CN112508407A - 一种基于水基因的污染溯源方法 - Google Patents
一种基于水基因的污染溯源方法 Download PDFInfo
- Publication number
- CN112508407A CN112508407A CN202011429093.1A CN202011429093A CN112508407A CN 112508407 A CN112508407 A CN 112508407A CN 202011429093 A CN202011429093 A CN 202011429093A CN 112508407 A CN112508407 A CN 112508407A
- Authority
- CN
- China
- Prior art keywords
- pollution
- industry
- tracing
- data
- contribution rate
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 35
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 30
- 230000003068 static effect Effects 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims description 36
- 238000011835 investigation Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000013024 troubleshooting Methods 0.000 claims description 12
- 238000002835 absorbance Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000011109 contamination Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000011282 treatment Methods 0.000 claims description 4
- 101150090997 DLAT gene Proteins 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000003911 water pollution Methods 0.000 abstract description 2
- 235000013305 food Nutrition 0.000 description 13
- 238000007726 management method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
Classifications
-
- 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
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明实施例中提供了一种基于水基因的污染溯源方法，所述方法包括如下步骤：S1：将溯源点上游3公里范围确定为溯源范围；S2：结合各溯源范围的静态特征数据，动态特征数据，筛选溯源范围内的污染源；S3：根据监测数据判断溯源点是否被污染，若被污染，则将溯源点的污染水样与该点溯源范围内的污染源进行匹配，确定污染源行业；S4:污染源定位。本发明所提供的基于水基因的污染溯源方法，将溯源这一制度引入到城市河道、流域等污染的检测领域中，通过污染行业和污染来源的数据进行前期统计，后续分析对比污染的特征，能更清晰明确的反应出水污染的污染来源和污染行业。
Description
技术领域
本发明涉及水源污染的监测领域，尤其涉及一种基于水基因的污染溯源方法及系统。
背景技术
溯源，追本溯源，探寻事物的根本、源头；最早是1997年欧盟为应对“疯牛病”问题而逐步建立并完善起来的食品安全管理制度。这套食品安全管理制度由政府进行推动，覆盖食品生产基地、食品加工企业、食品终端销售等整个食品产业链条的上下游，通过类似银行取款机系统的专用硬件设备进行信息共享，服务于最终消费者。一旦食品质量在消费者端出现问题，可以通过食品标签上的溯源码进行联网查询，查出该食品的生产企业、食品的产地、具体农户等全部流通信息，明确事故方相应的法律责任。此项制度对食品安全与食品行业自我约束具有相当重要的意义。现在该技术得到广泛应用，除食品以外，在药品、服饰、电子、渔船等各行各业都能见到溯源技术的影子。
