水域岸线污染风险评估方法及控制智能决策方法和系统，属于环境工程技术与计算机技术交叉领域。为了解决现有的水域岸线污染风险评估方法效率低、准确率低的问题，以及对应进行控制智能决策的效率低的问题。本发明利用卷积神经网络对水域岸线遥感影像、航拍影像以及区域图像进行识别与语义分割，完成岸线宽度、人类活动、耕地占用面积、优势植株等影像因子的自动化计算与赋值；构建基于网络层次分析的水域岸线污染风险评价体系，确定影响因子权重，从而得到客观公正的定量化评价结果，提出基于影响因子权重水域岸线污染控制策略。主要用于水域岸线污染风险评估及控制智能决策。
1.水域岸线污染风险评估方法，其特征在于，包括以下步骤：S1、进行图像识别和语义分割：将待检测区域的遥感影像与航拍图像输入到各自对应的卷积神经网络实现对林地、农田、水体、建筑、岸线的语义分割识别；
将待检测区域的实拍摄图像输入到对应的卷积神经网络实现植物类型的识别与标注；
遥感影像与航拍图像各自对应的卷积神经网络和实拍摄图像对应的卷积神经网络为预先训练好的，训练过程包括以下步骤：构建水域岸线遥感影像、航拍影像以及实拍图像三个样本数据集，并人工进行水域岸线的林地、农田、水体、建筑、岸线构成元素的标注；针对水域岸线遥感影像、航拍影像以及实拍图像，分别构建基于InceptionV3和注意力机制的融合卷积神经网络，并进行训练得到遥感影像、航拍影像、实拍图像各自对应的训练好的神经网络；
遥感影像对应的神经网络，或者航拍影像对应的神经网络，或者实拍图像对应的神经网络也根据输出内容的不同而设置多个神经网络网络类型，用于得到不同的数据：a、根据语义分割识别结果计算水体、岸线、建筑、植被区域的长宽像素值，然后乘以绝对分辨率，得到建筑占比C1、农田占比C2、人类聚集区平均距离C3、岸线平均宽度C4、林地区域占比C5各自相应的距离、面积、面积占比；
b、根据语义分割识别结果，在河道弯曲处提取边界圆弧，计算每50m河道的平均曲率K，并将断面内的最大值平均曲率作为最大曲率C9；
c、由岸线实拍图像的卷积神经网络进行岩土、护坡和坡度识别结果得出护坡类型C6、岩土类型C7、平均坡度C8；
d、由岸线实拍图像的卷积神经网络进行植物类别，得到每种植物的数量及所有植物的数量；
将植物的数量最多的植物类型作为优势植物类型，得到优势植物类型C36；
同时根据每种植物的数量及所有植物的数量得到植被多样性C35；
S2、利用由目标层、准则层和网络层及组成的水域岸线污染风险ANP模型进行风险评估，包括以下步骤：
S2.1、调用水域岸线污染风险ANP模型，目标层为水域岸线污染风险A，准则层包括的指标：人类活动影响B1、岸线自身影响B2、地理环境影响B3、生态系统影响B4，网络层包括的指标：建筑占比C1、农田占比C2、人类聚集区平均距离C3、岸线平均宽度C4、林地区域占比C5、护坡类型C6、岩土类型C7、平均坡度C8、最大曲率C9、土壤污染C10‑C20、水质污染C21‑C34、植被多样性C35、优势植物类型C36；
网络层中的建筑占比C1、农田占比C2、人类聚集区平均距离C3、岸线平均宽度C4、林地区域占比C5、护坡类型C6、岩土类型C7、平均坡度C8、最大曲率C9、植被多样性C35、优势植物类型C36为步骤S1得到的数据；土壤污染C10‑C20及水质污染C21‑C34根据实际采样的检测数据得到；
S2.2、将每项网络层指标作为一个风险因子，针对于不同区间选择不同的风险因子赋分值；
S2.3、获得判断矩阵，通过一致性检验之后，计算超矩阵、加权超矩阵以及极限超矩阵，反复迭代至极限收敛，完成当极限收敛时，获得36个风险因子的稳定权重；
所述判断矩阵是采用Santy的1‑9度标度方法输入的；S2.4、确定第n个断面水域岸线污染风险综合指数为In：
其中，m—水域岸线污染风险因子个数，也就是网络层指标的数量；ki—第i个风险因子的稳定权重；qi—第i个风险因子赋分值；
S2.5、根据水域岸线污染风险综合指数In实现水域岸线的污染风险评估。
2.根据权利要求1所述的水域岸线污染风险评估方法，其特征在于，步骤a中的距离、面积、面积占比计算公式如下：
式中：D为距离，m；d为距离识别像素值，px；Rs为影像的地理分辨率，m/px；S为面积，m ；l为宽度识别像素值，px； 为单种识别类型的占用率；i为分割类型，n为分割类型的数量。
3.根据权利要求1所述的水域岸线污染风险评估方法，其特征在于，步骤b中的平均曲率 如下：
其中， 为河道平均曲率；Δa为河道岸线弧线的切线转角，弧度制数；Δs为河道长度，m。
