CN110189064A - 基于大数据的断面水质超标风险压力源的识别方法和系统 - Google Patents
基于大数据的断面水质超标风险压力源的识别方法和系统 Download PDFInfo
- Publication number
- CN110189064A CN110189064A CN201910593174.6A CN201910593174A CN110189064A CN 110189064 A CN110189064 A CN 110189064A CN 201910593174 A CN201910593174 A CN 201910593174A CN 110189064 A CN110189064 A CN 110189064A
- Authority
- CN
- China
- Prior art keywords
- section
- pollution sources
- risk
- monitoring section
- discharge outlet
- 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
Links
Classifications
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2219/00—Indexing scheme relating to application aspects of data processing equipment or methods
- G06F2219/10—Environmental application, e.g. waste reduction, pollution control, compliance with environmental legislation
-
- 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
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Food Science & Technology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于大数据的断面水质超标风险压力源的识别方法和系统,方法包括:步骤1,建立河道的监测断面‑排水口‑污染源的对应关系;步骤2,对河道的一河段内的每个排水口进行污染源结构分析,以获得排水口内污染源的排放量;步骤3,进行污染源对监测断面水质的贡献率分析,确定污染源对监测断面的贡献率;步骤4,利用监测断面的历史污染源排放数据,确定监测断面的排水口的污染源的风险压力阈值,并进行水环境超标风险压力识别;步骤5,如果识别出监测断面水质超标,则进行污染源的超标风险压力贡献度评估,将河段内所有污染源按照贡献度的大小进行排序,以确定出重点超标风险压力源;步骤6,根据重点超标风险压力源,核定和识别出超标风险压力源。
Description
技术领域
本发明属于水环境保护和环境管理技术领域。
背景技术
随着水环境保护的发展,对环境管理的要求也愈来愈严格,尤其是对于断面水质超标风险压力源的识别也提出了更高的要求。
发明内容
本发明目的是提出一种基于大数据的断面水质超标风险压力源的识别方法和系统,充分考虑流域水环境质量和污染源等各方面因素,进行断面水质超标风险压力源识别,能更好地满足环境管理的要求。
为了实现上述目的,本发明提供一种基于大数据的断面水质超标风险压力源的识别方法,其特点在于,包括:
步骤1,建立一河道的监测断面-排水口-污染源的对应关系,其中该河道包括有多个监测断面,所述监测断面为具有常规或者在线水质水量监测的断面;
步骤2,对该河道的一河段内的每个排水口进行污染源结构分析,以获得每个排水口内每个污染源的排放量;
步骤3,进行污染源对监测断面水质的贡献率分析,确定每个污染源对监测断面的贡献率;
步骤4,利用每个监测断面的历史污染源排放数据,确定每个监测断面的每个排水口的每个污染源的风险压力阈值,并通过所述风险压力阈值进行水环境超标风险压力识别;
步骤5,如果识别出监测断面水质超标,则进行污染源的超标风险压力贡献度评估,将该河段内所有污染源按照超标风险压力贡献度的大小进行排序,以确定出重点超标风险压力源;
步骤6,根据所确定出的重点超标风险压力源,核定和识别出超标风险压力源。
依据本发明的一实施例,在步骤6中,针对所确定出的重点超标风险压力源,如果主要压力源是来自于一区域的区间内污染源,则停止分析,超标风险压力源识别完成;如果主要压力源是来自于该区域之外的上游入境河流,则需要返回步骤1并按照步骤1-步骤5对上游河道的监测断面进行超标风险压力源识别,以最终明确该监测断面的超标风险压力源。
