CN113159425B - 一种区域工业水污染日排放量预测方法和装置 - Google Patents

一种区域工业水污染日排放量预测方法和装置 Download PDF

Info

Publication number
CN113159425B
CN113159425B CN202110444702.9A CN202110444702A CN113159425B CN 113159425 B CN113159425 B CN 113159425B CN 202110444702 A CN202110444702 A CN 202110444702A CN 113159425 B CN113159425 B CN 113159425B
Authority
CN
China
Prior art keywords
enterprise
industry
representative
water pollution
list
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
CN202110444702.9A
Other languages
English (en)
Other versions
CN113159425A (zh
Inventor
王敬昌
陈岭
杨乐
刘洋
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.)
Hangzhou Sunking Technology Co ltd
Original Assignee
Hangzhou Sunking 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 Hangzhou Sunking Technology Co ltd filed Critical Hangzhou Sunking Technology Co ltd
Priority to CN202110444702.9A priority Critical patent/CN113159425B/zh
Publication of CN113159425A publication Critical patent/CN113159425A/zh
Application granted granted Critical
Publication of CN113159425B publication Critical patent/CN113159425B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

本发明公开了一种区域工业水污染日排放量预测方法和装置，包括：获取区域工业的总企业清单以确定各行业的企业数量比；获取区域接入在线监测的在线监测企业清单，根据企业数量比从在线监测企业清单中筛选企业构建代表性企业清单，且使企业总清单和代表性企业清单的企业数量比一致；分别计算总企业清单和代表性企业清单中历年行业水污染年度排放量以确定行业水污染的历年折算系数；依据历年折算系数通过系数自回归预测行业水污染的本年度折算系数；根据代表性企业清单中本年度行业水污染日排放量和本年度折算系数，预测区域工业水污染的本年度日排放量。该方法和装置实现区域工业水污染日排放量的预测以及提升预测准确性。