4.根据权利要求1所述的水域岸线污染风险评估方法，其特征在于，步骤d中根据每种植物的数量及所有植物的数量得到植被多样性C35的植被多样性计算公式如下：式中，H——植被多样性指数；ni——实拍图像范围内第i种植物的数量估计值；N——实拍图像范围内所有植物的数量估计值；S——植物种类数。
5.根据权利要求1所述的水域岸线污染风险评估方法，其特征在于，S2.2所述将每项网络层指标作为一个风险因子，针对于不同区间选择不同的风险因子赋分值的过程如下：对建筑占比C1进行划分：10％及以下、10～30％、30～50％、50％以上，对应的赋分值分别为1、2、3、4；
对农田占比C2进行划分：25％及以下、25～50％、50～75％、75％以上，对应的赋分值分别为1、2、3、4；
对人类聚集区平均距离C3进行划分：200m以上、150～200m、100～150m、100m以下，对应的赋分值分别为1、2、3、4；
对岸线平均宽度C4进行划分：200m以上、100～200m、30～100m、30m以下，对应的赋分值分别为1、2、3、4；
对护坡类型C6进行划分：人工护坡、简易护坡、自然护坡、无护坡，对应的赋分值分别为
对岩土类型C7进行划分：硬岩、砂石、胶结土壤、松散土壤，对应的赋分值分别为1、2、3、
对平均坡度C8进行划分：≤15°或＝90°、15°～30°、30°～45°、＞45°，对应的赋分值分别为1、2、3、4；
对最大曲率C9进行划分：大于30m、20～30m、10～20m、小于10m，对应的赋分值分别为1、
分别对土壤污染C10‑C20进行划分：I级和II级、III级、IV级、V级，对应的赋分值分别为
分别对水质污染C21‑C34进行划分：I和II类、III类、IV类、V类及劣V类，对应的赋分值分别为1、2、3、4；
对林地区域占比C5进行划分：40％以上、20～40％、10～20％、小于10％，对应的赋分值分别为1、2、3、4；
对植被多样性C35进行划分：≥1.9、1.5‑1.9、1.0‑1.5、<1.0，对应的赋分值分别为1、2、
对优势植物类型C36进行划分：乔木、灌木、草本、其他，对应的赋分值分别为1、2、3、4。
6.根据权利要求1至5之一所述的水域岸线污染风险评估方法，其特征在于，根据水域岸线污染风险综合指数为In实现水域岸线的污染风险评估的过程包括以下步骤：水域岸线污染风险综合指数In的取值范围为0～4，对水域岸线污染风险综合指数得分进行分级，当0≤In＜2时，该断面风险等级为低风险；
7.水域岸线污染风险评估系统，其特征在于，所述系统用于执行权利要求1至5之一所述的水域岸线污染风险评估方法。
8.水域岸线污染风险控制智能决策方法，其特征在于，包括水域岸线污染风险评估的步骤和控制智能决策的步骤；
所述水域岸线污染风险评估的步骤为权利要求1至5之一所述的水域岸线污染风险评估方法对应的步骤；
所述控制智能决策的步骤，包括：水域岸线污染风险综合指数In的取值范围为0～4，对水域岸线污染风险综合指数得分进行分级，当0≤In＜2时，该断面风险等级为低风险，无需纳入整治范畴，则对下一断面进行评级；
若2≤In＜3，该断面水域岸线风险等级为中风险，有一定的生态风险，取总贡献超过
40％的风险因子作为主要风险贡献因素纳入治理范畴；
若3≤In＜4，该断面水域岸线风险等级为高风险，对总贡献超过60％的风险因子均应作为主要风险贡献因素重点控制防护；
对2≤In＜3断面中水域岸线风险贡献中大于40％的风险因子，以及3≤In＜4断面中水域岸线风险贡献中大于60％的风险因子作为主要水域岸线风险关键控制点；采用水域岸线污染案例推理技术CBR，将水域岸线断面区间的污染风险综合指数为In为输入，在水域岸线污染控制技术方案库中进行检索，结合检索的治理方案制定的综合性水域岸线风险整治与生态优化方案。
9.根据权利要求8所述的水域岸线污染风险控制智能决策方法，其特征在于，所述取总贡献超过40％的风险因子作为主要风险贡献因素的过程如下：按照ki×qi从大到小的顺序对36个风险因子进行排序，当满足 且条件时，将从大到小的排序顺序的前k个风险因子作为主要风险贡献因素。
10.水域岸线污染风险控制智能决策系统，其特征在于，所述系统用于执行权利要求8或9所述的水域岸线污染风险控制智能决策方法。
水域岸线污染风险评估方法及控制智能决策方法和系统
技术领域
[0001] 本发明涉及水域岸线污染风险评估方法及控制智能决策方法。属于环境工程技术与计算机技术交叉领域。
背景技术
[0002] 水域岸线是河湖水域在水陆边界线一定范围的带状区域统称，不仅具备景观、养殖、交通、采砂、娱乐等经济社会功能，更具维护生物多样性、消纳污染物、提供生物栖息地、
