CN111461167B - 基于大数据的污染源定位方法、装置、设备及存储介质 - Google Patents
基于大数据的污染源定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111461167B CN111461167B CN202010136439.2A CN202010136439A CN111461167B CN 111461167 B CN111461167 B CN 111461167B CN 202010136439 A CN202010136439 A CN 202010136439A CN 111461167 B CN111461167 B CN 111461167B
- Authority
- CN
- China
- Prior art keywords
- pollutant
- pollution
- preset
- target
- source
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 456
- 231100000719 pollutant Toxicity 0.000 claims abstract description 456
- 239000010865 sewage Substances 0.000 claims abstract description 88
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 52
- 238000013145 classification model Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 28
- 238000004519 manufacturing process Methods 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 19
- 239000002351 wastewater Substances 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 9
- 229910052698 phosphorus Inorganic materials 0.000 description 9
- 239000011574 phosphorus Substances 0.000 description 9
- 239000000356 contaminant Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 7
- 239000010775 animal oil Substances 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 235000015112 vegetable and seed oil Nutrition 0.000 description 4
- 239000008158 vegetable oil Substances 0.000 description 4
- 238000005406 washing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 229910001385 heavy metal Inorganic materials 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003911 water pollution Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 229920002678 cellulose Polymers 0.000 description 2
- 239000001913 cellulose Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
- 238000009418 renovation Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大数据技术领域，公开了一种基于大数据的污染源定位方法、装置、设备及存储介质。基于大数据的污染源定位方法包括：在预置时长范围内对目标河段区域进行监测并采集数据，得到多个排污口对应的监测数据；基于预置分类模型对污染物进行分类，得到污染源；根据污染物浓度计算污染源对应的污染物排放量；通过预置算法计算污染物排放量与监测数据的相关性，得到排污规律画像；当检测到污染物浓度超标时，根据排污规律画像对超标的污染物进行匹配分析，得到目标污染源；当目标污染源为工业源时，从排污规律画像中确定目标企业，并发送预置预警信息。本发明通过挖掘不同类型的污染源排放规律，提高污染源定位的精准率，并及时预警。
Description
技术领域
本发明涉及知识关系挖掘领域，尤其涉及基于大数据的污染源定位方法、装置、设备及存储介质。
背景技术
当前社会经济高速发展，环境问题日渐突出，水环境问题尤为严重。水污染治理主要包括现状调查、问题分析、技术选择、整治方案四个步骤。通过多样的监测手段实现对水体的全面监测，发现水体的污染问题，通过技术手段得出科学的整治方案，最终实施完成水环境治理。
水环境污染溯源中常用传统排查方式，传统排查方式包括确定性方式和随机方式。其中，确定性方式主要是解析法、因子分析法、聚类分析和层次分析的溯源算法。随机方式是基于概率学的溯源算法，包括基于少量监测数据的水动力学理论反演算法、基于定量监测数据的成分比例分析算法、基于大量监测数据的污染源排查算法，以及基于特殊监测方法的溯源算法。
但是目前通过传统排查方式查找污染源头，工作量大。同时单一分析算法忽略了实际定位污染源过程中存在不同的要素叠加影响，导致定位污染源精准率低。另外，通过一些溯源设备进行追踪，由于应用场景多为突发性水环境告警事件，定位设备存在滞后性，导致定位污染源效率低下。
发明内容
本发明的主要目的在于解决了现有的水环境污染源定位精准率低下的技术问题。
为实现上述目的，本发明第一方面提供了一种基于大数据的污染源定位方法，包括：在预置时长范围内对目标河段区域进行监测并采集数据，得到多个排污口对应的监测数据，所述监测数据包括多个类型的污染物和污染物浓度，每个排污口通过预置唯一标识与目标企业关联；基于预置分类模型对所述多个类型的污染物进行分类，得到对应的污染源，所述污染源包括工业源、生活源和面源；根据所述污染物浓度计算所述污染源对应的污染物排放量，所述污染物排放量包括所述工业源的污染物排放量、所述生活源的污染物排放量和所述面源的污染物排放量；通过预置算法计算所述污染物排放量与所述监测数据的相关性，得到所述污染源对应的排污规律画像；当检测到所述目标河段区域中污染物浓度超标时，根据所述排污规律画像对超标的污染物进行匹配分析，得到目标污染源；当所述目标污染源为所述工业源时，从排污规律画像中查询所述超标的污染物对应的排污口，根据所述排污口对应的预置唯一标识确定存在偷排行为的目标企业，并发送预置预警信息到目标终端。
可选的，在本发明第一方面的第一种实现方式中，所述基于预置分类模型对所述多个类型的污染物进行分类，得到对应的污染源，所述污染源包括工业源、生活源和面源，包括：获取所述目标企业的预置污染数据，并从所述目标企业的预置污染数据中确定污染物类型以及污染物浓度范围，得到第一污染物数据集；获取所述目标河段区域已公布的污染物，并将所述已公布的污染物设置为第二污染物数据集；对所述第一污染物数据集和所述第二污染物数据集进行融合，并对融合后的染物数据集标识污染源，得到污染物样本库，污染源包括工业源、生活源和面源；根据所述污染物样本库对初始分类模型进行训练，得到预置分类模型；根据所述预置分类模型对所述多个类型的污染物进行匹配识别，得到对应的污染源。
可选的，在本发明第一方面的第二种实现方式中，所述根据所述污染物浓度计算所述污染源对应的污染物排放量，所述污染物排放量包括所述工业源的污染物排放量、所述生活源的污染物排放量和所述面源的污染物排放量，包括：获取废水排放量，并对所述污染物浓度和所述废水排放量进行乘法运算计算，得到所述工业源的污染物排放量；获取人口分布数据，并根据所述人口分布数据和所述污染物浓度进行乘法运算，得到所述生活源的污染排放量；获取降雨数据，并根据所述降雨数据估算所述面源的污染物排放量，所述降雨数据包括预置径流系数、预置雨水径流量以及所述污染物浓度。
可选的，在本发明第一方面的第三种实现方式中，所述通过预置算法计算所述污染物排放量与所述监测数据的相关性，得到所述污染源对应的排污规律画像，包括：对所述污染物排放量按照时刻先后序列化，得到所述污染物排放量的时序序列；通过预置算法对所述多个类型的污染物、所述污染物浓度和所述污染物排放量的时序序列绘制所述污染源的时序排放规律以及计算相关系数，并将相关系数转化为权重，预置算法包括皮尔森相关系数算法；根据所述污染源的时序排放规律、所述多个排污口和所述目标企业生成排污规律画像。
