CN111559767B - 一种制定多因素影响下湖泊黑色水体有效管理目标的方法 - Google Patents

一种制定多因素影响下湖泊黑色水体有效管理目标的方法 Download PDF

Info

Publication number
CN111559767B
CN111559767B CN202010424520.0A CN202010424520A CN111559767B CN 111559767 B CN111559767 B CN 111559767B CN 202010424520 A CN202010424520 A CN 202010424520A CN 111559767 B CN111559767 B CN 111559767B
Authority
CN
China
Prior art keywords
water body
data
black
concentration
bayesian network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010424520.0A
Other languages
English (en)
Other versions
CN111559767A (zh
Inventor
汪靓
程吉林
王玉琳
程浩淼
龚懿
刘芳
陈兴
蒋晓红
张礼华
袁承斌
蒋新跃
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.)
Yangzhou University
Original Assignee
Yangzhou University
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 Yangzhou University filed Critical Yangzhou University
Priority to CN202010424520.0A priority Critical patent/CN111559767B/zh
Publication of CN111559767A publication Critical patent/CN111559767A/zh
Application granted granted Critical
Publication of CN111559767B publication Critical patent/CN111559767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • 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
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2103/00—Nature of the water, waste water, sewage or sludge to be treated
    • C02F2103/007—Contaminated open waterways, rivers, lakes or ponds

Landscapes

  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Hydrology & Water Resources (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Environmental & Geological Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Organic Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种制定多因素影响下湖泊黑色水体有效管理目标的方法，包括以下步骤：(1)搜集组需要制定黑色水体管理目标的湖泊水体的环境变量数据；(2)对数据进行预处理；(3)构造变量间的贝叶斯网络，并确定每组边代表回归关系的系数和截距；(4)根据贝叶斯网络的结果制定湖泊黑色水体管理目标。本发明能够精确制定湖泊黑色水体的有效管理目标，为减少和控制湖泊水体变黑的发生提供支撑。