调节气候等生态系统服务功能，对城镇经济发展及生态文明建设具有重要贡献作用。但随
着我国经济发展，非法排污、设障、捕捞、养殖、采砂、采矿、围垦等侵占水域岸线等问题日益
严重，进而导致河湖水环境质量恶化，水安全保障存在隐患。水域岸线污染风险评估及其治
理措施决策需求迫在眉睫。
[0003] 层次分析法(The analytic hierarchy process，AHP)是一种传统的水域岸线污染风险评价方法，通过对可能造成水域岸线污染与破坏的指标进行打分量化与权重分析，
实现水域岸线污染风险评价。但在实际应用过程中，该方法存在岸线巡视耗时长、评价体系
模糊以及打分主观性高等问题，造成水域岸线污染风险评价过程冗长、结果可接受程度低。
同时，在治理措施决策方面，主流水域岸线生物与物理修复技术多达百余种，但目前缺乏具
有指导性的技术筛选原则，致使实际工程应用中水域岸线修复技术的决策仍以人工主观性
选择为主，难以定量化决策。综上所述，在水域岸线污染风险评价与方案决策领域，目前亟
需一种实现水域岸线污染风险快速精准评价与修复方案定量化决策的综合解决方法。
[0004] 以卷积神经网络(Convolutional Neural Networks,CNN)为代表的人工智能技术在图像识别与语义分割方面具有重大技术突破，可实现航拍影像、遥感影像以及实拍图像
的地物识别与数据提取，从而为实现水域岸线影响因子的赋分过程从人工判断到机器智能
判断提供了解决途径；而网络层次分析(Analytic Network Process,ANP)是层次分析法的
升级模式，具备更复杂的内部依赖性和反馈性层次结构，在水域岸线污染评价问题中能确
定影响因子相互影响下纠偏权重，提高评价准确性。因此，两种技术的融合运用为水域岸线
污染风险评价与方案定量化决策提供了一种创新性的解决思路。
发明内容
[0005] 本发明是为了解决现有的水域岸线污染风险评估方法效率低、准确率低的问题，以及对应进行控制智能决策的效率低的问题。
[0006] 水域岸线污染风险评估方法，包括以下步骤：
[0007] S1、进行图像识别和语义分割：
[0008] 将待检测区域的遥感影像与航拍图像输入到各自对应的卷积神经网络实现对林地、农田、水体、建筑、岸线的语义分割识别；
[0009] 将待检测区域的实拍摄图像输入到对应的卷积神经网络实现植物类型的识别与标注；
[0010] 遥感影像与航拍图像各自对应的卷积神经网络和实拍摄图像对应的卷积神经网络为预先训练好的，训练过程包括以下步骤：
[0011] 构建水域岸线遥感影像、航拍影像以及实拍图像三个样本数据集，并人工进行水域岸线的林地、农田、水体、建筑、岸线构成元素的标注；针对水域岸线遥感影像、航拍影像
以及实拍图像，分别构建基于InceptionV3和注意力机制的融合卷积神经网络，并进行训练
得到遥感影像、航拍影像、实拍图像各自对应的训练好的神经网络；
[0012] 遥感影像对应的神经网络，或者航拍影像对应的神经网络，或者实拍图像对应的神经网络也根据输出内容的不同而设置多个神经网络网络类型，用于得到不同的数据：
[0013] a、根据语义分割识别结果计算水体、岸线、建筑、植被区域的长宽像素值，然后乘以绝对分辨率，得到建筑占比C1、农田占比C2、人类聚集区平均距离C3、岸线平均宽度C4、林
地区域占比C5各自相应的距离、面积、面积占比；
[0014] b、根据语义分割识别结果，在河道弯曲处提取边界圆弧，计算每5m河道的平均曲率 并将断面内的最大值平均曲率作为最大曲率C9；
[0015] c、由岸线实拍图像的卷积神经网络进行岩土、护坡和坡度识别结果得出护坡类型C6、岩土类型C7、平均坡度C8；
[0016] d、由岸线实拍图像的卷积神经网络进行植物类别，得到每种植物的数量及所有植物的数量；
[0017] 将植物的数量最多的植物类型作为优势植物类型，得到优势植物类型C36；
[0018] 同时根据每种植物的数量及所有植物的数量得到植被多样性C35；
[0019] S2、利用由目标层、准则层和网络层及组成的水域岸线污染风险ANP模型进行风险评估，包括以下步骤：
[0020] S2.1、调用水域岸线污染风险ANP模型，目标层为水域岸线污染风险A，准则层包括的指标：人类活动影响B1、岸线自身影响B2、地理环境影响B3、生态系统影响B4，网络层包括
的指标：建筑占比C1、农田占比C2、人类聚集区平均距离C3、岸线平均宽度C4、林地区域占比
