CN108830425A - 水库水质预测系统及方法 - Google Patents

水库水质预测系统及方法 Download PDF

Info

Publication number
CN108830425A
CN108830425A CN201810675644.9A CN201810675644A CN108830425A CN 108830425 A CN108830425 A CN 108830425A CN 201810675644 A CN201810675644 A CN 201810675644A CN 108830425 A CN108830425 A CN 108830425A
Authority
CN
China
Prior art keywords
water quality
reservoir
prediction
data
measured
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.)
Pending
Application number
CN201810675644.9A
Other languages
English (en)
Inventor
苗竹
叶照金
吕正勇
冯国杰
宋登慧
任贝
朱湖地
李淑彩
范吉强
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.)
Beijing Geoenviron Engineering and Technology Inc
Original Assignee
Beijing Geoenviron Engineering and Technology Inc
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 Beijing Geoenviron Engineering and Technology Inc filed Critical Beijing Geoenviron Engineering and Technology Inc
Priority to CN201810675644.9A priority Critical patent/CN108830425A/zh
Publication of CN108830425A publication Critical patent/CN108830425A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种水库水质预测系统及方法，该系统包括：水质监测装置监测监测点的水质指标监测数据和藻类生长特征数据；水质预测装置接收水质指标监测数据和藻类生长特征数据，对水质指标监测数据和藻类生长特征数据进行分析，得到水库水质预测模型，并根据水质指标监测数据，藻类生长特征数据和水库水质预测模型对待测水库的水质进行预测，得到预测数据；预警分级装置接收预测数据，根据预测数据确定目标预警等级，并显示目标预警等级。该系统能对待测水库的水质进行预测，能够在发生水华事件前提前预警，以提示相关人员提前采取应对措施，便于对水库水质的管理，缓解了目前对于水库的检测存在滞后性的技术问题。