Description

一种制定多因素影响下湖泊黑色水体有效管理目标的方法
技术领域
本发明涉及一种制定多因素影响下湖泊黑色水体有效管理目标的方法，属于黑臭水体治理领域。
背景技术
黑臭现象频繁在各富营养化的湖泊水域发生，对经济和社会的发展产生严重威胁。消灭黑臭水体是国务院在《水污染防治计划》中提出的首要水环境治理目标，对于保护我国的水生态有着重要而深远的意义。黑臭水体主要是指水体呈现浅黑或深黑色且伴有臭味。黑色水体的产生有着复杂的原因，这给制定湖泊黑色水体管理目标带来巨大的困难，寻找一种制定多因素影响下湖泊黑色水体管理目标的方法有着重要的实践价值。
发明内容
本发明的目的是针对上述现有技术存在的问题，为了在多环境因素影响下制定有效的湖泊黑色水体的管理目标，克服现有技术的缺点，本发明结合多种统计学方法以及环境学理论及水环境管理经验，提供了一种制定多因素影响下湖泊黑色水体有效管理目标的方法。
本发明的目的是这样实现的，一种制定多因素影响下湖泊黑色水体有效管理目标的方法，包括以下步骤：
(1)搜集n组需要制定黑色水体管理目标的湖泊水体的环境变量数据；
(2)对数据进行预处理；
(3)构造变量间的贝叶斯网络，并确定每组边代表回归关系的系数和截距；
(4)根据贝叶斯网络的结果制定湖泊黑臭管理目标。
作为优选，所述步骤(1)具体包括以下要求：
a.搜集的环境变量数据中必须包括二价亚铁浓度、硫离子浓度、悬浮固体浓度以及温度；剩余的环境变量可从氧化还原电位、溶解氧浓度、氨氮浓度、硝态氮浓度、总氮浓度、总磷浓度、叶绿素a浓度以及pH中选择三到四种测量；
b.测量的点位必须包括水体黑色最严重区域、中等黑色区域以及黑色水体与正常水体交界区域。点位需在这些区域均匀分布，每个监测点取水下2厘米、50厘米以及沉积物上2厘米三处；然后1:1:1混合，测混合后水样的环境变量值；记录点位位置及其所属区域水体黑色程度；
c.监测点位不得少于105个，每种水体区域监测点位不得少于35个。
作为优选，所述步骤(2)具体包括以下步骤：
a.将采样获得的组数据，运用多元高斯混合分布模型(GMM)聚类成3类；具体聚类结果运用贝叶斯信息准则(BIC)进行挑选，保留BIC最大的聚类结果。
b.根据多元高斯混合分布模型原理，此时可以保证每一类数据中的每个环境变量数据均服从一元正态分布，分别计算它们各自的平均值作为分布的数学期望，计算采样样本的方差作为分布的方差；
c.对比监测现场记录，将聚类后的3类数据分别记为黑色最严重区域的数据、中等黑色区域数据以及黑色水体与正常水体交界区域的数据；
d.聚类后需要保证每类水体数据点个数都不少于35个，若不满足则要按照步骤(1)补充采样，并按照步骤(2)a-(2)c重新进行预处理。
作为优选，所述步骤(3)具体包括以下步骤：
a.利用爬山法为每类数据的环境变量间建立贝叶斯网络的结构；
b.以贝叶斯网络的子节点变量为因变量，以其对应所有父节点变量为自变量进行回归；使用Least Absolute Shrinkage and Selection Operator(Lasso)方法估计贝叶斯网络的回归系数及对应的截距。
作为优选，所述步骤(4)包括以下步骤：
a.按照贝叶斯网络结构和回归方程结果确定每类水体的管理目标，首选控制每类水体对应的贝叶斯网络的根节点变量；如果根节点变量难以用工程方法控制，则可以运用贝叶斯网络和概率链式法则计算每类水体中当某个环境变量给定时，悬浮固体浓度的条件概率分布，即：f(悬浮固体浓度|环境变量)。注意，按照数学定理，该条件概率分布一定是正态分布，且是该环境变量的函数；因此，可以用该分布的数学期望表达式中环境变量的系数绝对值估计该环境变量对悬浮固体浓度的影响；绝对值越大，对应的环境变量对悬浮固体浓度影响越大；选择对悬浮固体浓度影响最大的环境变量进行控制。
b.根据黑色水体与正常水体交界区域数据计算悬浮固体浓度的平均值作为控制湖泊水体不变黑的阈值。进一步利用该类水体的悬浮固体浓度阈值以及对应的贝叶斯网络结构和回归方程系数及截距，计算使湖泊水体不变黑所要求的每个环境变量的管理阈值目标。
水环境领域的研究表明，水体呈现黑色是多种环境因素影响的结果，其中亚铁和硫离子生成的硫化物，以及悬浮固体是造成水体变黑的重要环境变量。除此以外，温度，pH，氧化还原电位等对黑色水体的形成也有着重要的影响。本发明结合多种统计学方法提出了一种制定多因素影响下湖泊黑色水体有效管理目标的方法，且易于在各个地区湖泊治理中推广。