C5、护坡类型C6、岩土类型C7、平均坡度C8、最大曲率C9、土壤污染C10‑C20、水质污染C21‑
C34、植被多样性C35、优势植物类型C36；
[0021] 网络层中的建筑占比C1、农田占比C2、人类聚集区平均距离C3、岸线平均宽度C4、林地区域占比C5、护坡类型C6、岩土类型C7、平均坡度C8、最大曲率C9、植被多样性C35、优势
植物类型C36为步骤S1得到的数据；土壤污染C10‑C20及水质污染C21‑C34根据实际采样的
检测数据得到；
[0022] S2.2、将每项网络层指标作为一个风险因子，针对于不同区间选择不同的风险因子赋分值；
[0023] S2.3、获得采用Santy的1‑9标度方法输入的判断矩阵，通过一致性检验之后，计算超矩阵、加权超矩阵以及极限超矩阵，反复迭代至极限收敛，完成当极限收敛时，获得各36
个风险因子的稳定权重；
[0024] S2.4、确定第n个断面水域岸线污染风险综合指数为In：
[0025]
[0026] 其中，m—水域岸线污染风险因子个数，也就是网络层指标的数量；ki—第i个风险因子的稳定权重；qi—第i个风险因子赋分值；
[0027] S2.5、根据水域岸线污染风险综合指数为In实现水域岸线的污染风险评估。
[0028] 进一步地，步骤a中的距离、面积、面积占比计算公式如下：
[0029] D＝d×Rs
[0030] S＝d×l×Rs
[0031]
[0032] 式中：D为距离，m；d为距离识别像素值，px；Rs为影像的地理分辨率，m/px；S为面2
积，m ；l为宽度识别像素值，px；为单种识别类型的占用率；i为分割类型，n为分割类型的
数量。
[0033] 进一步地，步骤b中的平均曲率 如下：
[0034]
[0035] 其中， 为河道平均曲率；Δa为河道岸线弧线的切线转角，弧度制数；Δs为河道长度，m。
[0036] 进一步地，步骤d中根据每种植物的数量及所有植物的数量得到植被多样性C35的植被多样性计算公式如下：
[0037]
[0038] 式中，H——植被多样性指数；ni——实拍图像范围内第i种植物的数量估计值；N——实拍图像范围内所有植物的数量估计值；S——植物种类数。
[0039] 进一步地，S2.2所述将每项网络层指标作为一个风险因子，针对于不同区间选择不同的风险因子赋分值的过程如下：
[0040] 对建筑占比C1进行划分：10％及以下、10～30％、30～50％、50％以上，对应的赋分值分别为1、2、3、4；
[0041] 对农田占比C2进行划分：25％及以下、25～50％、50～75％、75％以上，对应的赋分值分别为1、2、3、4；
[0042] 对人类聚集区平均距离C3进行划分：200m以上、150～200m、100～150m、100m以下，对应的赋分值分别为1、2、3、4；
[0043] 对岸线平均宽度C4进行划分：200m以上、100～200m、30～100m、30m以下，对应的赋分值分别为1、2、3、4；
[0044] 对护坡类型C6进行划分：人工护坡、简易护坡、自然护坡、无护坡，对应的赋分值分别为1、2、3、4；
[0045] 对岩土类型C7进行划分：硬岩、砂石、胶结土壤、松散土壤，对应的赋分值分别为1、2、3、4；
[0046] 对平均坡度C8进行划分：≤15°或＝90°、15°～30°、30°～45°、＞45°，对应的赋分值分别为1、2、3、4；
[0047] 对最大曲率C9进行划分：大于30m、20～30m、10～20m、小于10m，对应的赋分值分别为1、2、3、4；
[0048] 分别对土壤污染C10‑C20进行划分：I级和II级、III级、IV级、V级，对应的赋分值分别为1、2、3、4；
[0049] 分别对水质污染C21‑C34进行划分：I和II类、III类、IV类、V类及劣V类，对应的赋分值分别为1、2、3、4；
[0050] 对林地区域占比C5进行划分：40％以上、20～40％、10～20％、小于10％，对应的赋分值分别为1、2、3、4；
[0051] 对植被多样性C35进行划分：≥1.9、1.5‑1.9、1.0‑1.5、<1.0，对应的赋分值分别为1、2、3、4；
[0052] 对优势植物类型C36进行划分：乔木、灌木、草本、其他，对应的赋分值分别为1、2、3、4。
[0053] 进一步地，根据水域岸线污染风险综合指数为In实现水域岸线的污染风险评估的过程包括以下步骤：
[0054] 水域岸线污染风险综合指数In的取值范围为0～4，对水域岸线污染风险综合指数得分进行分级，当0≤In＜2时，该断面风险等级为低风险；
[0055] 若2≤In＜3，该断面水域岸线风险等级为中风险；