依据本发明的一实施例,在步骤1中,包括:
从空间上识别该河段内汇入该监测断面的汇水区域内的排水口,且该河段的上一个监测断面也被概化为排水口;
根据排水口对应的排水区的汇水路径,识别该排水口的污染源,且该河段的上游入境断面也被概化为污染源。
依据本发明的一实施例,在步骤2中,是通过式(1)统计该河段内的每个排水口内的每个污染源的排放量,其中上游断面污染物通量是作为上游监测断面的排放量:
其中,Wi,j,t为t时刻污染源j排入排水口i的排放量,其量纲为g/s;WSj,t为t时刻污染源j的排放量,其量纲为g/s;f1(i,j,t)为t时刻污染源j与排水口i之间的关系函数,该关系函数是通过流域的污染产排情况确定且随时间变化,无量纲;为t-t0时刻上游监测断面k1的流量,其量纲为m3/s;为t-t0时刻在上游监测断面k1的浓度,其量纲为mg/l;t0为污染源由上游监测断面k1流到当前监测断面k的时间,其量纲为s。
依据本发明的一实施例,在步骤3中,是应用一数学模型,通过式(2)分析上游监测断面和该河段内污染源对监测断面的影响作用,并在此基础上分析污染源对监测断面的贡献率;
其中:Ck,i,j,t为t时刻由污染源j在t-t0时刻排入排水口i的排放量在监测断面k处形成的浓度,其量纲为mg/l;t0为污染源j经过排水口i流到监测断面k的时间,其量纲为s;为t-t0时刻污染源j排入排水口i的排放量,其量纲为g/s;f2(k,i,t)为t时刻排水口i与监测断面k之间的关系函数,该关系函数是通过流域水质模型确定,无量纲;Qk,t为t时刻水质断面k的流量,其量纲为m3/s。
依据本发明的一实施例,在步骤3中,在分析的实施过程中,根据式(1)、式(2),得到
令ak,i,j,t=f1(i,j,t-t0)·f2(k,i,t)/Qk,t
则得到污染源与监测断面之间的压力响应关系:
其中:Ck,i,j,t为t时刻由污染源j在t-t0时刻排入排水口i的排放量在监测断面k处形成的浓度,其量纲为mg/l;ak,i,j,t为t时刻污染源j通过排水口i入河与监测断面k之间的水质压力响应系数,其量纲为1/(m3/s);为t-t0时刻污染源j的排放量,其量纲为g/s。
对于任意污染源对监测断面的贡献率,则有:
其中:Conk,i,i,t为t时刻由污染源j在t-t0时刻排入排水口i的排放量对监测断面k的贡献率,无量纲;Ck,i,i,t为t时刻由污染源j在t-t0时刻排入排水口i的排放量在监测断面k处形成的浓度,其量纲为mg/l;n为河段内排水口个数。
依据本发明的一实施例,在步骤4中,是通过历史污染源排放数据,统计污染源污染贡献率系列的最大值Conk,i,j,max、最小值Conk,i,j,min和中位数值Conk,i,j,p50,并设置监测断面的超标风险压力阈值如下:
通过以上阈值,进行水环境超标风险压力判别,如下:
依据本发明的一实施例,在步骤5中,如果监测断面水质超标,则计算每个污染源的污染贡献率Conk,i,j,t,并与该中度风险压力阈值Conk,i,j,p50进行比较,得到污染源超标风险压力贡献度Contk,i,j,如下:
Contk,i,j,t=Conk,i,j,t/Conk,i,j,p50
其中:Contk,i,j,t为污染源j在t时刻排入排水口i的排放量对监测断面k的超标风险压力贡献度,无量纲;Conk,i,j,t为t时刻由污染源j在t时刻排入排水口i的排放量对监测断面k的贡献率,无量纲;Conk,i,j,p50为污染源j排入排水口i的排放量对监测断面k的中度风险压力阈值,无量纲。
为了实现上述目的,本发明另提供一种基于大数据的断面水质超标风险压力源的识别系统,其特点在于,包括:
第一单元,用于建立一河道的监测断面-排水口-污染源的对应关系,其中该河道包括有多个监测断面,所述监测断面为具有常规或者在线水质水量监测的断面;
第二单元,用于对该河道的一河段内的每个排水口进行污染源结构分析,以获得每个排水口内每个污染源的排放量;
第三单元,用于进行污染源对监测断面水质的贡献率分析,确定每个污染源对监测断面的贡献率;
第四单元,用于利用每个监测断面的历史污染源排放数据,确定每个监测断面的每个排水口的每个污染源的风险压力阈值,并通过所述风险压力阈值进行水环境超标风险压力识别;
第五单元,用于如果识别出监测断面水质超标,则进行污染源的超标风险压力贡献度评估,将该河段内所有污染源按照超标风险压力贡献度的大小进行排序,以确定出重点超标风险压力源;
第六单元,用于根据所确定出的重点超标风险压力源,核定和识别出超标风险压力源。