Description

水库水质预测系统及方法
技术领域
本发明涉及水污染治理的技术领域，尤其是涉及一种水库水质预测系统及方法。
背景技术
如今湖库已经成为城市的重要水源，水库的水质安全直接影响着城市居民的健康和城市经济的发展。然而，随着面源污染的进一步加剧，进入水库的污染物急剧增加，使得众多湖库水体水质不断恶化，水质安全得不到保证。同时，水库污染源复杂而多样，而且污染物进入水体后，会随水流运动发生迁移、转化，由于水库体量大，水体水质要素在空间分布上存在差异，同时由于不同季节水文、气象等条件的影响，水体水质状态是动态连续变化的。
国内研究表明，叶绿素a含量、蓝藻密度可以反映水质状况，是判断水体富营养化的重要指标。水体富营养化影响因素复杂而多样，其中最重要的影响因素是氮素和磷素，其中磷的作用远大于氮，另外还跟水温、溶解氧、生化需氧量、氨氮、高锰酸盐指数等有关。水体富营养化的标志便是水体藻类发生水华现象。
现有技术中，在对水库水质进行检测时，一般是检测水库中的蓝藻密度和叶绿素a的浓度，当水库中的蓝藻密度或叶绿素a的浓度达到预设阈值后，确定水库中发生了蓝藻水华事件，然后，再采取应急措施，这样，不但会产生大量的经济损失，而且应急措施的效果会大打折扣。
为了控制水质安全，减少因水质恶化带来的经济损失和不良影响，采用科学、先进的手段对水质进行预警就显得十分必要，特别是对于城市大中型供水水库而言，水华预警对于保障居民的饮用水安全具有非常重要的意义。
但是，目前还没有对水库水华预警方面的研究，对于水库的检测还停留在发生水华事件后再采取应对措施的层面，存在滞后性。
发明内容
有鉴于此，本发明的目的在于提供一种水库水质预测系统及方法，以缓解目前对于水库的检测存在滞后性的技术问题。
第一方面，本发明实施例提供了一种水库水质预测系统，所述系统包括：水质监测装置，水质预测装置和预警分级装置；
所述水质监测装置设置于待测水库的监测点的位置，用于监测所述监测点的水质指标监测数据和藻类生长特征数据，其中，所述水质指标监测数据至少包括：水温数据，pH值数据，溶解氧数据，高锰酸盐指数，氨氮浓度，总磷浓度，总氮浓度，所述藻类生长特征数据包括：叶绿素a浓度，蓝藻密度；
所述水质预测装置与所述水质监测装置连接，用于接收所述水质监测装置发送的水质指标监测数据和所述藻类生长特征数据，对所述水质指标监测数据和所述藻类生长特征数据进行分析，以建立得到水库水质预测模型，并根据所述水质指标监测数据，所述藻类生长特征数据和所述水库水质预测模型对所述待测水库的水质进行预测，得到预测数据；
所述预警分级装置与所述水质预测装置连接，用于接收所述水质预测装置发送的所述预测数据，根据所述预测数据确定目标预警等级，并显示所述目标预警等级。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述系统还包括：布点装置；
所述布点装置用于根据所述待测水库的基本信息确定对所述待测水库进行监测的所述监测点的位置，以在所述监测点布置所述水质监测装置，其中，所述基本信息包括：所述待测水库的面积，所述待测水库的体量，所述待测水库的水深，所述待测水库的对照断面，所述待测水库的净化断面，所述待测水库的控制断面，所述待测水库的背景断面。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述水质监测装置包括：pH计，溶解仪，氮磷连续流动分析仪，总氮分析仪，光度计，水质检测仪，显微镜和紫外分光光度计；
所述pH计用于检测所述待测水库的pH值数据；
所述溶解仪用于检测所述待测水库的溶解氧数据；
所述氮磷连续流动分析仪用于检测所述待测水库的氨氮浓度；
所述总氮分析仪用于检测所述待测水库的总氮浓度；
所述光度计用于检测所述待测水库的的高锰酸盐指数和总磷浓度；
所述水质检测仪用于检测所述待测水库的水温数据；
所述显微镜用于检测所述待测水库的藻类的种类和藻种密度；
所述紫外分光光度计用于检测所述待测水库的叶绿素a浓度。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述预警分级装置包括：等级确定模块和警示输出模块；
所述等级确定模块用于接收所述预测数据，将所述预测数据与预设预警分级范围进行匹配，根据匹配结果确定所述预测数据所属的目标预警等级；
所述警示输出模块与所述等级确定模块连接，用于接收所述目标预警等级，根据预警等级与预设显示方式之间的对应关系，确定与所述目标预警等级所对应的目标显示方式，以通过所述目标显示方式显示所述目标预警等级。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述系统还包括：管理装置；
所述管理装置与所述预警分级装置连接，用于接收所述预警分级装置发送的所述目标预警等级，根据预警等级与应急方案之间的对应关系，确定与所述目标预警等级所对应的目标应急方案，并将所述目标应急方案发送至预先设置的处理人员，以使所述处理人员根据所述目标应急方案对所述待测水库进行应急处理。
结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述水质预测装置包括：数据接收模块，预测模型建立模块和分析模块；
所述数据接收模块用于接收所述水质监测装置发送的所述水质指标监测数据和所述藻类生长特征数据；
所述预测模型建立模块与所述数据接收模块连接，用于接收所述水质指标监测数据和所述藻类生长特征数据，对所述水质指标监测数据和所述藻类生长特征数据进行分析，以建立得到所述水库水质预测模型；
所述分析模块分别与所述数据接收模块，所述预测模型建立模块连接，用于接收所述水质指标监测数据，所述藻类生长特征数据，并调取所述水库水质预测模型基于所述水质指标监测数据和所述藻类生长特征数据对所述待测水库的水质进行预测，得到所述预测数据。
