一种地下水污染风险识别划分的方法与系统与流程

1.本发明涉及地下水污染监测技术领域，特别是涉及一种地下水污染风险识别划分的方法与系统。


背景技术：

2.目前，针对地下水水源保护、地下水饮用安全应对等技术系统尚不完善的情况，对地下水资源尤其是水质进行长期监测管理，是防止地下水质进一步恶化、保障用水安全的重要途径。而地下水污染风险评价是地下水水质长期监测管理和未来应对措施的基础。对全球变化诱发的地下水污染风险进行评估，掌握其未来变化趋势，能为区域尺度的地下水管理提供重要的科学依据。
3.现阶段，依然缺乏表征污染负荷、含水层功能性的系统方法，且现有方法中使用的评分、排名和整合过程均基于专家经验而非物理过程，在一定程度上具有主观性，同时，较为粗略的计算过程也忽略了人类活动及全球变化造成的污染物时空分布变化。


技术实现要素：

4.为了克服现有技术的不足，本发明的目的是提供一种地下水污染风险识别划分的方法与系统。
5.为实现上述目的，本发明提供了如下方案：
6.一种地下水污染风险识别划分的方法，包括：
7.选取目标污染物，收集所述目标污染物在地下水中的样品浓度数据，以及采样所在地的潜在来源、水文地质条件和气象数据；
8.根据目标污染物在地下水中的危害性，将所述目标污染物在地下水中的浓度分为不同的污染等级；
9.将所述目标污染物的污染等级、采样所在地的潜在来源、水文地质条件和气象数据作为训练指标，输入到机器学习算法中进行训练得到每个输入指标导致地下水污染的每一种污染等级的贡献度评分；
10.根据所述贡献度评分选取预设个指标作为主导指标；
11.确定出每一个主导指标的量化权重；
12.根据所述主导指标的贡献度评分和相应的量化权重确定目标污染物的风险划分结果。
13.优选地，将所述目标污染物的污染等级、采样所在地的潜在来源、水文地质条件和气象数据作为训练指标，输入到机器学习算法中进行训练得到每个输入指标导致地下水污染的每一种污染等级的贡献度评分，包括：
14.将训练指标输入到树状结构机器学习算法xgboost中的分类算法模型进行训练得到模型的输出结果；
15.利用shap算法对所述输出结果进行解释，得到每个训练指标的shap值；
16.根据所述shap值确定每个输入指标导致地下水污染的每一种污染等级的贡献度评分。
17.优选地，根据所述贡献度评分选取预设个指标作为主导指标，包括：
18.选取位于贡献度评分前八位的指标作为主导指标。
19.优选地，确定出每一个主导指标的量化权重，包括：
20.利用shap算法的shap相互作用值分解出每个主导指标对地下水超标风险等级的贡献分布；
21.根据所述贡献分布对所述主导指标依次进行分段和线性拟合得到每一主导指标的量化权重。
22.优选地，根据所述主导指标的贡献度评分和相应的量化权重确定目标污染物的风险划分结果，包括：
23.采用公式：
[0024][0025]
得到目标污染物的污染指数；其中，表示主导指标的权重，表示主导指标的贡献度评分；
[0026]
根据所述污染指数确定目标污染物的风险划分结果。
[0027]
本发明还提供了一种地下水污染风险识别划分的系统，包括：
[0028]
数据获取模块，用于选取目标污染物，收集所述目标污染物在地下水中的样品浓度数据，以及采样所在地的潜在来源、水文地质条件和气象数据；
[0029]
污染等级划分模块，用于根据目标污染物在地下水中的危害性，将所述目标污染物在地下水中的浓度分为不同的污染等级；
[0030]
贡献度评分模块，用于将所述目标污染物的污染等级、采样所在地的潜在来源、水文地质条件和气象数据作为训练指标，输入到机器学习算法中进行训练得到每个输入指标导致地下水污染的每一种污染等级的贡献度评分；
[0031]
指标选取模块，用于根据所述贡献度评分选取预设个指标作为主导指标；
[0032]
权重量化模块，用于确定出每一个主导指标的量化权重；
[0033]
风险划分模块，用于根据所述主导指标的贡献度评分和相应的量化权重确定目标污染物的风险划分结果。
[0034]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0035]
