CN109063071B - 一种基于拓扑关联的水污染溯源方法及设备 - Google Patents

一种基于拓扑关联的水污染溯源方法及设备 Download PDF

Info

Publication number
CN109063071B
CN109063071B CN201810817592.4A CN201810817592A CN109063071B CN 109063071 B CN109063071 B CN 109063071B CN 201810817592 A CN201810817592 A CN 201810817592A CN 109063071 B CN109063071 B CN 109063071B
Authority
CN
China
Prior art keywords
site
tracing
sites
water quality
pollution
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.)
Active
Application number
CN201810817592.4A
Other languages
English (en)
Other versions
CN109063071A (zh
Inventor
戴晶
蒋圣
谢乾
王吉
汤智城
张彬
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.)
Kunshan Byosoft Electronic Technology Co ltd
Nanjing Byosoft Co ltd
Jiangsu Zhuoyi Information Technology Co ltd
Original Assignee
Kunshan Byosoft Electronic Technology Co ltd
Nanjing Byosoft Co ltd
Jiangsu Zhuoyi Information Technology Co ltd
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 Kunshan Byosoft Electronic Technology Co ltd, Nanjing Byosoft Co ltd, Jiangsu Zhuoyi Information Technology Co ltd filed Critical Kunshan Byosoft Electronic Technology Co ltd
Priority to CN201810817592.4A priority Critical patent/CN109063071B/zh
Publication of CN109063071A publication Critical patent/CN109063071A/zh
Application granted granted Critical
Publication of CN109063071B publication Critical patent/CN109063071B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • Algebra (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Alarm Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于拓扑关联的水污染溯源方法及设备，通过沿流域设置多个水质监测站，并对各个水质监测站进行关联分析及拓扑分析，来对水污染进行溯源。具体方法为：首先基于水质监测站的空间分布，对水质监测站进行拓扑分析，得到水质监测站之间的拓扑结构；并基于历史数据对水质监测站进行关联分析，得到水质监测站之间的关联度；然后结合水质监测站之间的关联度及拓扑关系，对报警站点进行溯源分析，得到可能的溯源点及其概率。本发明能够有效的回溯到污染点，并且具有较好的准确率，能够实际应用于嵌入式设备的开发及环保大数据平台。