可选的，在本发明第一方面的第四种实现方式中，所述通过预置算法对所述多个类型的污染物、所述污染物浓度和所述污染物排放量的时序序列绘制所述污染源的时序排放规律以及计算相关系数，并将相关系数转化为权重，预置算法包括皮尔森相关系数算法，包括：通过预置算法对所述多个类型的污染物、所述污染物浓度和所述污染物排放量的时序序列分别绘制所述污染物的时序排放规律，所述时序排放规律为相关性散点图；通过皮尔森相关系数算法按照所述时序排放规律计算所述污染物排放量与所述污染物浓度之间的相关系数；根据所述污染物排放量和所述相关系数计算所述污染源对应的污染物综合排放量，得到所述污染源的污染物权重，所述污染物权重用于指示所述污染源的污染物排放占比。
可选的，在本发明第一方面的第五种实现方式中，所述当所述目标污染源为所述工业源时，从排污规律画像中查询所述超标的污染物对应的目标排污口，根据所述目标排污口对应的预置唯一标识确定存在偷排行为的目标企业，并发送预置预警信息到目标终端，包括：当所述污染物对应的污染源为所述工业源时，根据所述污染物浓度和所述污染物权重计算实时排放量；通过所述排污规律画像确定所述污染物对应的标准排放量；判断所述实时排放量是否大于所述标准排放量；若所述实时排放量大于所述标准排放量，则通过所述污染排放规律画像确定对应的目标排污口，得到所述目标排污口对应的预置唯一标识；根据所述目标排污口对应的预置唯一标识查询得到所述目标企业；对所述目标企业生成预置预警信息，并发送所述预置预警信息到目标终端。
可选的，在本发明第一方面的第六种实现方式中，所述当所述目标污染源为所述工业源时，从排污规律画像中查询所述超标的污染物对应的目标排污口，根据所述目标排污口对应的预置唯一标识确定存在偷排行为的目标企业，并发送预置预警信息到目标终端之后，所述基于大数据的污染源定位方法还包括：获取所述目标企业的用水用电数据和所述目标企业的污染物实际排放量；根据所述用水用电数据和所述目标企业的产污系数计算得到污染物理论产生量，所述产污系数用于指示预先根据所述目标企业的预置生产设施和预置用料进行确定；将所述污染物产生量乘以预置排放系数，得到污染物理论排放量，所述预置排放系数为预先根据预置海量数据进行测算得到的数据区间；当通过物料守恒确定所述污染物产生量小于所述目标企业的实际排放量或者所述污染物理论排放量大于所述污染物实际排放量时，确定目标企业存在数据造假行为；当根据所述通过排污规律画像确定所述目标企业的实际排放量为排放异常或者所述目标企业的实际排放量大于所述污染物理论排放量时，确定所述目标企业存在偷排行为。
本发明第二方面提供了一种基于大数据的污染源定位装置，包括：采集单元，用于在预置时长范围内对目标河段区域进行监测并采集数据，得到多个排污口对应的监测数据，所述监测数据包括多个类型的污染物和污染物浓度，每个排污口通过预置唯一标识与目标企业关联；分类单元，用于基于预置分类模型对所述多个类型的污染物进行分类，得到对应的污染源，所述污染源包括工业源、生活源和面源；第一计算单元，用于根据所述污染物浓度计算所述污染源对应的污染物排放量，所述污染物排放量包括所述工业源的污染物排放量、所述生活源的污染物排放量和所述面源的污染物排放量；第二计算单元，用于通过预置算法计算所述污染物排放量与所述监测数据的相关性，得到所述污染源对应的排污规律画像；匹配单元，当检测到所述目标河段区域中污染物浓度超标时，用于根据所述排污规律画像对超标的污染物进行匹配分析，得到目标污染源；确定单元，当所述目标污染源为所述工业源时，用于从排污规律画像中查询所述超标的污染物对应的目标排污口，根据所述目标排污口对应的预置唯一标识确定存在偷排行为的目标企业，并发送预置预警信息到目标终端。
可选的，在本发明第二方面的第一种实现方式中，所述分类单元具体用于：获取所述目标企业的预置污染数据，并从所述目标企业的预置污染数据中确定污染物类型以及污染物浓度范围，得到第一污染物数据集；获取所述目标河段区域已公布的污染物，并将所述已公布的污染物设置为第二污染物数据集；对所述第一污染物数据集和所述第二污染物数据集进行融合，并对融合后的染物数据集标识污染源，得到污染物样本库，污染源包括工业源、生活源和面源；根据所述污染物样本库对初始分类模型进行训练，得到预置分类模型；根据所述预置分类模型对所述多个类型的污染物进行匹配识别，得到对应的污染源。
可选的，在本发明第二方面的第二种实现方式中，所述第一计算单元具体用于：获取废水排放量，并对所述污染物浓度和所述废水排放量进行乘法运算计算，得到所述工业源的污染物排放量；获取人口分布数据，并根据所述人口分布数据和所述污染物浓度进行乘法运算，得到所述生活源的污染排放量；获取降雨数据，并根据所述降雨数据估算所述面源的污染物排放量，所述降雨数据包括预置径流系数、预置雨水径流量以及所述污染物浓度。
可选的，在本发明第二方面的第三种实现方式中，所述第二计算单元包括：处理子单元，用于对所述污染物排放量按照时刻先后序列化，得到所述污染物排放量的时序序列；绘制子单元，用于通过预置算法对所述多个类型的污染物、所述污染物浓度和所述污染物排放量的时序序列绘制所述污染源的时序排放规律以及计算相关系数，并将相关系数转化为权重，预置算法包括皮尔森相关系数算法；生成子单元，用于根据所述污染源的时序排放规律、所述多个排污口和所述目标企业生成排污规律画像。
可选的，在本发明第二方面的第四种实现方式中，所述绘制子单元具体用于：通过预置算法对所述多个类型的污染物、所述污染物浓度和所述污染物排放量的时序序列分别绘制所述污染物的时序排放规律，所述时序排放规律为相关性散点图；通过皮尔森相关系数算法按照所述时序排放规律计算所述污染物排放量与所述污染物浓度之间的相关系数；根据所述污染物排放量和所述相关系数计算所述污染源对应的污染物综合排放量，得到所述污染源的污染物权重，所述污染物权重用于指示所述污染源的污染物排放占比。
可选的，在本发明第二方面的第五种实现方式中，所述确定单元具体用于：当所述污染物对应的污染源为所述工业源时，根据所述污染物浓度和所述污染物权重计算实时排放量；通过所述排污规律画像确定所述污染物对应的标准排放量；判断所述实时排放量是否大于所述标准排放量；若所述实时排放量大于所述标准排放量，则通过所述污染排放规律画像确定对应的排污口，得到所述排污口对应的预置唯一标识；根据所述预置唯一标识查询得到所述目标企业；对所述目标企业生成预置预警信息，并发送所述预置预警信息到目标终端。
可选的，在本发明第二方面的第六种实现方式中，所述基于大数据的污染源定位装置还包括：获取单元，用于获取所述目标企业的用水用电数据和所述目标企业的污染物实际排放量；第三计算单元，用于根据所述用水用电数据和所述目标企业的产污系数计算得到污染物理论产生量，所述产污系数用于指示预先根据所述目标企业的预置生产设施和预置用料进行确定；测算单元，用于将所述污染物产生量乘以预置排放系数，得到污染物理论排放量，所述预置排放系数为预先根据预置海量数据进行测算得到的数据区间；第一处理单元，当通过物料守恒确定所述污染物产生量小于所述目标企业的实际排放量或者所述污染物理论排放量大于所述污染物实际排放量时，用于确定目标企业存在数据造假行为；第二处理单元，当根据所述通过排污规律画像确定所述目标企业的实际排放量为排放异常或者所述目标企业的实际排放量大于所述污染物理论排放量时，用于确定所述目标企业存在偷排行为。
本发明第三方面提供了一种基于大数据的污染源定位设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于大数据的污染源定位设备执行上述第一方面所述的基于大数据的污染源定位方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面所述的基于大数据的污染源定位方法。
本发明提供的技术方案中，在预置时长范围内对目标河段区域进行监测并采集数据，得到多个排污口对应的监测数据，所述监测数据包括多个类型的污染物和污染物浓度，每个排污口通过预置唯一标识与目标企业关联；基于预置分类模型对所述多个类型的污染物进行分类，得到对应的污染源，所述污染源包括工业源、生活源和面源；根据所述污染物浓度计算所述污染源对应的污染物排放量，所述污染物排放量包括所述工业源的污染物排放量、所述生活源的污染物排放量和所述面源的污染物排放量；通过预置算法计算所述污染物排放量与所述监测数据的相关性，得到所述污染源对应的排污规律画像；当检测到所述目标河段区域中污染物浓度超标时，根据所述排污规律画像对超标的污染物进行匹配分析，得到目标污染源；当所述目标污染源为所述工业源时，从排污规律画像中查询所述超标的污染物对应的目标排污口，根据所述目标排污口对应的预置唯一标识确定存在偷排行为的目标企业，并发送预置预警信息到目标终端。本发明实施例中，通过采用海量数据进行大数据运算，挖掘出不同类型的污染源排放规律，得到排污规律画像，基于排污规律画像进行污染源定位，提高污染源定位的精准率，快速定位问题并及时预警。
附图说明
图1为本发明实施例中基于大数据的污染源定位方法的一个实施例示意图；
图2为本发明实施例中基于大数据的污染源定位方法的另一个实施例示意图；
图3为本发明实施例中基于大数据的污染源定位装置的一个实施例示意图；
图4为本发明实施例中基于大数据的污染源定位装置的另一个实施例示意图；
