CN110765419B - 一种基于多源数据耦合的重要水功能区水质风险测评方法 - Google Patents
一种基于多源数据耦合的重要水功能区水质风险测评方法 Download PDFInfo
- Publication number
- CN110765419B CN110765419B CN201910971433.4A CN201910971433A CN110765419B CN 110765419 B CN110765419 B CN 110765419B CN 201910971433 A CN201910971433 A CN 201910971433A CN 110765419 B CN110765419 B CN 110765419B
- Authority
- CN
- China
- Prior art keywords
- water
- risk
- functional area
- sensitivity
- water functional
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 363
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000008878 coupling Effects 0.000 title claims abstract description 19
- 238000010168 coupling process Methods 0.000 title claims abstract description 19
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 19
- 238000010948 quality risk assessment Methods 0.000 title claims description 19
- 230000035945 sensitivity Effects 0.000 claims abstract description 102
- 238000011156 evaluation Methods 0.000 claims abstract description 72
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 12
- 239000003344 environmental pollutant Substances 0.000 claims description 12
- 231100000719 pollutant Toxicity 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 11
- 239000010865 sewage Substances 0.000 claims description 11
- 238000011144 upstream manufacturing Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011158 quantitative evaluation Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 2
- 230000005855 radiation Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 241000251468 Actinopterygii Species 0.000 claims 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims 1
- 229910001385 heavy metal Inorganic materials 0.000 claims 1
- 235000006286 nutrient intake Nutrition 0.000 claims 1
- 229910052760 oxygen Inorganic materials 0.000 claims 1
- 239000001301 oxygen Substances 0.000 claims 1
- 238000013139 quantization Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 abstract description 8
- 238000009826 distribution Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000011835 investigation Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000011109 contamination Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000003912 environmental pollution Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 239000000356 contaminant Substances 0.000 description 3
- 239000003651 drinking water Substances 0.000 description 3
- 235000020188 drinking water Nutrition 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 231100001261 hazardous Toxicity 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 231100000290 environmental risk assessment Toxicity 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000008235 industrial water Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