依据本发明的另一实施例,该第六单元还用于,针对所确定出的重点超标风险压力源,如果主要压力源是来自于一区域的区间内污染源,则停止分析,超标风险压力源识别完成;如果主要压力源是来自于该区域之外的上游入境河流,则需要返回该第一单元并按照该第一单元-该第五单元对上游河道的监测断面进行超标风险压力源识别,以最终明确该监测断面的超标风险压力源。
本发明考虑流域水环境质量和污染源等各方面因素,进行断面水质超标风险压力源识别,能更好地满足环境管理的要求。
附图说明
图1是本发明的基于大数据的断面水质超标风险压力源识别方法的示意图;
图2是本发明的基于大数据的断面水质超标风险压力源识别系统的示意图。
具体实施方式
如图1所示,本发明的一种基于大数据的断面水质超标风险压力源的识别方法包括:
步骤1,建立一河道的监测断面-排水口-污染源的对应关系,其中该河道包括有多个监测断面,所述监测断面为具有常规或者在线水质水量监测的断面。
步骤2,对该河道的一河段内的每个排水口进行污染源结构分析,以获得每个排水口内每个污染源的排放量。
步骤3,进行污染源对监测断面水质的贡献率分析,确定每个污染源对监测断面的贡献率。
步骤4,利用每个监测断面的历史污染源排放数据,确定每个监测断面的每个排水口的每个污染源的风险压力阈值,并通过所述风险压力阈值进行水环境超标风险压力识别。
步骤5,如果识别出监测断面水质超标,则进行污染源的超标风险压力贡献度评估,将该河段内所有污染源按照超标风险压力贡献度的大小进行排序,以确定出重点超标风险压力源。
步骤6,根据所确定出的重点超标风险压力源,核定和识别出超标风险压力源。
在本发明中,较佳地,在步骤6中,针对所确定出的重点超标风险压力源,如果主要压力源是来自于一区域(例如可为一行政区域或一管理区域,本发明不以此为限)的区间内污染源,则停止分析,超标风险压力源识别完成;如果主要压力源是来自于该区域之外的上游入境河流,则需要返回步骤1并按照步骤1-步骤5对上游河道的监测断面进行超标风险压力源识别,以最终明确该监测断面的超标风险压力源。
较佳地,在步骤1中,是从空间上识别该河段内汇入该监测断面的汇水区域内的排水口,且该河段的上一个监测断面也被概化为排水口。并且,是根据排水口对应的排水区的汇水路径,识别该排水口的污染源,且该河段的上游入境断面也被概化为污染源。
较佳地,在步骤2中,是通过式(1)统计该河段内的每个排水口内的每个污染源的排放量,其中上游断面污染物通量是作为上游监测断面的排放量:
其中,Wi,j,t为t时刻污染源j排入排水口i的排放量,其量纲为g/s;WSj,t为t时刻污染源j的排放量,其量纲为g/s;f1(i,j,t)为t时刻污染源j与排水口i之间的关系函数,该关系函数是通过流域的污染产排情况确定且随时间变化,无量纲;为t-t0时刻上游监测断面k1的流量,其量纲为m3/s;为t-t0时刻在上游监测断面k1的浓度,其量纲为mg/l;t0为污染源由上游监测断面k1流到当前监测断面k的时间,其量纲为s。
较佳地,在步骤3中,是应用一数学模型,通过式(2)分析上游监测断面和该河段内污染源对监测断面的影响作用,并在此基础上分析污染源对监测断面的贡献率;
其中:Ck,i,j,t为t时刻由污染源j在t-t0时刻排入排水口i的排放量在监测断面k处形成的浓度,其量纲为mg/l;t0为污染源j经过排水口i流到监测断面k的时间,其量纲为s;为t-t0时刻污染源j排入排水口i的排放量,其量纲为g/s;f2(k,i,t)为t时刻排水口i与监测断面k之间的关系函数,该关系函数是通过流域水质模型确定,无量纲;Qk,t为t时刻水质断面k的流量,其量纲为m3/s。
较佳地,在步骤3中,在分析的实施过程中,根据式(1)、式(2),得到
令ak,i,j,t=f1(i,j,t-t0)·f2(k,i,t)/Qk,t
则得到污染源与监测断面之间的压力响应关系:
其中:Ck,i,j,t为t时刻由污染源j在t-t0时刻排入排水口i的排放量在监测断面k处形成的浓度,其量纲为mg/l;ak,i,j,t为t时刻污染源j通过排水口i入河与监测断面k之间的水质压力响应系数,其量纲为1/(m3/s);为t-t0时刻污染源j的排放量,其量纲为g/s。
对于任意污染源对监测断面的贡献率,则有:
其中:Conk,i,i,t为t时刻由污染源j在t-t0时刻排入排水口i的排放量对监测断面k的贡献率,无量纲;Ck,i,i,t为t时刻由污染源j在t-t0时刻排入排水口i的排放量在监测断面k处形成的浓度,其量纲为mg/l;n为河段内排水口个数。
较佳地,在步骤4中,是通过历史污染源排放数据,统计污染源污染贡献率系列的最大值Conk,i,j,max、最小值Conk,i,j,min和中位数值Conk,i,j,p50,并设置监测断面的超标风险压力阈值如下:
通过以上阈值,进行水环境超标风险压力判别,如下:
较佳地,在步骤5中,如果监测断面水质超标,则计算每个污染源的污染贡献率Conk,i,j,t,并与该中度风险压力阈值Conk,i,j,p50进行比较,得到污染源超标风险压力贡献度Contk,i,j,如下:
Contk,i,j,t=Conk,i,j,t/Conk,i,j,p50
其中:Contk,i,j,t为污染源j在t时刻排入排水口i的排放量对监测断面k的超标风险压力贡献度,无量纲;Conk,i,j,t为t时刻由污染源j在t时刻排入排水口i的排放量对监测断面k的贡献率,无量纲;Conk,i,j,p50为污染源j排入排水口i的排放量对监测断面k的中度风险压力阈值,无量纲。
对应地,本发明还提供一种基于大数据的断面水质超标风险压力源的识别系统100,如图2所示,其包括:
第一单元10,用于建立一河道的监测断面-排水口-污染源的对应关系,其中该河道包括有多个监测断面,所述监测断面为具有常规或者在线水质水量监测的断面;
第二单元20,用于对该河道的一河段内的每个排水口进行污染源结构分析,以获得每个排水口内每个污染源的排放量;
第三单元30,用于进行污染源对监测断面水质的贡献率分析,确定每个污染源对监测断面的贡献率;
第四单元40,用于利用每个监测断面的历史污染源排放数据,确定每个监测断面的每个排水口的每个污染源的风险压力阈值,并通过所述风险压力阈值进行水环境超标风险压力识别;
第五单元50,用于如果识别出监测断面水质超标,则进行污染源的超标风险压力贡献度评估,将该河段内所有污染源按照超标风险压力贡献度的大小进行排序,以确定出重点超标风险压力源;
第六单元60,用于根据所确定出的重点超标风险压力源,核定和识别出超标风险压力源。
其中,该第六单元60还用于,针对所确定出的重点超标风险压力源,如果主要压力源是来自于一区域的区间内污染源,则停止分析,超标风险压力源识别完成;如果主要压力源是来自于该区域之外的上游入境河流,则需要返回该第一单元10并按照该第一单元10-该第五单元50对上游河道的监测断面进行超标风险压力源识别,以最终明确该监测断面的超标风险压力源。
本发明考虑流域水环境质量和污染源等各方面因素,进行断面水质超标风险压力源识别,能更好地满足环境管理的要求。
当然,本发明在细节处理方面还有很大的选择余地,或者有不同的处理方式,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明权利要求的保护范围。
Claims (10)
1.一种基于大数据的断面水质超标风险压力源的识别方法,其特征在于,包括:
步骤1,建立一河道的监测断面-排水口-污染源的对应关系,其中该河道包括有多个监测断面,所述监测断面为具有常规或者在线水质水量监测的断面;
步骤2,对该河道的一河段内的每个排水口进行污染源结构分析,以获得每个排水口内每个污染源的排放量;
步骤3,进行污染源对监测断面水质的贡献率分析,确定每个污染源对监测断面的贡献率;
步骤4,利用每个监测断面的历史污染源排放数据,确定每个监测断面的每个排水口的每个污染源的风险压力阈值,并通过所述风险压力阈值进行水环境超标风险压力识别;
步骤5,如果识别出监测断面水质超标,则进行污染源的超标风险压力贡献度评估,将该河段内所有污染源按照超标风险压力贡献度的大小进行排序,以确定出重点超标风险压力源;
步骤6,根据所确定出的重点超标风险压力源,核定和识别出超标风险压力源。
2.根据权利要求1所述的识别方法,其特征在于,在步骤6中,针对所确定出的重点超标风险压力源,如果主要压力源是来自于一区域的区间内污染源,则停止分析,超标风险压力源识别完成;如果主要压力源是来自于该区域之外的上游入境河流,则需要返回步骤1并按照步骤1-步骤5对上游河道的监测断面进行超标风险压力源识别,以最终明确该监测断面的超标风险压力源。
3.根据权利要求2所述的识别方法,其特征在于,在步骤1中,包括:
从空间上识别该河段内汇入该监测断面的汇水区域内的排水口,且该河段的上一个监测断面也被概化为排水口;
根据排水口对应的排水区的汇水路径,识别该排水口的污染源,且该河段的上游入境断面也被概化为污染源。
4.根据权利要求3所述的识别方法,其特征在于,在步骤2中,是通过式(1)统计该河段内的每个排水口内的每个污染源的排放量,其中上游断面污染物通量是作为上游监测断面的排放量:
其中,Wi,j,t为t时刻污染源j排入排水口i的排放量,其量纲为g/s;WSj,t为t时刻污染源j的排放量,其量纲为g/s;f1(i,j,t)为t时刻污染源j与排水口i之间的关系函数,该关系函数是通过流域的污染产排情况确定且随时间变化,无量纲;为t-t0时刻上游监测断面k1的流量,其量纲为m3/s;为t-t0时刻在上游监测断面k1的浓度,其量纲为mg/l;t0为污染源由上游监测断面k1流到当前监测断面k的时间,其量纲为s。