Description

一种区域工业水污染日排放量预测方法和装置
技术领域
本发明属于水污染检测领域，具体涉及一种区域工业水污染日排放量 预测方法和装置。
背景技术
随着区域社会经济的全面发展，水资源需求量日益扩大，对水质的要 求日益增高，而区域水环境问题却日趋严重，区域水污染成为影响区域发 展最严重的水问题。工业企业如雨后春笋般涌现而出，在拉动区域经济的 同时，其产生的水污染也不容忽视。工业水污染是指由工业企业排放的废 水造成的水环境污染，是重要的水环境质量影响因素之一。因此对区域工 业水污染排放现状的精细化动态感知显得格外重要，其将有助于区域水污 染的精细化控制。
目前由于工业企业水污染实时监测体系尚不完善，对区域工业水污染 排放量的统计核算仍处于人工监测、手动核算的阶段。此外，由于工业企 业存在行业差异大、生产工艺复杂、废水类别多、成分较为复杂等特征， 在工业水污染测算中常把单个企业作为核算个体，其排放的水污染物总量 和浓度一般是指工业企业总排口处监测的污染物总量和浓度。如通启河流 域研究团队通过每月一次的污染源定期排查和例行监测，发现污染贡献率最大的三个行业为纺织印染业、金属制品业和化学原料及化学制品制造业， 为通启河流域工业污染源监督管理提供参考；滇池流域研究团队将各类统 计数据与代表性企业的抽样监测数据相结合，分析滇池流域工业园内外两 个区域的十类污染指标的等标污染负荷，结果表明，饮料制造业是流域内 最大的工业污染行业。尽管通过实地监测得到的数据质量较高，由此核算 出的污染物排放量也相对可靠，但实地监测的频次受到经济成本、人力资 源的制约，不可能无限制增加，这会对监测数据的代表性和核算结果的准 确度产生影响。此外，目前的区域工业水污染排放量核算多以月和年为单 位，统计粒度较大，不利于区域工业水污染的精细化动态管控。
鉴于各行业部分工业企业污水总排口处已安装水质监测设备，基于同 区域同行业企业的相似性，利用企业水污染在线监测数据预测区域同行业 未安装在线监测设备的企业的水污染日排放情况成为可能。而且，工业企 业的历年环境统计数据为细粒度预测的准确性提供了基准参考。
此外，自回归模型是最典型、最简单的回归预测模型，被广泛运用于 自相关时间序列数据的预测上。
发明内容
鉴于上述，本发明的目的是提供一种区域工业水污染日排放量预测方 法和装置，通过有效利用同行业工业企业的相似性和多行业企业水污染排 放在线监测数据来实现区域工业水污染日排放量的预测以及提升预测准 确性。
第一方面，本发明实施例提供的一种区域工业水污染日排放量预测方 法，包括以下步骤：
获取区域工业的总企业清单以确定各行业的企业数量比；
获取区域接入在线监测的在线监测企业清单，根据企业数量比从在线 监测企业清单中筛选企业构建代表性企业清单，且使企业总清单和代表性 企业清单的企业数量比一致；
分别计算总企业清单和代表性企业清单中历年行业水污染年度排放 量以确定行业水污染的历年折算系数；
依据历年折算系数通过系数自回归预测行业水污染的本年度折算系 数；
根据代表性企业清单中本年度行业水污染日排放量和本年度折算系 数，预测区域工业水污染的本年度日排放量。
一个实施例中，所述根据企业数量比从在线监测企业清单中筛选企业 构建代表性企业清单，且使企业总清单和代表性企业清单的企业数量比一 致，包括：
从在线监测企业清单选取某个行业的企业数量作为行业的基准代表 性企业数量；
针对每个行业，依据基准代表性企业数量和企业数量占比确定行业的 代表性企业数量，当在线监测企业数量大于等于代表性企业数量时，从在 线监测企业清单中筛选满足代表性企业数量的代表性企业组成代表性企 业清单；当在线监测企业数量小于代表性企业数量时，将在线监测企业数 量放大倍数后，从中筛选满足代表性企业数量的代表性企业组成代表性企 业清单。
一个实施例中，所述分别计算总企业清单和代表性企业清单中历年行 业水污染年度排放量以确定行业水污染的历年折算系数，包括：
计算总企业清单中每个行业的每家企业的每类污染物的年度排放量 的加和作为总企业清单中历年行业水污染年度排放量；
计算代表性企业清单中每个行业的每家企业的每类污染物的年度排 放量的加和作为代表性企业清单中历年行业水污染年度排放量；
以代表性企业清单中历年行业水污染年度排放量在总企业清单中历 年行业水污染年度排放量的占比作为行业水污染的历年折算系数。
一个实施例中，采用以下公式，依据历年折算系数通过系数自回归预 测行业水污染的本年度折算系数为：
Figure BDA0003036375670000041
其中，Ai,j,t代表第i行业第j类污染物的本年度折算系数，t表示本年 度，p表示自回归模型阶数索引，P为自回归模型总阶数，c为常数项；εt为自 回归模型残差，
Figure BDA0003036375670000042
为自相关系数。
一个实施例中，所述根据代表性企业清单中本年度行业水污染日排放 量和本年度折算系数，预测区域工业水污染的本年度日排放量，包括：
从本年度代表性企业清单中获得每个行业的每个代表性企业每类污 染物的日排放量，依据每个行业的每个代表性企业每类污染物的日排放量 和本年度折算系数确定每个行业的每类污染物的本年度日排放量；
依据每个行业的每类污染物的本年度日排放量预测区域工业水污染 的本年度日排放量。
一个实施例中，所述依据每个行业的每个代表性企业每类污染物的日 排放量和本年度折算系数确定每个行业的每类污染物的本年度日排放量， 包括：
依据每个行业的每个代表性企业每类污染物的本年度日排放量确定 每个行业的每类污染物的日排放量，然后以日排放量与本年度折算系数的 比值作为每个行业的每类污染物的本年度日排放量。
一个实施例中，所述依据每个行业的每类污染物的本年度日排放量预 测区域工业水污染的本年度日排放量，包括：
以所有行业的每类污染物的本年度日排放量总和作为区域工业水污 染的本年度日排放量。
第二方面，本发明实施例提供的一种区域工业水污染日排放量预测装 置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执 行的计算机程序，所述处理器执行所述计算机程序时实现第一方面提供的 区域工业水污染日排放量预测方法。
上述实施例提供的技术方案利用工业企业的相似性和部分企业水污 染排放在线监测数据，基于系数自回归预测区域工业水污染日排放量，与 现有的方法相比，具有的有益效果至少包括：
1)基于已有排污在线监测企业，预测区域工业行业水污染日排放量， 实现了区域工业水污染的精细化、自动化、动态化跟踪管理。
2)基于行业分布对齐原则，筛选获得代表性企业清单，其代表性比 全随机筛选获取的清单更强。
3)利用系数自回归预测区域行业水污染的本年度折算系数，综合考 虑了区域历年、各行业、各类污染物的排放情况，进而提升区域工业水污 染日排放量预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对 实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地， 下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员 来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是一实施例中区域工业水污染日排放量预测方法的流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及 实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实 施方式仅仅用以解释本发明，并不限定本发明的保护范围。
为了实现区域工业水污染日排放量的预测以及提升预测准确性，实施 例提供了一种区域工业水污染日排放量预测方法和装置。如图1所示，实 施例提供的区域工业水污染日排放量预测方法包括以下步骤：
步骤1，获取区域工业的总企业清单以确定各行业的企业数量比。
实施例中，获取的区域工业的总企业清单表示为，根据《国民经济行 业分类与代码》(GB/T 4754-2011)将企业按照行业进行分类，统计总企业 清单Eall中各行业的企业数量表示为
Figure BDA0003036375670000061
其中，i表示行业索引， i＝1,2,…,Nindustry，Nindustry为行业数，依据企业数量
Figure BDA0003036375670000062
可以得到企业数 量比，一般选择一个行业为基准行业，企业数量比为其他行业相对于基准 行业的企业数量之比。
步骤2，获取区域接入在线监测的在线监测企业清单。
实施例中，依据区域的实际在线监测情况，获得在线监测企业清单， 表示为Eonline，从在线监测企业清单Eonline中获得各行业的在线监测企业 数量
Figure BDA0003036375670000063
步骤3，根据企业数量比从在线监测企业清单中筛选企业构建代表性 企业清单，且使企业总清单和代表性企业清单的企业数量比一致。
实施例中，设定总企业清单Eall、在线监测企业清单Eonline、代表性企 业清单Etypical中的第i个行业为相同行业，从在线监测企业清单选取某个 行业的企业数量作为行业的基准代表性企业数量，例如可以选择第1个行 业的企业数量
Figure BDA0003036375670000064
作为行业的基准代表性企业数量
Figure BDA0003036375670000065
即
Figure BDA0003036375670000071
基于此基准代表性企业数量
Figure BDA0003036375670000072
可以从在线监测企业清单Eonline中 筛选企业构建代表性企业清单Etypical，具体过程为：
针对第i个行业，依据基准代表性企业数量
Figure BDA0003036375670000073
和企业数量占比
Figure BDA0003036375670000074
确定行业的代表性企业数量
Figure BDA0003036375670000075
即
Figure BDA0003036375670000076
当在线监测企业数量大于等于代表性企业数量，即
Figure BDA0003036375670000077
时， 则从在线监测企业清单Eonline第i行业的企业中随机筛选满足代表性企业 数量
Figure BDA0003036375670000078
的企业作为代表性企业列入代表性企业清单Etypical；
当在线监测企业数量小于代表性企业数量，
Figure BDA0003036375670000079
时，则将 在线监测企业清单Eonline第i行业的企业数量放大H倍，即得到
Figure BDA00030363756700000710
个企业，随后从中随机筛选满足代表性企业数量
Figure BDA00030363756700000711
的企业作为代表性 企业列入代表性企业清单Etypical。其中放大倍数H为满足
Figure BDA00030363756700000712
Figure BDA00030363756700000713
的最小正整数。
这样构建得到的代表性企业清单Etypical能够满足企业总清单Eall和代 表性企业清单Etypical的企业数量比一致，例如
Figure BDA00030363756700000714
步骤4，分别计算总企业清单和代表性企业清单中历年行业水污染年 度排放量以确定行业水污染的历年折算系数。
实施例中，根据区域年度工业企业环境统计数据，计算总企业清单Eall中每个行业的每家企业的每类污染物的年度排放量的加和作为总企业清 单中历年行业水污染年度排放量
Figure BDA00030363756700000715
即
Figure BDA00030363756700000716
计算代表性企业清单Etypical中每个行业的每家企业的每类污染物的 年度排放量的加和作为代表性企业清单中历年行业水污染年度排放量
Figure BDA0003036375670000081
即
Figure BDA0003036375670000082
其中，j为污染物的索引，j＝1,2,…,Npollutant，Npollutant为污染物种 类数，污染物种类如COD、氨氮、总氮、总磷等；d为年数的索引， d＝1,2,…,Nhistory，Nhistory为历年数，t表示本年度；，m为企业数的索引， m＝1,2,…,Nenterprise，Nenterprise为企业数；
Figure BDA0003036375670000083
代表本年度起(不含 本年度)的倒数第d个年度总企业清单Eall中第i行业的第j类污染物的年 度排放量；
Figure BDA0003036375670000084
代表本年度起(不含本年度)的倒数第d个年度总企 业清单Eall中第i行业的第m家企业的第j类污染物的年度排放量；
Figure BDA0003036375670000085
代表本年度起(不含本年度)的倒数第d个年度代表性企业清单Etypical中 第i行业的第j类污染物的年度排放量；
Figure BDA0003036375670000086
代表本年度起(不含本年 度)的倒数第d个年度代表性企业清单Etypical中第i行业第m家企业的第j类污染物的年度排放量。
实施例中，以代表性企业清单中历年行业水污染年度排放量