流域是一类复杂的自然地理区域，它是以地表水和地下水为主要纽带，密切连接特定区域水循环、土地覆被、生态系统等自然支撑系统和人口、经济与社会等社会经济系统的综合生态地域系统。随着工业化进程的日益加快和城市化水平的不断提高，各流域的环境治理和监测任务越发重大，因此，如何保护水资源并对污染水排放进行有效的监控已成为国家可持续法阵的重要国策之一。但是，现有对不同流域的水资源监控仅仅是依靠设定在固定区域的水质自动检测站，并不能快速的监测到水源污染的来源。
发明内容
有鉴于此，本发明实施例提供一种基于水基因的污染溯源方法，至少部分解决现有技术中存在的问题。
本发明的目的在于提供一种基于水基因的污染溯源方法，其特征在于，所述方法包括如下步骤：
S1：将溯源点上游3公里范围确定为溯源范围；
S2：结合各溯源点的静态特征数据，动态特征数据，筛选溯源范围内的污染源；
S3：根据监测数据判断溯源点是否被污染，若被污染，则将溯源点的污染水样与该点溯源范围内的污染源进行匹配，确定污染源行业；
S4:污染源定位。
本发明所提供的基于水基因的污染溯源方法，具有如下技术特征，所述S2包括如下步骤：
S2.1：计算不同的静态特征的污染贡献率；
S2.2：计算不同的动态特征的污染贡献率；
S2.3：根据贡献率筛选溯源范围内的污染源。
本发明所提供的基于水基因的污染溯源方法，具有如下技术特征，所述S2.1包括如下步骤：
S2.1.1：行业及排口排污量确定：
A：按行业类别划分不同污染源；
B：计算不同行业的排放量：
x1_1＝[x1_1_1,x1_1_2,…,x1_1_i,…,x1_1_h]，
其中：x1_1_i为行业i的排放量，
行业i的排放量x1_1_i＝sum(x1_1_i_m)，
其中，x1_1_i_m为行业i中企业m的排放量，
静态特征数据x1包括：二次污染普查数据、排口数据、人口数据、POI和卫星识别数据；
S2.1.2：根据环保部的监察数据计算行业和排口贡献率：
C：各行业初始贡献率x1_1＝x1_1/(sum(x1_1))，
其中：x1_1为步骤B中计算所得的排放量；
D：分别统计历史已排查行业与历史未排查行业的各行业初始贡献率，历史已排查行业的初始贡献率为x1_1_P，历史未排查行业的初始贡献率为x1_1_NP；
E：分别计算历史已排查行业的行业贡献率和历史未排查行业的行业贡献率，
历史已排查行业的行业贡献率y1_1＝1/(1+e^(-5*(Mu/M-0.4)))*x1_1_P，
其中：M为某行业排查发现问题的次数，Mu为该行业排查得总次数；
历史未排查行业贡献率
y1_2＝(mean(y1_1)+1/(1+e^(-5*(Nu/N-0.4))))*0.5*x1_1_NP
其中：N为排查的总次数，Nu为排查中发现问题得次数；
F：通过上述步骤得到的历史已排查行业的行业贡献率和历史未排查行业的行业贡献率计算行业及排口贡献率y1，
y1＝y1_1 and y1_2。
本发明所提供的基于水基因的污染溯源方法，具有如下技术特征，所述S2.2包括如下步骤：
S2.2.1：计算各类面源污染贡献量：
y2_1＝x2_q*x2_l*x2_v，
其中：x2_q为点位流量，x2_l为降雨量数据，x2_v为土地利用数据；
S2.2.2：计算各类面源污染贡献率：
y2＝(y2_1-min(y2_1))/(max(y2_1)-min(y2_1))。
本发明所提供的基于水基因的污染溯源方法，具有如下技术特征，所述S2.3包括如下步骤：
S2.2.1:融合静态特征数据与动态特征数据计算综合贡献率：
y3＝y1 and y2；
S2.2.2：根据贡献率筛选污染源：
y4＝[y3>u]，其中，u为贡献率阈值。
本发明所提供的基于水基因的污染溯源方法，具有如下技术特征，所述S3包括如下步骤：
S3.1：污染时刻的光谱谱图绘制；
S3.2：将污染源光谱谱图与污染源的光谱谱图进行特征相似度对比；
S3.3：确定污染行业。
本发明所提供的基于水基因的污染溯源方法，具有如下技术特征，所述S3.1包括如下步骤：
S3.1.1：对污染时刻的光谱数据进行去噪处理，
利用小波技术对光谱数据进行去噪处理，去除噪声后的光谱数据z1为：
z1＝f(z)
其中：z为从光学仪器中获取的200-712mn吸光度数据，光谱数据每2nm一个数据，即z的维度为256；
S3.1.2：波段筛选，
波段重要性分析
band_importance＝f(z1,label)
其中：band_importance为各波处重要性系数，label为光谱数据的行业标签，
计算累积重要性，并根据帕累托法则选取重要的波段，最终筛选204-324nm波段的数据s，
s＝z2[204:324]；
S3.1.3：光谱特征提取：
S3.1.3.1：光谱数据归一化：
s＝s/s[u]
其中：u为共性波长；
S3.1.3.2：光谱特征提取：
t1＝ds(m)/dm
t2＝d(ds(m)/dm)/dm
其中：m为波长，t1为吸光度的一阶导数，t2为吸光度的二阶导数；
S3.1.4：加强特征形成谱图矩阵，所形成的谱图矩阵h：
h＝h1+h2[::-1]，
其中h1＝f(t1,r)，
h2＝f(t2,r)，
r为小波函数。
