CN114414751A - 一种地下水质检测方法及系统 - Google Patents
一种地下水质检测方法及系统 Download PDFInfo
- Publication number
- CN114414751A CN114414751A CN202111540580.XA CN202111540580A CN114414751A CN 114414751 A CN114414751 A CN 114414751A CN 202111540580 A CN202111540580 A CN 202111540580A CN 114414751 A CN114414751 A CN 114414751A
- Authority
- CN
- China
- Prior art keywords
- water quality
- sequence
- detection
- detection well
- quality evaluation
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 375
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 288
- 238000013441 quality evaluation Methods 0.000 claims abstract description 144
- 230000033558 biomineral tissue development Effects 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 45
- 239000003673 groundwater Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000523 sample Substances 0.000 description 16
- 239000010865 sewage Substances 0.000 description 10
- 238000001704 evaporation Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 238000005303 weighing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000001035 drying Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000001816 cooling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 239000000460 chlorine Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geophysics And Detection Of Objects (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明涉及一种地下水质检测方法及系统，其获取设定区域内的各检测井分别在至少两个设定时间段内不同检测时刻的酸碱度序列、总硬度序列和矿化度序列；根据各检测井在各设定时间段的酸碱度序列、总硬度序列和矿化度序列，计算各检测井在各相邻两个设定时间段内的水质评价指标，并确定各检测井的水质评价指标序列；将各检测井的水质评价指标序列输入时间卷积网络中，得到各检测井对应的水质评价预测序列；根据各检测井对应的水质评价预测序列，得到设定区域的水质情况指标，进而确定设定区域的水质污染原因。该方法能够准确预测地下水的水质，同时，还能够准确找到设定区域的水质污染原因，为保护地下水的水质提供指导。
Description
技术领域
本发明涉及污水检测技术领域，尤其涉及一种地下水质检测方法及系统。
背景技术
近年来，由于一些工厂排放出的废水日益增多，在很大程度上影响着地下水的水质，因此，地下水的水质是否受污染的问题备受关注，需要对地下水的水质进行检测。
目前，地下水的水质检测方法是对采集的水体样本直接检测，即检测水体样本的色度、浑浊度、臭和味、余氯以及化学需氧量等指标，以此来给地下水进行质量分类.
但是，这种检测方法仅仅能检测到当前水体的水质，这种检测方法并不能确定水质污染原因，那么就不能确定合理的方案去从源头解决地下水质污染的问题。同时，由于地下水质检测是每隔一段时间进行的，而随着污水的排放的积累以及地质结构的影响，其可能在未来一段时间内由于各种因素的影响而存在地下水质变差的问题，这样就导致地下水质检测的不及时，影响用户的身体健康。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种地下水质检测方法及系统，所采用的技术方案具体如下：
本发明提供了一种地下水质检测方法的技术方案，包括如下步骤：
获取设定区域内的各检测井分别在至少两个设定时间段内不同检测时刻的酸碱度序列、总硬度序列和矿化度序列；
对于所述各检测井中的任一检测井，根据所述任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算各相邻两个设定时间段内的水质评价指标，并确定所述任一检测井的水质评价指标序列；
将所述任一检测井的水质评价指标序列均输入至时间卷积网络中，得到所述时间卷积网络输出的所述任一检测井对应的水质评价预测序列；
根据所述各检测井对应的水质评价预测序列，得到所述设定区域的水质情况指标，并根据所述设定区域的水质情况指标，确定所述设定区域的水质污染原因；
其中，所述时间卷积网络的损失基于如下方法确定：
根据所述任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算所述任一检测井与其距离最小的其他检测井在对应的同一设定时间段的相似度，得到所述任一检测井在所有设定时间段对应的相似度序列，将所述相似度序列中的相似度作为损失权重，得到所述时间卷积网络的损失。
