CN105956664A - 一种河流点源突发污染事故溯源方法 - Google Patents

Abstract

本发明公开了一种河流点源突发污染事故溯源方法。本方法的主要步骤如下：1) 污染物扩散模型参数率定；2) 河流污染源反演计算；3) 移动水质监测平台实时反馈：利用反演计算得到的污染源信息驱动移动水质监测平台，并令其向污染源位置靠近，对污染源进行局部搜索并实时反馈在线监测数据，修正在线率定算法，并重新进行反演计算，循环工作直至溯源过程结束。本发明方法将污染物扩散模型参数率定方法、污染源反演计算以及移动水质平台反馈校正有机结合，使得溯源成为一个闭环反馈的过程。

Description

一种河流点源突发污染事故溯源方法

技术领域

本发明涉及污染物模拟领域，具体提出一种河流点源突发污染事故溯源方法。

背景技术

水是生命的源泉，是人类社会赖以生存的基础。然而，地球上可用的淡水资源却十分有限，真正可以为人们所直接利用的淡水资源大概只占全球水资源总量的0.01％左右，加上江河水环境污染时有发生，淡水资源的安全问题严重影响人们生活与社会稳定。

江河水环境污染的主要污染源可以归纳为以下三类：(1)农业污染：主要是农村畜牧养殖以及作物种植过程中产生的废弃物和化学品未合理处置，流入自然水体，导致农村自然水体受到污染；(2)生活污染：人类日常生活中产生的污水在未经处理的情况下，直接排放到自然水体中；(3)工业污染：工业废水可能含有化学药剂和重金属元素，如未经处理直接排放到自然水体中，对环境的破坏性往往比生活污水和农业污水更为严重。如何监测和整顿工业废水乱排、偷排是水环境治理中的一项艰巨任务。

河流突发性水污染事故溯源一般是指河流发生水污染事故后，利用各种方式追踪定位污染的来源，主要工作包括：分析污染物的来源和种类，寻找出污染源位置、泄漏时间、泄漏强度等关键信息。为了实现这个目标，国内外学者研究了多种河流水质污染事故溯源算法，按照原理和实现方式的区别，可将其大致分为以下几个类别：(1)通过示踪法或多元统计法推断污染来源；(2)利用污染源搜索定位的方法来确定污染源的位置；(3)应用污染源反问题推导的方法来溯源。

但用现有的方法来应对突发污染事件的溯源问题，仍然存在以下几点不足：(1)在应对突发水污染事故上，水面或水下自主机器人由于自身的机动性和续航的限制，污染源追踪定位的空间范围不会太大；而反问题推导的方式其反演结果一般是关于污染源信息的大致分布，无法验证反演结果的准确与否；(2)基于贝叶斯统计的概率统计方法可以有效利用污染源的先验信息以及监测断面的污染物监测数据，但是普通的贝叶斯方法存在一定缺陷，其计算量会随着反演参数个数的增加呈现指数型增长，在应对突发污染时，若污染源参数个数较多，反演计算的时间会很长。

因此，当污染事故发生时，如何利用所获取的污染物监测数据，迅速找到污染发生地点，然后采取控制措施尽量减小污染事件对于环境带来的影响，具有现实意义。

发明内容

针对现有技术的不足，本发明提供一种河流点源突发污染事故溯源方法。

一种河流点源突发污染事故溯源方法，工作流程如下：水质模型参数在线率定算法利用监测断面提供的水文和水质数据作为污染物扩散模型参数率定的输入，得到符合当前水文条件的水质扩散模型，基于马尔科夫蒙特卡罗(MCMC)方法的河流污染源反演算法利用该水质扩散模型，反演计算得到的污染物的溯源结果驱动移动水质监测平台，令其向污染源位置靠近，移动水质监测平台对污染源进行局部搜索并实时反馈水质在线监测数据，修正污染物扩散模型参数率定的参数，并重新进行基于MCMC方法的河流污染源反演污染计算，循环工作直至驱动移动水质监测平台到达污染源位置过程结束，得到污染源的空间位置、发生时间、泄漏量关键信息；其中，所述的基于MCMC方法的河流污染源反演污染计算包括污染事件类型判断、获取污染源先验分布、构造似然函数和后验概率密度函数和溯源结果抽样分析。

