一种疑似污染场地的渐进识别方法技术

本发明专利技术公开了一种疑似污染场地的渐进识别方法。基于我国当前工业用地的基本属性、地表纹理、空间分布等特征，运用大数据技术结合遥感技术，以及本公司所研发的污染潜势模型技术手段，面向工业用地，开展疑似污染场地渐进识别的研究，以实现大规模面上疑似污染场地快速筛查与判别的目的。本发明专利技术优化了我国传统的基于现场调查取样的方法，极大节约了对疑似污染现场调查取样而产生的高额成本。通过运用该方法识别出的疑似污染场地结果，可以有效填补疑似污染场地时空数据库，为管理决策部门充分掌握本地疑似污染场地名录提供有益补充。

【技术实现步骤摘要】
一种疑似污染场地的渐进识别方法
本专利技术涉及数据识别领域，尤其涉及一种疑似污染场地的渐进识别方法。
技术介绍
伴随着社会经济的发展，我国建设用地数量不断增多，并呈现出分布广泛、潜在污染风险增加的趋势，并越来越显示出其危害性，危害生态环境安全与人民生活质量。并且，传统的污染场地识别方法依赖于现场调查采样，不仅耗时耗力，而且严重影响决策效率。随着大数据时代来临，数据已成为国家基础性战略资源，对生产、消费以及国家治理能力产生重要影响。大数据技术在能源、教育、科研、制造、金融、电子政务、企业经营管理、信息管理等领域的应用日益广泛，给环境领域也带来了新的机遇与发展。因其具备海量信息存储和处理能力，数据信息的来源和类型得到大幅扩展，并使用数据挖掘、人工智能、模拟仿真、关联分析等现代技术手段，在解决复杂污染问题方面展示出明显优势。网络上大量关于工业场地的历史数据、污染突发事件新闻、统计数据；各部门发布的污染企业数据、动态更新的监测数据、遥感数据以及水文气象、土地利用、土壤类型等。集成这些海量信息，可为疑似污染场地的渐进识别提供数据基础。其中，遥感作为一门新兴的技术，目前已深入应用到人类的工作和生活中，在农业、林业、地质、地理、海洋、水文、气象、测绘、环境保护和军事侦察等许多领域发挥越来越重要的作用，为人类认识国土、开发资源、监测环境、研究灾害以及环境保护提供了新途径，为解决人类面临的资源紧缺、环境恶化、人口剧增、灾害频发等一系列严峻挑战提供重要信息。数据的空间分辨率已从公里级发展到亚米级，重复观测频率从月周期发展到几小时，光谱分辨率从多波段发展到超光谱，遥感数据获取技术正走向实时化和精确化。基于遥感数据的疑似污染场地识别技术，从传统的目视解译，到基于像元的自动解译，以及新兴的面向对象分类、智能化专家系统和深度学习等，识别技术得到迅猛发展。在大数据技术和遥感技术基础上，结合污染潜势模型模拟，分析计算工业用地污染潜势，能够为疑似污染场地的渐进识别提供技术支撑。针对我国当前严重依赖现场调查取样方法来识别疑似污染场地，且费时费力等系列问题是目前亟待解决的问题。
技术实现思路
为了解决上述技术所存在的不足之处，本专利技术提供了一种疑似污染场地的渐进识别方法。为了解决以上技术问题，本专利技术采用的技术方案是：一种疑似污染场地的渐进识别方法，方法的步骤为：步骤一，运用大数据技术采集网络公开的工业用地相关的多源异构数据，并对多源异构数据进行加工融合处理；步骤二，结合遥感技术对选取对工业用地进行筛选，运用面向对象识别技术对原始影像数据进行分割，采用深度学习技术从训练集中自动学习有效特征；步骤三，基于大数据技术和遥感技术获得工业用地指标，输入污染潜势模型，计算单个工业用地地块的污染潜势值，筛选出疑似污染场地；步骤四，将计算得到工业用地的污染潜势值导入工业用地信息数据库中，进行结果验证确认污染场地点。进一步地，步骤一大数据技术，包括大数据采集技术和大数据处理技术，借助大数据采集技术和网络爬虫技术爬取网络公开的工业用地相关的多源异构数据，利用大数据处理技术对多源异构数据进行加工融合处理。