进一步地，所述时间卷积网络的损失为：
其中，Ut为所述任一检测井的水质评价指标序列中的第t个水质评价指标，
为所述任一检测井对应的水质评价预测序列中的第t个水质评价预测数据，Ct为所述任一检测井对应的相似度序列中的第t个相似度，N为所述任一检测井的水质评价指标序列中的水质评价指标的总个数。
进一步地，所述设定区域的水质情况指标为：
其中，
为第s个检测井在第n个预测时间段的水质评价预测数据，
为第l个检测井在第n个预测时间段内的水质评价预测数据，
为
到剩余的
的水质评价预测数据的相似指标之和。
进一步地，所述任一检测井对应的水质评价指标为：
其中，
为第l个检测井在第j个设定时间段的水质评价指标，
为第l个检测井在第j个设定时间段内任一检测时刻的酸碱度、总硬度和矿化度组成的三维向量，
为第l个检测井在第j+1个设定时间段内任一检测时刻的酸碱度、总硬度和矿化度组成的三维向量；
为向量
和向量
的相似度；
为第l个检测井在第j个设定时间段内对应的酸碱度序列与在第j+1个设定时间段内对应的酸碱度序列的置信度；
为第l个检测井在第j个设定时间段内对应的矿化度序列与在第j+1个设定时间段对应的矿化度序列的置信度；
为第l个检测井在第j个设定时间段对应的总硬度序列与在第j+1个设定时间段内对应的总硬度序列的置信度，
为
归一化后的值。
进一步地，所述相似度序列中的相似度为：
为第l个检测井在第j个设定时间段内任一检测时刻对应的酸碱度、总硬度和矿化度组成的三维向量；
为第l+1个检测井在第j个设定时间段内任一检测时刻对应的酸碱度、总硬度和矿化度组成的三维向量，所述第l+1个检测井为与所述第l个检测井距离最小的其他检测井。
进一步地，所述将所述任一检测井的水质评价指标序列均输入至时间卷积网络中，得到所述时间卷积网络输出的所述任一检测井对应的水质评价预测序列，之前包括：去除所述任一检测井的水质评价指标序列中的极值。
本发明还提供了一种地下水质检测系统，包括：
获取模块，用于获取设定区域内的各检测井分别在至少两个设定时间段内不同检测时刻的酸碱度序列、总硬度序列和矿化度序列；
计算模块，用于对于所述各检测井中的任一检测井，根据所述任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算各相邻两个设定时间段内的水质评价指标，并确定所述任一检测井的水质评价指标序列；
预测模块，用于将所述任一检测井的水质评价指标序列均输入至时间卷积网络中，得到所述时间卷积网络输出的所述任一检测井对应的水质评价预测序列；
检测模块，用于根据所述各检测井对应的水质评价预测序列，得到所述设定区域的水质情况指标，并根据所述设定区域的水质情况指标，确定所述设定区域的水质污染原因；
其中，所述时间卷积网络的损失基于如下方法确定：
根据所述任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算所述任一检测井与其距离最小的其他检测井在对应的同一设定时间段的相似度，得到所述任一检测井在所有设定时间段对应的相似度序列，将所述相似度序列中的相似度作为损失权重，得到所述时间卷积网络的损失。
本发明还提供了一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的一种地下水质检测方法的步骤。
本发明还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种地下水质检测方法的步骤。
本发明还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的一种地下水质检测方法的步骤。
本发明提供的地下水质检测方法及系统至少具有如下有益效果：
获取各检测井在若干设定时间段内不同检测时刻的酸碱度序列、总硬度序列和矿化度序列，计算各检测井在各相邻两个设定时间段内的水质评价指标，并确定各检测井的水质评价指标序列；将各检测井的水质评价指标序列输入时间卷积网络中，得到各检测井对应的水质评价预测序列。根据各检测井对应的水质评价预测序列可以准确预测设定区域的地下水在何时发生水质变化，并且能够根据各检测井的位置确定污染的范围，能够对水质污染原因及时采取相应的应对措施，保证良好的地下水质。
本发明提供的地下水质检测方法及系统中，通过计算任一检测井与其距离最小的其他检测井在对应的同一设定时间段的相似度，得到任一检测井在所有设定时间段与其他检测井的相似度序列，将所述相似度序列中的相似度作为该任一检测井的损失权重，可以使得到的水质评价预测序列更加准确。同时，本发明提供的地下水质检测方法及系统，通过计算设定区域的水质情况指标，能够检测出地下水的污染来源是否来自地上污水的渗透，根据该水质情况指标，判断地下水的污染是否为地质结构的原因导致。
附图说明
为了更清楚地说明本发明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作一简单地介绍，显而易见地，下面描述中的附图，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种地下水质检测方法的流程示意图；
图2为本发明提供的一种地下水质检测系统的结构示意图；
图3为本发明提供的一种电子设备的结构示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种地下水质检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明针对的具体场景为：对工厂附近的地下水的水质进行检测，预测由于时间的累积，工厂排放的污水是否会对周围区域地下水的水质产生影响。
请参阅图1，其示出了本发明实施例提供的一种地下水质检测方法的流程示意图，该方法包括以下步骤：
S1，获取设定区域内的各检测井分别在至少两个设定时间段内不同检测时刻的酸碱度序列、总硬度序列和矿化度序列；
S2，对于所述各检测井中的任一检测井，根据所述任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算各相邻两个设定时间段内的水质评价指标，并确定所述任一检测井的水质评价指标序列；
S3，将所述任一检测井的水质评价指标序列均输入至时间卷积网络中，得到所述时间卷积网络输出的所述任一检测井对应的水质评价预测序列；
S4，根据所述各检测井对应的水质评价预测序列，得到所述设定区域的水质情况指标，并根据所述设定区域的水质情况指标，确定所述设定区域的水质污染原因；
其中，所述时间卷积网络的损失基于如下方法确定：
根据所述任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算所述任一检测井与其距离最小的其他检测井在对应的同一设定时间段的相似度，得到所述任一检测井在所有设定时间段对应的相似度序列，将所述相似度序列中的相似度作为损失权重，得到所述时间卷积网络的损失。
具体地，本发明实施例中提供的地下水质检测方法，其执行主体为地下水质检测系统，该系统可以配置于服务器内，该服务器可以是本地服务器，也可以是云端服务器，本地服务器具体可以是计算机以及平板电脑等，本发明实施例中对此不作具体限定。
首先执行步骤S1，获取设定区域内的各检测井在若干设定时间段内不同检测时刻的酸碱度序列、总硬度序列和矿化度序列。其中，设定区域为半径3公里的检测区域。在设定区域内可以设置有多个检测井，用以获取水体样本，进而检测水体样本的酸碱度、总硬度和矿化度。
在进行地下水质检测过程中，可以包括至少两个设定时间段，每个设定时间段中包括多个检测时刻，在不同的检测时刻抽取各检测井的水体样本，检测水体样本的酸碱度、总硬度和矿化度；检测井在每个设定时间段内每个检测时刻对应的酸碱度、总硬度和矿化度组成对应的酸碱度序列、总硬度序列和矿化度序列，得到各检测井对应的各酸碱度序列，总硬度序列和矿化度序列。
本发明实施例中，各设定时间段的时长可以相等，可以均为一个月，设定时间段的不同检测时刻为1个月的每一天。作为其他实施方式，也可以将各设定时间段的不同检测时刻设置为1周的每一天或一周的每半天等。
本发明实施例中，水体样本的酸碱度的获取方法可以包括如下步骤：利用水质PH仪检测任一检测井的水体样本的PH值，将PH值作为水体样本的酸碱度，将第j个设定时间段的第1个检测时刻对应的PH值记为
将第j个设定时间段的第2个检测时刻对应的PH值记为
第l个检测井在第i个设定时间段的酸碱度序列为
以次类推，得到各检测井在第j个设定时间段的酸碱度序列，进而得到各检测井在至少两个设定时间段内对应的酸碱度序列。
本发明实施例中，可以利用水质硬度检测仪检测水体样本的总硬度，具体步骤可以包括：取任一检测井的部分水体样本置于干净的实验皿中，将水质硬度检测仪的探针插入水体样本中，记录屏幕显示的数据，屏幕显示的数据即为水体样本的总硬度，将第j个设定时间段的第1个检测时刻对应的总硬度记为
将第j个设定时间段的第2个检测时刻对应的总硬度记为
第l个检测井在第i个设定时间段的总硬度序列为
以次类推，得到各检测井在第j个设定时间段的总硬度序列，进而得到各检测井在各设定时间段内对应的各总硬度序列。
本发明实施例中，水体样本的矿化度的检测方法可以包括如下步骤：
1)将清洗干净的蒸发皿放入110℃烘箱中烘2h，放入干燥器中冷却至室温后称重，重复烘干称重，直至恒重W0；恒重的标准为两次称重相差不超过0.0005g。
2)取任一检测井的70-80ml水体样本用中速定量滤纸过滤至干燥洁净的烧杯中；烧杯中的水体样本为过滤水样；
3)用25ml的移液管准确移取50ml过滤水样，将过滤水样置于已称重的蒸发皿中，于水水浴上蒸干；
4)若蒸干残渣有色，则使蒸发皿稍冷后，滴加过氧化氢溶液(1+1)数滴，慢慢旋转蒸发皿直至气泡消失，再置于水浴上蒸干，反复处理数次，直至残渣变白或颜色稳定不变为止；
5)将蒸发皿放入烘箱内于110℃烘2h，置于干燥器中冷却至室温后称重，重复烘干称重，直至恒重W；恒重的标准为两次称重相差不超过0.0005g；
6)矿化度为
其中V为移取的过滤水样的体积；
由以上步骤，得到任一检测井在每个设定时间段内每个检测时刻对应的矿化度，将第j个设定时间段的第1个检测时刻对应的矿化度记为
将第j个设定时间段的第2个检测时刻对应的矿化度记为
第l个检测井在第i个设定时间段的矿化度序列为
依次类推，得到各检测井在第j个设定时间段的矿化度序列，进而得到各检测井在各设定时间段内对应的各矿化度序列。
本发明实施例中，检测井在每个设定时间段都有与其相对应的酸碱度序列、总硬度序列和矿化度序列。
需要说明的是，检测酸碱度、总硬度和矿化度的原因是，水体样本的酸碱度、矿化度、水体硬度可以反映出地下水的水质质量，若这些因素不正常升高，可以表示工厂排放的污水对该区域的地下水产生了污染。
然后执行步骤S2，对于各检测井中的任一检测井，该任一检测井为各检测井中的每一检测井。根据该任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算各相邻两个设定时间段内的水质评价指标，并确定该任一检测井的水质评价指标序列。
其中，水质评价指标为：
其中，
为第l个检测井在第j个设定时间段的水质评价指标，
为第l个检测井在第j个设定时间段内任一检测时刻的酸碱度、总硬度和矿化度组成的三维向量，
为第l个检测井在第j+1个设定时间段内任一检测时刻的酸碱度、总硬度和矿化度组成的三维向量；
为向量
和向量
的相似度；
为第l个检测井在第j个设定时间段对应的酸碱度序列与在第j+1个设定时间段内对应的酸碱度序列的置信度；
为第l个检测井在第j个设定时间段对应的矿化度序列与在第j+1个设定时间段内对应的矿化度序列的置信度；
为第l个检测井在第j个设定时间段对应的总硬度序列与在第j+1个设定时间段内对应的总硬度序列的置信度，
为
归一化后的值。
本发明实施例中，为了使
的计算结果更为准确，
是在第j个设定时间段内同一检测时刻对应的酸碱度、总硬度和矿化度组成的三维向量，
是在第j+1个设定时间段内同一检测时刻对应的酸碱度、总硬度和矿化度组成的三维向量。作为其他实施方式，可选择不同检测时刻对应的酸碱度、总硬度和矿化度组成三维向量。
需要说明的是，
是
归一化后的值，因此，
的值域为[0，1]。
由步骤S2可以得出，第l个检测井在第1个设定时间段的水质评价指标为
第l个检测井在第2个设定时间段的水质评价指标为
则第l个检测井的水质评价指标序列为
依次类推，可以得到各检测井对应的水质评价指标序列。
本发明实施例中，将各检测井在相邻两个设定时间段内的水质评价指标作为各检测井在前一个设定时间段内的水质评价指标。所以，各检测井在最后一个设定时间段不具备水质评价指标。本发明实施例中，需要的结果为各检测井的水质评价预测序列，水质评价指标序列已经存在多个水质评价指标为预测结果提供参考数据。因此，水质评价指标序列中缺少一个水质评价指标并不会对预测结果产生影响。
需要说明的是，
表达的是第l个检测井在相邻两设定时间段的整体相似度，为第l个检测井的水质在相邻两个设定时间段的整体变化。
本发明实施例中，在计算各检测井的水质评价指标时，利用对应于酸碱度的置信度、对应于总硬度的置信度和对应于矿化度的置信度的参与计算，考虑到了置信度对相似度的影响，使计算得到的水质评价指标更准确。同时，置信度还避免了对应两序列中对应元素部分距离的增加或减少导致计算出的水质评价出现较大偏差的现象。
然后执行步骤S3，将所述任一检测井的水质评价指标序列均输入至时间卷积网络中，得到所述时间卷积网络输出的所述任一检测井对应的水质评价预测序列。其中，该时间卷积网络的作用是得到输入的各检测井的水质评价指标序列的预测值，也即各检测井的水体样本对应的预测值，若要预测值与真实值尽可能地接近，则需要损失函数的值最小，一般时间卷积网络采用均方差损失函数。本发明实施例中，为了得到更为准确的预测值，在均方差损失函数的基础上做出了改进。
具体而言，根据设定区域的任一检测井与其距离最小的其他检测井对应的酸碱度序列、总硬度序列和矿化度序列，计算该任一检测井与其距离最小的其他检测井在同一设定时间段内的相似度，根据该任一检测井与其距离最小的其他检测井在不同设定时间段的相似度，得到该任一检测井的相似度序列，将所述相似度序列中的相似度作为该任一检测井的损失权重。
时间卷积网络的损失(即损失函数)可以表示为：
其中，Ut为任一检测井的水质评价指标序列中的第t个水质评价指标，
为任一检测井的水质评价预测序列中的第t个水质评价预测数据，Ct为任一检测井的对应的相似度序列中的第t个相似度，N为任一检测井的水质评价指标序列中的水质评价指标的总个数。式中，求和的个数为1到N。
具体地，相似度序列中的相似度为为：
其中，
为第l个检测井在第j个设定时间段某一检测时刻对应的酸碱度、总硬度和矿化度组成的三维向量；
为第l+1个检测井在第j个设定时间段某一检测时刻对应的酸碱度、总硬度和矿化度组成的三维向量；
为第l个检测井与第l+1个检测井在第j个设定时间段的相似度，所述第l+1个检测井为与所述第l个检测井距离最小的其他检测井。
具体地，各检测井对应的相似度序列的获取方法为：将第l个检测井在第1个设定时间段的相似度记为
将第l个检测井在第2个设定时间段的相似度记为
则第l个检测井的相似度序列为
依此类推，得到各检测井对应的相似度序列。
本发明实施例中，将相邻两个检测井在同一设定时间段内的相似度作为前一个检测井的相似度。所以在得到的各检测井的相似度序列中，最后一个检测井不具有相似度序列，但是时间卷积网络的损失权重为各检测井对应的相似度序列中的相似度。因此，将最后一个检测井参与计算得到的与其相邻检测井的相似度序列作为最后一个检测井的相似度序列。
需要说明的是，
的值越大，表示相邻两个检测井之间的相似度越高，说明这两个检测井附近出现了同种污染，意味着两个检测井之间的地层渗透率越高。若相邻两个检测井之间的污染情况相似，则表明污染来源于地表污水的渗透，地表污水对该区域的地下水进行污染，若相邻两个检测井之间的污染情况不相似，则表明这两个检测井对应的地层渗透率低，地面污水对该区域的地下水影响较小。
本发明实施例中，时间卷积网络获取第l个检测井的水质评价预测序列时，输入的水质评价指标序列为
Ut为序列Ul中的任意一个水质评价指标。此时，将第l个检测井的相似度序列
进行归一化，得到
即Ct为相似度序列[Cl]中与Ut对应的相似度；第l个检测井的水质评价预测序列为
为第l个检测井在第n个预测时间段的水质评价预测数据。由此，获取各检测井对应的水质评价预测序列。
在上述实施例的基础上，在将任一检测井的水质评价指标序列均输入至时间卷积网络中，得到时间卷积网络输出的任一检测井对应的水质评价预测序列之前，还可以先去除任一检测井的水质评价指标序列中的极值。即输入时间卷积网络中的水质评价指标序列为去除极值的水质评价指标序列，极值使水质评价预测序列整体序列的变化趋势发生明显变化，使得到的水质评价预测序列不准确，因此，为了得到水质评价预测序列相对平缓的变化趋势，需要去除极值。
最后执行步骤4，根据所述各检测井对应的水质评价预测序列，得到所述设定区域的水质情况指标，并根据所述设定区域的水质情况指标，确定所述设定区域的水质污染原因，为保护地下水的水质提供指导。
其中，根据各检测井对应的水质评价预测序列，选取各检测井在某一预测时间段对应的水质评价预测数据，得到各检测井在某一预测时间段的检测序列，本发明实施例中，选取各检测井在第n个预测时间段的水质评价预测数据，即各检测井在第n个预测时间段的检测序列为
其中，1到l为检测井的标号。
进一步地，根据各检测井在第n个预测时间段的检测序列，计算水质情况指标。
本发明实施例中，设定区域的水质情况指标为：
其中，
为第s个检测井在第n个预测时间段的水质评价预测数据，
为第l个检测井在第n个预测时间段内的水质评价预测数据，
为
到剩余的
的水质评价预测数据的相似指标之和。式中，求和的个数为1到v，v为检测序列中对应水质评价预测数据的总个数。
为
到剩余的
的水质评价预测数据的相似指标，即相似度。
本发明实施例中，根据各检测井对应的水质评价预测序列，可以得到各检测井对应地下水的变化趋势，根据变化趋势得到对应地下水在未来哪一时刻的水质会发生污染，进一步根据各检测井位置准确找到污染源范围，实施者可根据当地政府的政策，对污染源及时采取相应的应对措施，保护地下水的水质质量。
需要说明的是，水质情况指标Q的值越大，表示第l个检测井和周围其他检测井的水质评价预测越相似，说明该层地下水质污染原因不仅仅来自地上污水的渗透，而是由于地质原因(如地质发生断层)导致该层地下水被其它层地下水污染，使该层地下水整体的污染程度上升，时间卷积网络输出的各检测井对应的水质评价预测序列出现偏差；水质情况指标Q的值越小，说明该层地下水质受其他层地下水的污染程度越小，即该区域的地质结构没有发生变化，时间卷积网络输出的各检测井对应的水质评价预测序列越准确；当计算的水质情况指标Q的值过大时，则需要重新预测各检测井对应的水质评价预测序列。
本发明实施例中，计算水质情况指标Q是为了避免由于地质地层变化，导致水力梯度高的地下水层流向检测的地下水层，使预测结果不准确的情况发生，确保检测的地下水层污染的原因来自地面上的污水渗透。
如图2所示，在上述实施例的基础上，本发明还提供了一种地下水质检测系统，包括：
获取模块21，用于获取设定区域内的各检测井分别在至少两个设定时间段内不同检测时刻的酸碱度序列、总硬度序列和矿化度序列；
计算模块22，用于对于所述各检测井中的任一检测井，根据所述任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算各相邻两个设定时间段内的水质评价指标，并确定所述任一检测井的水质评价指标序列；
预测模块23，用于将所述任一检测井的水质评价指标序列均输入至时间卷积网络中，得到所述时间卷积网络输出的所述任一检测井对应的水质评价预测序列；
检测模块24，用于根据所述各检测井对应的水质评价预测序列，得到所述设定区域的水质情况指标，并根据所述设定区域的水质情况指标，确定所述设定区域的水质污染原因；
其中，所述时间卷积网络的损失基于如下方法确定：
根据所述任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算所述任一检测井与其距离最小的其他检测井在对应的同一设定时间段的相似度，得到所述任一检测井在所有设定时间段对应的相似度序列，将所述相似度序列中的相似度作为损失权重，得到所述时间卷积网络的损失。
在上述实施例的基础上，本发明还提供的地下水质检测系统，所述时间卷积网络的损失为：
其中，Ut为所述任一检测井的水质评价指标序列中的第t个水质评价指标，
为所述任一检测井对应的水质评价预测序列中的第t个水质评价预测数据，Ct为所述任一检测井对应的相似度序列中的第t个相似度，N为所述任一检测井的水质评价指标序列中的水质评价指标的总个数。
在上述实施例的基础上，本发明还提供的地下水质检测系统，所述设定区域的水质情况指标为：
其中，
为第s个检测井在第n个预测时间段的水质评价预测数据，
为第l个检测井在第n个预测时间段内的水质评价预测数据，
为
到剩余的
的水质评价预测数据的相似指标之和。
在上述实施例的基础上，本发明还提供的地下水质检测系统，所述任一检测井对应的水质评价指标为：
其中，
为第l个检测井在第j个设定时间段的水质评价指标，
为第l个检测井在第j个设定时间段内任一检测时刻的酸碱度、总硬度和矿化度组成的三维向量，
为第l个检测井在第j+1个设定时间段内任一检测时刻的酸碱度、总硬度和矿化度组成的三维向量；
为向量
和向量
的相似度；
为第l个检测井在第j个设定时间段内对应的酸碱度序列与在第j+1个设定时间段内对应的酸碱度序列的置信度；
为第l个检测井在第j个设定时间段内对应的矿化度序列与在第j+1个设定时间段对应的矿化度序列的置信度；
为第l个检测井在第j个设定时间段对应的总硬度序列与在第j+1个设定时间段内对应的总硬度序列的置信度，
为
归一化后的值。
在上述实施例的基础上，本发明还提供的地下水质检测系统，所述相似度序列中的相似度为：
为第l个检测井在第j个设定时间段内任一检测时刻对应的酸碱度、总硬度和矿化度组成的三维向量；
为第l+1个检测井在第j个设定时间段内任一检测时刻对应的酸碱度、总硬度和矿化度组成的三维向量，所述第l+1个检测井为与所述第l个检测井距离最小的其他检测井。
在上述实施例的基础上，本发明还提供的地下水质检测系统，还包括极值去除模块，用于：
去除所述任一检测井的水质评价指标序列中的极值。
具体地，本发明实施例中提供的地下水质检测系统中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述实施例，本发明实施例中对此不再赘述。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(Processor)310、通信接口(Communications Interface)320、存储器(Memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行上述各实施例中提供的地下水质检测方法，该方法包括：获取设定区域内的各检测井分别在至少两个设定时间段内不同检测时刻的酸碱度序列、总硬度序列和矿化度序列；对于所述各检测井中的任一检测井，根据所述任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算各相邻两个设定时间段内的水质评价指标，并确定所述任一检测井的水质评价指标序列；将所述任一检测井的水质评价指标序列均输入至时间卷积网络中，得到所述时间卷积网络输出的所述任一检测井对应的水质评价预测序列；根据所述各检测井对应的水质评价预测序列，得到所述设定区域的水质情况指标，并根据所述设定区域的水质情况指标，确定所述设定区域的水质污染原因；其中，所述时间卷积网络的损失基于如下方法确定：根据所述任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算所述任一检测井与其距离最小的其他检测井在对应的同一设定时间段的相似度，得到所述任一检测井在所有设定时间段对应的相似度序列，将所述相似度序列中的相似度作为损失权重，得到所述时间卷积网络的损失。
此外，上述的存储器330中的逻辑指令可以通过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，本发明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，包括若干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)执行本发明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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各实施例中提供的地下水质检测方法，该方法包括：获取设定区域内的各检测井分别在至少两个设定时间段内不同检测时刻的酸碱度序列、总硬度序列和矿化度序列；对于所述各检测井中的任一检测井，根据所述任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算各相邻两个设定时间段内的水质评价指标，并确定所述任一检测井的水质评价指标序列；将所述任一检测井的水质评价指标序列均输入至时间卷积网络中，得到所述时间卷积网络输出的所述任一检测井对应的水质评价预测序列；根据所述各检测井对应的水质评价预测序列，得到所述设定区域的水质情况指标，并根据所述设定区域的水质情况指标，确定所述设定区域的水质污染原因；其中，所述时间卷积网络的损失基于如下方法确定：根据所述任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算所述任一检测井与其距离最小的其他检测井在对应的同一设定时间段的相似度，得到所述任一检测井在所有设定时间段对应的相似度序列，将所述相似度序列中的相似度作为损失权重，得到所述时间卷积网络的损失。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例中提供的地下水质检测方法，该方法包括：获取设定区域内的各检测井分别在至少两个设定时间段内不同检测时刻的酸碱度序列、总硬度序列和矿化度序列；对于所述各检测井中的任一检测井，根据所述任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算各相邻两个设定时间段内的水质评价指标，并确定所述任一检测井的水质评价指标序列；将所述任一检测井的水质评价指标序列均输入至时间卷积网络中，得到所述时间卷积网络输出的所述任一检测井对应的水质评价预测序列；根据所述各检测井对应的水质评价预测序列，得到所述设定区域的水质情况指标，并根据所述设定区域的水质情况指标，确定所述设定区域的水质污染原因；其中，所述时间卷积网络的损失基于如下方法确定：根据所述任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算所述任一检测井与其距离最小的其他检测井在对应的同一设定时间段的相似度，得到所述任一检测井在所有设定时间段对应的相似度序列，将所述相似度序列中的相似度作为损失权重，得到所述时间卷积网络的损失。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干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)执行各个实施例或者实施例的某些部分所述的方法。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种地下水质检测方法，其特征在于，该方法包括以下步骤：
获取设定区域内的各检测井分别在至少两个设定时间段内不同检测时刻的酸碱度序列、总硬度序列和矿化度序列；
对于所述各检测井中的任一检测井，根据所述任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算各相邻两个设定时间段内的水质评价指标，并确定所述任一检测井的水质评价指标序列；
将所述任一检测井的水质评价指标序列均输入至时间卷积网络中，得到所述时间卷积网络输出的所述任一检测井对应的水质评价预测序列；
根据所述各检测井对应的水质评价预测序列，得到所述设定区域的水质情况指标，并根据所述设定区域的水质情况指标，确定所述设定区域的水质污染原因；
其中，所述时间卷积网络的损失基于如下方法确定：
根据所述任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算所述任一检测井与其距离最小的其他检测井在对应的同一设定时间段的相似度，得到所述任一检测井在所有设定时间段对应的相似度序列，将所述相似度序列中的相似度作为损失权重，得到所述时间卷积网络的损失。
2.根据权利要求1所述的一种地下水质检测方法，其特征在于，所述时间卷积网络的损失为：
其中，Ut为所述任一检测井的水质评价指标序列中的第t个水质评价指标，
为所述任一检测井对应的水质评价预测序列中的第t个水质评价预测数据，Ct为所述任一检测井对应的相似度序列中的第t个相似度，N为所述任一检测井的水质评价指标序列中的水质评价指标的总个数。
3.根据权利要求1所述的一种地下水质检测方法，其特征在于，
所述设定区域的水质情况指标为：
其中，
为第s个检测井在第n个预测时间段的水质评价预测数据，
为第l个检测井在第n个预测时间段内的水质评价预测数据，
为
到剩余的
的水质评价预测数据的相似指标之和。
4.根据权利要求1所述的一种地下水质检测方法，其特征在于，
所述任一检测井对应的水质评价指标为：
其中，
为第l个检测井在第j个设定时间段的水质评价指标，
为第l个检测井在第j个设定时间段内任一检测时刻的酸碱度、总硬度和矿化度组成的三维向量，
为第l个检测井在第j+1个设定时间段内任一检测时刻的酸碱度、总硬度和矿化度组成的三维向量；
为向量
和向量
的相似度；
为第l个检测井在第j个设定时间段内对应的酸碱度序列与在第j+1个设定时间段内对应的酸碱度序列的置信度；
为第l个检测井在第j个设定时间段内对应的矿化度序列与在第j+1个设定时间段对应的矿化度序列的置信度；
为第l个检测井在第j个设定时间段对应的总硬度序列与在第j+1个设定时间段内对应的总硬度序列的置信度，
为
归一化后的值。
5.根据权利要求1-4中任一项所述的一种地下水质检测方法，其特征在于，所述相似度序列中的相似度为：
为第l个检测井在第j个设定时间段内任一检测时刻对应的酸碱度、总硬度和矿化度组成的三维向量；
为第l+1个检测井在第j个设定时间段内任一检测时刻对应的酸碱度、总硬度和矿化度组成的三维向量，所述第l+1个检测井为与所述第l个检测井距离最小的其他检测井。
6.根据权利要求1-4中任一项所述的一种地下水质检测方法，其特征在于，所述将所述任一检测井的水质评价指标序列均输入至时间卷积网络中，得到所述时间卷积网络输出的所述任一检测井对应的水质评价预测序列，之前包括：
去除所述任一检测井的水质评价指标序列中的极值。
7.一种地下水质检测系统，其特征在于，包括：
获取模块，用于获取设定区域内的各检测井分别在至少两个设定时间段内不同检测时刻的酸碱度序列、总硬度序列和矿化度序列；
计算模块，用于对于所述各检测井中的任一检测井，根据所述任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算各相邻两个设定时间段内的水质评价指标，并确定所述任一检测井的水质评价指标序列；
预测模块，用于将所述任一检测井的水质评价指标序列均输入至时间卷积网络中，得到所述时间卷积网络输出的所述任一检测井对应的水质评价预测序列；
检测模块，用于根据所述各检测井对应的水质评价预测序列，得到所述设定区域的水质情况指标，并根据所述设定区域的水质情况指标，确定所述设定区域的水质污染原因；
其中，所述时间卷积网络的损失基于如下方法确定：
根据所述任一检测井在各设定时间段内的酸碱度序列、总硬度序列和矿化度序列，计算所述任一检测井与其距离最小的其他检测井在对应的同一设定时间段的相似度，得到所述任一检测井在所有设定时间段对应的相似度序列，将所述相似度序列中的相似度作为损失权重，得到所述时间卷积网络的损失。
8.一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的一种地下水质检测方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的一种地下水质检测方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的一种地下水质检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111540580.XA CN114414751B (zh) | 2021-12-15 | 2021-12-15 | 一种地下水质检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111540580.XA CN114414751B (zh) | 2021-12-15 | 2021-12-15 | 一种地下水质检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114414751A true CN114414751A (zh) | 2022-04-29 |
| CN114414751B CN114414751B (zh) | 2024-05-10 |
Family
ID=81266721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111540580.XA Active CN114414751B (zh) | 2021-12-15 | 2021-12-15 | 一种地下水质检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114414751B (zh) |
Cited By (1)
| 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 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170112469A (ko) * | 2016-03-31 | 2017-10-12 | 광주과학기술원 | 데이터마이닝 기법을 이용한 종합 수질 평가지수의 산정방법 |
| CN109816163A (zh) * | 2019-01-15 | 2019-05-28 | 深圳中兴网信科技有限公司 | 污染度预测方法、预测系统及计算机可读存储介质 |
| CN109886477A (zh) * | 2019-01-25 | 2019-06-14 | 平安科技（深圳）有限公司 | 水污染的预测方法、装置及电子设备 |
| CN111553468A (zh) * | 2020-05-15 | 2020-08-18 | 南京大学 | 一种准确预测污水处理厂出水水质的方法 |
| CN111882138A (zh) * | 2020-08-07 | 2020-11-03 | 中国农业大学 | 基于时空融合的水质预测方法、装置、设备及存储介质 |
| CN112288275A (zh) * | 2020-10-29 | 2021-01-29 | 中水三立数据技术股份有限公司 | 一种基于物联网的地下水水质分析评价系统及方法 |
| CN112651665A (zh) * | 2021-01-14 | 2021-04-13 | 浙江鸿程计算机系统有限公司 | 一种基于图神经网络的地表水水质指标预测方法和装置 |
| CN113159456A (zh) * | 2020-09-30 | 2021-07-23 | 中科三清科技有限公司 | 水质预测方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-15 CN CN202111540580.XA patent/CN114414751B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170112469A (ko) * | 2016-03-31 | 2017-10-12 | 광주과학기술원 | 데이터마이닝 기법을 이용한 종합 수질 평가지수의 산정방법 |
| CN109816163A (zh) * | 2019-01-15 | 2019-05-28 | 深圳中兴网信科技有限公司 | 污染度预测方法、预测系统及计算机可读存储介质 |
| CN109886477A (zh) * | 2019-01-25 | 2019-06-14 | 平安科技（深圳）有限公司 | 水污染的预测方法、装置及电子设备 |
| CN111553468A (zh) * | 2020-05-15 | 2020-08-18 | 南京大学 | 一种准确预测污水处理厂出水水质的方法 |
| CN111882138A (zh) * | 2020-08-07 | 2020-11-03 | 中国农业大学 | 基于时空融合的水质预测方法、装置、设备及存储介质 |
| CN113159456A (zh) * | 2020-09-30 | 2021-07-23 | 中科三清科技有限公司 | 水质预测方法、装置、电子设备及存储介质 |
| CN112288275A (zh) * | 2020-10-29 | 2021-01-29 | 中水三立数据技术股份有限公司 | 一种基于物联网的地下水水质分析评价系统及方法 |
| CN112651665A (zh) * | 2021-01-14 | 2021-04-13 | 浙江鸿程计算机系统有限公司 | 一种基于图神经网络的地表水水质指标预测方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 王军, 等: "基于CNN-LSTM模型的黄河水质预测研究", 人民黄河, vol. 43, no. 05, 10 May 2021 (2021-05-10), pages 96 - 99 * |
| 郑友亮: "基于卷积神经网络的沿海水质评价技术研究", 自动化与信息工程, vol. 38, no. 03, 15 June 2017 (2017-06-15), pages 12 - 16 * |
Cited By (1)
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114414751B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7043983B2 (ja) | 汚水処理施設の水質判定装置及び水質判定方法 | |
| US11680937B2 (en) | Detection and characterization of anomalies in a continuum of water | |
| CN113155178B (zh) | 传感器系统和方法 | |
| CN112857471B (zh) | 工业物联网的化工废水处理排放在线监测预警管理云平台 | |
| CN114414751A (zh) | 一种地下水质检测方法及系统 | |
| Ye et al. | Real-time observation, early warning and forecasting phytoplankton blooms by integrating in situ automated online sondes and hybrid evolutionary algorithms | |
| CN105764856A (zh) | 水处理设备的控制方法、控制程序以及水处理系统 | |
| CN111144451A (zh) | 一种图像分类模型的训练方法、装置及设备 | |
| Kaneko et al. | Physical and statistical model for predicting a transmembrane pressure jump for a membrane bioreactor | |
| Tomperi et al. | Modelling effluent quality based on a real-time optical monitoring of the wastewater treatment process | |
| CN116308952A (zh) | 一种基于无人船的水质监测方法及设备 | |
| CN111204842A (zh) | 一种通过神经网络实现超滤膜污染评价的方法、装置、系统 | |
| Freni et al. | The identifiability analysis for setting up measuring campaigns in integrated water quality modelling | |
| KR20140117959A (ko) | 하수처리장 유출수질의 상태에 대한 원인인자 제공장치 및 방법 | |
| CN113240006A (zh) | 废水排放的监测方法、装置、电子设备及存储介质 | |
| JP2021035669A (ja) | 性能評価システム、水処理設備、プログラム、及び学習済みモデル | |
| CN117169143A (zh) | 一种基于神经网络的全光谱水质检测方法与系统 | |
| US20230341370A1 (en) | Detection of change in physicochemical composition of a liquid | |
| CN109891235B (zh) | 基于统计方法，自动在线检测流体的实际状态与流体的参考状态的偏差的方法，特别是用于监测饮用水供应 | |
| CN112397404B (zh) | 半导体制程检测方法及检测系统 | |
| KR101221879B1 (ko) | 다항목 수질 측정 시스템 | |
| CN111160518B (zh) | 炼化污水cod的软测量方法和装置及机器可读存储介质 | |
| Cecconi | Analysis of Integrated Hard and Soft Sensors for Process Control and Monitoring in Water Resource Recovery Facilities | |
| CN114965325B (zh) | 一种氯离子检测方法、装置及计算机可读存储介质 | |
| CN115511341A (zh) | 一种滑坡时变失效概率评估方法及装置 |
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 |