)據(jù)。

14、進(jìn)一步地，所述神經(jīng)網(wǎng)絡(luò)模型采用lstm神經(jīng)網(wǎng)絡(luò)模型。

15、進(jìn)一步地，在所述采用小波變換對(duì)所述原始水質(zhì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行降噪處理，得到基準(zhǔn)數(shù)據(jù)之后，所述方法還包括：

16、將所述基準(zhǔn)數(shù)據(jù)按照長期、短期時(shí)間進(jìn)行整合，形成時(shí)間序列數(shù)據(jù)集；

17、相應(yīng)地，將所述時(shí)間序列數(shù)據(jù)集輸入到預(yù)先構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型中，計(jì)算所述神經(jīng)網(wǎng)絡(luò)模型輸出的水質(zhì)預(yù)測(cè)結(jié)果與實(shí)測(cè)水樣的水質(zhì)結(jié)果之間的差值。

18、進(jìn)一步地，所述氣象數(shù)據(jù)包括雨量、氣溫、光照及露點(diǎn)。

19、進(jìn)一步地，在所述將差值超過識(shí)別閾值的數(shù)據(jù)作為異常數(shù)據(jù)剔除后形成新的基準(zhǔn)數(shù)據(jù)之前，所述方法還包括：

20、根據(jù)正常情況下的標(biāo)準(zhǔn)水樣數(shù)據(jù)，確定所述識(shí)別閾值。

21、此外，本發(fā)明還提出了一種水體監(jiān)測(cè)異常狀態(tài)識(shí)別方法，利用如上所述的水體監(jiān)測(cè)異常狀態(tài)識(shí)別模型訓(xùn)練方法訓(xùn)練得到的模型進(jìn)行水體異常識(shí)別。

22、此外，本發(fā)明還提出了一種計(jì)算機(jī)設(shè)備，所述設(shè)備包括存儲(chǔ)器、處理器；其中，所述處理器通過讀取所述存儲(chǔ)器中存儲(chǔ)的可執(zhí)行程序代碼來運(yùn)行與所述可執(zhí)行程序代碼對(duì)應(yīng)的程序，以用于實(shí)現(xiàn)如上所述的方法。

23、此外，本發(fā)明還提出了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如上所述的方法。

24、本發(fā)明的優(yōu)點(diǎn)在于：

25、(1)本發(fā)明通過引入氣象數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型的邊界條件，將氣象因素對(duì)水質(zhì)的影響因素納入到水環(huán)境水質(zhì)中，并將其作為常態(tài)化判斷，利用水質(zhì)預(yù)測(cè)模型識(shí)別異常數(shù)據(jù)點(diǎn)，并通過剔除異常數(shù)據(jù)的方法完善水體數(shù)據(jù)基準(zhǔn)值，減少氣象因素變化所引起的水環(huán)境變化，從而提高模型識(shí)別水體異常的準(zhǔn)確率。

26、本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實(shí)踐了解到。

技術(shù)特征：

1.一種水體監(jiān)測(cè)異常狀態(tài)識(shí)別模型訓(xùn)練方法，其特征在于，所述方法包括：

2.如權(quán)利要求1所述的水體監(jiān)測(cè)異常狀態(tài)識(shí)別模型訓(xùn)練方法，其特征在于，所述光譜數(shù)據(jù)包括紫外-可見吸收光譜數(shù)據(jù)和三維熒光光譜數(shù)據(jù)。

3.如權(quán)利要求1所述的水體監(jiān)測(cè)異常狀態(tài)識(shí)別模型訓(xùn)練方法，其特征在于，在所述采用小波變換對(duì)所述原始水質(zhì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行降噪處理，得到基準(zhǔn)數(shù)據(jù)之前，所述方法還包括：

4.如權(quán)利要求1所述的水體監(jiān)測(cè)異常狀態(tài)識(shí)別模型訓(xùn)練方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)模型采用lstm神經(jīng)網(wǎng)絡(luò)模型。

5.如權(quán)利要求4所述的水體監(jiān)測(cè)異常狀態(tài)識(shí)別模型訓(xùn)練方法，其特征在于，在所述采用小波變換對(duì)所述原始水質(zhì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行降噪處理，得到基準(zhǔn)數(shù)據(jù)之后，所述方法還包括：

6.如權(quán)利要求1所述的水體監(jiān)測(cè)異常狀態(tài)識(shí)別模型訓(xùn)練方法，其特征在于，所述氣象數(shù)據(jù)包括雨量、氣溫、光照及露點(diǎn)。

7.如權(quán)利要求1所述的水體監(jiān)測(cè)異常狀態(tài)識(shí)別模型訓(xùn)練方法，其特征在于，在所述將差值超過識(shí)別閾值的數(shù)據(jù)作為異常數(shù)據(jù)剔除后形成新的基準(zhǔn)數(shù)據(jù)之前，所述方法還包括：

8.一種水體監(jiān)測(cè)異常狀態(tài)識(shí)別方法，其特征在于，利用如權(quán)利要求1-7任一項(xiàng)所述的水體監(jiān)測(cè)異常狀態(tài)識(shí)別模型訓(xùn)練方法訓(xùn)練得到的模型進(jìn)行水體異常識(shí)別。

9.一種計(jì)算機(jī)設(shè)備，其特征在于，所述設(shè)備包括存儲(chǔ)器、處理器；其中，所述處理器通過讀取所述存儲(chǔ)器中存儲(chǔ)的可執(zhí)行程序代碼來運(yùn)行與所述可執(zhí)行程序代碼對(duì)應(yīng)的程序，以用于實(shí)現(xiàn)如權(quán)利要求1-7中任一項(xiàng)所述的方法。

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如權(quán)利要求1-7中任一項(xiàng)所述的方法。

技術(shù)總結(jié)
本發(fā)明公開一種水體監(jiān)測(cè)異常狀態(tài)識(shí)別模型訓(xùn)練方法，包括獲取原始水質(zhì)監(jiān)測(cè)數(shù)據(jù)；采用小波變換對(duì)所述原始水質(zhì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行降噪處理，得到基準(zhǔn)數(shù)據(jù)；利用所述基準(zhǔn)數(shù)據(jù)集對(duì)預(yù)先構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，計(jì)算所述神經(jīng)網(wǎng)絡(luò)模型輸出的水質(zhì)預(yù)測(cè)結(jié)果與實(shí)測(cè)水樣的水質(zhì)結(jié)果之間的差值，其中，以氣象數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型的邊界條件；將差值超過識(shí)別閾值的數(shù)據(jù)作為異常數(shù)據(jù)剔除后形成新的基準(zhǔn)數(shù)據(jù)，并重新輸入至模型；如此循環(huán)直至剔除所有的異常數(shù)據(jù)后，得到訓(xùn)練好的用于進(jìn)行水質(zhì)異常預(yù)測(cè)的模型；本發(fā)明減少了氣象因素變化所引起的水環(huán)境變化，從而提高模型識(shí)別水體異常的準(zhǔn)確率。

技術(shù)研發(fā)人員：袁宏永,李梅,付明,梁光華
受保護(hù)的技術(shù)使用者：清華大學(xué)合肥公共安全研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6