CN114858207A - 一种基于软测量的河道排污口网格化溯源排查方法 - Google Patents

一种基于软测量的河道排污口网格化溯源排查方法 Download PDF

Info

Publication number
CN114858207A
CN114858207A CN202210332815.4A CN202210332815A CN114858207A CN 114858207 A CN114858207 A CN 114858207A CN 202210332815 A CN202210332815 A CN 202210332815A CN 114858207 A CN114858207 A CN 114858207A
Authority
CN
China
Prior art keywords
water quality
index
river
monitoring point
formula
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
Application number
CN202210332815.4A
Other languages
English (en)
Inventor
尹海龙
林夷媛
徐祖信
宣雍祺
唐洋博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
China Three Gorges Corp
Shanghai Investigation Design and Research Institute Co Ltd SIDRI
Original Assignee
Tongji University
China Three Gorges Corp
Shanghai Investigation Design and Research Institute Co Ltd SIDRI
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji University, China Three Gorges Corp, Shanghai Investigation Design and Research Institute Co Ltd SIDRI filed Critical Tongji University
Priority to CN202210332815.4A priority Critical patent/CN114858207A/zh
Publication of CN114858207A publication Critical patent/CN114858207A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于软测量的河道排污口网格化溯源排查方法，涉及河道排污溯源相关技术领域，步骤为：将待测河流均匀划分为多个河段，并根据划分河段确定监测点；获取各个监测点的水位监测数据和常规可高频监测的水质数据，并通过基于人工神经网络的软测量方法获取各个监测点的污染物浓度数据；然后计算各个监测点的综合水质标识指数；根据综合水质标识指数变化情况，判断存在污染排放的河段；针对污染排放河段，加密监测点位布设，逐步缩小排查范围，直至达到预设的排污口定位精度要求；本发明在软测量方法的构建中通过采用快速EFAST方法对神经网络的结构进行修剪，简化了神经网络的结构，加快了神经网络的反应速度。