所述的污染物扩散模型参数率定包括：

2.1确定污染物扩散模型，依据不同的河流情况选定不同的污染物扩散模型；

2.2率定污染物扩散模型参数，通过获取的污染物类型和浓度数据，以及先验信息，率定出适合当前水环境条件的污染物扩散模型参数。

所述的基于MCMC方法的河流污染源反演计算方法包括：

3.1污染事件类型判断

确定静态岸边点源污水导致的河流突发污染事件溯源的排放的形式为是瞬时或是连续；

3.2获取污染源先验分布

污染源参数的上下限用上下限区间上的均匀分布来表示，若有i个参数需要反演，那么：

式中，a和b为参数上下限,在溯源时，根据实际情况对未知参数的上下限进行设置；

3.3构造似然函数和后验概率密度函数和溯源结果抽样分析

在基于MCMC方法的河流污染物溯源反演算法中，似然函数用于表示模型参数和观测数据的拟合程度；

由贝叶斯定理得到

$P\left(X\right|Y)=\frac{P\left(Y\right|X)*P\left(X\right)}{P\left(Y\right)}\∝P\left(Y\right|X)*P\left(X\right)---\left(2\right)$

式中参数含义如下：

P(X)为污染源未知参数X的先验分布，在未获取相关信息之前，近似成均匀分布；

P(Y|X)表示污染源未知参数为X下，污染监测数据为Y的条件概率，称为似然概率；

P(X|Y)表示在获取污染监测数据Y后，污染源未知参数X的概率分布，当得到污染源未知参数X的后验分布后，对该参数进行估计，从而实现对释放源空间位置等信息的反演计算；

似然概率P(Y|X)反映了测量点观测值Y＝{Y₁,Y₂,…,Y_i,…,Y_n}和在同一时间地点处，污染物扩散模型正向模拟的理论值T＝{T₁,T₂,…,T_i,…,T_n}的偏差，T的值通过上节的污染物浓度计算公式得到，其中，Y_i为测量点上第i点的观测值，T_i为污染物浓度计算公式得到的第i点的理论值；

误差的大小为ε_i＝Y_i-T_i(M,x,y,t|X)，其中：T_i(M,x,y,t|X)是指：在瞬时泄漏量或泄漏强度为M，空间位置(x,y)及泄漏时刻距离当前时刻时长为t的情况下，通过水质扩散模型计算得到的污染物浓度理论值；假定ε_i服从标准差为σ的正态分布，且每个测量点相互独立，则污染物溯源问题的似然函数表示为：

$P\left(Y\right|X)=\underset{i=1}{\overset{N}{\Π}}P\left(Y\right|X_i)\∝\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp \[-\underset{i=1}{\overset{N}{\Σ}}\frac{{\[Y_i-T_i(M,y,x,t|X)\]}^2}{2{\mathrm{\σ}}^2}\]---\left(3\right)$

根据公式(3)，污染源的未知参数X的求解，通过使用贝叶斯公式，将溯源问题转换成求未知参数X的后验概率密度函数的问题：

$P\left(X\right|Y)=\frac{P\left(Y\right|X)*P\left(X\right)}{P\left(Y\right)}\∝\frac{p\left(X\right)}{{\left(\sqrt{2\mathrm{\π}}\mathrm{\σ}\right)}^N}\exp \[-\underset{i=1}{\overset{N}{\Σ}}\frac{{\[Y_i-T_i(M,x,y,t|X)\]}^2}{2{\mathrm{\σ}}^2}\]---\left(4\right)$

当知道污染源未知参数X的先验分布P(X)，且已知测量点观测值Y＝{Y₁,Y₂,…,Y_i,…Y_n}，通过马尔科夫蒙特卡罗方法对污染源未知参数X在取值范围内依据先验分布规律进行抽样；抽样时，正向模拟的理论值序列T＝{T₁,T₂,…T_N}接近观测值Y＝{Y₁,Y₂,…Y_N}的参数组将得到保留，偏差过大的剔除，经过迭代得到的抽样的结果就是污染源关键信息的概率分布。