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
- 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
- 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
-
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Water Supply & Treatment (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多源数据耦合的重要水功能区水质风险测评方法,将水功能区划分为多个水功能区控制单元,对控制单元进行敏感性测评;对水功能区污染源进行定位并进行污染源压力测评;基于上述测评结果进行水功能区控制单元内污染源风险等级划分;对不同等级的风险源赋值,作为输入条件代入河流、湖库一维稳态混合衰减模型,获得每个水功能区控制单元的水系风险场指数,并根据水功能区控制单元的范围将风险场指数分配到该区域,获得水功能区水质风险图。本发明综合考虑了水功能区敏感性、污染源压力和水系风险场等因素,监测风险物质从产生、输移以及对受纳对象影响这一完整过程,通过建立多指标测评体系和稳态模型量化了各个关键过程。
Description
技术领域
本方法涉及水利工程领域,尤其涉及水环境管理领域,具体为一种基于多源数据耦合的重要水功能区水质风险测评方法。
背景技术
强化水污染控制,建立水安全体系是现阶段我国生态文明建设首要解决的问题。突发性环境污染事故作为威胁人类健康、破坏生态环境的重要因素,制约着生态平衡及经济、社会的发展。如何应对环境污染突发事件,进一步建立健全环境污染突发事故的环境风险测评和应急监测机制已成为当今环境科学及相关领域关注的热点。
目前水功能区监测预警管理制度尚未完善,对水功能区的污染风险源及其影响途径等基础信息掌握不够全面,造成在发生水污染突发事件时往往呈现被动应付的不利局面。完善全国重要江河湖泊水功能区的监测预警监督管理制度的基础性工作是编制重要水功能区水质风险图。编制重要水功能区水质风险图,可以标识水功能区主要风险源类型、特征、分布,以及对水功能区水质影响途径、方式与程度,基于重要水功能区水质风险图,可以为优化区域产业布局提供指导,为合理制定水污染应急管理方案与应急处置提供依据,以避免临危出乱,可以合理确定不同风险区域的不同管护标准与对策,可以为合理评估污染事件生态环境影响提供支持。
然而目前水功能区水质风险图的构建技术还有待提供,仍存在水功能区水质风险管理机制的缺位问题。例如在采集数据方面,当前多采用人工监测、自动监测方式,遥感数据近几年等开始应用,但对多源异构数据的融合、建立基于大数据理念的数据库方面尚处于起步阶段。分析、应用数据方面,主流方式仍在采用经验模型及机理模型,这两类模型在样本数据不足时往往难以获得高精度的模拟结果,同时这类模型参数修正一般通过参数率定验证(即模拟结果输出后,比较模拟结果与实测结果),且通过人工方式实现,耗时耗力;当参数众多甚至海量时,通过人工方式很难实现。
发明内容
本发明的目的是提供一种基于多源地空数据耦合的重要水功能区水质风险测评方法,该发明针对水功能区水质风险管理机制的缺位问题,首次提出了重要水功能区水质风险测评体系,梳理并打通了基于水功能区敏感性测评、污染源识别和风险性测评以及水体风险场计算的完整链条;创新性的构建了重要水功能区水质风险的多指标测评体系;同时,基于多源地空耦合数据建立了关键指标的定量化方法。主要体现在以下四个方面:(1)针对重大环境污染源的诱发因素和作用过程、受纳对象的脆弱性和敏感性两大核心内容,建立了影响水功能区水质安全的污染源压力测评、水功能区控制单元的敏感性测评和水系风险场的风险定量计算评估方法,为实现集成水功能区水质风险一张图提供了可靠的基础;(2)综合考虑了水功能区控制单元的水质、水量及水生态要素,以及污染源的主体危险性和控制机制,构建了重要水功能区水质风险的多指标测评体系,扭转了以往采用单一指标或定性测评水功能区水质风险的现状;(3)为了解决影响水功能区水质风险测评中重大污染源识别的难题,建立了基于高精度遥感影像数据的深度学习方法,并结合地面实地调研的污染源普查数据,构建了水功能区水质污染源数据库;(4)综合上述各指标测评图层,基于地理信息系统,按照各指标图层要素属性特征的相似性,进行自下而上合并的过程。
本发明的目的是通过以下方案实现的:
(1)构建水功能区水质风险测评基础数据库。
在进行水功能区水质安全风险测评和编制水功能区水质安全风险图时,要重视基础资料的搜集、分析和整理,各项基础资料都应具有可靠性、合理性与一致性。基础资料主要包括研究水功能区的地理信息、研究区域内工业企业的基本信息以及研究流域内的水文资料等。具体资料内容如下:1)基础底图,研究区域的地理高程、行政区划图、交通路线等;2)水功能区地理信息,水功能区类型、上下游控制断面的经纬度、水功能区长度、取水口位置、现状水质情况等;3)社会经济,以县为基本单元(有条件的区域可以细化到乡镇),重点收集人口密度、取水口取水量、备用水源地、自然保护区等人类活动数据;4)工业企业情况,企业名称、企业地理位置,企业编码、企业所属行政区划、行业类型、排污口位置、企业投资金额、产品类型、企业内雨污处理情况、企业是否发生过环境不良记录以及企业安全措施等;5)水文资料,水功能区水体流速、水量以及相关的水力学参数等。
(2)根据水功能区上下游断面及地理高程数据划分水功能区控制单元。通常情况下水功能区是水域区划,但要进行水功能区水质风险测评,水功能区汇水区域内的污染源控制是关键。同时,水功能区的敏感性研究也必须基于水域与陆域的有机结合。因此,作为水功能区划的重要补充,水功能区控制单元的划分显得极为重要。基于ArcGIS中的水文分析模块,依据水功能区的上、下游控制断面,以DEM地理高程数据作为输入条件进行汇水单元的分析,并根据水系空间分布、行政单元区划等因素进行修正,形成水功能区控制单元。