有益效果：本发明结合多种统计学方法，提出了一种制定多因素影响下湖泊黑色水体有效管理目标的方法，可以为湖泊黑色水体的治理提供依据。
附图说明
图1是本发明流程图。
图2是本发明具体说明中黑色水体与正常水体交界组环境变量构成的贝叶斯网络。
图3是本发明具体说明中中等黑色水体组环境变量构成的贝叶斯网络。
图4是本发明具体说明中黑色最严重区域组环境变量构成的贝叶斯网络。
具体实施方式
一种制定多因素影响下湖泊黑色水体有效管理目标的方法，包括以下步骤：
(1)搜集n组需要制定黑色水体管理目标的湖泊水体的环境变量数据；所述步骤(1)具体包括以下要求：
a.搜集的环境变量数据中必须包括二价亚铁浓度、硫离子浓度、悬浮固体浓度以及温度；剩余的环境变量可从氧化还原电位、溶解氧浓度、氨氮浓度、硝态氮浓度、总氮浓度、总磷浓度、叶绿素a浓度以及pH中选择三到四种测量；
b.测量的点位必须包括水体黑色最严重区域、中等黑色区域以及黑色水体与正常水体交界区域；点位需在这些区域均匀分布，每个监测点取水下2厘米、50厘米以及沉积物上2厘米三处；然后1:1:1混合，测混合后水样的环境变量值；记录点位位置及其所属区域水体黑色程度；
c.监测点位不得少于105个，每种水体区域监测点位不得少于35个。
(2)对数据进行预处理；所述步骤(2)具体包括以下步骤：
a.将采样获得的n组数据，运用多元高斯混合分布模型(GMM)聚类成3类；具体聚类结果运用贝叶斯信息准则(BIC)进行挑选，保留BIC最大的聚类结果；
b.根据多元高斯混合分布模型原理，此时可以保证每一类数据中的每个环境变量数据均服从一元正态分布，分别计算它们各自的平均值作为分布的数学期望，计算采样样本的方差作为分布的方差；
c.对比监测现场记录，将聚类后的3类数据分别记为黑色最严重区域的数据、中等黑色区域数据以及黑色水体与正常水体交界区域的数据；
d.聚类后需要保证每类水体数据点个数都不少于35个，若不满足则要按照步骤(1)补充采样，并按照步骤(2)a-(2)c重新进行预处理。
(3)构造变量间的贝叶斯网络，并确定每组边代表回归关系的系数和截距；所述步骤(3)具体包括以下步骤：
a.利用爬山法为每类数据的环境变量间建立贝叶斯网络的结构；
b.以贝叶斯网络的子节点变量为因变量，以其对应所有父节点变量为自变量进行回归；使用Least Absolute Shrinkage and Selection Operator(Lasso)方法估计贝叶斯网络的回归系数及对应的截距。
(4)根据贝叶斯网络的结果制定湖泊黑臭管理目标；所述步骤(4)包括以下步骤：
a.按照贝叶斯网络结构和回归方程结果确定每类水体的管理目标，首选控制每类水体对应的贝叶斯网络的根节点变量；如果根节点变量难以用工程方法控制，则可以运用贝叶斯网络和概率链式法则计算每类水体中当某个环境变量给定时，悬浮固体浓度的条件概率分布，即：f(悬浮固体浓度|环境变量)；注意，按照数学定理，该条件概率分布一定是正态分布，且是该环境变量的函数；因此，可以用该分布的数学期望表达式中环境变量的系数绝对值估计该环境变量对悬浮固体浓度的影响；绝对值越大，对应的环境变量对悬浮固体浓度影响越大；选择对悬浮固体浓度影响最大的环境变量进行控制；
b.根据黑色水体与正常水体交界区域数据计算悬浮固体浓度的平均值作为控制湖泊水体不变黑的阈值；进一步利用该类水体的悬浮固体浓度阈值以及对应的贝叶斯网络结构和回归方程系数及截距，计算使湖泊水体不变黑所要求的每个环境变量的管理阈值目标。
下面结合附图和我国东部某省水稻田排水沟实测数据对本发明作进一步的说明：
(1)按照流程图所示，在该湖泊水体呈黑色时期对其亚铁浓度，硫离子浓度，悬浮固体浓度，总氮，氨氮和总磷进行了采样。共采集了150组数据，采样点和采集方法按本发明要求进行。
(2)按照本发明所述，运用多元高斯混合分布进行聚类，分成3类后，3类水体分别有51组，52组和47组数据符合本发明要求。
(3)利用爬山法构造贝叶斯网络，3组数据贝叶斯网络的结构分别如图2-图4所示，利用Lasso回归估计贝叶斯网络中每个箭头的回归系数。
(4)从结果可见黑色最严重区域需要直接控制亚铁和硫离子浓度，中等黑色水体可以控制总磷，黑色水体与正常水体交界处水体需要控制总磷，氨氮和硫离子。利用图2结果，结合回归系数和截距，控制该湖泊水体不变黑的阈值，即管理目标分别为：悬浮固体浓度，55毫克/升，亚铁，硫离子，总磷，氨氮，总氮分别为0.80，0.04，0.45，3.44，4.15毫克/升，氧化还原电位的管理目标是135毫伏。