第二方面，本发明实施例还提供了一种水库水质预测方法，应用于上述第一方面中所述的水质预测装置，所述方法包括：
获取水质监测装置对待测水库监测后发送的水质指标监测数据和藻类生长特征数据，其中，所述水质指标监测数据至少包括：水温数据，pH值数据，溶解氧数据，高锰酸盐指数，氨氮浓度，总磷浓度，总氮浓度，所述藻类生长特征数据包括：叶绿素a浓度，蓝藻密度；
对所述水质指标监测数据和所述藻类生长特征数据进行分析，以建立得到水库水质预测模型；
根据所述水质指标监测数据，所述藻类生长特征数据和所述水库水质预测模型对所述待测水库的水质进行预测，得到预测数据，并将所述预测数据发送至预警分级装置，以使所述预警分级装置根据所述预测数据确定目标预警等级，并显示所述目标预警等级。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，对所述水质指标监测数据和所述藻类生长特征数据进行分析，以建立得到水库水质预测模型包括：
将每一种所述水质指标监测数据分别与所述蓝藻密度进行拟合分析，根据拟合分析结果确定所述待测水库的主要影响因素和所述待测水库的多元非线性模型；
采用SPSS对所述拟合分析结果和所述主要影响因素所对应的水质指标监测数据进行分析，确定得到所述多元非线性模型中的参数估计值，以得到以蓝藻密度作为水库水质预测指标的预测模型；
将所述预测模型作为所述水库水质预测模型。
结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，将每一种所述水质指标监测数据分别与所述蓝藻密度进行拟合分析，根据拟合分析结果确定所述待测水库的主要影响因素和所述待测水库的多元非线性模型包括：
通过EXCEL或ORIGIN将每一种所述水质指标监测数据与所述蓝藻密度进行拟合分析，得到拟合分析结果，其中，所述拟合分析结果中包括：每一种所述水质指标监测数据与所述蓝藻密度之间的拟合方程，所述拟合方程所对应的相关系数；
将所述拟合分析结果中的相关系数与预设阈值进行对比，将大于所述预设阈值的相关系数所对应的水质指标监测数据的类型作为所述待测水库的所述主要影响因素，并根据所述拟合分析结果中的拟合方程确定所述多元非线性模型，其中，所述主要影响因素为相对于所述蓝藻密度的主要影响因素。
结合第二方面，本发明实施例提供了第二方面的第三种可能的实施方式，其中，采用SPSS对所述拟合分析结果和所述主要影响因素所对应的水质指标监测数据进行分析，确定得到所述多元非线性模型中的参数估计值包括：
采用所述SPSS对所述拟合分析结果和所述主要影响因素所对应的水质指标监测数据进行分析，确定得到所述多元非线性模型中的参数估计值和所述参数估计值所对应的目标相关系数；
将所述参数估计值代入所述多元非线性模型中，得到预测方程，并将所述预测方程和所述目标相关系数作为所述预测模型。
本发明实施例带来了以下有益效果：
目前，对于水库的检测还停留在发生水华事件后再采取应对措施的层面，存在滞后性。与现有的水库检测相比，本发明的水库水质预测系统中，水质监测装置监测水质指标监测数据和藻类生长特征数据，并将水质指标监测数据和藻类生长特征数据发送至水质预测装置，进而水质预测装置对水质指标监测数据和藻类生长特征数据进行分析，以建立得到水库水质预测模型，并根据水质指标监测数据，藻类生长特征数据和水库水质预测模型对待测水库的水质进行预测，得到预测数据，最终，预警分级装置根据预测数据确定目标预警等级，并显示目标预警等级。该系统能对待测水库的水质进行预测，能够在发生水华事件前提前预警，以提示相关人员提前采取应对措施，节省了后期治理的成本，保证了通过水库用水的居民的饮水安全，便于对水库水质的管理，缓解了目前对于水库的检测存在滞后性的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种水库水质预测系统的示意图；
图2为本发明实施例提供的另一种水库水质预测系统的示意图；
图3为本发明实施例提供的一种水库水质预测方法的流程图；
图4为本发明实施例提供的水库水质预测模型对待测水库水质进行预测得到的预测数据与实测数据之间的对比图。
图标：
11-水质监测装置；12-水质预测装置；13-预警分级装置；14-管理装置；111-pH计；112-溶解仪；113-氮磷连续流动分析仪；114-总氮分析仪；115-光度计；116-水质检测仪；117-显微镜；118-紫外分光光度计；121-数据接收模块；122-预测模型建立模块；123-分析模块；131-等级确定模块；132-警示输出模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种水库水质预测系统进行详细介绍。
实施例一：
一种水库水质预测系统，参考图1，该系统包括：水质监测装置11，水质预测装置12和预警分级装置13；
水质监测装置11设置于待测水库的监测点的位置，用于监测监测点的水质指标监测数据和藻类生长特征数据，其中，水质指标监测数据至少包括：水温数据，pH值数据，溶解氧数据，高锰酸盐指数，氨氮浓度，总磷浓度，总氮浓度，藻类生长特征数据包括：叶绿素a浓度，蓝藻密度；
水质预测装置12与水质监测装置11连接，用于接收水质监测装置11发送的水质指标监测数据和藻类生长特征数据，对水质指标监测数据和藻类生长特征数据进行分析，以建立得到水库水质预测模型，并根据水质指标监测数据，藻类生长特征数据和水库水质预测模型对待测水库的水质进行预测，得到预测数据；
预警分级装置13与水质预测装置12连接，用于接收水质预测装置12发送的预测数据，根据预测数据确定目标预警等级，并显示目标预警等级。
在本发明实施例中，水质监测装置11设置于待测水库的监测点的位置，监测监测点的水质指标监测数据和藻类生长特征数据，并将水质指标监测数据和藻类生长特征数据发送至与其连接的水质预测装置12。