5.根据权利要求4所述的识别方法,其特征在于,在步骤3中,是应用一数学模型,通过式(2)分析上游监测断面和该河段内污染源对监测断面的影响作用,并在此基础上分析污染源对监测断面的贡献率;
其中:Ck,i,j,t为t时刻由污染源j在t-t0时刻排入排水口i的排放量在监测断面k处形成的浓度,其量纲为mg/l;t0为污染源j经过排水口i流到监测断面k的时间,其量纲为s;为t-t0时刻污染源j排入排水口i的排放量,其量纲为g/s;f2(k,i,t)为t时刻排水口i与监测断面k之间的关系函数,该关系函数是通过流域水质模型确定,无量纲;Qk,t为t时刻水质断面k的流量,其量纲为m3/s。
6.根据权利要求5所述的识别方法,其特征在于,在步骤3中,在分析的实施过程中,根据式(1)、式(2),得到
令ak,i,j,t=f1(i,j,t-t0)·f2(k,i,t)/Qk,t
则得到污染源与监测断面之间的压力响应关系:
其中:Ck,i,j,t为t时刻由污染源j在t-t0时刻排入排水口i的排放量在监测断面k处形成的浓度,其量纲为mg/l;ak,i,j,t为t时刻污染源j通过排水口i入河与监测断面k之间的水质压力响应系数,其量纲为1/(m3/s);为t-t0时刻污染源j的排放量,其量纲为g/s。
对于任意污染源对监测断面的贡献率,则有:
其中:Conk,i,j,t为t时刻由污染源j在t-t0时刻排入排水口i的排放量对监测断面k的贡献率,无量纲;Ck,i,i,t为t时刻由污染源j在t-t0时刻排入排水口i的排放量在监测断面k处形成的浓度,其量纲为mg/l;n为河段内排水口个数。
7.根据权利要求6所述的识别方法,其特征在于,在步骤4中,是通过历史污染源排放数据,统计污染源污染贡献率系列的最大值Conk,i,jmax、最小值Conk,i,j,min和中位数值Conk,i,j,p50,并设置监测断面的超标风险压力阈值如下:
通过以上阈值,进行水环境超标风险压力判别,如下:
8.根据权利要求7所述的识别方法,其特征在于,在步骤5中,如果监测断面水质超标,则计算每个污染源的污染贡献率Conk,i,j,t,并与该中度风险压力阈值Conk,i,j,p50进行比较,得到污染源超标风险压力贡献度Contk,i,j,如下:
Contk,i,j,t=Conk,i,j,t/Conk,i,j,p50
其中:Contk,i,j,t为污染源j在t时刻排入排水口i的排放量对监测断面k的超标风险压力贡献度,无量纲;Conk,i,j,t为t时刻由污染源j在t时刻排入排水口i的排放量对监测断面k的贡献率,无量纲;Conk,i,j,p50为污染源j排入排水口i的排放量对监测断面k的中度风险压力阈值,无量纲。
9.一种基于大数据的断面水质超标风险压力源的识别系统,其特征在于,包括:
第一单元,用于建立一河道的监测断面-排水口-污染源的对应关系,其中该河道包括有多个监测断面,所述监测断面为具有常规或者在线水质水量监测的断面;
第二单元,用于对该河道的一河段内的每个排水口进行污染源结构分析,以获得每个排水口内每个污染源的排放量;
第三单元,用于进行污染源对监测断面水质的贡献率分析,确定每个污染源对监测断面的贡献率;
第四单元,用于利用每个监测断面的历史污染源排放数据,确定每个监测断面的每个排水口的每个污染源的风险压力阈值,并通过所述风险压力阈值进行水环境超标风险压力识别;
第五单元,用于如果识别出监测断面水质超标,则进行污染源的超标风险压力贡献度评估,将该河段内所有污染源按照超标风险压力贡献度的大小进行排序,以确定出重点超标风险压力源;
第六单元,用于根据所确定出的重点超标风险压力源,核定和识别出超标风险压力源。
10.根据权利要求9所述的识别系统,其特征在于,该第六单元还用于,针对所确定出的重点超标风险压力源,如果主要压力源是来自于一区域的区间内污染源,则停止分析,超标风险压力源识别完成;如果主要压力源是来自于该区域之外的上游入境河流,则需要返回该第一单元并按照该第一单元-该第五单元对上游河道的监测断面进行超标风险压力源识别,以最终明确该监测断面的超标风险压力源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910593174.6A CN110189064A (zh) | 2019-07-03 | 2019-07-03 | 基于大数据的断面水质超标风险压力源的识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910593174.6A CN110189064A (zh) | 2019-07-03 | 2019-07-03 | 基于大数据的断面水质超标风险压力源的识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110189064A true CN110189064A (zh) | 2019-08-30 |
Family
ID=67724822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910593174.6A Pending CN110189064A (zh) | 2019-07-03 | 2019-07-03 | 基于大数据的断面水质超标风险压力源的识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110189064A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111596020A (zh) * | 2020-05-21 | 2020-08-28 | 重庆米舟联发检测技术有限公司 | 一种水质监测点智能选取位置的方法 |
CN112417788A (zh) * | 2020-11-30 | 2021-02-26 | 重庆市生态环境大数据应用中心 | 基于大数据的水环境污染分析系统及方法 |
CN113240203A (zh) * | 2021-06-16 | 2021-08-10 | 生态环境部南京环境科学研究所 | 一种多污染源中小河道断面污染贡献率计算方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093092A (zh) * | 2013-01-14 | 2013-05-08 | 西南交通大学 | 河流突发性cod污染的事故源定位方法 |
CN103810537A (zh) * | 2014-02-12 | 2014-05-21 | 南京大学 | 一种基于水质模型的区域环境风险评估方法 |
CN105651336A (zh) * | 2016-01-25 | 2016-06-08 | 无锡点创科技有限公司 | 一种污染源动态数据监控系统及方法 |
CN105809578A (zh) * | 2016-05-30 | 2016-07-27 | 北京师范大学 | 一种区域水环境风险评估和分区方法 |
CN106202950A (zh) * | 2016-07-18 | 2016-12-07 | 中国环境科学研究院 | 基于水质达标的污染源排污许可限值确定方法 |
CN107563139A (zh) * | 2017-09-06 | 2018-01-09 | 郑州大学 | 一种点源突发性水污染源事故溯源贡献程度计算方法 |
CN108763850A (zh) * | 2018-03-06 | 2018-11-06 | 河海大学 | 一种平原水系水环境容量及分担率的评估方法 |
CN108801939A (zh) * | 2018-06-20 | 2018-11-13 | 广东省测试分析研究所(中国广州分析测试中心) | 一种水中多种重金属同时在线监测系统及其监测方法 |
-
2019
- 2019-07-03 CN CN201910593174.6A patent/CN110189064A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093092A (zh) * | 2013-01-14 | 2013-05-08 | 西南交通大学 | 河流突发性cod污染的事故源定位方法 |
CN103810537A (zh) * | 2014-02-12 | 2014-05-21 | 南京大学 | 一种基于水质模型的区域环境风险评估方法 |
CN105651336A (zh) * | 2016-01-25 | 2016-06-08 | 无锡点创科技有限公司 | 一种污染源动态数据监控系统及方法 |
CN105809578A (zh) * | 2016-05-30 | 2016-07-27 | 北京师范大学 | 一种区域水环境风险评估和分区方法 |
CN106202950A (zh) * | 2016-07-18 | 2016-12-07 | 中国环境科学研究院 | 基于水质达标的污染源排污许可限值确定方法 |
CN107563139A (zh) * | 2017-09-06 | 2018-01-09 | 郑州大学 | 一种点源突发性水污染源事故溯源贡献程度计算方法 |
