买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉同济大学申请的专利一种基于环境DNA和机器学习的水体污染物溯源方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119763660B 。

龙图腾网通过国家知识产权局官网在2025-07-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510265098.1，技术领域涉及：G16B30/00；该发明授权一种基于环境DNA和机器学习的水体污染物溯源方法是由徐祖信;戚言;楚文海设计研发完成，并于2025-03-07向国家知识产权局提交的专利申请。

本一种基于环境DNA和机器学习的水体污染物溯源方法在说明书摘要公布了：本发明提供了一种基于环境DNA和机器学习的水体污染物溯源方法，包括如下步骤：步骤S1：区域性污染物来源调研与水体特征表征；步骤S2：环境DNA提取、特异性引物扩增及DNA测序定量；步骤S3：利用DNA数据和水质数据构建并训练机器学习模型；步骤S4：在实际污染区域采集水样，输入数据至模型并输出污染源类型及占比。本发明通过结合环境DNA技术和机器学习模型，创新性地提出了一种适应多种污染源、准确高效的水体污染物溯源方法，具有较高的应用价值和广阔的推广前景。

本发明授权一种基于环境DNA和机器学习的水体污染物溯源方法在权利要求书中公布了：1.一种基于环境DNA和机器学习的水体污染物溯源方法，用于从多角度分析污染源特征，实现污染物的精确溯源，其特征在于，包括如下步骤： 步骤S1：区域性污染物来源调研与水体特征表征； 步骤S11：识别潜在污染源类型，并获取其原生污水样品；通过现场调查和历史数据分析，确定可能的污染源类别，包括工业废水、农业径流、生活污水； 步骤S12：获取污染源的水质特征数据； 采用水质快速检测仪和分光光度法对水样进行初步筛选，获取关键污染指标，包括pH值、化学需氧量、总磷、总氮、悬浮物和荧光数据； 对所述原生污水样品进行分析，包括高效液相色谱、气相色谱-质谱联用和荧光光谱，获得其化学成分特征； 采集样品中的微生物群落，通过16SrRNA、18SrRNA扩增测序，获得环境DNA的背景数据库； 步骤S13：通过环境DNA技术追踪特异性生物标记；针对特定污染源，包括工业污染物排放的特征微生物和农业污染源的细菌群落，筛选特异性DNA标记，使用实时荧光定量PCR和宏基因组测序进行扩增和分析； 所述步骤S13具体包括如下步骤： 步骤S131：污染源类别分类： 工业污染：筛选包括对特定金属离子耐受的微生物； 农业污染：筛选包括粪便指示菌和农药降解菌； 生活污水：筛选包括人源指示菌和耐抗生素基因； 步骤S132：数据库比对： 结合NCBIGenBank、Silva数据库进行比对，筛选已知污染源关联的环境DNA生物标记； 采用宏基因组学分析，识别特异性基因，包括重金属耐受基因或抗生素抗性基因； 步骤S133：选取特异性生物标记引物，用于后续扩增引物设计： 使用Primer-BLAST和Oligo7.0针对污染源相关微生物，设计特异性PCR引物； 采用引物可视化工具，优化引物熔解温度和二级结构，避免非特异性扩增；确保引物能够区分不同污染源； 步骤S134：利用DNA提取试剂盒从水样中提取DNA，并低温保存DNA提取：采用磁珠法或柱式提取法高效回收微量环境DNA；使用去PCR抑制剂试剂，去除水样中的PCR抑制剂； 步骤S135：使用qPCR扩增特异性DNA片段；对扩增样品进行环境DNA测序和定量分析； 步骤S2：环境DNA提取、特异性引物扩增及DNA测序定量； 步骤S21：为模型训练提供多维数据集；采集不同污染源的环境DNA样本，基于qPCR、数字PCR和高通量测序技术提取DNA数据，并测定物种丰度； 结合水质参数，构建污染源特征数据集，作为机器学习训练样本； 所述步骤S21中，使用不同污染源水样，制备不同浓度的混合水样；并测定每种混合水样的DNA和水质数据，生成多维数据集； 步骤S22：建立机器学习模型，实现污染源解析；采用多模型集成学习框架进行深度算法训练，包括随机森林、XGBoost、支持向量机； 利用K折交叉验证和贝叶斯优化调优模型参数，确保污染源解析的高准确度和泛化能力； 所述步骤S22中，具体步骤如下： 步骤S221：输入：环境DNA数据和水质指标； 步骤S222：输出：污染源类型及其占比；包括污染源类别分类、污染源占比计算和污染源时空分布预测； 步骤S223：采用多模型集成学习框架，结合多种机器学习或深度学习方法，提高污染溯源的稳定性和准确性； 步骤S3：利用DNA数据和水质数据构建并训练机器学习模型； 步骤S31：整合不同污染源的环境DNA序列数据与对应水质数据的特征指标；形成具有多维特征的训练数据集，用于创建污染源特性与其对应分子生物学信息的综合描述； 所述步骤S31中，将环境DNA数据与水质数据融合；通过数据预处理消除数据噪声，提高数据质量； 采用特征工程，包括数据拼接或时间序列特征提取构建污染物-生物标记-水质参数的多模态数据集，用于训练模型； 步骤S32：利用模型训练与验证实现高效污染解析；结合监督学习与无监督学习方法，深度神经网络提取复杂污染特征，同时利用K-means聚类算法进行污染物类别自适应学习；通过Shapley值分析解析模型特征贡献度，评估污染因子的重要性； 所述步骤S32中，通过利用K-meansGMM聚类进行污染物类别自适应学习，可提高污染分类的精准度； 采用随机森林、XGBoost或深度神经网络模型训练污染溯源系统，结合贝叶斯优化和K折交叉验证，进一步提升模型的泛化能力，用于确保预测准确性； 采用Precision、Recall、F1-score、MSE和R²指标评估模型表现；同时，引入Shapley值分析量化污染因子贡献度，并结合贝叶斯推断计算污染源占比； 最终，通过GIS热力图和趋势预测曲线实现污染源分布和变化趋势的可视化，从而提高污染治理决策的科学性和精准度，该系统融合监督学习方法，能够准确预测污染源类型及其占比，验证模型性能，确保其高效、可靠地进行污染源解析； 步骤S4：在实际污染区域采集水样，输入数据至模型并输出污染源类型及占比； 步骤S41：在实际污染区域采集水样； 采用空间布点采样法，在污染区域设置多个监测点，上游-中 游-下游多点布设，确保空间覆盖广泛； 使用无人机、自动采样设备定时或定点采样，避免人为干扰； 步骤S42：测定水质数据与环境DNA数据； 使用荧光定量PCR扩增特异性DNA片段，对污染源进行基因指纹识别； 采用超高分辨率质谱分析水体污染物，结合纳米孔测序获取DNA序列信息； 步骤S43：输入上述数据至机器学习模型，解析污染源类型及其占比；结合多模态数据融合输入模型，包括环境DNA、化学污染物和水质参数，通过模型解析污染源贡献率； 采用概率预测计算污染源占比，并生成污染溯源报告，为污染治理提供科学依据。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人同济大学，其通讯地址为：200092 上海市杨浦区四平路1239号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。