水质预测装置12接收水质监测装置11发送的水质指标监测数据和所述藻类生长特征数据，对水质指标监测数据和藻类生长特征数据进行分析，以建立得到水库水质预测模型。具体的，该水库水质预测模型是对大量的水质指标监测数据和藻类生长特征数据进行分析建立的，至少为一年的监测数据。另外，数据量越大，建立得到的水库水质预测模型越准确。
在建立得到水库水质预测模型后，根据水质指标监测数据，藻类生长特征数据和水库水质预测模型对待测水库的水质进行预测，得到预测数据。具体的，预测数据中包含各水质指标的预测数据，也包含藻类生长特征的预测数据。
比如已经得到了连续10年的监测数据，并根据该10年的监测数据得到了水库水质预测模型，就能根据这些信息得到第11年第1个月的预测数据；同时，在得到第11年第1个月的实际监测数据后，再用该实际监测数据对水库水质预测模型进行优化，确保模型的准确性和可靠性。
在得到预测数据后，水质预测装置12将预测数据发送至预警分级装置13，进而预警分级装置13根据预测数据确定目标预警等级，并显示目标预警等级。
目前，对于水库的检测还停留在发生水华事件后再采取应对措施的层面，存在滞后性。与现有的水库检测相比，本发明的水库水质预测系统中，水质监测装置11监测水质指标监测数据和藻类生长特征数据，并将水质指标监测数据和藻类生长特征数据发送至水质预测装置12，进而水质预测装置12对水质指标监测数据和藻类生长特征数据进行分析，以建立得到水库水质预测模型，并根据水质指标监测数据，藻类生长特征数据和水库水质预测模型对待测水库的水质进行预测，得到预测数据，最终，预警分级装置13根据预测数据确定目标预警等级，并显示目标预警等级。该系统能对待测水库的水质进行预测，能够在发生水华事件前提前预警，以提示相关人员提前采取应对措施，节省了后期治理的成本，保证了通过水库用水的居民的饮水安全，便于对水库水质的管理，缓解了目前对于水库的检测存在滞后性的技术问题。
上述内容对本发明的水库水质预测系统进行了简要介绍，下面对其中涉及到的具体内容进行详细介绍。
在一个可选地实施方式中，该系统还包括：布点装置；
布点装置用于根据待测水库的基本信息确定对待测水库进行监测的监测点的位置，以在监测点布置水质监测装置11，其中，基本信息包括：待测水库的面积，待测水库的体量，待测水库的水深，待测水库的对照断面，待测水库的净化断面，待测水库的控制断面，待测水库的背景断面。
具体的，监测点依据水库自然地理情况、气象水文情况及农业发展情况资料确定，于待测水库不同空间位置进行多点监测。
其中，如果待测水库存在对照断面，在对照断面处设置一个监测点，另外，可根据待测水库的主流段和直流段酌情增加对照断面的监测点；对于净化断面，根据水库流域情况，监测点于污染减缓处设置，如存在工厂，一般于其排污口1500m外设置；控制断面，与水库周边的污染源有关，一般于污染源下游500-1000m布点；背景断面，根据水库大小确定，采用垂线布点。采用上述的空间定位监测法监测待测水库的水质动态变化特征，即选择在待测水库不同空间位置设置水质采样监测点，在本发明实施例中，监测点的数量为7个，本发明实施例对其不进行具体限制。
在一个可选地实时方式中，参考图2，水质监测装置11包括：pH计111，溶解仪112，氮磷连续流动分析仪113，总氮分析仪114，光度计115，水质检测仪116，显微镜117和紫外分光光度计118115；
pH计111用于检测待测水库的pH值数据；
溶解仪112用于检测待测水库的溶解氧数据；
氮磷连续流动分析仪113用于检测待测水库的氨氮浓度；
总氮分析仪114用于检测待测水库的总氮浓度；
光度计115用于检测待测水库的的高锰酸盐指数和总磷浓度；
水质检测仪116用于检测待测水库的水温数据；
显微镜117用于检测待测水库的藻类的种类和藻种密度；
紫外分光光度计118115用于检测待测水库的叶绿素a浓度。
具体的，pH计111为Seven Excellence pH计；溶解仪112为550A溶解仪；光度计115包括钼锑分光光度计和高锰酸钾氧化光度计，其中，钼锑分光光度计用于检测待测水库的总磷浓度，高锰酸钾氧化光度计用于检测待测水库的高锰酸盐指数；水质检测仪116为HydrolabD55多功能水质检测仪。当然，本发明实施例对上述装置不进行具体限制。
在一个可选地实施方式中，参考图2，预警分级装置13包括：等级确定模块131和警示输出模块132；
等级确定模块131用于接收预测数据，将预测数据与预设预警分级范围进行匹配，根据匹配结果确定预测数据所属的目标预警等级；
警示输出模块132与等级确定模块131连接，用于接收目标预警等级，根据预警等级与预设显示方式之间的对应关系，确定与目标预警等级所对应的目标显示方式，以通过目标显示方式显示目标预警等级。
具体的，预设预警分级范围如表1所示：
表1
预警等级 蓝藻密度(万个/L)
无警(蓝色) ＜50
轻警(绿色) 50～200
中警(黄色) 200～500
重警(橙色) 500～1000
巨警(红色) ＞1000
比如，预测数据中蓝藻密度为20万个/L，那么目标预警等级为无警等级。
进而警示输出模块132根据预警等级与预设显示方式之间的对应关系，确定与目标预警等级所对应的目标显示方式。如上述举例可知，目标显示方式为显示蓝色，就是通过蓝灯的方式显示目标预警等级。
在一个可选地实施方式中，参考图2，该系统还包括：管理装置14；
管理装置14与预警分级装置13连接，用于接收预警分级装置13发送的目标预警等级，根据预警等级与应急方案之间的对应关系，确定与目标预警等级所对应的目标应急方案，并将目标应急方案发送至预先设置的处理人员，以使处理人员根据目标应急方案对待测水库进行应急处理。
具体的，预警等级与应急方案之间存在对应关系，在得到目标预警等级后，就能确定与目标预警等级所对应的目标应急方案，进而将目标应急方案发送至预先设置的处理人员，以使处理人员根据目标应急方案对待测水库进行应急处理。