所述的移动水质监测平台实时反馈主要包括以下两个部分：

4.1实地确认

接收污染源反演计算得到污染源的位置和排放强度，并前往可疑污染排放区域对污染源进行局部搜索和确认；

4.2比较反演计算结果和平台实际确认结果

如果两者一致，则污染源溯源工作结束；反之，则反馈实时坐标和实时水质监测数据，将移动监测平台的实测数据作为反演的依据，重新率定污染物扩散模型参数和反演污染源信息，根据反演的结果重新进行局部搜索工作，直至污染源被完全定位为止。

本发明的有益效果：

本发明针对河流沿岸污水未经处理直接排放的现象，研究了目前河流突发性污染事故的特点，提出了一套河流突发性水质事故的溯源算法框架，在发生突发性水污染事故时，利用本文提供的方法可以提高溯源方法对断面监测数据的利用率、溯源响应速度以及准确度，给有关部门掌握污染源信息以及做针对性补救措施提供帮助。

附图说明

图1为污水进入河流后的三个混合阶段；

图2为河流突发水污染事故示意图；

图3为实施例中河流点源突发污染事故溯源方法框架；

图4为实施例中污染物扩散模型在线参数率定方法；

图5为实施例中自适应混沌粒子群优化算法流程图；

图6为实施例中自适应M-H抽样方法算法流程图；

图7为实施例中瞬时排放污染事件监测点数据和采样时间关系；

图8为实施例中带率定参数迭代过程(一)；

图9为实施例中模型参数率定后的反演计算结果(一)。

具体实施方式

下面结合附图对本发明进行进一步描述。

如图1所示，污水注入自然水体的过程一般分为三个阶段：(1)点A到B断面之间的为垂向扩散阶段；(2)B断面到C断面为横向扩散阶段；(3)C断面之后为纵向扩散阶段。图中A为污染物泄漏点，河流中的斜向点画线为污染物扩散带。

图2表示河流发生水污染事故时，污染源、受污染水体以及监测点的相对位置。

图3表示在河流发生突发性水污染事件时，本发明的溯源方法的工作流程：水质模型参数在线率定算法利用监测断面提供的水文和水质数据作为污染物扩散模型参数率定的依据，为基于马尔科夫蒙特卡罗(MCMC)方法的河流污染源反演算法提供符合当前水文条件的水质扩散模型，反演计算得到的污染源信息驱动(溯源结果驱动)移动水质监测平台，令其向污染源位置靠近，移动水质监测平台对污染源进行局部搜索并实时反馈水质在线监测数据，修正污染物扩散模型参数率定算法的参数，并重新进行污染源反演计算，循环工作直至污染源溯源过程结束，得到污染源的空间位置、发生时间、泄漏量等关键信息。其中，所述的基于MCMC方法的河流污染源反演污染计算包括污染事件类型判断、获取污染源先验分布、构造似然函数和后验概率密度函数和溯源结果抽样分析。

其中，基于MCMC方法的河流污染源反演计算方法的主要步骤为：

(1)污染事件类型判断

本文研究的问题为静态岸边点源污水偷排导致的河流突发污染事件溯源，其排放的形式既可能是瞬时，也可能是连续的。由于不同持续时间的污染事件其反演计算时依赖的污染物浓度计算公式是不一样的，所以在反演计算前，对污染排放的类型进行确定是能否准确获得反演结果的前提条件。

(2)获取污染源先验分布

本方法所涉及的污染物溯源问题，比较普遍的情况是在反演计算前不知道污染源参数的分布类型，但是大致知道其参数的上下限，比如污染发生位置在哪个范围里等，可以用上下限区间上的均匀分布来表示，若有i个参数需要反演，那么：

式中，a和b为参数上下限,在溯源时，可以根据实际情况对未知参数的上下限进行设置。

(3)构造似然函数和后验概率密度函数

在基于MCMC方法的河流污染物溯源反演算法中，似然函数用于表示模型参数和观测数据的拟合程度。

由贝叶斯定理可以得到

$P\left(X\right|Y)=\frac{P\left(Y\right|X)*P\left(X\right)}{P\left(Y\right)}\∝P\left(Y\right|X)*P\left(X\right)---\left(2\right)$