图5为本发明实施例中基于大数据的污染源定位设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于大数据的污染源定位方法、装置、设备及存储介质，用于通过采用海量数据进行大数据运算，挖掘出不同类型的污染源排放规律，得到排污规律画像，基于排污规律画像进行污染源定位，提高污染源定位的精准率，快速定位问题并及时预警。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例进行描述。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于大数据的污染源定位方法的一个实施例包括：
101、在预置时长范围内对目标河段区域进行监测并采集数据，得到多个排污口对应的监测数据，监测数据包括多个类型的污染物和污染物浓度，每个排污口通过预置唯一标识与目标企业关联；
服务器在预置时长范围内对目标河段区域进行监测并采集数据，得到多个排污口对应的监测数据，监测数据包括多个类型的污染物和污染物浓度，每个排污口通过预置唯一标识与目标企业关联。其中，预置时长范围可以为一天、一周、一个月和一年，具体此处不做限定。排污口与目标企业存在一一对应关系，例如，排污口A通过预置唯一标识10与目标企业A关联，其中，预置唯一标识还可以为根据通用唯一识别码设置的字符串，具体此处不做限定。目标河段区域的多个类型的污染源主要包括工业源的污水排放，生活源的污水直排以及城市面源的雨水径流排放。通常情况下，多个类型的污染源是相对固定的，随着时刻变化，并受气候要素影响，通过全市管网搭建污染源排污口与河流的关联关系确定多个类型的污染源与目标企业的关联关系。例如，可以在目标企业的车间处理设施排放口或者目标企业的总排污口，具体此处不做限定。
可以理解的是，本发明的执行主体可以为基于大数据的污染源定位装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
102、基于预置分类模型对多个类型的污染物进行分类，得到对应的污染源，污染源包括工业源、生活源和面源；
服务器基于预置分类模型对多个类型的污染物进行分类，得到对应的污染源，污染源包括工业源、生活源和面源。其中，预置分类模型为预先训练好的分类模型，服务器根据预置分类模型对多个类型的污染物分类得到工业源、生活源和面源。例如，生活源的主要污染物包括氨氮和总磷，工业源和面源的主要污染物包括重金属。
需要说明的是，面源是通过降雨和地表径流冲刷将大气和地表中的污染物带入受纳水体、使受纳水体遭受污染的现象。面源造成的污染通过排水管网排放，由于降雨径流将地表的、沉积在下水管网的污染物，在预置时长范围内，突发性冲刷汇入受纳水体，而引起水体污染。例如，在暴雨初期前20分钟，污染物浓度一般都超过平时污水浓度，因此，在降雨时，面源是引起水体污染的主要污染源。
103、根据污染物浓度计算污染源对应的污染物排放量，污染物排放量包括工业源的污染物排放量、生活源的污染物排放量和面源的污染物排放量；
服务器根据污染物浓度计算污染源对应的污染物排放量，污染物排放量包括工业源的污染物排放量、生活源的污染物排放量和面源的污染物排放量。进一步地，服务器根据工业源的污染物排放量、生活源的污染物排放量和面源的污染物排放量各自不同的计算方式，结合各自对应的污染物浓度确定污染物排放量。其中，污染物排放量是指污染源排入环境或其它设施的某种污染物的数量，包括排入水环境的各类型的污染物的污染排放量。污染物浓度是指单位体积内所含污染物的量。例如，根据污染物浓度与废水排放量进行乘法运算，就可以得到工业源的污染物排放量。
104、通过预置算法计算污染物排放量与监测数据的相关性，得到污染源对应的排污规律画像；
服务器通过预置算法计算污染物排放量与监测数据的相关性，得到污染源对应的排污规律画像。其中，相关性包括按照时段对各类污染源进行分类，例如，中午12:00-13:00之间，人口集中在商业区域吃饭，生活源对应的污染物浓度上升，导致污染物排放量上升。可以理解的是，服务器通过结合水质标准，最终确定各类污染源的污染排放正常区间，确保目标河段区域的河流水质不超标。各类污染源的污染排放正常区间为时序动态的，最终生成多个污染源的排污规律画像。
105、当检测到目标河段区域中污染物浓度超标时，从排污规律画像中对超标的污染物进行匹配分析，得到目标污染源；
当检测到目标河段区域中污染物浓度超标时，服务器从排污规律画像中对超标的污染物进行匹配分析，得到目标污染源。具体的，服务器确定超标的污染物；服务器通过排污规律画像对超标的污染物进行分析提取，得到污染物对应的目标污染源；当目标污染源的数量大于1时，确定污染物浓度最大值的目标污染源设置为最终的目标污染源，例如，对于生活源的污染物主要来源于淘菜水、洗碗水和清洁卫生用水，包括动植物油、蛋白质、纤维素和磷，对应的污染物可划分为动植物油、化学需氧量，氨氮，总磷，当污染物为氨氮和总磷，并且氨氮和总磷的浓度超标时，服务器通过排污规律画像确定污染物对应的目标污染源为生活源。
106、当目标污染源为工业源时，从排污规律画像中查询超标的污染物对应的目标排污口，根据目标排污口对应的预置唯一标识确定存在偷排行为的目标企业，并发送预置预警信息到目标终端。
当目标污染源为工业源时，服务器从排污规律画像中查询超标的污染物对应的目标排污口，根据目标排污口对应的预置唯一标识确定存在偷排行为的目标企业，并发送预置预警信息到目标终端。通过各类污染物浓度与污染源污染排放量的相关性，确定各类污染物浓度对应的各类污染源的污染排放量的所占比例。也就是当污染物浓度超标，并且污染物对应的污染源为工业源时，根据各类污染源的排放量，并结合排污规律画像，判断是否在正常区间，从而实现污染源精准定位。
本发明实施例中，通过采用海量数据进行大数据运算，挖掘出不同类型的污染源排放规律，得到排污规律画像，基于排污规律画像进行污染源定位，提高污染源定位的精准率，快速定位问题并及时预警。
请参阅图2，本发明实施例中基于大数据的污染源定位方法的另一个实施例包括：
201、在预置时长范围内对目标河段区域进行监测并采集数据，得到多个排污口对应的监测数据，监测数据包括多个类型的污染物和污染物浓度，每个排污口通过预置唯一标识与目标企业关联；
服务器在预置时长范围内对目标河段区域进行监测并采集数据，得到多个排污口对应的监测数据，监测数据包括多个类型的污染物和污染物浓度，每个排污口通过预置唯一标识与目标企业关联。其中，预置时长范围可以为一天、一周、一个月和一年，具体此处不做限定。排污口与目标企业存在一一对应关系，例如，排污口A通过预置唯一标识10与目标企业A关联。
可以理解的是，通过调查污染物排放方式和排放规律，确定对多个排污口的采样频次以及采样时刻；通过勘察污染源所处的位置以及数目，确定多个排污口的采样位置以及采样点数量。
202、基于预置分类模型对多个类型的污染物进行分类，得到对应的污染源，污染源包括工业源、生活源和面源；
服务器基于预置分类模型对多个类型的污染物进行分类，得到对应的污染源，污染源包括工业源、生活源和面源。其中，预置分类模型为预先训练好的分类模型，服务器根据预置分类模型对多个类型的污染物分类得到工业源、生活源和面源。
具体的，服务器从预置数据库中查询目标企业的预置污染数据，并从预置污染数据中确定多个污染源产生和排放的污染物类型以及污染物浓度范围，得到第一污染物数据集；服务器获取目标河段区域已公布的污染物，并将已公布的污染物设置为第二污染物数据集；服务器对第一污染物数据集和第二污染物数据集进行融合，并对融合后的染物数据集标识污染源，得到污染物样本库，污染源包括工业源、生活源和面源；服务器根据污染物样本库对初始分类模型进行训练，得到预置分类模型，其中，初始分类模型可以为k最近邻KNN分类器；服务器根据预置分类模型对多个类型的污染物进行匹配识别，得到污染物对应的污染源，例如，生活源的主要污染物包括氨氮和总磷，工业源和面源的主要污染物包括重金属。
203、获取废水排放量，并对污染物浓度和废水排放量进行乘法运算计算，得到工业源的污染物排放量；
服务器获取废水排放量，并对污染物浓度和废水排放量进行乘法运算计算，得到工业源的污染物排放量，也就是工业源的污染物排放量＝污染物浓度*废水排放量。其中，污染物排放量是指污染源排入环境或其它设施的某种污染物的数量，包括排入水环境的各类型的污染物的污染排放量。污染物浓度是指单位体积内所含污染物的量。
204、获取人口分布数据，并根据人口分布数据和污染物浓度进行乘法运算，得到生活源的污染排放量；
服务器获取人口分布数据，并根据人口分布数据和污染物浓度进行乘法运算，得到生活源的污染排放量，也就是生活源的污染物排放量＝人口分布数据*污染物排放浓度系数。具体的，服务器通过采集的海量手机信令数据确定人口分布数据，服务器在预置时长范围内根据人口分布数据所在区域的地域特性获取污染物排放浓度系数，该所在区域的地域特性包括居住区域、商业区域和公共区域；服务器对人口分布数据和污染物排放浓度系数进行乘法计算，得到生活源的污染排放量。
205、获取降雨数据，并根据降雨数据估算面源的污染物排放量，降雨数据包括预置径流系数、预置雨水径流量以及污染物浓度；
服务器获取降雨数据，并根据降雨数据估算面源的污染物排放量，降雨数据包括预置径流系数、预置雨水径流量以及污染物浓度，也就是：面源的污染物排放量＝预置径流系数*预置街尘污染物浓度*雨水径流量。具体的，服务器在预置时长范围内从预置土地利用分布数据中获取目标区域的各类土地的预置径流系数、预置雨水径流量以及污染物浓度；服务器根据降雨数据计算面源的污染排放量。
