CN111103416A - 一种水源污染预警方法及系统 - Google Patents

一种水源污染预警方法及系统 Download PDF

Info

Publication number
CN111103416A
CN111103416A CN201911393364.XA CN201911393364A CN111103416A CN 111103416 A CN111103416 A CN 111103416A CN 201911393364 A CN201911393364 A CN 201911393364A CN 111103416 A CN111103416 A CN 111103416A
Authority
CN
China
Prior art keywords
water
early warning
monitored
deep learning
water sample
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
CN201911393364.XA
Other languages
English (en)
Inventor
向良帅
张琨
张栖
冯旭
谢春
唐道德
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.)
Chongqing Commercial Service Technology Co ltd
Original Assignee
Chongqing Commercial Service 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 Chongqing Commercial Service Technology Co ltd filed Critical Chongqing Commercial Service Technology Co ltd
Priority to CN201911393364.XA priority Critical patent/CN111103416A/zh
Publication of CN111103416A publication Critical patent/CN111103416A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01N33/186—Water using one or more living organisms, e.g. a fish
    • G01N33/1866—Water using one or more living organisms, e.g. a fish using microorganisms
    • 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

Abstract

本发明提供一种水源污染预警方法及系统，通过将聚氨酯泡沫块沉入待监测水体设定时间后，收取监测水样；检测监测水样中微生物种类和对应密度；将微生物种类和对应密度输入到预先构建的深度学习模型中；根据深度学习模型输出的预测结果，对待监测水体进行预警；利用PFU(Polyurethane Foam Unit)微型生物群落监测结合计算机深度学习算法，在选取足够量数据基数的情况下，通过计算机深度学习可将每次预警层级划分为更为清晰准确，在不需要选取对比水样的情况下，直接对每次所取的水样进行定性定量判断预警等级，使得经深度学习后的系统对饮用水源污染预警更加准确、灵敏、可靠。