Figure BDA0003036375670000087
在 总企业清单中历年行业水污染年度排放量
Figure BDA0003036375670000088
的占比作为行业水污染的 历年折算系数，即
Figure BDA0003036375670000089
其中，Ai,j,t-d代表本年度起(不含本 年度)的倒数第d个年度第i行业第j类污染物的折算系数。
步骤5，依据历年折算系数通过系数自回归预测行业水污染的本年度 折算系数。
实施例中，采用以下公式，依据历年折算系数通过系数自回归预测行 业水污染的本年度折算系数为：
Figure BDA0003036375670000091
其中，Ai,j,t代表第i行业第j类污染物的本年度折算系数，t表示本年 度，p表示自回归模型阶数索引，P为自回归模型总阶数，c为常数项；εt为自 回归模型残差，
Figure BDA0003036375670000092
为自相关系数。
步骤6，根据代表性企业清单中本年度行业水污染日排放量和本年度 折算系数，预测区域工业水污染的本年度日排放量。
实施例中，从企业排口在线监测数据平台获得本年度代表性企业清单 Etypical，从本年度代表性企业清单Etypical中获得每个行业的每个代表性企 业每类污染物的日排放量
Figure BDA0003036375670000093
然后计算每个行业的每类污染物的日 排放量
Figure BDA0003036375670000094
即
Figure BDA0003036375670000095
其中，
Figure BDA0003036375670000096
代表本年 度代表性企业清单Etypical中第n天第i行业第m家企业的第j类污染物日 排放量，
Figure BDA0003036375670000097
代表本年度代表性企业清单Etypical中第n天第i行业的第 j类污染物日排放量。
依据每个行业的每类污染物的日排放量
Figure BDA0003036375670000098
和本年度折算系数的 比值作为每个行业的每类污染物的本年度日排放量
Figure BDA0003036375670000099
即
Figure BDA00030363756700000910
Figure BDA00030363756700000911
Figure BDA00030363756700000912
代表区域第n天第i行业的第j类污染物的本年度日排放量。
依据所有行业的每类污染物的本年度日排放量
Figure BDA00030363756700000913
预测区域工业水 污染的本年度日排放量
Figure BDA00030363756700000914
即
Figure BDA00030363756700000915
Figure BDA00030363756700000916
代表区域 第n天的第j类污染物的本年度日排放量。
上述区域工业水污染日排放量预测方法，通过基于已有排污在线监测 企业，预测区域工业行业水污染日排放量，实现了区域工业水污染的精细 化、自动化、动态化跟踪管理，同时，基于行业分布对齐原则，筛选获得 代表性企业清单，其代表性比全随机筛选获取的清单更强；再者，利用系 数自回归预测区域本年度行业水污染折算系数，综合考虑了区域历年、各 行业、各类污染物的排放情况，进而提升区域工业水污染日排放量预测的 准确性。
实施例还提供了一种区域工业水污染日排放量预测装置，包括存储器、 处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序， 所述处理器执行所述计算机程序时实现上述区域工业水污染日排放量预 测方法。
具体应用时，存储器可以为在近端的易失性存储器，如RAM，还可 以是非易失性存储器，如ROM，FLASH，软盘，机械硬盘等，还可以是 远端的存储云。处理器可以为中央处理器(CPU)、微处理器(MPU)、数字 信号处理器(DSP)、或现场可编程门阵列(FPGA)，即可以通过这些处理器 实现区域工业水污染日排放量预测的步骤。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详 细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制 本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等， 均应包含在本发明的保护范围之内。

