本发明涉及水质监测，特别涉及一种水质异常监测方法、装置、计算机设备及介质。
背景技术：
1、目前，水质监测技术主要分为传统化学分析方法和现代光谱分析方法。传统化学分析方法包括滴定法、分光光度法、气相色谱法和高效液相色谱法等。这些方法通常需要采集水样并在实验室中进行分析，具有较高的精度和灵敏度，但存在操作复杂、时间耗费大、实时性差等问题。现代光谱分析方法则包括紫外-可见光谱法、红外光谱法、荧光光谱法和激光诱导击穿光谱法（libs）等。这些方法通过测量水样的光谱特征，可以快速获取水质信息，实现在线监测和实时分析。常见的设备包括光纤光谱仪、便携式光谱仪和固定监测站等。这些设备利用光源照射水样，检测反射或透射光谱，分析水中污染物的种类和浓度。
2、但是，现代光谱分析方法存在以下缺点，使得水质监测准确性低：
3、1.现有的光谱分析方法通常只能覆盖有限的光谱波段，无法全面检测水中的多种污染物。
4、2.单一光谱数据的分析模型精度有限，容易受到环境因素的干扰，导致检测结果的准确性和可靠性不足。
5、3.现有技术在异常检测方面多依赖于简单的阈值判定，容易产生误报和漏报情况。
技术实现思路
1、有鉴于此，本发明实施例提供了一种水质异常监测方法，以解决现有技术中水质监测准确性低的技术问题。该方法包括：
2、获得待监测水体的全光谱数据，所述全光谱数据包括紫外光谱和可见光谱；
3、获取所述待监测水体的水源标签和环境数据；
4、将所述水源标签、所述环境数据和所述紫外光谱输入第一水质分析模型，得到紫外光谱数据的异常概率；将所述水源标签、所述环境数据和所述可见光谱输入第二水质分析模型，得到可见光谱数据的异常概率，其中，所述第一水质分析模型是通过历史紫外光谱数据、历史水源标签和历史环境数据训练模型得到的，所述第二水质分析模型是通过历史可见光谱数据、历史水源标签和历史环境数据训练模型得到的；
5、计算所述紫外光谱的第一统计学指标；计算所述可见光谱的第二统计学指标；
6、根据所述紫外光谱数据的异常概率、所述可见光谱数据的异常概率、所述第一统计学指标和所述第二统计学指标，确定所述待监测水体的异常分数，所述异常分数的大小与水质异常程度成正比。
7、本发明实施例还提供了一种水质异常监测装置，以解决现有技术中水质监测准确性低的技术问。该装置包括：
8、光谱数据获取模块，用于获得待监测水体的全光谱数据，所述全光谱数据包括紫外光谱和可见光谱；
9、相关数据获取模块，用于获取所述待监测水体的水源标签和环境数据；
10、异常概率确定模块，用于将所述水源标签、所述环境数据和所述紫外光谱输入第一水质分析模型，得到紫外光谱数据的异常概率；将所述水源标签、所述环境数据和所述可见光谱输入第二水质分析模型，得到可见光谱数据的异常概率，其中，所述第一水质分析模型是通过历史紫外光谱数据、历史水源标签和历史环境数据训练模型得到的，所述第二水质分析模型是通过历史可见光谱数据、历史水源标签和历史环境数据训练模型得到的；
11、统计指标计算模块，用于计算所述紫外光谱的第一统计学指标；计算所述可见光谱的第二统计学指标；
12、水质监测模块，用于根据所述紫外光谱数据的异常概率、所述可见光谱数据的异常概率、所述第一统计学指标和所述第二统计学指标，确定所述待监测水体的异常分数，所述异常分数的大小与水质异常程度成正比。
13、本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意的水质异常监测方法，以解决现有技术中水质监测准确性低的技术问。
14、本发明实施例还提供了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执行上述任意的水质异常监测方法的计算机程序，以解决现有技术中水质监测准确性低的技术问。
15、与现有技术相比，本说明书实施例采用的上述至少一个技术方案能够达到的有益效果至少包括：提出了待监测水体的全光谱数据，使得可以全面检测水中的多种污染物；提出了将紫外光谱和可见光谱分别结合水源标签、所述环境数据通过模型，确定紫外光谱数据的异常概率和可见光谱数据的异常概率，使得结合多种数据通过水质分析模型分别确定紫外光谱数据的异常概率和可见光谱数据的异常概率，有利于提高精度，不易受到环境因素的干扰，有利于提高检测结果的准确性和可靠性，最后，根据所述紫外光谱数据的异常概率、所述可见光谱数据的异常概率、所述第一统计学指标和所述第二统计学指标，确定所述待监测水体的异常分数，所述异常分数的大小与水质异常程度成正比，实现了结合统计学指标和机器学习模型的综合分析确定水质的异常分数，有利于避免产生误报和漏报情况，进一步有利于提高水质监测的准确性。
1.一种水质异常监测方法，其特征在于，包括：
2.如权利要求1所述的水质异常监测方法，其特征在于，所述方法还包括：
3.如权利要求1所述的水质异常监测方法，其特征在于，根据所述紫外光谱数据的异常概率、所述可见光谱数据的异常概率、所述第一统计学指标和所述第二统计学指标，确定所述待监测水体的异常分数，包括：
4.如权利要求3所述的水质异常监测方法，其特征在于，根据所述紫外光谱数据的异常概率、所述第一统计学指标和第一异常阈值，确定第一异常分数，包括：
5.如权利要求3所述的水质异常监测方法，其特征在于，根据所述第一异常分数和所述第二异常分数，确定所述待监测水体的异常分数，包括：
6.一种水质异常监测装置，其特征在于，包括：
7.如权利要求6所述的水质异常监测装置，其特征在于，所述水质监测模块，用于根据所述紫外光谱数据的异常概率、所述第一统计学指标和异常阈值，确定第一异常分数；根据所述可见光谱数据的异常概率、所述第二统计学指标和所述异常阈值，确定第二异常分数，其中，所述第一统计学指标和所述第二统计学指标均包括均值和标准差；根据所述第一异常分数和所述第二异常分数，确定所述待监测水体的异常分数。
8.如权利要求7所述的水质异常监测装置，所述水质监测模块，用于为所述紫外光谱数据设置第一权重，为所述可见光谱数据设置第二权重；将所述紫外光谱数据中每个数据点的第一异常分数分别与所述第一权重相乘，得到每个数据点对应的第一乘积；将所述可见光谱数据中每个数据点的第二异常分数分别与所述第二权重相乘，得到每个数据点对应的第二乘积；将所述紫外光谱数据中所有数据点对应的第一乘积和所述可见光谱数据中所有数据点对应的第二乘积相加，得到第一总和；将所述紫外光谱数据中所有数据点对应的第一权重与所述紫外光谱数据中所有数据点对应的第二权重相加，得到第二总和；将所述第一总和与所述第二总和的比值确定为所述待监测水体的异常分数。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的水质异常监测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至5中任一项所述的水质异常监测方法的计算机程序。