Description

一种水源污染预警方法及系统
技术领域
本发明涉及水污染检测技术领域，尤其涉及一种水源污染预警方法及系统。
背景技术
我国是一个淡水资源短缺的国家，虽然淡水资源总量为2.8万亿立方，排名世界第六，但人均淡水资源量仅为世界平均水平的四分之一，随着社会经济的高速发展，我国的水体环境面临污染加剧的困境。近年来，根据环境保护部对全国河流、湖泊、水库等水质状况的调查，我国七大水系、主要湖泊、近岸海域及部分地区的地下水均受到不同程度的污染。流域的水污染引起系列生态环境问题，造成水体生态功能退化。
水资源对于人类具有特别重要的意义，水污染问题已经是国家发展必须解决的问题，能够找到可快速、准确地调查预警水源污染状况的方法，对饮用水源污染的预警具有重大意义，以往的饮用水源污染预警只能定性、定量预警水污染严重程度，且常规的仪器和化学手段监测只反映采样瞬时的污染物浓度，不能反映多种污染物共同作用的综合结果，不能体现污染因素对人和生物的危害及对环境的综合效应。
发明内容
本发明提供的一种水源污染预警方法及系统，主要解决的技术问题是：如何快速、准确地调查预警水源污染状况。
为解决上述技术问题，本发明提供一种水源污染预警方法，包括：
将聚氨酯泡沫块沉入待监测水体设定时间后，收取监测水样；
检测所述监测水样中微生物种类和对应密度；
将所述微生物种类和对应密度输入到预先构建的深度学习模型中；
根据所述深度学习模型输出的预测结果，对所述待监测水体进行预警。
可选的，所述深度学习模型是根据不同类型水体的若干样本，并输入定义的预警限值进行学习得到的。
可选的，所述预警限值包括：总大肠菌群、耐热大肠菌群、大肠埃希氏菌在监测水样中不得检出，且菌落总数小于100CFU/ML、贾第鞭毛虫小于1个/10L、隐孢子虫小于1个/10L。
可选的，所述不同类型水体包括Ⅰ类水体、Ⅱ类水体、Ⅲ类水体。
可选的，所述不同类型水体还包括Ⅳ类水体、Ⅴ类水体。
可选的，所述设定时间根据待监测水体条件进行设置，所述待监测水体条件包括流水、静水。
可选的，所述根据所述深度学习模型输出的预测结果，对所述待监测水体进行预警包括：
在预测结果为所述监测水样中检出总大肠菌群、耐热大肠菌群、大肠埃希氏菌，直接亮红灯进行严重污染预警；
在预测结果为所述监测水样中未总大肠菌群、耐热大肠菌群、大肠埃希氏菌，且菌落总数在80～100CFU/ML、贾第鞭毛虫在0.8～1个/10L、隐孢子虫0.8～1个/10L,亮红灯进行严重污染预警；
在预测结果为所述监测水样中未检出总大肠菌群、耐热大肠菌群、大肠埃希氏菌，且菌落总数在50～80CFU/ML、贾第鞭毛虫0.5～0.8个/10L、隐孢子虫0.5～0.8个/10L，亮橙色灯进行中度预警；
在预测结果为所述监测水样中未检测总大肠菌群、耐热大肠菌群、大肠埃希氏菌，且菌落总数小于50CFU/ML、贾第鞭毛虫小于0.5个/10L、隐孢子虫小于0.5个/10L，亮绿灯进行低度污染预警。
本发明还提供一种水源污染预警系统，包括：
水样收取装置，用于对待监测水体收取监测水样；
原生生物监测装置，用于检测所述监测水样中微生物种类和对应密度；
深度学习模块，用于基于输入的微生物种类和对应密度，输出预测结果；
预警模块，用于根据所述预测结果，对所述待监测水体进行预警。
可选的，所述水样收取装置包括聚氨酯泡沫块、投放收取装置、周期设定装置；所述聚氨酯泡沫块用于沉入待监测水体中，所述投放收取装置用于根据所述周期设定装置设置的设定时间，将所述聚氨酯泡沫块从所述待监测水体中提起，以收取监测水样。
可选的，所述深度学习模块是根据不同类型水体的若干样本，并输入定义的预警限值进行学习得到的。
本发明的有益效果是：
根据本发明提供的一种水源污染预警方法及系统，通过将聚氨酯泡沫块沉入待监测水体设定时间后，收取监测水样；检测监测水样中微生物种类和对应密度；将微生物种类和对应密度输入到预先构建的深度学习模型中；根据深度学习模型输出的预测结果，对待监测水体进行预警；利用PFU(Polyurethane Foam Unit)微型生物群落监测结合计算机深度学习算法，在选取足够量数据基数的情况下，通过计算机深度学习可将每次预警层级划分为更为清晰准确，在不需要选取对比水样的情况下，直接对每次所取的水样进行定性定量判断预警等级，使得经深度学习后的系统对饮用水源污染预警更加准确、灵敏、可靠。
附图说明
图1为本发明实施例一的水源污染预警方法示意图；
图2为本发明实施例二的水源污染预警系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例一：
请参见图1，图1为本实施例的水源污染预警方法示意图，该方法主要包括如下步骤：
