CN112836859B - 一种河口区污染物监测数据的智能融合与分析方法 - Google Patents
一种河口区污染物监测数据的智能融合与分析方法 Download PDFInfo
- Publication number
- CN112836859B CN112836859B CN202110025540.5A CN202110025540A CN112836859B CN 112836859 B CN112836859 B CN 112836859B CN 202110025540 A CN202110025540 A CN 202110025540A CN 112836859 B CN112836859 B CN 112836859B
- Authority
- CN
- China
- Prior art keywords
- pollutant
- time
- data
- concentration
- contaminant
- 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
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
Abstract
本发明提供了一种河口区污染物监测数据的智能融合与分析方法,包括:收集研究区域污染物的历史数据,构建研究区域的污染物数据库;考虑主要的影响因素,构建污染物输运模型;根据已有数据结合污染物输运模型,给出背景场;结合监测的实时数据,采用自适应的最优插值算法(OI)实现数据同化,提高模型预报精度;将时变振幅拟合与机器学习相结合,对数据同化结果进行分析,获取河口区污染物的变化特征。
Description
技术领域
本发明涉及监测数据的融合与分析方法领域,具体涉及一种河口区污染物监测数据的智能融合与分析的方法。
背景技术
数据融合与智能分析方法在数据处理领域中起着至关重要的作用。传统的数据融合算法在插值过程中采用的是一些普通的插值算法,这使得在传统的数据融合存在内生性的欠缺。一方面,在数据融合过程中未考虑物理意义的时空尺度,使得数据融合结果不堪理想,另一方面现有的分析模式,并未考虑过融合后存在的数值离散的误差,使得构建出的模式初始场精确度有限。
在此背景下,一种好的数据融合方法能更加有效的保留数据的原始信息,因此本发明提出一种可以提升数据融合效果的算法,并采取一些措施进一步提高模式初始场精确度,进而提高模型初始场预报精度的技术。
发明内容
有鉴于此,本发明提供了一种河口区污染物监测数据的智能融合与分析方法,具体步骤包括:
S1、收集河口区污染物历史监测数据,构建研究区域的污染物数据库;
S2、考虑污染物对流扩散及相互作用过程,构建污染物输运模型;
S3、调用污染物数据库相关数据,构建污染物输运模型的初始条件和边界条件,获得模型背景场;
S4、获取监测地点的现场实时观测数据,更新S1建立的污染物数据库;采用自适应的最优插值算法OI对污染物实时观测数据进行数据同化,提高S2中污染物输运模型模拟的精确度;
S5、将时变振幅拟合与机器学习相结合,对S4的数据同化结果进行分析,获取河口区污染物的变化特征。
与现有技术相比本发明具有如下优点:不同于传统的数据融合方法中只采用常规插值手段进行数据同化,本发明提出了采用自适应的最优插值方法进行数据的融合,该插值方法充分考虑了变量的物理意义和时空尺度,可进一步提升污染物输运模型的精确度;本发明结合这两方面的优势,有效的提高了数值预报的精确度。
附图说明
图1为本发明一种河口区污染物监测数据的智能融合与分析方法流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
请参考图1,本发明提出一种河口区污染物监测数据的智能融合与分析方法,包括以下步骤:
S1、收集河口区污染物历史监测数据,构建研究区域的污染物数据库;污染物数据库包括:氨氮、硝酸盐、亚硝酸盐、铜、锌、六价铬、TOC、COD、总氮以及总磷等;
S2、考虑污染物对流扩散及相互作用过程,构建污染物输运模型;
在近海污染物的模拟过程中受模型的初始状态和源汇的影响尤为明显,为了更加突出污染物的源汇和模型的初始条件在污染物模拟中的作用并且尽量不受到其他的模型控制变量的影响,保留污染物变化过程中的物理过程(对流和扩散过程),同时考虑了不同种类的污染物的影响,建立污染物输运模型:
其中,下标p表示不同的污染物,Cp代表第p个污染物的浓度,u和v分别表示东西方向和南北方向的流速分量,w代表垂直方向的流速分量,AH与KH分别为水平方向和垂直方向的扩散系数,θp,q表示第q个污染物对第p个污染物的影响,表示其他污染物对第p个污染物的整体影响,x、y和z为空间直角坐标系,t代表时间。
S3、调用数据库相关数据,构建污染物输运模型的初始条件和边界条件,获得模型背景场;
基于数据库中氨氮、硝酸盐、亚硝酸盐、铜、锌、六价铬、TOC、COD、总氮以及总磷,构建污染物输运模型的初始条件和边界条件,所述边界条件采用污染物流入定常和流出无梯度的辐射边界条件:
Cp代表第p个污染物的浓度,n代表开边界的法线方向,t表示时间,Vn表示开边界的流速,闭边界条件采用如下形式:
正向控制方程的差分格式设置如下:
其中,
其中i,j,k分别代表Cartesian坐标系统的坐标分量,Δxj,Δy,Δzk分别代表Cartesian坐标系统的格点距离,l代表时间分量,代表l时刻,在网格点(i,j,k)处的浓度,代表l时刻,在网格点(i,j,k)处的u的值,代表l时刻,在网格点(i,j,k)处的v的值,代表l时刻,在网格点(i,j,k)处的w的值。
S4、获取监测地点的现场实时观测数据,更新S1建立的污染物数据库;采用自适应的最优插值算法(OI)对污染物实时观测数据进行数据同化,提高S2中污染物输运模型模拟的精确度;
监测地点现场实时观测数据,包括氨、氮、硝酸盐、亚硝酸盐、铜、锌、六价铬、TOC、COD、总氮以及总磷,其中氨、氮、硝酸盐、亚硝酸盐、铜、锌以及六价铬由多参数间断化学分析仪获得,TOC由TOC在线监测仪获得,COD由CODmn在线监测仪获得,总氮由总氮在线检测仪获得,总磷由总磷在线分析仪获得。
S5、将时变振幅拟合与机器学习相结合,对S4的数据同化结果进行分析,获取河口区污染物的变化特征。
采用最优插值法(OI)的基本模式如下:
xa=xb+W[yo-Hxb]
其中,xa是模式变量的最优分析场,xb是背景场,即初始时根据历史数据与输运模型所得到的预测场,W为最优权重矩阵,yo是观测场,即实时观测数据,H为观测算子,这里为一个m′×n′矩阵,m′为观测个数,n′为网格点个数;
经最优分析,使分析场误差最小的权重矩阵表示为:
W=BHT(R+HBHT)-1
其中,B为背景场误差协方差矩阵,R为观测值误差协方差矩阵。
在各向同性的假设条件以及预报误差的水平相关性满足某一随水平距离增加相关性呈指数递减的规律的假设下,用背景误差方差矩阵来将背景误差协方差B标准化:
B=D1/2CD1/2
其中C是背景误差相关矩阵,D是背景误差方差矩阵,假设为误差方差的对角阵,元素取整个区域的方差均值。
C矩阵取下面的形式:
式中,i,j表示网格点坐标,R表示以网格点(i,j)为圆心的影响半径;r表示观测点与网格点(i,j)间的距离。
S4所述自适应的含义为:考虑到模式变量的最优分析场xa的物理意义和时空尺度,给定当前观测点的影响范围R和受影响的计算的格点数N′;设k′表示第k′个观测点,设集合Uk′表示第k′个观测点的所能影响的网格点(i,j)的集合,逐一计算第k′个观测点与每一个网格点(i,j)之间的距离r,若r≤R,则将该网格点(i,j)并入集合Uk′,直到遍历所有网格点,判断集合Uk′中的网格点个数n′k′,若n′k′≥N′,可以直接用最优插值算法;如果此集合Uk′内网格点数n′k′≤N′个,需扩大影响范围R,每次增加3%,重复上述步骤,直到集合Uk′内网格点数n′k′≥N′,此时的影响范围即为观测点k′最终的影响范围。
S5所述的获取河口区污染物的变化特征具体为:
考虑到污染物浓度的变化会受到其它因素的影响,污染物浓度的变化幅度并不总是一样的,给定污染物浓度的周期变化振幅和相位角是随时间变化的,故污染物浓度的周期变化的时变振幅和时变的相位角分别用下式表示:
其中,a(t)和b(t)分别表示描述污染物浓度变化的因子,通过插值法计算得到的Hp(t)和作为循环神经网络中的长短期记忆网络的输入,得到在N时刻之后m个时间步的变化特征,即在tN+1至tN+m时刻的Hp(tN+1)至Hp(tN+m)和至
污染物的浓度随时间的变化形式用以下式子表示:
Cp(t)=A0+A1t+a(t)cos(ωpt)+b(t)sin(ωpt)
或
其中,Cp表示第p种污染物的浓度,A0表示污染物的平均浓度,A1表示污染物浓度的变化趋势,ωp是个常数,表示第p个污染物浓度变化频率,t为时间,a(t)和b(t)可以通过插值点的线性关系来得到:
故污染物的浓度可以通过下式来表示:
其中,ft,i是第i个插值点在t时刻的插值权重,具体值由插值方法决定,时变的a(t)和b(t)可以通过对ai和bi插值获得,ai,bi表示第i个点的振幅,通过分析N个时间段的污染物浓度,可以得到:
上式可以表示为:
Cp=By
Cp=[Cp(t1)Cp(t2)...Cp(tN)]T
y=[A0A1a1...aMb1...bM]T
Cp为污染物浓度矩阵,B是已知的相关矩阵,由插值权重和角速度组成,y是未知参数向量,由ai和bi组成,通过最小二乘法,可以得到:
y=(BTB)-1(BTA)
因此,解算出y即可以得到污染物浓度的周期变化的时变振幅Hp(t)和对得到的Hp(t)和时间序列用循环神经网络中的长短期记忆网络(LSTM)进行预测,得到N时刻之后m个时间步的变化特征,即污染物浓度在tN+1至tN+m时刻的变化特征,即Hp(tN+1)至Hp(tN+m)和至将Hp(tN+1)至Hp(tN+m)和至带给式得到Cp(tN+1)至Cp(tN+m),即对污染物的浓度变化进行预测。
至此,本发明根据已有的数据和实时观测的数据,用自适应的最优插值算法(OI)进行数据融合,更为确切的描述了污染物的变化过程中的物理过程(对流和扩散),并且根据已有模拟结果,能更为准确的预测和分析进一步污染物的变化过程。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种河口区污染物监测数据的智能融合与分析方法,其特征在于,包括:
S1、收集河口区污染物历史监测数据,构建研究区域的污染物数据库;
S2、考虑污染物对流扩散及相互作用过程,构建污染物输运模型;
S3、调用污染物数据库相关数据,构建污染物输运模型的初始条件和边界条件,获得模型背景场;
S4、获取监测地点的现场实时观测数据,更新S1建立的污染物数据库;采用自适应的最优插值算法OI对污染物实时观测数据进行数据同化,提高S2中污染物输运模型模拟的精确度;
所述自适应的含义为:考虑到模式变量的最优分析场xa的物理意义和时空尺度,给定当前观测点的影响范围R和受影响的计算的格点数N';设k'表示第k'个观测点,设集合Uk'表示第k'个观测点的所能影响的网格点(i,j)的集合,逐一计算第k'个观测点与每一个网格点(i,j)之间的距离r,若r≤R,则将该网格点(i,j)并入集合Uk',直到遍历所有网格点,判断集合Uk'中的网格点个数n'k',若n'k'≥N',可以直接用最优插值算法;如果此集合Uk'内网格点数n'k'≤N'个,需扩大影响范围R,每次增加3%,重复上述步骤,直到集合Uk'内网格点数n'k'≥N',此时的影响范围即为观测点k'最终的影响范围;
S5、将时变振幅拟合与机器学习相结合,对S4的数据同化结果进行分析,获取河口区污染物的变化特征;
所述的获取河口区污染物的变化特征具体为:
污染物的浓度随时间的变化形式用以下式子表示:
2.根据权利要求1所述的一种河口区污染物监测数据的智能融合与分析方法,其特征在于,步骤S1中污染物数据库中数据包括:氨氮、硝酸盐、亚硝酸盐、铜、锌、六价铬、TOC、COD、总氮以及总磷。
5.根据权利要求1所述的一种河口区污染物监测数据的智能融合与分析方法,其特征在于,S4所述的监测地点现场实时观测数据,包括氨氮、硝酸盐、亚硝酸盐、铜、锌、六价铬、TOC、COD、总氮以及总磷,其中氨氮、硝酸盐、亚硝酸盐、铜、锌以及六价铬由多参数间断化学分析仪获得,TOC由TOC在线监测仪获得,COD由CODmn在线监测仪获得,总氮由总氮在线检测仪获得,总磷由总磷在线分析仪获得。
6.根据权利要求1所述的一种河口区污染物监测数据的智能融合与分析方法,其特征在于,S4所述的最优插值法OI的基本模式如下:
xa=xb+W[yo-Hxb]
其中,xa是模式变量的最优分析场,xb是背景场,即初始时根据历史数据与输运模型所得到的预测场,W为最优权重矩阵,yo是观测场,即实时观测数据,H为观测算子,这里为一个m'×n'矩阵,m'为观测个数,n'为网格点个数;
经最优分析,使分析场误差最小的权重矩阵表示为:
W=BHT(R+HBHT)-1
其中,B为背景场误差协方差矩阵,R为观测值误差协方差矩阵;
在各向同性的假设条件以及预报误差的水平相关性满足某一随水平距离增加相关性呈指数递减的规律的假设下,用背景误差方差矩阵来将背景误差协方差B标准化:
B=D1/2CD1/2
其中C是背景误差相关矩阵,D是背景误差方差矩阵,假设为误差方差的对角阵,元素取整个区域的方差均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110025540.5A CN112836859B (zh) | 2021-01-08 | 2021-01-08 | 一种河口区污染物监测数据的智能融合与分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110025540.5A CN112836859B (zh) | 2021-01-08 | 2021-01-08 | 一种河口区污染物监测数据的智能融合与分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836859A CN112836859A (zh) | 2021-05-25 |
CN112836859B true CN112836859B (zh) | 2023-01-24 |
Family
ID=75929050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110025540.5A Active CN112836859B (zh) | 2021-01-08 | 2021-01-08 | 一种河口区污染物监测数据的智能融合与分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836859B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116994146B (zh) * | 2023-09-26 | 2023-12-29 | 航天宏图信息技术股份有限公司 | 基于sl4did近地面污染物短临预报方法、装置及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105866379A (zh) * | 2016-04-11 | 2016-08-17 | 河海大学 | 一种模拟滨海浅层非均质海滩污染物运移的装置及方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976380A (zh) * | 2010-09-14 | 2011-02-16 | 华北电力大学 | 一种水环境实时调控与数字化管理方法 |
CN103353923B (zh) * | 2013-06-26 | 2016-06-29 | 中山大学 | 基于空间特征分析的自适应空间插值方法及其系统 |
KR20150056676A (ko) * | 2013-11-14 | 2015-05-27 | 광주과학기술원 | 국가 간 입자상 대기 오염물질의 수송 여부 판단방법 |