206、通过预置算法计算污染物排放量与监测数据的相关性，得到污染源对应的排污规律画像；
服务器通过预置算法计算污染物排放量与监测数据的相关性，得到污染源对应的排污规律画像。其中，相关性包括按照时段对各类污染源进行分类。具体的，首先，服务器对多个污染源对应的污染物排放量按照时刻先后序列化，得到各类污染物排放量的时序序列，其中，时序序列包括三个维度，分别是x轴坐标、y轴坐标和排放量，根据季节以及气候的不同，不同污染源对应的不同污染物排放量的时序序列也有所差异。
其次，服务器通过预置算法对多个类型的污染物、污染物浓度和各类污染物排放量的时序序列绘制各类污染源的时序排放规律以及计算相关系数，并将相关系数转化为权重，预置算法包括皮尔森相关系数算法。进一步地，服务器通过预置算法对多个类型的污染物、污染物浓度和不同污染物排放量的时序序列分别绘制各类污染物的时序排放规律，时序排放规律为相关性散点图；服务器通过皮尔森相关系数算法按照时序排放规律计算各类污染物排放量与污染物浓度之间的相关系数；服务器根据各类污染物排放量和相关系数计算各类污染源对应的污染物综合排放量，得到各类污染源的污染物权重，该污染物权重用于指示各类污染源的污染物排放占比。例如，服务器确定根据每天工业污染源生产排污规律确定对应的水环境监测浓度值浮动；服务器根据每日人口活动规律造成的生活污染排放量浮动，确定对应的水环境监测浓度值浮动；服务器从每一场降雨带来的雨水径流污染排放量上升，确定对应的水环境监测浓度值上升。
最后，服务器根据各类污染源的时序排放规律、多个排污口和对应的目标企业生成排污规律画像，其中，排污规律画像包括各个排污口对应的污染源涉及的主要污染物以及在时序序列上的排放区间，例如，生活源的主要污染物包括氨氮和总磷，工业源和面源的主要污染物包括重金属。服务器通过海量数据结合时序特性生成污染排放规律画像，同时还要考虑天气因素和人口因素，比如，降雨对面源的影响、人流量变化对生活源影响以及工业活动对工业源的影响。
207、当检测到目标河段区域中污染物浓度超标时，根据排污规律画像对超标的污染物进行匹配分析，得到目标污染源；
当检测到目标河段区域中污染物浓度超标时，服务器根据排污规律画像对超标的污染物进行匹配分析，得到目标污染源。具体的，服务器确定超标的污染物；服务器通过排污规律画像对超标的污染物进行分析提取，得到污染物对应的目标污染源；当目标污染源的数量大于1时，确定污染物浓度最大值的目标污染源设置为最终的目标污染源，例如，对于生活源的污染物主要来源于淘菜水、洗碗水和清洁卫生用水，包括动植物油、蛋白质、纤维素和磷，对应的污染物可划分为动植物油、化学需氧量，氨氮，总磷，当污染物为氨氮和总磷，并且氨氮和总磷的浓度超标时，服务器通过排污规律画像确定污染物对应的污染源为生活源。
208、当目标污染源为工业源时，从排污规律画像中查询超标的污染物对应的目标排污口，根据目标排污口对应的预置唯一标识确定存在偷排行为的目标企业，并发送预置预警信息到目标终端。
当目标污染源为工业源时，从排污规律画像中查询超标的污染物对应的目标排污口，根据目标排污口对应的预置唯一标识确定存在偷排行为的目标企业，并发送预置预警信息到目标终端。具体的，服务器当污染物对应的污染源为工业源时，根据污染物浓度和污染物权重计算实时排放量；服务器通过排污规律画像确定污染物对应的标准排放量；服务器判断实时排放量是否大于标准排放量；若实时排放量大于标准排放量，则服务器通过污染排放规律画像确定对应的目标排污口，得到目标排污口对应的预置唯一标识；服务器根据目标排污口对应的预置唯一标识查询得到目标企业；服务器对目标企业生成预置预警信息，并发送预置预警信息到目标终端。
可选的，服务器基于物料守恒和排污规律画像判断目标企业是否存在偷排行为或者数据造假行为。具体的，服务器获取目标企业的用水用电数据和目标企业的污染物实际排放量；根据用水用电数据和目标企业的产污系数计算得到污染物理论产生量，产污系数用于指示预先根据目标企业的预置生产设施和预置用料进行确定；将污染物产生量乘以预置排放系数，得到污染物理论排放量，预置排放系数为预先根据预置海量数据进行测算得到的数据区间；当通过物料守恒确定污染物产生量小于目标企业的实际排放量或者污染物理论排放量大于污染物实际排放量时，确定目标企业存在数据造假行为；当根据通过排污规律画像确定目标企业的实际排放量为排放异常或者目标企业的实际排放量大于污染物理论排放量时，确定目标企业存在偷排行为。
可以理解的是，通过该评估方法能够对环境信用不良的目标企业、环境风险高的目标企业以及投诉、执法、处罚的目标企业重点关注，当检测到目标企业存在偷排和数据造假行为时，实时推送信息到目标人员，实现测管协同，该目标人员包括执法人员，大大提升执法人员的工作效率，解决定位污染源的来源企业精准度低的问题。
本发明实施例中，通过采用海量数据进行大数据运算，挖掘出不同类型的污染源排放规律，得到排污规律画像，基于排污规律画像进行污染源定位，提高污染源定位的精准率，快速定位问题并及时预警。
上面对本发明实施例中基于大数据的污染源定位方法进行了描述，下面对本发明实施例中基于大数据的污染源定位装置进行描述，请参阅图3，本发明实施例中基于大数据的污染源定位装置的一个实施例包括：
采集单元301，用于在预置时长范围内对目标河段区域进行监测并采集数据，得到多个排污口对应的监测数据，监测数据包括多个类型的污染物和污染物浓度，每个排污口通过预置唯一标识与目标企业关联；
分类单元302，用于基于预置分类模型对多个类型的污染物进行分类，得到对应的污染源，污染源包括工业源、生活源和面源；
第一计算单元303，用于根据污染物浓度计算污染源对应的污染物排放量，污染物排放量包括工业源的污染物排放量、生活源的污染物排放量和面源的污染物排放量；
第二计算单元304，用于通过预置算法计算污染物排放量与监测数据的相关性，得到污染源对应的排污规律画像；
匹配单元305，当检测到目标河段区域中污染物浓度超标时，用于根据排污规律画像对超标的污染物进行匹配分析，得到目标污染源；
确定单元306，当目标污染源为工业源时，用于从排污规律画像中查询超标的污染物对应的目标排污口，根据目标排污口对应的预置唯一标识确定存在偷排行为的目标企业，并发送预置预警信息到目标终端。
本发明实施例中，通过采用海量数据进行大数据运算，挖掘出不同类型的污染源排放规律，得到排污规律画像，基于排污规律画像进行污染源定位，提高污染源定位的精准率，快速定位问题并及时预警。
请参阅图4，本发明实施例中基于大数据的污染源定位装置的另一个实施例包括：
采集单元301，用于在预置时长范围内对目标河段区域进行监测并采集数据，得到多个排污口对应的监测数据，监测数据包括多个类型的污染物和污染物浓度，每个排污口通过预置唯一标识与目标企业关联；
分类单元302，用于基于预置分类模型对多个类型的污染物进行分类，得到对应的污染源，污染源包括工业源、生活源和面源；
第一计算单元303，用于根据污染物浓度计算污染源对应的污染物排放量，污染物排放量包括工业源的污染物排放量、生活源的污染物排放量和面源的污染物排放量；
第二计算单元304，用于通过预置算法计算污染物排放量与监测数据的相关性，得到污染源对应的排污规律画像；
匹配单元305，当检测到目标河段区域中污染物浓度超标时，用于根据排污规律画像对超标的污染物进行匹配分析，得到目标污染源；
确定单元306，当目标污染源为工业源时，用于从排污规律画像中查询超标的污染物对应的目标排污口，根据目标排污口对应的预置唯一标识确定存在偷排行为的目标企业，并发送预置预警信息到目标终端。
可选的，分类单元302还可以具体用于：
获取目标企业的预置污染数据，并从预置污染数据中确定污染物类型以及污染物浓度范围，得到第一污染物数据集；
获取目标河段区域已公布的污染物，并将已公布的污染物设置为第二污染物数据集；
对第一污染物数据集和第二污染物数据集进行融合，并对融合后的染物数据集标识污染源，得到污染物样本库，污染源包括工业源、生活源和面源；
根据污染物样本库对初始分类模型进行训练，得到预置分类模型；
根据预置分类模型对多个类型的污染物进行匹配识别，得到对应的污染源。
可选的，第一计算单元303还可以具体用于：
获取废水排放量，并对污染物浓度和废水排放量进行乘法运算计算，得到工业源的污染物排放量；
获取人口分布数据，并根据人口分布数据和污染物浓度进行乘法运算，得到生活源的污染排放量；
获取降雨数据，并根据降雨数据估算面源的污染物排放量，降雨数据包括预置径流系数、预置雨水径流量以及污染物浓度。
可选的，第二计算单元304还可以进一步包括：
处理子单元3041，用于对污染物排放量按照时刻先后序列化，得到污染物排放量的时序序列；
绘制子单元3042，用于通过预置算法对多个类型的污染物、污染物浓度和污染物排放量的时序序列绘制污染源的时序排放规律以及计算相关系数，并将相关系数转化为权重，预置算法包括皮尔森相关系数算法；
生成子单元3043，根据污染源的时序排放规律、多个排污口和目标企业生成排污规律画像。
可选的，绘制子单元3042还可以具体用于：
通过预置算法对多个类型的污染物、污染物浓度和污染物排放量的时序序列分别绘制污染物的时序排放规律，时序排放规律为相关性散点图；