本发明所提供的基于水基因的污染溯源方法，具有如下技术特征，所述S3.2包括如下步骤：
S3.2.1谱图矩阵对比：
p1＝pnsr(hi,h)/40，
其中：hi为污染源谱图，h为污染时刻谱图，pnsr为峰值信噪比；
S3.2.2光谱数据对比：
S3.2.2.1光谱数据去噪
S3.2.2.2归一化
s＝(s-min(s))/(max(s)-min(s))；
S3.2.3相似度对比：
p2＝(1+abs(s’))/(1+abs(s’)+2*abs(s’-si))，其中：s’＝s/s[1]，s为污染时刻光谱数据，si为污染源数据。
本发明所提供的基于水基因的污染溯源方法，具有如下技术特征，所述S3.3包括如下步骤：
S3.3.1：计算权重：
v1＝sta(p1)
v2＝sta(p2)
sta()为方差公式
w1＝v1/(v1+v2)
w2＝v2/(v1+v2)；
S3.3.2：污染行业确定：
p＝max(w1*s1+w2*s2)。
本发明所提供的基于水基因的污染溯源方法，具有如下技术特征，所述步骤S4包括如下步骤：
S4.1：对水质超标位置的上游区域进行网络划分；
S4.2：对上述划分的网络进行评分；
S4.3：选取上述评分最高的网络进行排查。
本发明所提供的基于水基因的污染溯源方法，具有如下技术特征，所述步骤S4.2包括如下步骤：
S4.2.1：对网络的距离进行评分：
超标点位与网格中心距离
d1＝((Dlat-Xlat)^2+(Dlng-Xlng)^2)^0.5
其中Dlat，Dlng为网格中心坐标，Xlat，Xlng为超标点位坐标网格中心与河岸距离
d2＝min(((Hlat-Xlat)^2+(Hlng-Xlat)^2)^0.5)
其中，Hlat，Hlng为网格中心做河岸线垂线与河岸线相交的坐标则网络的距离评分d为：d＝d1+d2
d＝(d-min(d))/(max(d)-min(d))；
S4.2.2：对网络的密度进行评分：
p＝n/S
其中n为网格内企业数量，S为网格面积，
p＝(p-min(p))/(max(p)-min(p))；
S4.2.3：对网络的排查情况进行评分：
历史已排查网格评分
r1＝2*(M/Mu)/((0.5+0.5*(M/(N/Nu)))
其中，M为某点位排查次数，Mu为该点位排查得总次数，N为排查的总次数，Nu为排查中发现问题得次数
历史未排查网格评分
r2＝(mean(r1)+1/(1+e^(-5*(Nu/N-0.4))))*0.5
其中N为某排查总次数，Nu为排查中发现问题得次数
r＝r1 and r2；
S4.2.4：根据距离评分、密度评分和排查情况评分，相加得到该网络评分。
有益效果
本发明所提供的基于水基因的污染溯源方法，将溯源这一制度引入到城市河道、流域等污染的检测领域中，通过污染行业和污染来源的数据进行前期统计，后续分析对比污染的特征，能更清晰明确的反应出水污染的污染来源和污染行业。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本发明，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本发明实施例提供一种基于水基因的污染溯源方法，该方法包括如下步骤：
S1：将溯源点上游3公里范围确定为溯源范围；
S2：结合各溯源点的静态特征数据，动态特征数据，筛选溯源范围内的污染源；
S3：根据监测数据判断溯源点是否被污染，若被污染，则将溯源点的污染水样与该点溯源范围内的污染源进行匹配，确定污染源行业；
S4:污染源定位。
在本发明的部分实施例中，所述S2包括如下步骤：
S2.1：计算不同的静态特征的污染贡献率；
S2.2：计算不同的动态特征的污染贡献率；
S2.3：根据贡献率筛选溯源范围污染源。
在本发明的部分实施例中，输入静态数据，再对静态数据进行分类统计，即将静态数据中的企业按照行业划分，统计该区域内各行业的排放量及排口的排放量。再输入各行业排水量及环保部门的监察数据，计算各类污染来源的贡献率，即企业问题大的贡献率大。具体步骤如下：
S2.1.1：行业及排口排污量确定：
A：按行业类别划分不同污染源：行业类别的划分依据为《国民经济行业分类》，根据关键字初步分类后进行人工核查是否有误。
B：计算不同行业的排放量：
x1_1＝[x1_1_1,x1_1_2,…,x1_1_i,…,x1_1_h]，
其中：x1_1_i为行业i的排放量，
行业i的排放量x1_1_i＝sum(x1_1_i_m)，
其中，x1_1_i_m为行业i中企业m的排放量，
静态特征数据x1包括：二次污染普查数据、排口数据、人口数据、POI和卫星识别数据；二次污染普查数据指工业、农业、生活污染的信息，静态数据的获得通过网络爬取，客户提供以及公司摸排等方式。
S2.1.2：根据环保部的监察数据计算行业和排口贡献率：
C：各行业初始贡献率x1_1＝x1_1/(sum(x1_1))，
其中：x1_1为步骤B中计算所得的排放量；
D：分别统计历史已排查行业与历史未排查行业的各行业初始贡献率，历史已排查行业的初始贡献率为x1_1_P，历史未排查行业的初始贡献率为x1_1_NP；
E：分别计算历史已排查行业的行业贡献率和历史未排查行业的行业贡献率，
历史已排查行业的行业贡献率y1_1＝1/(1+e^(-5*(Mu/M-0.4)))*x1_1_P，其中：M为某行业排查发现问题的次数，Mu为该行业排查得总次数；
历史未排查行业贡献率
y1_2＝(mean(y1_1)+1/(1+e^(-5*(Nu/N-0.4))))*0.5*x1_1_NP
其中：N为排查的总次数，Nu为排查中发现问题得次数；
F：通过上述步骤得到的历史已排查行业的行业贡献率和历史未排查行业的行业贡献率计算行业及排口贡献率y1，
y1＝y1_1 and y1_2。
在本发明的部分实施例中，输入流量数据、雨情数据以及土地利用数据，分析面源冲刷对水质的影响。面源污染又称非点源污染，主要由土壤泥沙颗粒、氮磷等营养物质、农药、各种大气颗粒物等组成，通过地表径流、土壤侵蚀、农田排水等方式进入水、土壤或大气环境。S2.2的具体步骤如下：
S2.2.1：计算各类面源污染贡献量：
y2_1＝x2_q*x2_l*x2_v，
其中：x2_q为点位流量，x2_l为降雨量数据，x2_v为土地利用数据；
S2.2.2：计算各类面源污染贡献率：
y2＝(y2_1-min(y2_1))/(max(y2_1)-min(y2_1))。
在上述实施例中，考虑了面源污染对水源环境污染的影响，使得污染的监测、治理和管理更加精确。
在本发明的部分实施例中，输入静态数据与动态数据贡献率值，确定该区域所有的污染源，并根据贡献率大小，剔除个别贡献率小的污染源。S2.3具体步骤如下：
S2.2.1:融合静态特征数据与动态特征数据计算综合贡献率：
y3＝y1 and y2；
S2.2.2：根据贡献率筛选污染源：
y4＝[y3>u]，其中，u为贡献率阈值。
在本发明的部分实施例中，所述S3包括如下步骤：
S3.1：污染时刻的光谱谱图绘制；
S3.2：将污染源光谱谱图与污染源的光谱谱图进行特征相似度对比；
S3.3：确定污染行业。
在本发明的部分实施例中，所述S3.1包括如下步骤：
S3.1.1：对污染时刻的光谱数据进行去噪处理，
利用小波技术对光谱数据进行去噪处理，去除噪声后的光谱数据z1为：
z1＝f(z)
其中：z为从光学仪器中获取的200-712mn吸光度数据，光谱数据每2nm一个数据，即z的维度为256；
S3.1.2：波段筛选，
波段重要性分析
band_importance＝f(z1,label)
其中：band_importance为各波处重要性系数，label为光谱数据的行业标签，
计算累积重要性，即选取波段重要性系数的总和，并根据帕累托法则选取重要的波段，最终筛选204-324nm波段的数据s，
s＝z2[204:324]；
S3.1.3：光谱特征提取：
S3.1.3.1：光谱数据归一化：
s＝s/s[u]
其中：u为共性波长；
S3.1.3.2：光谱特征提取：
t1＝ds(m)/dm
t2＝d(ds(m)/dm)/dm
其中：m为波长，t1为吸光度的一阶导数，t2为吸光度的二阶导数；
S3.1.4：加强特征形成谱图矩阵，所形成的谱图矩阵h：
h＝h1+h2[::-1]，
其中h1＝f(t1,r)，
h2＝f(t2,r)，
r为小波函数。
在本发明的部分实施例中，所述S3.2包括如下步骤：
S3.2.1谱图矩阵对比：
p1＝pnsr(hi,h)/40，
其中：hi为污染源谱图，h为污染时刻谱图，pnsr为峰值信噪比；
S3.2.2光谱数据对比：
S3.2.2.1光谱数据去噪
S3.2.2.2归一化
s＝(s-min(s))/(max(s)-min(s))；
S3.2.3相似度对比：
p2＝(1+abs(s’))/(1+abs(s’)+2*abs(s’-si))，其中：s’＝s/s[1]，s为污染时刻光谱数据，si为污染源数据。
在本发明的部分实施例中，所述S3.3包括如下步骤：
S3.3.1：计算权重：
v1＝sta(p1)
v2＝sta(p2)
sta()为方差公式
w1＝v1/(v1+v2)
w2＝v2/(v1+v2)；
S3.3.2：污染行业确定：
p＝max(w1*s1+w2*s2)。
在本发明的部分实施例中，所述步骤S4包括如下步骤：
S4.1：对水质超标位置的上游区域进行网络划分，划分的网络面积为300*300米；
S4.2：对上述划分的网络进行评分；
S4.3：选取上述评分最高的网络进行排查。
在本发明的部分实施例中，所述步骤S4.2包括如下步骤：
S4.2.1：对网络的距离进行评分：
超标点位与网格中心距离
d1＝((Dlat-Xlat)^2+(Dlng-Xlng)^2)^0.5
其中Dlat，Dlng为网格中心坐标，Xlat，Xlng为超标点位坐标，该坐标为经纬度坐标。
网格中心与河岸距离
d2＝min(((Hlat-Xlat)^2+(Hlng-Xlat)^2)^0.5)
其中，Hlat，Hlng为网格中心做河岸线垂线与河岸线相交的坐标，该坐标为经纬度坐标。
则网络的距离评分d为：d＝d1+d2
d＝(d-min(d))/(max(d)-min(d))；
S4.2.2：对网络的密度进行评分：
p＝n/S
其中n为网格内企业数量，S为网格面积，
p＝(p-min(p))/(max(p)-min(p))；
S4.2.3：对网络的排查情况进行评分：
历史已排查网格评分
r1＝2*(M/Mu)/((0.5+0.5*(M/(N/Nu)))
其中，M为某点位排查次数，Mu为该点位排查得总次数，N为排查的总次数，Nu为排查中发现问题得次数
历史未排查网格评分
r2＝(mean(r1)+1/(1+e^(-5*(Nu/N-0.4))))*0.5
其中N为某排查总次数，Nu为排查中发现问题得次数
r＝r1 and r2；
S4.2.4：根据距离评分、密度评分和排查情况评分，相加得到该网络评分。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种基于水基因的污染溯源方法，其特征在于，所述方法包括如下步骤：
S1：将溯源点上游3公里范围确定为溯源范围；
S2：结合各溯源点的静态特征数据，动态特征数据，筛选溯源范围内的污染源；
S3：根据监测数据判断溯源点是否被污染，若被污染，则将溯源点的污染水样与该点溯源范围内的污染源进行匹配，确定污染源行业；
S4:污染源定位。
2.根据权利要求1所述的基于水基因的污染溯源方法，其特征在于，所述S2包括如下步骤：
S2.1：计算不同的静态特征的污染贡献率；
S2.2：计算不同的动态特征的污染贡献率；
S2.3：根据贡献率筛选溯源范围内的污染源。
3.根据权利要求2所述的基于水基因的污染溯源方法，其特征在于，所述S2.1包括如下步骤：
S2.1.1：行业及排口排污量确定：
A：按行业类别划分不同污染源；
B：计算不同行业的排放量：
x1_1＝[x1_1_1,x1_1_2,…,x1_1_i,…,x1_1_h]，
其中：x1_1_i为行业i的排放量，
行业i的排放量x1_1_i＝sum(x1_1_i_m)，
其中，x1_1_i_m为行业i中企业m的排放量，
静态特征数据x1包括：二次污染普查数据、排口数据、人口数据、POI和卫星识别数据；
S2.1.2：根据环保部的监察数据计算行业和排口贡献率：
C：各行业初始贡献率x1_1＝x1_1/(sum(x1_1))，
其中：x1_1为步骤B中计算所得的排放量；
D：分别统计历史已排查行业与历史未排查行业的各行业初始贡献率，历史已排查行业的初始贡献率为x1_1_P，历史未排查行业的初始贡献率为x1_1_NP；
E：分别计算历史已排查行业的行业贡献率和历史未排查行业的行业贡献率，
历史已排查行业的行业贡献率y1_1＝1/(1+e^(-5*(Mu/M-0.4)))*x1_1_P，
其中：M为某行业排查发现问题的次数，Mu为该行业排查得总次数；
历史未排查行业贡献率
y1_2＝(mean(y1_1)+1/(1+e^(-5*(Nu/N-0.4))))*0.5*x1_1_NP
其中：N为排查的总次数，Nu为排查中发现问题得次数；
F：通过上述步骤得到的历史已排查行业的行业贡献率和历史未排查行业的行业贡献率计算行业及排口贡献率y1，
y1＝y1_1 and y1_2。
4.根据权利要求3所述的基于水基因的污染溯源方法，其特征在于，所述S2.2包括如下步骤：
S2.2.1：计算各类面源污染贡献量：
y2_1＝x2_q*x2_l*x2_v，
其中：x2_q为点位流量，x2_l为降雨量数据，x2_v为土地利用数据；
S2.2.2：计算各类面源污染贡献率：
y2＝(y2_1-min(y2_1))/(max(y2_1)-min(y2_1))。
5.根据权利要求4所述的基于水基因的污染溯源方法，其特征在于，所述S2.3包括如下步骤：
S2.2.1:融合静态特征数据与动态特征数据计算综合贡献率：
y3＝y1 and y2；
S2.2.2：根据贡献率筛选污染源：
y4＝[y3>u]，其中，u为贡献率阈值。
6.根据权利要求5所述的基于水基因的污染溯源方法，其特征在于，所述S3包括如下步骤：
S3.1：污染时刻的光谱谱图绘制；
S3.2：将污染源光谱谱图与污染源的光谱谱图进行特征相似度对比；
S3.3：确定污染行业。
7.根据权利要求6所述的基于水基因的污染溯源方法，其特征在于，所述S3.1包括如下步骤：
S3.1.1：对污染时刻的光谱数据进行去噪处理，
利用小波技术对光谱数据进行去噪处理，去除噪声后的光谱数据z1为：
z1＝f(z)
其中：z为从光学仪器中获取的200-712mn吸光度数据，光谱数据每2nm一个数据，即z的维度为256；
S3.1.2：波段筛选，
波段重要性分析
band_importance＝f(z1,label)
其中：band_importance为各波处重要性系数，label为光谱数据的行业标签，
计算累积重要性，并根据帕累托法则选取重要的波段，最终筛选204-324nm波段的数据s，
s＝z2[204:324]；
S3.1.3：光谱特征提取：
S3.1.3.1：光谱数据归一化：
s＝s/s[u]
其中：u为共性波长；
S3.1.3.2：光谱特征提取：
t1＝ds(m)/dm
t2＝d(ds(m)/dm)/dm
其中：m为波长，t1为吸光度的一阶导数，t2为吸光度的二阶导数；
S3.1.4：加强特征形成谱图矩阵，所形成的谱图矩阵h：
h＝h1+h2[::-1]，
其中h1＝f(t1,r)，
h2＝f(t2,r)，
r为小波函数。
8.根据权利要求7所述的基于水基因的污染溯源方法，其特征在于，所述S3.2包括如下步骤：
S3.2.1谱图矩阵对比：
p1＝pnsr(hi,h)/40，
其中：hi为污染源谱图，h为污染时刻谱图，pnsr为峰值信噪比；
S3.2.2光谱数据对比：
S3.2.2.1光谱数据去噪
S3.2.2.2归一化
s＝(s-min(s))/(max(s)-min(s))；
S3.2.3相似度对比：
p2＝(1+abs(s’))/(1+abs(s’)+2*abs(s’-si))，其中：s’＝s/s[1]，s为污染时刻光谱数据，si为污染源数据。
9.根据权利要求8所述的基于水基因的污染溯源方法，其特征在于，所述S3.3包括如下步骤：
S3.3.1：计算权重：
v1＝sta(p1)
v2＝sta(p2)
sta()为方差公式
w1＝v1/(v1+v2)
w2＝v2/(v1+v2)；
S3.3.2：污染行业确定：
p＝max(w1*s1+w2*s2)。
10.根据权利要求9所述的基于水基因的污染溯源方法，其特征在于，所述步骤S4包括如下步骤：
S4.1：对水质超标位置的上游区域进行网络划分；
S4.2：对上述划分的网络进行评分；
S4.3：选取上述评分最高的网络进行排查。
11.根据权利要求10所述的基于水基因的污染溯源方法，其特征在于，所述步骤S4.2包括如下步骤：
S4.2.1：对网络的距离进行评分：
超标点位与网格中心距离
d1＝((Dlat-Xlat)^2+(Dlng-Xlng)^2)^0.5
其中Dlat，Dlng为网格中心坐标，Xlat，Xlng为超标点位坐标网格中心与河岸距离
d2＝min(((Hlat-Xlat)^2+(Hlng-Xlat)^2)^0.5)
其中，Hlat，Hlng为网格中心做河岸线垂线与河岸线相交的坐标
则网络的距离评分d为：d＝d1+d2
d＝(d-min(d))/(max(d)-min(d))；
S4.2.2：对网络的密度进行评分：
p＝n/S
其中n为网格内企业数量，S为网格面积，
p＝(p-min(p))/(max(p)-min(p))；
S4.2.3：对网络的排查情况进行评分：
历史已排查网格评分
r1＝2*(M/Mu)/((0.5+0.5*(M/(N/Nu)))
其中，M为某点位排查次数，Mu为该点位排查得总次数，N为排查的总次数，Nu为排查中发现问题得次数
历史未排查网格评分
r2＝(mean(r1)+1/(1+e^(-5*(Nu/N-0.4))))*0.5
其中N为某排查总次数，Nu为排查中发现问题得次数
r＝r1 and r2；
S4.2.4：根据距离评分、密度评分和排查情况评分，相加得到该网络评分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011429093.1A CN112508407B (zh) | 2020-12-07 | 2020-12-07 | 一种基于水基因的污染溯源方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011429093.1A CN112508407B (zh) | 2020-12-07 | 2020-12-07 | 一种基于水基因的污染溯源方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112508407A true CN112508407A (zh) | 2021-03-16 |
| CN112508407B CN112508407B (zh) | 2023-07-18 |
Family
ID=74970057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011429093.1A Active CN112508407B (zh) | 2020-12-07 | 2020-12-07 | 一种基于水基因的污染溯源方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112508407B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112988945A (zh) * | 2021-04-25 | 2021-06-18 | 成都同飞科技有限责任公司 | 一种河流悬浮污染物的预测方法及预测系统 |