S101、将聚氨酯泡沫块沉入待监测水体设定时间后，收取监测水样。
聚氨酯泡沫块浸泡水体中，曝露一定时间后，水体中大部分微型生物种类均可群集到泡沫块内，挤出的水样能代表该水体中的微型生物群落。以预报工业废水和化学品对受纳水体中微型生物群落的毒性强度，为制定其预警安全浓度和预警最高允许浓度提出群落级水平的基准。
设定时间根据待监测水体条件进行设置，所述待监测水体条件包括流水、静水。可选的，静水四周，流水两周。
S102、检测监测水样中微生物种类和对应密度。
对聚氨酯泡沫块收集到的监测水样进行保护性收取，将所取水样倒入原生生物监测装置中进行微生物种类和数量的监测，得到不同种类对应密度。
S103、将微生物种类和对应密度输入到预先构建的深度学习模型中。
深度学习模型是根据不同类型水体的若干样本，并输入定义的预警限值进行学习得到的。
其中，预警限值包括：总大肠菌群、耐热大肠菌群、大肠埃希氏菌在监测水样中不得检出，且菌落总数小于100CFU/ML、贾第鞭毛虫小于1个/10L、隐孢子虫小于1个/10L。
不同类型水体包括Ⅰ类水体(主要适用于源头水、国家自然保护区)、Ⅱ类水体(主要适用于集中式生活饮用水地表水源地一级保护区、珍稀水生生物栖息地、鱼虾类产场、仔稚幼鱼的索饵场等)、Ⅲ类水体(主要适用于集中式生活饮用水地表水源地二级保护区、鱼虾类越冬场、洄游通道、水产养殖区等渔业水域及游泳区)。
例如，用聚氨酯泡沫块取Ⅲ类水体、Ⅱ类水体、Ⅰ类水体的样本各1000个进行训练学习，通过监测设备测定总大肠菌群、耐热大肠菌群、菌落总数、贾第鞭毛虫、隐孢子虫、大肠埃希氏菌。
可选的，不同类型水体还包括Ⅳ类水体(主要适用于一般工业用水区及人体非直接接触的娱乐用水区)、Ⅴ类水体(主要适用于农业用水区及一般景观要求水域)。
S104、根据深度学习模型输出的预测结果，对待监测水体进行预警。
可选的，在预测结果为监测水样中检出总大肠菌群、耐热大肠菌群、大肠埃希氏菌，直接亮红灯进行严重污染预警；
在预测结果为监测水样中未总大肠菌群、耐热大肠菌群、大肠埃希氏菌，且菌落总数在80～100CFU/ML、贾第鞭毛虫在0.8～1个/10L、隐孢子虫0.8～1个/10L,亮红灯进行严重污染预警；
在预测结果为监测水样中未检出总大肠菌群、耐热大肠菌群、大肠埃希氏菌，且菌落总数在50～80CFU/ML、贾第鞭毛虫0.5～0.8个/10L、隐孢子虫0.5～0.8个/10L，亮橙色灯进行中度预警；
在预测结果为监测水样中未检测总大肠菌群、耐热大肠菌群、大肠埃希氏菌，且菌落总数小于50CFU/ML、贾第鞭毛虫小于0.5个/10L、隐孢子虫小于0.5个/10L，亮绿灯进行低度污染预警。
本实施例提供的水源污染预警方法，利用PFU微型生物群落监测结合计算机深度学习算法，在选取足够量数据基数的情况下，通过计算机深度学习可将每次预警层级划分为更为清晰准确，在不需要选取对比水样的情况下，直接对每次所取的水样进行定性定量判断预警等级，使得经深度学习后的系统对饮用水源污染预警更加准确、灵敏、可靠。
实施例二：
本实施例提供一种水源污染预警系统，请参见图2，该系统主要包括：
水样收取装置10用于对待监测水体收取监测水样.
原生生物监测装置20用于检测监测水样中微生物种类和对应密度。
深度学习模块30用于基于输入的微生物种类和对应密度，输出预测结果。
预警模块40用于根据预测结果，对待监测水体进行预警。
水样收取装置10包括聚氨酯泡沫块11、投放收取装置12、周期设定装置13；聚氨酯泡沫块11用于沉入待监测水体中，投放收取装置12用于根据周期设定装置设置的设定时间，将聚氨酯泡沫块11从所述待监测水体中提起，以收取监测水样。在投放聚氨酯泡沫块11的同时，通过周期设定装置13设置好提取监测水样的收取周期，投放收取装置12全自动的进行收取操作，减少过程中人工的操作步骤。
对聚氨酯泡沫块11收集到的水样进行保护性收取，将所取水样倒入原生生物监测装置进行微生物种类和数量的监测。
深度学习模块30是根据不同类型水体的若干样本，并输入定义的预警限值进行学习得到的。例如，针对地表水环境质量标准划分的五类水体，用聚氨酯泡沫块取Ⅲ类水体、Ⅱ类水体、Ⅰ类水体的样本各1000个进行训练学习，通过监测设备测定总大肠菌群、耐热大肠菌群、菌落总数、贾第鞭毛虫、隐孢子虫、大肠埃希氏菌。
预警限值包括：总大肠菌群、耐热大肠菌群、大肠埃希氏菌在监测水样中不得检出，且菌落总数小于100CFU/ML、贾第鞭毛虫小于1个/10L、隐孢子虫小于1个/10L。
由深度学习算法在储存装置中对所测数据及最终定级信息进行存储，并录入数据库对进行训练学习。
预警系统的警报灯分为三个颜色，分别为绿色、橙色、红色，每个颜色的警报分别代表低度、中度、严重污染状态。