式中参数含义如下：

P(X)为污染源未知参数X的先验分布，通常在未获取相关信息之前，可以近似为某种分布，通过上节对先验信息的分析，将其近似成均匀分布；

P(Y|X)表示污染源未知参数为X下，污染监测数据为Y的条件概率，称为似然概率；

P(X|Y)表示在获取污染监测数据Y后，污染源未知参数X的概率分布。当得到污染源未知参数X的后验分布后，就可以对该参数进行估计，从而实现对释放源空间位置等信息的反演计算。

似然概率P(Y|X)反映了测量点观测值Y＝{Y₁,Y₂,…,Y_i,…,Y_n}和在同一时间地点处，污染物扩散模型正向模拟的理论值T＝{T₁,T₂,…,T_i,…,T_n}的偏差，T的值可以通过上节的污染物浓度计算公式得到，其中，Y_i为测量点上第i点的观测值，T_i为污染物浓度计算公式得到的第i点的理论值。

根据上述内容，可以得到误差的大小为ε_i＝Y_i-T_i(M,x,y,t|X)，其中：T_i(M,x,y,t|X)是指：在瞬时泄漏量或泄漏强度为M，空间位置(x,y)及泄漏时刻距离当前时刻时长为t的情况下，通过水质扩散模型计算得到的污染物浓度理论值。由于一般观测噪声为白噪声，所以这里假定ε_i服从标准差为σ的正态分布，且每个测量点相互独立，则污染物溯源问题的似然函数可以表示为：

$P\left(Y\right|X)=\underset{i=1}{\overset{N}{\Π}}P\left(Y\right|X_i)\∝\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \[-\underset{i=1}{\overset{N}{\Σ}}\frac{{\[Y_i-T_i(M,y,x,t|X)\]}^2}{2{\mathrm{\σ}}^2}\]---\left(3\right)$

根据公式(3)，污染源的未知参数X的求解，通过使用贝叶斯公式，可以将溯源问题转换成求未知参数X的后验概率密度函数的问题：

$P\left(X\right|Y)=\frac{P\left(Y\right|X)*P\left(X\right)}{P\left(Y\right)}\∝\frac{p\left(X\right)}{{\left(\sqrt{2\mathrm{\π}}\mathrm{\σ}\right)}^N}\exp \[-\underset{i=1}{\overset{N}{\Σ}}\frac{{\[Y_i-T_i(M,x,y,t|X)\]}^2}{2{\mathrm{\σ}}^2}\]---\left(4\right)$

从上式可以看出，当知道污染源未知参数X的先验分布P(X)，且已知测量点观测值Y＝{Y₁,Y₂,…,Y_i,…Y_n}，通过马尔科夫蒙特卡罗方法对污染源未知参数X在取值范围内依据先验分布规律进行抽样。抽样时，正向模拟的理论值序列T＝{T₁,T₂,…T_N}接近观测值Y＝{Y₁,Y₂,…Y_N}的参数组将得到保留，偏差过大的剔除，经过迭代得到的抽样的结果就是污染源关键信息的概率分布。

(4)溯源结果抽样分析

通过分析推理，构造了污染物溯源问题的似然函数和后验概率密度函数，在贝叶斯统计理论中，后验概率密度函数就是反问题的解，但是通过建模推导得到的后验概率密度函数往往比较复杂，没法直观的表示出未知参数的分布情况，所以为了获取参数的估计值，需要对后验概率密度函数进行抽样，得到污染源参数的概率分布。到目前为止，抽样的方法非常多，比较常用的方法是马尔科夫蒙特卡罗方法(MCMC)方法，本发明对其进行了改进，提出了自适应M-H抽样方法。

图4表示基于自适应混沌粒子群优化算法的在线水质参数率定方法的技术框架。该方法主要分为以下四步：

(1)参数敏感度分析：根据污染物扩散的水质模型，分析所有参数的敏感度，确定待率定的参数和不需要率定的参数。因为模型参数众多，所有参数如果都需要率定的话计算维度很高，计算量大，而且增大了寻优结果陷入局部最优点的几率；

(2)模型参数初始值设定：获取初始断面的浓度数据，对数据进行初步处理，剔除无效数据，根据实测数据和以往案例，对当前的模型待率定参数的取值上下限进行设定，并将初值设为符合真实环境的数值，防止初值偏差太大影响最终率定结果；