Description

一种基于拓扑关联的水污染溯源方法及设备
技术领域
本发明涉及一种基于拓扑关联的水污染溯源方法及设备，属于水环境监测技术领域。
背景技术
由于流域环境的复杂性，对水污染精确溯源难度较大，因此，基于概率的水污染溯源方法是一种常用的方法。根据溯源方法得到多个可能的污染源，并计算其为污染源的概率。文献[1](王家彪,雷晓辉,廖卫红,等.基于耦合概率密度方法的河渠突发水污染溯源[J].水利学报,2015,46(11):1280-1289)提出了一种基于耦合概率密度方法的河渠突发水污染溯源方法，以水动力模型为基础，加入了污染源位置和释放时间等因素。文献[2](杨海东,肖宜,王卓民,等.突发性水污染事件溯源方法[J].水科学进展,2014,25(1):122-129)提出了一种突发性水污染事件溯源方法，将溯源问题归为贝叶斯估计问题，基于历史记录对水污染进行溯源。但是文献[1]和文献[2]的方法需要较多精确的历史溯源数据，此类数据人工收集难度较大。
发明内容
发明目的：针对现有技术中存在的问题，本发明目的在于提供一种基于拓扑关联的水污染溯源方法及设备，用于实现中短距离河流段的水污染溯源，能够有效的回溯到污染发生的区域，并具有较好的准确率。
技术方案：为实现上述发明目的，本发明采用如下技术方案：
一种基于拓扑关联的水污染溯源方法，包括如下步骤：
(1)根据水质监测站点的空间分布建立站点拓扑结构图，并根据历史数据，计算各站点之间的关联度；
(2)获取水质监测站点的实时数据，获得报警站点信息，设置报警站点为当前节点；
(3)根据站点拓扑结构图，判断当前节点的入度，如果当前节点入度为0，则将当前节点判定为可能的溯源点，跳转(6)，如果当前节点入度为1，则跳转步骤(4)，否则，跳转步骤(5)；
(4)判断当前节点的父节点是否报警，如果未报警，则该父节点判定为可能的溯源点，跳转步骤(6)，否则，设置该父节点为当前节点，跳转步骤(3)；
(5)遍历当前节点的父节点，将未报警的父节点判定为可能的溯源点，对于报警的父节点，跳转步骤(3)，对于未报警的父节点，跳转步骤(6)；
(6)统计所有可能的溯源点，并根据报警站点与可能的溯源点的关联度规则计算溯源点为污染源的概率。
作为优选，所述步骤(1)中使用有向无环图DAG表示监测站点之间的拓扑关系，DAG中的顶点代表站点，DAG中的点与点之间的连接包括：上游站点指向下游站点，以及支流站点指向主干站点。
作为优选，通过水流流向传感器监测逆流现象，当发生逆流时，站点拓扑结构图中边做反向变化。
作为优选，所述步骤(1)中采用Apriori算法挖掘站点之间的关联规则，具体过程为：首先对所有水质监测站点的历史监测数据进行水质分类，将大于等于4类水标准的水质数据划分为报警数据，根据站点是否报警判断是否添加项值；然后找出所有的频繁2项集；最后由频繁2项集产生站点与站点之间的关联规则。
作为优选，由频繁2项集产生站点间强关联规则的方法为：设support_count(A)代表项集A出现的次数，最小置信度阈值为min_conf，对于频繁2项集l的每个非空子集s，根据
Figure GDA0001821801480000021
计算其关联置信度，如果置信度大于min_conf，则输出关联规则
Figure GDA0001821801480000022
并得到这两个站点之间的关联度为conf。
作为优选，所述步骤(6)中计算溯源点为污染源的概率的方法为：
假设A站点报警后，溯源到S1，S2，…，Sn共n个站点，设A站点与Si站点的关联度为
Figure GDA0001821801480000023
根据
Figure GDA0001821801480000024
对所有关联度归一化，使得结果满足
Figure GDA0001821801480000025
则归一化后的关联度为站点Si为污染源的概率。
本发明另一方面提供的一种计算机设备，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，所述计算机程序被加载至处理器时实现所述的基于拓扑关联的水污染溯源方法。
有益效果：本发明公开的基于拓扑关联的水污染溯源方法，首先基于水质监测站的空间分布，对水质监测站进行拓扑分析，得到水质监测站之间的拓扑结构；并基于历史数据对水质监测站进行关联分析，得到水质监测站之间的关联度；然后结合水质监测站之间的关联度及拓扑关系，对报警站点进行溯源分析，得到可能的溯源点及其概率。相对于现有技术，本发明方法对硬件设备要求较低，并且前期不需要花费大量人力物力采集数据构建水质模型，对水质环境具有较好的自适应性，适用于各种流域。本发明方法能够有效的回溯到污染发生的区域，并具有较好的准确率，能够实际应用于嵌入式设备的开发和环保大数据平台。