Description

一种基于软测量的河道排污口网格化溯源排查方法
技术领域
本发明涉及河道排污溯源技术领域，更具体的说是涉及一种基于软测量的河道排污口网格化溯源排查方法。
背景技术
河道排污口排查整治是水环境治理的基础性工作。目前我国城市化地区虽然统计污水收集率平均达到90％以上，但是按照污染负荷收集率计算，平均只有60％，表明仍有大量污染物进入河道。入河排污口是污染物进入河道的最后一道“闸口”，只有全面摸清入河排污口的数量和污染物排放量，才能切实提高污染物收集能力，推动水环境质量从根本上好转。但河道排污口情况复杂，在水面以上排污口排查取得明显成效的现状下，当前面临的难点是水下排污口的排查。
基于此，提出基于河道网格化水位、水质监测的排污口溯源方法，来确定排污口调查的重点河段。其特点是水位和水质的监测不需要水下作业，水位的监测操作简便，且可在长时段内实施灵活性的动态监测。在水质监测模块，涉及到软测量模型的构建，以解决部分重要水质参数不能进行原位实时监测、不能获得高频监测数据的问题。软测量技术的核心就是建立数学模型。由于水质参数之间存在复杂的内在联系，天然水体中污染物的生化反应是一个强耦合的多输入、多输出的动态系统，具有高度非线性、不确定性等特点，传统的数学建模的方法受到了挑战。综上，基于排污口全面排查的需求，研发一种操作简单，能够快速进行排污口溯源的方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于软测量的河道排污口网格化溯源排查方法，克服了上述的缺陷。
为了实现上述目的，本发明提供如下技术方案：
一种基于软测量的河道排污口网格化溯源排查方法，具体步骤为：
将待测河流均匀划分为多个河段，并根据划分河段确定监测点；
获取各个监测点的水位监测数据和水质监测数据；
基于水位监测数据和水质监测数据，通过软测量方法获取各个监测点的污染物浓度数据；
通过各个监测点的污染物浓度数据，计算各个监测点的综合水质标识指数；
构建基于综合水质标识指数的污染评价体系，判断存在污染排放的河段；
对存在污染排放的河段采取监测点加密布设，直至达到预设的排污口定位精度要求。
其中，水质监测数据为常规可高频监测的水质数据，包括：固体悬浮物浓度SS、溶解氧DO、氨氮NH3-N、浊度等数据。
可选的，软测量方法构建的步骤为：
确定输入输出变量；
根据输入输出变量确定子神经网络的个数；
根据输入输出变量以及子神经网络的个数，建立子神经网络模型；
对建立的子神经网络模型分别进行训练；
根据训练好的子神经网络模型对预测样本进行预测，将预测样本数据作为子神经网络模型的输入，获得监测点的污染物数据。
可选的，子神经网络模型的训练的具体步骤为：
基于训练数据对子神经网络分别进行训练，并在训练过程中利用快速EFAST对子神经网络的冗余隐神经元进行修剪；
直至各个子神经网络的误差均小于规定误差，停止训练，获得子神经网络模型。
可选的，判断存在污染排放的河段的具体步骤为：
构建基于综合水质标识指数的污染评价体系；
通过污染评价体系计算相邻监测点之间的综合水质标识指数变化情况；
若相邻监测点之间的综合水质标识指数发生变化，确定相邻监测点间的河段为存在污染排放的河段。
可选的，综合水质标识指数的获取公式为：
Figure BDA0003575874440000031
式中，Ii为第i个监测点的综合水质指标；PNH3’为第i个监测点的NH3-N的单因子水质标识指数；PTN’为第i个监测点的TN的单因子水质标识指数；PTP’为第i个监测点的TP的单因子水质标识指数；PCOD’为第i个监测点的COD的单因子水质标识指数；PDO’为第i个监测点的DO的单因子水质标识指数。
可选的，单因子水质标识指数的获取公式为：
Pwq＝X1·X2；
式中，Pwq为某一项水质指标的单因子水质指数；X1为待评价水质指标的水质类别；X2为监测数据在X1类水质变化区间中所处的位置，根据公式按四舍五入的原则计算确定。
可选的，当水质为I～V类水时X1和X2的获取方式为：
根据水质监测数据与国家标准的比较确定X1：X1＝1，表示该指标为I类水；X1＝2，表示该指标为II类水；X1＝3，表示该指标为III类水；X1＝4，表示该指标为IV类水；X1＝5，表示该指标为V类水。
非溶解氧指标的X2获取公式为：
Figure BDA0003575874440000041
式中，Cj为第j项水质指标的实测浓度，Cjk下≤Cj≤Cjk上；Cjk下为第j项水质指标第k类水区间浓度的下限值，k＝X1；Cjk上为第j项水质指标第k类水区间浓度的上限值，k＝X1。
溶解氧指标的X2获取公式为：
Figure BDA0003575874440000042