在一个可选地实施方式中，参考图2，水质预测装置12包括：数据接收模块121，预测模型建立模块122和分析模块123；
数据接收模块121用于接收水质监测装置11发送的水质指标监测数据和藻类生长特征数据；
预测模型建立模块122与数据接收模块121连接，用于接收水质指标监测数据和藻类生长特征数据，对水质指标监测数据和藻类生长特征数据进行分析，以建立得到水库水质预测模型；
分析模块123分别与数据接收模块121，预测模型建立模块122连接，用于接收水质指标监测数据，藻类生长特征数据，并调取水库水质预测模型基于水质指标监测数据和藻类生长特征数据对待测水库的水质进行预测，得到预测数据。
本发明的水库水质预测系统，可对监测数据进行合理化挖掘，并对水库蓝藻水化情况进行准确预警，根据五级分类警情确定水库未来水质情况，以在水库水质恶化前进行及时的应急管理，能够保障水库水质安全，以克服以往蓝藻水化爆发后才采取被动性管理、管理滞后等困难。随着监测数据的增加和完善，预测结果会越发准确和稳定，实现对水库水质管理决策进行支撑。
实施例二：
一种水库水质预测方法，应用于上述实施例一中的水质预测装置，参考图3，该方法包括：
S302、获取水质监测装置对待测水库监测后发送的水质指标监测数据和藻类生长特征数据，其中，水质指标监测数据至少包括：水温数据，pH值数据，溶解氧数据，高锰酸盐指数，氨氮浓度，总磷浓度，总氮浓度，藻类生长特征数据包括：叶绿素a浓度，蓝藻密度；
S304、对水质指标监测数据和藻类生长特征数据进行分析，以建立得到水库水质预测模型；
S306、根据水质指标监测数据，藻类生长特征数据和水库水质预测模型对待测水库的水质进行预测，得到预测数据，并将预测数据发送至预警分级装置，以使预警分级装置根据预测数据确定目标预警等级，并显示目标预警等级。
在一个可选地实施方式中，对水质指标监测数据和藻类生长特征数据进行分析，以建立得到水库水质预测模型包括：
(1)将每一种水质指标监测数据分别与蓝藻密度进行拟合分析，根据拟合分析结果确定待测水库的主要影响因素和待测水库的多元非线性模型；
具体的，(11)通过EXCEL或ORIGIN将每一种水质指标监测数据与蓝藻密度进行拟合分析，得到拟合分析结果，其中，拟合分析结果中包括：每一种水质指标监测数据与蓝藻密度之间的拟合方程，拟合方程所对应的相关系数；
(12)将拟合分析结果中的相关系数与预设阈值进行对比，将大于预设阈值的相关系数所对应的水质指标监测数据的类型作为待测水库的主要影响因素，并根据拟合分析结果中的拟合方程确定多元非线性模型，其中，
主要影响因素为相对于蓝藻密度的主要影响因素。
(2)采用SPSS对拟合分析结果和主要影响因素所对应的水质指标监测数据进行分析，确定得到多元非线性模型中的参数估计值，以得到以蓝藻密度作为水库水质预测指标的预测模型；
具体的，(21)采用SPSS对拟合分析结果和主要影响因素所对应的水质指标监测数据进行分析，确定得到多元非线性模型中的参数估计值和参数估计值所对应的目标相关系数；
(22)将参数估计值代入多元非线性模型中，得到预测方程，并将预测方程和目标相关系数作为预测模型。
以浙江某待测水库为研究对象，得到的预测模型为：
Algae density＝6967.676-25944.846×x1+197.105×x2-7620.645×x3-970.688×x4-7477.671×x5
-1390.080×x1 2-5.416×x2 2+2024.947×x3 2+272.954×x4 2+22669.850×x5 2
，R2＝0.9390(P<0.01)。
其中，x1表示总磷浓度，x2表示水温，x3表示高锰酸盐指数，x4表示总氮浓度，x5表示氨氮浓度，它们为主要影响因素，R2＝0.9390为目标相关系数。
(3)将预测模型作为水库水质预测模型。
参考图4，图4为通过水库水质预测模型对待测水库水质进行预测得到的预测数据与实测数据之间的对比图。结合表2可知，蓝藻密度预测值与实测值变化趋势基本一致，相关性较好，预测值的平均绝对误差为8.22万个/L，平均相对误差-1.08％。
表2
表3为预测数据与实测数据之间预警结果的对比表格，从中可以得到，预警的准确性好，可靠性高。根据预警结果能够指导水库水质管理及污染治理工作，意义重大，比如削减水库上游肥料的施用、管理耕作方式、关停部分污染企业、绿化带修建等。
表3
本发明实施例所提供的水库水质预测系统及方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种水库水质预测系统，其特征在于，所述系统包括：水质监测装置，水质预测装置和预警分级装置；
所述水质监测装置设置于待测水库的监测点的位置，用于监测所述监测点的水质指标监测数据和藻类生长特征数据，其中，所述水质指标监测数据至少包括：水温数据，pH值数据，溶解氧数据，高锰酸盐指数，氨氮浓度，总磷浓度，总氮浓度，所述藻类生长特征数据包括：叶绿素a浓度，蓝藻密度；
所述水质预测装置与所述水质监测装置连接，用于接收所述水质监测装置发送的水质指标监测数据和所述藻类生长特征数据，对所述水质指标监测数据和所述藻类生长特征数据进行分析，以建立得到水库水质预测模型，并根据所述水质指标监测数据，所述藻类生长特征数据和所述水库水质预测模型对所述待测水库的水质进行预测，得到预测数据；
所述预警分级装置与所述水质预测装置连接，用于接收所述水质预测装置发送的所述预测数据，根据所述预测数据确定目标预警等级，并显示所述目标预警等级。
2.根据权利要求1所述的系统，其特征在于，所述系统还包括：布点装置；
所述布点装置用于根据所述待测水库的基本信息确定对所述待测水库进行监测的所述监测点的位置，以在所述监测点布置所述水质监测装置，其中，所述基本信息包括：所述待测水库的面积，所述待测水库的体量，所述待测水库的水深，所述待测水库的对照断面，所述待测水库的净化断面，所述待测水库的控制断面，所述待测水库的背景断面。