附图说明
图1为本发明实施例的总体流程图。
图2为本发明实施例的水污染溯源方法详细流程图。
图3为本发明实验中水质监测站点分布图。
图4为本发明实验中单污染源溯源结果图。
图5为本发明实验中多污染源溯源结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
如图1所示，本发明实施例公开的一种基于拓扑关联的水污染溯源方法，首先获取水质监测站的空间分布，并对站点建立拓扑结构图；然后获取水质监测站点的历史数据，并基于历史数据对站点进行Apriori关联分析；最后实时获取水质监测站点的最新数据，并结合站点关联分析结果和拓扑结构图，对水质数据报警的站点进行溯源分析。
下面以宜兴地区为例，详细介绍本发明实施例的水污染溯源方法，其中溯源分两种情况：有支流的情况和无支流的情况。结合站点关联规则与站点拓扑结构图，基于污染从上游扩散至下游的规则，对报警站点溯源的方法流程图如图2所示，主要包括如下步骤：
(1)初始化站点拓扑结构图，根据历史数据，计算各站点之间的关联度。
本步骤中使用有向无环图(DAG)来表示监测站点之间的拓扑关系，DAG中的顶点代表站点，DAG中的点与点之间的连接规则为：
(a)上游指向下游。通常情况下，河流从宜兴地区汇入太湖，太湖地区为下游地区，宜兴境内河流为上游，但每年7,8月份时，短期会出现逆流现象。因此，设置水流流向传感器，实时监测逆流现象。当监测到发生逆流现象时，站点拓扑图中的边应做反向变化。
(b)支流到主干。根据宜兴地区实际情况，支流河道应流入主干河道，拓扑图中支流站点指向主干河道站点。
本步骤中使用Apriori算法挖掘站点与站点之间的关联规则，Apriori算法是一种挖掘关联规则的频繁项集算法，关联规则是指两种物品之间可能存在的较强的关系，频繁项集是指经常出现在一起的物品的集合。站点间的关联规则挖掘过程包括：
(a)准备数据。收集所有站点的历史数据。
(b)连续属性离散化。根据地表水环境质量标准(GB3838-2002)，依据地表水水域环境功能和保护目标，按功能高低依次分为5类。本发明根据监测站监测的PH，溶解氧，温度、浊度、电导、COD、氨氮、总磷等参数，按地表水环境质量标准基本项目标准限值，将水质归为5类水中对应类别，并将大于等于4类水标准的水质数据划分为报警数据。根据站点是否报警，来判断是否添加项值Ip(其中p为站点id)。例如假设有5个站点，id分别为1,2,3,4,5，其中2和4为报警站点，则一条记录为(I2，I4)。
(c)找出所有的频繁2项集。
(d)由频繁2项集产生站点与站点之间的关联规则。
其中挖掘频繁2项集的过程如下：
在算法第一次计算时，每个项都是候选1项集的集合C1的成员，算法扫描近两个月的历史数据，并统计每个项出现的次数；
假设最小支持度为Min，删除集合C1中出现次数小于Min的成员，得到频繁1项集的集合L1；
通过将L2与自身连接产生候选2项集的集合C2，算法扫描所有记录，并统计C2中每个项同时出现的次数。删除集合C2中出现次数小于Min的成员，得到频繁2项集的集合L2。
由频繁项集产生强关联规则的方法如下：
假设support_count(A)代表项集A出现的次数，最小置信度阈值为min_conf，假设频繁2项集l为{I1，I2}，对于l的每个非空子集s，根据式(1)计算其关联置信度，如果置信度大于min_conf，则输出关联规则
Figure GDA0001821801480000051
并得到这两个站点之间的关联度为conf。
Figure GDA0001821801480000052
(2)获取水质实时数据，获得报警站点数据。将报警点设置为当前节点。
(3)根据站点拓扑结构，判断当前节点的入度，如果当前节点入度λ为0，则将当前节点判定为可能的溯源点，污染可能发生当前节点附近，跳转(6)，如果当前节点入度λ为1，则跳转(4)，否则，跳转(5)。
(4)判断当前节点的父节点是否报警，如果未报警，则该父节点即为可能的溯源点，污染可能发生在当前节点与该父节点之间的河段内，跳转(6)，否则，设置该父节点为当前节点，跳转(3)。
(5)遍历当前节点的父节点，将未报警的父节点判定为可能的溯源点，污染可能发生在当前节点与该父节点之间的河段内，对于报警的父节点，跳转(3)，对于未报警的父节点，跳转(6)。
(6)等待所有分支计算完毕，统计所有可能的溯源点，并根据报警站点与可能的溯源点的关联度规则计算溯源点为污染源的概率，程序结束。计算溯源点为污染源的概率的方法如下：假设A站点报警后，溯源到S1，S2…Sn共n个站点，根据式(1)计算结果，假设A站点与Si站点的关联度为
