一种土壤污染修复模型训练方法、系统、电子设备及介质与流程

本技术涉及大数据处理，具体涉及一种土壤污染修复模型训练方法、系统、电子设备及介质。

背景技术：

1、随着大数据时代的发展，各行业在运用大数据处理问题上也愈加频繁。例如对于土壤修复上，由于人类活动和工业化进程的不断加剧，软土地土壤污染问题日益突出。为了解决这一问题并保护人类健康和环境可持续发展，科学家们积极研究软土地土壤污染修复技术。

2、目前，对与软土地土壤污染修复技术，传统的方法则主要通过实验室试验结果对土壤修复技术进行分析，通过工作人员采集到的历史数据对软土地土壤污染修复方案做出决策。

3、但是在实际应用中，实际项目中的大量修复数据没有被充分利用，对于区域软土特性和污染物分布的差异，工作人员在输入污染土壤信息时往往需要耗费大量时间且准确性低，从而目前用于土壤污染修复模型的训练方法亟待改进。

技术实现思路

1、本技术提供了一种土壤污染修复模型训练方法、系统、电子设备及介质，具有快速准确预测土壤修复结果的效果。

2、第一方面，本技术提供了一种土壤污染修复模型训练方法，包括：

3、获取污染土壤数据和所述污染土壤对应的空间分布信息；

4、根据所述空间分布信息和污染土壤数据，按照预设空间阈值确定各子区域的污染特征信息；根据预设灰色关联度公式，计算得到所述污染特征信息中的多个主控污染因素，并通过预设超参数遗传算法，确定模型训练参数，并根据所述多个主控因素和所述模型训练参数构建初始训练模型；

5、获取历史土壤修复数据，并将所述历史土壤修复数据按照预设比例分为训练集数据和测试集数据；

6、将所述多个主控污染因素作为模型输入特征输入所述初始训练模型，根据所述训练集数据和测试集数据训练得到对应的输出结果；

7、计算所述输出结果和预设标准值之间的误差率，并判断所述误差率是否小于预置阈值；

8、若是，则结束模型训练过程并将所述初始训练模型作为土壤污染修复模型。

9、通过采用上述技术方案，系统将获取到的污染土壤数据和所述污染土壤对应的空间分布信息结合，划分为多个子区域，每个子区域包含有污染特征信息，根据灰色关联度公式计算得到多个主控因素，并根据超参数遗传算法计算模型训练参数，然后构建初始训练模型，将主控因素输入该初始训练模型得到输出结果，当该输出结果与预设标准值之间的误差率小于预置阈值时，结束模型训练并将该初始训练模型作为土壤污染修复模型，可有效提高土壤修复效果预测的准确性，辅助工作人员针对特定区域的土地信息进行修复方案决策。

10、可选的，读取所述空间分布信息，确定所述污染土壤数据对应的空间坐标；

11、根据所述污染土壤数据对应的空间坐标，建立污染土壤空间模型；按照预设空间阈值对所述污染土壤空间模型中的污染区域进行划分，得到若干个污染土壤子区域；根据预设z-score标准化算法，将所述各污染土壤子区域对应的污染土壤数据转换为统一量度的所述污染特征信息。

12、通过采用上述技术方案，系统读取空间分布信息中的各污染土壤数据对应的空间坐标，然后根据该空间坐标构建污染土壤空间模型，并将该污染土壤空间模型中的污染区域划分为统一大小为预设空间阈值的子区域，然后将各子区域的污染土壤数据转换为统一量度格式的污染特征信息，能够将污染区域的特征信息转换为多个子区域，提高了针对不同区域土壤修复效果预测的准确性。

13、可选的，提取所述污染特征信息中的各研究因素，并建立所述各研究因素对应的样本矩阵；选取所述样本矩阵中的参考数列和比较数列，通过初值化和均值化计算，得到各目标数据序列矩阵，并计算所述各目标数据序列矩阵的灰色关联系数；根据所述各灰色关联系数，通过所述预设灰色关联度公式计算各研究因素对应的灰色关联度；判断所述各研究因素对应的灰色关联度是否大于预置关联度阈值；若是，则将所述灰色关联度对应的研究因素作为所述主控因素。

14、通过采用上述技术方案，根据灰色关联度法，提取各污染特征信息中的研究因素并建立对应的样本矩阵，然后选取参考数列和比较数列，再进行初值化和均值化计算得到目标数据序列矩阵，计算该目标数据序列矩阵对应的灰色关联系数，之后根据该灰色关联系数计算各研究因素对应的无色关联度，并筛选出灰色关联度大于预置关联度阈值对应的研究因素作为主控因素，可以确定哪些特征对于描述和解释数据变化最有影响力，从而进行特征选择和排序，提高了土壤修复效果预测的准确性。

15、可选的，所述灰色关联度公式包括：

16、

17、式中，γi为灰色关联度，m为样本个数，δi为各目标数据序列矩阵的灰色关联系数。

18、通过采用上述技术方案，计算样本中各研究因素的灰色关联度，可提高土壤修复数据预测的准确性。

19、可选的，获取各候选模型训练参数，并随机生成若干个候选模型训练参数组合；将所述若干个候选模型训练参数组合作为若干个种群，通过预设适应度函数，计算得到各种群对应的适应度；筛选对应所述适应度大于预置适应度阈值的种群，作为目标种群；响应于预设交叉运算和变异运算操作，对所述目标种群进行迭代；判断所述迭代过程是否达到预设终止条件；若是，则将迭代后的目标种群作为所述模型训练参数；若否，则重复所述迭代过程。

20、通过采用上述技术方案，根据超参数遗传算法，将候选模型训练参数分成若干个参数组合作为若干个种群，对该若干个种群通过预设适应度函数进行计算，得到各种群的适应度，然后筛选出适应度大于预置适应度阈值的种群作为目标种群，对该目标种群进行交叉运算和变异运算，将运算后的目标种群作为模型训练参数，能够为模型训练选择最优模型训练参数，提高模型训练的准确性。

21、可选的，所述初始训练模型为bp神经网络模型。

22、通过采用上述技术方案，以bp神经网络模型作为初始训练模型进行训练，能够处理多个污染土壤数据，进行土壤污染修复效果预测，提高了土壤误差修复效果的准确性。

23、可选的，获取指定区域的污染土壤数据；将所述指定区域的污染土壤数据输入所述土壤污染修复模型，得到所述指定区域的土壤污染修复预测值；根据所述污染土壤修复预测值，确定对应的最优土壤修复方案，所述最优土壤修复方案包括修复药剂名称、修复药剂浓度、注入深度；将所述最优土壤修复方案发给用户终端。

24、通过采用上述技术方案，获取工作人员设定区域的污染土壤数据，将该污染土壤数据输入该土壤污染修复模型，得到土壤修复预测值，即修复效果，并确定对应的最优土壤修复方案，发送给用户终端，可有效提高土壤修复方案决策效率。

25、在本技术的第二方面提供了一种土壤污染修复模型训练方法的系统。

26、数据获取模块，用于获取污染土壤数据和所述污染土壤对应的空间分布信息；

27、数据处理模块，用于根据所述空间分布信息和污染土壤数据，按照预设空间阈值确定各子区域的污染特征信息；根据预设灰色关联度公式，计算得到所述污染特征信息中的多个主控污染因素，并通过预设超参数遗传算法，确定模型训练参数，并根据所述多个主控因素和所述模型训练参数构建初始训练模型；

28、模型训练模块，用于获取历史土壤修复数据，并将所述历史土壤修复数据按照预设比例分为训练集数据和测试集数据；将所述多个主控污染因素作为模型输入特征输入所述初始训练模型，根据所述训练集数据和测试集数据训练得到输出结果；

29、误差识别模块，用于计算所述输出结果和预设标准值之间的误差率，并判断所述误差率是否小于预置阈值；若是，则结束模型训练过程并将所述初始训练模型作为土壤污染修复模型。

30、在本技术的第三方面提供了一种电子设备。

31、一种土壤污染修复模型训练方法的系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，该程序能够被处理器加载执行时实现一种土壤污染修复模型训练方法。

32、在本技术的第四方面提供了一种计算机可读存储介质。

33、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现一种土壤污染修复模型训练方法。

34、综上所述，本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

35、1、本技术通过获取污染土壤数据和所述污染土壤对应的空间分布信息结合，划分为多个子区域，每个子区域包含有污染特征信息，根据灰色关联度公式计算得到多个主控因素，并根据超参数遗传算法计算模型训练参数，然后构建初始训练模型，将主控因素输入该初始训练模型得到输出结果，当该输出结果与预设标准值之间的误差率小于预置阈值时，结束模型训练并将该初始训练模型作为土壤污染修复模型，根据这种方法可有效提高土壤修复效果预测的准确性，辅助工作人员针对特定区域的土地信息进行修复方案决策。

36、2、本技术通过超参数遗传算法计算得到最优模型训练参数，能够提高模型训练的准确性。

37、3、本技术通过灰色关联度法，将获取到的多个土壤污染数据对应的特征信息计算出灰色关联度进行筛选，得到主控因素，提高了土壤修复效果预测的准确性。