式中，CDO为溶解氧的实测浓度；CDOK上为第K类水中溶解氧浓度的区间边界上限值，K＝X1；CDOK下为第K类水中溶解氧浓度的区间边界下限值，K＝X1。
可选的，当水质劣于V类时X1和X2的获取方式为：
非溶解氧指标X1·X2的获取公式为：
Figure BDA0003575874440000043
式中，Cj为第j项水质指标实测浓度；Cj5上为第j项指标V类水浓度上限值，X1·X2根据计算结果按四舍五入的原则取小数点后一位确定。
溶解氧指标X1·X2的获取公式为：
Figure BDA0003575874440000044
式中，CDO为溶解氧的实测浓度；CDO，5下为溶解氧的V类水浓度下限值，CDO，5下＝2.0mg/L；m为计算公式修正系数，取m＝4。
可选的，相邻监测点之间的综合水质标识指数变化情况的计算公式为：
Ii>Ii-1；
式中，Ii为第i个监测点的综合水质指标；Ii-1为第i-1个监测点的综合水质指标。
经由上述的技术方案可知，与现有技术相比，本发明公开了一种基于软测量的河道排污口网格化溯源排查方法，通过采用快速EFAST方法对神经网络的结构进行修剪，简化了神经网络的结构，加快了神经网络的反应速度的同时，也避免了拟合精度低的问题；本发明以综合水质标识指数的变化情况为依据，确定排污口的位置，降低了检测难度，提高了排污口辨识的速度与准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程示意图；
图2为软测量神经网络建模拓扑结构图；
图3为单因子水质指数的结构示意图；
图4(a)为水质类别为I～V类水时单因子水质标识指数为非溶解氧指标的X2的计算示意图；图4(b)为水质类别为I～V类水时单因子水质标识指数为溶解氧指标的X2的计算示意图；
图5(a)为水质类别劣于V类水时单因子水质标识指数为非溶解氧指标的X2的计算示意图；图5(b)为水质类别劣于V类水时单因子水质标识指数为溶解氧指标的X2的计算示意图；
图6为本发明实施例的河道排污口溯源的具体实例示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于软测量的河道排污口网格化溯源排查方法，步骤如图1所述，具体为：
步骤1、将8km的待测河流均匀划分为5个河段，根据河段确定6个监测点，开展网格化水位、水质监测；
其中，确定监测点时以河段的划分位置为监测点位。
水质监测数据包括固体悬浮物浓度SS、溶解氧DO、氨氮NH3-N、浊度等常规可高频监测的水质数据。
步骤2、通过软测量获得各个监测点的污染物浓度数据，具体步骤为：
步骤21、确定输入输出变量；
污染物总氮TN、污染物总磷TP、化学需氧量COD等数据的监测较为复杂，尽管传感器技术的发展，这些重要的水质参数仍不能进行原位实时测量，需要建立基于常规高频水质监测参数(水位h、pH值、溶解氧DO、浊度等)的软测量，来实现这些水质参数的高频“监测”。本实施例中将输入输出变量划分为三组，分别为：输出水质数据COD的输入辅助变量是水位h、固体悬浮物浓度SS、溶解氧DO的监测数据；输出水质数据TN的输入辅助变量是水位h、DO、NH3-N、浊度的监测数据；输出水质数据TP的输入辅助变量是水位h、浊度的监测数据。
步骤22、输入输出变量，分别建立三个子神经网络模型；
根据输入输出变量分别建立子神经网络，本实施例以任一子神经网络为例：
初始化神经网络：确定l-p-1的连接方式，对神经网络的权值进行随机赋值；即一个输入层有l个神经元，隐含层有p个神经元的单输出三层前向神经网络；
隐含层的输出表达式为：
Figure BDA0003575874440000071
式中，Zj(t)为隐含层第j个神经元的输出；
Figure BDA0003575874440000072
为输入层权值；xi为神经网络的输入；i为输入层第i个神经元；
隐含层神经元输出和神经网络输出的关系为：
Figure BDA0003575874440000073
式中，
Figure BDA0003575874440000074
为输出层权值；
定义误差函数为：
Figure BDA0003575874440000075
式中，t为训练样本的个数；yd(t)为第t为个训练样本的期望输出。
步骤23、对建立的神经网络模型进行训练，直至子神经网络的误差小于规定误差；
根据训练样本训练神经网络，并在训练过程中利用快速傅立叶幅值灵敏度检验扩展法(Extend Fourier Amplitude Sensitivity Test，EFAST)对神经网络的冗余隐神经元进行修剪，以简化神经网络结构，增加神经网络的泛化能力和预测速度；
在实施例中为计算各个隐含层神经元的灵敏度，对神经网络进行修剪，即删除低于5％灵敏度的隐含层神经元。
当子神经网络的误差小于规定误差时，通过确定的各个网络的输入变量，输出变量，网络层数，网络隐含层个数，即得到三个子神经网络，结构如图2所示。
步骤24、根据训练好的神经网络模型对预测样本进行预测，将预测样本数据(h、SS、DO、NH3-N、浊度的监测数据)作为网络的输入，利用构建的三个子神经网络输出获得监测点的COD、TN、TP水质浓度数据。
步骤3、通过各个监测点的污染物浓度数据，计算各个监测点的综合水质标识指数Ii变化情况，根据上下游监测点的综合水质标识指数Ii变化情况判断划分的5个河段是否存在污染排入；
具体为：根据监测点上下游的综合水质标识指数Ii变化情况确定存在污染排放的河段。
各监测点位的综合水质标识指数通过计算获得：
Figure BDA0003575874440000081
式中，Ii为第i个监测点位的综合水质指标；PNH3’为第i个监测点位的NH3-N的单因子水质标识指数；PTN’为第i个监测点位的TN的单因子水质标识指数；PTP’为第i个监测点位的TP的单因子水质标识指数；PCOD’为第i个监测点位的COD的单因子水质标识指数；PDO’为第i个监测点位的DO的单因子水质标识指数。
可选的，单因子水质标识指数的获取公式为：
Pwq＝X1·X2；
式中，Pwq为某一项水质指标的单因子水质指数；X1为待评价水质指标的水质类别；如图3所示，X2为监测数据在X1类水质变化区间中所处的位置，根据公式按四舍五入的原则计算确定。
当水质为I～V类水时X1和X2的获取方式为：
根据水质监测数据与国家标准的比较确定X1：X1＝1，表示该指标为I类水；X1＝2，表示该指标为II类水；X1＝3，表示该指标为III类水；X1＝4，表示该指标为IV类水；X1＝5，表示该指标为V类水。
非溶解氧指标的X2获取公式为：
Figure BDA0003575874440000091
式中，Cj为第j项水质指标的实测浓度，Cjk下≤Cj≤Cjk上；Cjk下为第j项水质指标第k类水区间浓度的下限值，k＝X1；Cjk上为第j项水质指标第k类水区间浓度的上限值，k＝X1，获得的非溶解氧指标的X2如图4(a)所示。
溶解氧指标的X2获取公式为：
Figure BDA0003575874440000092
式中，CDO为溶解氧的实测浓度；CDOK上为第K类水中溶解氧浓度高的区间边界值，K＝X1；CDOK下为第K类水中溶解氧浓度低的区间边界值，K＝X1；获得的溶解氧指标的X2如图4(b)所示。
当水质劣于V类时X1和X2的获取方式为：
非溶解氧指标X1·X2的获取公式为：
Figure BDA0003575874440000093
式中，Cj为第j项水质指标实测浓度；Cj5上为第j项指标V类水浓度上限值，X1·X2根据计算结果按四舍五入的原则取小数点后一位确定；获得的非溶解氧指标X1·X2如图5(a)所示。
溶解氧指标X1·X2的获取公式为：
Figure BDA0003575874440000094
式中，CDO为溶解氧的实测浓度；CDO，5下为溶解氧的V类水浓度下限值，CDO，5下＝2.0mg/L；m为计算公式修正系数，取m＝4；获得的溶解氧指标X1·X2如图5(b)所示。
当上下游相邻监测点位的综合水质指标升高，即Ii>Ii-1；即可说明监测点位i-1与i间的河段存在污水排放；
式中，Ii为第i个监测点位的综合水质指标；Ii-1为第i-1个监测点位的综合水质指标。
步骤4、对存在污染物排放的河段，加密监测点位的布设，逐步缩小排查范围，直至达到预设的排污口定位精度要求。
本实施例中所述的上下游均依据河流流向确定。
如图6所示，本实施例中在网格化监测的5个河段中，河段3上下游两个点位间综合水质标识指数升高0.8，判断该河段存在污染排放，故单独对该1.6km河段进行监测点位的加密布设。采用对折法逐步缩小排污口排查范围。具体为：在河段3的中部布设水位、水质监测点位，计算综合水质标识指数，与上下游监测点位对比，判断污染排放位于河段前半段或是后半段。如此重复操作4次，即可将排污口定位精度控制为100m，达到预设的排污口定位精度要求，实现排污口位置的溯源。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于软测量的河道排污口网格化溯源排查方法，其特征在于，具体步骤为：
将待测河流均匀划分为多个河段，并根据划分河段确定监测点；
获取各个监测点的水位监测数据和水质监测数据；
基于水位监测数据和水质监测数据，通过软测量方法获取各个监测点的污染物浓度数据；
通过各个监测点的污染物浓度数据，计算各个监测点的综合水质标识指数；
