CN114705249A - 基于人工智能的污染物排放量监测方法及相关设备 - Google Patents
基于人工智能的污染物排放量监测方法及相关设备 Download PDFInfo
- Publication number
- CN114705249A CN114705249A CN202210372313.4A CN202210372313A CN114705249A CN 114705249 A CN114705249 A CN 114705249A CN 202210372313 A CN202210372313 A CN 202210372313A CN 114705249 A CN114705249 A CN 114705249A
- Authority
- CN
- China
- Prior art keywords
- river
- monitoring
- pollutant
- unit
- preset time
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 644
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 455
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 452
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 36
- 238000009792 diffusion process Methods 0.000 claims abstract description 144
- 230000002159 abnormal effect Effects 0.000 claims abstract description 98
- 238000003860 storage Methods 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 32
- 239000000356 contaminant Substances 0.000 claims description 19
- 230000003203 everyday effect Effects 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 16
- 238000011144 upstream manufacturing Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 101100517651 Caenorhabditis elegans num-1 gene Proteins 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 239000007800 oxidant agent Substances 0.000 description 4
- 230000001590 oxidative effect Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000001179 sorption measurement Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请提出一种基于人工智能的污染物排放量监测方法、装置、电子设备及存储介质,基于人工智能的污染物排放量监测方法包括:将目标河流划分为多个单元并构建河流单元容积模型;设置监测点并在预设时间点采集监测数据;基于河流单元容积模型和监测数据计算污染物含量以构建各预设时间点的污染物含量模型;基于污染物含量模型拟合预设污染物扩散模型以获取各河流单元的污染物扩散模型;基于污染物扩散模型获取监测点预测值,对比监测点的预测值和实测值以获取异常信息;基于污染物扩散模型计算异常信息对应河段的污染物排放量。本申请可快速定位污染物排放的目标河段,并准确计算目标河段的排放量,实现全河流内污染物排放量的实时监测。
Description
技术领域
本申请涉及信息安全技术领域,尤其涉及一种基于人工智能的污染物排放量监测方法、装置、电子设备及存储介质。
背景技术
随着现代工业飞速发展,企业产生建设中产生大量的废水排放到河流中,虽然各地区政府部门都有相关政策和手段,考虑到不同地区不同水质状况的河流污染物检测标准不一致,目前仍然没有一种合适的适用于全场景全河流的监测手段。
目前,需要花费大量的人力物力去查阅相关资料、走访实地进行勘察、研究,并利用人工的手段去计算企业污染物的排放量,然而,这种方法不能实现全河流内所有企业污染物排放量的实时监测,且得到的污染物排放量的误差较大。
发明内容
鉴于以上内容,有必要提出一种基于人工智能的污染物排放量监测方法及相关设备,以解决如何提高全河流内污染物排放量实时监测的准确性这一技术问题,其中,相关设备包括基于人工智能的污染物排放量监测装置、电子设备及存储介质。
本申请提供基于人工智能的污染物排放量监测方法,所述方法包括:
将目标河流划分为多个河流单元,并采集所有河流单元的基本信息以构建河流单元容积模型,所述河流单元的基本信息包括河床地形数据和水深数据;
等间距选取所述河流单元以获取监测点,并依据预设时间点采集每一个监测点的监测数据,所述监测数据为监测点所在河流单元的COD值,所述预设时间点包括一天内的24个整点;
基于所述河流单元容积模型和所述监测数据计算污染物含量以构建污染物含量模型,所述污染物含量模型与所述预设时间点一一对应;
基于所述污染物含量模型对预设污染物扩散模型进行拟合以获取每一个河流单元的污染物扩散模型;
基于所述污染物扩散模型获取监测点的监测数据预测值,并对比相同监测点的所述监测数据预测值和监测数据实测值以获取异常信息,所述异常信息包括相邻异常监测点以及所述异常监测点的监测数据实测值;
基于所述污染物扩散模型和所述相邻异常监测点的监测数据实测值计算所述相邻异常监测点之间的污染物排放量。
在一些实施例中,所述采集所有河流单元的基本信息以构建河流单元容积模型,所述河流单元的基本信息包括河床地形数据和水深数据,包括:
采集河流单元的基本信息以计算每一个河流单元的河流横截面积;
基于所述河流单元的河流横截面积和所述河流单元的长度计算每一个河流单元的容积;
将河流单元出现顺序和所述河流单元的容积分别作为横坐标和纵坐标以构建所述河流单元容积模型。
在一些实施例中,所述基于所述河流单元容积模型和所述监测数据计算污染物含量以构建污染物含量模型包括:
a.依据预设时间点采集连续多天内所有监测点的监测数据以获取每一个预设时间点的监测数据集;
b.按照采集日期划分目标预设时间点的监测数据集以获取每一天所述目标预设时间点对应的所有监测点的监测数据,所述目标预设时间点为多个预设时间点中的任意一个;
c.基于所述监测数据和所述河流单元容积模型计算每一天所述目标预设时间点对应的所有监测点的污染物含量;
d.将河流单元出现顺序和所述监测点的污染物含量分别作为横坐标和纵坐标以绘制每一天所述目标预设时间点对应的所有监测点的污染物含量数据点,并依据插值算法对所述污染物含量数据点进行插值得到每一天所述目标预设时间点的污染物含量子模型;
e.计算所有所述目标预设时间点的污染物含量子模型中相同河流单元污染物含量的均值以构建所述目标预设时间点的污染物含量模型;
f.重复执行步骤b到步骤e遍历所有预设时间点以构建每一个预设时间点的污染物含量模型。
在一些实施例中,所述基于所述污染物含量模型对预设污染物扩散模型进行拟合以获取每一个河流单元的污染物扩散模型包括:
a.随机挑选一个河流单元作为目标河流单元;
b.基于所有预设时间点的污染物含量模型和所述目标河流单元的容积计算所有预设时间点对应的所述目标河流单元的监测数据;
c.基于预设污染物扩散模型和所有预设时间点对应的所述目标河流单元的监测数据构建拟合公式以获取所述预设污染物扩散模型中待定系数的值,所述拟合公式满足关系式:
其中,为所述目标河流单元和下游相邻河流单元在预设时间点t的监测数据,所述监测数据为COD值,单位为mg/L;Ct-1 n为所述目标河流单元在预设时间点t-1的监测数据,单位为mg/L;vn为所述目标河流单元的容积,单位为L;an,bn为所述预设污染物扩散模型中的待定系数,其中an的单位为mg,bn的单位为1;E(an,bn)为所有预设时间点对应的所述预设污染物扩散模型预测值的误差和;
d.计算所述目标河流单元所有预设时间点污染物含量变化的均值以作为所述目标河流单元每单位时间的污染物变化量,所述单位时间为小时;
e.基于所述待定系数的值和所述目标河流单元每单位时间的污染物变化量确定河流单元的污染物扩散模型;
f.重复执行步骤a到步骤f,遍历所有河流单元以获取每一个河流单元的污染物扩散模型。
在一些实施例中,所述预设污染物扩散模型满足关系式:
其中,Sn为所述目标河流单元每单位时间的污染物变化量,单位为mg;vn为所述目标河流单元的容积,单位为L;为所述目标河流单元和下游相邻河流单元在预设时间点t的监测数据,所述监测数据为COD值,单位为mg/L;an为每单位时间内河流单元n的固定扩散量,单位为mg;bn为每单位时间内从所述目标河流单元转移到下游相邻河流单元的污染物在所述污染物变化量的占比,单位为数值1;an,bn为待定系数。
在一些实施例中,所述基于所述污染物扩散模型获取监测点的监测数据预测值,并对比相同监测点的所述监测数据预测值和监测数据实测值以获取异常信息,包括:
获取任意两个相邻监测点的监测数据实测值,所述两个相邻监测点中处于河流上游的监测点作为第一监测点,处于河流下游的监测点作为第二监测点;
基于所述第一监测点的监测数据实测值和相邻监测点之间所有河流单元的污染物扩散模型获取第二监测点的监测数据预测值;
计算所述第二监测点的所述监测数据预测值和监测数据实测值的差值作为监测数据增量值;
对比所述监测数据增量值和预设阈值以获取异常信息,所述异常信息包括所述第一监测点、所述第二监测点以及两监测点的监测数据实测值。
在一些实施例中,所述基于所述污染物扩散模型和所述相邻异常监测点的监测数据实测值计算所述相邻异常监测点之间的污染物排放量包括:
获取异常信息中的第一监测点和第二监测点以及目标河段,所述目标河段为所述第一监测点和所述第二监测点之间的河段;
基于所述第一监测点的监测数据实测值和所述第一监测点下游中河流单元的污染物扩散模型获取所述目标河段中所有河流单元的监测数据预测值,并绘制所述目标河段的污染物含量预测曲线;
基于所述第二监测点的监测数据实测值和所述第二监测点上游中河流单元的污染物扩散模型获取所述目标河段中所有河流单元的监测数据反演值,并绘制所述目标河段的污染物含量反演曲线;
基于所述污染物含量预测曲线和所述污染物含量反演曲线计算所述目标河段的污染物排放量。
本申请实施例还提供一种基于人工智能的污染物排放量监测装置,所述装置包括:
第一构建单元,用于将目标河流划分为多个河流单元,并采集所有河流单元的基本信息以构建河流单元容积模型,所述河流单元的基本信息包括河床地形数据和水深数据;
采集单元,用于等间距选取所述河流单元以获取监测点,并依据预设时间点采集每一个监测点的监测数据,所述监测数据为监测点所在河流单元的COD值,所述预设时间点包括一天内的24个整点;
第二构建单元,用于基于所述河流单元容积模型和所述监测数据计算污染物含量以构建污染物含量模型,所述污染物含量模型与所述预设时间点一一对应;
拟合单元,用于基于所述污染物含量模型对预设污染物扩散模型进行拟合以获取每一个河流单元的污染物扩散模型;
对比单元,用于基于所述污染物扩散模型获取监测点的监测数据预测值,并对比相同监测点的所述监测数据预测值和监测数据实测值以获取异常信息,所述异常信息包括相邻异常监测点以及所述异常监测点的监测数据实测值;
计算单元,用于基于所述污染物扩散模型和所述相邻异常监测点的监测数据实测值计算所述相邻异常监测点之间的污染物排放量。
本申请实施例还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;
处理器,执行所述存储器中存储的指令以实现所述的基于人工智能的污染物排放量监测方法。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述的基于人工智能的污染物排放量监测方法。
综上,本申请将目标河流划分为多个河流单元,并基于不同河流单元的容积信息以及监测数据构建不同时间点各河流单元的污染物含量,进一步利用污染物含量数据拟合每一个河流单元的污染物扩散模型,借助污染物扩散模型可以准确定位污染物排放的目标河段,并获取目标河段准确的排放量,从而实现全河流内所有企业污染物排放量的实时监测。
附图说明
图1是本申请所涉及的基于人工智能的污染物排放量监测方法的较佳实施例的流程图。
图2是本申请所涉及的河流横截面示意图。
图3是本申请所涉及的河流单元容积模型示意图。
图4是本申请所涉及的污染物含量反演曲线和污染物含量预测曲线的示意图。
图5是本申请所涉及的基于人工智能的污染物排放量监测装置的较佳实施例的功能模块图。
图6是本申请所涉及的基于人工智能的污染物排放量监测方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本申请的目的、特征和优点,下面结合附图和具体实施例对本申请进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请,所述描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
此外,术语“第一”、“第二”仅用于描述目的,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。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
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申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请实施例提供一种基于人工智能的污染物排放量监测方法,可应用于一个或者多个电子设备中,电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
电子设备可以是任何一种可与客户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
电子设备还可以包括网络设备和/或客户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云。
电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
如图1所示,是本申请基于人工智能的污染物排放量监测方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
S10,将目标河流划分为多个河流单元,并采集所有河流单元的基本信息以构建河流单元容积模型,所述河流单元的基本信息包括河床地形数据和水深数据。
在一个可选的实施例中,在一条河流中选取需要实时监测污染物排放量的河段的起点和终点以获取目标河流,从所述目标河流的起点开始,每隔预设长度对所述目标河流进行截取以获取多个河流单元,并按照截取顺序对河流单元分配唯一ID,所述河流单元ID为正整数。其中,所述预设长度为10米,即将所述目标河流被划分为多个10米的河流单元。
在一个可选的实施例中,所述采集所有河流单元的基本信息以构建河流单元容积模型,所述河流单元的基本信息包括河床地形数据和水深数据,包括:
采集河流单元的基本信息以计算每一个河流单元的河流横截面积;
基于所述河流单元的河流横截面积和所述河流单元的长度计算每一个河流单元的容积;
将河流单元出现顺序和所述河流单元的容积分别作为横坐标和纵坐标以构建所述河流单元容积模型。
该可选的实施例中,通过传统测绘技术绘制每一个河流单元的河床地形数据,所述河床地形数据为数字高程模型,可以反映河床上任意一点的高程信息;进一步利用超声传感器获取每一个河流单元中心点位置的水深数据,所述水深数据和所述河床地形数构成每一个河流单元的基本信息。
该可选的实施例中,在每一个河流单元的中心点位置做一条垂直于河流流向的虚拟线,基于该虚拟线所在河床的空间位置,提取所述河流单元的河床地形数据,绘制出河床横截面图;进一步基于河流单元的水深数据在所述河床横截面图中绘制出水位线,从而获取河流横截面图,依据所述河流横截面图可以计算出每一个河流单元的河流横截面积,所述河流横截面示意图如图2所示。
该可选的实施例中,将每一个河流单元的河流横截面积与所述预设长度相乘即可得到每一个河流单元的容积,以河流单元n为例,所述河流单元容积的计算公式如下:
vn=sn×l
其中,sn为河流单元n的河流横截面积;l为所述预设长度,该可选的实施例中取值为l=10;vn为河流单元n的容积。从所述目标河流的起点开始,以河流单元的ID信息为横坐标,以河流单元的容积为纵坐标,得到河流单元容积模型,所述河流单元容积模型如图3所示,其可以直观反映每一个河流单元的容积数据。
如此,能够完成所述目标河流的建模过程,可以直观反映目标河流中不同位置的容积数据,为后续污染物排放量的计算提供数据基础。
S11,等间距选取所述河流单元以获取监测点,并依据预设时间点采集每一个监测点的监测数据,所述监测数据为监测点所在河流单元的COD值,所述预设时间点包括一天内的24个整点。
在一个可选的实施例中,对所述目标河流等距划分,每隔固定距离选取一个河流单元,将所述河流单元作为监测点,该可选的实施例中,所述固定距离取值为1000米,记选取的监测点的数量为N,所述监测点的数量与所述目标河流的长度和所述固定距离有关,进一步将监测点所在河流单元的ID信息作为所述监测点的ID信息。
该可选的实施例中,在每一个监测点部署COD传感器,在预设时间点采集监测点的监测数据,所述监测数据为监测点所在河流单元中的COD值,所述预设时间点是指每天的每一个整点时刻采集一次监测数据,即一天之内从0点到23点可采集到24次监测数据。其中,所述COD值是指水体中易被强氧化剂氧化的还原性物质所消耗的氧化剂的量,单位为mg/L,反映污染物的浓度。
如此,能够获取每一个预设时间点对应的不同监测点的监测数据,为污染物含量模型的构建提供数据基础。
S12,基于所述河流单元容积模型和所述监测数据计算污染物含量以构建污染物含量模型,所述污染物含量模型与所述预设时间点一一对应。
在一个可选的实施例中,所述基于所述河流单元容积模型和所述监测数据计算污染物含量以构建污染物含量模型包括:
a.依据预设时间点采集连续多天内所有监测点的监测数据以获取每一个预设时间点的监测数据集;
b.按照采集日期划分目标预设时间点的监测数据集以获取每一天所述目标预设时间点对应的所有监测点的监测数据,所述目标预设时间点为多个预设时间点中的任意一个;
c.基于所述监测数据和所述河流单元容积模型计算每一天所述目标预设时间点对应的所有监测点的污染物含量;
d.将河流单元出现顺序和所述监测点的污染物含量分别作为横坐标和纵坐标以绘制每一天所述目标预设时间点对应的所有监测点的污染物含量数据点,并依据插值算法对所述污染物含量数据点进行插值得到每一天所述目标预设时间点的污染物含量子模型;
e.计算所有所述目标预设时间点的污染物含量子模型中相同河流单元污染物含量的均值以构建所述目标预设时间点的污染物含量模型;
f.重复执行步骤b到步骤e遍历所有预设时间点以构建每一个预设时间点的污染物含量模型。
在一个可选的实施例中,依据预设时间点采集连续M天内所有监测点的监测数据以获取每一个预设时间点的监测数据集,所述预设时间点的监测数据集包括M天中的每一天在所述预设时间点采集的所有监测点的COD值,本申请中所述M取值为90。需要说明的是,本申请中设置的预设时间点为一天内的24个整点,故共得到24个监测数据集,每一个监测数据集中均包含M×N个COD值,其中,N为选取的监测点的数量,M为监测数据集采集的天数。