Figure GDA0001821801480000053
根据式(2)对所有关联度归一化，使得结果满足式(3)，则归一化后的关联度即为站点Si为污染源的概率。
Figure GDA0001821801480000054
Figure GDA0001821801480000055
本发明实施例的水污染溯源方法适用于中短距离的河流段的水污染溯源，在中短距离河流段内，污染扩散较快，在站点报警后能够及时发现可能的污染源。为进一步证明本发明方法的效果，下面以宜兴地区为研究样区，通过17个水质监测站点的水质实时数据及历史数据进行实验。
宜兴市北纬31°07′～31°37′，东经119°31′～120°03′，处于江苏省、安徽省、浙江省三省交界之处，东面与太湖水面相连。宜兴境内河网密布，纵横交叉，丘陵山区多为溪流涧河，平原圩区为河网，约有河道3700条，总长3242km。其中主要河道23条，5km以上的有68条，除太湖外，有天然湖、荡29个，山区建有水库18座，河流密度约每平方千米2.77千米。
表1：水质监测站检测指标及其技术参数
检测指标 技术参数
PH 量程：0-14.00；精度：0.1；检测原理：电极法
溶解氧 量程：0-200mg/L；精度：0.1mg/L；检测原理：光学测量
温度 量程：0-80℃；精度：0.1；检测原理：pt100
浊度 量程：0-4500NTU；精度：1NTU；检测原理：光学测量
电导 量程：0-1000ms/cm；精度：0.1ms/cm；检测原理：电化学测量
COD 量程：(0-200)mg/L；精度：0.1mg/L；检测原理：紫外多光谱检测法
氨氮 量程：(0-5)mg/L,(0-50)mg/L(可扩展)；精度：0.1mg/L；检测原理：分光光度法
总磷 量程：(0-2.0mg/L)(0-10mg/L)(可扩展)；精度：0.1mg/L；检测原理：分光光度法
本实验使用江苏卓易信息科技股份公司自主研发的水质监测设备，集成浙江微兰环境科技有限公司供应的传感器，监测PH，溶解氧，温度、浊度、电导、COD、氨氮、总磷等参数，测量方法如表1所示。水质监测站通过外置集成机柜，将传感器集成在机柜内。集成机柜内部安装有采水泵，通过采水口，将水样从河流内抽至机柜内，采水口采集的水样具有代表性、可靠性和连续性。机柜内内安装空调，空调功率1.5kW，保证柜内环境温度在5-35℃范围、相对湿度≤90％RH。
水质监测设备测量频率为每小时测量一次。本实验在宜兴太湖流域地区设置17个水质监测站，用于监测水质变化趋势，水质监测站分布如图3所示。通过对17个水质监测站进行关联分析和拓扑分析，对报警的水质监测站点进行实时溯源。
本次实验采用的软硬件环境分别是：操作系统为Windows 7专业版，使用的开发语言为Java1.8及Python 3.6，CPU是Intel Core i7，内存为16G，硬盘为PCIe SSD，显卡为Geoforce GTX1060。
使用HTML5与JavaScript为前端开发语言，将json格式的水污染溯源算法的结果显示到前端页面，实验结果如图4和图5所示。其中图4为不考虑支流情况下的溯源结果，对河流主干道中的水质监测站点建立拓扑图，拓扑图中不加入支流的水质监测站点，报警点为社渎港中距离太湖最近的新庄国控站点，溯源点为杏里路站点，污染发生在杏里路站点及其子节点社渎港桥站点之间的河段内，对比实际监测结果，溯源效果准确；图5为考虑支流情况下的溯源结果，对所有水质监测站点建立拓扑图，报警点为社渎港中距离太湖最近的新庄国控站点，溯源点为杏里路站点及扶风泵站点，其中污染发生在杏里路站点及其子节点社渎港桥站点之间的河段内的概率为88％，污染发生在扶风泵站点及其子节点大塍邮政站点之间的河段内的概率为12％，对比实际监测结果，溯源效果准确。
综上，本发明实施例首先根据水质监测站点的地理信息，建立站点拓扑结构图，其次根据水质监测站点的历史数据，建立站点之间的关联规则，最后结合站点拓扑结构图和关联规则，对水污染进行溯源，分别考虑有支流和无支流情况的溯源方案，得到单污染源和多污染源两种结果。通过对宜兴地区太湖流域的实测数据进行结果验证，本发明方法能够有效的回溯到污染发生的区域，并具有较好的准确率。能够实际应用于嵌入式设备的开发和环保大数据平台。
基于与方法实施例相同的技术构思，本发明实施例还公开了一种计算机设备，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，该计算机程序被加载至处理器时实现所述的基于拓扑关联的水污染溯源方法。