[0056] 若3≤In＜4，该断面水域岸线风险等级为高风险。
[0057] 水域岸线污染风险评估系统，所述系统用于执行水域岸线污染风险评估方法。
[0058] 水域岸线污染风险控制智能决策方法，包括水域岸线污染风险评估的步骤和控制智能决策的步骤；
[0059] 所述水域岸线污染风险评估的步骤为水域岸线污染风险评估方法对应的步骤；
[0060] 所述控制智能决策的步骤，包括：
[0061] 水域岸线污染风险综合指数In的取值范围为0～4，对水域岸线污染风险综合指数得分进行分级，当0≤In＜2时，该断面风险等级为低风险，无需纳入整治范畴，则对下一断
面进行评级；
[0062] 若2≤In＜3，该断面水域岸线风险等级为中风险，有一定的生态风险，取总贡献超过40％的风险因子作为主要风险贡献因素纳入治理范畴
[0063] 若3≤In＜4，该断面水域岸线风险等级为高风险，对总贡献超过60％的风险因子均应作为主要风险贡献因素重点控制防护；
[0064] 对2≤In＜3断面中水域岸线风险贡献中大于40％的风险因子，以及3≤In＜4断面中水域岸线风险贡献中大于60％的风险因子作为主要水域岸线风险关键控制点；采用水域
岸线污染案例推理技术CBR，将水域岸线断面区间的污染风险综合指数为In为输入，在水域
岸线污染控制技术方案库中进行检索，结合检索的治理方案制定的综合性水域岸线风险整
治与生态优化方案。
[0065] 进一步地，所述取总贡献超过40％的风险因子作为主要风险贡献因素的过程如下：
[0066] 按照ki×qi从大到小的顺序对36个风险因子进行排序，当满足且 条件时，将从大到小的排序顺序的前k个风险因
子作为主要风险贡献因素。
[0067] 水域岸线污染风险控制智能决策系统，所述系统用于执行水域岸线污染风险控制智能决策方法。
[0068] 有益效果：
[0069] 本发明提出了水域岸线污染风险评估方法及控制智能决策方法。本发明利用卷积神经网络对水域岸线遥感影像、航拍影像以及区域图像进行识别与语义分割，完成岸线宽
度、人类活动、耕地占用面积、优势植株等影像因子的自动化计算与赋值；构建基于网络层
次分析的水域岸线污染风险评价体系，确定影响因子权重，从而得到客观公正的定量化评
价结果，提出基于影响因子权重水域岸线污染控制策略。
[0070] 本发明的主要效果，主要体现在以下4点：
[0071] (1)提出了一种适用于水域岸线图像识别的卷积神经网络模型，实现基于遥感、航拍和实地拍摄图像的水域岸线耕地、植被、水体和建筑的智慧识别与长度、面积等地理要素
智慧计算，识别准确率达到90％以上；
[0072] (2)提出了一种水域岸线污染控制决策的综合流程方法，实现从水域岸线风险贡献权重的分析到污染控制策略的提出，有利于城市管理者对水域岸线做出全面、科学的决
策；
[0073] (3)本发明应用案例解决了传统水域岸线评价方法中的岸线巡视耗时长、评价体系模糊以及打分主观性高弊端，利用模型自动化技术，效率提升50倍以上；
[0074] (4)本发明为图形数据驱动型方法，适用性强，流程广泛适用于城市、近郊以及野外水体水域岸线的污染风险评价，输出结果精度显著优于人工；不同地域可按照“一河一
策”的要求，根据地域范围智能确定出适应于当地气候土地条件、具体可行的水域岸线污染
控制方案。
附图说明
[0075] 图1为水域岸线污染风险控制智能决策流程图。
具体实施方式
[0076] 具体实施方式一：
[0077] 本实施方式为水域岸线污染风险评估方法，包括以下步骤：
[0078] 1、构建和训练卷积神经网络：
[0079] 1.1、制作水域岸线遥感影像、航拍影像以及实拍图像三个样本数据集，将水域岸线遥感影像、航拍影像以及实拍图像分别切割为固定尺寸256*256*3的RGB三通道图像，绝
对分辨率为0.13m/像素点，人工进行水域岸线的林地、农田、水体、建筑、岸线等构成元素的
标注；
[0080] 1.2、针对水域岸线遥感影像、航拍影像以及实拍图像，分别构建基于InceptionV3和注意力机制的融合卷积神经网络；
[0081] 1.3、针对水域岸线遥感影像、航拍影像以及实拍图像，分别设置模型识别种类、优化目标，迭代次数，利用高性能GPU运行神经网络，直到网络模型最优，记录此时的网络参
数，完成训练；
[0082] 1.4、利用计算交互比与准确度评估语义分割模型结果，达到设定精度结果值视为为模型训练成功。
[0083] 2、图像识别与语义分割：
[0084] 将待检测区域的遥感影像与航拍图像输入到对应的卷积神经网络实现对林地、农田、水体、建筑、岸线的语义分割识别；
[0085] 将待检测区域的实拍摄图像输入到对应的卷积神经网络实现植物类型的识别与标注。
[0086] 3、网络层次设计：
[0087] 构建ANP模型的网络层次结构，设定由目标层(水域岸线污染风险A)、准则层(人类活动影响B1、岸线自身影响B2、地理环境影响B3、生态系统影响B4)和网络层(建筑占比C1、
农田占比C2、人类聚集区平均距离C3、岸线平均宽度C4、林地区域占比C5、护坡类型C6、岩土
类型C7、平均坡度C8、最大曲率C9、土壤污染C10‑C20、水质污染C21‑C34、植被多样性C35、优
势植物类型C36等36个网络层指标)及它们之间的相互反映关系共同组成水域岸线污染风
险ANP模型。
[0088] 4、网络层指标计算：
[0089] 4.1长度、面积类指标(C1、C2、C3、C4、C5)：
[0090] 根据语义分割识别结果计算水体、岸线、建筑、植被区域的长宽像素值，然后乘以绝对分辨率，得到建筑占比C1、农田占比C2、人类聚集区平均距离C3、岸线平均宽度C4、林地
区域占比C5各自相应的距离、面积、面积占比，距离、面积、面积占比计算公式如下：
[0091] D＝d×Rs
[0092] S＝d×l×Rs
[0093]
[0094] 式中：D为距离，m；d为距离识别像素值，px；Rs为影像的地理分辨率，m/px；S为面2
积，m ；l为宽度识别像素值，px；为单种识别类型的占用率；i为分割类型，n为分割类型的
数量；
[0095] 4.2河道形状类指标(C9)：
[0096] 根据语义分割识别结果，在河道弯曲处提取边界圆弧，计算每50m河道的平均曲率：
[0097]
[0098] 其中， 为河道平均曲率；Δa为河道岸线弧线的切线转角，弧度制数；Δs为河道长度，m；将断面内的最大值平均曲率作为最大曲率C9；
[0099] 4.3岸线类指标(C6、C7、C8)：
[0100] 由岸线实拍图像的卷积神经网络进行岩土、护坡和坡度识别结果得出护坡类型C6、岩土类型C7、平均坡度C8。
[0101] 实际上护坡类型C6、岩土类型C7、平均坡度C8为分别根据岸线实拍图像的卷积神经网络获得的，对应的卷积神经网络模型和训练过程也是分别进行的，例如针对上护坡类
型C6的训练过程如下：
[0102] 将实拍图像作为卷积神经网络模型的输入，将上护坡类型C6作为输出，利用实拍图像集进行训练，得到上护坡类型C6对应的卷积神经网络模型；在实际水域岸线污染风险
评估和控制智能决策过程中，针对于岸线实拍图像获得待检测区域的上护坡类型C6；
[0103] 4.4植被种类识别类指标(C35、C36)：
[0104] 由岸线实拍图像的卷积神经网络进行植物类别，得到每种植物的数量及所有植物的数量；
[0105] 将植物的数量最多的植物类型作为优势植物类型，得到优势植物类型C36；
[0106] 同时根据每种植物的数量及所有植物的数量得到植被多样性C35，植被多样性计算公式：
[0107]
[0108] 式中，H——植被多样性指数；ni——实拍图像范围内第i种植物的数量估计值；N——实拍图像范围内所有植物的数量估计值；S——植物种类数。
[0109] 4.5污染类指标(C10～C34)：
[0110] 土壤污染C10‑C20及水质污染C21‑C34根据实际采样的检测数据得到。
[0111] 5、每项网络层指标的赋分值：
[0112] 将每项网络层指标作为一个风险因子，针对于不同区间选择不同的风险因子赋分值：
[0113]
[0114]
[0115] 6、基于网络层次分析的风险因子权重分析：
[0116] 开展专家打分制，采用Santy的1‑9标度方法输入判断矩阵，通过一致性检验之后，计算超矩阵、加权超矩阵以及极限超矩阵，反复迭代至极限收敛，完成当极限收敛时，获得
各36个风险因子的稳定权重；
[0117] 进而确定第n个断面水域岸线污染风险综合指数为In，则：
[0118]
[0119] 其中，m—水域岸线污染风险因子个数，本实施方式中m＝36；ki—第i个风险因子的稳定权重；qi—第i个风险因子赋分值；
[0120] 7、根据水域岸线污染风险综合指数为In实现水域岸线的污染风险评估。
[0121] 具体实施方式二：
[0122] 本实施方式为水域岸线污染风险评估方法，根据水域岸线污染风险综合指数为In实现水域岸线的污染风险评估的过程包括以下步骤：
[0123] 水域岸线污染风险综合指数In的取值范围为0～4，对水域岸线污染风险综合指数得分进行分级，当0≤In＜2时，该断面风险等级为低风险；
[0124] 若2≤In＜3，该断面水域岸线风险等级为中风险；
[0125] 若3≤In＜4，该断面水域岸线风险等级为高风险。
[0126] 其他步骤与具体实施方式一相同。
[0127] 具体实施方式三：
[0128] 本实施方式为水域岸线污染风险评估系统，本实施方式所述系统用于执行具体实施方式一或二所述的水域岸线污染风险评估方法。
[0129] 具体实施方式四：参照图1具体说明本实施方式，
[0130] 本实施方式为水域岸线污染风险控制智能决策方法，包括以下步骤：
[0131] 1、构建和训练卷积神经网络：
[0132] 1.1、制作水域岸线遥感影像、航拍影像以及实拍图像三个样本数据集，将水域岸线遥感影像、航拍影像以及实拍图像分别切割为固定尺寸256*256*3的RGB三通道图像，绝
对分辨率为0.13m/像素点，人工进行水域岸线的林地、农田、水体、建筑、岸线等构成元素的
标注；
[0133] 1.2、针对水域岸线遥感影像、航拍影像以及实拍图像，分别构建基于InceptionV3和注意力机制的融合卷积神经网络；
[0134] 1.3、针对水域岸线遥感影像、航拍影像以及实拍图像，分别设置模型识别种类、优化目标，迭代次数，利用高性能GPU运行神经网络，直到网络模型最优，记录此时的网络参
数，完成训练；
[0135] 1.4、利用计算交互比与准确度评估语义分割模型结果，达到设定精度结果值视为为模型训练成功。
[0136] 2、图像识别与语义分割：
[0137] 将待检测区域的遥感影像与航拍图像输入到对应的卷积神经网络实现对林地、农田、水体、建筑、岸线的语义分割识别；
[0138] 将待检测区域的实拍摄图像输入到对应的卷积神经网络实现植物类型的识别与标注。
[0139] 3、网络层次设计：
[0140] 构建ANP模型的网络层次结构，设定由目标层(水域岸线污染风险A)、准则层(人类活动影响B1、岸线自身影响B2、地理环境影响B3、生态系统影响B4)和网络层(建筑占比C1、
农田占比C2、人类聚集区平均距离C3、岸线平均宽度C4、林地区域占比C5、护坡类型C6、岩土
类型C7、平均坡度C8、最大曲率C9、土壤污染C10‑C20、水质污染C21‑C34、植被多样性C35、优
势植物类型C36 36个网络层指标)及它们之间的相互反映关系共同组成水域岸线污染风险
ANP模型。
[0141] 4、网络层指标计算：
[0142] 4.1长度、面积类指标(C1、C2、C3、C4、C5)：
[0143] 根据语义分割识别结果计算水体、岸线、建筑、植被区域的长宽像素值，然后乘以绝对分辨率，得到建筑占比C1、农田占比C2、人类聚集区平均距离C3、岸线平均宽度C4、林地
区域占比C5各自相应的距离、面积、面积占比，距离、面积、面积占比计算公式如下：
[0144] D＝d×Rs
[0145] S＝d×l×Rs
[0146]
[0147] 式中：D为距离，m；d为距离识别像素值，px；Rs为影像的地理分辨率，m/px；S为面2
积，m ；l为宽度识别像素值，px；为单种识别类型的占用率；i为分割类型，n为分割类型的
数量；
[0148] 4.2河道形状类指标(C9)：
[0149] 根据语义分割识别结果，在河道弯曲处提取边界圆弧，计算每5m河道的平均曲率：
[0150]
[0151] 其中， 为河道平均曲率；Δa为河道岸线弧线的切线转角，弧度制数；Δs为河道长度，m；将断面内的最大值平均曲率作为最大曲率C9；
[0152] 4.3岸线类指标(C6、C7、C8)：
[0153] 由岸线实拍图像的卷积神经网络进行岩土、护坡和坡度识别结果得出护坡类型C6、岩土类型C7、平均坡度C8。
[0154] 实际上护坡类型C6、岩土类型C7、平均坡度C8为分别根据岸线实拍图像的卷积神经网络获得的，对应的卷积神经网络模型和训练过程也是分别进行的，例如针对上护坡类
型C6的训练过程如下：
[0155] 将实拍图像作为卷积神经网络模型的输入，将上护坡类型C6作为输出，利用实拍图像集进行训练，得到上护坡类型C6对应的卷积神经网络模型；在实际水域岸线污染风险
评估和控制智能决策过程中，针对于岸线实拍图像获得待检测区域的上护坡类型C6；
[0156] 4.4植被种类识别类指标(C35、C36)：
[0157] 由岸线实拍图像的卷积神经网络进行植物类别，得到每种植物的数量及所有植物的数量；
[0158] 将植物的数量最多的植物类型作为优势植物类型，得到优势植物类型C36；
[0159] 同时根据每种植物的数量及所有植物的数量得到植被多样性C35，植被多样性计算公式：
[0160]
[0161] 式中，H——植被多样性指数；ni——实拍图像范围内第i种植物的数量估计值；N——实拍图像范围内所有植物的数量估计值；S——植物种类数。
[0162] 4.5污染类指标(C10～C34)：
[0163] 土壤污染C10‑C20及水质污染C21‑C34根据实际采样的检测数据得到。
[0164] 5、每项网络层指标的赋分值：
[0165] 将每项网络层指标作为一个风险因子，针对于不同区间选择不同的风险因子赋分值：
[0166]
[0167] 6、基于网络层次分析的风险因子权重分析：
[0168] 开展专家打分制，采用Santy的1‑9标度方法输入判断矩阵，通过一致性检验之后，计算超矩阵、加权超矩阵以及极限超矩阵，反复迭代至极限收敛，完成当极限收敛时，获得
各36个风险因子的稳定权重；
[0169] 进而确定第n个断面水域岸线污染风险综合指数为In，则：
[0170]
[0171] 其中，m—水域岸线污染风险因子个数，本实施方式中m＝36；ki—第i个风险因子的稳定权重；qi—第i个风险因子赋分值；
[0172] 7、水域岸线污染风险综合评价：
[0173] 水域岸线污染风险综合指数In的取值范围为0～4，对水域岸线污染风险综合指数得分进行分级，当0≤In＜2时，该断面风险等级为低风险，无需纳入整治范畴，返回步骤2对
下一断面进行评级；
[0174] 若2≤In＜3，该断面水域岸线风险等级为中风险，有一定的生态风险，取总贡献超过40％的风险因子作为主要风险贡献因素纳入治理范畴，执行步骤8；
[0175] 若3≤In＜4，该断面水域岸线风险等级为高风险，对总贡献超过60％的风险因子均应作为主要风险贡献因素重点控制防护，执行步骤8。
[0176] 取总贡献超过40％的风险因子作为主要风险贡献因素的过程如下：
[0177] 按照ki×qi从大到小的顺序对36个风险因子进行排序，当满足且 条件时，将从大到小的排序顺序的前k个风险因
子作为主要风险贡献因素。
[0178] 对总贡献超过60％的风险因子均应作为主要风险贡献因素的过程与取总贡献超过40％的风险因子作为主要风险贡献因素的过程相同。
[0179] 8、水域岸线子区间污染控制定量化决策：
[0180] 对步骤7中2≤In＜3断面中水域岸线风险贡献中大于40％的风险因子，以及3≤In＜4断面中水域岸线风险贡献中大于60％的主要指标作为主要水域岸线风险关键控制点。
采用水域岸线污染案例推理技术(Case‑based reasoning,CBR)，将水域岸线断面区间的污
染风险综合指数为In为输入，在水域岸线污染控制技术方案库中进行检索，采用K临近法计
算技术方案库中的源案例与目标案例之间的相似度，实现从案例库中检索出与目标案例相
似度最高的前3个源案例，案例的相似度公式dist(u，v)为：
[0181]
[0182] 式中，i为第i个比较指标，m为比较指标总数量，比较指标即准则层的各个指标。ki为第i个比较指标的权重赋值；Di(u,v)为目标案例第i个比较指标与源案例的归一化处理
距离；
[0183]
[0184] Pui为源案例的第i个比较指标，Pvi为目标案例第i个比较指标；
[0185] 技术方案库考虑了南北方气候因素与地域因素的影响，各影响指标对应的技术措施设置原则：
[0186] a、人类活动影响型，采取限制开发、退耕还林还草、减少人流活动、适当拆除建筑等人为限制措施；
[0187] b、岸线自身影响型，采取岸线护坡工程修整、河流水利工程等岸线调整措施；
[0188] c、地理环境影响型，采取河道整治、河床地形修整等流向调整措施；
[0189] d、生态系统影响型，采取生物法水土保护、植被种植等生态修复措施。
[0190] 9、水域岸线污染控制总体建议方案：
[0191] 遍历所有断面后，参考步骤8中所得各水域岸线风险断面整治项目建议，结合各河段的河势状况、岸线自然条件，在服从防洪安全、河势稳定和维护河流健康的前提下，充分
考虑水资源利用与保护的要求，结合城市发展总体规划、岸线开发利用与保护现状、城市景
观建设等因素进行智能化整合，制定科学合理的综合性水域岸线风险整治与生态优化方
案。
[0192] 具体实施方式五：
[0193] 本实施方式为水域岸线污染风险控制智能决策系统，本实施方式所述系统用于执行具体实施方式四所述的水域岸线污染风险控制智能决策方法。
[0194] 本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于
本发明所附的权利要求的保护范围。