通过皮尔森相关系数算法按照时序排放规律计算污染物排放量与污染物浓度之间的相关系数；
根据污染物排放量和相关系数计算污染源对应的污染物综合排放量，得到污染源的污染物权重，污染物权重用于指示污染源的污染物排放占比。
可选的，确定单元306还可以具体用于：
当污染物对应的污染源为工业源时，根据污染物浓度和污染物权重计算实时排放量；
通过排污规律画像确定污染物对应的标准排放量；
判断实时排放量是否大于标准排放量；
若实时排放量大于标准排放量，则通过污染排放规律画像确定对应的目标排污口，得到目标排污口对应的预置唯一标识；
根据目标排污口对应的预置唯一标识查询得到目标企业；
对目标企业生成预置预警信息，并发送预置预警信息到目标终端。
可选的，基于大数据的污染源定位装置还包括：
获取单元307，用于获取目标企业的用水用电数据和目标企业的污染物实际排放量；
第三计算单元308，用于根据用水用电数据和目标企业的产污系数计算得到污染物理论产生量，产污系数用于指示预先根据目标企业的预置生产设施和预置用料进行确定；
测算单元309，将污染物产生量乘以预置排放系数，得到污染物理论排放量，预置排放系数为预先根据预置海量数据进行测算得到的数据区间；
第一处理单元310，当通过物料守恒确定污染物产生量小于目标企业的实际排放量或者污染物理论排放量大于污染物实际排放量时，确定目标企业存在数据造假行为；
第二处理单元311，当根据通过排污规律画像确定目标企业的实际排放量为排放异常或者目标企业的实际排放量大于污染物理论排放量时，确定目标企业存在偷排行为。
本发明实施例中，通过采用海量数据进行大数据运算，挖掘出不同类型的污染源排放规律，得到排污规律画像，基于排污规律画像进行污染源定位，提高污染源定位的精准率，快速定位问题并及时预警。
上面图3和图4从模块化功能实体的角度对本发明实施例中的基于大数据的污染源定位装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于大数据的污染源定位设备进行详细描述。
图5是本发明实施例提供的一种基于大数据的污染源定位设备的结构示意图，该基于大数据的污染源定位设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)501(例如，一个或一个以上处理器)和存储器509，一个或一个以上存储应用程序507或数据506的存储介质508(例如一个或一个以上海量存储设备)。其中，存储器509和存储介质508可以是短暂存储或持久存储。存储在存储介质508的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对基于大数据的污染源定位设备中的一系列指令操作。更进一步地，处理器501可以设置为与存储介质508通信，在基于大数据的污染源定位设备500上执行存储介质508中的一系列指令操作。
基于大数据的污染源定位设备500还可以包括一个或一个以上电源502，一个或一个以上有线或无线网络接口503，一个或一个以上输入输出接口504，和/或，一个或一个以上操作系统505，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5中示出的基于大数据的污染源定位设备结构并不构成对基于大数据的污染源定位设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
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，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于大数据的污染源定位方法，其特征在于，包括：
在预置时长范围内对目标河段区域进行监测并采集数据，得到多个排污口对应的监测数据，所述监测数据包括多个类型的污染物和污染物浓度，每个排污口通过预置唯一标识与目标企业关联；
基于预置分类模型对所述多个类型的污染物进行分类，得到对应的污染源，所述污染源包括工业源、生活源和面源；
根据所述污染物浓度计算所述污染源对应的污染物排放量，所述污染物排放量包括所述工业源的污染物排放量、所述生活源的污染物排放量和所述面源的污染物排放量；
通过预置算法计算所述污染物排放量与所述监测数据的相关性，得到所述污染源对应的排污规律画像；
所述通过预置算法计算所述污染物排放量与所述监测数据的相关性，得到所述污染源对应的排污规律画像，包括：
对所述污染物排放量按照时刻先后序列化，得到所述污染物排放量的时序序列；
通过预置算法对所述多个类型的污染物、所述污染物浓度和所述污染物排放量的时序序列绘制所述污染源的时序排放规律以及计算相关系数，并将相关系数转化为权重，预置算法包括皮尔森相关系数算法；
根据所述污染源的时序排放规律、所述多个排污口和所述目标企业生成排污规律画像；
所述通过预置算法对所述多个类型的污染物、所述污染物浓度和所述污染物排放量的时序序列绘制所述污染源的时序排放规律以及计算相关系数，并将相关系数转化为权重，预置算法包括皮尔森相关系数算法，包括：
通过预置算法对所述多个类型的污染物、所述污染物浓度和所述污染物排放量的时序序列分别绘制所述污染物的时序排放规律，所述时序排放规律为相关性散点图；
通过皮尔森相关系数算法按照所述时序排放规律计算所述污染物排放量与所述污染物浓度之间的相关系数；
根据所述污染物排放量和所述相关系数计算所述污染源对应的污染物综合排放量，得到所述污染源的污染物权重，所述污染物权重用于指示所述污染源的污染物排放占比；
当检测到所述目标河段区域中污染物浓度超标时，根据所述排污规律画像对超标的污染物进行匹配分析，得到目标污染源；
当所述目标污染源为所述工业源时，从排污规律画像中查询所述超标的污染物对应的目标排污口，根据所述目标排污口对应的预置唯一标识确定存在偷排行为的目标企业，并发送预置预警信息到目标终端。
2.根据权利要求1所述的基于大数据的污染源定位方法，其特征在于，所述基于预置分类模型对所述多个类型的污染物进行分类，得到对应的污染源，所述污染源包括工业源、生活源和面源，包括：
获取所述目标企业的预置污染数据，并从所述预置污染数据中确定污染物类型以及污染物浓度范围，得到第一污染物数据集；
获取所述目标河段区域已公布的污染物，并将所述已公布的污染物设置为第二污染物数据集；
对所述第一污染物数据集和所述第二污染物数据集进行融合，并对融合后的染物数据集标识污染源，得到污染物样本库，污染源包括工业源、生活源和面源；
根据所述污染物样本库对初始分类模型进行训练，得到预置分类模型；
根据所述预置分类模型对所述多个类型的污染物进行匹配识别，得到对应的污染源。
3.根据权利要求1所述的基于大数据的污染源定位方法，其特征在于，所述根据所述污染物浓度计算所述污染源对应的污染物排放量，所述污染物排放量包括所述工业源的污染物排放量、所述生活源的污染物排放量和所述面源的污染物排放量，包括：
获取废水排放量，并对所述污染物浓度和所述废水排放量进行乘法运算计算，得到所述工业源的污染物排放量；
获取人口分布数据，并根据所述人口分布数据和所述污染物浓度进行乘法运算，得到所述生活源的污染排放量；
获取降雨数据，并根据所述降雨数据估算所述面源的污染物排放量，所述降雨数据包括预置径流系数、预置雨水径流量以及所述污染物浓度。
4.根据权利要求1所述的基于大数据的污染源定位方法，其特征在于，所述当所述目标污染源为所述工业源时，从排污规律画像中查询所述超标的污染物对应的目标排污口，根据所述目标排污口对应的预置唯一标识确定存在偷排行为的目标企业，并发送预置预警信息到目标终端，包括：
当所述污染物对应的污染源为所述工业源时，根据所述污染物浓度和所述污染物权重计算实时排放量；
通过所述排污规律画像确定所述污染物对应的标准排放量；
判断所述实时排放量是否大于所述标准排放量；
若所述实时排放量大于所述标准排放量，则通过所述排污规律画像确定对应的目标排污口，得到所述目标排污口对应的预置唯一标识；
根据所述目标排污口对应的预置唯一标识查询得到所述目标企业；
对所述目标企业生成预置预警信息，并发送所述预置预警信息到目标终端。
5.根据权利要求1-4中任一项所述的基于大数据的污染源定位方法，其特征在于，所述当所述目标污染源为所述工业源时，从排污规律画像中查询所述超标的污染物对应的目标排污口，根据所述目标排污口对应的预置唯一标识确定存在偷排行为的目标企业，并发送预置预警信息到目标终端之后，所述基于大数据的污染源定位方法还包括：
获取所述目标企业的用水用电数据和所述目标企业的污染物实际排放量；
根据所述用水用电数据和所述目标企业的产污系数计算得到污染物理论产生量，所述产污系数用于指示预先根据所述目标企业的预置生产设施和预置用料进行确定；
将所述污染物产生量乘以预置排放系数，得到污染物理论排放量，所述预置排放系数为预先根据预置海量数据进行测算得到的数据区间；
当通过物料守恒确定所述污染物产生量小于所述目标企业的实际排放量或者所述污染物理论排放量大于所述污染物实际排放量时，确定目标企业存在数据造假行为；
当根据排污规律画像确定所述目标企业的实际排放量为排放异常或者所述目标企业的实际排放量大于所述污染物理论排放量时，确定所述目标企业存在偷排行为。