3.根据权利要求1所述的系统，其特征在于，所述水质监测装置包括：pH计，溶解仪，氮磷连续流动分析仪，总氮分析仪，光度计，水质检测仪，显微镜和紫外分光光度计；
所述pH计用于检测所述待测水库的pH值数据；
所述溶解仪用于检测所述待测水库的溶解氧数据；
所述氮磷连续流动分析仪用于检测所述待测水库的氨氮浓度；
所述总氮分析仪用于检测所述待测水库的总氮浓度；
所述光度计用于检测所述待测水库的的高锰酸盐指数和总磷浓度；
所述水质检测仪用于检测所述待测水库的水温数据；
所述显微镜用于检测所述待测水库的藻类的种类和藻种密度；
所述紫外分光光度计用于检测所述待测水库的叶绿素a浓度。
4.根据权利要求1所述的系统，其特征在于，所述预警分级装置包括：等级确定模块和警示输出模块；
所述等级确定模块用于接收所述预测数据，将所述预测数据与预设预警分级范围进行匹配，根据匹配结果确定所述预测数据所属的目标预警等级；
所述警示输出模块与所述等级确定模块连接，用于接收所述目标预警等级，根据预警等级与预设显示方式之间的对应关系，确定与所述目标预警等级所对应的目标显示方式，以通过所述目标显示方式显示所述目标预警等级。
5.根据权利要求1所述的系统，其特征在于，所述系统还包括：管理装置；
所述管理装置与所述预警分级装置连接，用于接收所述预警分级装置发送的所述目标预警等级，根据预警等级与应急方案之间的对应关系，确定与所述目标预警等级所对应的目标应急方案，并将所述目标应急方案发送至预先设置的处理人员，以使所述处理人员根据所述目标应急方案对所述待测水库进行应急处理。
6.根据权利要求1所述的系统，其特征在于，所述水质预测装置包括：数据接收模块，预测模型建立模块和分析模块；
所述数据接收模块用于接收所述水质监测装置发送的所述水质指标监测数据和所述藻类生长特征数据；
所述预测模型建立模块与所述数据接收模块连接，用于接收所述水质指标监测数据和所述藻类生长特征数据，对所述水质指标监测数据和所述藻类生长特征数据进行分析，以建立得到所述水库水质预测模型；
所述分析模块分别与所述数据接收模块，所述预测模型建立模块连接，用于接收所述水质指标监测数据，所述藻类生长特征数据，并调取所述水库水质预测模型基于所述水质指标监测数据和所述藻类生长特征数据对所述待测水库的水质进行预测，得到所述预测数据。
7.一种水库水质预测方法，其特征在于，应用于所述权利要求1至6中任一项所述的水质预测装置，所述方法包括：
获取水质监测装置对待测水库监测后发送的水质指标监测数据和藻类生长特征数据，其中，所述水质指标监测数据至少包括：水温数据，pH值数据，溶解氧数据，高锰酸盐指数，氨氮浓度，总磷浓度，总氮浓度，所述藻类生长特征数据包括：叶绿素a浓度，蓝藻密度；
对所述水质指标监测数据和所述藻类生长特征数据进行分析，以建立得到水库水质预测模型；
根据所述水质指标监测数据，所述藻类生长特征数据和所述水库水质预测模型对所述待测水库的水质进行预测，得到预测数据，并将所述预测数据发送至预警分级装置，以使所述预警分级装置根据所述预测数据确定目标预警等级，并显示所述目标预警等级。
8.根据权利要求7所述的方法，其特征在于，对所述水质指标监测数据和所述藻类生长特征数据进行分析，以建立得到水库水质预测模型包括：
将每一种所述水质指标监测数据分别与所述蓝藻密度进行拟合分析，根据拟合分析结果确定所述待测水库的主要影响因素和所述待测水库的多元非线性模型；
采用SPSS对所述拟合分析结果和所述主要影响因素所对应的水质指标监测数据进行分析，确定得到所述多元非线性模型中的参数估计值，以得到以蓝藻密度作为水库水质预测指标的预测模型；
将所述预测模型作为所述水库水质预测模型。
9.根据权利要求8所述的方法，其特征在于，将每一种所述水质指标监测数据分别与所述蓝藻密度进行拟合分析，根据拟合分析结果确定所述待测水库的主要影响因素和所述待测水库的多元非线性模型包括：
通过EXCEL或ORIGIN将每一种所述水质指标监测数据与所述蓝藻密度进行拟合分析，得到拟合分析结果，其中，所述拟合分析结果中包括：每一种所述水质指标监测数据与所述蓝藻密度之间的拟合方程，所述拟合方程所对应的相关系数；
将所述拟合分析结果中的相关系数与预设阈值进行对比，将大于所述预设阈值的相关系数所对应的水质指标监测数据的类型作为所述待测水库的所述主要影响因素，并根据所述拟合分析结果中的拟合方程确定所述多元非线性模型，其中，所述主要影响因素为相对于所述蓝藻密度的主要影响因素。
10.根据权利要求8所述的方法，其特征在于，采用SPSS对所述拟合分析结果和所述主要影响因素所对应的水质指标监测数据进行分析，确定得到所述多元非线性模型中的参数估计值包括：
采用所述SPSS对所述拟合分析结果和所述主要影响因素所对应的水质指标监测数据进行分析，确定得到所述多元非线性模型中的参数估计值和所述参数估计值所对应的目标相关系数；
将所述参数估计值代入所述多元非线性模型中，得到预测方程，并将所述预测方程和所述目标相关系数作为所述预测模型。
CN201810675644.9A 2018-06-26 2018-06-26 水库水质预测系统及方法 Pending CN108830425A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810675644.9A CN108830425A (zh) 2018-06-26 2018-06-26 水库水质预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810675644.9A CN108830425A (zh) 2018-06-26 2018-06-26 水库水质预测系统及方法

