一种基于深度学习的环境污染风险评估方法、系统、计算设备及存储介质

本技术实施例涉及环境污染风险评估，尤其涉及一种基于深度学习的环境污染风险评估方法、系统、计算设备及存储介质。

背景技术：

1、环境污染风险评估是环境保护和管理的重要组成部分，用于评估环境污染对公众健康和生态系统的影响。传统的环境污染风险评估方法通常基于统计学和经验模型，这些方法在处理复杂、多因素的环境污染问题时存在局限性。

2、近年来，随着深度学习技术的发展，基于深度学习的环境污染风险评估方法逐渐成为研究热点。这些方法在处理复杂、多因素的环境污染问题时展现出了一定的优势，但仍存在一些显著的缺陷：例如，这些方法所采用的模型通常是静态的，限制了模型在动态环境中的应用。并且这些方法通常使用固定的权重来处理各个关键参数，导致模型在不同环境条件下的适应性较差，从而导致环境污染风险评估结果的准确性差。

技术实现思路

1、本技术实施例提供一种基于深度学习的环境污染风险评估方法、系统、计算设备及存储介质，用以解决现有技术中存在的因模型设计不合理导致的环境污染风险评估结果的准确性差的问题。

2、第一方面，本技术实施例提供了一种基于深度学习的环境污染风险评估方法，包括：

3、获取目标区域内多元环境参数的参数值、背景信息、历史环境污染风险评估结果和公众健康数据；所述多元环境参数包括物理化学性质参数和生物体响应参数；

4、基于所述物理化学性质参数的参数值和所述背景信息，采用多尺度多因素耦合分析方法确定目标区域的初步环境污染情况；

5、对所述初步环境污染情况进行验证和校正处理，得到目标环境污染情况；

6、根据所述目标环境污染情况、所述历史环境污染风险评估结果、所述公众健康数据和所述生物体响应参数的参数值，采用环境污染风险评估模型评估目标区域的环境污染情况对公众健康和生态系统的整体影响程度，以得到目标环境污染风险评估结果；所述环境污染风险评估模型是包括基于深度学习的多层感知机、注意力机制和对抗生成网络，以及双层贝叶斯网络的集成模型。

7、可选地，所述根据所述目标环境污染情况、所述历史环境污染风险评估结果、所述公众健康数据和所述生物体响应参数的参数值，采用环境污染风险评估模型评估目标区域的环境污染情况对公众健康和生态系统的整体影响程度，以得到目标环境污染风险评估结果；所述环境污染风险评估模型是包括基于深度学习的多层感知机、注意力机制和对抗生成网络，以及双层贝叶斯网络的集成模型，包括：

8、分别从所述目标环境污染情况、所述历史环境污染风险评估结果、所述公众健康数据和所述生物体响应参数的参数值中提取关键参数的特征信息；

9、采用多层感知机对所有关键参数的特征信息进行处理，得到初步风险评估结果；

10、基于所述初步风险评估结果采用注意力机制计算各关键参数的重要性权重，并将所述重要性权重应用于相应关键参数的特征信息，生成关键参数加权后的特征信息；

11、基于所有关键参数加权后的特征信息采用对抗生成网络生成新数据样本，采用所述新数据样本优化多层感知机，并利用优化后的多层感知机对所有关键参数加权后的特征信息进行处理，得到优化风险评估结果；

12、定义双层贝叶斯网络中公众健康层对应的第一节点结构和第一边结构以及生态系统层对应的第二节点结构和第二边结构；基于所述第一节点结构和第一边结构进行公众健康层的环境污染风险评估，得到第一参考风险评估结果；基于所述第二节点结构和第二边结构进行生态系统层的环境污染风险评估，得到第二参考风险评估结果；

13、结合所述第一参考风险评估结果和所述第二参考风险评估结果，对所述优化风险评估结果进行调整，得到目标环境污染风险评估结果。

14、可选地，所述采用多层感知机对所有关键参数的特征信息进行处理，得到初步风险评估结果，包括：

15、对所述关键参数的特征信息进行非线性映射处理，得到每个关键参数的初步评分；

16、引入归一化处理算法对所有关键参数的初步评分进行标准化处理，得到标准化后的初步评分；

17、引入加权平均算法对所有标准化后的初步评分进行综合计算，得到初步风险评估结果。

18、可选地，所述基于所述初步风险评估结果采用注意力机制计算各关键参数的重要性权重，包括：

19、对各关键参数进行上下文相关性的分析，并确定各关键参数的变化趋势；

20、引入动态权重分配算法，根据所述关键参数的变化趋势和上下文相关性，动态调整每个关键参数的初始权重，生成动态调整后的初步权重；将所述初步风险评估结果划分为多个子空间，计算每个关键参数在所述子空间的局部重要性评分，将所述关键参数在所有所述子空间的局部重要性评分进行聚合，得到关键参数的全局重要性评分；

21、将所述初步权重与所述全局重要性评分融合，得到关键参数的综合重要性评分；

22、对所有关键参数的综合重要性评分进行标准化处理，得到所有关键参数的重要性权重。

23、可选地，所述将所述关键参数在所有所述子空间的局部重要性评分进行聚合，得到关键参数的全局重要性评分，包括：

24、对每个子空间的重要性进行评估，得到子空间评估结果，并根据所述子空间评估结果确定子空间初始权重；

25、采用自适应调整算法动态调整每个子空间的权重，得到子空间调整后的权重；

26、将所述关键参数在每个子空间的局部重要性评分与对应子空间调整后的权重的乘积结果作为子空间的加权后的局部重要性评分；

27、将所有子空间的加权后的局部重要性评分进行求和，得到关键参数的全局重要性评分。

28、可选地，所述结合所述第一参考风险评估结果和所述第二参考风险评估结果，对所述优化风险评估结果进行调整，得到目标环境污染风险评估结果，包括：

29、提取所述第一参考风险评估结果和所述第二参考风险评估结果的共享特征表示；

30、将所述共享特征表示、所述第一参考风险评估结果和所述第二参考风险评估结果进行融合，得到融合结果；

31、获取目标区域的环境恢复潜力指数，并将所述环境恢复潜力指数和所述融合结果作为残差对所述优化风险评估结果进行调整，得到目标环境污染风险评估结果。

32、可选地，所述多尺度多因素耦合分析方法包括地理加权回归方法、多尺度几何分析方法和多因素耦合分析方法；

33、所述基于所述物理化学性质参数的参数值和所述背景信息，采用多尺度多因素耦合分析方法确定目标区域的初步环境污染情况，包括：

34、基于物理化学性质参数和背景信息，构建地理加权回归模型；在每个子区域内，使用地理加权回归模型进行局部回归分析，生成子区域内的初步环境污染情况，将所有子区域的初步环境污染情况进行融合，生成目标区域的第一种整体环境污染情况；

35、结合背景信息中的地理特征，将目标区域划分为多个不同尺度的子区域；采用多尺度几何分析方法在每个子区域内提取几何特征；使用多模态融合技术将所述物理化学性质参数、所述背景信息和所述几何特征进行多因素融合，融合后的多因素特征；使用综合分析方法对所述多因素特征进行综合分析，生成目标区域的第二种整体环境污染情况；

36、根据所述目标区域的第一种整体环境污染情况和所述目标区域的第二种整体环境污染情况，确定目标区域的初步环境污染情况。

37、第二方面，本技术实施例提供了一种基于深度学习的环境污染风险评估系统，包括：

38、获取模块，用于获取目标区域内多元环境参数的参数值、背景信息、历史环境污染风险评估结果和公众健康数据；所述多元环境参数包括物理化学性质参数和生物体响应参数；

39、确定模块，用于基于所述物理化学性质参数的参数值和所述背景信息，采用多尺度多因素耦合分析方法确定目标区域的初步环境污染情况；

40、处理模块，用于对所述初步环境污染情况进行验证和校正处理，得到目标环境污染情况；

41、评估模块，用于根据所述目标环境污染情况、所述历史环境污染风险评估结果、所述公众健康数据和所述生物体响应参数的参数值，采用环境污染风险评估模型评估目标区域的环境污染情况对公众健康和生态系统的整体影响程度，以得到目标环境污染风险评估结果；所述环境污染风险评估模型是包括基于深度学习的多层感知机、注意力机制和对抗生成网络，以及双层贝叶斯网络的集成模型。

42、第三方面，本技术实施例提供了一种计算设备，包括处理组件以及存储组件；所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行，实现如第一方面任一项所述的一种基于深度学习的环境污染风险评估方法。

43、第四方面，本技术实施例提供了一种计算机存储介质，存储有计算机程序，所述计算机程序被计算机执行时，实现第一方面任一项所述的一种基于深度学习的环境污染风险评估方法。

44、本技术实施例中，提供了一种基于度学习的环境污染风险评估方法，该方法包括：获取目标区域内多元环境参数的参数值、背景信息、历史环境污染风险评估结果和公众健康数据；多元环境参数包括物理化学性质参数和生物体响应参数；基于物理化学性质参数的参数值和背景信息，采用多尺度多因素耦合分析方法确定目标区域的初步环境污染情况；对初步环境污染情况进行验证和校正处理，得到目标环境污染情况；根据目标环境污染情况、历史环境污染风险评估结果、公众健康数据和生物体响应参数的参数值，采用环境污染风险评估模型评估目标区域的环境污染情况对公众健康和生态系统的整体影响程度，以得到目标环境污染风险评估结果；环境污染风险评估模型是包括基于深度学习的多层感知机、注意力机制和对抗生成网络，以及双层贝叶斯网络的集成模型。

45、本技术实施例中的多尺度多因素耦合分析方法通过多尺度分析，可以实现在不同时间和空间尺度的分析，捕捉到环境污染的多尺度变化趋势，通过耦合多种因素，使环境污染风险评估模型能够更好地模拟现实世界的复杂性和不确定性，提高目标环境污染风险评估结果的可靠性。多层感知机通过多层非线性变换，能够捕捉目标环境污染情况、历史环境污染风险评估结果、公众健康数据和生物体响应参数的参数值等输入数据中的复杂关系，提高环境污染风险评估模型的表达能力，使环境污染风险评估模型能够更准确地评估环境污染风险。对抗生成网络能够生成新的数据样本，增加训练数据的多样性和数量，防止过拟合，提高环境污染风险评估模型的泛化能力。双层贝叶斯网络通过定义公众健康层和生态系统层的节点结构和边结构，能够分别评估两个层面的风险，提供更全面的目标环境污染风险评估结果，并量化评估结果的不确定性。而注意力机制通过动态调整关键参数的重要性权重，使环境污染风险评估模型能够根据环境条件的变化灵活调整权重，提高环境污染风险评估模型的适应性。

46、本技术的这些方面或其他方面在以下实施例的描述中会更加简明易懂。