Claims (7)

1.一种基于拓扑关联的水污染溯源方法，其特征在于，包括如下步骤：
(1)根据水质监测站点的空间分布建立站点拓扑结构图，并根据历史数据，采用Apriori算法挖掘站点之间的关联规则，计算各站点之间的关联度；
(2)获取水质监测站点的实时数据，获得报警站点信息，设置报警站点为当前节点；
(3)根据站点拓扑结构图，判断当前节点的入度，如果当前节点入度为0，则将当前节点判定为可能的溯源点，跳转(6)，如果当前节点入度为1，则跳转步骤(4)，否则，跳转步骤(5)；
(4)判断当前节点的父节点是否报警，如果未报警，则该父节点判定为可能的溯源点，污染可能发生在当前节点与该父节点之间的河段内，跳转步骤(6)，否则，设置该父节点为当前节点，跳转步骤(3)；
(5)遍历当前节点的父节点，将未报警的父节点判定为可能的溯源点，污染可能发生在当前节点与该父节点之间的河段内，对于报警的父节点，跳转步骤(3)，对于未报警的父节点，跳转步骤(6)；
(6)统计所有可能的溯源点，并根据报警站点与可能的溯源点的关联度规则计算溯源点为污染源的概率。
2.根据权利要求1所述的基于拓扑关联的水污染溯源方法，其特征在于，所述步骤(1)中使用有向无环图DAG表示监测站点之间的拓扑关系，DAG中的顶点代表站点，DAG中的点与点之间的连接包括：上游站点指向下游站点，以及支流站点指向主干站点。
3.根据权利要求2所述的基于拓扑关联的水污染溯源方法，其特征在于，通过水流流向传感器监测逆流现象，当发生逆流时，站点拓扑结构图中边做反向变化。
4.根据权利要求1所述的一种基于拓扑关联的水污染溯源方法，其特征在于，所述步骤(1)中采用Apriori算法挖掘站点之间的关联规则，具体过程为：首先对所有水质监测站点的历史监测数据进行水质分类，将大于等于4类水标准的水质数据划分为报警数据，根据站点是否报警判断是否添加项值；然后找出所有的频繁2项集；最后由频繁2项集产生站点与站点之间的关联规则。
5.根据权利要求4所述的一种基于拓扑关联的水污染溯源方法，其特征在于，由频繁2项集产生站点间强关联规则的方法为：设support_count(A)代表项集A出现的次数，最小置信度阈值为min_conf，对于频繁2项集l的每个非空子集s，根据
Figure FDA0003214959900000021
计算其关联置信度，如果置信度大于min_conf，则输出关联规则
Figure FDA0003214959900000022
并得到这两个站点之间的关联度为conf。
6.根据权利要求1所述的一种基于拓扑关联的水污染溯源方法，其特征在于，所述步骤(6)中计算溯源点为污染源的概率的方法为：
假设A站点报警后，溯源到S1，S2，…，Sn共n个站点，设A站点与Si站点的关联度为
Figure FDA0003214959900000023
根据
Figure FDA0003214959900000024
对所有关联度归一化，使得结果满足
Figure FDA0003214959900000025
则归一化后的关联度为站点Si为污染源的概率。
7.一种计算机设备，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，所述计算机程序被加载至处理器时实现根据权利要求1-6任一项所述的基于拓扑关联的水污染溯源方法。
CN201810817592.4A 2018-07-24 2018-07-24 一种基于拓扑关联的水污染溯源方法及设备 Active CN109063071B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810817592.4A CN109063071B (zh) 2018-07-24 2018-07-24 一种基于拓扑关联的水污染溯源方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810817592.4A CN109063071B (zh) 2018-07-24 2018-07-24 一种基于拓扑关联的水污染溯源方法及设备

Publications (2)

Publication Number Publication Date
CN109063071A CN109063071A (zh) 2018-12-21
CN109063071B true CN109063071B (zh) 2022-05-13

Family

ID=64835306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810817592.4A Active CN109063071B (zh) 2018-07-24 2018-07-24 一种基于拓扑关联的水污染溯源方法及设备

Country Status (1)