| CN113376114A (zh) * | 2021-06-24 | 2021-09-10 | 北京市生态环境监测中心 | 一种基于紫外-可见光谱数据的水污染溯源方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563139A (zh) * | 2017-09-06 | 2018-01-09 | 郑州大学 | 一种点源突发性水污染源事故溯源贡献程度计算方法 |
| CN110442592A (zh) * | 2019-05-20 | 2019-11-12 | 北京思路创新科技有限公司 | 用于实现产污、治污、排口溯源的方法、系统及存储介质 |
| CN111426668A (zh) * | 2020-04-28 | 2020-07-17 | 华夏安健物联科技(青岛)有限公司 | 一种利用三维荧光光谱特征信息对污染水体溯源分类识别的方法 |
| CN111474307A (zh) * | 2020-03-26 | 2020-07-31 | 南方科技大学 | 污染物溯源方法、装置、计算机设备及存储介质 |
| CN111861421A (zh) * | 2020-08-01 | 2020-10-30 | 生态环境部南京环境科学研究所 | 一种流域突发水污染快速溯源方法 |
-
2020
- 2020-12-07 CN CN202011429093.1A patent/CN112508407B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563139A (zh) * | 2017-09-06 | 2018-01-09 | 郑州大学 | 一种点源突发性水污染源事故溯源贡献程度计算方法 |
| CN110442592A (zh) * | 2019-05-20 | 2019-11-12 | 北京思路创新科技有限公司 | 用于实现产污、治污、排口溯源的方法、系统及存储介质 |
| CN111474307A (zh) * | 2020-03-26 | 2020-07-31 | 南方科技大学 | 污染物溯源方法、装置、计算机设备及存储介质 |
| CN111426668A (zh) * | 2020-04-28 | 2020-07-17 | 华夏安健物联科技(青岛)有限公司 | 一种利用三维荧光光谱特征信息对污染水体溯源分类识别的方法 |
| CN111861421A (zh) * | 2020-08-01 | 2020-10-30 | 生态环境部南京环境科学研究所 | 一种流域突发水污染快速溯源方法 |
Non-Patent Citations (1)
| Title |
|---|
| 罗朝元，周英果主编: "《预防医学 供护理及相关医学专业用》", 30 September 2012 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112988945A (zh) * | 2021-04-25 | 2021-06-18 | 成都同飞科技有限责任公司 | 一种河流悬浮污染物的预测方法及预测系统 |
| CN113376114A (zh) * | 2021-06-24 | 2021-09-10 | 北京市生态环境监测中心 | 一种基于紫外-可见光谱数据的水污染溯源方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112508407B (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110223196B (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
| Luo et al. | Hydrological simulation using TRMM and CHIRPS precipitation estimates in the lower Lancang-Mekong river basin | |
| Douglas et al. | Trends in floods and low flows in the United States: impact of spatial correlation | |
| Chen et al. | Short-time traffic flow prediction with ARIMA-GARCH model | |
| Jones et al. | Objective classification of extreme rainfall regions for the UK and updated estimates of trends in regional extreme rainfall | |
