数据挖掘技术在环境保护综合管理系统中的应用分析.docxVIP

数据挖掘技术在环境保护综合管理系统中的应用分析 　　【摘要】：在国家可持续发展的理念倡导下，环境保护受到越来越多的关注，在大数据时代，环境保护管理系统的出现，为环境保护工作的质量与效率提升提供了重要作用。基于此，本文就数据挖掘技术在环境保护综合管理系统中的应用展开分析，首先，对环境数据采集与关键因素分析环节所应用的大数据挖掘技术进行简要分析，进一步探究大数据技术在包括预测方法与预测验证在内的，环境预测方面的应用分析。　　【关键词】：数据挖掘技术；环境保护；数据采集　　前言：环境保护的实施质量与效率，对城市的生态建设与可持续发展具有极大的管理。本文以S市环境保护综合系统的应用为例，分析新时期，数据挖掘技术的应用过程及效果，对提升系统的应用价值具有重要作用。因此，要以生态健康和城市居民的身体健康为保护目标，充分运用数据挖掘技术，提升环境保护综合管理系统的实践性能，最终实现环境保护的长效管理。　　1.环境数据的采集与关键因素分析　　笔者以S市的水质污染与治理状况为基础，对数据挖掘技术的应用进行如下分析：　　数据采集　　对S市的相关水质数据进行采集，主要目标是自动监测子站数据以及周边污染企业排污数据。利用环境保护综合管理系统进行数据采集，数据来源主要依赖于污染源在线监控子系统。　　污染源在线监控子系统主要的监控对象为工业污染源，监控手段即对区域排污状况以及排污趋势进行了解和掌握，通过监测结果与监控资料等，能够进一步执行环境保护法规与标准，进而推动环境管理工作的顺利执行。在污染源在线监控子系统当中，主要包括三个重要内容，即现场在线监控点、监控中心以及数据传输网络，现场监控点包括在线监测仪器、通讯器等硬件设施，在捕捉到数据信息之后，及时利用数据传输网络，传送至监控中心，以视频或信号等形式呈现监控状况。数据挖掘技术主要应用于监控中心，在其接收到各类环保信息之后，进一步展开数据分析、计算以及数据处理操作，以全面满足环境保护工作的业务管理需求与保护决策需求[1]。监控中心为环境保护综合管理系统提供各项数据服务，是重要的信息交互支撑平台，　　关键因素分析　　基于数据挖掘技术的环境保护综合管理系统，在数据采集的基础上能够进一步利用数据挖掘算法当中的朴素贝叶斯分类算法，分析得出影响因素以及关键影响因素。　　贝叶斯定理的基本求解公式导出过程如下：P=P/P；P表示的是事件B发生下事件A的条件概率，即事件B事先已经发生，求解此种基础上事件A的发生概率；P则表示事件A与事件B同时发生的概率；P表示的是事件B发生的概率。无论事件A与事件B是否互为独立事件，都能够得出公式P=P?P=P?P。由此能够进一步导出贝叶斯定理：P=[P?P]/P。　　运用贝叶斯定理，从Excel数据挖掘工具当中对影响环境能的关键因素进行分析，需要经历以下三个步骤：第一，要完善建立数据挖掘结构，并将与数据相关的关键信息进行导入存储；第二，利用Microsoft贝叶斯概率分类算法，进一步构建数据挖掘模型；第三，针对模型当中的相对属性发出预测查询命令，进而达到识别区分明显目标属性之间的因素。　　2.环境预测及效果分析　　预测方法的选择　　构建神经网络模型的过程中，将人为影响因素全部剔除，进而获得水质本身特点，与传统的水质预测方法有着本质的区别，此种方式所获得的输出结果更具有客观性。神经网络模型的应用，需要应用大量的历史数据，如，S市环境综合管理系统中由污染源在线监测系统与水质自动监测系统获取的大量数据，是构建神经网络模型、推动神经网络模型运算与分析的重要条件。基于神经网络方法的多种适用性，在水质预测中的应用较为广泛。尤其是其建模方法的灵活性，能过采用多种非线性函数，来有效构建、模拟其过程的非线性特征。　　预测验证　　利用Excel数据挖掘工具中的神经网络算法，能够对采集到的全部数据进行有效预测。S市的环境保护综合管理系统中，共包含17个水质自动监测项目、7个周边污染源排放数据，总计34个属性。针对这34个属性，按照每个属性半年期限内184个日均值数据来看，共有6358个数据需要参与到模型运算当中。神经网络模型的多属性、大数据量的特点，直接影响运算时间较长。在此基础上，运用基于粗糙集的神经网络预测技术，对模型进行数据处理，约简属性后再次进行运算，能够显著降低神经网络预测误差[2]。约简属性至9个，极大的简化了运算过程与运算量，从而有效缩短运算时间。　　这种基于粗糙集的神经网络预测技术，与其他的时序算法、一般神经网络算法、逻辑回归算法等相比，性能更好，效率更高，在很大程度上提升了预测效果的准确性，应用于环境综合管理系统当中，具有更高适用性。随着水质自动监测项目的增加，监测数据量也会越来越多，因此，在上述技术的基础上，要进一步增加训练数据，以有效提升环境预测的