Country Link
CN (1) CN109063071B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109406513A (zh) * 2018-12-27 2019-03-01 广州市合信环保科技有限公司 一种环境污染源溯源的方法
CN109829527B (zh) * 2019-01-28 2022-03-11 中国环境监测总站 一种地表水环境监测的水质样品跟踪方法和跟踪系统
CN110108858A (zh) * 2019-05-27 2019-08-09 宿州学院 一种河道低洼地土壤环境监测系统及方法
CN110531043A (zh) * 2019-08-29 2019-12-03 中水三立数据技术股份有限公司 一种流域水环境污染智能管理系统及其方法
CN111652323B (zh) * 2020-06-11 2023-12-19 王利 水质监测方法、装置及服务器
CN111898691B (zh) * 2020-08-05 2023-11-14 生态环境部华南环境科学研究所 一种河流突发水污染预警溯源方法、系统、终端及介质
CN113128884B (zh) * 2021-04-25 2023-09-01 南京大学 一种基于河网数学模型进行区域性水环境溯源的方法及系统
CN113420396B (zh) * 2021-05-28 2023-05-23 浙江浙安数智环境工程有限公司 一种城市排水管网污染溯源的方法
CN113408938B (zh) * 2021-07-08 2022-07-19 湖北君邦环境技术有限责任公司 企业污染源在线监测方法、系统、电子设备以及存储介质
CN113552304A (zh) * 2021-07-21 2021-10-26 闽江学院 一种渔港水域水质环境监测可视分析系统
CN113777223B (zh) * 2021-08-12 2024-04-30 北京金水永利科技有限公司 一种大气污染物溯源方法及系统
CN113899872A (zh) * 2021-11-18 2022-01-07 中水三立数据技术股份有限公司 基于水质监测的污染源溯源系统
CN116662919B (zh) * 2023-07-28 2023-10-20 芯视界（北京）科技有限公司 水体逆流识别方法及装置、电子设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254081A (zh) * 2011-04-06 2011-11-23 北方工业大学 基于随机概率模型的突发河流水污染的统计定位方法
US8091572B2 (en) * 2008-11-11 2012-01-10 Industrial Technology Research Institute Method for tracking pollution source in process water
CN102467605A (zh) * 2010-11-08 2012-05-23 同济大学 供水管网突发污染事故的污染源追踪定位信息处理方法
WO2014005031A1 (en) * 2012-06-30 2014-01-03 Basetrace, Llc Systems, methods, and a kit for determining the presence of fluids of interest
CN104392100A (zh) * 2014-10-29 2015-03-04 南京南瑞集团公司 基于水质在线监测系统的污染源扩散预警方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8091572B2 (en) * 2008-11-11 2012-01-10 Industrial Technology Research Institute Method for tracking pollution source in process water
CN102467605A (zh) * 2010-11-08 2012-05-23 同济大学 供水管网突发污染事故的污染源追踪定位信息处理方法
CN102254081A (zh) * 2011-04-06 2011-11-23 北方工业大学 基于随机概率模型的突发河流水污染的统计定位方法
WO2014005031A1 (en) * 2012-06-30 2014-01-03 Basetrace, Llc Systems, methods, and a kit for determining the presence of fluids of interest
CN104392100A (zh) * 2014-10-29 2015-03-04 南京南瑞集团公司 基于水质在线监测系统的污染源扩散预警方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Contamination source inference in water distribution networks;E.Ortega;《arXiv数据库》;20170531;第2-6页 *
关联规则——频繁项集Apriori算法;匿名;《博客园》;20180126;第1-4页 *

Also Published As

Publication number Publication date
CN109063071A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
CN109063071B (zh) 一种基于拓扑关联的水污染溯源方法及设备
Sousa et al. Vehicle trajectory similarity: Models, methods, and applications
Deng et al. Generating urban road intersection models from low-frequency GPS trajectory data
Shen et al. Review of GPS travel survey and GPS data-processing methods
Velaga et al. Developing an enhanced weight-based topological map-matching algorithm for intelligent transport systems
Heine et al. Development and comparison of approaches for automated mapping of stream channel networks
Aslami et al. Comprehensive comparison of daily IMERG and GSMaP satellite precipitation products in Ardabil Province, Iran
CN109684384B (zh) 一种轨迹数据时空密度分析系统及其分析方法
Wu et al. A comprehensive quality assessment framework for linear features from Volunteered Geographic Information
Huang et al. Automatic generation of road maps from low quality GPS trajectory data via structure learning
US20230080455A1 (en) Grid-based source-tracing method and system for sewage outfalls, and storage medium
CN113724489A (zh) 基于多源数据的交通拥堵溯源方法
Rupi et al. Evaluating cyclist patterns using GPS data from smartphones
Lera et al. Analysing human mobility patterns of hiking activities through complex network theory
Bierlaire et al. Modeling route choice behavior from smartphone GPS data
CN116166669A (zh) 水污染溯源方法、装置、设备及存储介质
CN115388344A (zh) 一种基于分布式协调检测的管道泄漏监测方法
Kattwinkel et al. Preparing GIS data for analysis of stream monitoring data: The R package openSTARS
CN113077089B (zh) 一种多因素对空气质量影响的评价方法和装置
Tang et al. A novel method for road intersection construction from vehicle trajectory data
CN102254081A (zh) 基于随机概率模型的突发河流水污染的统计定位方法
Neeson et al. Factors affecting accuracy of stream channel slope estimates derived from geographical information systems
Mariescu-Istodor et al. Context-aware similarity of GPS trajectories
CN114814135B (zh) 一种基于多元监测的河流水质污染溯源方法及系统
Ivanovic et al. Potential of crowdsourced traces for detecting updates in authoritative geographic data

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
GR01 Patent grant
GR01 Patent grant