| CN112508407A (zh) | 一种基于水基因的污染溯源方法 | |
| Dai et al. | A scheme for rain gauge network design based on remotely sensed rainfall measurements | |
| CN110543893A (zh) | 基于bp神经网络的微波衰减降水粒子类型的识别方法 | |
| Heppes et al. | The Convention on International Trade in Endangered Species of Wild Fauna and Flora: improving the prospects for preserving our biological heritage | |
| CN116910041B (zh) | 一种基于尺度分析的遥感降水产品的逐日订正方法 | |
| CN101226614A (zh) | 一种网络资产重要性评估方法 | |
| Lu et al. | Risk zoning of typhoon disasters in Zhejiang Province, China | |
| CN111191720B (zh) | 一种业务场景的识别方法、装置及电子设备 | |
| Machiwal et al. | Methods for time series analysis | |
| CN114677059A (zh) | 集成时空指标的反演降水产品精度综合评估方法及系统 | |
| Kyselý et al. | Formation of homogeneous regions for regional frequency analysis of extreme precipitation events in the Czech Republic | |
| Kazemzadeh et al. | Homogeneity analysis of streamflow records in arid and semi-arid regions of northwestern Iran | |
| Ji et al. | Detection of outliers in a time series of available parking spaces | |
| CN105930430A (zh) | 一种基于非累积属性的实时欺诈检测方法及装置 | |
| CN113435291B (zh) | 一种排污口排查工作量核算方法、系统、装置及存储介质 | |
| Coelho et al. | Statistical validity of water quality time series in urban watersheds | |
| Zheng et al. | Research on the methods for separating wind sea and swell from directional wave spectra in finite-depth waters | |
| Odero | Analysing the causal relationship between agricultural value addition and economic growth in Namibia | |
| Sezen et al. | The relation of North Atlantic oscillation (NAO) and North Sea Caspian pattern (NCP) with climate variables in Mediterranean region of Turkey | |
| CN110400160B (zh) | 识别竞品用户的方法、装置、电子设备和存储介质 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100071 Beijing Fengtai Auto Museum West Road No. 8 Courtyard 1 Building 6 Floor 606 Applicant after: Beijing Yingshi Ruida Technology Co.,Ltd. Address before: 100160 606, 6th floor, building 1, courtyard 8, Automobile Museum West Road, Fengtai District, Beijing Applicant before: BEIJING INSIGHTS VALUE TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |