CN114624411A - 一种水源地取水口附近水域的水质预警方法 - Google Patents
一种水源地取水口附近水域的水质预警方法 Download PDFInfo
- Publication number
- CN114624411A CN114624411A CN202210400969.2A CN202210400969A CN114624411A CN 114624411 A CN114624411 A CN 114624411A CN 202210400969 A CN202210400969 A CN 202210400969A CN 114624411 A CN114624411 A CN 114624411A
- Authority
- CN
- China
- Prior art keywords
- water quality
- water
- early warning
- area
- monitoring points
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012544 monitoring process Methods 0.000 claims abstract description 61
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000007405 data analysis Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000012847 principal component analysis method Methods 0.000 abstract description 8
- 238000007726 management method Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000003651 drinking water Substances 0.000 description 3
- 235000020188 drinking water Nutrition 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 230000036284 oxygen consumption Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000003911 water pollution Methods 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/06—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a liquid
-
- 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
- G01N33/1806—Biological oxygen demand [BOD] or chemical oxygen demand [COD]
-
- 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
- G01N33/1813—Specific cations in water, e.g. heavy metals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Emergency Medicine (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种水源地取水口附近水域的水质预警方法，通过结合各项因素对水源地水质的影响，按等距选取时间，得到不同的监测点和检测时间；采取关联方法输入对应时间和空间上水质监测点水质各指标的数据，形成水质监测点水质信息数据库并实时进行更新；根据数据库中数据建立高斯过程回归模型用来对监测点各项水质指标的历史测量值进行数据分析，同时用主成分分析法建立一项综合指标来预警以监测点为中心的一定区域内近期的水质，并且在空间上采用克里金法对预测区域进行预测值计算；当水质各项指标在正常范围内且与阈值存在一定差距时则不发出预警，或当存在基础指标超出阈值或有多项基础指标临近阈值时都会使综合指标超出阈值并发出预警。
Description
技术领域
本发明涉及水体水质分析领域，具体提供一种水源地取水口附近水域的水质预警方法。
背景技术
GB5749-2022《生活饮用水卫生标准》于2022年3月15日经国家市场监督管理总局(国家标准化管理委员会)批准发布，将于2023年4月1日起实施。《生活饮用水卫生标准》自1985年首次发布GB5749-1985，2006年第一次修订，2022年为第二次修订。证明了人们对于生活饮用水的要求逐渐提高，也更加重视。水质指标大致分为物理指标、化学指标、生物指标和放射性指标。对于水源地取水口附近水域来说，人们更加注重其中物理指标的浑浊度和化学指标的pH值、溶解氧、导电率、氨氮以及耗氧量，这六项指标数据影响着水源地水质的好坏情况。
水源地取水口水域的选取对于水厂尤为重要，要考虑其设施的平均具体使用年限以及服务效益，其中辖区外来污染、原水相对封闭及工业污水影响等因素，可能会导致水源水质下降，甚至毒物超标，所以对水源地取水口水质的研究及其重要，现有技术对于水源地取水口附近水域的研究还不够透彻，不能提供更好的预警方法。