CN108763850A (zh) * | 2018-03-06 | 2018-11-06 | 河海大学 | 一种平原水系水环境容量及分担率的评估方法 |
CN108801939A (zh) * | 2018-06-20 | 2018-11-13 | 广东省测试分析研究所(中国广州分析测试中心) | 一种水中多种重金属同时在线监测系统及其监测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111596020A (zh) * | 2020-05-21 | 2020-08-28 | 重庆米舟联发检测技术有限公司 | 一种水质监测点智能选取位置的方法 |
CN111596020B (zh) * | 2020-05-21 | 2022-09-30 | 重庆米舟联发检测技术有限公司 | 一种水质监测点智能选取位置的方法 |
CN112417788A (zh) * | 2020-11-30 | 2021-02-26 | 重庆市生态环境大数据应用中心 | 基于大数据的水环境污染分析系统及方法 |
CN113240203A (zh) * | 2021-06-16 | 2021-08-10 | 生态环境部南京环境科学研究所 | 一种多污染源中小河道断面污染贡献率计算方法 |
CN113240203B (zh) * | 2021-06-16 | 2024-04-16 | 生态环境部南京环境科学研究所 | 一种多污染源中小河道断面污染贡献率计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110189064A (zh) | 基于大数据的断面水质超标风险压力源的识别方法和系统 | |
CN109754597B (zh) | 一种城市道路区域拥堵调控策略推荐系统及方法 | |
CN114049477B (zh) | 一种过鱼鱼道系统、鱼类数量和种类的动态识别跟踪方法 | |
CN105261217B (zh) | 一种基于密度聚类算法的城市交通拥堵状态检测方法 | |
CN107451682B (zh) | 一种基于神经网络的城市感潮河段生态需水量预测方法 | |
CN112394152A (zh) | 一种基于大数据的水质实时智能监测分析管理系统 | |
CN107948166A (zh) | 基于深度学习的流量异常检测方法及装置 | |
CN108596038B (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
Myrans et al. | Automated detection of fault types in CCTV sewer surveys | |
CN106529723A (zh) | 基于监控平台实现光伏电站清洗周期估计的方法 | |
CN108492291A (zh) | 一种基于cnn分割的太阳能光伏硅片瑕疵检测系统及方法 | |
CN107168292B (zh) | 基于elm算法的水下航行器电路故障诊断方法 | |
CN108629369A (zh) | 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法 | |
CN103577875A (zh) | 一种基于fast的计算机辅助cad人数统计方法 | |
CN110111113A (zh) | 一种异常交易节点的检测方法及装置 | |
CN117035201B (zh) | 平原河网水工程集群多目标调度规则制定方法及系统 | |
CN112749747B (zh) | 垃圾分类质量评估方法及系统 | |
CN104809393A (zh) | 一种基于流行度分类特征的托攻击检测算法 | |
CN114372803A (zh) | 一种基于交易图谱的快速反洗钱检测方法 | |
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 | |
CN104634265A (zh) | 一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法 | |
CN103793902A (zh) | 管型识别方法和装置、以及尿液分析仪 | |
CN105224801B (zh) | 一种多因子水库入库流量短期预报评价方法 | |
CN116502805B (zh) | 基于围区水网提升量化评价模型的调度方案快速筛选方法 | |
CN113361776A (zh) | 一种基于用户用电行为聚类的电力负荷概率预测方法 |
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 |