Publications (1)

Publication Number Publication Date
CN108830425A true CN108830425A (zh) 2018-11-16

Family

ID=64137837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810675644.9A Pending CN108830425A (zh) 2018-06-26 2018-06-26 水库水质预测系统及方法

Country Status (1)

Country Link
CN (1) CN108830425A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135622A (zh) * 2019-04-12 2019-08-16 山东开创云软件有限公司 一种河水水质污染预测方法和装置
CN110210070A (zh) * 2019-05-09 2019-09-06 东北农业大学 一种流域水环境生态安全预警方法及系统
CN110297034A (zh) * 2019-06-12 2019-10-01 重庆工商大学融智学院 一种城市生态环境的动态变化及预测方法
CN110456722A (zh) * 2019-08-14 2019-11-15 安徽中青检验检测有限公司 一种湖水水质监控与预测系统
CN110926529A (zh) * 2019-11-21 2020-03-27 中国农业科学院北京畜牧兽医研究所 一种畜禽直饮水水质实时监测方法
CN111103416A (zh) * 2019-12-30 2020-05-05 重庆商勤科技有限公司 一种水源污染预警方法及系统
CN111122816A (zh) * 2019-12-30 2020-05-08 重庆商勤科技有限公司 基于在线监测与图像识别相结合的水华预警系统及方法
CN112990614A (zh) * 2021-05-21 2021-06-18 芯视界（北京）科技有限公司 水华检测方法及装置、电子设备和存储介质
CN114485781A (zh) * 2021-12-30 2022-05-13 常州市环境科学研究院 一种用于浅水湖泊的沉浮式蓝藻水华监测系统及预报方法
CN114858221A (zh) * 2022-07-05 2022-08-05 中国长江三峡集团有限公司 一种基于水域营养状态预测的水华智能预警系统及方法
CN118071029A (zh) * 2024-04-17 2024-05-24 江西省水务集团有限公司 一种基于水质数字信息的水务监测治理管理平台

