CN106354940B - 基于wasp水质模型不确定性输入的景观水水质模拟与预警方法 - Google Patents

基于wasp水质模型不确定性输入的景观水水质模拟与预警方法 Download PDF

Info

Publication number
CN106354940B
CN106354940B CN201610777197.9A CN201610777197A CN106354940B CN 106354940 B CN106354940 B CN 106354940B CN 201610777197 A CN201610777197 A CN 201610777197A CN 106354940 B CN106354940 B CN 106354940B
Authority
CN
China
Prior art keywords
water quality
input
value
model
early
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201610777197.9A
Other languages
English (en)
Other versions
CN106354940A (zh
Inventor
崔慧萍
彭森
吴卿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201610777197.9A priority Critical patent/CN106354940B/zh
Publication of CN106354940A publication Critical patent/CN106354940A/zh
Application granted granted Critical
Publication of CN106354940B publication Critical patent/CN106354940B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Abstract

本发明公开了一种基于WASP水质模型不确定性输入的景观水水质模拟与预警方法，该方法包括通过前期调研与水质监测得到污染物实际浓度值、利用EXCEL中的NORMINV函数生成随机误差项、在污染物实际监测浓度值的基础上增加随机误差项，得到的污染物浓度值作为模型输入值并继而得到增加了输入不确定性模型、确定每个输入量对模型输出的影响，并比较各输入量的影响大小并得到一个区间的输出值、选取95％置信区间的输出值作为模型输出结果进行统计分析、与水质限值进行比较并进行水质警情划分及水质预警判断等步骤。本发明的优点是：首次将景观水体WASP水质模型输入值不确定化并利用区间输出值进行水质预警，可在污染物实际监测浓度值的基础上增加随机误差项，得到模型不确定性输入值及区间输出值。

Description

基于WASP水质模型不确定性输入的景观水水质模拟与预警 方法
技术领域
本发明涉及一种基于不确定性分析的景观水体水质模拟方法，更具体地说，本发明涉及一种用于目前水质模型不确定性输入的景观水体水质模拟与预警方法。
背景技术
随着人们对水环境系统认识的不断深入，用于模拟水环境系统的水质模型越来越多，同时水质模型的不确定性分析也越来越受到关注与重视。
污染负荷的确定与输入是景观水体水质模型构建的重要环节。由于大部分景观水体的污染源主要来自于雨水径流的污染，因此，在构建景观水体水质模型时，模型输入量中很重要的一部分就是雨水径流中污染负荷浓度的变化，而雨水污染物浓度的变化会受到时间、地点等一系列因素的影响，有着较强的不确定性。
因此，模型模拟时需要将其不确定性体现出来，这样才能更准确地描述雨水径流污染的情况。
发明内容
本发明的目的就是针对以上问题，提供一种基于WASP水质模型不确定性输入的景观水水质模拟与预警方法，从而建立一种更加符合实际情况的景观水体水质模型，以期在模型模拟时可以更准确地描述雨水径流污染的情况，并将其不确定性体现出来。
本发明的技术方案是：
一种基于WASP水质模型不确定性输入的景观水水质模拟与预警方法，包括以下步骤：
(1)通过前期调研与水质监测得到污染物实际浓度值；
(2)利用EXCEL中的NORMINV函数生成随机误差项；
(3)在污染物实际监测浓度值的基础上增加随机误差项，得到的污染物浓度值作为模型输入值并继而得到增加了输入不确定性模型，所述模型输入值的具体计算公式为：
Y＝x+e
式中：Y为模型输入值；
x为实测数据；
e为x对应的随机误差项，随机误差项满足正态分布时均值为0，标准差取历次实测数据的标准差；
(4)确定每个输入量对模型输出的影响，并比较各输入量的影响大小，每次只改变一个输入量来研究模型的变化，最终得到一个区间的输出值；
(5)选取95％置信区间的输出值作为模型输出结果，进行统计分析；
(6)与水质限值进行比较，进行水质警情划分及水质预警判断，可得出全年超过限值的可能性以及水体污染状况等。
所述的水质警情划分及水质预警判断以V类水质指标限值为依据，将模型输出的区间值中超过超过V类水质指标限值的量记为△，并以M表示V类水质指标限值，以M1和M2分别表示模型区间估计的上、下限值，则：
△的计算公式如下：
1)M1≤M，则△＝0；
2)M2<M<M1，则
3)M2≥M，则△＝100％；
预警强度划分如下：
1)若△≤0，则为无警状态；
2)0<△≤25％，则为轻警状态；
3)25％<△≤50％，则为中警状态；
4)50％<△≤75％，则为重警状态；
5)75％<△≤100％，则为巨警状态。
本发明具有很好的实用性，其有益效果在于：
(1)可在污染物实际监测浓度值的基础上增加随机误差项，得到模型不确定性输入值并通过不确定性输入得到区间输出值；
(2)可实现景观水体水质模型不确定性输入并具备景观水水质警情划分及水质预警判断的功能。
(3)填补了景观水体水质模型模拟景观水水质领域中的一项空白，首次将景观水体水质模型输入值不确定化，并利用区间输出值进行水质预警，对景观水体的运行管理具有很好的实用价值。
附图说明
图1是本发明原理结构示意图。
图2是初期雨水COD输入量的分布范围示意图。
图3是后期雨水COD输入量的分布范围示意图。
图4是景观水体COD输出值示意图。
具体实施方式
为了使本发明更容易被清楚理解，下面结合附图和实施例对本发明的技术方案作以详细说明。
参照图1：本发明的基于WASP水质模型不确定性输入的景观水水质模拟与预警方法，包括以下步骤：
(1)通过前期调研与水质监测得到污染物实际浓度值；
(2)利用EXCEL中的NORMINV函数生成随机误差项；
(3)在污染物实际监测浓度值的基础上增加随机误差项，得到的污染物浓度值作为模型输入值；
(4)确定每个输入量对模型输出的影响，并比较各输入量的影响大小，每次只改变一个输入量来研究模型的变化，最终得到一系列输出值(即：一个区间的输出值，而非传统的单一输出值)。
(5)选取95％置信区间的输出值作为模型输出结果，进行统计分析；
(6)与水质限值进行比较，进行水质警情划分及水质预警判断，可得出全年超过限值的可能性以及水体污染状况等。
在以上方法中：
步骤(3)中模型输入值的具体公式为：
Y＝x+e (1-1)
式中：Y为模型输入值；
x为实测数据；
e为x对应的随机误差项，随机误差项满足正态分布，均值为0，标准差取历次实测数据的标准差。
由步骤(1)得到前期调研和水质监测的数据后，经步骤(2)利用EXCEL中的NORMINV函数生成随机误差项，然后根据公式1-1进行处理得到模型输入值，继而得到增加了输入不确定性的WASP模型。
所述WASP模型的建立包括7个重要的部分：
1)模拟和输出控制；
2)确定模型的分段数据、污染物的平流和弥散作用的界定；
3)边界浓度的确定；
4)点源与面源污染负荷的确定与输入；
5)动力学参数；
6)常量与时间变化相关函数的输入；
7)初始浓度的输入。
本发明基于水质模型不确定性输入的景观水水质模拟与预警方法可用于其中点源与面源污染负荷的确定与输入部分。
参照图2、图3，以天津市空港某景观水体为例，经实际监测得出初期雨水COD标准差108.39mg/L，后期雨水14.75mg/L，经过加入100组随机误差后其100组不确定性输入值，得出如图2所示的初期雨水COD浓度和图3所示的后期雨水COD浓度的分布情况。
参照图4，仍以天津市空港某景观水体为例，将100组雨水COD浓度依次输入WASP模型的边界浓度设置中，最终得到100组景观水体COD模拟值，即如图3所示的COD区间模拟值，图中的标号1表示水质95％置信区间，标号2表示V类水质阈值线。所述的V类水质，是指满足的《地表水环境质量标准》(GB3838-2002)中COD≤40mg/L的水体。
在步骤(6)中，水质警情划分及水质预警判断的依据是《地表水环境质量标准》(GB3838-2002)，该标准中要求景观水体的水质应能够达到V类水质标准，因此，以V类水质指标限值为依据，将模型输出的区间值中超过该指标的量作为划分预警强度的依据，并依次划分为无警、轻警、中警、重警和巨警，超过V类水质指标限值的量记为△，模型区间估计的上、下限值分别用M1和M2表示，V类水质指标限值用M表示，△的计算公式如下：
1)M1≤M，则△＝0；
2)M2<M<M1，则
3)M2≥M，则△＝100％。
预警强度划分如下：
1)若△≤0，则为无警状态，表明水质达标；
2)0<△≤25％，则为轻警状态，表明需引起水质管理者注意；
3)25％<△≤50％，则为中警状态，表明需要加强监测，寻找问题；
4)50％<△≤75％，则为重警状态，表明需要一定治理措施；
5)75％<△≤100％，则为巨警状态，表明水质严重污染，需要人工强制措施干预。
本发明是景观水体WASP水质模型模拟景观水水质领域中的一个创新，不仅可以较好地描述实际污染物的浓度变化，而且能够更准确、有效地模拟水质指标，并将其不确定性体现出来，从而达到更准确地描述雨水径流污染情况的目的，为水质管理者提供科学合理的决策依据与技术支持。
以上参照附图和实施例对本发明的技术方案进行示意性描述，该描述没有限制性。本领域的技术人员应能理解，在实际应用中，本发明中各个技术特征均有可能发生某些变化或适应性调整，而其他人员在其启示下也可能做出相似设计。特别需要指出的是：只要不脱离本发明的设计宗旨，所有显而易见的细节变化或相似设计，均包含在本发明的保护范围之内。

Claims (3)

1.一种基于WASP水质模型不确定性输入的景观水水质模拟与预警方法，其特征在于：该方法包括以下步骤：
(1)通过前期调研与水质监测得到污染物实际浓度值；
(2)利用EXCEL中的NORMINV函数生成随机误差项；
(3)在污染物实际监测浓度值的基础上增加随机误差项，得到的污染物浓度值作为模型输入值并继而得到增加了输入不确定性模型，所述模型输入值的具体计算公式为：
Y＝x+e
式中：Y为模型输入值；
x为实测数据；
e为x对应的随机误差项，随机误差项满足正态分布时均值为0，标准差取历次实测数据的标准差；
(4)确定每个输入量对模型输出的影响，并比较各输入量的影响大小，每次只改变一个输入量来研究模型的变化，最终得到一个区间的输出值；
(5)选取95％置信区间的输出值作为模型输出结果，进行统计分析；
(6)与水质限值进行比较，进行水质警情划分及水质预警判断，可得出全年超过限值的可能性以及水体污染状况。
2.根据权利要求1所述的基于WASP水质模型不确定性输入的景观水水质模拟与预警方法，其特征在于：所述的水质警情划分及水质预警判断以V类水质指标限值为依据，将模型输出的区间值中超过超过V类水质指标限值的量记为△，并以M表示V类水质指标限值，以M1和M2分别表示模型区间估计的上、下限值，则：
△的计算公式如下：
1)M1≤M，则△＝0；
2)M2<M<M1，则
3)M2≥M，则△＝100％；
预警强度划分如下：
1)若△≤0，则为无警状态；
2)0<△≤25％，则为轻警状态；
3)25％<△≤50％，则为中警状态；
4)50％<△≤75％，则为重警状态；
5)75％<△≤100％，则为巨警状态。
3.根据权利要求2所述的基于WASP水质模型不确定性输入的景观水水质模拟与预警方法，其特征在于：所述的V类水质，是指满足的《地表水环境质量标准》(GB3838-2002)中COD≤40mg/L的水体。
CN201610777197.9A 2016-08-30 2016-08-30 基于wasp水质模型不确定性输入的景观水水质模拟与预警方法 Expired - Fee Related CN106354940B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610777197.9A CN106354940B (zh) 2016-08-30 2016-08-30 基于wasp水质模型不确定性输入的景观水水质模拟与预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610777197.9A CN106354940B (zh) 2016-08-30 2016-08-30 基于wasp水质模型不确定性输入的景观水水质模拟与预警方法

Publications (2)

Publication Number Publication Date
CN106354940A CN106354940A (zh) 2017-01-25
CN106354940B true CN106354940B (zh) 2019-06-25

Family

ID=57856997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610777197.9A Expired - Fee Related CN106354940B (zh) 2016-08-30 2016-08-30 基于wasp水质模型不确定性输入的景观水水质模拟与预警方法

Country Status (1)

Country Link
CN (1) CN106354940B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009736A (zh) * 2017-12-13 2018-05-08 北京北华中清环境工程技术有限公司 一种水质预警预报系统及水质预警预报方法
CN108537439A (zh) * 2018-04-09 2018-09-14 中国科学院遥感与数字地球研究所 一种流域多尺度景观格局与水质指标关系研究方法
CN109448124B (zh) * 2018-11-06 2023-08-18 北京英视睿达科技股份有限公司 用于河道的水质模拟方法和装置
CN109522645B (zh) * 2018-11-15 2023-08-22 北京英视睿达科技股份有限公司 用于河流流域的水质模拟方法及系统
CN109725119B (zh) * 2018-12-13 2021-04-23 南方科技大学 水质信息处理方法、系统、存储介质及计算机设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101786721A (zh) * 2010-02-05 2010-07-28 重庆大学 城市污水处理厂出水有机物浓度的随机过程预测方法
CN104155423A (zh) * 2014-08-08 2014-11-19 天津大学 一种变权组合的景观水水质预警方法
CN104535733A (zh) * 2014-12-18 2015-04-22 西安建筑科技大学 一种基于灰色聚类分析法的城市内湖水环境功能指标评价方法
CN105095997A (zh) * 2015-07-30 2015-11-25 浙江大学 基于蒙特卡洛和层次分析法的突发性水污染事故预警方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9582775B2 (en) * 2012-12-10 2017-02-28 International Business Machines Corporation Techniques for iterative reduction of uncertainty in water distribution networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101786721A (zh) * 2010-02-05 2010-07-28 重庆大学 城市污水处理厂出水有机物浓度的随机过程预测方法
CN104155423A (zh) * 2014-08-08 2014-11-19 天津大学 一种变权组合的景观水水质预警方法
CN104535733A (zh) * 2014-12-18 2015-04-22 西安建筑科技大学 一种基于灰色聚类分析法的城市内湖水环境功能指标评价方法
CN105095997A (zh) * 2015-07-30 2015-11-25 浙江大学 基于蒙特卡洛和层次分析法的突发性水污染事故预警方法

Also Published As

Publication number Publication date
CN106354940A (zh) 2017-01-25

Similar Documents

Publication Publication Date Title
CN106354940B (zh) 基于wasp水质模型不确定性输入的景观水水质模拟与预警方法
WO2021120788A1 (zh) 一种基于机器学习的水文预报精度评价方法及系统
Yang et al. A concrete dam deformation prediction method based on LSTM with attention mechanism
CN104732303A (zh) 一种基于动态径向基函数神经网络的油田产量预测方法
Wagener et al. Dynamic identifiability analysis of the transient storage model for solute transport in rivers
Zou et al. Use of skew-normal and skew-t distributions for mixture modeling of freeway speed data
Lafdani et al. Research article daily rainfall-runoff prediction and simulation using ANN, ANFIS and conceptual hydrological MIKE11/NAM models
Wu et al. Real-time prediction of the water accumulation process of urban stormy accumulation points based on deep learning
CN114418321A (zh) 一种基于物联网的水库大坝群实时预警可视化集成监控系统
CN113962465A (zh) 降水预报方法、设备、装置及存储介质
CN108615098A (zh) 基于贝叶斯生存分析的供水管网管道爆管风险预测方法
CN103353295A (zh) 一种精确预测大坝坝体垂直变形量的方法
CN103218664A (zh) 一种基于小波神经网络的告警权值确定方法
CN106779222A (zh) 机场地面等待时间预测方法及装置
Liu et al. Using a Bayesian probabilistic forecasting model to analyze the uncertainty in real-time dynamic control of the flood limiting water level for reservoir operation
CN105912775B (zh) 桥梁动态称重系统车辆轴重数据的多模态建模方法
CN102122004A (zh) 铁路防灾风预测方法
He et al. An Improved Coupling Model of Grey-System and Multivariate Linear Regression for Water Consumption Forecasting.
CN106326191A (zh) 一种基于天气预报描述性数据量化日照时数的方法
CN103475527B (zh) 一种网管故障可信度分析系统及方法
CN110852610A (zh) 基于马尔科夫模型的路桥隧健康状态与养护费用测算方法
Janál et al. Fuzzy model used for the prediction of a state of emergency for a river basin in the case of a flash flood-PART 2
Wang et al. The forecast of gold price based on the GM (1, 1) and Markov chain
Mo et al. How to construct a prediction model for highway traffic accidents under extreme weather conditions.
Xing et al. Nash model parameter uncertainty analysis by AM-MCMC based on BFS and probabilistic flood forecasting

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190625

Termination date: 20210830