构建基于综合水质标识指数的污染评价体系，判断存在污染排放的河段；
对存在污染排放的河段进行监测点加密布设，直至达到预设的排污口定位精度要求。
2.根据权利要求1所述的一种基于软测量的河道排污口网格化溯源排查方法，其特征在于，软测量方法构建的步骤为：
确定输入输出变量；
根据输入输出变量确定子神经网络的个数；
根据输入输出变量以及子神经网络的个数，建立子神经网络模型；
对建立的子神经网络模型分别进行训练；
根据训练好的子神经网络模型对预测样本进行预测，将预测样本数据作为子神经网络模型的输入，获得监测点的污染物数据。
3.根据权利要求2所述的一种基于软测量的河道排污口网格化溯源排查方法，其特征在于，子神经网络模型的训练步骤为：
基于训练数据对子神经网络分别进行训练，并在训练过程中利用快速EFAST对子神经网络的冗余隐神经元进行修剪；
直至各个子神经网络的误差均小于规定误差，停止训练，获得子神经网络模型。
4.根据权利要求1所述的一种基于软测量的河道排污口网格化溯源排查方法，其特征在于，判断存在污染排放的河段的具体步骤为：
构建基于综合水质标识指数的污染评价体系；
通过污染评价体系计算相邻监测点之间的综合水质标识指数变化情况；
若相邻监测点之间的综合水质标识指数发生变化，确定相邻监测点间的河段为存在污染排放的河段。
5.根据权利要求1-4任意一项所述的一种基于软测量的河道排污口网格化溯源排查方法，其特征在于，综合水质标识指数的获取公式为：
Figure FDA0003575874430000021
式中，Ii为第i个监测点的综合水质指标；PNH3’为第i个监测点的NH3-N的单因子水质标识指数；PTN’为第i个监测点的TN的单因子水质标识指数；PTP’为第i个监测点的TP的单因子水质标识指数；PCOD’为第i个监测点的COD的单因子水质标识指数；PDO’为第i个监测点的DO的单因子水质标识指数。
6.根据权利要求5所述的一种基于软测量的河道排污口网格化溯源排查方法，其特征在于，单因子水质标识指数的获取公式为：
Pwq＝X1·X2；
式中，Pwq为某一项水质指标的单因子水质标识指数；X1为待评价水质指标的水质类别；X2为监测数据在X1类水质变化区间中所处的位置。
7.根据权利要求6所述的一种基于软测量的河道排污口网格化溯源排查方法，其特征在于，当水质为I～V类水时X1和X2的获取方式为：
根据水质监测数据与国家标准之间的关系确定X1；
根据计算公式确定X2，具体为：
非溶解氧指标的X2获取公式为：
Figure FDA0003575874430000022
式中，Cj为第j项水质指标的实测浓度，Cjk下≤Cj≤Cjk上；Cjk下为第j项水质指标第k类水区间浓度的下限值；Cjk上为第j项水质指标第k类水区间浓度的上限值；
溶解氧指标的X2获取公式为：
Figure FDA0003575874430000031
式中，CDO为溶解氧的实测浓度；CDOK上为第K类水中溶解氧浓度的区间边界上限值；CDOK下为第K类水中溶解氧浓度的区间边界下限值。
8.根据权利要求6所述的一种基于软测量的河道排污口网格化溯源排查方法，其特征在于，当水质劣于V类时X1和X2的获取方式为：
非溶解氧指标X1·X2的获取公式为：
Figure FDA0003575874430000032
式中，Cj为第j项水质指标的实测浓度；Cj5上为第j项水质指标V类水浓度上限值；
溶解氧指标X1·X2的获取公式为：
Figure FDA0003575874430000033
式中，CDO为溶解氧的实测浓度；CDO，5下为溶解氧的V类水浓度下限值；m为计算公式修正系数。
9.根据权利要求4所述的一种基于软测量的河道排污口网格化溯源排查方法，其特征在于，相邻监测点之间的综合水质标识指数变化情况的计算公式为：
Ii>Ii-1；
式中，Ii为第i个监测点的综合水质指标；Ii-1为第i-1个监测点的综合水质指标。
CN202210332815.4A 2022-03-31 2022-03-31 一种基于软测量的河道排污口网格化溯源排查方法 Pending CN114858207A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210332815.4A CN114858207A (zh) 2022-03-31 2022-03-31 一种基于软测量的河道排污口网格化溯源排查方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210332815.4A CN114858207A (zh) 2022-03-31 2022-03-31 一种基于软测量的河道排污口网格化溯源排查方法

Publications (1)

Publication Number Publication Date
CN114858207A true CN114858207A (zh) 2022-08-05

Family

ID=82630040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210332815.4A Pending CN114858207A (zh) 2022-03-31 2022-03-31 一种基于软测量的河道排污口网格化溯源排查方法

Country Status (1)

Country Link
CN (1) CN114858207A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330261A (zh) * 2022-09-17 2022-11-11 武汉广旺科技有限公司 基于物联网技术的黑臭河道生态综合化治理方法
CN116484153A (zh) * 2023-06-20 2023-07-25 北京泰豪智能工程有限公司 一种基于卫星物联网的环境监测方法
CN118518081A (zh) * 2024-07-22 2024-08-20 广东海纬地恒空间信息技术有限公司 一种基于人工智能的河流探测数据分析系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1657934A (zh) * 2005-03-01 2005-08-24 徐祖信 河流综合水质标识指数评价方法
CN1657935A (zh) * 2005-03-01 2005-08-24 徐祖信 河流单因子水质标识指数评价方法
CN101334395A (zh) * 2008-08-07 2008-12-31 北京工业大学 Cod软测量的方法
CN101387632A (zh) * 2008-10-17 2009-03-18 北京工业大学 一种污水处理过程中生化需氧量bod的软测量方法
CN102854296A (zh) * 2012-08-30 2013-01-02 北京工业大学 一种基于集成神经网络的污水处理软测量方法
CN111855945A (zh) * 2020-07-28 2020-10-30 王艳捷 一种智慧型流域水质污染溯源的船载监测技术及方法
CN112816646A (zh) * 2021-01-22 2021-05-18 同济大学 一种基于网格化水质监测的河道排污口溯源方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1657934A (zh) * 2005-03-01 2005-08-24 徐祖信 河流综合水质标识指数评价方法
CN1657935A (zh) * 2005-03-01 2005-08-24 徐祖信 河流单因子水质标识指数评价方法
CN101334395A (zh) * 2008-08-07 2008-12-31 北京工业大学 Cod软测量的方法
CN101387632A (zh) * 2008-10-17 2009-03-18 北京工业大学 一种污水处理过程中生化需氧量bod的软测量方法
CN102854296A (zh) * 2012-08-30 2013-01-02 北京工业大学 一种基于集成神经网络的污水处理软测量方法
CN111855945A (zh) * 2020-07-28 2020-10-30 王艳捷 一种智慧型流域水质污染溯源的船载监测技术及方法
CN112816646A (zh) * 2021-01-22 2021-05-18 同济大学 一种基于网格化水质监测的河道排污口溯源方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐祖信: "我国河流单因子水质标识指数评价方法研究", 《同济大学学报(自然科学版)》 *
徐祖信: "我国河流综合水质标识指数评价方法研究", 《同济大学学报(自然科学版)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330261A (zh) * 2022-09-17 2022-11-11 武汉广旺科技有限公司 基于物联网技术的黑臭河道生态综合化治理方法
CN115330261B (zh) * 2022-09-17 2023-06-23 中韬华胜工程科技有限公司 基于物联网技术的黑臭河道生态综合化治理方法
CN116484153A (zh) * 2023-06-20 2023-07-25 北京泰豪智能工程有限公司 一种基于卫星物联网的环境监测方法
CN116484153B (zh) * 2023-06-20 2023-09-01 北京泰豪智能工程有限公司 一种基于卫星物联网的环境监测方法
CN118518081A (zh) * 2024-07-22 2024-08-20 广东海纬地恒空间信息技术有限公司 一种基于人工智能的河流探测数据分析系统

Similar Documents

Publication Publication Date Title
CN114858207A (zh) 一种基于软测量的河道排污口网格化溯源排查方法
US12105075B2 (en) Total nitrogen intelligent detection method based on multi-objective optimized fuzzy neural network
CN111598754B (zh) 基于水质模型的河网区水质断面污染贡献率核算方法
CN105510546A (zh) 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法
CN112417788A (zh) 基于大数据的水环境污染分析系统及方法
CN102313796B (zh) 一种污水处理生化需氧量软测量方法
CN110909484A (zh) 一种流域灰水足迹评估方法及水环境治理策略制定方法
CN112348290B (zh) 河流水质预测方法、装置、存储介质及设备
CN108562709A (zh) 一种基于卷积自编码器极限学习机的污水处理系统水质监测预警方法
CN113240203B (zh) 一种多污染源中小河道断面污染贡献率计算方法
CN112418487B (zh) 一种小流域河湖污染物反向精准溯源方法及系统
CN107247888B (zh) 基于储备池网络的污水处理出水总磷tp软测量方法
CN109598428B (zh) 一种基于行政单元和水系的污染物削减分配方法
CN115422850B (zh) 基于efdc和边缘计算判断河流入河排污口污染贡献率的方法
CN113505471A (zh) 一种河流断面污染物浓度预测计算方法
CN112097125B (zh) 一种基于自适应校核的供水管网爆管侦测及定位方法
CN116881747B (zh) 基于医疗废水监测的智能处理方法及系统
CN115713448A (zh) 基于汇水单元的流域水污染常规因子快速溯源方法
CN104063609B (zh) 一种利用神经网络辅助判定污染源监测数据有效性的方法
CN115204688A (zh) 排水系统健康性综合评价方法
CN114595631A (zh) 一种基于efdc模型和机器学习算法的水质预测方法
CN118014387A (zh) 一种基于mike21评估湖泊综合治理成效的量化模拟方法
CN117196883A (zh) 一种基于人工智能的污水处理决策优化方法及系统
CN104569340A (zh) 地下环境质量测定方法及装置
CN115034140A (zh) 一种基于关键控制因子的地表水水质变化趋势预测方法

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