6.一种基于大数据的污染源定位装置，执行如权利要求1所述的基于大数据的污染源定位方法，其特征在于，所述基于大数据的污染源定位装置包括：
采集单元，用于在预置时长范围内对目标河段区域进行监测并采集数据，得到多个排污口对应的监测数据，所述监测数据包括多个类型的污染物和污染物浓度，每个排污口通过预置唯一标识与目标企业关联；
分类单元，用于基于预置分类模型对所述多个类型的污染物进行分类，得到对应的污染源，所述污染源包括工业源、生活源和面源；
第一计算单元，用于根据所述污染物浓度计算所述污染源对应的污染物排放量，所述污染物排放量包括所述工业源的污染物排放量、所述生活源的污染物排放量和所述面源的污染物排放量；
第二计算单元，用于通过预置算法计算所述污染物排放量与所述监测数据的相关性，得到所述污染源对应的排污规律画像；
匹配单元，当检测到所述目标河段区域中污染物浓度超标时，用于根据所述排污规律画像对超标的污染物进行匹配分析，得到目标污染源；
确定单元，当所述目标污染源为所述工业源时，用于从排污规律画像中查询所述超标的污染物对应的目标排污口，根据所述目标排污口对应的预置唯一标识确定存在偷排行为的目标企业，并发送预置预警信息到目标终端。
7.根据权利要求6所述的基于大数据的污染源定位装置，其特征在于，所述分类单元具体用于：
获取所述目标企业的预置污染数据，并从所述目标企业的预置污染数据中确定污染物类型以及污染物浓度范围，得到第一污染物数据集；获取所述目标河段区域已公布的污染物，并将所述已公布的污染物设置为第二污染物数据集；对所述第一污染物数据集和所述第二污染物数据集进行融合，并对融合后的染物数据集标识污染源，得到污染物样本库，污染源包括工业源、生活源和面源；根据所述污染物样本库对初始分类模型进行训练，得到预置分类模型；根据所述预置分类模型对所述多个类型的污染物进行匹配识别，得到对应的污染源。
8.根据权利要求6所述的基于大数据的污染源定位装置，其特征在于，所述第一计算单元具体用于：
获取废水排放量，并对所述污染物浓度和所述废水排放量进行乘法运算计算，得到所述工业源的污染物排放量；获取人口分布数据，并根据所述人口分布数据和所述污染物浓度进行乘法运算，得到所述生活源的污染排放量；获取降雨数据，并根据所述降雨数据估算所述面源的污染物排放量，所述降雨数据包括预置径流系数、预置雨水径流量以及所述污染物浓度。
9.一种基于大数据的污染源定位设备，其特征在于，所述基于大数据的污染源定位设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于大数据的污染源定位设备执行如权利要求1-5中任意一项所述的基于大数据的污染源定位方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任意一项所述的基于大数据的污染源定位方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010136439.2A CN111461167B (zh) | 2020-03-02 | 2020-03-02 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
| PCT/CN2020/104745 WO2021174751A1 (zh) | 2020-03-02 | 2020-07-27 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010136439.2A CN111461167B (zh) | 2020-03-02 | 2020-03-02 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111461167A CN111461167A (zh) | 2020-07-28 |
| CN111461167B true CN111461167B (zh) | 2024-06-07 |
Family
ID=71678379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010136439.2A Active CN111461167B (zh) | 2020-03-02 | 2020-03-02 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111461167B (zh) |
| WO (1) | WO2021174751A1 (zh) |
Families Citing this family (63)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114062038A (zh) * | 2020-07-31 | 2022-02-18 | 力合科技（湖南）股份有限公司 | 一种污染溯源管控方法 |
| CN112132463A (zh) * | 2020-09-23 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 污水排放方案的调整方法、装置、设备及存储介质 |
| CN112034110A (zh) * | 2020-09-27 | 2020-12-04 | 深圳千里马装饰集团有限公司 | 一种室外装饰工程环境污染监测方法及系统 |
| CN112259174B (zh) * | 2020-10-14 | 2022-05-17 | 西南交通大学 | 基于多元统计与同位素的混合区地下水氮污染源识别方法 |
| CN113030416A (zh) * | 2021-03-25 | 2021-06-25 | 北京市环境保护科学研究院 | 一种水源地污染源溯源方法、装置及电子设备 |
| CN113128129B (zh) * | 2021-05-07 | 2023-03-24 | 大连理工大学 | 一种突发水污染正逆耦合溯源方法及系统 |
| CN113435738A (zh) * | 2021-06-24 | 2021-09-24 | 平安国际智慧城市科技股份有限公司 | 环境污染溯源方法、装置、设备及计算机可读存储介质 |
| CN113610344B (zh) * | 2021-06-30 | 2023-11-14 | 江苏省生态环境监控中心(江苏省环境信息中心) | 一种污染预警方法、装置、电子设备及存储介质 |
| CN113469443A (zh) * | 2021-07-06 | 2021-10-01 | 王晓东 | 针对污染源生成标签的方法、装置、存储介质及电子设备 |
| CN113723924A (zh) * | 2021-08-30 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 企业画像构建方法、装置、计算机设备和存储介质 |
| CN113962518B (zh) * | 2021-09-14 | 2024-05-28 | 浙江容大电力工程有限公司 | 一种基于电力大数据排污企业异常判定方法 |
| CN113793028B (zh) * | 2021-09-14 | 2024-04-26 | 济南东之林智能软件有限公司 | 污染源关联信息的确定方法、装置及终端设备 |
| CN113777261B (zh) * | 2021-09-17 | 2024-04-26 | 神彩科技股份有限公司 | 一种水污染的溯源方法、装置、电子设备及存储介质 |
| CN113706127B (zh) * | 2021-10-22 | 2022-02-22 | 长视科技股份有限公司 | 一种水域分析报告的生成方法及电子设备 |
| CN114184751B (zh) * | 2021-11-11 | 2023-11-21 | 深圳市宇驰检测技术股份有限公司 | 分段式管网污染物溯源装置及系统 |
| CN114219690A (zh) * | 2021-12-17 | 2022-03-22 | 北京邮电大学 | 基于大数据的企业无组织排放行为模型的构建方法 |
| CN114444259B (zh) * | 2021-12-20 | 2022-09-23 | 浙江仁欣环科院有限责任公司 | 一种雨污管网溯源追踪系统及方法 |
| CN113933258B (zh) * | 2021-12-21 | 2022-04-12 | 杭州春来科技有限公司 | 基于走航监测的VOCs污染物溯源方法、终端及系统 |
| CN113947033B (zh) * | 2021-12-22 | 2022-05-13 | 深圳市水务工程检测有限公司 | 基于人工智能排水管网污染物溯源系统及方法 |
| CN114199314B (zh) * | 2021-12-25 | 2023-05-16 | 中铁水利信息科技有限公司 | 基于5g和北斗技术的水文监测反馈系统 |
| CN114295749B (zh) | 2021-12-30 | 2022-10-25 | 南京大学 | 一种水体有机污染智能化溯源方法及系统 |
| CN114511181A (zh) * | 2021-12-31 | 2022-05-17 | 中国环境科学研究院 | 基于电网及税收数据融合的水污染环保校验方法和装置 |
