CN114184750A - 地下水污染物的监控方法、装置、设备及存储介质 - Google Patents
地下水污染物的监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114184750A CN114184750A CN202111320359.3A CN202111320359A CN114184750A CN 114184750 A CN114184750 A CN 114184750A CN 202111320359 A CN202111320359 A CN 202111320359A CN 114184750 A CN114184750 A CN 114184750A
- Authority
- CN
- China
- Prior art keywords
- pollutant
- data
- groundwater
- monitoring
- water quality
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种地下水污染物的监控方法、装置、设备及存储介质。该地下水污染物的监控方法包括:通过获取不同区域的地下水;对地下水分别进行检测处理,得到多个水质检测数据;对水质检测数据进行分析处理,得到污染物数据;根据水质检测数据和污染物数据构建污染物检测模型;将污染物数据输入污染物检测模型进行预测,得到污染物预测结果;根据污染物预测结果对地下水中的污染物进行监控。通过本公开实施例提供的技术方案能够通过建立污染物检测模型对地下水中的污染物进行预测,得到污染物预测结果,根据污染物预测结果从而对不同区域的地下水中的污染物进行监控。
Description
技术领域
本发明涉及水环境保护领域,尤其是涉及一种地下水污染物的监控方法、装置、设备及存储介质。
背景技术
水是人类和所有生命体都离不开的一种生存环境要素,地下水是水资源中不可缺少的重要组成部分。近几十年来,多种形式的人类活动使各种污染物增加和扩散,铺设不渗水或半渗水的路面又使自然地下水的补给速度降低,从而导致地下水中污染物的集中。
相关技术中,多是由勘探地下水的技术去监测地下水中的污染情况,但是由于地下水污染具有极强的隐蔽性和突发性,当发现污染时,往往不易确定污染物的来源,因此,通过预测地下水资源的污染情况对于地下水修复治理、防控措施的制定具有重要的研究价值。
并且通过预测结果警示人们对地下水的开采利用所带来的影响,进一步规范约束人类的行为,同时为政府部门制定保护地下水资源的管理方针奠定基础,从而通过有效的防治措施控制地下水的演变方向。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种地下水污染物的监控方法、装置、设备及存储介质,能够通过建立污染物检测模型对地下水中的污染物进行预测,根据污染物预测结果从而对地下水中的污染物进行监控。
根据本发明申请的第一方面实施例的地下水污染物的监控方法,包括:
获取不同区域的地下水;
对地下水分别进行检测处理,得到多个水质检测数据;
对水质检测数据进行分析处理,得到污染物数据;
根据水质检测数据和污染物数据构建污染物检测模型;
将污染物数据输入污染物检测模型进行预测,得到污染物预测结果;
根据污染物预测结果对地下水中的污染物进行监控。
根据本发明实施例的地下水污染物的监控方法,至少具有如下有益效果:
该实施例的地下水污染物的监控方法,通过获取不同区域的地下水;对地下水分别进行检测处理,得到多个水质检测数据;对水质检测数据进行分析处理,得到污染物数据;根据水质检测数据和污染物数据构建污染物检测模型;将污染物数据输入污染物检测模型进行预测,得到污染物预测结果;根据污染物预测结果对地下水中的污染物进行监控。能够通过建立污染物检测模型对地下水中的污染物进行预测,根据污染物预测结果从而对地下水中的污染物进行监控。
根据本申请的一些实施例,包括:
获取预设的不同区域;
根据不同区域,确定出不同区域内的井群信息;
对井群信息进行标记处理,得到与不同区域对应的目标井群信息;
根据目标井群信息对不同区域内的目标井群进行抽水处理,得到地下水。
根据本申请的一些实施例,包括:
获取预设地表污染源数据;
根据地表污染源数据设置选取区域的区域规则;
根据区域规则选取出多个不同区域。
根据本申请的一些实施例,包括:
获取预设内梅罗综合评价指数算法;
利用内梅罗综合评价指数算法,对水质检测数据进行计算处理,得到水质综合评价指数;
对水质综合评价指数进行分析处理,得到污染物数据。
根据本申请的一些实施例,包括:
对污染物数据进行预处理,得到与污染物数据对应的污染物浓度;
获取与地下水对应的地下水质量标准;
对污染物浓度和地下水质量标准进行计算处理,得到污染物的污染指数;
根据水质检测数据和污染物的污染指数构建出污染物检测模型。
根据本申请的一些实施例,包括:
将污染物数据输入污染物检测模型进行预测,得到污染物参数;
根据污染物参数预测地下水中的污染物,得到污染物预测结果。
根据本申请的一些实施例,包括:
根据污染物预测结果构建污染物预测模型;
将地表污染源数据输入污染物预测模型,预测出地下水中的污染物的污染信息;
根据污染信息对地下水中的污染物进行监控。
根据本申请的第二方面实施例的地下水污染物的监控装置,包括:
获取模块,用于获取不同区域的地下水;
检测模块,用于对地下水分别进行检测处理,得到多个水质检测数据;
分析模块,用于对水质检测数据进行分析处理,得到污染物数据;
构建模块,用于根据水质检测数据和污染物数据构建污染物检测模型;
预测模块,用于将污染物数据输入污染物检测模型进行预测,得到污染物预测结果;
监控模块,用于根据污染物预测结果对地下水中的污染物进行监控。
根据本申请的第三方面实施例的地下水污染物的监控设备,包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
程序被存储在存储器中,处理器执行至少一个程序以实现:
如本发明第一方面的地下水污染物的监控方法。
根据本申请的第四方面实施例的存储介质存储有可执行指令,可执行指令能被计算机执行,使计算机执行如本发明第一方面的地下水污染物的监控方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
下面结合附图和实施例对本发明做进一步的说明,其中:
图1为本发明提供的地下水污染物的监控方法的一具体流程示意图;
图2为图1中步骤S100的一具体流程示意图;
图3为图2中步骤S110的一具体流程示意图;
图4为图1中步骤S300的一具体流程示意图;
图5为图1中步骤S400的一具体流程示意图;
图6为图1中步骤S500的一具体流程示意图;
图7为图1中步骤S600的一具体流程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
首先,对本申请中涉及的若干名词进行解析:
地下水:是指赋存于地面以下岩石空隙中的水,狭义上是指地下水面以下饱和含水层中的水,也指埋藏以下各种形式的重力水。
地下水污染:地下水污染主要指人类活动引起地下水化学成分、物理性质和生物学特性发生改变而使质量下降的现象。
地下水污染物:地下水污染后存留在含水层的地下水中的有害物质,主要包括以下之一:硝酸盐、石油产品、细菌病毒。
污染物预测结果:在本发明的实施例中指通过污染物检测模型进行预测污染物数据后,得到的污染物预测结果。
不同区域:是指按照地表污染事实划分的具有明显区别的多个区域,至少包括以下之一:重度污染区域、中度污染区域、轻度污染区域、未污染区域。
井群信息:是由多眼水井联合开采地下水的井组信息。可在每眼管井安装抽水设备,抽水入同一渠道或管道;也可将几眼井用集水管或虹吸管联结起来,由主井集中抽水,按水文地质条件和用途,井位有直线形、棋盘形和梅花形等布置形式。
地表污染源数据:包括生活污水和生活垃圾会造成地下水的总矿化度、总硬度、硝酸盐和氯化物含量的升高,有时也会造成病原体污染;危险废物填埋场中的渗滤液或其他污染物从填埋场漏出;工业废水和工业废物可使地下水中有机和无机化合物的浓度增加;农业施用的化肥和粪肥,会造成大范围的地下水硝酸盐含量增高等。
内梅罗综合评价指数算法:是指一种兼顾极值或称突出最大值的计权型多因子环境质量指数的算法。
地下水质量标准:是指中华人民共和国国家标准,为保护和合理开发地下水资源,防止和控制地下水污染,保障人民身体健康,促进经济建设,特制订本标准,其是地下水勘查评价、开发利用和监督管理的依据。
神经网络:人工神经网络也简称为神经网络或称作连接模型,它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
污染物检测模型:在本发明公开的实施例中,污染物检测模型是对应的神经网络模型。
污染物预测模型:在本发明公开的实施例中,指根据污染物预测结果构建的软件模型,用来根据地表污染源数据预测地下水中污染物的污染情况。
本公开实施例提供地下水污染物的监控方法、装置、设备及存储介质,具体通过如下实施例进行说明,首先描述本公开实施例中的地下水污染物的监控方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本公开实施例提供的地下水污染物的监控方法,涉及机器学习技术领域。本公开实施例提供的地下水污染物的监控方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现地下水污染物的监控方法的应用等,但并不局限于以上形式。
如图1所示,其为本申请实施例提供的地下水污染物的监控方法的实施流程示意图,地下水污染物的监控方法可以包括但不限于步骤S100至S600。
S100,获取不同区域的地下水;
S200,对地下水分别进行检测处理,得到多个水质检测数据;
S300,对水质检测数据进行分析处理,得到污染物数据;
S400,根据水质检测数据和污染物数据构建污染物检测模型;
S500,将污染物数据输入污染物检测模型进行预测,得到污染物预测结果;
S600,根据污染物预测结果对地下水中的污染物进行监控。
在一些实施例的步骤S100中,获取不同区域的地下水具体执行步骤为:先获取预设的不同区域,再根据不同区域,确定出不同区域内的井群信息,然后对井群信息进行标记处理,得到与不同区域对应的目标井群信息,最后根据目标井群信息对不同区域内的目标井群进行抽水处理,得到地下水。
在一些实施例中,参考图2,步骤S100可以包括但不限于步骤S110至S140。
S110,获取预设的不同区域;
S120,根据不同区域,确定出不同区域内的井群信息;
S130,对井群信息进行标记处理,得到与不同区域对应的目标井群信息;
S140,根据目标井群信息对不同区域内的目标井群进行抽水处理,得到地下水。
在一些实施例的步骤S110中,获取预设的不同区域具体执行步骤为:先获取预设地表污染源数据,再根据地表污染源数据设置选取区域的区域规则,根据区域规则选取出多个不同区域。
在一些实施例的步骤S120中,在执行完步骤S110获取预设的不同区域之后,根据不同区域,确定出不同区域内的井群信息,用于对井群信息进行标记处理,可以理解的是,在确定出不同区域之后,在每个区域内得到该区域内的井群信息。
在一些实施例的步骤S130中,在执行完步骤S120根据不同区域,确定出不同区域内的井群信息之后,对井群信息进行标记处理,得到与不同区域对应的目标井群信息,可以理解的是,是对所有区域内的所有井群信息分别进行标记,可以按照区域的不同,先对区域进行标号,再对每个区域内构成井群的每个管井进行标号处理,从而得到与不同区域对应的目标井群信息。
在一些实施例的步骤S140中,在执行完步骤S130对井群信息进行标记处理,得到与不同区域对应的目标井群信息之后,根据目标井群信息对不同区域内的目标井群进行抽水处理,得到地下水,可以理解的是,根据目标井群信息即是对每个区域内的管井进行标记得到的信息,每个区域内同样也包含没有进行标记的管井,被标记的管井即本实施例步骤的目标井群,采用现有工艺技术对目标井群进行抽水处理,从而得到地下水。要说明的是,在本申请的实施例中不对采用的抽水技术作更多的限定。
在一些实施例中,参考图3,步骤S110可以包括但不限于步骤S111至S113。
S111,获取预设地表污染源数据;
S112,根据地表污染源数据设置选取区域的区域规则;
S113,根据区域规则选取出多个不同区域。
在一些实施例的步骤S111中,获取预设地表污染源数据,可以理解的是,可以通过查阅资料,查找到之前发生的重大污染事件的数据,当然也包括未进行人类过度开垦的地表环境的数据。
在一些实施例的步骤S112中,在执行完步骤S111获取预设地表污染源数据之后,根据地表污染源数据设置选取区域的区域规则,可以理解的是,根据步骤S111中的地表污染源数据设置选取区域的区域规则,即选取重度污染区域、中度污染区域、轻度污染区域、未污染区域中的多个具有代表性的区域。
在一些实施例的步骤S113中,在执行完步骤S112根据地表污染源数据设置选取区域的区域规则之后,计算机程序根据步骤S112得到的区域规则选取出多个不同区域,可以理解的是,多个不同区域至少包括以下之一:重度污染区域、中度污染区域、轻度污染区域、未污染区域。
在一些实施例的步骤S200中,在执行完步骤S100获取不同区域的地下水之后,对地下水分别进行检测处理,得到多个水质检测数据,可以理解的是,采用水质检测技术对地下水进行检查,要说明的是,按照通过不同目标井群信息得到的地下水分类进行检测,从而得到多个水质检测数据。
进一步地,水质检测数据包括单因子环境质量指数数据。
在一些实施例的步骤S300中,在执行完步骤S200对地下水分别进行检测处理,得到多个水质检测数据之后,对水质检测数据进行分析处理,得到污染物数据具体执行步骤为:先获取预设内梅罗综合评价指数算法,再利用内梅罗综合评价指数算法,对水质检测数据进行计算处理,得到水质综合评价指数,最后对水质综合评价指数进行分析处理,得到污染物数据。
在一些实施例中,参考图4,步骤S300可以包括但不限于步骤S310至S330。
S310,获取预设内梅罗综合评价指数算法;
S320,利用内梅罗综合评价指数算法,对水质检测数据进行计算处理,得到水质综合评价指数;
S330,对水质综合评价指数进行分析处理,得到污染物数据。
在一些实施例的步骤S310中,在执行完步骤S200,对地下水分别进行检测处理,得到多个水质检测数据之后,再获取预设内梅罗综合评价指数算法,用于根据内梅罗综合评价指数算法对水质检测数据进行计算处理。
在一些实施例的步骤S320中,在执行完步骤S310获取预设内梅罗综合评价指数算法之后,再利用内梅罗综合评价指数算法,对水质检测数据进行计算处理,得到水质综合评价指数。
进一步地,得到水质综合评价指数的公式为:
其中,I为水质综合评价指数,max i为各单因子环境质量指数中最大者,ave i为各单因子环境质量指数的平均值。
在一些实施例的步骤S330中,在执行完步骤S320利用内梅罗综合评价指数算法,对水质检测数据进行计算处理,得到水质综合评价指数之后,对水质综合评价指数进行分析处理,得到污染物数据,即通过分析水质综合评价指数,并从中分析出污染物数据,该污染物数据包括污染物种类、污染物浓度、污染物比例等数据。
在一些实施例的步骤S400中,在执行完步骤S330对水质综合评价指数进行分析处理,得到污染物数据之后,根据水质检测数据和污染物数据构建污染物检测模型的具体执行步骤为:先对污染物数据进行预处理,得到与污染物数据对应的污染物浓度,再获取与地下水对应的地下水质量标准,再对污染物浓度和地下水质量标准进行计算处理,得到污染物的污染指数,最后根据水质检测数据和污染物的污染指数构建出污染物检测模型。
在一些实施例中,参考图5,步骤S400可以包括但不限于步骤S410至S440。
S410,对污染物数据进行预处理,得到与污染物数据对应的污染物浓度;
S420,获取与地下水对应的地下水质量标准;
S430,对污染物浓度和地下水质量标准进行计算处理,得到污染物的污染指数;
S440,根据水质检测数据和污染物的污染指数构建出污染物检测模型。
在一些实施例的步骤S410中,在执行完步骤S330对水质综合评价指数进行分析处理,得到污染物数据之后,对污染物数据进行预处理,得到与污染物数据对应的污染物浓度,用于根据污染物浓度与地下水质量标准进行计算。
在一些实施例的步骤S420中,在执行完步骤S410对污染物数据进行预处理,得到与污染物数据对应的污染物浓度之后,获取与地下水对应的地下水质量标准,用于跟步骤S410得到的污染物浓度进行计算。
进一步,本申请实施例中的地下水质量标准可以将《地下水质量标准》(GB14848-93)III类标准值作为基准。
在一些实施例的步骤S430中,在执行完步骤S420获取与地下水对应的地下水质量标准之后,对污染物浓度和地下水质量标准进行计算处理,得到污染物的污染指数,可以理解的是,将污染物浓度除以对应的地下水质量标准,从而得到污染物的污染指数。
在一些实施例的步骤S440中,在执行完步骤S430对污染物浓度和地下水质量标准进行计算处理,得到污染物的污染指数之后,根据步骤S200得到的水质检测数据和步骤S430得到的污染物的污染指数构建出污染物检测模型,用来预测污染物数据从而预测地下水中污染情况。
在一些实施例的步骤S500中,在执行完步骤S440根据水质检测数据和污染物的污染指数构建出污染物检测模型之后,将污染物数据输入污染物检测模型进行预测,得到污染物预测结果的具体执行步骤为:先将污染物数据输入污染物检测模型进行预测,得到污染物参数,再根据污染物参数预测地下水中的污染物,得到污染物预测结果。
在一些实施例中,参考图6,步骤S500可以包括但不限于步骤S510至S520。
S510,将污染物数据输入污染物检测模型进行预测,得到污染物参数;
S520,根据污染物参数预测地下水中的污染物,得到污染物预测结果。
在一些实施例的步骤S510中,在执行完步骤S440根据水质检测数据和污染物的污染指数构建出污染物检测模型之后,将污染物数据输入污染物检测模型进行预测,得到污染物参数,用于根据污染物参数根据区域,对地下水进行预测,从而得到污染物预测结果。
在一些实施例的步骤S520中,在执行完步骤S510将污染物数据输入污染物检测模型进行预测,得到污染物参数之后,再根据污染物参数预测地下水中的污染物,得到污染物预测结果,要说明的是,污染物预测模型可以是神经网络模型,可以理解的是,通过人工智能利用神经网络模型进行机器学习训练污染物数据,得到污染物参数,即每个不同污染区域对应的污染程度指数,用以根据污染物数据构建污染物预测模型,从而对各个区域地下水污染物的污染情况进行监控。
在一些实施例的步骤S600中,在执行完步骤S520根据污染物参数预测地下水中的污染物,得到污染物预测结果之后,再根据污染物预测结果对地下水中的污染物进行监控的具体执行步骤为:先根据污染物预测结果构建污染物预测模型,再根据污染物预测模型预测出地下水中的污染物的污染信息,再根据污染信息对地下水中的污染物进行监控。
在一些实施例中,参考图7步骤S600可以包括但不限于步骤S610至S630。
S610,根据污染物预测结果构建污染物预测模型;
S620,将地表污染源数据输入污染物预测模型,预测出地下水中的污染物的污染信息;
S630,根据污染信息对地下水中的污染物进行监控。
在一些实施例的步骤S610中,在执行完步骤S520根据污染物参数预测地下水中的污染物,得到污染物预测结果之后,再根据步骤S520得到的污染物预测结果构建污染物预测模型,可以理解的是,构建污染物预测模型可以通过数学建模或者软件建模,在本申请的实施例中不做具体的限定,用于根据构建的污染物预测模型,对不同区域的地下水中存在污染物的污染情况进行预测。
在一些实施例的步骤S620中,在执行完步骤S610根据污染物预测结果构建污染物预测模型之后,将地表污染源数据输入根据步骤S610构建的污染物预测模型,预测出地下水中的污染物的污染信息,可以理解的是,污染信息至少包括以下之一:污染物占比信息,污染物浓度信息、污染物种类信息,用于根据污染信息中的一种信息或者多种信息对地下水中的污染物进行监控。
在一些实施例的步骤S630中,在执行完步骤S620根据污染物预测模型预测出地下水中的污染物的污染信息之后,根据步骤S620得到的污染信息对地下水中的污染物进行监控,可以理解的是,根据污染信息中的一种信息或者多种信息对不同区域的地下水中的污染物进行监控。
在一些实施方式中,地下水污染物的监控装置,包括:
获取模块,用于获取不同区域的地下水;
检测模块,用于对地下水分别进行检测处理,得到多个水质检测数据;
分析模块,用于对水质检测数据进行分析处理,得到污染物数据;
构建模块,用于根据水质检测数据和污染物数据构建污染物检测模型;
预测模块,用于将污染物数据输入污染物检测模型进行预测,得到污染物预测结果;
监控模块,用于根据污染物预测结果对地下水中的污染物进行监控。
本实施例的地下水污染物的监控装置的具体实施方式与上述地下水污染物的监控方法的具体实施方式基本一致,在此不再赘述。
在一些实施方式中,地下水污染物的监控设备,包括:至少一个存储器;至少一个处理器;至少一个程序,其中存储器用于存储可执行程序,可执行程序在被运行时执行如上所述的地下水污染物的监控方法。
在一些实施方式中,所述存储介质存储有可执行指令,可执行指令能被计算机执行。
存储器作为一种非暂态存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案,并不构成对于本公开实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本公开实施例提供的技术方案对于类似的技术问题,同样适用。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。以上参照附图说明了本公开实施例的优选实施例,并非因此局限本公开实施例的权利范围。本领域技术人员不脱离本公开实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本公开实施例的权利范围之内。
Claims (10)
1.地下水污染物的监控方法,其特征在于,包括:
获取不同区域的地下水;
对所述地下水分别进行检测处理,得到多个水质检测数据;
对所述水质检测数据进行分析处理,得到污染物数据;
根据所述水质检测数据和所述污染物数据构建污染物检测模型;
将所述污染物数据输入所述污染物检测模型进行预测,得到污染物预测结果;
根据所述污染物预测结果对所述地下水中的污染物进行监控。
2.根据权利要求1所述的地下水污染物的监控方法,其特征在于,所述获取不同区域的地下水,包括:
获取预设的不同区域;
根据所述不同区域,确定出所述不同区域内的井群信息;
对所述井群信息进行标记处理,得到与所述不同区域对应的目标井群信息;
根据所述目标井群信息对所述不同区域内的目标井群进行抽水处理,得到所述地下水。
3.根据权利要求2所述的地下水污染物的监控方法,其特征在于,所述获取预设的不同区域,包括:
获取预设地表污染源数据;
根据所述地表污染源数据设置选取区域的区域规则;
根据所述区域规则选取出多个所述不同区域。
4.根据权利要求3所述的地下水污染物的监控方法,其特征在于,所述对所述水质检测数据进行分析处理,得到污染物数据,包括:
获取预设内梅罗综合评价指数算法;
利用所述内梅罗综合评价指数算法,对所述水质检测数据进行计算处理,得到水质综合评价指数;
对所述水质综合评价指数进行分析处理,得到所述污染物数据。
5.根据权利要求4所述的地下水污染物的监控方法,其特征在于,所述根据所述水质检测数据和所述污染物数据构建污染物检测模型,包括:
对所述污染物数据进行预处理,得到与所述污染物数据对应的污染物浓度;
获取与所述地下水对应的地下水质量标准;
对所述污染物浓度和所述地下水质量标准进行计算处理,得到所述污染物的污染指数;
根据所述水质检测数据和所述污染物的所述污染指数构建出所述污染物检测模型。
6.根据权利要求1至5任一项所述的地下水污染物的监控方法,其特征在于,所述将所述污染物数据输入所述污染物检测模型进行预测,得到污染物预测结果,包括:
将所述污染物数据输入所述污染物检测模型进行检测,得到污染物参数;
根据所述污染物参数预测所述地下水中的污染物,得到所述污染物预测结果。
7.根据权利要求3至5任一项所述的地下水污染物的监控方法,其特征在于,所述根据所述污染物预测结果对所述地下水中的污染物进行监控,包括:
根据所述污染物预测结果构建污染物预测模型;
将所述地表污染源数据输入所述污染物预测模型,预测出所述地下水中的所述污染物的污染信息;
根据所述污染信息对所述地下水中的所述污染物进行监控。
8.地下水污染物的监控装置,其特征在于,包括:
获取模块,用于获取不同区域的地下水;
检测模块,用于对所述地下水分别进行检测处理,得到多个水质检测数据;
分析模块,用于对所述水质检测数据进行分析处理,得到污染物数据;
构建模块,用于根据所述水质检测数据和所述污染物数据构建污染物检测模型;
预测模块,用于将所述污染物数据输入所述污染物检测模型进行预测,得到污染物预测结果;
监控模块,用于根据所述污染物预测结果对所述地下水中的污染物进行监控。
9.地下水污染物的监控设备,其特征在于,包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
所述程序被存储在存储器中,处理器执行所述至少一个程序以实现:
如权利要求1至7任一项所述的地下水污染物的监控方法。
10.存储介质,其特征在于,所述存储介质存储有可执行指令,可执行指令能被计算机执行,使所述计算机执行:
如权利要求1至7任一项所述的地下水污染物的监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111320359.3A CN114184750A (zh) | 2021-11-09 | 2021-11-09 | 地下水污染物的监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111320359.3A CN114184750A (zh) | 2021-11-09 | 2021-11-09 | 地下水污染物的监控方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114184750A true CN114184750A (zh) | 2022-03-15 |
Family
ID=80602014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111320359.3A Pending CN114184750A (zh) | 2021-11-09 | 2021-11-09 | 地下水污染物的监控方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114184750A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081963A (zh) * | 2022-08-19 | 2022-09-20 | 江西省生态环境科学研究与规划院 | 一种地下水质风险分析方法及系统 |
CN115687851A (zh) * | 2022-11-08 | 2023-02-03 | 中国地质科学院岩溶地质研究所 | 一种岩溶发育带地下水补给径流区污染控制方法及系统 |
CN116702047A (zh) * | 2023-08-07 | 2023-09-05 | 北京建工环境修复股份有限公司 | 一种地下水实时监测方法、系统及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106932549A (zh) * | 2015-12-29 | 2017-07-07 | 中国环境科学研究院 | 地下水水质综合预警方法 |
US20190303785A1 (en) * | 2018-03-29 | 2019-10-03 | Azimuth1, LLC | Forecasting soil and groundwater contamination migration |
CN111062476A (zh) * | 2019-12-06 | 2020-04-24 | 重庆大学 | 基于门控循环单元网络集成的水质预测方法 |
CN111460611A (zh) * | 2020-03-02 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 水环境污染分析方法、装置、设备及存储介质 |
CN111693672A (zh) * | 2020-06-19 | 2020-09-22 | 广东理行生态环境科技有限公司 | 一种流域污染物监测系统及其监测方法 |
CN112183935A (zh) * | 2020-08-31 | 2021-01-05 | 河海大学 | 一种河流水质综合评价方法及系统 |
CN112505282A (zh) * | 2020-12-25 | 2021-03-16 | 生态环境部南京环境科学研究所 | 一种环境水体污染实时精准溯源预警方法及其系统 |
KR20210083856A (ko) * | 2019-12-27 | 2021-07-07 | 주식회사 효림 | 오염토양 또는 오염지하수의 실시간 오염 측정을 위한 원격 제어 시스템 |
-
2021
- 2021-11-09 CN CN202111320359.3A patent/CN114184750A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106932549A (zh) * | 2015-12-29 | 2017-07-07 | 中国环境科学研究院 | 地下水水质综合预警方法 |
US20190303785A1 (en) * | 2018-03-29 | 2019-10-03 | Azimuth1, LLC | Forecasting soil and groundwater contamination migration |
CN111062476A (zh) * | 2019-12-06 | 2020-04-24 | 重庆大学 | 基于门控循环单元网络集成的水质预测方法 |
KR20210083856A (ko) * | 2019-12-27 | 2021-07-07 | 주식회사 효림 | 오염토양 또는 오염지하수의 실시간 오염 측정을 위한 원격 제어 시스템 |
CN111460611A (zh) * | 2020-03-02 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 水环境污染分析方法、装置、设备及存储介质 |
CN111693672A (zh) * | 2020-06-19 | 2020-09-22 | 广东理行生态环境科技有限公司 | 一种流域污染物监测系统及其监测方法 |
CN112183935A (zh) * | 2020-08-31 | 2021-01-05 | 河海大学 | 一种河流水质综合评价方法及系统 |
CN112505282A (zh) * | 2020-12-25 | 2021-03-16 | 生态环境部南京环境科学研究所 | 一种环境水体污染实时精准溯源预警方法及其系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081963A (zh) * | 2022-08-19 | 2022-09-20 | 江西省生态环境科学研究与规划院 | 一种地下水质风险分析方法及系统 |
CN115687851A (zh) * | 2022-11-08 | 2023-02-03 | 中国地质科学院岩溶地质研究所 | 一种岩溶发育带地下水补给径流区污染控制方法及系统 |
CN115687851B (zh) * | 2022-11-08 | 2023-08-25 | 中国地质科学院岩溶地质研究所 | 一种岩溶发育带地下水补给径流区污染控制方法及系统 |
CN116702047A (zh) * | 2023-08-07 | 2023-09-05 | 北京建工环境修复股份有限公司 | 一种地下水实时监测方法、系统及介质 |
CN116702047B (zh) * | 2023-08-07 | 2023-11-17 | 北京建工环境修复股份有限公司 | 一种地下水实时监测方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114184750A (zh) | 地下水污染物的监控方法、装置、设备及存储介质 | |
Ayvaz | A hybrid simulation–optimization approach for solving the areal groundwater pollution source identification problems | |
Pujar et al. | Real-time water quality monitoring through Internet of Things and ANOVA-based analysis: a case study on river Krishna | |
Sattari et al. | Estimation of water quality parameters with data‐driven model | |
Lin et al. | Assessing how heavy metal pollution and human activity are related by using logistic regression and kriging methods | |
CN113267607B (zh) | 一种场地有机污染物迁移过程的特征参数识别系统 | |
Yang et al. | An integrated simulation-assessment approach for evaluating health risks of groundwater contamination under multiple uncertainties | |
Datta et al. | Efficient identification of unknown groundwater pollution sources using linked simulation-optimization incorporating monitoring location impact factor and frequency factor | |
Lohani et al. | Application of artificial neural network for groundwater level simulation in Amritsar and Gurdaspur districts of Punjab, India | |
Shahra et al. | Water contaminants detection using sensor placement approach in smart water networks | |
Chitsazan et al. | A hierarchical Bayesian model averaging framework for groundwater prediction under uncertainty | |
Quevauviller | Groundwater monitoring in the context of EU legislation: reality and integration needs | |
Setiawan et al. | Water quality modeling for pollutant carrying capacity assessment using Qual2Kw in Bedog River | |
Amirabdollahian et al. | Identification of pollutant source characteristics under uncertainty in contaminated water resources systems using adaptive simulated anealing and fuzzy logic | |
Azadi et al. | Network design for surface water quality monitoring in a road construction project using Gamma Test theory | |
CN113156075B (zh) | 饮用水水源地信息管理系统 | |
Stevenazzi et al. | Groundwater vulnerability assessment: from overlay methods to statistical methods in the Lombardy Plain area | |
Bolick et al. | Comparison of machine learning algorithms to predict dissolved oxygen in an urban stream | |
Gharekhani et al. | Quantifying the groundwater total contamination risk using an inclusive multi-level modelling strategy | |
Singh et al. | Potential of open source remote sensing data for improved spatiotemporal monitoring of inland water quality in India: Case study of Gujarat | |
Karaman | Identifying uncertainty of the mean of some water quality variables along water quality monitoring network of Bahr El Baqar drain | |
CN115147011A (zh) | 一种地表水与林地损害鉴定评估方法及装置、设备和介质 | |
Esfahani et al. | Simulation of reactive geochemical transport processes in contaminated aquifers using surrogate models | |
Zhou et al. | Application of water quality control charts to spring monitoring in karst terranes | |
Yetik et al. | An interactive GIS-based software for dynamic monitoring of rivers |
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 |