可选的，在预测结果为所述监测水样中检出总大肠菌群、耐热大肠菌群、大肠埃希氏菌，直接亮红灯进行严重污染预警；
在预测结果为所述监测水样中未总大肠菌群、耐热大肠菌群、大肠埃希氏菌，且菌落总数在80～100CFU/ML、贾第鞭毛虫在0.8～1个/10L、隐孢子虫0.8～1个/10L,亮红灯进行严重污染预警；
在预测结果为所述监测水样中未检出总大肠菌群、耐热大肠菌群、大肠埃希氏菌，且菌落总数在50～80CFU/ML、贾第鞭毛虫0.5～0.8个/10L、隐孢子虫0.5～0.8个/10L，亮橙色灯进行中度预警；
在预测结果为所述监测水样中未检测总大肠菌群、耐热大肠菌群、大肠埃希氏菌，且菌落总数小于50CFU/ML、贾第鞭毛虫小于0.5个/10L、隐孢子虫小于0.5个/10L，亮绿灯进行低度污染预警。
通过叠加完善每次的数据和预警等级，可使水源污染预警系统的预警准确精度更加完善准确。
显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种水源污染预警方法，其特征在于，包括：
将聚氨酯泡沫块沉入待监测水体设定时间后，收取监测水样；
检测所述监测水样中微生物种类和对应密度；
将所述微生物种类和对应密度输入到预先构建的深度学习模型中；
根据所述深度学习模型输出的预测结果，对所述待监测水体进行预警。
2.如权利要求1所述的水源污染预警方法，其特征在于，所述深度学习模型是根据不同类型水体的若干样本，并输入定义的预警限值进行学习得到的。
3.如权利要求2所述的水源污染预警方法，其特征在于，所述预警限值包括：总大肠菌群、耐热大肠菌群、大肠埃希氏菌在监测水样中不得检出，且菌落总数小于100CFU/ML、贾第鞭毛虫小于1个/10L、隐孢子虫小于1个/10L。
4.如权利要求2所述的水源污染预警方法，其特征在于，所述不同类型水体包括Ⅰ类水体、Ⅱ类水体、Ⅲ类水体。
5.如权利要求4所述的水源污染预警方法，其特征在于，所述不同类型水体还包括Ⅳ类水体、Ⅴ类水体。
6.如权利要求1-5任一项所述的水源污染预警方法，其特征在于，所述设定时间根据待监测水体条件进行设置，所述待监测水体条件包括流水、静水。
7.如权利要求1-5任一项所述的水源污染预警方法，其特征在于，所述根据所述深度学习模型输出的预测结果，对所述待监测水体进行预警包括：
在预测结果为所述监测水样中检出总大肠菌群、耐热大肠菌群、大肠埃希氏菌，直接亮红灯进行严重污染预警；
在预测结果为所述监测水样中未总大肠菌群、耐热大肠菌群、大肠埃希氏菌，且菌落总数在80～100CFU/ML、贾第鞭毛虫在0.8～1个/10L、隐孢子虫0.8～1个/10L,亮红灯进行严重污染预警；
在预测结果为所述监测水样中未检出总大肠菌群、耐热大肠菌群、大肠埃希氏菌，且菌落总数在50～80CFU/ML、贾第鞭毛虫0.5～0.8个/10L、隐孢子虫0.5～0.8个/10L，亮橙色灯进行中度预警；
在预测结果为所述监测水样中未检测总大肠菌群、耐热大肠菌群、大肠埃希氏菌，且菌落总数小于50CFU/ML、贾第鞭毛虫小于0.5个/10L、隐孢子虫小于0.5个/10L，亮绿灯进行低度污染预警。
8.一种水源污染预警系统，其特征在于，包括：
水样收取装置，用于对待监测水体收取监测水样；
原生生物监测装置，用于检测所述监测水样中微生物种类和对应密度；
深度学习模块，用于基于输入的微生物种类和对应密度，输出预测结果；
预警模块，用于根据所述预测结果，对所述待监测水体进行预警。
9.如权利要求8所述的水源污染预警系统，其特征在于，所述水样收取装置包括聚氨酯泡沫块、投放收取装置、周期设定装置；所述聚氨酯泡沫块用于沉入待监测水体中，所述投放收取装置用于根据所述周期设定装置设置的设定时间，将所述聚氨酯泡沫块从所述待监测水体中提起，以收取监测水样。
10.如权利要求9所述的水源污染预警系统，其特征在于，所述深度学习模块是根据不同类型水体的若干样本，并输入定义的预警限值进行学习得到的。
CN201911393364.XA 2019-12-30 2019-12-30 一种水源污染预警方法及系统 Pending CN111103416A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911393364.XA CN111103416A (zh) 2019-12-30 2019-12-30 一种水源污染预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911393364.XA CN111103416A (zh) 2019-12-30 2019-12-30 一种水源污染预警方法及系统