CN104102845B (zh) * | 2014-07-24 | 2017-12-05 | 北京坤成科技有限公司 | 尺度自适应的插值方法及尺度自适应的插值系统 |
CN109086948B (zh) * | 2018-09-17 | 2022-03-25 | 中国水利水电科学研究院 | 基于数据同化的湖库富营养化预警方法 |
CN111353634B (zh) * | 2020-02-12 | 2022-09-20 | 中国人民解放军国防科技大学 | 一种基于模式初始场同化的二氧化硫排放源优化方法 |
-
2021
- 2021-01-08 CN CN202110025540.5A patent/CN112836859B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105866379A (zh) * | 2016-04-11 | 2016-08-17 | 河海大学 | 一种模拟滨海浅层非均质海滩污染物运移的装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112836859A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Olyaie et al. | A comparison of various artificial intelligence approaches performance for estimating suspended sediment load of river systems: a case study in United States | |
CN101630376B (zh) | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 | |
CN109508811A (zh) | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 | |
CN112836859B (zh) | 一种河口区污染物监测数据的智能融合与分析方法 | |
CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
CN110969345A (zh) | 一种基于土壤重金属污染途径分析的风险评估方法 | |
CN110110466B (zh) | 一种机器学习和工艺仿真的污水处理目标参数预测方法 | |
CN109615860A (zh) | 一种基于非参数贝叶斯框架的信号交叉口状态估计方法 | |
CN101382801B (zh) | 基于ega优化的丙烯聚合生产过程最优软测量仪表及方法 | |
CN109784752A (zh) | 一种三峡库区水体富营养化风险评估预警系统及其分析方法 | |
Turochy | Enhancing short-term traffic forecasting with traffic condition information | |
CN111811580A (zh) | 一种水量/水质监测布点方法及预警响应系统 | |
CN108008099A (zh) | 一种污染源定位方法 | |
CN102880809A (zh) | 基于关联向量回归模型的聚丙烯熔融指数在线检测方法 | |
CN101799888A (zh) | 基于仿生智能蚁群算法的工业软测量方法 | |
Abdul-Wahab et al. | Prediction of optimum sampling rates of air quality monitoring stations using hierarchical fuzzy logic control system | |
CN115544919B (zh) | 一种气流体污染物排放源的溯源方法及装置 | |
Ardabili et al. | Modelling temperature variation of mushroom growing hall using artificial neural networks | |
CN109060760A (zh) | 分析模型建立方法、气体分析装置及方法 | |
Mohammad-Azari et al. | State-of-art of genetic programming applications in water-resources systems analysis | |
Rojek et al. | Comparison of different types of neuronal nets for failures location within water-supply networks | |
CN105956709A (zh) | 一种基于gui的模块化支持向量机潮汐预测方法 | |
CN110346005A (zh) | 基于深度学习的科里奥利质量流量计数字信号处理方法 | |
Yarger et al. | A functional-data approach to the Argo data | |
CN115561416A (zh) | 污水处理厂进水水质实时检测方法和装置 |
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 |