CN118397376B 基于人工智能的土壤污染物识别及路线追踪方法及系统 （天津生态城环保有限公司）

基于人工智能的土壤污染物识别及路线追本发明提供一种基于人工智能的土壤污染将污染物热力图输入到预先训练的路线追踪模2采集目标区域的土壤样本，获取土壤样本对应的样本位置信息、化学成分；将所述样本光谱数据和所述样本化学成分输入到预先训练的污染物识别模型基于所述样本污染物类型和所述样本污染物浓度，结合样本将所述污染物热力图输入到预先训练的路线追踪模型，所所述路线追踪模型基于图神经网络构建，通过确定时序关系和空间关将不同时间步的污染物热力图作为节点，在时间上相邻的节点之间间上相邻的节点之间添加空间边，基于污染物在时间上的迁移强度和空间上的迁移强度，对每个节点对应的污染物热力图进行卷积神经网络编码，提取出高维将所述节点隐藏状态输入解码器网络，确定未来时间步的未来对所述输入矩阵进行特征提取，通过污染物识别模型的卷积层在污染物识别模型的输出层设置两个子网络，包括类型分类子网络和浓度回归子网采用多任务学习策略联合优化类型分类任务和浓度回归任务，构建多任务损失函数，基于训练好的土壤污染物识别模型，确定目标区域土壤样本的基于所述样本位置信息和所述样本污染物浓度，采用空间3将所述网格浓度表示转换为栅格图像，结合彩色编码方式，将单位污染物基于预先设置的污染物类型和预先设置的环境影响因子，构建图谱将所述污染物扩散图谱嵌入所述时空关系图，生成扩散知识融合7.基于人工智能的土壤污染物识别及路线追踪系统，用于实现前述权利要求1-6中任4第三单元，用于将所述污染物热力图输入到预先训练的路线其中，所述处理器被配置为调用所述存储器存储的指令，以执行序指令被处理器执行时实现权利要求1至65[0004]近年来，人工智能技术的快速发展为土壤污染物识别和追踪提供了新的解决方[0005]本发明实施例提供一种基于人工智能的土壤污染物识别6的样本总对数，n表示样本序数，Z(sn)表示样θ表示距离向量的旋转矩阵。[0028]将不同时间步的污染物热力图作为节点，在时间上相邻7;8通过计算样本数据的半变异函数，描述样本点之间污染物浓度差异与空间距离之间的关将不同浓度值映射到连续的颜色尺度上，可以清晰地识别出污染程度较高和较低的区域，[0056]图1为本发明实施例基于人工智能的土壤污染物识别及路线追踪方法的流程示意[0057]图2为本发明实施例基于人工智能的土壤污染物识别及路线追踪系统的结构示意[0060]图1为本发明实施例基于人工智能的土壤污染物识别及路线追踪方法的流程示意9别。[0073]收集土壤样本的光谱数据和化学成分数据，光谱数据通常以一维向量的形式表softmax激活函数将综合特征向量映射为一个概率分布，表示样本属于各个污染物类型的过双任务子网络输出层设计，污染物识别模型可以同时预测土壤样本的污染物类型和浓包含分类损失和回归损失的多任务损失函数，同时优化污染物类型分类和浓度回归任务，便直观地展示不同区域的污染程度。通常高浓度的污染物会使用饱和度高的颜色来表示，[0087]将网格浓度表示转换为污染物热力图，直观地展示污染可以清晰地识别出污染程度较高的区域和污染程度较低的区域；基于生成的污染物热力够准确地反映出污染物浓度在空间上的变化特征；将网格浓度表示转换为污染物热力图，的样本总对数，n表示样本序数，Z(sn)表示样θ表示距离向量的旋转矩阵。[0093]公式中的γ(h)表示污染物的半变异函数即在给定的空间位置之间的距离向量h[0096]公式中的[Z(sn)-Z(sn+Rθh)]的平方表示每个样本点及其在距离向量h方向上旋转θ角度后的样本点之间的污染物浓度差异的平方，这个差异的平方被用来衡量污染物在空[0097]所述公式通过计算在给定距离向量h的范围内所有样本的污染物浓度之间的差异不同空间位置之间的污染物浓度差异，可以揭示污染物在空间上的分布规律和变化趋势，[0099]S103.将所述污染物热力图输入到预[0101]将不同时间步的污染物热力图作为节点，在时间上相邻使节点的隐藏状态能够编码节点在时空关系图中的位置信息和污染物迁移[0111]将每个节点的隐藏状态输入到解码器网络中，预测未来梯度向量指示污染物浓度在空间上变化最快的方向，将相邻时间步的梯度向量进行比较，新和邻居节点信息的聚合，能够有效地捕捉污染物在时空关系图中的演化规律和扩散趋空关系图中的污染物浓度信息和污染物扩散图个知识融合节点，结合时空关系图中的邻居节点和在污染物扩散图谱中的相连实体节点，合节点的隐藏状态能够同时编码时空关系图和污染物扩散等不同实体节