Publications (1)

Publication Number Publication Date
CN111103416A true CN111103416A (zh) 2020-05-05

Family

ID=70424314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911393364.XA Pending CN111103416A (zh) 2019-12-30 2019-12-30 一种水源污染预警方法及系统

Country Status (1)

Country Link
CN (1) CN111103416A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113418889A (zh) * 2021-05-17 2021-09-21 中国海洋大学 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法
CN114965928A (zh) * 2022-06-06 2022-08-30 南京国环科技股份有限公司 地下水污染智能无线监测方法及系统
CN115859770A (zh) * 2022-10-25 2023-03-28 浙江问源环保科技股份有限公司 基于ga和ffnn的生活污水粪大肠菌群在线监测系统和装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101900687A (zh) * 2010-07-06 2010-12-01 重庆大学 一种基于图像处理的小型水域水华监测预警方法
CN103177243A (zh) * 2013-03-15 2013-06-26 浙江大学 一种海洋微生物的实时监测方法
CN107569889A (zh) * 2017-10-12 2018-01-12 西安思坦科技有限公司 关于隐孢子虫和贾第鞭毛虫的过滤回收装置及其系统
CN108334977A (zh) * 2017-12-28 2018-07-27 鲁东大学 基于深度学习的水质预测方法及系统
CN108562709A (zh) * 2018-04-25 2018-09-21 重庆工商大学 一种基于卷积自编码器极限学习机的污水处理系统水质监测预警方法
CN108830425A (zh) * 2018-06-26 2018-11-16 北京高能时代环境技术股份有限公司 水库水质预测系统及方法
CN109448445A (zh) * 2018-09-05 2019-03-08 南京航空航天大学 基于长短期记忆神经网络的航班延误分级预警方法
CN109614924A (zh) * 2018-12-07 2019-04-12 江西洪都航空工业集团有限责任公司 一种基于深度学习算法的水面垃圾检测方法
CN110308255A (zh) * 2019-05-08 2019-10-08 宁波大学 一种基于污染指示菌群对近海水体污染程度定量预测方法
CN110487980A (zh) * 2019-06-27 2019-11-22 江苏亚寰环保科技股份有限公司 一种基于人工智能与机器学习算法的水环境监测分析系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101900687A (zh) * 2010-07-06 2010-12-01 重庆大学 一种基于图像处理的小型水域水华监测预警方法
CN103177243A (zh) * 2013-03-15 2013-06-26 浙江大学 一种海洋微生物的实时监测方法
CN107569889A (zh) * 2017-10-12 2018-01-12 西安思坦科技有限公司 关于隐孢子虫和贾第鞭毛虫的过滤回收装置及其系统
CN108334977A (zh) * 2017-12-28 2018-07-27 鲁东大学 基于深度学习的水质预测方法及系统
CN108562709A (zh) * 2018-04-25 2018-09-21 重庆工商大学 一种基于卷积自编码器极限学习机的污水处理系统水质监测预警方法
CN108830425A (zh) * 2018-06-26 2018-11-16 北京高能时代环境技术股份有限公司 水库水质预测系统及方法
CN109448445A (zh) * 2018-09-05 2019-03-08 南京航空航天大学 基于长短期记忆神经网络的航班延误分级预警方法
CN109614924A (zh) * 2018-12-07 2019-04-12 江西洪都航空工业集团有限责任公司 一种基于深度学习算法的水面垃圾检测方法
CN110308255A (zh) * 2019-05-08 2019-10-08 宁波大学 一种基于污染指示菌群对近海水体污染程度定量预测方法
CN110487980A (zh) * 2019-06-27 2019-11-22 江苏亚寰环保科技股份有限公司 一种基于人工智能与机器学习算法的水环境监测分析系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金银龙 等，: "《GB5749-2006中华人民共和国国家标准》", 29 December 2006 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113418889A (zh) * 2021-05-17 2021-09-21 中国海洋大学 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法
CN113418889B (zh) * 2021-05-17 2023-05-26 中国海洋大学 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法
CN114965928A (zh) * 2022-06-06 2022-08-30 南京国环科技股份有限公司 地下水污染智能无线监测方法及系统
CN114965928B (zh) * 2022-06-06 2023-09-05 南京国环科技股份有限公司 地下水污染智能无线监测方法及系统
CN115859770A (zh) * 2022-10-25 2023-03-28 浙江问源环保科技股份有限公司 基于ga和ffnn的生活污水粪大肠菌群在线监测系统和装置
CN115859770B (zh) * 2022-10-25 2023-08-04 浙江问源环保科技股份有限公司 基于ga和ffnn的生活污水粪大肠菌群在线监测系统和装置