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110212479A1 (en) * 2007-08-10 2011-09-01 William Rodgers Measurement of sequestered carbon
CN103018418A (zh) * 2012-12-16 2013-04-03 天津大学 景观水体水质在线预警系统
CN104899419A (zh) * 2015-04-28 2015-09-09 清华大学 一种淡水水体中氮和/或磷含量检测的方法
CN106295121A (zh) * 2016-07-21 2017-01-04 天津大学 景观湖泊贝叶斯水质风险预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110212479A1 (en) * 2007-08-10 2011-09-01 William Rodgers Measurement of sequestered carbon
CN103018418A (zh) * 2012-12-16 2013-04-03 天津大学 景观水体水质在线预警系统
CN104899419A (zh) * 2015-04-28 2015-09-09 清华大学 一种淡水水体中氮和/或磷含量检测的方法
CN106295121A (zh) * 2016-07-21 2017-01-04 天津大学 景观湖泊贝叶斯水质风险预测方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135622B (zh) * 2019-04-12 2021-05-04 山东开创云计算有限公司 一种河水水质污染预测方法和装置
CN110135622A (zh) * 2019-04-12 2019-08-16 山东开创云软件有限公司 一种河水水质污染预测方法和装置
CN110210070A (zh) * 2019-05-09 2019-09-06 东北农业大学 一种流域水环境生态安全预警方法及系统
CN110297034A (zh) * 2019-06-12 2019-10-01 重庆工商大学融智学院 一种城市生态环境的动态变化及预测方法
CN110297034B (zh) * 2019-06-12 2021-08-27 重庆工商大学融智学院 一种城市生态环境的动态变化及预测方法
CN110456722A (zh) * 2019-08-14 2019-11-15 安徽中青检验检测有限公司 一种湖水水质监控与预测系统
CN110926529A (zh) * 2019-11-21 2020-03-27 中国农业科学院北京畜牧兽医研究所 一种畜禽直饮水水质实时监测方法
CN111122816A (zh) * 2019-12-30 2020-05-08 重庆商勤科技有限公司 基于在线监测与图像识别相结合的水华预警系统及方法
CN111103416A (zh) * 2019-12-30 2020-05-05 重庆商勤科技有限公司 一种水源污染预警方法及系统
CN112990614A (zh) * 2021-05-21 2021-06-18 芯视界（北京）科技有限公司 水华检测方法及装置、电子设备和存储介质
CN114485781A (zh) * 2021-12-30 2022-05-13 常州市环境科学研究院 一种用于浅水湖泊的沉浮式蓝藻水华监测系统及预报方法
CN114858221A (zh) * 2022-07-05 2022-08-05 中国长江三峡集团有限公司 一种基于水域营养状态预测的水华智能预警系统及方法
CN118071029A (zh) * 2024-04-17 2024-05-24 江西省水务集团有限公司 一种基于水质数字信息的水务监测治理管理平台

Similar Documents

Publication Publication Date Title
CN108830425A (zh) 水库水质预测系统及方法
Besmer et al. The feasibility of automated online flow cytometry for in-situ monitoring of microbial dynamics in aquatic ecosystems
CN107990934B (zh) 一种生猪养殖业污水排放的智慧监管系统
Feng et al. Effect of inter-basin water transfer on water quality in an urban lake: A combined water quality index algorithm and biophysical modelling approach
Wu et al. Quality risk analysis for sustainable smart water supply using data perception
CN110057761A (zh) 一种全光谱结合快速易测指标的水质在线监测系统与方法
CN108875230A (zh) 水库水质预测模型的建立方法及装置
CN112418487A (zh) 一种小流域河湖污染物反向精准溯源方法及系统
Rounds Development of a neural network model for dissolved oxygen in the Tualatin River, Oregon
Hu et al. Ecological security assessment and ecological management zoning based on ecosystem services in the West Liao River Basin
CN113970627A (zh) 一种水质监测及预警方法、系统
CN115774953A (zh) 一种基于数据处理的污染时空风险监管评估系统及方法
CN117974404B (zh) 一种水陆协同的陆域污染源分析方法及系统
El-Alfy et al. GIS-based study on the environmental sensitivity to pollution and susceptibility to eutrophication in Burullus Lake, Egypt
TW201014798A (en) Early warning mode for eutrophication of water quality and detection method thereof
Boroumand et al. Semivariance analysis and transinformation entropy for optimal redesigning of nutrients monitoring network in San Francisco bay
CN116502034A (zh) 一种基于无线通讯的河流水文监测系统
CN113607710B (zh) 一种在线监测水质的方法及其应用的装置和系统
JP2001027634A (ja) 水質監視システム
Wu et al. Smart data analysis for water quality in catchment area monitoring
Yan et al. Water bloom precursor analysis based on two direction S-rough set
CN111027893A (zh) 一种河湖水环境健康智能评估预警系统及方法
Clark et al. Measuring the tropic status of lakes sampling protocols
Zhang et al. Using a neural network approach and time series data from an international monitoring station in the Yellow Sea for modeling marine ecosystems
CN117495193A (zh) 一种可视化河湖水域健康生态监督管理显示系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20181116

RJ01 Rejection of invention patent application after publication