(3)水功能区控制单元敏感性测评。水功能区敏感性测评是整个水功能区水质风险测评的基础和前提,水功能区作为本风险测评的敏感目标,其敏感价值的大小可以根据其本身的重要性和受污染后的影响后果共同来确定。水功能区敏感性测评体系主要考虑了水功能区类型、水量、水质、水生态以及人类活动等因素,涉及到1个目标层、5个准则层、15个测评指标(其中10个指标为必选指标)以及流域自选指标。
具体为:首先建立水功能区敏感性测评体系,该体系包括3个层级:敏感性目标层、敏感性准则层和敏感性测评指标层,敏感性准则层为敏感性目标层的子层级,敏感性测评指标层为敏感性准则层的子层级,其中敏感性目标层包括1个项目,敏感性准则层包括至少5个项目,敏感性测评指标层包括至少10个项目;建立体系后进行量化,首先对敏感性测评指标进行计算并赋分,根据敏感性准则层赋分体系规定的指标权重,计算各类敏感性准则层得分;再根据敏感性目标层赋分体系规定的准则层权重,计算得到敏感性目标层得分。
(4)污染源压力测评。污染源压力测评主要包括两部分重要内容,一是污染源定位:即基于高精度遥感影像数据的污染源识别深度学习算法,二是污染源压力定量化测评,前者是后者的基础和保障。其中,基于高精度遥感影像数据的污染源深度学习算法的总体思路是建立污染源大样本数据库,提取污染源的特征信息,构建面向对象的多要素逻辑回归算法。然后对典型区域进行实地调研,验证该深度学习算法的可靠性。
污染源压力定量化测评,首先建立污染源压力测评体系,该体系包括3个层级:污染源压力目标层、污染源压力准则层和污染源压力测评指标层,其中污染源压力目标层1个项目、污染源压力准则层至少2个项目、污染源压力测评指标层至少5个项目,在量化过程中,首先对污染源压力测评指标进行计算并赋分,根据污染源压力准则层赋分体系规定的指标权重,计算污染源压力准则层得分,根据污染源压力目标层赋分体系规定的准则层权重,计算得到污染源压力目标层得分。
(5)区内污染源风险等级划分:综合水功能区敏感性测评结果及污染源压力测评结果,构建基于水功能区水质风险的污染源风险等级测评矩阵,对水功能区内的所有污染源进行风险划分。
(6)水系风险场计算及(7)风险图的构建。对不同风险等级的污染源赋值,作为输入条件代入河流、湖库一维稳态混合衰减模型,获得每个水功能控制单元的水系风险场指数;进一步根据水功能区控制单元的范围将风险场指数分配到该区域,获得水功能区水质风险图。
水体是风险因子的主要传播介质,风险物质泄漏后经过水量冲洗最终汇入水系河流中,在经历一定的衰减后通过取水口将风险带入风险受体。通过计算污染源输入对于水功能区下游控制断面的影响来表征水系风险场指数,进一步根据水功能区控制单元的范围将风险场指数分配到该区域。对于在水功能区控制单元内存在多个污染源时,考虑最不利情形,将各污染源产生的影响进行累加,同时考虑到各污染源之间并不是在同一时间内进行污染物输入,因此,可采用稳态模型进行计算。
进一步的,步骤3)中,水功能区敏感性测评体系包括1个目标层项目、5个准则层项目、15个评估指标项目(其中10个指标为必选指标)以及流域自选指标,具体如表1所示。各指标层采用4分打分制,打分值越高,说明水功能区敏感性越大。
表1水功能区敏感性评估指标体系表
通过对水功能区、生物、人类活动、洪水灾害和水质准则层进行综合评估,得到水功能区敏感性综合得分,计算公式如公式(1)所示,各准则层和指标层的赋值权重如表2所示。将计算出来的WFZS进行如下划分:3.00<WFZS≤4.00,属高敏感性水功能区;2.00<WFZS≤3.00,属中敏感性水功能区;WFZS≤2.00,属低敏感性水功能区。
WFZS=WFZ×WFZw+AL×ALw+HA×HAw+FR×FRw+WQ×WQw (1)
式中:WFZ、AL、HA、FR、WQ分别为水功能区、生物、人类活动、洪水风险、水质指标变量(赋分);WFZw、ALw、HAw、FRw、WQw分别为水功能区、生物、人类活动、洪水风险、水质指标变量的权重。
表2水功能区敏感性综合评估公式变量说明表
变量 | 说明 | 权重 | 建议权重 |
WFZ | 水功能区 | WFZw | 0.3 |
AL | 生物 | ALw | 0.2 |
HA | 人类活动 | HAw | 0.15 |
FR | 洪水风险 | FRw | 0.15 |
WQ | 水质 | WQw | 0.2 |
WFZS | 水功能区敏感性 |
进一步的,步骤4)中,基于高精度遥感影像数据的污染源识别深度学习算法。首先需要对原始遥感图像进行辐射矫正、几何矫正和地理编码、图像增强、图像镶嵌以及不同数据源遥感图像数据融合处理,最终制作出统一标准的高质量遥感影像;其次,建立污染源大样本数据库,提出污染源的特征信息,本专利从四个方面提取污染源的特征信息,即光谱特征,面积,形状和纹理;最后,构建污染源识别深度学习算法,该算法可根据已知的一系列因变量估计离散数值,通过将数据拟合为一个逻辑函数来预估一个事件出现的概率,其输出值大小在0和1之间,本质是某事件发生的可能性(概率)与不发生的可能性(概率)之比。其理论基础是对率回归(Logistic Regression),主要数学表达式公式(2)~公式(4)所示。
odds=p/(1-p) (2)
ln(odds)=ln(p/(1-p)) (3)
logit(p)=ln(p/(1-p))=b0+b1x1+b2x2+b3x3…+bkxk (4)
式中:P代表污染源的特征信息(光谱特征、面积、形状、纹理等)出现的概率;b0、b1、b2、b3、bk为拟合逻辑函数的常系数;x1、x2、x3、xk为拟合逻辑函数输入的样本参数值,包括光谱特征,面积,形状,纹理。
进一步的,步骤4)中,污染源压力测评体系包括到1个目标层项目、2个准则层项目、5个指标层项目,具体如表3所示。各指标层采用4分打分制,打分值越高,说明污染源压力越大。
表3风险源压力测评指标体系
通过对污染源的主体危险性和控制机制准则层进行综合评估,得到污染源压力综合得分,计算公式如公式(5)所示,各准则层和指标层的赋值权重如表4所示。将计算出来的PSP值进行划分,等级越高说明污染源的压力越大:3.00<PSP≤4.00,属A类水平;2.00<PSP≤3.00,属B类水平;1.00<PSP≤2.00属C类水平;0.00<PSP≤1.00,属D类水平。
PSP=SR×SRw+CM×CMw (5)
式中:SR、CM分别为污染源主体风险性和控制机制指标变量(赋分);SRw、CMw分别为污染源主体风险性和控制机制指标变量的权重。
表4污染源压力综合评估公式变量说明表
变量 | 说明 | 权重 | 建议权重 |
SR | 主体风险性 | SRw | 0.65 |
CM | 控制机制 | CMw | 0.35 |
IC | 行业类别 | Icw | 0.35 |
II | 行业工艺水平 | Iiw | 0.20 |
SWQ | 污水水质复杂程度 | SWQw | 0.25 |
BBR | 企业环境不良记录 | BBRw | 0.20 |
SM | 安全措施 | SMw | 1 |
PSP | 污染源压力 |
进一步的,步骤5)考虑受纳对象水功能区敏感性结果,结合污染源压力测评得分,构建基于水功能区水质风险的污染源风险等级测评矩阵,如表5所示。可以看出,污染源风险等级大小不仅取决于污染源自身压力等级,还受限于污染源所处的水功能区敏感性等级。步骤5)中基于水功能区水质风险的污染源风险等级测评矩阵中,污染源压力测评结果由高至低分为A、B、C、D四类,水功能区敏感性测评结果分为低敏感性、中敏感性、高敏感性三个等级;A×中敏感性、A×高敏感性、B×高敏感性的交点为特别重大风险性污染源;A×低敏感性、B×低敏感性、B×中敏感性、C×中敏感性、C×高敏感性、D×高敏感性的交点均为重大风险性污染源;C×低敏感性、D×低敏感性、D×中敏感性的交点为一般风险性污染源。
表5污染源风险等级测评矩阵
进一步的,步骤6)中,考虑到实际的水功能区类型有河道水体和湖泊水体之分,因此,在实际计算水系风险场指数时,分别采用河道和湖泊稳态模型进行计算,具体如下:
针对河道型水功能区,考虑到河流的宽度和深度可忽略不计,风险物质在进入水功能区水体后会很快在断面均匀混合,然后沿流程发生变化,因此可以采用一维稳态河流混合衰减模型进行计算。当水功能区控制单元内存在一个风险源时,设该污染源的风险值为q0。参考河流一维稳态混合衰减模型,构造水功能区下游控制断面的风险场指数Rk为:
式中,Rk为风险场指数;x为排污口距离水功能区下游控制断面的距离,单位(m);Q为水功能区河流流量,单位(m3/s);k为污染物质衰减系数,单位(1/d);ux为水功能区河流平均流速,单位(m/s)。
当污染源处于支流上时,污染物质经过支流到达水功能区下游控制断面时,该水功能区下游控制断面风险场指数Rk为:
式中:x1为风险源在支流排污口与干支流交汇口的距离,单位(m),x2为干支流交汇口与水功能区下游控制断面的距离,单位(m);k为污染物质在河流的衰减系数单位(1/d);u1为支流的平均流速,单位(m/s);u2为水功能区干流的平均流速,单位(m/s);Q1为支流的河流流量,单位(m3/s);Q2为水功能区干流的河流流量,单位(m3/s);
对于水功能区控制单元存在多个风险源时,可将各风险源产生的影响累加,即风险场指数R为
式中,Rk为不同风险源对水功能区下游控制断面的风险场指数;n为水功能区控制单元内的风险源个数;
针对湖库型水功能区,采用一维稳态河流混合衰减模型进行计算,其数学表达式为:
其中
m0=C0QL (11)
式中:m为湖库中现有污染物的排入量,单位为g/s;m0为湖库入流污染物排放速率,单位为g/s;Kh为中间变量,单位为1/s;Qt为某一时刻的湖库出流量,单位为m3/s;V为设计水文条件下的湖库容积,单位为m3;t计算时段长,单位为s;QL为湖库出流量,单位为m3/s;K为综合消减系数,单位为1/d;C0为湖库初始污染物浓度,单位为mg/L。
本发明的有益效果:
一种基于多源地空数据耦合的重要水功能区水质风险测评方法综合考虑了水功能区敏感性、污染源压力和水系风险场等因素,刻画了风险物质从产生、输移以及对受纳对象影响这一完整过程,通过建立多指标测评体系和稳态模型量化了各个关键过程,克服了以往对水功能区水环境测评考虑因素不全、单一定性表示以及方法不够严谨的弊端。此外,一种基于多源地空数据耦合的重要水功能区水质风险测评方法将高精度遥感影像数据与污染源识别有机的结合起来,通过提取污染源的特征信息,采用深度学习算法,较为准确的识别和定位污染源位置,使建立的污染源数据库更为完善,也为后续流域开展污染源普查提供了可靠的科学方法。同时,一种基于多源地空数据耦合的重要水功能区水质风险测评方法也是支撑目前河长制提出的“建立健全水环境风险评估排查、预警预报与响应机制”的要求,不仅可以进一步完善水功能区监测预警监督管理制度,也是强化水功能区水质达标风险控制的重要抓手。
附图说明
图1为基于多源地空数据耦合的重要水功能区水质风险测评方法流程;
图2为LH流域一级水功能区控制单元空间分布图;
图3为LH流域水功能区控制单元敏感性测评空间分布图;
图4为LH流域高清遥感影像融合空间分布图;
图5为LH流域污染源识别空间分布图;
图6为基于高清遥感影像和深度学习的污染源识别效果检验图;
图7为LH流域污染源压力等级空间分布图;
图8为LH流域污染源风险性等级空间分布图;
图9为LH流域水功能区水系风险场指数空间分布图;
图10为LH流域水功能区水质风险图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚,下面结合本发明提出的方法流程图(图1)以及本发明实施例中的附图(图2~图10),对本发明实施例中的技术方案进行详细的说明。显然,所描述的实施例仅为本发明一部分实施例,而不是全部的实施例。
本发明提供了一种基于多源地空数据耦合的重要水功能区水质风险测评方法,综合考虑了水功能区敏感性、污染源压力和水系风险场等因素,刻画了风险物质从产生、输移以及对受纳对象影响这一完整过程,通过建立多指标测评体系和稳态模型量化了各个关键过程,克服了以往对水功能区水环境测评考虑因素不全、单一定性表示以及方法不够严谨的弊端。本发明的基于多源地空数据耦合的重要水功能区水质风险测评方法流程如附图1所示。本发明实施例将基于多源地空数据耦合的重要水功能区水质风险测评方法应用在我国北方LH流域,采用如下步骤进行实施:
(1)LH流域水功能区水质风险测评基础数据库的构建。基础数据库包括空间数据库(高精度遥感影像图层、地理高程、行政区划图、交通路线、水功能区上下游控制断面位置、取水口位置、工业企业位置信息)、属性数据库(水功能区类型、水功能区水量、水质及水生态监测数据、人口密度、工业企业信息)。
(2)划分水功能区控制单元及(3)LH流域水功能区敏感性测评。根据资料的可获取性和数据的有效性,分别从水功能区、生物、人口活动、洪水风险以及水质5个方面对LH流域一级水功能区控制单元的敏感性进行测评。LH流域共有35个一级水功能区控制单元。其中,保护区7个,占流域一级水功能区控制单元总数的20.00%;保留区7个,占流域一级水功能区控制单元总数的20.00%;农业用水区4个,占流域一级水功能区控制单元总数的11.43%;工业用水区4个,占流域一级水功能区控制单元总数的11.43%;缓冲区5个,占流域一级水功能区控制单元总数的14.29%;饮用水源区8个,占流域一级水功能区控制单元总数的22.86%,其空间分布如图2所示。
基于GIS的统计功能,计算得到LH流域水功能区的敏感性测评结果,其空间分布见附图3。可以看出,LH流域有12个高敏感性水功能区控制单元、21个中敏感性水功能区控制单元、2个低敏感性水功能区控制单元。分别占流域水功能区总数的34.28%、60.00%和5.72%,说明LH流域水功能区敏感性控制单元以中敏感性为主。
(4-1)LH流域污染源识别。通过对LH流域高清遥感影像数据进行处理,形成LH流域的高质量遥感影像图层,如图4所示。提取污染源的光谱特征、典型建筑物特征、污水排放时水面纹理、面积特征等信息,采用基于对率回归的深度学习算法,开展LH流域污染源的识别和定位工作,如图5所示。进一步的将识别的污染源排污口位置与实地调研结果进行验证,保障了识别结果的可靠性,如图6所示。
(4-2)LH流域污染源压力测评。通过对LH流域污染源合并、主体危险性和控制机制的定量化测评,得到LH流域各污染源的压力等级。各污染源压力等级空间分布如图7所示。可以看出,LH流域存在15个A类污染源,占总污染源个数的23.81%;32个B类污染源,占总污染源个数的50.79%;11个C类污染源,占总污染源个数的17.46%;8个D类污染源,占总污染源个数的7.94%。
(5)LH流域污染源风险等级划分。根据污染源的压力测评等级,结合水功能区敏感性测评结果,综合对LH河流域63个污染源进行风险性分级。可以得到,LH流域内存在24个特别重大风险性污染源,35个重大风险性污染源以及4个一般风险性污染源,分别占流域总污染源个数的38.10%、55.56%和6.35%,其空间分布如图8所示。
(6)LH流域水系风险场计算。通过对LH流域的污染源进行风险分级,划分为特别重大风险性污染源、重大风险性污染源以及一般风险性污染源。对不同风险等级的污染源赋值,作为水系风险场指数计算的输入条件。根据收集的LH流域干流以及一级支流的河道断面、河道流量等水文资料,采用河流、湖库一维混合衰减模型计算LH流域水系风险场的风险性。根据最不利的情景,综合衰减系数取0.1,河道流量采用2017年LH流域的年平均流量。根据式(6)~式(11)对LH流域35个水功能区的水系风险场风险值Rk进行计算,将LH流域水功能区水系风险场指数等级划分为低风险、较低风险、中风险、较高风险以及高风险5个等级。可以看出,LH流域有9个低风险场水功能区控制单元、12个较低风险场水功能区控制单元、8个中风险场水功能区控制单元、3个较高风险场水功能区控制单元以及3个高风险场水功能区控制单元,分别占流域总水功能区控制单元个数的25.17%、34.29%、22.86%、8.57%以及8.57%,其空间分布如图9所示。总体来看,在低风险场水功能区控制单元和较低风险场水功能区控制单元方面,主要是由于水功能区控制单元内的污染源个数较少且风险等级较低,加之部分水功能区的河道水系距离较长,对风险有足够的降解区域。中风险场水功能区控制单元主要受到本水功能区控制单元内的污染源以及上游风险场水功能区控制单元风险性累积的双重影响。较高风险场水功能区控制单元以及高风险场水功能区控制单元主要是由于本水功能区控制单元内存在多个污染源且污染源的风险等级较高,加之部分水功能区控制单元内的河道水系距离较短,对风险没有足够的降解区域,同时还受到上游风险场水功能区控制单元风险性的累积影响,综合导致了这部分风险场水功能区控制单元的风险性较高。
(7)LH流域水功能区水质风险测评及风险图编制。通过对LH流域水功能区控制单元敏感性测评、污染源压力测评和风险等级划分以及水功能区水系风险场指数计算,得到LH流域水功能区水质风险综合测评图,其空间分布如图10所示。可以看出,LH流域的水功能区敏感性空间分布、污染源风险等级及空间分布、水功能区水系风险场指数等级划分及空间分布。具体的,LH流域有12个高敏感性水功能区控制单元、21个中敏感性水功能区控制单元、2个低敏感性水功能区控制单元,其中高敏感性水功能区控制单元主要涉及保护区、保留区以及饮用水源区;就目前基于高清遥感影像进行深度学习识别的污染源中,LH流域有24个特别重大风险性污染源,35个重大风险性污染源以及4个一般风险性污染源,特别重大风险性污染源大多为中、小型的造纸厂、化工产业、冶金产业以及部分污水处理厂;结合水功能区控制单元敏感性以及污染源风险等级,采用河流、湖库一维混合衰减模型计算得到LH流域水功能区水系风险场指数,LH流域有9个低风险水功能区控制单元、12个较低风险水功能区控制单元、8个中风险水功能区控制单元、3个较高风险水功能区控制单元以及3个高风险水功能区控制单元,不同等级风险场的水功能区控制单元发生原因不尽相同,在低风险水功能区控制单元和较低风险水功能区控制单元中,主要是由于水功能区控制单元内的污染源个数较少且风险等级较低以及部分水功能区的河道水系距离较长,对风险有足够的降解区域,中风险水功能区控制单元主要受到水功能区控制单元内的污染源以及上游风险场水功能区控制单元风险性累积的双重影响,较高风险水功能区控制单元以及高风险水功能区控制单元主要是由于水功能区控制单元内存在多个污染源且污染源的风险等级较高、部分水功能区控制单元内的河道水系距离较短,对风险没有足够的降解区域,以及受到上游风险场水功能区控制单元的累积影响。
上述的实施例仅是本发明的部分体现,并不能涵盖本发明的全部,在上述实施例以及附图的基础上,本领域技术人员在不付出创造性劳动的前提下可获得更多的实施方式,因此这些不付出创造性劳动的前提下获得的实施方式均应包含在本发明的保护范围内。
Claims (6)
1.一种基于多源数据耦合的重要水功能区水质风险测评方法,其特征在于:将水功能区划分为多个水功能区控制单元,对每个水功能区控制单元进行敏感性测评;对水功能区污染源进行定位并进行污染源压力测评;基于敏感性测评结果和污染源压力测评结果进行水功能区控制单元内污染源风险等级划分;对不同等级的风险源赋值,作为输入条件代入河流、湖库一维稳态混合衰减模型,获得每个水功能区控制单元的水系风险场指数,进一步根据水功能区控制单元的范围将风险场指数分配到该区域,获得水功能区水质风险图;具体包括以下步骤:
1)构建水功能区水质风险测评基础数据库;
2)根据水功能区上下游断面及地理高程数据划分水功能区控制单元;
3)水功能区控制单元敏感性测评:首先建立水功能区控制单元敏感性测评体系,该体系包括3个层级:敏感性目标层、敏感性准则层和敏感性测评指标层,敏感性准则层为敏感性目标层的子层级,敏感性测评指标层为敏感性准则层的子层级,其中敏感性目标层包括1个项目,敏感性准则层包括至少5个项目,敏感性测评指标层包括至少10个项目;建立体系后进行量化,首先对敏感性测评指标进行计算并赋分,根据敏感性准则层赋分体系规定的指标权重,计算各类敏感性准则层得分;再根据敏感性目标层赋分体系规定的准则层权重,计算得到敏感性目标层得分;
4)污染源压力测评:包括污染源定位和污染源压力定量化测评两部分;所述污染源定位采用基于高精度遥感影像数据的污染源识别深度学习进行;所述污染源压力定量化测评,首先建立污染源压力测评体系,该体系包括3个层级:污染源压力目标层、污染源压力准则层和污染源压力测评指标层,其中污染源压力目标层1个项目、污染源压力准则层至少2个项目、污染源压力测评指标层至少5个项目,在量化过程中,首先对污染源压力测评指标进行计算并赋分,根据污染源压力准则层赋分体系规定的指标权重,计算污染源压力准则层得分,根据污染源压力目标层赋分体系规定的准则层权重,计算得到污染源压力目标层得分;
5)区内污染源风险等级划分:综合水功能区控制单元敏感性测评结果及污染源压力测评结果,构建基于水功能区水质风险的污染源风险等级测评矩阵,对水功能区控制单元内的所有污染源进行风险划分;
6)水系风险场计算:对不同风险等级的污染源赋值,作为输入条件代入河流、湖库一维稳态混合衰减模型,获得每个水功能控制单元的水系风险场指数;
风险场指数的具体计算方法为:
A、针对河道型水功能区:
a、当水功能区控制单元内存在一个风险源时,设该风险源的风险值为q0,参考河流一维稳态混合衰减模型,构造河道型水功能区下游控制断面的风险场指数Rk为:
式中:x为排污口距离水功能区下游控制断面的距离,单位为m;Q为水功能区河流流量,单位为m3/s;k为污染物质衰减系数,单位为1/d;ux为水功能区河流平均流速,单位为m/s;
b、当风险源处于支流上时,污染物质经过支流到达河道型水功能区下游控制断面时,该水功能区下游控制断面的风险场指数Rk为:
式中:x1为风险源在支流排污口与干支流交汇口的距离,单位为m,x2为干支流交汇口与水功能区下游控制断面的距离,单位为m;k为污染物质在河流的衰减系数,单位1/d;u1为支流的平均流速,单位为m/s;u2为水功能区干流的平均流速,单位为m/s;Q1为支流的河流流量,单位为m3/s;Q2为水功能区干流的河流流量,单位为m3/s;
c、对于水功能区控制单元存在多个风险源时,将各风险源产生的影响累加,风险场指数为:
式中,Rk为不同风险源对水功能区下游控制断面的风险场指数;n为水功能区控制单元内的风险源个数;
B、针对湖库型水功能区,采用一维稳态湖库混合衰减模型进行计算,设风险源的风险值为q0,湖库型水功能区下游控制断面的风险场指数Rk见下式:
其中
m0=C0QL (11)
式中:m为湖库中现有污染物的排入量,单位为g/s;m0为湖库入流污染物排放速率,单位为g/s;Kh为中间变量,单位为1/s;Qt为某一时刻的湖库出流量,单位为m3/s;V为设计水文条件下的湖库容积,单位为m3;t为计算时段长,单位为s;QL为湖库出流量,单位为m3/s;K为综合消减系数,单位为1/d;C0为湖库初始污染物浓度,单位为mg/L;
7)进一步根据水功能区控制单元的范围将风险场指数分配到该区域,获得水功能区水质风险图。
2.根据权利要求1所述的基于多源数据耦合的重要水功能区水质风险测评方法,其特征在于:步骤3)中敏感性准则层包括:水功能区、生物、人类活动、洪水风险、水质至少5个项目;水功能区项目对应的敏感性测评指标项目包括:水功能区类型;生物项目对应的敏感性测评指标项目包括:浮游植物数量、底栖动物完整性指数、鱼类生物损失指数;人口活动项目对应的敏感性测评指标项目包括:人口密度;洪水风险项目对应的敏感性测评指标项目包括:洪水灾害等级;水质项目对应的敏感性测评指标项目包括:水温变异情况、溶解氧情况、耗养污染状况、重金属污染状况。
3.根据权利要求1所述的基于多源数据耦合的重要水功能区水质风险测评方法,其特征在于:步骤4)中污染源定位包括以下步骤:a.需要对原始遥感图像进行辐射矫正、几何矫正和地理编码、图像增强、图像镶嵌以及不同数据源遥感图像数据融合处理,制作出统一标准的高质量遥感影像;b.建立污染源大样本数据库,从光谱特征、面积、形状和纹理四个方面提取污染源的特征信息;c.构建污染源识别深度学习算法:根据已知的一系列因变量估计离散数值,通过将数据拟合为一个逻辑函数来预估一个事件出现的概率,其输出值大小在0和1之间,其本质是某事件发生的概率与不发生的概率之比,可通过以下公式计算:
odds=p/(1-p) (2)
ln(odds)=ln(p/(1-p)) (3)
logit(p)=ln(p/(1-p))=b0+b1x1+b2x2+b3x3…+bkxk (4)
式中:P代表污染源的特征信息出现的概率,所述特征信息包括:光谱特征、面积、形状、纹理;b0、b1、b2、b3、bk为拟合逻辑函数的常系数;x1、x2、x3、xk为拟合逻辑函数输入的样本参数值,包括光谱特征,面积,形状,纹理。
4.根据权利要求1所述的基于多源数据耦合的重要水功能区水质风险测评方法,其特征在于:步骤4)中污染源压力准则层包括:主体危险性和控制机制至2个项目;主体危险性项目对应的污染源压力测评指标项目包括:行业类别、行业工艺水平、污水水质复杂程度、企业环境不良记录;控制机制项目对应的污染源压力测评指标项目包括:安全措施。
5.根据权利要求1所述的基于多源数据耦合的重要水功能区水质风险测评方法,其特征在于:步骤5)中基于水功能区水质风险的污染源风险等级测评矩阵中,污染源压力测评结果由高至低分为A、B、C、D四类,水功能区敏感性测评结果分为低敏感性、中敏感性、高敏感性三个等级;A×中敏感性、A×高敏感性、B×高敏感性的交点为特别重大风险性污染源;A×低敏感性、B×低敏感性、B×中敏感性、C×中敏感性、C×高敏感性、D×高敏感性的交点均为重大风险性污染源;C×低敏感性、D×低敏感性、D×中敏感性的交点为一般风险性污染源。