| CN114545875A (zh) * | 2022-01-06 | 2022-05-27 | 泰州威绿环保科技有限公司 | 不锈钢制品集中清洗车间的废气污染治理系统 |
| CN114416904B (zh) * | 2022-01-19 | 2024-05-14 | 平安国际智慧城市科技股份有限公司 | 气体排放溯源确定方法、装置、设备与存储介质 |
| CN114455715B (zh) * | 2022-03-03 | 2023-04-25 | 四川省建筑设计研究院有限公司 | 一种基于“药方式”的水体生态治理方法及系统 |
| CN114822709A (zh) * | 2022-03-16 | 2022-07-29 | 深圳中兴智坪科技有限公司 | 大气污染多粒度精准成因分析方法及装置 |
| CN114359002B (zh) * | 2022-03-21 | 2022-05-20 | 四川国蓝中天环境科技集团有限公司 | 基于移动监测趋势挖掘的大气污染小尺度溯源方法及系统 |
| CN114705249B (zh) * | 2022-04-11 | 2024-04-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的污染物排放量监测方法及相关设备 |
| CN114662981B (zh) * | 2022-04-15 | 2023-01-03 | 广东柯内特环境科技有限公司 | 基于大数据应用的污染源企业监管方法 |
| CN114693154A (zh) * | 2022-04-15 | 2022-07-01 | 中国科学院城市环境研究所 | 一种基于溯源链的城市河道水污染管理系统 |
| CN114511087B (zh) * | 2022-04-19 | 2022-07-01 | 四川国蓝中天环境科技集团有限公司 | 一种基于双模型的空气质量空间推断方法及系统 |
| CN114878750A (zh) * | 2022-05-13 | 2022-08-09 | 苏州清泉环保科技有限公司 | 一种集大气污染监测及溯源为一体的智能化控制系统和方法 |
| CN115037765B (zh) * | 2022-06-07 | 2023-03-10 | 清远长天思源环保科技有限公司 | 一种工业园区用智慧环保监控系统 |
| CN115048475A (zh) * | 2022-06-09 | 2022-09-13 | 南京国环科技股份有限公司 | 一种基于大数据的快速水污染溯源方法以及系统 |
| CN114755373B (zh) * | 2022-06-16 | 2023-03-31 | 西安工业大学 | 一种基于多机器人编队的空气污染源预警定位方法 |
| CN115018348B (zh) * | 2022-06-20 | 2023-01-17 | 北京北投生态环境有限公司 | 基于人工智能的环境分析方法、系统、设备及存储介质 |
| CN115082546B (zh) * | 2022-06-22 | 2023-03-21 | 中科三清科技有限公司 | 污染物排放量的确定方法、装置、电子设备及介质 |
| CN115392623A (zh) * | 2022-06-27 | 2022-11-25 | 河南鑫安利安全科技股份有限公司 | 一种企业安全生产隐患排查系统 |
| CN114839343B (zh) * | 2022-07-04 | 2022-09-27 | 成都博瑞科传科技有限公司 | 一种便携式水质监测巡检仪装置及使用方法 |
| CN115080642B (zh) * | 2022-08-19 | 2022-11-22 | 北京英视睿达科技股份有限公司 | 企业集群识别方法、装置、计算机设备及存储介质 |
| CN115409483B (zh) * | 2022-09-05 | 2023-10-20 | 江苏尚维斯环境科技股份有限公司 | 一种针对大气污染源的追溯方法及系统 |
| CN115860357B (zh) * | 2022-11-10 | 2023-06-20 | 长江信达软件技术（武汉）有限责任公司 | 活水多目标优化调度方法 |
| CN115853093B (zh) * | 2022-11-21 | 2024-02-27 | 合肥中科国禹智能工程有限公司 | 一种可识别雨污混接的排水管网动态检测方法及系统 |
| CN115659874B (zh) * | 2022-12-15 | 2023-03-14 | 自然资源部第一海洋研究所 | 一种基于虚拟排放量的污染物入海通量优化控制方法 |
| CN116205592A (zh) * | 2023-02-07 | 2023-06-02 | 广东慧航天唯科技有限公司 | 一种智慧物联的排水管网污染异常溯源方法 |
| CN115953083B (zh) * | 2023-03-14 | 2023-05-12 | 北京埃睿迪硬科技有限公司 | 一种信息处理方法、装置及设备 |
| CN116110516B (zh) * | 2023-04-14 | 2023-07-21 | 青岛山青华通环境科技有限公司 | 一种污水处理过程异常工况识别方法和装置 |
| CN116384754B (zh) * | 2023-06-02 | 2023-08-04 | 北京建工环境修复股份有限公司 | 一种基于深度学习的在产化工园区环境污染风险评估方法 |
| CN116562506A (zh) * | 2023-07-04 | 2023-08-08 | 埃睿迪信息技术（北京）有限公司 | 一种排水信息的处理方法、装置及设备 |
| CN116543341A (zh) * | 2023-07-07 | 2023-08-04 | 安徽新宇环保科技股份有限公司 | 基于降雨水质监测的污染视频识别系统 |
| CN116589078B (zh) * | 2023-07-19 | 2023-09-26 | 莒县环境监测站 | 基于数据融合的污水处理智能控制方法及系统 |
| CN117079182B (zh) * | 2023-07-31 | 2024-02-23 | 上海启呈信息科技有限公司 | 一种基于大数据分析的管网管理方法及系统 |
| CN117058549B (zh) * | 2023-08-21 | 2024-02-20 | 中科三清科技有限公司 | 一种多行业二次污染动态来源解析系统及解析方法 |
| CN116881747B (zh) * | 2023-09-06 | 2023-11-24 | 武汉华康世纪医疗股份有限公司 | 基于医疗废水监测的智能处理方法及系统 |
| CN117269443B (zh) * | 2023-09-11 | 2024-05-03 | 杭州智驳科技有限公司 | 一种基于大数据的智慧数字乡村环境监测系统 |
| CN117235624B (zh) * | 2023-09-22 | 2024-05-07 | 中节能数字科技有限公司 | 排放数据造假检测方法、装置及系统和存储介质 |
| CN117314169B (zh) * | 2023-10-20 | 2024-05-03 | 北京建工环境修复股份有限公司 | 在产企业地下水新污染物源输入风险预警方法 |
| CN117575161B (zh) * | 2023-11-30 | 2024-06-11 | 生态环境部土壤与农业农村生态环境监管技术中心 | 工业污染源监测布点方法和装置 |
| CN117408520B (zh) * | 2023-12-11 | 2024-03-29 | 深圳卓音智能科技有限公司 | 一种数据服务智能识别方法及系统 |
| CN117408440B (zh) * | 2023-12-15 | 2024-03-08 | 湖南蒙拓环境科技有限公司 | 基于多维传感器的河道排污口污水智能处理方法及系统 |
| CN117524354B (zh) * | 2024-01-05 | 2024-03-29 | 北京佳华智联科技有限公司 | 一种化工区域的空气污染溯源方法及装置 |
| CN117876185A (zh) * | 2024-01-11 | 2024-04-12 | 生态环境部土壤与农业农村生态环境监管技术中心 | 涉水企业特征污染物排放的溯源核算方法和装置 |
| CN117970527B (zh) * | 2024-04-02 | 2024-06-11 | 南昌云宜然科技有限公司 | 一种大气污染物的组网溯源监测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101634208B1 (ko) * | 2015-01-06 | 2016-06-29 | 대한민국 | 대기배출원 측정 및 운영기록 전산화 시스템 |
| 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 |
| CN110007650A (zh) * | 2019-03-13 | 2019-07-12 | 深圳博沃智慧科技有限公司 | 一种企业排污管控方法和系统 |