本发明提供了一种地下水污染风险识别划分的方法与系统，其中，该方法包括：选取目标污染物，收集所述目标污染物在地下水中的样品浓度数据，以及采样所在地的潜在来源、水文地质条件和气象数据；根据目标污染物在地下水中的危害性，将所述目标污染物在地下水中的浓度分为不同的污染等级；将所述目标污染物的污染等级、采样所在地的潜在来源、水文地质条件和气象数据作为训练指标，输入到机器学习算法中进行训练得到每个输入指标导致地下水污染的每一种污染等级的贡献度评分；根据所述贡献度评分选取预设个指标作为主导指标；确定出每一个主导指标的量化权重；根据所述主导指标的贡献度评分和相应的量化权重确定目标污染物的风险划分结果。本发明基于机器学习和指标参数
结合的地下水污染风险识别划分方法，通过对观测数据的全面分析，客观地得到用于评价地下水目标污染风险的指标及其参数标准，避免了人为主观造成的影响；此外，本发明还可对任意目标污染物的污染等级进行单独分析，大幅提高了经典指标参数方法的适用范围及实用性，为地下水污染的控制与修复提供技术支持。
附图说明
[0036]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0037]
图1为本发明提供的实施例中的一种地下水污染风险识别划分的方法流程图；
[0038]
图2是本发明应用于实施例中对超标风险污染等级的贡献位列前10位的输入指标的总体贡献示意图。
[0039]
图3是本发明应用于实施例中主导指标对地下水超标风险等级的贡献分布图。
[0040]
图4是本发明应用于实施例中得到的美国大陆地下水中硝酸盐的超标风险识别划分结果示意图。
具体实施方式
[0041]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0042]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0043]
本技术的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
[0044]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0045]
为实现上述目的，本发明提供了如下方案：
[0046]
请参阅图1，一种地下水污染风险识别划分的方法，包括：
[0047]
步骤1：选取目标污染物，收集所述目标污染物在地下水中的样品浓度数据，以及采样所在地的潜在来源、水文地质条件和气象数据；
[0048]
步骤2：根据目标污染物在地下水中的危害性，将所述目标污染物在地下水中的浓度分为不同的污染等级；
[0049]
步骤3：将所述目标污染物的污染等级、采样所在地的潜在来源、水文地质条件和气象数据作为训练指标，输入到机器学习算法中进行训练得到每个输入指标导致地下水污染的每一种污染等级的贡献度评分；
[0050]
进一步的，步骤3包括：
[0051]
将训练指标输入到树状结构机器学习算法xgboost中的分类算法模型进行训练得到模型的输出结果；
[0052]
利用shap算法对所述输出结果进行解释，得到每个训练指标的shap值；
[0053]
根据所述shap值确定每个输入指标导致地下水污染的每一种污染等级的贡献度评分。
[0054]
步骤4：根据所述贡献度评分选取预设个指标作为主导指标；在本发明中，选取位于贡献度评分前八位的指标作为主导指标。
[0055]
步骤5：确定出每一个主导指标的量化权重；
[0056]
具体的，步骤5包括：利用shap算法的shap相互作用值分解出每个主导指标对地下水超标风险等级的贡献分布；
[0057]
根据所述贡献分布对所述主导指标依次进行分段和线性拟合得到每一主导指标的量化权重。
[0058]
步骤6：根据所述主导指标的贡献度评分和相应的量化权重确定目标污染物的风险划分结果。
[0059]
进一步的，步骤6包括：
[0060]
采用公式：
[0061][0062]
得到目标污染物的污染指数；其中，表示主导指标的权重，表示主导指标的贡献度评分；
[0063]
根据所述污染指数确定目标污染物的风险划分结果。
[0064]
下面本发明结合具体的实施例对上述的地下水污染风险识别划分方法作进一步的说明：
[0065]
(1)选取目标污染物。
[0066]
本实施例的目标污染物为美国大陆地下水中的硝酸盐污染。
[0067]
(2)收集目标污染物在地下水中的样品数据，以及采样所在地的潜在来源、水文地质条件、气象数据。
[0068]
本实施例中收集了美国大陆地下水中的硝酸盐浓度数据；潜在来源如表1所示；水文地质条件包括：地下水埋深、土壤湿度、含水层介质、土壤介质、地形坡度、包气带功能、水力传导系数；气象数据包括：年降雨量、年蒸发量。
[0069]
表1实施例中所收集地下水硝酸盐潜在来源汇总
[0070][0071]
[0072][0073]
(3)根据目标污染物在地下水中的危害性及相关标准，将该污染物在地下水中的浓度分为不同等级。
[0074]
本实施例中地下水硝酸盐浓度按照表2分类，并主要讨论其中的超标风险。
[0075]
表2地下水硝酸盐浓度的分类
[0076]
硝酸盐浓度(mg/lasn)风险等级≤2低风险(2,4]中风险(4,10]高风险》10超标风险
[0077]
(4)通过对地下水样品中目标污染物的浓度等级、采样所在地的潜在来源、水文地质条件、气象条件的综合分析，同时识别出导致地下水中该污染物每一种污染等级的主导指标。
[0078]
本实施例中，将所收集的地下水硝酸盐浓度等级数据与潜在来源、水文地质条件、气象条件数据组成数据组。
[0079]
按照7：1.5：1.5的比例，将上述数据组随机分成训练组、验证组、测试组。
[0080]
将训练组数据输入树状结构机器学习算法xgboost中的分类算法模型，通过调节模型参数得到最佳模型结果。
[0081]
模型结果通过shap算法解释，得到每个输入指标的shap值，从而得到每个输入指标导致地下水中硝酸盐污染的每一种污染等级的贡献度，其中在本实施例中，对于硝酸盐超标污染等级，位于前八位的指标被视为主导指标，如图1，分别为：小麦产量、农业化肥氮源、自然保护储备计划中的土地比例、地下水埋深、土壤湿度、地形坡度、鸡产量、大气氮沉降。
[0082]
(5)针对每一类污染等级，通过对识别出的位于前八位的主导指标进一步机器学习的深入分析，确定出指标的量化权重。
[0083]
本实施例中位于超标风险等级前八位的主导指标进一步通过shap算法，根据shap相互作用(interaction)值分解出每个主导指标对地下水超标风险等级的贡献分布。
[0084]
每个主导指标对地下水超标风险等级的贡献分布按照具体分布情况分为两段式分布或者三段式分布，并将每个主导指标标准化后分段进行线性拟合，如图2，得到的分段式线性拟合结果即为指标的量化权重分布如表3。
[0085]
表3实施例中地下水硝酸盐超标指数评分准则
[0086]
[0087]
[0088][0089]
(6)计算得到区域地下水对目标污染物每一类污染等级的风险识别划分结果。
[0090]
本实施例中，根据所得主导指标的量化权重，按照下列公式计算得出各单元格内的硝酸盐超标污染指数，其中超标指数大于零的区域被划为超标风险地区，最终得到美国大陆地下水中硝酸盐的超标风险识别划分结果，如图3。
[0091]
超标指数＝wwwr+f
wfr
+crpwcrpr+d
wdr
+mwmr+twtr+c
wcr
+a
war
[0092]
式中：
[0093]
下标w和r分别为每个指标的权重和评分。
[0094]
本实施例中，得到的美国大陆地下水中硝酸盐的超标风险识别划分结果准确率为70％，大幅提高了经典指标参数方法的准确率。
[0095]
综上，本发明的基于机器学习和指标参数结合的地下水污染风险识别划分方法，通过对观测数据的全面分析，客观地得到用于评价地下水目标污染风险的指标及其参数标准，避免了人为主观造成的影响。另外，本发明的方法可用于地下水中的任意目标污染物，并可对其不同的污染等级进行单独分析，大幅提高了经典指标参数方法的适用范围及实用性，为地下水污染的控制与修复提供技术支持。
[0096]
本发明还提供了一种地下水污染风险识别划分的系统，包括：
[0097]
数据获取模块，用于选取目标污染物，收集所述目标污染物在地下水中的样品浓度数据，以及采样所在地的潜在来源、水文地质条件和气象数据；
[0098]
污染等级划分模块，用于根据目标污染物在地下水中的危害性，将所述目标污染物在地下水中的浓度分为不同的污染等级；
[0099]
贡献度评分模块，用于将所述目标污染物的污染等级、采样所在地的潜在来源、水文地质条件和气象数据作为训练指标，输入到机器学习算法中进行训练得到每个输入指标导致地下水污染的每一种污染等级的贡献度评分；
[0100]
指标选取模块，用于根据所述贡献度评分选取预设个指标作为主导指标；
[0101]
权重量化模块，用于确定出每一个主导指标的量化权重；
[0102]
风险划分模块，用于根据所述主导指标的贡献度评分和相应的量化权重确定目标污染物的风险划分结果。
[0103]
本发明基于机器学习和指标参数结合的地下水污染风险识别划分方法，通过对观测数据的全面分析，客观地得到用于评价地下水目标污染风险的指标及其参数标准，避免了人为主观造成的影响；此外，本发明还可对任意目标污染物的污染等级进行单独分析，大幅提高了经典指标参数方法的适用范围及实用性，为地下水污染的控制与修复提供技术支持。
[0104]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他
实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言，由于其与实施例公开的装置相对应，所以描述的比较简单，相关之处参见装置部分说明即可。
[0105]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种地下水污染风险识别划分的方法，其特征在于，包括：选取目标污染物，收集所述目标污染物在地下水中的样品浓度数据，以及采样所在地的潜在来源、水文地质条件和气象数据；根据目标污染物在地下水中的危害性，将所述目标污染物在地下水中的浓度分为不同的污染等级；将所述目标污染物的污染等级、采样所在地的潜在来源、水文地质条件和气象数据作为训练指标，输入到机器学习算法中进行训练得到每个输入指标导致地下水污染的每一种污染等级的贡献度评分；根据所述贡献度评分选取预设个指标作为主导指标；确定出每一个主导指标的量化权重；根据所述主导指标的贡献度评分和相应的量化权重确定目标污染物的风险划分结果。2.根据权利要求1所述的一种地下水污染风险识别划分的方法，其特征在于，将所述目标污染物的污染等级、采样所在地的潜在来源、水文地质条件和气象数据作为训练指标，输入到机器学习算法中进行训练得到每个输入指标导致地下水污染的每一种污染等级的贡献度评分，包括：将训练指标输入到树状结构机器学习算法xgboost中的分类算法模型进行训练得到模型的输出结果；利用shap算法对所述输出结果进行解释，得到每个训练指标的shap值；根据所述shap值确定每个输入指标导致地下水污染的每一种污染等级的贡献度评分。3.根据权利要求2所述的一种地下水污染风险识别划分的方法，其特征在于，根据所述贡献度评分选取预设个指标作为主导指标，包括：选取位于贡献度评分前八位的指标作为主导指标。4.根据权利要求3所述的一种地下水污染风险识别划分的方法，其特征在于，确定出每一个主导指标的量化权重，包括：利用shap算法的shap相互作用值分解出每个主导指标对地下水超标风险等级的贡献分布；根据所述贡献分布对所述主导指标依次进行分段和线性拟合得到每一主导指标的量化权重。5.根据权利要求4所述的一种基于紫外光的电力设备检测装置，其特征在于，根据所述主导指标的贡献度评分和相应的量化权重确定目标污染物的风险划分结果，包括：采用公式：得到目标污染物的污染指数；根据所述污染指数确定目标污染物的风险划分结果。6.一种地下水污染风险识别划分的系统，其特征在于，包括：数据获取模块，用于选取目标污染物，收集所述目标污染物在地下水中的样品浓度数据，以及采样所在地的潜在来源、水文地质条件和气象数据；
污染等级划分模块，用于根据目标污染物在地下水中的危害性，将所述目标污染物在地下水中的浓度分为不同的污染等级；贡献度评分模块，用于将所述目标污染物的污染等级、采样所在地的潜在来源、水文地质条件和气象数据作为训练指标，输入到机器学习算法中进行训练得到每个输入指标导致地下水污染的每一种污染等级的贡献度评分；指标选取模块，用于根据所述贡献度评分选取预设个指标作为主导指标；权重量化模块，用于确定出每一个主导指标的量化权重；风险划分模块，用于根据所述主导指标的贡献度评分和相应的量化权重确定目标污染物的风险划分结果。

技术总结
本发明提供了一种地下水污染风险识别划分的方法与系统，包括：根据目标污染物在地下水中的危害性，将目标污染物在地下水中的浓度分为不同的污染等级；将目标污染物的污染等级、潜在来源、水文地质条件和气象数据作为训练指标进行训练得到每个输入指标导致地下水中每一种污染等级的贡献度评分；根据贡献度评分选取预设个指标作为主导指标；根据主导指标的贡献度评分和相应的量化权重确定目标污染物的风险划分结果。本发明基于机器学习和指标参数结合的地下水污染风险识别划分方法，通过对观测数据的全面分析，客观地得到用于评价地下水目标污染风险的指标及其参数标准，避免了人为主观造成的影响，为地下水污染的控制与修复提供技术支持。复提供技术支持。复提供技术支持。


技术研发人员：郭芷琳 詹阳 李春明 张攀 岳松涛 郑春苗
受保护的技术使用者：水利部河湖保护中心
技术研发日：2023.04.11
技术公布日：2023/9/23