(3)利用初始断面数据构建一个瞬时分布污染源：对初始断面的数据进行处理，根据污染物的浓度曲线特征，用较为常用的曲线进行拟合，使其满足污染源的构建的需要。根据拟合的曲线，将初始断面浓度数据构建成一个在某一段空间位置同时瞬时投放的污染源，替代实际污染源预测下游浓度，通过预测值与后续断面实测数据进行偏差分析，动态校正模型参数；

(4)模型参数寻优：利用自适应混沌粒子群算法对模型参数在取值范围内进行寻优，寻优算法将混沌算法的遍历性和随机性的特点与标准粒子群优化算法运算速度快、搜索能力强的特点相结合，使得算法在保证速度不显著减慢的情况下，能够有效地逃离局部最优点，提高参数寻优结果的精确度。

图5为本发明中所使用的自适应混沌粒子群优化算法的流程图。该方法在传统的粒子群优化算法的个体更新步骤中，引入了混沌算法，可以使粒子群优化算法有效的跳出局部最优点，其主要包括以下几个步骤：

(1)根据污染物扩散的水质模型，分析所有参数的敏感度，确定待率定的参数和不需要率定的参数；

(2)获取初始断面的浓度数据，并根据实测数据和以往案例，对当前的模型待率定参数的取值上下限进行设定；

(3)根据污染物的浓度曲线特征，进行曲线拟合并构建成一个在某一段空间位置同时瞬时投放的污染源，替代实际污染源预测下游浓度，通过预测值与后续断面实测数据进行偏差分析，动态校正模型参数；

(4)利用自适应混沌粒子群算法对模型参数在取值范围内进行寻优。

图6表示自适应M-H算法的完整计算过程。该方法是对普通M-H抽样算法进行改进，通过在抽样循环前搜寻出合适的提议函数q(x,y)符合的正态分布标准差来提高算法效率，其主要步骤如下：

(1)构造一个合适的提议函数q(x,y)，利用提议函数从当前状态X_t中产生一个新状态Y；

(2)计算接受概率：

(3)从均匀分布U[0,1]中抽取一个随机数，和接收概率比较，若大于接收概率，则置X_t+1＝Y，若小于，则置X_t+1＝X_t；

(4)重复步骤(1)至步骤(3)，直至满足结束条件。

通过利用该方法对后验概率密度函数抽样，抽样的结果就是污染源参数的估计值，也就是所求的污染物溯源的结果。

实施例

针对本发明的算法部分，开展了一次多功能水槽实验，以验证岸边瞬时排放事件的溯源。

该多功能水槽由中船702所承建，主要有水槽槽体和造浪造流系统两部分构成。该水槽槽体的长度为59米，宽度为1.5米，总深度为1.6米；水槽自带的造浪造流系统，可模拟海浪、海流、浑水等综合作用下的水动力环境，进行浪流等动力因素作用下河工、海工、港工建筑物(包括海底管线)及近海流域泥沙特性的研究。

实验的实验步骤如下：

步骤一：将水槽流速设置为0.1m/s，并以瞬时投放的形式在水槽的起始段岸边位置投入2L的罗丹明B溶液，溶质的量一共为30mg。将此位置设为空间位置上的原点，倒入溶液的时间设为时间零点；

步骤二：在监测点处以下表所述的起始时间和时间间隔对水体进行采样，监测点的位置和采样时间如表1所示；

步骤三：将步骤二中得到的样品利用荧光仪对其进行扫描，得到的谱图利用平行因子建模的方式，得到其荧光的峰值，通过罗丹明B溶液用于绘制荧光光谱测得的峰值和溶液浓度的对应关系曲线，将获得的荧光信息转化为对应的罗丹明B溶液浓度数据；

步骤四：利用步骤三中获得的监测点1的水文水质数据构建一个污染源，然后利用后面三个监测点的数据动态率定污染物扩散模型的参数；

步骤五：将步骤三中获得的测量点处的罗丹明B溶液浓度观测值输入基于马尔科夫蒙特卡罗(MCMC)方法的河流污染物溯源反演算法中，进行反演计算，得到污染源信息，并将计算结果和真实值进行比较。