Claims (1)

1.一种制定多因素影响下湖泊黑色水体有效管理目标的方法，其特征在于，包括以下步骤：
(1)搜集n组需要制定黑色水体管理目标的湖泊水体的环境变量数据；具体包括以下要求：
a.搜集的环境变量数据中必须包括二价亚铁浓度、硫离子浓度、悬浮固体浓度以及温度；剩余的环境变量可从氧化还原电位、溶解氧浓度、氨氮浓度、硝态氮浓度、总氮浓度、总磷浓度、叶绿素a浓度以及pH中选择三到四种测量；
b.测量的点位必须包括水体黑色最严重区域、中等黑色区域以及黑色水体与正常水体交界区域；点位需在这些区域均匀分布，每个监测点取水下2厘米、50厘米以及沉积物上2厘米三处；然后1:1:1混合，测混合后水样的环境变量值；记录点位位置及其所属区域水体黑色程度；
c.监测点位不得少于105个，每种水体区域监测点位不得少于35个；
(2)对数据进行预处理；具体包括以下步骤：
a.将采样获得的n组数据，运用多元高斯混合分布模型(GMM)聚类成3类；具体聚类结果运用贝叶斯信息准则(BIC)进行挑选，保留BIC最大的聚类结果；
b.根据多元高斯混合分布模型原理，此时可以保证每一类数据中的每个环境变量数据均服从一元正态分布，分别计算它们各自的平均值作为分布的数学期望，计算采样样本的方差作为分布的方差；
c.对比监测现场记录，将聚类后的3类数据分别记为黑色最严重区域的数据、中等黑色区域数据以及黑色水体与正常水体交界区域的数据；
d.聚类后需要保证每类水体数据点个数都不少于35个，若不满足则要按照步骤(1)补充采样，并按照步骤(2)a-(2)c重新进行预处理；
(3)构造变量间的贝叶斯网络，并确定每组边代表回归关系的系数和截距；具体包括以下步骤：
a.利用爬山法为每类数据的环境变量间建立贝叶斯网络的结构；
b.以贝叶斯网络的子节点变量为因变量，以其对应所有父节点变量为自变量进行回归；使用Least Absolute Shrinkage and Selection Operator(Lasso)方法估计贝叶斯网络的回归系数及对应的截距；
(4)根据贝叶斯网络的结果制定湖泊黑臭管理目标；包括以下步骤：
a.按照贝叶斯网络结构和回归方程结果确定每类水体的管理目标，首选控制每类水体对应的贝叶斯网络的根节点变量；如果根节点变量难以用工程方法控制，则可以运用贝叶斯网络和概率链式法则计算每类水体中当某个环境变量给定时，悬浮固体浓度的条件概率分布，即：f(悬浮固体浓度|环境变量)；注意，按照数学定理，该条件概率分布一定是正态分布，且是该环境变量的函数；因此，可以用该分布的数学期望表达式中环境变量的系数绝对值估计该环境变量对悬浮固体浓度的影响；绝对值越大，对应的环境变量对悬浮固体浓度影响越大；选择对悬浮固体浓度影响最大的环境变量进行控制；
b.根据黑色水体与正常水体交界区域数据计算悬浮固体浓度的平均值作为控制湖泊水体不变黑的阈值；进一步利用该类水体的悬浮固体浓度阈值以及对应的贝叶斯网络结构和回归方程系数及截距，计算使湖泊水体不变黑所要求的每个环境变量的管理阈值目标。
CN202010424520.0A 2020-05-19 2020-05-19 一种制定多因素影响下湖泊黑色水体有效管理目标的方法 Active CN111559767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010424520.0A CN111559767B (zh) 2020-05-19 2020-05-19 一种制定多因素影响下湖泊黑色水体有效管理目标的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010424520.0A CN111559767B (zh) 2020-05-19 2020-05-19 一种制定多因素影响下湖泊黑色水体有效管理目标的方法

Publications (2)

Publication Number Publication Date
CN111559767A CN111559767A (zh) 2020-08-21
CN111559767B true CN111559767B (zh) 2022-02-08

Family

ID=72072284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010424520.0A Active CN111559767B (zh) 2020-05-19 2020-05-19 一种制定多因素影响下湖泊黑色水体有效管理目标的方法

Country Status (1)

Country Link
CN (1) CN111559767B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101354757A (zh) * 2008-09-08 2009-01-28 中国科学院地理科学与资源研究所 一种精细尺度下的动态风险及易损性预测方法
CN102565280A (zh) * 2010-12-31 2012-07-11 姜霞 一种确定湖泊沉积物高氮和/或磷风险区的方法
FI20156009A (fi) * 2015-12-23 2017-06-24 Kemira Oyj Menetelmä ja laite kerrostumien muodostuksen valvomiseksi ja hallitsemiseksi
EP3293151A1 (en) * 2016-09-12 2018-03-14 Doosan Heavy Industries & Construction Co., Ltd. Apparatus and method for analyzing membrane fouling of seawater desalination system
CN109346134A (zh) * 2018-11-09 2019-02-15 扬州大学 一种黑臭水体关键控制变量及其目标值的确定方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101354757A (zh) * 2008-09-08 2009-01-28 中国科学院地理科学与资源研究所 一种精细尺度下的动态风险及易损性预测方法
CN102565280A (zh) * 2010-12-31 2012-07-11 姜霞 一种确定湖泊沉积物高氮和/或磷风险区的方法
FI20156009A (fi) * 2015-12-23 2017-06-24 Kemira Oyj Menetelmä ja laite kerrostumien muodostuksen valvomiseksi ja hallitsemiseksi
EP3293151A1 (en) * 2016-09-12 2018-03-14 Doosan Heavy Industries & Construction Co., Ltd. Apparatus and method for analyzing membrane fouling of seawater desalination system
CN109346134A (zh) * 2018-11-09 2019-02-15 扬州大学 一种黑臭水体关键控制变量及其目标值的确定方法

Also Published As

Publication number Publication date
CN111559767A (zh) 2020-08-21

Similar Documents

Publication Publication Date Title
Peskun Optimum monte-carlo sampling using markov chains
Bouraoui et al. Impact of climate change on the water cycle and nutrient losses in a Finnish catchment
CN111967696B (zh) 基于神经网络的电动汽车充电需求预测方法、系统及装置
Esmaeilbeiki et al. Exploring the application of soft computing techniques for spatial evaluation of groundwater quality variables
CN111695290A (zh) 一种适用于变化环境下的短期径流智能预报混合模型方法
CN111241758A (zh) 基于可溶性污染物在水环境中输移扩散模型的评估方法
Chaudhari et al. Sampling-based algorithms for continuous-time POMDPs
Bull et al. Towards distributed adaptive control for road traffic junction signals using learning classifier systems
Abba et al. Modelling of uncertain system: a comparison study of linear and non-linear approaches
CN111984906B (zh) 考虑光伏与负荷时序相关性的概率潮流快速计算方法
CN111559767B (zh) 一种制定多因素影响下湖泊黑色水体有效管理目标的方法
CN113343601A (zh) 一种复杂水系湖泊水位和污染物迁移的动态模拟方法
Roushangar et al. Partitioning strategy for investigating the prediction capability of bed load transport under varied hydraulic conditions: application of robust GWO-kernel-based ELM approach
CN113158591A (zh) 一种确定流域土地开发利用承载力的方法
Kang et al. Development and application of storage-zone decision method for long-term reservoir operation using the dynamically dimensioned search algorithm
CN113659631A (zh) 考虑时变特性的风光电站群出力描述方法
Yu et al. Development of an artificial neural network model for hydrologic and water quality modeling of agricultural watersheds
Saplioglu et al. Estimation of missing streamflow data using ANFIS models and determination of the number of datasets for ANFIS: the case of Yeşilırmak River
Yuan et al. Efficient computation of jointree bounds for systematic MAP search
CN115034552A (zh) 一种基于数字孪生技术的水环境管理方法及系统
Grubert Acid deposition in the eastern United States and neural network predictions for the future
CN115188436A (zh) 一种复杂河网区微塑料通量计算方法
Theodoropoulos et al. Hydrodynamic habitat modelling based on freshwater macroinvertebrates
Houria et al. PSO-ANNs based suspended sediment concentration in Ksob basin, Algeria
CN114611784B (zh) 用于流域污染物的分散点源和面源污染控制方法

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
GR01 Patent grant