Claims (5)

1.一种区域工业水污染日排放量预测方法，其特征在于，包括以下步骤：
获取区域工业的总企业清单以确定各行业的企业数量比；
依据区域排污的实际在线监测情况，获取区域接入在线监测的在线监测企业清单，根据企业数量比从在线监测企业清单中筛选企业构建代表性企业清单，且使总企业清单和代表性企业清单中各行业的企业数量比一致；
根据区域年度工业企业环境统计数据，分别计算总企业清单和代表性企业清单中历年行业水污染年度排放量以确定行业水污染的历年折算系数，包括：计算总企业清单中每个行业的每家企业的每类污染物的年度排放量的加和作为总企业清单中历年行业水污染年度排放量，即
Figure FDA0003793078010000011
Figure FDA0003793078010000012
计算代表性企业清单中每个行业的每家企业的每类污染物的年度排放量的加和作为代表性企业清单中历年行业水污染年度排放量，即
Figure FDA0003793078010000013
以代表性企业清单中历年行业水污染年度排放量在总企业清单中历年行业水污染年度排放量的占比作为行业水污染的历年折算系数，即
Figure FDA0003793078010000014
其中，i为行业索引，j为污染物索引，d为年数索引，t表示本年度，m为企业数的索引，m＝1,2,…,Nenterprise，Nenterprise为对应企业清单中的企业数量，
Figure FDA0003793078010000015
代表本年度起的倒数第d个年度总企业清单中第i行业的第j类污染物的年度排放量，
Figure FDA0003793078010000016
代表本年度起的倒数第d个年度总企业清单中第i行业的第m家企业的第j类污染物的年度排放量，
Figure FDA0003793078010000017
代表本年度起的倒数第d个年度代表性企业清单中第i行业的第j类污染物的年度排放量；
Figure FDA0003793078010000021
代表本年度起的倒数第d个年度代表性企业清单中第i行业的第m家企业的第j类污染物的年度排放量，Ai,j,t-d代表本年度起的倒数第d个年度第i行业第j类污染物的折算系数；
依据历年折算系数通过自回归模型预测行业水污染的本年度折算系数Ai,j,t，其中，Ai,j,t代表第i行业第j类污染物的本年度折算系数；
从企业排口在线监测数据平台获得本年度代表性企业清单，从本年度代表性企业清单中获得每个行业的每个代表性企业每类污染物的日排放量；
依据每个行业的每个代表性企业每类污染物的日排放量和本年度折算系数确定区域中每个行业的每类污染物的本年度日排放量，包括：依据每个行业的每个代表性企业每类污染物的本年度日排放量确定本年度代表性企业清单中每个行业的每类污染物的日排放量，然后以本年度代表性企业清单中每个行业的每类污染物的日排放量与本年度折算系数的比值作为区域中每个行业的每类污染物的本年度日排放量；
依据区域中每个行业的每类污染物的本年度日排放量预测区域工业水污染的本年度日排放量。
2.如权利要求1所述的区域工业水污染日排放量预测方法，其特征在于，所述根据企业数量比从在线监测企业清单中筛选企业构建代表性企业清单，且使总企业清单和代表性企业清单中各行业的企业数量比一致，包括：
从在线监测企业清单选取某个行业的企业数量作为行业的基准代表性企业数量；
针对每个行业，依据基准代表性企业数量和企业数量比确定行业的代表性企业数量，当在线监测企业数量大于等于代表性企业数量时，从在线监测企业清单中筛选满足代表性企业数量的代表性企业组成代表性企业清单；当在线检测企业数量小于代表性企业数量时，将在线监测企业数量放大倍数后，从中筛选满足代表性企业数量的代表性企业组成代表性企业清单。
3.如权利要求1所述的区域工业水污染日排放量预测方法，其特征在于，采用以下公式，依据历年折算系数通过自回归模型预测行业水污染的本年度折算系数Ai,j,t：
Figure FDA0003793078010000031
其中，p表示自回归模型阶数索引，P为自回归模型总阶数，c为常数项；εt为自回归模型残差，
Figure FDA0003793078010000032
为自相关系数，Ai,j,t-p表示本年度起的倒数第p个年度第i行业第j类污染物的折算系数。
4.如权利要求1所述的区域工业水污染日排放量预测方法，其特征在于，所述依据区域中每个行业的每类污染物的本年度日排放量预测区域工业水污染的本年度日排放量，包括：
以区域中所有行业的每类污染物的本年度日排放量总和作为区域工业水污染的本年度日排放量。
5.一种区域工业水污染日排放量预测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～4任一项所述的区域工业水污染日排放量预测方法。
CN202110444702.9A 2021-04-24 2021-04-24 一种区域工业水污染日排放量预测方法和装置 Active CN113159425B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110444702.9A CN113159425B (zh) 2021-04-24 2021-04-24 一种区域工业水污染日排放量预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110444702.9A CN113159425B (zh) 2021-04-24 2021-04-24 一种区域工业水污染日排放量预测方法和装置

