基于深度学习的海洋抗生素污染迁移分析方法及系统与流程

本发明涉及污染迁移分析，尤其涉及一种基于深度学习的海洋抗生素污染迁移分析方法及系统。

背景技术：

1、抗生素通过废水、农业径流等途径进入水体，并在河流、湖泊和海洋中扩散，产生一系列环境问题。抗生素在海洋环境中不仅可能引发抗生素耐药菌的传播，还会对海洋生物的生长、繁殖和生态系统健康造成影响。

2、目前的研究方法主要依赖于传统的水文和水动力学模型，这些模型虽然能够描述污染物的宏观扩散和迁移路径，但在处理多维度和复杂非线性数据方面存在局限性。海洋环境的污染迁移过程受到多种因素的影响，如海流、风场、潮汐、水温等，这些因素相互作用，使得污染物的迁移呈现高度非线性的时空变化特征。传统模型难以处理这些复杂的动态变化，尤其是在长时间预测和细微变化捕捉方面表现不佳。因此，亟需一种能够整合多源数据、处理复杂非线性动态的抗生素污染迁移分析方法，提高对污染物迁移的预测精度，为环境管理和污染防治提供科学依据，帮助制定有效的治理策略。

技术实现思路

1、本发明克服了现有技术的缺陷，提供了一种基于深度学习的海洋抗生素污染迁移分析方法及系统，其重要目的在于提高对污染物迁移的预测精度，为环境管理和污染防治提供科学依据，帮助制定有效的治理策略。

2、为实现上述目的本发明第一方面提供了一种基于深度学习的海洋抗生素污染迁移分析方法，包括：

3、获取历史遥感监测图像信息并进行图像预处理，提取目标海洋区域水体图像并进行时序处理构成第一数据集；

4、根据所述第一数据集获取目标海洋区域的水体流动特征构建水体流动特征图，对水体流动特征图进行栅格化并进行插值处理，利用sarima模型分析目标海洋区域的水体流动规律，得到水体流动规律分析信息；

5、获取影响海洋水体流动变化的驱动因素，利用logistic回归模型进行驱动力分析，根据驱动力分析结果计算各驱动因素的影响权重生成水体流动状态的状态转移规则，并构建污染迁移预测模型；

6、获取各采样点的水质污染检测信息，基于所述水体流动规律分析信息利用有限元分析法进行污染扩散仿真获取污染扩散系数，利用污染迁移预测模型进行污染迁移预测，得到污染迁移预测信息；

7、根据所述污染迁移预测信息分析目标海洋区域的抗生素污染状况，分析需要进行抗生素污染治理的区域并生成抗生素污染治理方案。

8、本方案中，所述获取历史遥感监测图像信息并进行图像预处理，提取目标海洋区域水体图像并进行时序处理构成第一数据集，具体包括：

9、基于大数据检索收集目标海洋区域的历史遥感监测图像信息，对所述历史遥感监测图像信息进行图像预处理，包括辐射校正、大气校正和几何校正，得到预处理图像信息；

10、根据所述预处理图像信息计算目标海洋区域的ndwi指数，根据计算得到的ndwi指数进行水体特征提取，获取目标海洋区域水体图像；

11、预设时间戳，基于目标海洋区域水体图像对应的监测时间特征，根据预设时间戳对目标海洋区域水体图像进行多时相图像组合，构建第一数据集。

12、本方案中，所述根据所述第一数据集获取目标海洋区域的水体流动特征构建水体流动特征图，对水体流动特征图进行栅格化并进行插值处理，利用sarima模型分析目标海洋区域的水体流动规律，得到水体流动规律分析信息，具体包括：

13、获取第一数据集，根据所述第一数据集提取目标海洋区域的水体流动特征，基于提取的水体流动特征生成目标海洋区域的水体流动特征图；

14、预设栅格单元大小，对所述目标海洋区域的水体流动特征图进行栅格化获取水体流动特征栅格图，采用样条函数插值法对未知特征栅格进行插值；

15、据未知栅格单元的坐标获取邻居栅格单元的水体流动特征，构成未知栅格单元的插值区间，建立插值区间的样条方程并进行求解获取样条系数；

16、根据插值区间的样条系数对未知特征栅格进行插值，生成插值后的水体流动特征栅格图，预设时间周期，结合所述插值后的水体流动特征栅格图构成水体流动特征时间序列；

17、将构成的水体流动特征时间序列作为模型输入，利用sarima模型分析目标海洋区域的水体流动规律，得到水体流动规律分析信息。

18、本方案中，所述获取影响海洋水体流动变化的驱动因素，利用logistic回归模型进行驱动力分析，根据驱动力分析结果计算各驱动因素的影响权重生成水体流动状态的状态转移规则，并构建污染迁移预测模型，具体包括：

19、基于数据检索获取区域海洋水体流动变化的驱动因素，计算各驱动因素与水体流动变化之间的皮尔逊相关系数，并与预设阈值进行判断，筛选与水体流动相关的驱动因素；

20、根据筛选后的驱动因素获取驱动因素对应的历史数据，将水体流动变化作为因变量，驱动因素作为自变量，利用logistic回归模型进行驱动力分析，得到驱动力分析信息；

21、获取水体流动规律分析信息，基于马尔可夫算法结合所述水体流动规律分析信息构成目标海洋区域水体流动状态的状态转移矩阵，构成初始状态转移规则；

22、根据所述驱动力分析信息计算各驱动因素的影响权重，通过计算得到的各驱动因素的影响权重对所述初始状态转移规则进行校正，得到校正后状态转移规则；

23、基于lstm构建污染迁移预测模型，利用所述校正后状态转移规则定义污染迁移预测规则，并构建训练数据集对所述污染迁移预测模型进行训练。

24、本方案中，所述获取各采样点的水质污染检测信息，基于所述水体流动规律分析信息利用有限元分析法进行污染扩散仿真获取污染扩散系数，利用污染迁移预测模型进行污染迁移预测，得到污染迁移预测信息，具体包括：

25、对目标海洋区域进行水质污染检测获取各采样点的水质污染检测信息，将水质污染检测信息与预设阈值进行判断，评价各采样点对应区域的抗生素污染状况，得到抗生素污染状况信息；

26、获取水体流动规律分析信息，基于所述水体流动规律分析信息利用有限元分析法对目标海洋区域进行建模，构成区域水体流动仿真模型；

27、对所述区域水体流动仿真模型进行网格化，基于所述抗生素污染状况信息定义初始污染区域，根据校正后状态转移规则设定区域水体流动规则和边界条件；

28、获取实时气象信息并输入至初始化后的区域水体流动仿真模型中进行污染扩散仿真，并根据仿真结果计算污染扩散系数；

29、获取目标海洋区域的人文活动数据并结合所述实时气象信息设定污染迁移驱动权重，利用所述污染扩散系数定义污染迁移变化速率结合所述抗生素污染状况信息输入至污染迁移预测模型中进行污染迁移预测，得到污染迁移预测信息。

30、本方案中，所述根据所述污染迁移预测信息分析目标海洋区域的抗生素污染状况，分析需要进行抗生素污染治理的区域并生成抗生素污染治理方案，具体包括：

31、根据所述污染迁移预测信息生成目标海洋区域的污染迁移路径图，基于污染迁移路径图结合污染扩散系数计算目标海洋区域抗生素污染的迁移污染浓度和迁移污染时间，得到第一分析信息；

32、根据所述第一分析信息以污染浓度对目标海洋区域进行划分，构成目标海洋区域未来时间段内的抗生素污染变化图，并提取不同浓度区域的污染浓度特征和区域位置特征；

33、基于各污染浓度的区域位置特征获取对应区域的生态学数据和水文数据，结合抗生素污染状况信息评估当前时刻各区域的环境承载力，得到第二分析信息；

34、将所述第二分析信息与提取的不同浓度区域的污染浓度特征进行判断，根据判断结果定义需要治理的海洋区域，得待治理区域信息；

35、基于第一分析信息计算待治理区域的抗生素污染超出环境承载力的时间节点，对各待治理区域进行排序，根据排序结果设定各待治理区域的治理优先级，得到第三分析信息；

36、根据所述第三分析信息进行数据检索获取抗生素污染治理方案进行抗生素污染治理建议。

37、本发明第二方面提供了一种基于深度学习的海洋抗生素污染迁移分析系统，该系统包括：存储器、处理器，所述存储器中包含基于深度学习的海洋抗生素污染迁移分析方法程序，所述基于深度学习的海洋抗生素污染迁移分析方法程序被所述处理器执行时实现如下步骤：

38、获取历史遥感监测图像信息并进行图像预处理，提取目标海洋区域水体图像并进行时序处理构成第一数据集；

39、根据所述第一数据集获取目标海洋区域的水体流动特征构建水体流动特征图，对水体流动特征图进行栅格化并进行插值处理，利用sarima模型分析目标海洋区域的水体流动规律，得到水体流动规律分析信息；

40、获取影响海洋水体流动变化的驱动因素，利用logistic回归模型进行驱动力分析，根据驱动力分析结果计算各驱动因素的影响权重生成水体流动状态的状态转移规则，并构建污染迁移预测模型；

41、获取各采样点的水质污染检测信息，基于所述水体流动规律分析信息利用有限元分析法进行污染扩散仿真获取污染扩散系数，利用污染迁移预测模型进行污染迁移预测，得到污染迁移预测信息；

42、根据所述污染迁移预测信息分析目标海洋区域的抗生素污染状况，分析需要进行抗生素污染治理的区域并生成抗生素污染治理方案。

43、本发明公开了一种基于深度学习的海洋抗生素污染迁移分析方法及系统，包括：获取目标海洋区域水体图像构成第一数据集；根据第一数据集获取目标海洋区域的水体流动特征，利用sarima模型分析目标海洋区域的水体流动规律；获取影响海洋水体流动变化的驱动因素，利用logistic回归模型进行驱动力分析，构建水体流动的状态转移规则并构建污染迁移预测模型；获取各采样点的水质污染检测信息，基于水体流动规律进行污染扩散仿真获取污染扩散系数，进行污染迁移预测，得到污染迁移预测信息；根据污染迁移预测信息分析目标海洋区域的抗生素污染状况，分析需要进行抗生素污染治理的区域并生成抗生素污染治理方案。提高对污染物迁移的预测精度为污染防治提供科学依据。