该可选的实施例中,从所有预设时间点中任意选择一个预设时间点作为目标预设时间点。以所述目标预设时间点为t为示例,则依据预设时间点t的监测数据集和所述河流单元容积模型来构建预设时间点t的污染物含量模型包括:
A1,首先获取所述监测数据集中同一天内N个监测点对应的COD值。
A2,依据所述监测点所在河流单元的ID信息从所述河流单元容积模型中提取所述监测点对应的河流单元容积,进一步基于监测点对应的COD值和河流单元容积计算每一个监测点的污染物含量,以监测点n为例,所述污染物含量满足关系式:
hn=CODn×vn
其中,hn为所述监测点n所在河流单元的污染物含量;CODn为监测点n对应的COD数值;vn为监测点n所在河流单元的容积。按照同样的方法获得同一天内N个监测点所在河流单元的污染物含量。
A3,该可选的实施例中,以河流单元ID为横坐标,以河流单元污染物含量为纵坐标,在二维平面上绘制N个监测点对应的数据点,由于无污染物排放的情况下,相邻监测点之间河流单元的污染物含量不会出现突变,故可以使用插值算法对监测点的污染物含量进行插值以获取所述目标河流中每一个河流单元的污染物含量,得到预设时间t的污染物含量子模型,至此,依据同一天在预设时间点t采集的N个COD值构建了一个预设时间t的污染物含量子模型,其中,所述插值算法为单线性插值,可以通过一系列已知的数据点来预测未知数据点。
A4,遍历预设时间点t的监测数据集,对每一天内N个监测点的COD值按照步骤A1到A3的方法进行处理以获取M个预设时间t的污染物含量子模型,其中,M为所述监测数据集采集的天数,所述污染物含量子模型与所述监测数据集采集的M天一一对应。
A5,计算M个所述预设时间t的污染物含量子模型中相同河流单元的污染物含量的均值以作为每一个河流单元的平均污染物含量,所述河流单元的平均污染物含量满足关系式:
其中,为河流单元n的平均污染物含量;为第i个污染物含量子模型中河流单元n的污染物含量;M为所述污染物含量子模型总数,以所述河流单元的平均污染物含量为纵坐标,以所述河流单元的ID信息为横坐标,得到所述预设时间点t的污染物含量模型,所述预设时间点t的污染物含量模型可以表征预设时间点t时每一个河流单元的平均污染物含量。
该可选的实施例中,按照步骤A1到A5的步骤获取每一个预设时间点的污染物含量模型,该可选的实施例中共得到24个污染物含量模型,所述污染物含量模型可以反映不同预设时间点对应的每一个河流单元的平均污染物含量。
如此,能够获取每一个预设时间点的污染物含量模型,为后续拟合污染物扩散模型提供数据基础,所述污染物含量模型考虑了不同河流单元的基本信息,保障后续污染物排放量计算结果的准确性。
S13,基于所述污染物含量模型对预设污染物扩散模型进行拟合以获取每一个河流单元的污染物扩散模型。
在一个可选的实施例中,所述基于所述污染物含量模型对预设污染物扩散模型进行拟合以获取每一个河流单元的污染物扩散模型包括:
a.随机挑选一个河流单元作为目标河流单元;
b.基于所有预设时间点的污染物含量模型和所述目标河流单元的容积计算所有预设时间点对应的所述目标河流单元的监测数据;
c.基于预设污染物扩散模型和所有预设时间点对应的所述目标河流单元的监测数据构建拟合公式以获取所述预设污染物扩散模型中待定系数的值;
d.计算所述目标河流单元所有预设时间点污染物含量变化的均值以作为所述目标河流单元每单位时间的污染物变化量,所述单位时间为小时,所述单位时间为小时;
e.基于所述待定系数的值和所述目标河流单元每单位时间的污染物变化量确定河流单元的污染物扩散模型;
f.重复执行步骤a到步骤f,遍历所有河流单元以获取每一个河流单元的污染物扩散模型。
在一个可选的实施例中,每一个河流单元的污染物的含量变化主要包括两部分:第一部分是受水中泥沙颗粒的吸附等与河流自净能力相关的部分,将该部分称为固定扩散量,所述固定扩散量与河流水质和河流横截面积相关;另一部分为随着水流流向下一个河流单元的部分,将该部分称为转移扩散量,所述转移扩散量与污染物含量有关,所述污染物含量与监测数据(COD值)有关,则河流单元n的所述预设污染物扩散模型满足关系:
其中,Sn为河流单元n每单位时间的污染物变化量,所述单位时间为小时,单位为mg;vn为河流单元n的容积,单位为L;分别为预设时间点t采集到的河流单元n与下游相邻河流单元n+1的监测数据,所述监测数据为COD值,单位为mg/L;an为每单位时间内河流单元n的固定扩散量,单位为mg;为预设时间点t时河流单元n的转移扩散量,bn为每单位时间内从河流单元n转移到河流单元n+1的污染物在所述总污染物变化量的占比;an,bn为待定系数,相同河流单元对应的an,bn是相同的。
基于每一个预设时间点的所述污染物含量模型拟合每一个河流单元的所述预设污染物扩散模型得到河流单元的污染物扩散模型,以目标河流单元为河流单元n为示例,详细描述河流单元n的污染物扩散模型的拟合过程:
A1,首先基于河流单元n从每一个预设时间点的污染物含量模型中提取所述河流单元n的污染物含量(会提取出24个),获取河流单元n的容积vn,计算所述每一个预设时间点对应的河流单元n的污染物含量与所述河流单元n的容积vn的比值即可得到每一个预设时间点对应的河流单元n的监测数据(COD值),将预设时间点t河流单元n的监测数据记为
A2,利用每一个预设时间点对应的河流单元n的监测数据对预设污染物扩散模型进行拟合以确定待定系数an,bn的数值,使得所述预设污染物扩散模型的输出结果Sn与真实值差距最小,拟合公式如下:
其中,为河流单元n和河流单元n+1在预设时间点t的监测数据,所述监测数据为COD值,单位为mg/L;为河流单元n在预设时间点t获得的污染物变化量的预测值;Ct-1 n为河流单元n在预设时间点t-1的监测数据,单位为mg/L;为河流单元n在预设时间点t污染物变化量的真实值;E(an,bn)为所有预设时间点对应的所述预测值的误差和,E(an,bn)的数值越小,则表示待定系数an,bn的数值越准确,其中an的单位为mg,bn的单位为1。
A3,通过最小二乘法对所述拟合公式进行求解可以确定待定系数an,bn的具体数值,所述最小二乘法可以通过最小化误差的平方和来简便地求得未知的数据。
A4,进一步计算河流单元n在所有预设时间点污染物变化量真实值的平均值作为所述河流单元n每单位时间的污染物变化量Sn,所述河流单元n每单位时间的污染物变化量Sn的计算公式如下:
其中,为河流单元n在预设时间点t污染物变化量的真实值;vn为河流单元n的容积;Sn与水质和河流单元的基本信息相关,由于所述水质和所述河流单元的基本信息不变,本申请忽略所述河流单元n每单位时间的污染物变化量Sn的微小变化,认为所述河流单元n每单位时间的污染物变化量Sn保持不变。
A5,至此,获取河流单元n的污染物扩散模型,所述河流单元n的污染物扩散模型满足关系式:
其中,Sn,an,bn,vn均为已知值,故在任意预设时间点仅需要获取河流单元n的监测数据,即可借助所述河流单元n的污染物扩散模型获取相同预设时间点对应的河流单元n+1的监测数据预测值。
该可选的实施例中,按照所述河流单元n的污染物扩散模型的拟合过程获取每一个河流单元的污染物扩散模型。
示例性的,假设在河流单元5内有一个监测点,且河流单元5的污染物扩散模型为:
其中,S5,a5,b5,v5均为已知的固定值,在预设时间点3点时监测点采集的监测数据为具体数值,记为(mg/L),则依据所述河流单元5的污染物扩散模型即可获取预设时间点3点时河流单元6的监测数据预测值为:
如此,能够基于每一个预设时间点的污染物含量模型对预设污染物扩散模型进行拟合,获取目标河流中每一个河流单元的污染物扩散模型,利用河流单元n的污染物扩散模型,可以在已知预设时间点t时河流单元n的监测数据的情况下,获取相同预设时间点t时河流下游相邻河流单元n+1的监测数据预测值。
S14,基于所述污染物扩散模型获取监测点的监测数据预测值,并对比相同监测点的所述监测数据预测值和监测数据实测值以获取异常信息,所述异常信息包括相邻异常监测点以及所述异常监测点的监测数据实测值。
一个可选的实施例中,所述基于所述污染物扩散模型获取监测点的监测数据预测值,并对比相同监测点的所述监测数据预测值和监测数据实测值以获取异常信息,包括:
获取任意两个相邻监测点的监测数据实测值,所述两个相邻监测点中处于河流上游的监测点作为第一监测点,处于河流下游的监测点作为第二监测点;
基于所述第一监测点的监测数据实测值和相邻监测点之间所有河流单元的污染物扩散模型获取第二监测点的监测数据预测值;
计算所述第二监测点的所述监测数据预测值和监测数据实测值的差值作为监测数据增量值;
对比所述监测数据增量值和预设阈值以获取异常信息,所述异常信息包括所述第一监测点、所述第二监测点以及两监测点的监测数据实测值。
一个可选的实施例中,在预设时间点t采集所有监测点的监测数据,获取任意两个相邻监测点的监测数据实测值,在所述两个相邻的监测点中,将位于河流上游的监测点作为第一监测点,将位于河流下游的监测点作为第二监测点,需要说明的是,两个相邻的监测点之间包含多个河流单元,将所述第一监测点所在河流单元记为k,将两个相邻的监测点之间包含的河流单元数量记为Num,则所述第二监测点所在河流单元为k+Num。
该可选的实施例中,将预设时间点t时第一监测点的监测数据实测值送入所述第一监测点所在河流单元k的污染物扩散模型中,得到预设时间点t时河流单元k+1的监测数据预测值;进一步将所述河流单元k+1的监测数据预测值送入所述河流单元k+1的污染物扩散模型,得到预设时间点t时河流单元k+2的监测数据预测值;重复执行上述步骤得到预设时间点t时河流单元k+Num的监测数据预测值。
该可选的实施例中,所述预设时间点t时第二监测点的监测数据实测值即为所述预设时间点t时河流单元k+Num的监测数据实测值,用所述预设时间点t时河流单元k+Num的监测数据实测值减去所述监测数据预测值获取监测数据增量值,若所述监测数据增量值不大于预设阈值,表示监测数据实测值与监测数据预测值差异较小,则在所述第一监测点和所述第二监测点之间不存在污染物排放的情况;若所述监测数据增量值大于预设阈值,表示监测数据实测值与监测数据预测值差异较大,则在所述第一监测点和所述第二监测点之间产生了新的污染物,存在污染物排放的情况,此时将所述第一监测点和所述第二监测点作为相邻异常监测点,储存所述相邻异常监测点所在河流单元以及预设时间点t时所述相邻异常监测点的监测数据实测值以构成一组异常信息。
该可选的实施例中,相同预设时间点对应的任意两个相邻监测点是否为所述相邻异常监测点的判断过程相互独立的,在每一个预设时间点对应的遍历所有的监测点得到所有的异常信息。
如此,在每一个预设时间点对应的采集所有的监测点数据,能够准确判断定位目标河流中有污染物排放的区域,获取所有的异常信息以用于污染物排放量的计算。
S15,基于所述污染物扩散模型和所述相邻异常监测点的监测数据实测值计算所述相邻异常监测点之间的污染物排放量。
在一个可选的实施例中,所述基于所述污染物扩散模型和所述相邻异常监测点的监测数据实测值计算所述相邻异常监测点之间的污染物排放量包括:
获取异常信息中的第一监测点和第二监测点以及目标河段,所述目标河段为所述第一监测点和所述第二监测点之间的河段;
基于所述第一监测点的监测数据实测值和所述第一监测点下游中河流单元的污染物扩散模型获取所述目标河段中所有河流单元的监测数据预测值,并绘制所述目标河段的污染物含量预测曲线;
基于所述第二监测点的监测数据实测值和所述第二监测点上游中河流单元的污染物扩散模型获取所述目标河段中所有河流单元的监测数据反演值,并绘制所述目标河段的污染物含量反演曲线;
基于所述污染物含量预测曲线和所述污染物含量反演曲线计算所述目标河段的污染物排放量。
在一个可选的实施例中,一组异常信息对应一个相邻监测点之间的河段,基于一组异常信息可以获取对应河段的污染物排放量,且每一组异常信息计算污染物排放量的计算方法相同。以一组异常信息为例进行说明,所述异常信息包括:第一监测点所在河流单元k、第二监测点所在河流单元k+Num、预设时间点t时第一监测点的监测数据实测值预设时间点t时第二监测点的监测数据实测值其中,所述第一监测点和所述第二监测点之间为所述异常信息的目标河段,所述目标河段包括Num个河流单元。
该可选的实施例中,首先将预设时间点t时第一监测点的监测数据实测值送入所述第一监测点所在河流单元k的污染物扩散模型 中,得到预设时间点t时河流单元k+1的监测数据预测值进一步基于所述监测数据预测值和河流单元k+1的污染物扩散模型得到预设时间点t时河流单元k+2的监测数据预测值重复执行上述步骤得到预设时间点t时所述第一监测点和所述第二监测点之间Num个河流单元的监测数据预测值,将所述Num个河流单元的监测数据预测值于所述河流单元的容积相乘,得到所述Num个河流单元的污染物预测含量;以所述Num个河流单元的ID信息为横坐标,以所述Num个河流单元的污染物预测含量为纵坐标,得到所述异常信息对应目标河段的污染物含量预测曲线,所述污染物含量预测曲线包括所述目标河段中每一个河流单元的污染物预测含量。
该可选的实施例中,首先将预设时间点t时第二监测点的监测数据实测值送入河流单元k+Num-1的污染物扩散模型 中,得到预设时间点t时河流单元k+Num-1的监测数据反演值所述河流单元k+Num-1为第二监测点上游相邻的河流单元;进一步基于所述监测数据反演值和河流单元k+Num-2的污染物扩散模型得到预设时间点t时河流单元k+Num-2的监测数据反演值重复执行上述步骤得到预设时间点t时所述第一监测点和所述第二监测点之间Num个河流单元的监测数据反演值,将所述Num个河流单元的监测数据反演值于所述河流单元的容积相乘,得到所述Num个河流单元的污染物反演含量;以所述Num个河流单元的ID信息为横坐标,以所述Num个河流单元的污染物反演含量为纵坐标,得到所述异常信息对应目标河段的污染物含量反演曲线,所述污染物含量反演曲线包括所述目标河段中每一个河流单元的污染物反演含量。
该可选的实施例中,所述污染物含量反演曲线和所述污染物含量预测曲线围成的面积即为所述异常信息对应的河段中过去一个小时的污染物排放量,所述过去一个小时即为预设时间点t-1和预设时间点t之间的时间,所述污染物含量反演曲线和所述污染物含量预测曲线如图4所示。
该可选的实施例中,所述异常信息对应的河段中过去一个小时的污染物排放量即为位于所述河段中企业的污染物排放量。由于预设时间点为每隔一小时采集一次监测数据,故每小时会对所述目标河流进行一次污染物排放量的计算。
如此,可以每小时自动实现所述目标河流中所有异常信息对应河段内的污染物排放量的计算,且仅对异常信息对应河段进行计算,降低了计算量。
由以上技术方案可以看出,本申请将目标河流划分为多个河流单元,并基于不同河流单元的容积信息以及监测数据构建不同时间点各河流单元的污染物含量,进一步利用污染物含量数据拟合每一个河流单元的污染物扩散模型,借助污染物扩散模型可以准确定位污染物排放的目标河段,并获取目标河段准确的排放量,从而实现全河流内所有企业污染物排放量的实时监测。
请参见图5,图5是本申请基于人工智能的污染物排放量监测装置的较佳实施例的功能模块图。基于人工智能的污染物排放量监测装置11包括第一构建单元110、采集单元111、第二构建单元112、拟合单元113、对比单元114、计算单元115。本申请所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
在一个可选的实施例中,第一构建单元110用于将目标河流划分为多个河流单元,并采集所有河流单元的基本信息以构建河流单元容积模型,所述河流单元的基本信息包括河床地形数据和水深数据。
在一个可选的实施例中,在一条河流中选取需要实时监测污染物排放量的河段的起点和终点以获取目标河流,从所述目标河流的起点开始,每隔预设长度对所述目标河流进行截取以获取多个河流单元,并按照截取顺序对河流单元分配唯一ID,所述河流单元ID为正整数。其中,所述预设长度为10米,即将所述目标河流被划分为多个10米的河流单元。
在一个可选的实施例中,所述采集所有河流单元的基本信息以构建河流单元容积模型,所述河流单元的基本信息包括河床地形数据和水深数据,包括:
采集河流单元的基本信息以计算每一个河流单元的河流横截面积;
基于所述河流单元的河流横截面积和所述河流单元的长度计算每一个河流单元的容积;
将河流单元出现顺序和所述河流单元的容积分别作为横坐标和纵坐标以构建所述河流单元容积模型。
该可选的实施例中,通过传统测绘技术绘制每一个河流单元的河床地形数据,所述河床地形数据为数字高程模型,可以反映河床上任意一点的高程信息;进一步利用超声传感器获取每一个河流单元中心点位置的水深数据,所述水深数据和所述河床地形数构成每一个河流单元的基本信息。
该可选的实施例中,在每一个河流单元的中心点位置做一条垂直于河流流向的虚拟线,基于该虚拟线所在河床的空间位置,提取所述河流单元的河床地形数据,绘制出河床横截面图;进一步基于河流单元的水深数据在所述河床横截面图中绘制出水位线,从而获取河流横截面图,依据所述河流横截面图可以计算出每一个河流单元的河流横截面积,所述河流横截面示意图如图2所示。
该可选的实施例中,将每一个河流单元的河流横截面积与所述预设长度相乘即可得到每一个河流单元的容积,以河流单元n为例,所述河流单元容积的计算公式如下:
vn=sn×l
其中,sn为河流单元n的河流横截面积;l为所述预设长度,该可选的实施例中取值为l=10;vn为河流单元n的容积。从所述目标河流的起点开始,以河流单元的ID信息为横坐标,以河流单元的容积为纵坐标,得到河流单元容积模型,所述河流单元容积模型如图3所示,其可以直观反映每一个河流单元的容积数据。
在一个可选的实施例中,采集单元111用于等间距选取所述河流单元以获取监测点,并依据预设时间点采集每一个监测点的监测数据,所述监测数据为监测点所在河流单元的COD值,所述预设时间点包括一天内的24个整点。
在一个可选的实施例中,对所述目标河流等距划分,每隔固定距离选取一个河流单元,将所述河流单元作为监测点,该可选的实施例中,所述固定距离取值为1000米,记选取的监测点的数量为N,所述监测点的数量与所述目标河流的长度和所述固定距离有关,进一步将监测点所在河流单元的ID信息作为所述监测点的ID信息。
该可选的实施例中,在每一个监测点部署COD传感器,在预设时间点采集监测点的监测数据,所述监测数据为监测点所在河流单元中的COD值,所述预设时间点是指每天的每一个整点时刻采集一次监测数据,即一天之内从0点到23点可采集到24次监测数据。其中,所述COD值是指水体中易被强氧化剂氧化的还原性物质所消耗的氧化剂的量,单位为mg/L,反映污染物的浓度。
在一个可选的实施例中,第二构建单元112用于基于所述河流单元容积模型和所述监测数据计算污染物含量以构建污染物含量模型,所述污染物含量模型与所述预设时间点一一对应。
在一个可选的实施例中,所述基于所述河流单元容积模型和所述监测数据计算污染物含量以构建污染物含量模型包括:
a.依据预设时间点采集连续多天内所有监测点的监测数据以获取每一个预设时间点的监测数据集;
b.按照采集日期划分目标预设时间点的监测数据集以获取每一天所述目标预设时间点对应的所有监测点的监测数据,所述目标预设时间点为多个预设时间点中的任意一个;
c.基于所述监测数据和所述河流单元容积模型计算每一天所述目标预设时间点对应的所有监测点的污染物含量;
d.将河流单元出现顺序和所述监测点的污染物含量分别作为横坐标和纵坐标以绘制每一天所述目标预设时间点对应的所有监测点的污染物含量数据点,并依据插值算法对所述污染物含量数据点进行插值得到每一天所述目标预设时间点的污染物含量子模型;
e.计算所有所述目标预设时间点的污染物含量子模型中相同河流单元污染物含量的均值以构建所述目标预设时间点的污染物含量模型;
f.重复执行步骤b到步骤e遍历所有预设时间点以构建每一个预设时间点的污染物含量模型。
在一个可选的实施例中,依据预设时间点采集连续M天内所有监测点的监测数据以获取每一个预设时间点的监测数据集,所述预设时间点的监测数据集包括M天中的每一天在所述预设时间点采集的所有监测点的COD值,本申请中所述M取值为90。需要说明的是,本申请中设置的预设时间点为一天内的24个整点,故共得到24个监测数据集,每一个监测数据集中均包含M×N个COD值,其中,N为选取的监测点的数量,M为监测数据集采集的天数。
该可选的实施例中,从所有预设时间点中任意选择一个预设时间点作为目标预设时间点。以所述目标预设时间点为t为示例,则依据预设时间点t的监测数据集和所述河流单元容积模型来构建预设时间点t的污染物含量模型包括:
A1,首先获取所述监测数据集中同一天内N个监测点对应的COD值。
A2,依据所述监测点所在河流单元的ID信息从所述河流单元容积模型中提取所述监测点对应的河流单元容积,进一步基于监测点对应的COD值和河流单元容积计算每一个监测点的污染物含量,以监测点n为例,所述污染物含量满足关系式:
hn=CODn×vn
其中,hn为所述监测点n所在河流单元的污染物含量;CODn为监测点n对应的COD数值;vn为监测点n所在河流单元的容积。按照同样的方法获得同一天内N个监测点所在河流单元的污染物含量。
A3,该可选的实施例中,以河流单元ID为横坐标,以河流单元污染物含量为纵坐标,在二维平面上绘制N个监测点对应的数据点,由于无污染物排放的情况下,相邻监测点之间河流单元的污染物含量不会出现突变,故可以使用插值算法对监测点的污染物含量进行插值以获取所述目标河流中每一个河流单元的污染物含量,得到预设时间t的污染物含量子模型,至此,依据同一天在预设时间点t采集的N个COD值构建了一个预设时间t的污染物含量子模型,其中,所述插值算法为单线性插值,可以通过一系列已知的数据点来预测未知数据点。
A4,遍历预设时间点t的监测数据集,对每一天内N个监测点的COD值按照步骤A1到A3的方法进行处理以获取M个预设时间t的污染物含量子模型,其中,M为所述监测数据集采集的天数,所述污染物含量子模型与所述监测数据集采集的M天一一对应。
A5,计算M个所述预设时间t的污染物含量子模型中相同河流单元的污染物含量的均值以作为每一个河流单元的平均污染物含量,所述河流单元的平均污染物含量满足关系式:
其中,为河流单元n的平均污染物含量;为第i个污染物含量子模型中河流单元n的污染物含量;M为所述污染物含量子模型总数,以所述河流单元的平均污染物含量为纵坐标,以所述河流单元的ID信息为横坐标,得到所述预设时间点t的污染物含量模型,所述预设时间点t的污染物含量模型可以表征预设时间点t时每一个河流单元的平均污染物含量。
该可选的实施例中,按照步骤A1到A5的步骤获取每一个预设时间点的污染物含量模型,该可选的实施例中共得到24个污染物含量模型,所述污染物含量模型可以反映不同预设时间点对应的每一个河流单元的平均污染物含量。
在一个可选的实施例中,拟合单元113用于基于所述污染物含量模型对预设污染物扩散模型进行拟合以获取每一个河流单元的污染物扩散模型。
在一个可选的实施例中,所述基于所述污染物含量模型对预设污染物扩散模型进行拟合以获取每一个河流单元的污染物扩散模型包括:
a.随机挑选一个河流单元作为目标河流单元;
b.基于所有预设时间点的污染物含量模型和所述目标河流单元的容积计算所有预设时间点对应的所述目标河流单元的监测数据;
c.基于预设污染物扩散模型和所有预设时间点对应的所述目标河流单元的监测数据构建拟合公式以获取所述预设污染物扩散模型中待定系数的值;
d.计算所述目标河流单元所有预设时间点污染物含量变化的均值以作为所述目标河流单元每单位时间的污染物变化量,所述单位时间为小时,所述单位时间为小时;
e.基于所述待定系数的值和所述目标河流单元每单位时间的污染物变化量确定河流单元的污染物扩散模型;
f.重复执行步骤a到步骤f,遍历所有河流单元以获取每一个河流单元的污染物扩散模型。
在一个可选的实施例中,每一个河流单元的污染物的含量变化主要包括两部分:第一部分是受水中泥沙颗粒的吸附等与河流自净能力相关的部分,将该部分称为固定扩散量,所述固定扩散量与河流水质和河流横截面积相关;另一部分为随着水流流向下一个河流单元的部分,将该部分称为转移扩散量,所述转移扩散量与污染物含量有关,所述污染物含量与监测数据(COD值)有关,则河流单元n的所述预设污染物扩散模型满足关系:
其中,Sn为河流单元n每单位时间的污染物变化量,所述单位时间为小时,单位为mg;vn为河流单元n的容积,单位为L;分别为预设时间点t采集到的河流单元n与下游相邻河流单元n+1的监测数据,所述监测数据为COD值,单位为mg/L;an为每单位时间内河流单元n的固定扩散量,单位为mg;为预设时间点t时河流单元n的转移扩散量,bn为每单位时间内从河流单元n转移到河流单元n+1的污染物在所述总污染物变化量的占比;an,bn为待定系数,相同河流单元对应的an,bn是相同的。
基于每一个预设时间点的所述污染物含量模型拟合每一个河流单元的所述预设污染物扩散模型得到河流单元的污染物扩散模型,以目标河流单元为河流单元n为示例,详细描述河流单元n的污染物扩散模型的拟合过程:
A1,首先基于河流单元n从每一个预设时间点的污染物含量模型中提取所述河流单元n的污染物含量(会提取出24个),获取河流单元n的容积vn,计算所述每一个预设时间点对应的河流单元n的污染物含量与所述河流单元n的容积vn的比值即可得到每一个预设时间点对应的河流单元n的监测数据(COD值),将预设时间点t河流单元n的监测数据记为
A2,利用每一个预设时间点对应的河流单元n的监测数据对预设污染物扩散模型进行拟合以确定待定系数an,bn的数值,使得所述预设污染物扩散模型的输出结果Sn与真实值差距最小,拟合公式如下:
其中,为河流单元n和河流单元n+1在预设时间点t的监测数据,所述监测数据为COD值,单位为mg/L;为河流单元n在预设时间点t获得的污染物变化量的预测值;Ct-1 n为河流单元n在预设时间点t-1的监测数据,单位为mg/L;为河流单元n在预设时间点t污染物变化量的真实值;E(an,bn)为所有预设时间点对应的所述预测值的误差和,E(an,bn)的数值越小,则表示待定系数an,bn的数值越准确,其中an的单位为mg,bn的单位为1。
A3,通过最小二乘法对所述拟合公式进行求解可以确定待定系数an,bn的具体数值,所述最小二乘法可以通过最小化误差的平方和来简便地求得未知的数据。
A4,进一步计算河流单元n在所有预设时间点污染物变化量真实值的平均值作为所述河流单元n每单位时间的污染物变化量Sn,所述河流单元n每单位时间的污染物变化量Sn的计算公式如下:
其中,为河流单元n在预设时间点t污染物变化量的真实值;vn为河流单元n的容积;Sn与水质和河流单元的基本信息相关,由于所述水质和所述河流单元的基本信息不变,本申请忽略所述河流单元n每单位时间的污染物变化量Sn的微小变化,认为所述河流单元n每单位时间的污染物变化量Sn保持不变。
A5,至此,获取河流单元n的污染物扩散模型,所述河流单元n的污染物扩散模型满足关系式:
其中,Sn,an,bn,vn均为已知值,故在任意预设时间点仅需要获取河流单元n的监测数据,即可借助所述河流单元n的污染物扩散模型获取相同预设时间点对应的河流单元n+1的监测数据预测值。
该可选的实施例中,按照所述河流单元n的污染物扩散模型的拟合过程获取每一个河流单元的污染物扩散模型。
示例性的,假设在河流单元5内有一个监测点,且河流单元5的污染物扩散模型为:
其中,S5,a5,b5,v5均为已知的固定值,在预设时间点3点时监测点采集的监测数据为具体数值,记为(mg/L),则依据所述河流单元5的污染物扩散模型即可获取预设时间点3点时河流单元6的监测数据预测值为:
在一个可选的实施例中,对比单元114用于基于所述污染物扩散模型获取监测点的监测数据预测值,并对比相同监测点的所述监测数据预测值和监测数据实测值以获取异常信息,所述异常信息包括相邻异常监测点以及所述异常监测点的监测数据实测值。
一个可选的实施例中,所述基于所述污染物扩散模型获取监测点的监测数据预测值,并对比相同监测点的所述监测数据预测值和监测数据实测值以获取异常信息,包括:
获取任意两个相邻监测点的监测数据实测值,所述两个相邻监测点中处于河流上游的监测点作为第一监测点,处于河流下游的监测点作为第二监测点;
基于所述第一监测点的监测数据实测值和相邻监测点之间所有河流单元的污染物扩散模型获取第二监测点的监测数据预测值;
计算所述第二监测点的所述监测数据预测值和监测数据实测值的差值作为监测数据增量值;
对比所述监测数据增量值和预设阈值以获取异常信息,所述异常信息包括所述第一监测点、所述第二监测点以及两监测点的监测数据实测值。
一个可选的实施例中,在预设时间点t采集所有监测点的监测数据,获取任意两个相邻监测点的监测数据实测值,在所述两个相邻的监测点中,将位于河流上游的监测点作为第一监测点,将位于河流下游的监测点作为第二监测点,需要说明的是,两个相邻的监测点之间包含多个河流单元,将所述第一监测点所在河流单元记为k,将两个相邻的监测点之间包含的河流单元数量记为Num,则所述第二监测点所在河流单元为k+Num。
该可选的实施例中,将预设时间点t时第一监测点的监测数据实测值送入所述第一监测点所在河流单元k的污染物扩散模型中,得到预设时间点t时河流单元k+1的监测数据预测值;进一步将所述河流单元k+1的监测数据预测值送入所述河流单元k+1的污染物扩散模型,得到预设时间点t时河流单元k+2的监测数据预测值;重复执行上述步骤得到预设时间点t时河流单元k+Num的监测数据预测值。
该可选的实施例中,所述预设时间点t时第二监测点的监测数据实测值即为所述预设时间点t时河流单元k+Num的监测数据实测值,用所述预设时间点t时河流单元k+Num的监测数据实测值减去所述监测数据预测值获取监测数据增量值,若所述监测数据增量值不大于预设阈值,表示监测数据实测值与监测数据预测值差异较小,则在所述第一监测点和所述第二监测点之间不存在污染物排放的情况;若所述监测数据增量值大于预设阈值,表示监测数据实测值与监测数据预测值差异较大,则在所述第一监测点和所述第二监测点之间产生了新的污染物,存在污染物排放的情况,此时将所述第一监测点和所述第二监测点作为相邻异常监测点,储存所述相邻异常监测点所在河流单元以及预设时间点t时所述相邻异常监测点的监测数据实测值以构成一组异常信息。
该可选的实施例中,相同预设时间点对应的任意两个相邻监测点是否为所述相邻异常监测点的判断过程相互独立的,在每一个预设时间点对应的遍历所有的监测点得到所有的异常信息。
在一个可选的实施例中,计算单元115用于基于所述污染物扩散模型和所述相邻异常监测点的监测数据实测值计算所述相邻异常监测点之间的污染物排放量。
在一个可选的实施例中,所述基于所述污染物扩散模型和所述相邻异常监测点的监测数据实测值计算所述相邻异常监测点之间的污染物排放量包括:
获取异常信息中的第一监测点和第二监测点以及目标河段,所述目标河段为所述第一监测点和所述第二监测点之间的河段;
基于所述第一监测点的监测数据实测值和所述第一监测点下游中河流单元的污染物扩散模型获取所述目标河段中所有河流单元的监测数据预测值,并绘制所述目标河段的污染物含量预测曲线;
基于所述第二监测点的监测数据实测值和所述第二监测点上游中河流单元的污染物扩散模型获取所述目标河段中所有河流单元的监测数据反演值,并绘制所述目标河段的污染物含量反演曲线;
基于所述污染物含量预测曲线和所述污染物含量反演曲线计算所述目标河段的污染物排放量。
在一个可选的实施例中,一组异常信息对应一个相邻监测点之间的河段,基于一组异常信息可以获取对应河段的污染物排放量,且每一组异常信息计算污染物排放量的计算方法相同。以一组异常信息为例进行说明,所述异常信息包括:第一监测点所在河流单元k、第二监测点所在河流单元k+Num、预设时间点t时第一监测点的监测数据实测值预设时间点t时第二监测点的监测数据实测值其中,所述第一监测点和所述第二监测点之间为所述异常信息的目标河段,所述目标河段包括Num个河流单元。
该可选的实施例中,首先将预设时间点t时第一监测点的监测数据实测值送入所述第一监测点所在河流单元k的污染物扩散模型 中,得到预设时间点t时河流单元k+1的监测数据预测值进一步基于所述监测数据预测值和河流单元k+1的污染物扩散模型得到预设时间点t时河流单元k+2的监测数据预测值重复执行上述步骤得到预设时间点t时所述第一监测点和所述第二监测点之间Num个河流单元的监测数据预测值,将所述Num个河流单元的监测数据预测值于所述河流单元的容积相乘,得到所述Num个河流单元的污染物预测含量;以所述Num个河流单元的ID信息为横坐标,以所述Num个河流单元的污染物预测含量为纵坐标,得到所述异常信息对应目标河段的污染物含量预测曲线,所述污染物含量预测曲线包括所述目标河段中每一个河流单元的污染物预测含量。
该可选的实施例中,首先将预设时间点t时第二监测点的监测数据实测值送入河流单元k+Num-1的污染物扩散模型 中,得到预设时间点t时河流单元k+Num-1的监测数据反演值所述河流单元k+Num-1为第二监测点上游相邻的河流单元;进一步基于所述监测数据反演值和河流单元k+Num-2的污染物扩散模型得到预设时间点t时河流单元k+Num-2的监测数据反演值重复执行上述步骤得到预设时间点t时所述第一监测点和所述第二监测点之间Num个河流单元的监测数据反演值,将所述Num个河流单元的监测数据反演值于所述河流单元的容积相乘,得到所述Num个河流单元的污染物反演含量;以所述Num个河流单元的ID信息为横坐标,以所述Num个河流单元的污染物反演含量为纵坐标,得到所述异常信息对应目标河段的污染物含量反演曲线,所述污染物含量反演曲线包括所述目标河段中每一个河流单元的污染物反演含量。
该可选的实施例中,所述污染物含量反演曲线和所述污染物含量预测曲线围成的面积即为所述异常信息对应的河段中过去一个小时的污染物排放量,所述过去一个小时即为预设时间点t-1和预设时间点t之间的时间,所述污染物含量反演曲线和所述污染物含量预测曲线如图4所示。
该可选的实施例中,所述异常信息对应的河段中过去一个小时的污染物排放量即为位于所述河段中企业的污染物排放量。由于预设时间点为每隔一小时采集一次监测数据,故每小时会对所述目标河流进行一次污染物排放量的计算。
由以上技术方案可以看出,本申请将目标河流划分为多个河流单元,并基于不同河流单元的容积信息以及监测数据构建不同时间点各河流单元的污染物含量,进一步利用污染物含量数据拟合每一个河流单元的污染物扩散模型,借助污染物扩散模型可以准确定位污染物排放的目标河段,并获取目标河段准确的排放量,从而实现全河流内所有企业污染物排放量的实时监测。
请参见图6,是本申请实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令,处理器13用执行所述储器中存储的计算机可读指令以实现上述任一实施例所述的基于人工智能的污染物排放量监测方法。
在一个可选的实施例中,电子设备1还包括总线、存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如基于人工智能的污染物排放量监测程序。
图6仅示出了具有存储器12和处理器13的电子设备1,本领域技术人员可以理解的是,图6示出的结构并不构成对电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,电子设备1中的所述存储器12存储多个计算机可读指令以实现一种基于人工智能的污染物排放量监测方法,所述处理器13可执行所述多个指令从而实现:
将目标河流划分为多个河流单元,并采集所有河流单元的基本信息以构建河流单元容积模型,所述河流单元的基本信息包括河床地形数据和水深数据;
等间距选取所述河流单元以获取监测点,并依据预设时间点采集每一个监测点的监测数据,所述监测数据为监测点所在河流单元的COD值,所述预设时间点包括一天内的24个整点;
基于所述河流单元容积模型和所述监测数据计算污染物含量以构建污染物含量模型,所述污染物含量模型与所述预设时间点一一对应;
基于所述污染物含量模型对预设污染物扩散模型进行拟合以获取每一个河流单元的污染物扩散模型;
基于所述污染物扩散模型获取监测点的监测数据预测值,并对比相同监测点的所述监测数据预测值和监测数据实测值以获取异常信息,所述异常信息包括相邻异常监测点以及所述异常监测点的监测数据实测值;
基于所述污染物扩散模型和所述相邻异常监测点的监测数据实测值计算所述相邻异常监测点之间的污染物排放量。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,电子设备1可以是总线型结构,也可以是星形结构,电子设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,电子设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本申请,也应包含在本申请的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质可以是非易失性的,也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于人工智能的污染物排放量监测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是电子设备1的控制核心(Control Unit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于人工智能的污染物排放量监测程序等),以及调用存储在所述存储器12内的数据,以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的污染物排放量监测方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如,所述计算机程序可以被分割成第一构建单元110、采集单元111、第二构建单元112、拟合单元113、对比单元114、计算单元115。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块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、计算机设备,或者网络设备等)或处理器(Processor)执行本申请各个实施例所述的基于人工智能的污染物排放量监测方法的部分。
电子设备1集成的模块/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,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存储器及其他存储器等。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图6中仅用一根箭头表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
本申请实施例还提供一种计算机可读存储介质(图未示),计算机可读存储介质中存储有计算机可读指令,计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的污染物排放量监测方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,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,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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。
另外,在本申请各个实施例中的各功能模块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,也可以采用硬件加软件功能模块的形式实现。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。说明书陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的污染物排放量监测方法,其特征在于,所述方法包括:
将目标河流划分为多个河流单元,并采集所有河流单元的基本信息以构建河流单元容积模型,所述河流单元的基本信息包括河床地形数据和水深数据;
等间距选取所述河流单元以获取监测点,并依据预设时间点采集每一个监测点的监测数据,所述监测数据为监测点所在河流单元的COD值,所述预设时间点包括一天内的24个整点;
基于所述河流单元容积模型和所述监测数据计算污染物含量以构建污染物含量模型,所述污染物含量模型与所述预设时间点一一对应;
基于所述污染物含量模型对预设污染物扩散模型进行拟合以获取每一个河流单元的污染物扩散模型;
基于所述污染物扩散模型获取监测点的监测数据预测值,并对比相同监测点的所述监测数据预测值和监测数据实测值以获取异常信息,所述异常信息包括相邻异常监测点以及所述异常监测点的监测数据实测值;
基于所述污染物扩散模型和所述相邻异常监测点的监测数据实测值计算所述相邻异常监测点之间的污染物排放量。
2.如权利要求1所述的基于人工智能的污染物排放量监测方法,其特征在于,所述采集所有河流单元的基本信息以构建河流单元容积模型,所述河流单元的基本信息包括河床地形数据和水深数据,包括:
采集河流单元的基本信息以计算每一个河流单元的河流横截面积;
基于所述河流单元的河流横截面积和所述河流单元的长度计算每一个河流单元的容积;
将河流单元出现顺序和所述河流单元的容积分别作为横坐标和纵坐标以构建所述河流单元容积模型。
3.如权利要求1所述的基于人工智能的污染物排放量监测方法,其特征在于,所述基于所述河流单元容积模型和所述监测数据计算污染物含量以构建污染物含量模型包括:
a.依据预设时间点采集连续多天内所有监测点的监测数据以获取每一个预设时间点的监测数据集;
b.按照采集日期划分目标预设时间点的监测数据集以获取每一天所述目标预设时间点对应的所有监测点的监测数据,所述目标预设时间点为多个预设时间点中的任意一个;
c.基于所述监测数据和所述河流单元容积模型计算每一天所述目标预设时间点对应的所有监测点的污染物含量;
d.将河流单元出现顺序和所述监测点的污染物含量分别作为横坐标和纵坐标以绘制每一天所述目标预设时间点对应的所有监测点的污染物含量数据点,并依据插值算法对所述污染物含量数据点进行插值得到每一天所述目标预设时间点的污染物含量子模型;
e.计算所有所述目标预设时间点的污染物含量子模型中相同河流单元污染物含量的均值以构建所述目标预设时间点的污染物含量模型;
f.重复执行步骤b到步骤e遍历所有预设时间点以构建每一个预设时间点的污染物含量模型。
4.如权利要求1所述的基于人工智能的污染物排放量监测方法,其特征在于,所述基于所述污染物含量模型对预设污染物扩散模型进行拟合以获取每一个河流单元的污染物扩散模型包括:
a.随机挑选一个河流单元作为目标河流单元;
b.基于所有预设时间点的污染物含量模型和所述目标河流单元的容积计算所有预设时间点对应的所述目标河流单元的监测数据;
c.基于预设污染物扩散模型和所有预设时间点对应的所述目标河流单元的监测数据构建拟合公式以获取所述预设污染物扩散模型中待定系数的值,所述拟合公式满足关系式:
其中,为所述目标河流单元和下游相邻河流单元在预设时间点t的监测数据,所述监测数据为COD值,单位为mg/L;Ct-1 n为所述目标河流单元在预设时间点t-1的监测数据,单位为mg/L;vn为所述目标河流单元的容积,单位为L;an,bn为所述预设污染物扩散模型中的待定系数,其中an的单位为mg,bn的单位为1;E(an,bn)为所有预设时间点对应的所述预设污染物扩散模型预测值的误差和;
d.计算所述目标河流单元所有预设时间点污染物含量变化的均值以作为所述目标河流单元每单位时间的污染物变化量,所述单位时间为小时;
e.基于所述待定系数的值和所述目标河流单元每单位时间的污染物变化量确定河流单元的污染物扩散模型;
f.重复执行步骤a到步骤f,遍历所有河流单元以获取每一个河流单元的污染物扩散模型。
6.如权利要求1所述的基于人工智能的污染物排放量监测方法,其特征在于,所述基于所述污染物扩散模型获取监测点的监测数据预测值,并对比相同监测点的所述监测数据预测值和监测数据实测值以获取异常信息,包括:
获取任意两个相邻监测点的监测数据实测值,所述两个相邻监测点中处于河流上游的监测点作为第一监测点,处于河流下游的监测点作为第二监测点;
基于所述第一监测点的监测数据实测值和相邻监测点之间所有河流单元的污染物扩散模型获取第二监测点的监测数据预测值;
计算所述第二监测点的所述监测数据预测值和监测数据实测值的差值作为监测数据增量值;
对比所述监测数据增量值和预设阈值以获取异常信息,所述异常信息包括所述第一监测点、所述第二监测点以及两监测点的监测数据实测值。
7.如权利要求1所述的基于人工智能的污染物排放量监测方法,其特征在于,所述基于所述污染物扩散模型和所述相邻异常监测点的监测数据实测值计算所述相邻异常监测点之间的污染物排放量包括:
获取异常信息中的第一监测点和第二监测点以及目标河段,所述目标河段为所述第一监测点和所述第二监测点之间的河段;
基于所述第一监测点的监测数据实测值和所述第一监测点下游中河流单元的污染物扩散模型获取所述目标河段中所有河流单元的监测数据预测值,并绘制所述目标河段的污染物含量预测曲线;
基于所述第二监测点的监测数据实测值和所述第二监测点上游中河流单元的污染物扩散模型获取所述目标河段中所有河流单元的监测数据反演值,并绘制所述目标河段的污染物含量反演曲线;
基于所述污染物含量预测曲线和所述污染物含量反演曲线计算所述目标河段的污染物排放量。
8.一种基于人工智能的污染物排放量监测装置,其特征在于,所述装置包括:
第一构建单元,用于将目标河流划分为多个河流单元,并采集所有河流单元的基本信息以构建河流单元容积模型,所述河流单元的基本信息包括河床地形数据和水深数据;
采集单元,用于等间距选取所述河流单元以获取监测点,并依据预设时间点采集每一个监测点的监测数据,所述监测数据为监测点所在河流单元的COD值,所述预设时间点包括一天内的24个整点;
第二构建单元,用于基于所述河流单元容积模型和所述监测数据计算污染物含量以构建污染物含量模型,所述污染物含量模型与所述预设时间点一一对应;
拟合单元,用于基于所述污染物含量模型对预设污染物扩散模型进行拟合以获取每一个河流单元的污染物扩散模型;
对比单元,用于基于所述污染物扩散模型获取监测点的监测数据预测值,并对比相同监测点的所述监测数据预测值和监测数据实测值以获取异常信息,所述异常信息包括相邻异常监测点以及所述异常监测点的监测数据实测值;
计算单元,用于基于所述污染物扩散模型和所述相邻异常监测点的监测数据实测值计算所述相邻异常监测点之间的污染物排放量。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的基于人工智能的污染物排放量监测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的污染物排放量监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210372313.4A CN114705249B (zh) | 2022-04-11 | 2022-04-11 | 基于人工智能的污染物排放量监测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210372313.4A CN114705249B (zh) | 2022-04-11 | 2022-04-11 | 基于人工智能的污染物排放量监测方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114705249A true CN114705249A (zh) | 2022-07-05 |
CN114705249B CN114705249B (zh) | 2024-04-30 |
Family
ID=82172903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210372313.4A Active CN114705249B (zh) | 2022-04-11 | 2022-04-11 | 基于人工智能的污染物排放量监测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114705249B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117420283A (zh) * | 2023-12-19 | 2024-01-19 | 上海科泽智慧环境科技有限公司 | 一种一体化多通道水质监测方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110103242A (ko) * | 2010-03-12 | 2011-09-20 | 서울대학교산학협력단 | 시간분리기법을 이용하여 하천에서 오염물질 종분산과정을 해석하는 방법 |
CN104392100A (zh) * | 2014-10-29 | 2015-03-04 | 南京南瑞集团公司 | 基于水质在线监测系统的污染源扩散预警方法 |
CN105675448A (zh) * | 2014-11-17 | 2016-06-15 | 中国科学院沈阳计算技术研究所有限公司 | 一种面向水环境质量监测的动态模拟污染物扩散的方法 |
CN107403034A (zh) * | 2017-06-28 | 2017-11-28 | 西交利物浦大学 | 水质污染扩散预警可视化方法 |
KR101846438B1 (ko) * | 2017-08-08 | 2018-04-06 | 대한민국 | 유역모델을 이용한 오염물질 배출경로 재현방법 |
CN108287950A (zh) * | 2017-12-27 | 2018-07-17 | 环境保护部环境规划院 | 基于控制单元水环境质量目标管理的水质模拟方法 |
KR102193196B1 (ko) * | 2020-08-27 | 2020-12-18 | 서울대학교산학협력단 | 하천의 수리, 지형 특성을 반영한 하천저장대모형을 이용한 오염물질의 혼합 및 반응 거동 해석 방법 및 그 장치 |
CN113127805A (zh) * | 2021-03-29 | 2021-07-16 | 中国地质大学(武汉) | 河流断面污染源贡献率计算方法、装置、设备及存储介质 |
CN113139757A (zh) * | 2020-10-20 | 2021-07-20 | 中科三清科技有限公司 | 污染源排污量化分析方法及装置 |
WO2021174751A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
US20210389766A1 (en) * | 2020-06-12 | 2021-12-16 | Chinese Research Academy Of Environmental Sciences | Methods and Apparatuses for Water Body Pollution Intelligent Investigation Utilizing Unmanned Ships |
CN113868347A (zh) * | 2021-08-26 | 2021-12-31 | 中国环境科学研究院 | 一种基于数字流域时空模型的污染排放确定方法和装置 |
KR102374004B1 (ko) * | 2021-10-25 | 2022-03-15 | 주식회사 에어핏 | 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치, 방법 및 프로그램 |
-
2022
- 2022-04-11 CN CN202210372313.4A patent/CN114705249B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110103242A (ko) * | 2010-03-12 | 2011-09-20 | 서울대학교산학협력단 | 시간분리기법을 이용하여 하천에서 오염물질 종분산과정을 해석하는 방법 |
CN104392100A (zh) * | 2014-10-29 | 2015-03-04 | 南京南瑞集团公司 | 基于水质在线监测系统的污染源扩散预警方法 |
CN105675448A (zh) * | 2014-11-17 | 2016-06-15 | 中国科学院沈阳计算技术研究所有限公司 | 一种面向水环境质量监测的动态模拟污染物扩散的方法 |
CN107403034A (zh) * | 2017-06-28 | 2017-11-28 | 西交利物浦大学 | 水质污染扩散预警可视化方法 |
KR101846438B1 (ko) * | 2017-08-08 | 2018-04-06 | 대한민국 | 유역모델을 이용한 오염물질 배출경로 재현방법 |
CN108287950A (zh) * | 2017-12-27 | 2018-07-17 | 环境保护部环境规划院 | 基于控制单元水环境质量目标管理的水质模拟方法 |
WO2021174751A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
US20210389766A1 (en) * | 2020-06-12 | 2021-12-16 | Chinese Research Academy Of Environmental Sciences | Methods and Apparatuses for Water Body Pollution Intelligent Investigation Utilizing Unmanned Ships |
KR102193196B1 (ko) * | 2020-08-27 | 2020-12-18 | 서울대학교산학협력단 | 하천의 수리, 지형 특성을 반영한 하천저장대모형을 이용한 오염물질의 혼합 및 반응 거동 해석 방법 및 그 장치 |
CN113139757A (zh) * | 2020-10-20 | 2021-07-20 | 中科三清科技有限公司 | 污染源排污量化分析方法及装置 |
CN113127805A (zh) * | 2021-03-29 | 2021-07-16 | 中国地质大学(武汉) | 河流断面污染源贡献率计算方法、装置、设备及存储介质 |
CN113868347A (zh) * | 2021-08-26 | 2021-12-31 | 中国环境科学研究院 | 一种基于数字流域时空模型的污染排放确定方法和装置 |
KR102374004B1 (ko) * | 2021-10-25 | 2022-03-15 | 주식회사 에어핏 | 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치, 방법 및 프로그램 |
Non-Patent Citations (2)
Title |
---|
王冬莹;于晓霞;郑囡;: "污染物排放量与河流水质输入响应关系初步研究――小清河(济南段)为例", 环境科学与管理, no. 07, 15 July 2016 (2016-07-15) * |
邵世保;吴雁;张德辉;耿永辉;周鹏;郝红珊;: "基于EFDC水动力-水质模型的建立――以慈湖河为例", 环境与发展, no. 02, 28 February 2020 (2020-02-28) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117420283A (zh) * | 2023-12-19 | 2024-01-19 | 上海科泽智慧环境科技有限公司 | 一种一体化多通道水质监测方法及系统 |
CN117420283B (zh) * | 2023-12-19 | 2024-03-08 | 上海科泽智慧环境科技有限公司 | 一种一体化多通道水质监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114705249B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cressie et al. | Spatial prediction on a river network | |
CN114705249A (zh) | 基于人工智能的污染物排放量监测方法及相关设备 | |
Kaczmarska et al. | Quantifying the sources of simulation uncertainty in natural catastrophe models | |
CN116258420B (zh) | 一种产品质量检测方法、装置、终端设备及介质 | |
CN115964668A (zh) | 一种基于大数据的供热监控分析方法、装置、设备及介质 | |
CN112949697B (zh) | 一种管道异常的确认方法、装置及计算机可读存储介质 | |
CN115221218A (zh) | 车辆数据的质量评估方法、装置、计算机设备和存储介质 | |
CN109002544B (zh) | 一种数据处理方法、装置和计算机可读介质 | |
CN114418189A (zh) | 水质等级预测方法、系统、终端设备及存储介质 | |
CN116913416B (zh) | 海蚀崖岩石风化程度定量评价及预测方法及装置 | |
CN113808015B (zh) | 输电线路区域气象参数的空间插值方法、装置及设备 | |
CN114708728B (zh) | 一种识别交通高峰期的方法、电子设备及存储介质 | |
CN112800038B (zh) | 一种水环境数据分析方法 | |
CN115562934A (zh) | 基于人工智能的业务流量切换方法及相关设备 | |
CN111161121B (zh) | 确定河流水质对流域土地利用组成响应突变的方法及系统 | |
CN113537806A (zh) | 异常用户识别方法、装置、电子设备及可读存储介质 | |
CN112085926A (zh) | 一种河道水污染预警方法及系统 | |
CN111181809A (zh) | 网络rtk中心解算软件中基准站的监测方法及装置 | |
US7526379B2 (en) | Determining elevation values in a geocoding system | |
CN110851508A (zh) | 一种城市大数据处理的方法及装置 | |
CN112269771B (zh) | 基于区块链的数据共享方法和装置 | |
CN111027750B (zh) | 一种蒸发器维护时间的预测方法以及装置 | |
CN117216454B (zh) | 基于模糊非概率的可靠性评估方法、装置、终端及存储介质 | |
CN113420148B (zh) | 用于敏感内容质检模型的训练文本采集方法、系统及设备 | |
Peña-Heredia et al. | The influence of the correlation-covariance structure of measurement errors over uncertainties propagation in online monitoring: application to environmental indicators in SUDS |
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 |