Similar Documents

Publication Publication Date Title
CN111103416A (zh) 一种水源污染预警方法及系统
Borja et al. Assessing the environmental quality status in estuarine and coastal systems: comparing methodologies and indices
Adamovich et al. Relations between variations in the lake bacterioplankton abundance and the lake trophic state: Evidence from the 20-year monitoring
van der Linden et al. Spatial and temporal response of multiple trait-based indices to natural-and anthropogenic seafloor disturbance (effluents)
Bouchet et al. Indicative value of benthic foraminifera for biomonitoring: Assignment to ecological groups of sensitivity to total organic carbon of species from European intertidal areas and transitional waters
Englebert et al. Effects of the nuisance algae, Cladophora, on Escherichia coli at recreational beaches in Wisconsin
Carvalho et al. The current status of a sample of English Sites of Special Scientific Interest subject to eutrophication
Baek et al. Assessing the ecosystem health status of Korea Gwangyang and Jinhae bays based on a planktonic index of biotic integrity (P-IBI)
Stanković et al. In situ effects of a microplastic mixture on the community structure of benthic macroinvertebrates in a freshwater pond
Ndah et al. A systematic study of zooplankton-based indices of marine ecological change and water quality: Application to the European marine strategy framework Directive (MSFD)
Salas et al. Application of the exergy index as ecological indicator of organically enrichment areas in the Mar Menor lagoon (south-eastern Spain)
Mueting et al. An evaluation of artificial substrates for monitoring the quagga mussel (Dreissena bugensis) in Lake Mead, Nevada–Arizona
Dou et al. Influence of environmental variables on macroinvertebrate community structure in Lianhuan Lake
da Silva et al. Beta diversity patterns in zooplankton assemblages from a semiarid river ecosystem
Han et al. Local and geographical factors jointly drive elevational patterns of phytoplankton in the source region of the Yangtze River, China
CN115343439B (zh) 一种城市内河流域水质监测方法
Yildirim et al. Monitoring and evaluation of coastal water quality parameters in Fethiye Bay, Turkey
KR20100083095A (ko) 파래의 포자 방출을 이용하여 독성을 진단하기 위한 키트 및 방법
Zhao et al. Effects and prediction of nonpoint source pollution on the structure of aquatic food webs
Lal et al. Assessing the water quality of Suva foreshore for the establishment of estuary and marine recreational water guidelines in the Fiji Islands
Gabriel et al. Microplastic Abundance and Distribution in the Sediment of Cagayan de Oro River, Philippines
CN114455715B (zh) 一种基于“药方式”的水体生态治理方法及系统
Brion et al. New approach to use of total coliform test for watershed management
CN110724723B (zh) 一种测算污染物生态毒性效应半效浓度的方法
Lohaka et al. Preliminary study of the structure of the aquatic macroinvertebrate stands in lake Mai Ndombe in the province of Mai Ndombe in the RDC

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: 20200505

RJ01 Rejection of invention patent application after publication