6.根据权利要求1所述的基于多源数据耦合的重要水功能区水质风险测评方法,其特征在于:步骤1)采集的数据包括地理高程、行政区划分、交通路线、水功能区地理信息、社会经济及人类活动数据、工业企业信息数据及水文资料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910971433.4A CN110765419B (zh) | 2019-10-14 | 2019-10-14 | 一种基于多源数据耦合的重要水功能区水质风险测评方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910971433.4A CN110765419B (zh) | 2019-10-14 | 2019-10-14 | 一种基于多源数据耦合的重要水功能区水质风险测评方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110765419A CN110765419A (zh) | 2020-02-07 |
CN110765419B true CN110765419B (zh) | 2020-07-03 |
Family
ID=69332001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910971433.4A Active CN110765419B (zh) | 2019-10-14 | 2019-10-14 | 一种基于多源数据耦合的重要水功能区水质风险测评方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110765419B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111398548B (zh) * | 2020-04-09 | 2021-05-28 | 中国水利水电科学研究院 | 一种基于植物作用的表面流湿地水体氮磷浓度预测方法 |
CN113139757A (zh) * | 2020-10-20 | 2021-07-20 | 中科三清科技有限公司 | 污染源排污量化分析方法及装置 |
CN114252575B (zh) * | 2021-12-13 | 2024-03-08 | 甘肃省水利厅石羊河流域水资源利用中心 | 一种水质监测方法、电子设备及计算机存储介质 |
CN115327061B (zh) * | 2022-08-15 | 2023-08-22 | 山东清锦环保科技有限公司 | 水质重金属检测方法、装置、设备及存储介质 |
CN116308147B (zh) * | 2023-03-05 | 2023-10-27 | 广分测信(广州)环保科技有限公司 | 水环境重金属污染防控系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103942406A (zh) * | 2014-02-12 | 2014-07-23 | 南京大学 | 一种流域跨界区域水环境风险源风险表征方法 |
CN108287950A (zh) * | 2017-12-27 | 2018-07-17 | 环境保护部环境规划院 | 基于控制单元水环境质量目标管理的水质模拟方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101582192A (zh) * | 2008-05-16 | 2009-11-18 | 南京大学 | 一种水体环境预警系统的建立方法 |
CN109816264B (zh) * | 2019-02-01 | 2020-08-28 | 华南理工大学 | 一种区域突发流域水环境的风险评估方法及系统 |
CN109740971B (zh) * | 2019-02-01 | 2020-12-22 | 华南理工大学 | 一种危化品生产企业突发流域水环境的风险评估方法及系统 |
-
2019
- 2019-10-14 CN CN201910971433.4A patent/CN110765419B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103942406A (zh) * | 2014-02-12 | 2014-07-23 | 南京大学 | 一种流域跨界区域水环境风险源风险表征方法 |
CN108287950A (zh) * | 2017-12-27 | 2018-07-17 | 环境保护部环境规划院 | 基于控制单元水环境质量目标管理的水质模拟方法 |
Non-Patent Citations (1)
Title |
---|
"湖泊流域非点源污染分区精细化模似与多级优先控制区识别";陈学凯;《中国博士学位论文全文数据库工程科技I辑》;20190815(第8期);B027-72页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110765419A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110765419B (zh) | 一种基于多源数据耦合的重要水功能区水质风险测评方法 | |
Yao et al. | Assessment of lake eutrophication using a novel multidimensional similarity cloud model | |
Khan et al. | Evaluation of heavy metal pollution for River Gomti, in parts of Ganga Alluvial Plain, India | |
Srivastava et al. | Integrated framework for monitoring groundwater pollution using a geographical information system and multivariate analysis | |