| CN110018280A (zh) * | 2019-05-17 | 2019-07-16 | 北京市环境保护科学研究院 | 一种大气污染源排放综合表征方法及装置 |
| KR102010927B1 (ko) * | 2018-11-28 | 2019-08-16 | 대한민국 | 대기오염물질 배출량 현행화 시스템 및 이를 이용한 배출량 현행화 산정방법 |
| CN110672144A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术（北京）有限公司 | 污染源检测方法和装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105278492B (zh) * | 2014-06-26 | 2018-01-30 | 广东柯内特环境科技有限公司 | 一种区域排污的智能监控系统和方法 |
| CN105824280A (zh) * | 2016-03-16 | 2016-08-03 | 宁波市江东精诚自动化设备有限公司 | 一种物联网环保监控系统 |
| CN105956664B (zh) * | 2016-04-27 | 2019-02-19 | 浙江大学 | 一种河流点源突发污染事故溯源方法 |
| US20180017710A1 (en) * | 2016-07-18 | 2018-01-18 | 2NDNATURE Software Inc. | Systems and Methods for Event-based Modeling of Runoff and Pollutant Benefits of Sustainable Stormwater Management |
| CN106228007B (zh) * | 2016-07-19 | 2018-09-21 | 武汉大学 | 突发事件污染源追溯方法 |
-
2020
- 2020-03-02 CN CN202010136439.2A patent/CN111461167B/zh active Active
- 2020-07-27 WO PCT/CN2020/104745 patent/WO2021174751A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101634208B1 (ko) * | 2015-01-06 | 2016-06-29 | 대한민국 | 대기배출원 측정 및 운영기록 전산화 시스템 |
| 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 |
| CN110672144A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术（北京）有限公司 | 污染源检测方法和装置 |
| KR102010927B1 (ko) * | 2018-11-28 | 2019-08-16 | 대한민국 | 대기오염물질 배출량 현행화 시스템 및 이를 이용한 배출량 현행화 산정방법 |
| CN110007650A (zh) * | 2019-03-13 | 2019-07-12 | 深圳博沃智慧科技有限公司 | 一种企业排污管控方法和系统 |
| CN110018280A (zh) * | 2019-05-17 | 2019-07-16 | 北京市环境保护科学研究院 | 一种大气污染源排放综合表征方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111461167A (zh) | 2020-07-28 |
| WO2021174751A1 (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111461167B (zh) | 基于大数据的污染源定位方法、装置、设备及存储介质 | |
| Chacon-Hurtado et al. | Rainfall and streamflow sensor network design: a review of applications, classification, and a proposed framework | |
| CN110196083A (zh) | 排水管网污染路径的监测识别方法、装置及电子设备 | |
| Oke et al. | Mapping of river waterquality using inverse distance weighted interpolation in Ogun-Osun river basin, Nigeria | |
| Gharbia et al. | Groundwater quality evaluation using GIS based geostatistical algorithms | |
| CN117116382B (zh) | 引水工程影响下受水湖泊水质时空预测方法和系统 | |
| Moatar et al. | Riverine fluxes of pollutants: Towards predictions of uncertainties by flux duration indicators | |
| CN110796340B (zh) | 一种宏观尺度的小流域综合治理优先级评估方法 | |
| Azizi et al. | Urban pluvial flood risk assessment: challenges and opportunities for improvement using a community-based approach | |
| Abuamra et al. | Medium-term forecasts for salinity rates and groundwater levels | |
| Fortes et al. | Water quality indices: Construction, potential, and limitations | |
| CN104794164B (zh) | 基于开源数据识别住区车位匹配社会停车需求的方法 | |
| Ungureanu et al. | Towards real time monitoring of water quality in river basins. | |
| He et al. | Problems in air quality monitoring and assessment | |
| Kennedy | Development of a GIS-based approach for the assessment of relative seawater intrusion vulnerability in Nova Scotia, Canada | |
| Zhuang et al. | Influencing factor analysis of phosphorus loads from non-point source: a case study in central China | |
| Chen et al. | Design of Water Pollution Source Traceability System for Surface Water Pipe Network | |
| Kowsigan | IoT Enabled Water Distribution Systems for Energy Efficiency in WSN | |
| Darch et al. | Analysing changes in short-duration extreme rainfall events | |
| Marker et al. | Sampling and inference in environmental surveys | |
| Dell et al. | Quantification of nutrient loads in urban stormwater across Colorado municipal areas | |
| CN118134071A (zh) | 一种基于大数据智能分析的区域水环境综合管理系统 | |
| Yadav et al. | Air quality assessment using spatial interpolation techniques for Kanpur city, India. | |
| RANGAMANI et al. | EFFICIENT EMPIRICAL ENVIRONMENTAL FORECASTING USING INTERNET OF THINGS AND MACHINE LEARNING ASPECTS | |
| CN117575848A (zh) | 一种北斗通信建筑安全监测评估方法 |
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 | ||
| GR01 | Patent grant |