用于水污染防治的智能分析决策方法及系统与流程

1.本发明涉及水污染防治技术领域，具体涉及用于水污染防治的智能分析决策方法及系统。


背景技术：

2.我国水资源总量丰富，但人均量偏少，且分布极为不均匀，呈现出南多北少，东多西少的特点。长江流域及其以南地区国土面积只占全国的36.5％，其水资源量占全国的81％；淮河流域及其以北地区的国土面积占全国的63.5％，其水资源量仅占全国水资源总量的19％。同时，水源污染严重，旱涝灾害频繁，加上地区经济发展有所差异，难以全面开展有效的水污染防治工作。随着当前水资源管理和水环境保护问题的日益突出，需要收集与处理的水利、水务与水环境信息资源越来越多，对信息的准确性和实时性要求越来越高。另一方面，随着信息技术发展水平的提升，居民对用水安全和便利性的期望也更高。如何利用先进的物联网及云计算、移动技术形成数据联动，然后通过大数据分析为水利、水务与水环境的开发、建设、保护提供决策信息，成为水行业信息化发展的重要方向。
3.随着全球云计算、物联网、移动互联网等新一轮信息技术迅速发展和深入应用，城市信息化发展正酝酿着重大变革和新的突破，由对象、过程数字化为主要特征的数字化城市向智慧化发展已成为必然趋势。水环境管理是城市管理的重要组成部分，水污染防治大数据智能分析及决策系统是智慧城市建设的必然延伸。如何利用大数据分析，针对水污染防治问题提供可靠决策及有效参考，保障水环境高质量发展，是目前业界亟待解决的重要课题。


技术实现要素：

4.本发明意在提供用于水污染防治的智能分析决策方法，通过分析河流的历史水质数据和累积性压力源数据，并建立响应关系模型以分析累积性压力源预测占比，并根据累积性压力源预测占比匹配水污染防治措施，能够为水污染防治问题提供可靠决策及有效参考，保障水环境高质量发展。
5.本发明提供的技术方案为：
6.用于水污染防治的智能分析决策方法，包括：
7.s1：采集河流的历史水质数据和累积性压力源数据，获取累积性压力源数据对水质数据的累积性压力源贡献占比；
8.s2：以水质数据作为输入数据，累积性压力源贡献占比作为输入数据，建立累积性压力源与水质的响应关系模型；
9.s3：将当前水质数据输入响应关系模型，得到累积性压力源预测占比；
10.s4：根据累积性压力源预测占比，匹配水污染防治措施。
11.本发明的工作原理及优点在于：本发明提供的用于水污染防治的智能分析决策方法，首先采集河流的历史水质数据和累积性压力源数据，获取累积性压力源数据对水质数
据的累积性压力源贡献占比，累积性压力源即各种自然或人为的活动对河流生态的水质情况造成影响的因素，累积性压力源对河流的水质情况存在直接影响。将历史水质数据和累积性压力源数据作为样本集训练模型，以水质数据作为输入数据，累积性压力源贡献占比作为输入数据，建立累积性压力源与水质的响应关系模型，该响应关系模型能够反映河流的累积性压力源与其水质情况之间存在的贡献占比关系。将需要水污染防治的河流的当前水质数据输入响应关系模型，得到累积性压力源预测占比，可以了解造成河流水污染的具体累积性压力源因素以及相应贡献占比。根据累积性压力源预测占比，匹配相应的水污染防治措施，能够针对性解决当前河流的水污染问题。通过本发明方法，能够为水污染防治问题提供可靠决策及有效参考，保障水环境高质量发展。
12.进一步，所述水质数据包括采样时间、断面、位置、流量、降雨量、断面汇水区人口、tp、nh4-n和cod；所述累积性压力源数据包括上游来水、土地开发、产业化和城镇化。
13.水质数据包括采样时间、断面(数据采样的地点)、位置(以河流的上下游进行表示)、流量、降雨量、断面汇水区人口、tp(总磷)、nh4-n(氨氮)和cod(化学需氧量)共9项指标。累积性压力源数据包括上游来水(考虑上游河流给本河流、支流对干流等带来的营养盐浓度和污染负荷、污染负荷波动、输入的泥沙量、梯级电站密度等河流连通性、水体流量、流速、水体停留时间即水龄等带来的压力)、土地开发(土地利用方式带来的压力，包括土地利用类型和面积、占比、土地利用类型变化等)、产业化(工业排放带来的压力，包括工业结构、工业布局、工业污染排放、工业污水处理率等)和城镇化(城镇化发展带来的压力，包括城镇人口、人口增长率、污水处理率、城镇人口布局等)。对水质数据和累积性压力源数据的种类按照实际情况进行细化，提高样本特征的丰富度，能够提高模型训练的准确率。
14.进一步，所述响应关系模型采用xgboost算法。
15.xgboost算法具备正则化、并行处理、灵活性和缺失值处理等优点，适合用于本发明的响应关系模型。
16.进一步，所述响应关系模型基于机器自学习构建动态权重关系，自适应计算累积性压力源的贡献占比。
17.针对当地重要水体的上游来水、土地开发、产业化和城镇化等主要累积性压力源具有自身环境复杂，受影响因素较多，难以准确构造拟合模型的问题，研究基于机器学习自适应累积性压力源与水质的响应关系模型，并构建动态权重关系，自适应计算出上游来水、土地开发、产业化和城镇化等累积性压力源的贡献程度。
18.进一步，所述s3包括：
19.s3-1：分析历史水质数据，建立水质预测模型；
20.s3-2：将当前水质数据输入水质预测模型，得到水质预测数据；
21.s3-3：将水质预测数据输入响应关系模型，得到累积性压力源预测占比。
22.为进一步提高响应关系模型的预测效果，在对河流的水质数据输入响应关系模型前，对当前水质数据的发展趋势进行预测，得到水质预测数据，并以此计算累积性压力源预测占比，以提高响应关系模型的预测效果，及时的对污染的河流水域做出提前决策。
23.进一步，所述水质预测模型基于lstm神经网络和马尔可夫链。
24.lstm模型是循环神经网络的变体，可以有效解决简单循环神经网络的梯度爆炸和消失问题，同时马尔可夫链具备良好的预测效果，相结合适合用于本发明的水质预测模型。
25.进一步，所述s4包括：
26.s4-1：采集水污染防治大数据，以累积性压力源贡献占比为输入数据，水污染防治措施为输出数据，建立水污染防治决策模型；
27.s4-2：将累积性压力源预测占比输入水污染防治决策模型，匹配水污染防治措施。
28.采集历年河流的水污染防治大数据，分析针对不同累积性压力源所采用的具体防治措施，并建立水污染防治决策模型，为后续防治措施决策提供有效参考，实现不同场景下的水污染治理措施推荐。
29.进一步，所述s4-1包括：
30.s4-1-1：采集水污染防治大数据，分析水污染防治大数据的水污染防治措施，建立水污染防治专题数据库；
31.s4-1-2：根据水污染防治专题数据库，以累积性压力源贡献占比为输入数据，水污染防治措施为输出数据，建立水污染防治决策模型。
32.采集水污染防治大数据，建立水系、河流、行政区划、涉水企业、污水处理厂、工业园区、畜禽养殖、入河排污口、自然环境概述、经济社会情况共10个水污染防治专题数据库，通过水污染防治专题数据库进行模型训练，确保数据的高可用性和模型的预测效果。
33.进一步，所述水污染防治决策模型采用多源异构知识提取与融合算法模型。
34.水污染防治决策模型集成多源异构知识提取与融合算法模型集成多源异构知识提取与融合算法模型，并通过该技术实现数据抽取融合，为系统运行提供数据基础。
35.本发明还提供用于水污染防治的智能分析决策系统，该系统采用了上述用于水污染防治的智能分析决策方法。
附图说明
36.图1为本发明实施例一的用于水污染防治的智能分析决策方法的逻辑框图；
37.图2为本发明实施例二的用于水污染防治的智能分析决策方法的集成框架图。
具体实施方式
38.下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
39.需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
40.实施例一：
41.如图1所示，本实施例公开了用于水污染防治的智能分析决策方法，具体包括以下步骤(本方案中对各步骤的编号仅做步骤区分作用，不限制各步骤的具体执行顺序，且各步骤还可同时进行)：
42.s1：采集河流的历史水质数据和累积性压力源数据，获取累积性压力源数据对水质数据的累积性压力源贡献占比。包括当地近10年不同河流的历史水质数据和河流对应的历史累积性压力源数据，累积性压力源指各种自然或人为的活动对河流生态的水质情况造成影响的因素。本实施例中水质数据包括采样时间、断面(数据采样的地点)、位置(以河流
的上下游进行表示)、流量、降雨量、断面汇水区人口、tp(总磷)、nh4-n(氨氮)和cod(化学需氧量)共9项指标，其中tp、nh4-n和cod都是以城市水质指数cwqi(水质综合指数)值进行表示。累积性压力源数据包括上游来水(考虑上游河流给本河流、支流对干流等带来的营养盐浓度和污染负荷、污染负荷波动、输入的泥沙量、梯级电站密度等河流连通性、水体流量、流速、水体停留时间即水龄等带来的压力)、土地开发(土地利用方式带来的压力，包括土地利用类型和面积、占比、土地利用类型变化等)、产业化(工业排放带来的压力，包括工业结构、工业布局、工业污染排放、工业污水处理率等)和城镇化(城镇化发展带来的压力，包括城镇人口、人口增长率、污水处理率、城镇人口布局等)。
43.s2：以水质数据作为输入数据，累积性压力源贡献占比作为输入数据，建立累积性压力源与水质的响应关系模型。将以上水质数据和累积性压力源数据作为样本进行模型训练，其中上述水质数据的9项指标作为输入数据，每一项累积性压力源对当前河流污染状态的贡献占比作为输出数据，建立累积性压力源与水质的响应关系模型，其中响应关系模型的基础核心算法采用xgboost算法。
44.针对当地重要水体的上游来水、土地开发、产业化和城镇化等主要累积性压力源具有自身环境复杂，受影响因素较多，难以准确构造拟合模型的问题，研究基于机器学习自适应累积性压力源与水质的响应关系模型，并构建动态权重关系，自适应计算出上游来水、土地开发、产业化和城镇化等累积性压力源的贡献程度。该模型能在对构建重要支流的累积性压力源与水质关系进行抽象，以此能够得到能描述其他河流的各累积性压力源与水质关系的准确参考模型，同时构建水体响应模型及指标体系，并泛化模型为当地其他河流所用，为主要不达标水体主要污染因子溯源分析提供大数据理论依据，为水质监测和水污染防治提供有效可靠的基础理论保障。
45.算法的主要思想为：算法主要通过不断地添加树，不断地进行特征分裂来生长一棵树，每次添加一个树，其实是学习一个新函数，去拟合上次预测的残差。当我们训练完成得到k棵树，我们要预测一个样本的分数，其实就是根据这个样本的特征，在每棵树中会落到对应的一个叶子节点，每个叶子节点就对应一个分数，最后只需要将每棵树对应的分数加起来就是该样本的预测值。其详细的过程解释为：
46.构建样本预测值为：
[0047][0048]
其中f(x)表示一颗回归树，t表示回归树的数目。yi表示真实值，表示预测值，则目标函数为：
[0049][0050]
确定树模型的结构，即树的深度。在xgboost模型中，每棵树是一个一个往里面加的，每加一个都是希望效果能够得到提升，下面是生成每棵树后，预测分数的表示：
[0051][0052]
[0053][0054]
……
[0055][0056]
其中，表示第t轮的模型预测分数，表示保留前面t-1轮的模型预测分数结果，f
t
(xi)表示第t颗树，t表示所加树的颗树，即树的深度。
[0057]
不断加入树，相当于又多了一个函数，而新加入的函数能够提升整体对表达效果，即加上新的树之后，目标函数的值会下降。但是加入树的数目越多，叶子结点的个数也就越多，这样过拟合的风险会越大，所以为了限制叶子节点的个数，需要在原来的目标函数中加上一个惩罚项，即：
[0058][0059]
其中，γ表示惩罚力度，t表示叶子的个数，wj表示叶子节点的权重。
[0060]
因此，xgboost算法完整的目标函数如下所示，它是由自身的损失函数和正则化的惩罚项相加而成。
[0061][0062]
得到目标函数以后，需要找到一个f
t
(xi)使得目标函数能够最小化，即通过泰勒二阶展开简化后的目标函数如下：
[0063][0064]
其中，gi为一阶导数，hi为二阶导数，γ表示惩罚力度，t表示叶子的个数。
[0065]
因此，即可得到最优的权重w和目标公式为：
[0066]
[0067]
由于遍历所有的树，计算量较大，因此采用贪心算法，从一个叶子迭代产生树的枝，在每个节点枚举每一个特征的每一个特征值作为分隔点，使用上式的目标函数作为评价函数，把树分为左右子树，把样本点按照枚举特征和枚举特征值分别划分到左右节点；枚举完成后，选出使上面中的切分指标最大的那维特征和特征值作为树节点的切割点。
[0068]
找到切割点以后，就确定了相应的树结构，从而可以得到每个叶子结点的分数，将每棵树对应的叶子结点的分数相加，就可以得到该样本的预测值，即可完成分类，即确定污染源，实现污染源溯源问题。
[0069]
缺失数据处理。收集的河流数据可能存在数据缺失的情况，即缺少某一条数据的某一项特征，无法利用该特征划分时，需要将该样本分别划到左节点和右节点，然后计算其增益，哪边的增益大就划分到哪边。
[0070]
模型利用经过第一部分算法预处理后得到的水污染数据作为样本进行训练。输入数据为：对于点源污染来说，模型的输入端应有：工业企业用水量、污染物(nh4-n、tp、cod)当量值，流域内下游污水厂进水量及进水指标(nh4-n、tp、cod)；对于面源污染来说，模型的输入端应有：降雨历时、降雨强度、气温；地表径流部分：用地面积、径流系数；水土流失部分：地表覆盖度、流失系数；农业面源部分：用地面积、产污系数；对于内源污染来说，模型的输入端应有：流域内累积性压力源贡献值(nh4-n、tp、cod)。由于xgboost只能接受数值型数据，所以对于断面以及位置信息采用对应编码的方式将断面及位置信息利用唯一对应数值代表。输出数据为每一类污染累积性压力源对当前河流污染状态的贡献占比。为了使模型结果更加精准，为后续污染事件的预警和判断提供有效参考依据，在此将四大类累积性压力源细分为七大累积性压力源，分别为：城镇生活污水、水土流失、农村生活污水、畜禽养殖、工业污染、农田面源以及上游来水污染。经过反复实验验证，模型的参数优化如下：
[0071]
学习率为0.01；
[0072]
树的深度为6，树的深度过大容易过拟合；
[0073]
objective(待优化的目标函数)设置为
‘
multi:softprob’，该函数支持多分类并且能输出概率值；
[0074]
收缩步长设置为0.3。设置步长是为了防止过拟合，其通过缩减特征的权重使提升计算过程更加保守。
[0075]
s3-1：分析历史水质数据，建立水质预测模型。为进一步提高响应关系模型的预测效果，在对河流的水质数据输入响应关系模型前，对当前水质数据的发展趋势进行预测，得到水质预测数据，并以此计算累积性压力源预测占比，以提高响应关系模型的预测效果，及时的对污染的河流水域做出提前决策。首先需要分析历史水质数据，建立水质预测模型，本实施例中水质预测模型基于lstm神经网络和马尔可夫链。将历史水质数据中不同时间节点的水质情况作为样本数据训练模型，得到的水质预测模型能够根据当前水质数据进行趋势分析，对后续的水质演变情况进行预测。通过马尔可夫链模型可以分析lstm循环神经网络模拟预测结果误差的波动范围，并且预测波动的发展趋势，通过误差的状态转移概率矩阵对lstm循环神经网络预测的结果进行进一步的精细优化。
[0076]
s3-2：将当前水质数据输入水质预测模型，得到水质预测数据。根据训练的水质预测模型，将当前水质数据输入模型，得到水质预测数据，即河流在当前累积性压力源下的水质演变趋势分析。
[0077]
s3-3：将水质预测数据输入响应关系模型，得到累积性压力源预测占比。将反映河流在当前累积性压力源下的水质演变趋势分析的水质预测数据输入响应关系模型，能够得到更准确的累积性压力源对应贡献情况，即累积性压力源预测占比，为后续防治措施决策提高可靠参考。
[0078]
s4-1-1：采集水污染防治大数据，分析水污染防治大数据的水污染防治措施，建立水污染防治专题数据库。采集历年河流的水污染防治大数据，分析针对不同累积性压力源所采用的具体防治措施，建立水系、河流、行政区划、涉水企业、污水处理厂、工业园区、畜禽养殖、入河排污口、自然环境概述、经济社会情况共10个水污染防治专题数据库，通过水污染防治专题数据库进行模型训练，确保数据的高可用性和模型的预测效果。
[0079]
s4-1-2：根据水污染防治专题数据库，以累积性压力源贡献占比为输入数据，水污染防治措施为输出数据，建立水污染防治决策模型。根据水污染防治专题数据库的数据，以累积性压力源贡献占比为输入数据，水污染防治措施为输出数据，建立水污染防治决策模型，分别从点源、内源、面源三个方面来定义累积性压力源的类型，水污染防治决策模型集成多源异构知识提取与融合算法模型集成多源异构知识提取与融合算法模型，并通过该技术实现数据抽取融合，为系统运行提供数据基础。通过以上过程建立水污染防治决策模型，为后续防治措施决策提供有效参考，实现不同场景下的水污染治理措施推荐。
[0080]
s4-2：将累积性压力源预测占比输入水污染防治决策模型，匹配水污染防治措施。建立水污染防治决策模型后，将计算的累积性压力源预测占比输入模型，根据累积性压力源种类和对水污染贡献占比，匹配适合当前情况的水污染防治措施，为解决当前河流的水污染防治问题提高可靠参考。
[0081]
本实施例还公开了用于水污染防治的智能分析决策系统，该系统采用了上述用于水污染防治的智能分析决策方法。
[0082]
实施例二：
[0083]
本实施例与实施例一的不同之处在于：
[0084]
如图2所示，用于水污染防治的智能分析决策系统，包括水污染防治大数据智能分析及决策平台，以及智能算法平台。水污染防治大数据智能分析包括配置模块、若干应用模块、可视化组件以及应用接口层。智能算法平台包括算法封装和统一算法接口服务层。
[0085]
在本技术中，所使用的算法包括不同压力源与水质相关关系大数据算法、多源异构数据知识特征提取与融合算法、小流域水污染决策自学习算法，在本实施例中，使用python实现算法构建，具体的算法封装策略是：使用python进程运行深度学习中训练的模型，在java应用程序中调用python进程提供的服务，python应用和java应用可以运行在不同的服务器上，通过进程的远程访问调用。该算法封装完成后，系统平台以事先规定好的数据格式，例如word、pdf等，通过http协议进行传输。
[0086]
在本技术中，通过应用接口层和统和统一算法接口服务层实现算法与应用的对接。
[0087]
统一算法接口服务层包括算法参数配置接口、情况配置接口、算法驱动接口和算法结果消息接口等。其中，算法驱动接口是核心接口，其包括算法封装中各算法的驱动接口。
[0088]
算法参数配置接口：1.实现基础算法、三个应用算法的基本技术参数配置功能。2.
通过基于http/https协议的web服务发布接口；3.为水污染防治大数据智能分析及决策平台的配置模块所调用。
[0089]
情况配置接口：1.实现基于深度神经网络的小流域水污染决策自学习算法、压力源与水质关系模型算法、压力源与水质多源异构数据知识特征提取与融合算法的情况配置参数基本配置功能。2.通过基于http/https协议的web服务发布接口；3.为水污染防治大数据智能分析及决策平台的配置模块所调用。
[0090]
算法驱动接口是接口层的核心接口，实现与算法之间的特性数据与参数的对接，包含：基于深度神经网络的小流域水污染自学习算法驱动接口、水质与压力源的关系模型算法驱动接口、水质与压力源的关系模型算法驱动接口，接口功能要求如下：1.实现三个应用算法的任务驱动发起调用，是应用系统调用算法执行的入口。2.通过基于http/https协议的web服务发布接口；3.为水污染防治大数据智能分析及决策平台的算法调用接口所调用。
[0091]
算法结果消息接口：1.算法计算完成后，将计算结果消息返回给所调用的应用模块。2.该接口为调用口。3.该接口回调水污染防治大数据智能分析及决策平台的决策分析业务模块通过结果响应接口完成任务消息的传递。
[0092]
应用接口层包括通用web调用接口、算法调用接口和结果响应接口等。
[0093]
通用web调用接口：1.采用通用的http/https协议实现通过web服务的调用；2.该接口为调用接口。如调用算法参数配置接口和情景配置接口。
[0094]
算法调用接口：1.该接口调用算法平台的算法驱动接口，是应用系统调用算法执行的入口；2.该接口为调用接口。
[0095]
结果响应接口：1.算法运算任务完成后，接收算法平台返回的消息，并将状态标识写入数据库；2.通过基于http/https协议的web服务发布接口；3.为算法平台的算法结果消息接口所调用。
[0096]
应用接口层和统和统一算法接口服务层采用统一的规范进行建设，接口协议、接口数据格式、数据编码、封装方法规范要求如下：接口模式：通过基于http的web服务进行接口发布，调用端通过http/https进行调用与响应。接口数据格式：采用json格式进行数据交互响应。接口编码：utf-8编码。
[0097]
算法与平台的对接采用算法与平台分离的方式。在算法服务器上建立监听进程，平台通过进程的远程访问调用算法。平台与算法服务器之间采用http超文本传输协议，利用http中的get与post请求方法完成系统平台和算法服务器的信息交流。
[0098]
本技术中，统一数据读写接口，采用统一的非关系性数据、关系性数据的读写接口，作为算法与数据资源之间、应用与数据资源读写调用的统一接口。关系性数据通过关系数据库驱动(jdbc、odbc等驱动)为应用平台和算法平台读取或存储。非关系性数据(方案、文件等)通过文件接口为应用平台和算法平台读取或存储。
[0099]
本技术中，以配置定义实现数据驱动，1.参数配置(模型基础数据整合)：系统设计时需实现对模型参数进行整体配置，达到应用与算法之间的调度融合，包括模型各种初始化条件(网格等)，模型输入数据文件等。参数配置通过接口层实现，应用系统通过“通用web调用接口”与统一算法接口服务层的“算法参数配置接口”进行对接。2.情景配置(应用场景的定制融合)：系统设计时需实现对情况参数的配置，实现系统开始进行预测。参数配置通
过接口层实现，应用系统通过“通用web调用接口”与统一算法接口服务层的“情况配置接口”进行对接。
[0100]
本技术中，以数据模型设计实现数据规范化融合，数据规范化是数据融合的基础，通过有效数据规划(即数据模型设计)是数据与应用/算法的融合的重要方法。目标结果数据库(即决策分析数据)以分析决策为导向，通过目标数据建模实现目标结果数据(即决策分析数据)库规划与设计；源数据建模是算法源数据的基础，实现算法数据接入、清理与整合的融合基础。
[0101]
应用时，配置模块用于通过通用web调用接口进行参数配置和情景配置，应用模块用于通过算法调用接口调用所需算法进行分析，并通过结果响应接口传输分析结果，通过可视化组件对分析结果进行显示。
[0102]
用于水污染防治的智能分析决策方法，使用上述用于水污染防治的智能分析决策系统
[0103]
采用本方案，通过接口实现算法与应用的集成，基于应用接口层和统一算法接口服务层有效实现算法与应用的对接。通过源数据建模与目标数据建模设计完成算法与应用的数据融合，实现应用调用、算法运算、数据展现的各个环节的整合，并通过参数配置、情景配置等提高集成整合能力。
[0104]
以上的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本技术得出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本技术的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

技术特征：
1.用于水污染防治的智能分析决策方法，其特征在于，包括：s1：采集河流的历史水质数据和累积性压力源数据，获取累积性压力源数据对水质数据的累积性压力源贡献占比；s2：以水质数据作为输入数据，累积性压力源贡献占比作为输入数据，建立累积性压力源与水质的响应关系模型；s3：将当前水质数据输入响应关系模型，得到累积性压力源预测占比；s4：根据累积性压力源预测占比，匹配水污染防治措施。2.根据权利要求1所述的用于水污染防治的智能分析决策方法，其特征在于：所述水质数据包括采样时间、断面、位置、流量、降雨量、断面汇水区人口、tp、nh4-n和cod；所述累积性压力源数据包括上游来水、土地开发、产业化和城镇化。3.根据权利要求1所述的用于水污染防治的智能分析决策方法，其特征在于：所述响应关系模型采用xgboost算法。4.根据权利要求3所述的用于水污染防治的智能分析决策方法，其特征在于：所述响应关系模型基于机器自学习构建动态权重关系，自适应计算累积性压力源的贡献占比。5.根据权利要求1所述的用于水污染防治的智能分析决策方法，其特征在于：所述s3包括：s3-1：分析历史水质数据，建立水质预测模型；s3-2：将当前水质数据输入水质预测模型，得到水质预测数据；s3-3：将水质预测数据输入响应关系模型，得到累积性压力源预测占比。6.根据权利要求5所述的用于水污染防治的智能分析决策方法，其特征在于：所述水质预测模型基于lstm神经网络和马尔可夫链。7.根据权利要求1所述的用于水污染防治的智能分析决策方法，其特征在于：所述s4包括：s4-1：采集水污染防治大数据，以累积性压力源贡献占比为输入数据，水污染防治措施为输出数据，建立水污染防治决策模型；s4-2：将累积性压力源预测占比输入水污染防治决策模型，匹配水污染防治措施。8.根据权利要求7所述的用于水污染防治的智能分析决策方法，其特征在于：所述s4-1包括：s4-1-1：采集水污染防治大数据，分析水污染防治大数据的水污染防治措施，建立水污染防治专题数据库；s4-1-2：根据水污染防治专题数据库，以累积性压力源贡献占比为输入数据，水污染防治措施为输出数据，建立水污染防治决策模型。9.根据权利要求8所述的用于水污染防治的智能分析决策方法，其特征在于：所述水污染防治决策模型采用多源异构知识提取与融合算法模型。10.用于水污染防治的智能分析决策系统，其特征在于：该系统采用了如权利要求1至9任一项所述的用于水污染防治的智能分析决策方法。

技术总结
本发明涉及水污染防治技术领域，公开了用于水污染防治的智能分析决策方法，包括：S1：采集河流的历史水质数据和累积性压力源数据，获取累积性压力源数据对水质数据的累积性压力源贡献占比；S2：以水质数据作为输入数据，累积性压力源贡献占比作为输入数据，建立累积性压力源与水质的响应关系模型；S3：将当前水质数据输入响应关系模型，得到累积性压力源预测占比；S4：根据累积性压力源预测占比，匹配水污染防治措施。本发明通过分析河流的历史水质数据和累积性压力源数据，并建立响应关系模型以分析累积性压力源预测占比，并根据累积性压力源预测占比匹配水污染防治措施，能够为水污染防治问题提供可靠决策及有效参考，保障水环境高质量发展。质量发展。质量发展。


技术研发人员：余游 刘海涵 刘晓 米雪晶 耿京保
受保护的技术使用者：重庆市生态环境大数据应用中心
技术研发日：2023.03.30
技术公布日：2023/7/12