Al Mamun et al. | Assessment of surface water quality using Fuzzy Analytic Hierarchy Process (FAHP): A case study of Piyain River's sand and gravel quarry mining area in Jaflong, Sylhet | |
Batbayar et al. | Chemical water quality gradients in the Mongolian sub-catchments of the Selenga River basin | |
Wan et al. | A novel comprehensive model of set pair analysis with extenics for river health evaluation and prediction of semi-arid basin-A case study of Wei River Basin, China | |
Zhang et al. | Use of interpretable machine learning to identify the factors influencing the nonlinear linkage between land use and river water quality in the Chesapeake Bay watershed | |
Zhao et al. | Making global river ecosystem health assessments objective, quantitative and comparable | |
Pardo et al. | An invertebrate predictive model (NORTI) for streams and rivers: sensitivity of the model in detecting stress gradients | |
Wu et al. | Importance of sampling frequency when collecting diatoms | |
Malan et al. | Water quality and wetlands: defining Ecological Categories and links with land-use | |
Bravo et al. | Fate of phosphorus from a point source in the Lake Michigan nearshore zone | |
Edman et al. | Nutrient retention in the Swedish coastal zone | |
Singh et al. | Assessing the impacts of industrial wastewater on the inland surface water quality: An application of analytic hierarchy process (AHP) model-based water quality index and GIS techniques | |
Zhang et al. | Real-time prediction of river chloride concentration using ensemble learning | |
Valentukevičienė et al. | Evaluating the impacts of integrated pollution on water quality of the trans-boundary neris (viliya) river | |
Yang et al. | Urban closed lakes: Nutrient sources, assimilative capacity and pollutant reduction under different precipitation frequencies | |
Radu et al. | Overall assessment of surface water quality in the Lower Danube River | |
Aalirezaei et al. | Prediction of water security level for achieving sustainable development objectives in Saskatchewan, Canada: Implications for resource conservation in developed economies | |
Farhat et al. | Analyzing the scholarly footprint of ChatGPT: Mapping the progress and identifying future trends | |
Do et al. | Assessing surface water pollution in Hanoi, Vietnam, using remote sensing and machine learning algorithms | |
Pan et al. | Assessment Methods of Small Watershed Ecosystem Health. | |
Wu et al. | Assessment and management of nonpoint source pollution based on multicriteria analysis | |
Xia et al. | Urban water system theory and its model development and application |
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 |