本实施例使用的污染物模型及相应公式如下：

在点源岸边瞬时排放的污染物扩散模型中，点(x,y)处产生的质量浓度为：

$C=\frac{M}{4\mathrm{\π}h\sqrt{D_x{D}_y}}\exp \[-kt-\frac{{(x-u_{x}t)}^2}{4D_{x}t}\]\[2\exp \[-\frac{y^2}{4D_{y}t}\]+\exp \[-\frac{{(2B-y)}^2}{4D_{y}t}\]\]---\left(5\right)$

式中的参数含义如下：

C(g/L)为预测点在t时刻污染物在点(x,y)位置的浓度；

M(g)为污染物排放总量；

h(m)为河流深度；

k(s^-1)为污染物的降解系数；

t(s)为当前时刻与污染物排放时刻之差；

x(m)，y(m)是指以污染物泄漏点为零点的坐标位置；

u_x(m/s)，u_y(m/s)分别表示河流的纵向水流平均速度、横向水流平均速度；

D_x(m²/s)，D_y(m²/s)分别表示污染物在水体中的纵向扩散系数、横向扩散系数。

已知：纵向和横向的水流平均速度u_x＝0.1(m/s)，u_y＝0.01(m/s)；同时水槽中水体的深度为h＝0.3(m)；通过查阅资料，得到罗丹明B在类似环境的河流里的降解系数：k＝0.1(d^-1)。经过敏感度分析，待率定的参数为D_x，u_x，h。所以综上所述，实验一的已知参数、待率定参数和污染源的数据如表2所示。

表1 监测点的坐标及采样时间选择(一)

表2 模型参数表(一)

根据上述实验步骤进行实验，经过数据处理后，得到如图7所示的4个监测点的样品浓度数据。

利用模型参数初值设定方法对模型参数初值的选择，并对待率定的参数值上下限进行赋值，其具体数值大小如下表所示：

表3 模型参数初值设定(一)

利用监测点1的罗丹明B溶液浓度观测值构建污染源信息，利用后三个监测点数据在线率定模型参数。为了保证运算的可靠性，率定算法在相同的条件下运行100次，模型参数的率定结果如图8所示。

经过参数率定，可以得到：污染物在水体中的纵向扩散系数均值为D_x＝0.0382m²/s；河流的纵向水流平均速度均值为u_x＝0.0967m/s；水槽深度均值为h＝0.346m。率定好的模型代入基于马尔科夫蒙特卡罗(MCMC)方法的河流污染物溯源反演算法中，可以得到结果如图9所示。

如表4所示，通过将污染源参数抽样结果的均值和真实值对比，发现污染物泄漏量和污染物位置的误差在可以接受的范围内，最大没有超过10％，但是污染发生时间存在较大误差。

表4 仿真结果和实际值对比(一)

Claims (4)

1.一种河流点源突发污染事故溯源方法，其特征在于，工作流程如下：水质模型参数在线率定算法利用监测断面提供的水文和水质数据作为污染物扩散模型参数率定的输入，得到符合当前水文条件的水质扩散模型，基于马尔科夫蒙特卡罗(MCMC)方法的河流污染源反演算法利用该水质扩散模型，反演计算得到的污染物的溯源结果驱动移动水质监测平台，令其向污染源位置靠近，移动水质监测平台对污染源进行局部搜索并实时反馈水质在线监测数据，修正污染物扩散模型参数率定的参数，并重新进行基于MCMC方法的河流污染源反演污染计算，循环工作直至驱动移动水质监测平台到达污染源位置过程结束，得到污染源的空间位置、发生时间、泄漏量关键信息；其中，所述的基于MCMC方法的河流污染源反演污染计算包括污染事件类型判断、获取污染源先验分布、构造似然函数和后验概率密度函数和溯源结果抽样分析。

2.根据权利要求1所述的方法，其特征在于，所述的污染物扩散模型参数率定包括：

2.1确定污染物扩散模型，依据不同的河流情况选定不同的污染物扩散模型；

2.2率定污染物扩散模型参数，通过获取的污染物类型和浓度数据，以及先验信息，率定出适合当前水环境条件的污染物扩散模型参数。

3.根据权利要求1所述的方法，其特征在于，所述的基于MCMC方法的河流污染源反演计算方法包括：

3.1污染事件类型判断

确定静态岸边点源污水导致的河流突发污染事件溯源的排放的形式为是瞬时或是连续；

3.2获取污染源先验分布

污染源参数的上下限用上下限区间上的均匀分布来表示，若有i个参数需要反演，那么：

式中，a和b为参数上下限,在溯源时，根据实际情况对未知参数的上下限进行设置；

3.3构造似然函数和后验概率密度函数和溯源结果抽样分析

在基于MCMC方法的河流污染物溯源反演算法中，似然函数用于表示模型参数和观测数据的拟合程度；

由贝叶斯定理得到

$P\left(X\right|Y)=\frac{P\left(Y\right|X)*P\left(X\right)}{P\left(Y\right)}\∝P\left(Y\right|X)*P\left(X\right)---\left(2\right)$

式中参数含义如下：

P(X)为污染源未知参数X的先验分布，在未获取相关信息之前，近似成均匀分布；

P(Y|X)表示污染源未知参数为X下，污染监测数据为Y的条件概率，称为似然概率；

P(X|Y)表示在获取污染监测数据Y后，污染源未知参数X的概率分布，当得到污染源未知参数X的后验分布后，对该参数进行估计，从而实现对释放源空间位置等信息的反演计算；

似然概率P(Y|X)反映了测量点观测值Y＝{Y₁,Y₂,…,Y_i,…,Y_n}和在同一时间地点处，污染物扩散模型正向模拟的理论值T＝{T₁,T₂,…,T_i,…,T_n}的偏差，T的值通过上节的污染物浓度计算公式得到，其中，Y_i为测量点上第i点的观测值，T_i为污染物浓度计算公式得到的第i点的理论值；

误差的大小为ε_i＝Y_i-T_i(M,x,y,t|X)，其中：T_i(M,x,y,t|X)是指：在瞬时泄漏量或泄漏强度为M，空间位置(x,y)及泄漏时刻距离当前时刻时长为t的情况下，通过水质扩散模型计算得到的污染物浓度理论值；假定ε_i服从标准差为σ的正态分布，且每个测量点相互独立，则污染物溯源问题的似然函数表示为：

$P\left(Y\right|X)=\underset{i=1}{\overset{N}{\Π}}P\left(Y\right|X_i)\∝\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp \[-\underset{i=1}{\overset{N}{\Σ}}\frac{{\[Y_i-T_i(M,y,x,t|X)\]}^2}{2{\mathrm{\σ}}^2}\]---\left(3\right)$

根据公式(3)，污染源的未知参数X的求解，通过使用贝叶斯公式，将溯源问题转换成求未知参数X的后验概率密度函数的问题：

$P\left(X\right|Y)=\frac{P\left(Y\right|X)*P\left(X\right)}{P\left(Y\right)}\∝\frac{p\left(X\right)}{{\left(\sqrt{2\mathrm{\π}}\mathrm{\σ}\right)}^N}\exp \[-\underset{i=1}{\overset{N}{\Σ}}\frac{{\[Y_i-T_i(M,x,y,t|X)\]}^2}{2{\mathrm{\σ}}^2}\]---\left(4\right)$

当知道污染源未知参数X的先验分布P(X)，且已知测量点观测值Y＝{Y₁,Y₂,…,Y_i,…Y_n}，通过马尔科夫蒙特卡罗方法对污染源未知参数X在取值范围内依据先验分布规律进行抽样；抽样时，正向模拟的理论值序列T＝{T₁,T₂,…T_N}接近观测值Y＝{Y₁,Y₂,…Y_N}的参数组将得到保留，偏差过大的剔除，经过迭代得到的抽样的结果就是污染源关键信息的概率分布。

4.根据权利要求1所述的方法，其特征在于，所述的移动水质监测平台实时反馈主要包括以下两个部分：

4.1实地确认

接收污染源反演计算得到污染源的位置和排放强度，并前往可疑污染排放区域对污染源进行局部搜索和确认；

4.2比较反演计算结果和平台实际确认结果

如果两者一致，则污染源溯源工作结束；反之，则反馈实时坐标和实时水质监测数据，将移动监测平台的实测数据作为反演的依据，重新率定污染物扩散模型参数和反演污染源信息，根据反演的结果重新进行局部搜索工作，直至污染源被完全定位为止。