传统水质监测预警体系较为笼统，例如总系统包含有系统管理、数据采集与管理、水质分析及预测、水质预警等一系列的子系统，每一个子系统又包含许多内容，譬如系统管理模块包含有用户管理以及数据管理等，但具体做法相对模糊，并且不能专门针对某一种特定的水域或水质进行准确的水质预警，毕竟水库与河流相差甚远，水源地取水口附近水域的水质监测预警也应找到一种更适合自己的方法。
水质模型中一维水质模型和二维水质模型较为常见，其分别在预测、预报较长距离的河段水质变化方面以及水质规划、水污染综合防冶研究方面和污染物水环境行为的模拟和预测方面有重要意义，但对于具体的描述对象水源地，还需要根据取水口选取方法以及各监测点得到的具体数据建立相对于的水源地水质信息模型。
目前，有较为完备的水质分析系统以及时间和空间的数据分析方法，但并未有一套专门针对水源地取水口附近水域的水质进行数据分析的系统，导致后续净化水源等环境工程实施起来较为困难，最终效果不佳，并造成人力、物力、财力的浪费。
发明内容
针对上述无法更好的对的水源地水质进行分析及预警的问题，本发明旨在提供一种水源地取水口附近水域的水质预警方法。
本发明的目的采用以下技术方案来实现，包括如下步骤：
第(I)步骤、通过结合取水口，等间距，风向等因素对水源地水质的不同的影响，选取不同的监测点，按等距选取时间，得到不同的监测点和检测时间；
第(II)步骤、运用关联方法输入对应目前所拥有的时间和空间上不同水质监测点水质各指标数据，形成水质监测点水质信息数据库，可实时进行更新；
第(III)步骤、预测监测点周围区域的具体数据，根据数据建立水质监测点水质信息模型：根据对监测点各项水质指标的历史测量值进行数据分析，利用核主元分析(KernelPrincipal Component Analysis，简称KPCA)和引导聚集算法(Bootstrap aggregating，简称Bagging)建立高斯过程回归(Gaussian process regression，简称GPR)模型，同时用主成分分析法主成分分析法(Principal Component Analysis，简称PCA)建立一项综合指标，用综合指标来预警以监测点为中心的一定区域内近期的水质。空间上，在采用克里金法(Kriging)对预测区域进行预测值计算前先在m个监测点中b次随机采取n个点，(n＜m)每次只用n个点的数据对预测区域用克里金法进行预测值计算，重复b次。再用均值方法对合理的预测值进行融合，得到最终预测区域的预测值；
第(IV)步骤、短时间内对于即将超标指标进行综合预警：当水质各项指标在正常范围内且与阈值存在一定差距时则不发出预警。当存在基础指标超出阈值或有多项基础指标临近阈值时都会使综合指标超出阈值并发出预警。
有益效果：
1.本发明通过关联时间和空间的方法获得建立水质监测点水质的数据模型，可以更好的了解水源地水质相关变化规律，并进行短时间内对即将超标指标进行综合预警，防患于未然，使工作相关人员拥有更长时间进行准备，而且本发明可以通过不同指标对水源地水质影响的不同改变占比不同来得到不同的综合指标，大大提高了预警的实用性。
2.本发明采用滚动预警的方法，可以根据数据实时更新，来预警下一周期的水质监测点水质是否超标情况。
附图说明
图1为本发明公开的一种水源地取水口附近水域的水质预警方法的工作流程图；
图2为金墅港水源地附近五个监测点的选取；
图3为综合指标预警原理示意图；
图4为水质监测点5pH值实际与预测对比图；
图5为水质监测点5溶解氧含量实际与预测对比图；
图6为水质监测点5电导率实际与预测对比图；
图7为水质监测点5浑浊度实际与预测对比图；
图8为水质监测点5氨氮含量实际与预测对比图；
图9为水质监测点5耗氧量实际与预测对比图。
具体实施方式
为了使本技术领域的人员更好的理解本发明的方案，下面举实施例，对本发明进行详细描述。
请参阅图1，图1为一种水源地取水口附近水域的水质预警方法的工作流程示意图。本发明提供一种水源地取水口附近水域的水质预警方法，包括如下步骤：
第(I)步骤、选取监测点和检测时间。
具体的，请参阅图2，众多因素中取水口影响着人们用水的水质，作为一个重点考虑因素，图2中点2和点5是金墅港水源地的两个取水口，应作为重点监测地点，故取为监测点；可以看到5个监测点的选取呈现三角的形状，是因为本技术人员主要考虑到等间距选取监测点对于后面数据进行运算更为便利，预测更为简单；风向影响着水中微生物以及污染物的分布，并且每一种风向对水中鱼的活动都有不同的影响。
第(II)步骤、输入各指标数据，得到原始水质监测点水质信息数据库。
第(III)步骤、预测监测点周围区域的具体数据，根据数据建立水质监测点水质信息模型。
具体的，本发明的目的在于提供一种水源地取水口附近水域的水质预警方法，根据对监测点各项水质指标的历史测量值进行数据分析，利用核主元分析法和引导聚集算法建立高斯过程回归模型，同时用主成分分析法建立一项综合指标，用综合指标来预警以监测点为中心的一定区域内近期的水质。空间上，在采用克里金法对预测区域进行预测值计算前先在m个监测点中b次随机采取n个点，(n＜m)每次只用n个点的数据对预测区域用克里金法进行预测值计算，重复b次。再用均值方法对合理的预测值进行融合，得到最终预测区域的预测值。根据实时更新数据输入情况，预警下一周期水质超标情况，达到滚动预警的效果。上述方法相较传统的分析方法，不仅对水质时空数据进行了分析和预警，更进一步地提高了模型的精确度和预警精度。
用主成分分析法建立综合指标的步骤：
(一)、对原始水质指标进行标准化处理，统一各水质指标的量纲、量级；
(二)、对处理过后的水质指标进行主成分分析，根据累计方差贡献率不低于85％的原则(一般＞80％)确定主成分的个数，并计算各主成分得分；
(三)、按照各主成分的方差贡献率占所提取的主成分的累计方差贡献率的比重，对主成分得分进行加权求和，得到水质综合指标。
利用核主元分析法和引导聚集算法建立的高斯过程回归建模并预警的方法，具体步骤如下：
(一)、采用核主元分析法对训练样本集进行降维处理；
(二)、引导聚集算法有放同重复随机采样数据建立相应的高斯过程回归子模型；
(三)、根据贝叶斯后验概率(Bayesian Posterior Probability)对各子模型进行融合，得到最终的全局预测输出；
(一)中，核主元分析法通过非线性映射将输入数据投影到高维特征空间，然后在高维特征空间中对映射数据作主元分析，计算数据在非线性主元上的投影，从而提取数据特征。具体实现步骤如下：
步骤1、对水质监测点样本数据映射出协方差矩阵，对协方差矩阵进行特征分解，得到特征值，再进一步得到特征向量；
步骤2、引入核函数K，K(xi，xj)＝Kij＝[Φ(xi)，Φ(xj)]，Kij为由核函数生成的核函数矩阵，Φ为非线性变换，F为映射空间，原始数据在空间F中的像为Φ(x)；
步骤3、通过计算，将求协方差矩阵的特征值和特征向量转化为求核函数矩阵的特征值和特征向量；
步骤4、将求得的特征值按照降序排列，并将对应的特征向量单位正交化，得到a＝{a1，a2，...，an}；
步骤5、设置合适的累计贡献率阈值，提取相应主元分量a＝{a1，a2，...，at}；以主元贡献率为依据提取前t个主元，最终得到核矩阵在部分特征向量上的投影。
对水质样本集进行改进的高斯过程回归建模。此处采用引导聚集算法从训练集中有放回的随机取出b个样本，构成子训练集，重复B次，构成了B个训练集T＝{T1，T2，...TB}；
分别对这些训练集采用高斯过程回归方法进行训练，可以得到B个子模型，同时得到B个预测值M＝{M1，M2，...MB}。
为了提高引导聚集算法下高斯过程回归建模方法的精度，采用基于贝叶斯推理的后验概率加权融合方式对子模型进行融合：
新来测试样本点xq对于各子模型的权重系数为
Mi，q为测试点xq对于第i个GPR子模型的输出值；P(Mi，q)为每个子模型的先验概率；P(Mi，q|xq)为测试样本xq对于每个子模型的后验率。
采用引导聚集算法随机从原始样本中取b个样本，每个样本点被选中的概率为1/n，每个子模型的先验概率则为b/n。采用测试样本到每个子模型样本中心点的距离的倒数作为其条件概率。
各子模型中心点采用子模型样本各辅助变量的均值表示：
P(Mi，q)＝b/n，i＝1，2，...，B (3)
在空间预警中，由于通过全部监测点的观测值只对预测点进行一次指标预测值的计算存在较大的偏差概率，因此用改进的克里金法进行预测值计算有利于提高预警精度，具体步骤如下：
(一)、在m个监测点中随机选取n个监测点b次，用每次选取的b个监测点的观测值用克里金法进行预测值计算；
此处克里金法采用的变异函数为：
(二)、得到一个观测点的b个预测值后，观察是否有明显偏离的数值，即无效预测值，若有则舍去；
(三)、将剩下的数值用均值融合的方法将其进行融合，得到该预测点的最终预测值；
设观测值为Z(si)，则预测值Z(s0)与Z(si)的关系为
样本点xi对测量点x0的权重ωi的计算过程为：
其中μ为拉格朗日常数，γ(xi-xj)为xi和xj之间的变异函数值。
(四)、通过一块区域内的预测点的预测值可进行对该区域整体的预警：求出预测点的综合指标后，再用贝叶斯后验概率对各综合指标进行加权求和。
结合金墅水源地数据进行说明：
i、设5个水质监测点S1、S2、S3、S4、S5对预测点P1用克里金法的A指标预测值分别为E1、E2、E3、E4、E5；5个水质监测点对P1的权重系数用上述公式算得为c1、c2、c3、c4、c5，且c1+c2+c3+c4+c5＝1；
ii、在5个预测值中随机取3个值，取出后将值与各自水质监测点对应，乘以权重系数并累加，得到Q1的一个子预测值E1；
iii、重复随机取值的过程，用同样的方法得到E2、E3、E4、E5；
iv、将E1、E2、E3、E4、E5进行比较，若存在与其它数值有较大偏差的值，则将该值舍去。后将余下在误差范围内的子预测值用均值融合算法进行融合得到P1的A指标预测值Z；
v、相同的，Q1处其它指标算出得到相应预测值，再用主成分分析法得出的各指标方差贡献率求出综合指标；
vi、求出Q1的综合指标后，相同的，可求出P1周围预测点Q2、Q3、Q4、Q5的各基础指标与综合指标数值；
vii、再分别将各预测点的同一个基础指标预测值用贝叶斯后验概率进行融合，同时可将所得的各综合指标进行融合便得出了以Q1、Q2、Q3、Q4、Q5为中心的一片区域的基础指标和综合指标预测值；
viii、将上述值输入预警系统，实现对其他区域水质预警目的。
根据各监测点的相对坐标，结合图2可计算出相邻检测点之间的距离如下：
在空间预警上，由于预警精度随预警区域的增大而减小，因此在预警过程中需要对预警区域大小进行合理地设置。
根据上表数据可知，相邻监测点之间的平均距离为286.2米，所以可将预警区域设置为以监测点为中心，半径为280米的区域大小，从而提高预警精度。
为了对空间预警方法进行更精确的判断，采用通过已知的部分监测点对另一已知监测点进行预警的方法，将实现预警过程得到的数据与改监测点的实际数据进行对比，根据对比效果可知该方法的可行性。
对四个水质监测点采样，其各指标采值表如下：
通过数据对水质监测点5进行各项水质指标预测，得到预测图如图4至图9所示。
第(IV)步骤、短时间内对于即将超标指标进行综合预警。
具体的，当水质各项指标在正常范围内且与阈值存在一定差距时则不发出预警。当存在基础指标超出阈值或有多项基础指标临近阈值时都会使综合指标超出阈值并发出预警。综合指标预警原理示意图请参阅图3，其具体过程如下：
将综合指标按值进行1～9的等级划分；
步骤1、先用本文所属方法对基础指标进行时间和空间上的预测；