Publications (2)

Publication Number Publication Date
CN113159425A CN113159425A (zh) 2021-07-23
CN113159425B true CN113159425B (zh) 2022-10-04

Family

ID=76870149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110444702.9A Active CN113159425B (zh) 2021-04-24 2021-04-24 一种区域工业水污染日排放量预测方法和装置

Country Status (1)

Country Link
CN (1) CN113159425B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219371A (zh) * 2022-01-29 2022-03-22 哈尔滨工业大学 月尺度的流域人为水污染负荷核算方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10830922B2 (en) * 2015-10-28 2020-11-10 International Business Machines Corporation Air quality forecast by adapting pollutant emission inventory
CN112308273A (zh) * 2019-07-31 2021-02-02 中国石油化工股份有限公司 存储器、石化企业排污管理方法、装置和设备
CN110555626A (zh) * 2019-09-10 2019-12-10 软通动力信息技术有限公司 污染源的确定方法、装置、设备和存储介质
CN111177210A (zh) * 2019-12-04 2020-05-19 南京大学（溧水）生态环境研究院 一种高分辨率工业污染源排放测算方法
CN111784052B (zh) * 2020-07-03 2023-10-17 水利部交通运输部国家能源局南京水利科学研究院 一种城市面源污染入河负荷量预测方法
CN111859045B (zh) * 2020-07-31 2021-04-16 生态环境部环境规划院 一种快速核算工业各行业二氧化碳排放量的方法及核算系统
CN111861274A (zh) * 2020-08-03 2020-10-30 生态环境部南京环境科学研究所 一种水环境风险预测预警方法
CN112034801B (zh) * 2020-08-30 2021-09-14 上海市环境科学研究院 挥发性有机污染物总量排污系数计算方法、系统及终端
CN112507048B (zh) * 2020-11-11 2022-06-17 中国地质调查局水文地质环境地质调查中心 一种污染场地水土环境多要素一站式管理系统

Also Published As

Publication number Publication date
CN113159425A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
Bouza-Deaño et al. Trend study and assessment of surface water quality in the Ebro River (Spain)
Dion et al. Monitoring of pollution regulation: Do local conditions matter?
Borzooei et al. Data mining application in assessment of weather-based influent scenarios for a WWTP: getting the most out of plant historical data
CN107292501B (zh) 一种评估废水监测数据质量的方法及设备
Weirich et al. Resilience of secondary wastewater treatment plants: prior performance is predictive of future process failure and recovery time
Suchetana et al. Investigating regime shifts and the factors controlling Total Inorganic Nitrogen concentrations in treated wastewater using non-homogeneous Hidden Markov and multinomial logistic regression models
CN113159425B (zh) 一种区域工业水污染日排放量预测方法和装置
Sancho et al. Study of water quality in a spanish river based on statistical process control and functional data analysis
CN112488496A (zh) 一种财务指标预测方法及装置
CN114611626A (zh) 一种水环境信息处理方法、装置、设备和存储介质
Andreides et al. The prediction of WWTP influent characteristics: Good practices and challenges
Liu et al. Copula-based framework for integrated evaluation of water quality and quantity: A case study of Yihe River, China
Dirckx et al. Stochastic determination of combined sewer overflow loads for decision-making purposes and operational follow-up
CN116645239A (zh) 一种水质污染事件溯源方法及终端
CN110930258A (zh) 一种应收账款融资变现规模预测方法及系统
CN116108976A (zh) 一种超短期风速预测方法
Holloway et al. Exploring the use of water resource recovery facility instrument data to visualise dynamic resilience to environmental stressors
Riyani et al. Determinants of Return on Assets and Implications on Stock Price Changes Level
Arranz et al. Biological invasions and eutrophication reshape the spatial patterns of stream fish size spectra in France
Obaid Multiple objective effect analysis to monitor the sustainability for the refurbishment of ecosystem
Suchetana et al. Modeling risk attributes of wastewater treatment plant violations of total ammonia nitrogen discharge limits in the United States
Wang et al. Enhancing watershed management through adaptive source apportionment under a changing environment
Toivonen et al. Time-series analysis approach to the characteristics and correlations of wastewater variables measured in paper industry
Chaoui et al. Forecasting Wastewater Influent Parameters Using ARIMA and Holt-Winters Models (A Case Study)
Bordun et al. DEVELOPMENT OF SOFTWARE AND ALGORITHMIC EQUIPMENT FOR PREDICTION OF RIVER WATER POLLUTION USING FRACTAL ANALYSIS METHODS

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