进一步地，步骤二大数据采集技术的手段，包括卫星遥感、传感器、射频识别、物联网以及移动平台。进一步地，大数据处理技术对多源异构数据进行加工融合处理的步骤分为：数据存储、数据预处理、数据深入处理与数据挖掘。进一步地，步骤二中结合遥感技术对选取和爬取的工业用地进行筛选，建立遥感影像样本库，运用面向对象识别技术，采用多尺度影像分割对原始影像数据进行分割，实现从基于像元的遥感影像分类过渡到基于对象的遥感影像分类；深度学习技术通过对网络的学习，模拟人类大脑处理数据的过程，采用预训练的深度学习模型构建网络基本卷积层和池化层，然后利用样本对模型进行训练，提取各类敏感用地的特征，再利用精度评估函数对模型进行优化，得到最终的深度学习模型。进一步地，数据存储基于Hadoop的技术扩展和封装，将爬取网络获取的多源异构数据存储为统一的本地数据文件并以结构化方式进行存储；数据预处理对多源异构数据进行数据清理，将其转换为单一或便于处理的结构，数据清理包括遗漏值处理、噪音数据处理、不一致数据处理，遗漏值处理采用全局常量、属性均值、可能值填充或者直接忽略该数据方法处理；噪音数据处理采用分箱、聚类、计算机人工检查和回归方法去除噪音；不一致数据处理不一致数据处理采用手动更正，经过数据清理后，所有数据信息都被整合为一套以企业用地为对象的数据清单；数据深入处理包括机器学习、智能算法、统计分析和系统建模，数据深入处理将清理后的企业用地的数据清单结合地理信息大数据，进一步获取单个企业用地的地理属性特征，丰富企业用地为对象清单的内容；数据挖掘采用Meta分析方法、基于数据驱动的挖掘方法以及基于过程机理的模型-数据融合方法对大数据进行整合挖掘获得科学性、融合性和有效性信息，将丰富后的企业用地的数据清单，根据单一企业用地在产或停用情况、规模现状、产排污信息，借助相关分析、回归分析、聚类分析以及主成分分析，分析单个工业用地地块形成的驱动力因子，并形成区域内所有工业用地地块的空间分布热地区，从点到面，分层次分尺度地分析工业用地形成机制。进一步地，步骤三中污染潜势模型包括模型构建、指标体系、量化标准以及汇总赋分。进一步地，指标体系以污染扩散基本路径、污染源、传输途径、受体承载为依据，构建包含污染潜势特性维度、传输途径维度、受体风险维度在内的指标体系；污染潜势特征维度包括企业规模、行业类别、生产年限、注册资本、污染物种类、是否为国控污染源、是否为全口径涉重金属行业企业、是否具有危险废物经营许可证、是否进去地方检索用地土壤污染风险管控和修复名录、是否具有排污许可证书、是否有异常经营记录、是否有媒体报道污染事件、行政处罚、环保处罚；传输途径维度包括地形坡度、土壤质地、土壤PH值、土壤介质、地下水埋深、水里传到系数、净入渗量；受体风险维度包括人口密度、边界1km以内是否有城镇、是否有水源保护地、是否位于生态红线区、是否有基本农田保护区、是否有敏感受体。进一步地，量化标准依据污染潜势特征维度、传输途径维度、受体风险维度，污染潜势特征维度是根据行业类别来客观量化数据，再依据本土化高污染潜势行业类别特征污染物向环境的平均释放量，结合专家专业判断，估算了各行业类别代表的原始分；根据行业类别调整，结合企业工艺流程、潜在污染设施以及厂区现状调整因子，对各行业类别基础分作进一步调整，以真正反映目标建设用地的实际污染风险潜势；根据规模、营运年限、主体变更系数判别；传输途径维度是以污染物经环境介质中或传输途径的快慢或停留时间长短来决定其风险大小，评估地下水环境受污染潜势的脆弱度。进一步地，汇总赋分是将通过大数据技术和遥感技术获得的数据结果，根据指标体系中的权重逐一进行赋值，经过加权计算后得到工业用地的污染潜势得分，对高风险等级的疑似污染场地开展现场调查，以确认是否为污染场地点。本专利技术公开了一种疑似污染场地的渐进识别方法，本专利技术基于我国本文档来自技高网...

【技术保护点】
1.一种疑似污染场地的渐进识别方法，其特征在于：所述方法的步骤为：/n步骤一，运用大数据技术采集网络公开的工业用地相关的多源异构数据，并对多源异构数据进行加工融合处理；/n步骤二，结合遥感技术对选取对工业用地进行筛选，运用面向对象识别技术对原始影像数据进行分割，采用深度学习技术从训练集中自动学习有效特征；/n步骤三，基于大数据技术和遥感技术获得工业用地指标，输入污染潜势模型，计算单个工业用地地块的污染潜势值，筛选出疑似污染场地；/n步骤四，将计算得到工业用地的污染潜势值导入工业用地信息数据库中，进行结果验证确认污染场地点。/n

【技术特征摘要】
1.一种疑似污染场地的渐进识别方法，其特征在于：所述方法的步骤为：
步骤一，运用大数据技术采集网络公开的工业用地相关的多源异构数据，并对多源异构数据进行加工融合处理；
步骤二，结合遥感技术对选取对工业用地进行筛选，运用面向对象识别技术对原始影像数据进行分割，采用深度学习技术从训练集中自动学习有效特征；
步骤三，基于大数据技术和遥感技术获得工业用地指标，输入污染潜势模型，计算单个工业用地地块的污染潜势值，筛选出疑似污染场地；
步骤四，将计算得到工业用地的污染潜势值导入工业用地信息数据库中，进行结果验证确认污染场地点。


2.根据权利要求1所述的疑似污染场地的渐进识别方法，其特征在于：所述步骤一大数据技术，包括大数据采集技术和大数据处理技术，借助大数据采集技术和网络爬虫技术爬取网络公开的工业用地相关的多源异构数据，利用大数据处理技术对多源异构数据进行加工融合处理。


3.根据权利要求2所述的疑似污染场地的渐进识别方法，其特征在于：所述步骤二大数据采集技术的手段，包括卫星遥感、传感器、射频识别、物联网以及移动平台。


4.根据权利要求2或3所述的疑似污染场地的渐进识别方法，其特征在于：所述大数据处理技术对多源异构数据进行加工融合处理的步骤分为：数据存储、数据预处理、数据深入处理与数据挖掘。


5.根据权利要求4所述的疑似污染场地的渐进识别方法，其特征在于：所述步骤二中结合遥感技术对选取和爬取的工业用地进行筛选，建立遥感影像样本库，运用面向对象识别技术，采用多尺度影像分割对原始影像数据进行分割，实现从基于像元的遥感影像分类过渡到基于对象的遥感影像分类；深度学习技术通过对网络的学习，模拟人类大脑处理数据的过程，采用预训练的深度学习模型构建网络基本卷积层和池化层，然后利用样本对模型进行训练，提取各类敏感用地的特征，再利用精度评估函数对模型进行优化，得到最终的深度学习模型。


6.根据权利要求5所述的疑似污染场地的渐进识别方法，其特征在于：所述数据存储基于Hadoop的技术扩展和封装，将爬取网络获取的多源异构数据存储为统一的本地数据文件并以结构化方式进行存储；所述数据预处理对多源异构数据进行数据清理，将其转换为单一或便于处理的结构，数据清理包括遗漏值处理、噪音数据处理、不一致数据处理，遗漏值处理采用全局常量、属性均值、可能值填充或者直接忽略该数据方法处理；噪音数据处理采用分箱、聚类、计算机人工检查和回归方法去除噪音；不一致数据处理不一致数据处理采用手动更正，经过数据清理后，所有数据信息都被整合为一套以企业用地为对象的数据清单；所述数据深入处理包括机器学习、智能算法、统计分析...

【专利技术属性】
技术研发人员：周睿，杨典华，展明旭，王彩云，朱云翔，
申请(专利权)人：京师天启北京科技有限公司，
类型：发明
国别省市：北京;11