步骤2、若所得各基础指标预测值均在正常范围内，则正常地用各主成分的方差贡献率占比进行综合指标值的计算，再将所得值乘以某一常数将值按比例控制在1～9中，设此时综合指标的值为G；
步骤3、若存在一项或多项基础指标超出正常范围则直接使综合指标在值为9的基础上加1以预警；
存在一种特殊情况，即所有基础指标均在正常范围内但有多项基础指标预测值将要超出阈值，此时也应发出预警引起注意。
此时可以通过合理设置综合指标预警阈值g来帮助实现上述目的。
对综合指标的计算可以用逻辑运算辅助进行，具体步骤如下：
步骤1、将所有基础指标用“与”逻辑符连接，此处假设判断各基础指标是否超过阈值；
步骤2、进行综合计算，当存在任一为假时则直接将综合指标的值赋值为10，并发出预警；
步骤3、若所有的值均不为假，则进行综合指标的详细计算，而后再一次对综合指标数值是否超过阈值进行判断。
Claims (5)
1.一种水源地取水口附近水域的水质预警方法，其特征在于，包括如下步骤：
第(I)步骤、通过分析，得到不同的监测点和检测时间；
第(II)步骤、运用关联方法形成水质监测点水质信息数据库；
第(III)步骤、预测监测点周围区域的具体数据，根据数据建立水质监测点水质信息模型；
第(IV)步骤、短时间内对于即将超标的指标进行预警。
2.如权利要求1所述的一种水源地取水口附近水域的水质预警方法，其特征在于，所述结合取水口，等间距，风向等因素对水源地水质的不同的影响，选取不同的监测点，按等距选取时间。
3.如权利要求1所述的一种水源地取水口附近水域的水质预警方法，其特征在于，所述采取关联方法输入对应目前所拥有的时间和空间上不同水质监测点水质各指标数据，形成水质监测点水质信息数据库并实时进行更新。
4.如权利要求1所述的一种水源地取水口附近水域的水质预警方法，其特征在于，根据数据库中数据利用核主元分析(Kernel PrincipalComponent Analysis，简称KPCA)和引导聚集算法(Bootstrap aggregating，简称Bagging)建立高斯过程回归(Gaussian processregression，简称GPR)模型用来对监测点各项水质指标的历史测量值进行数据分析，同时用主成分分析法(Principal Component Analysis，简称PCA)建立一项综合指标，用综合指标来预警以监测点为中心的一定区域内近期的水质，并且在空间上采用克里金法(Kriging)对预测区域进行预测值计算。
5.如权利要求4所述的一种水源地取水口附近水域的水质预警方法，其特征在于，所述当水质各项指标在正常范围内且与阈值存在一定差距时则不发出预警。当存在基础指标超出阈值或有多项基础指标临近阈值时都会使综合指标超出阈值并发出预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210400969.2A CN114624411A (zh) | 2022-04-15 | 2022-04-15 | 一种水源地取水口附近水域的水质预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210400969.2A CN114624411A (zh) | 2022-04-15 | 2022-04-15 | 一种水源地取水口附近水域的水质预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114624411A true CN114624411A (zh) | 2022-06-14 |
Family
ID=81905626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210400969.2A Pending CN114624411A (zh) | 2022-04-15 | 2022-04-15 | 一种水源地取水口附近水域的水质预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114624411A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116308952A (zh) * | 2023-03-08 | 2023-06-23 | 浪潮智慧科技有限公司 | 一种基于无人船的水质监测方法及设备 |
-
2022
- 2022-04-15 CN CN202210400969.2A patent/CN114624411A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116308952A (zh) * | 2023-03-08 | 2023-06-23 | 浪潮智慧科技有限公司 | 一种基于无人船的水质监测方法及设备 |
| CN116308952B (zh) * | 2023-03-08 | 2023-09-22 | 浪潮智慧科技有限公司 | 一种基于无人船的水质监测方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Water quality evolution mechanism modeling and health risk assessment based on stochastic hybrid dynamic systems | |
| CN110689179A (zh) | 基于时空序列混合模型的水华预测方法 | |
| Aldrees et al. | Prediction of water quality indexes with ensemble learners: Bagging and Boosting | |
| Vicente et al. | Prediction of the quality of public water supply using artificial neural networks | |
| Nourani et al. | Estimation of suspended sediment load using artificial intelligence-based ensemble model | |
| Wen et al. | Harmful algal bloom warning based on machine learning in maritime site monitoring | |
| Sakizadeh | Assessment the performance of classification methods in water quality studies, A case study in Karaj River | |
| CN105608536A (zh) | 基于隐马尔克夫模型的食品安全风险预测方法 | |
| Hu et al. | Explore the relationship between fish community and environmental factors by machine learning techniques | |
| Vishwakarma et al. | Forecasting of stage-discharge in a non-perennial river using machine learning with gamma test | |
| Aldrees et al. | Evolutionary and ensemble machine learning predictive models for evaluation of water quality | |
| Zhu et al. | A hybrid decomposition and Machine learning model for forecasting Chlorophyll-a and total nitrogen concentration in coastal waters | |
| Singh et al. | Review on Data Mining Techniques for Prediction of Water Quality. | |
| Zamani et al. | Forecasting water quality variable using deep learning and weighted averaging ensemble models | |
| CN114624411A (zh) | 一种水源地取水口附近水域的水质预警方法 | |
| Kang et al. | Estimation of fish assessment index based on ensemble artificial neural network for aquatic ecosystem in South Korea | |
| Chaves et al. | Conceptual fuzzy neural network model for water quality simulation | |
| Jamei et al. | Monthly sodium adsorption ratio forecasting in rivers using a dual interpretable glass-box complementary intelligent system: Hybridization of ensemble TVF-EMD-VMD, Boruta-SHAP, and eXplainable GPR | |
| Keshavarzi et al. | Fuzzy clustering analysis for modeling of soil cation exchange capacity | |
| CN114864015A (zh) | 水体富营养化检测方法、装置、设备及存储介质 | |
| Tu et al. | Evaluation of seawater quality in hangzhou bay based on TS fuzzy neural network | |
| Shenbagalakshmi et al. | Determination of water quality indicator using deep hierarchical cluster analysis | |
| Liang et al. | Prediction of Optimal Coagulant Dosage Based on FCM-ISSA-ANFIS Hybrid Model | |
| Suman et al. | Development and prediction of a robust multivariate trophic state index for the classification of lentic water bodies | |
| Liu et al. | ANN-based prediction of ammonia nitrogen for wastewater discharge indicators under carbon neutral trend |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |