CN115034140A - 一种基于关键控制因子的地表水水质变化趋势预测方法 - Google Patents
一种基于关键控制因子的地表水水质变化趋势预测方法 Download PDFInfo
- Publication number
- CN115034140A CN115034140A CN202210736916.8A CN202210736916A CN115034140A CN 115034140 A CN115034140 A CN 115034140A CN 202210736916 A CN202210736916 A CN 202210736916A CN 115034140 A CN115034140 A CN 115034140A
- Authority
- CN
- China
- Prior art keywords
- key control
- wqi
- water quality
- quality
- index
- 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
- 230000008859 change Effects 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000002352 surface water Substances 0.000 title claims abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 82
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 8
- 230000035945 sensitivity Effects 0.000 claims description 20
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 13
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 9
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 9
- 229910052760 oxygen Inorganic materials 0.000 claims description 9
- 239000001301 oxygen Substances 0.000 claims description 9
- 229910052698 phosphorus Inorganic materials 0.000 claims description 9
- 239000011574 phosphorus Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Operations Research (AREA)
- Immunology (AREA)
- Game Theory and Decision Science (AREA)
- Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
Abstract
本发明公开了一种基于关键控制因子的地表水水质变化趋势预测方法,包括,获取灞河口、泾河桥地表水国控断面的DO、CODMn、NH4 +‑N、TP、TN的的实验数据;对综合水质指数(WQI)进行计算;通过敏感性分析获得影响水质的关键控制因子;构建训练集与测试集;构建LSTM模型,并进行模型训练;分别使用五项水质指标和关键控制因子对WQI在测试集上进行模型测试;分别使用五项水质指标和关键控制因子对未来一周内的WQI数值变化进行预测;本发明充分考虑了影响水质的关键控制因子,使环境质量预测的过程更加高效化和便捷化;能够有效避免冗余信息对环境质量预测过程的影响,缩短了环境质量预测所需的时间,环境质量预测精度较高。
Description
技术领域
本发明属于水环境质量预测技术领域,特别涉及一种基于关键控制因子的地表水水质变化趋势预测方法。
背景技术
地表水作为饮用水源的重要组成部分,地表水水质的保护和日常管理显得尤为重要,其中水环境质量的精确预测,尤其是短期内准确高效的水质预测在水环境管理方面起到重要作用,它有助于规避可能发生的环境污染风险,同时提高了对水质突发污染事件的应对能力。因此准确的水质预测越来越成为环境工作中不可或缺的环节。
综合水质指数(WQI)常用于水质评价工作中,是综合几个水质参数的检验结果来综合描述水质的一个无量纲数值,它能以单一的数值来综合的表示水环境的优劣状况,具有较强的综合性。
长短期记忆网络((Long-Short Time Memory,LSTM)是为了解决循环神经网络(Recurrent Neural Network,RNN)存在的长期依赖问题而设计出来的,是RNN的一种。它能够学习到较长时间序列数据之间的关系,其主要通过三个门控单元来实现这个功能,分别为遗忘门、输入门和输出门。LSTM模型由于其在基于时间序列预测方面表现出的优异性能,被广泛应用于水质预测工作中。在日后水环境的管理和治理过程中,为了实现水环境质量的高效、快速预测,使用基于全部监测指标的LSTM模型对WQI进行预测就难以做到这一点,基于全部监测指标的LSTM模型一方面使水质预测模型较为复杂,另一方面由于其需要水质指标较多,无形中增大了水环境管理的投资、运行费用。
发明内容
针对上述基于全部水质参数的水质预测方法不能快速高效的对未来水质进行预测的问题,本发明的目的在于提供一种基于关键控制因子的地表水水质变化趋势预测方法,该方法融合了关键控制因子甄别和水环境质量预测,具有简便、快速、高效的特点。
为了实现上述目的,本发明采用的技术方案是:
一种基于关键控制因子的地表水水质变化趋势预测方法,包括:
S1,采集水环境监测数据得到实验数据集,通过敏感性分析方法甄别出影响水环境质量的关键控制因子,将实验数据集中的数据按比例划分为训练集和测试集;
S2,以综合水质指数(Water Quality Index,WQI)作为输出变量,分别以水质五项指标和关键控制因子为输入变量对长短期记忆网络(Long-Short Time Memory,LSTM)模型进行模型训练,并在测试集中进行测试;
S3,利用训练好的LSTM模型,分别使用关键控制因子的LSTM模型和全部水质指标的LSTM模型实现对未来一周内WQI的预测。
在一个实施例中,所述S1,水环境监测数据包括溶解氧(DO)、高锰酸盐指数(CODMn)、氨氮(NH4 +-N)、总磷(TP)、总氮(TN);所述实验数据集是2019年1月~2021年8月的水环境监测数据。
在一个实施例中,所述S1,敏感性分析方法如下:
依据溶解氧(DO)、高锰酸盐指数(CODMn)、氨氮(NH4 +-N)、总磷(TP)、总氮(TN)的数据计算WQI,公式为:式中,ci为赋值给第i个指标参数的归一化值;指标参数即溶解氧(DO)、高锰酸盐指数(CODMn)、氨氮(NH4 +-N)、总磷(TP)、总氮(TN),n为指标参数的总数,即n为5;pi为第i个指标参数的相对权重,范围在1~4之间;
计算各指标参数的敏感性系数,公式为:式中,βi为第i个指标参数的敏感性系数;λy为第i个指标参数的变化引起的WQI变化率;λx为第i个指标参数的变化率;Δxi为第i个指标参数的变化幅度;Δyi为第i个指标参数的变化引起的WQI的变化幅度;y0为WQI的基准值;x0为第i个指标参数的基准值,通过各指标参数敏感性系数的大小确定影响水质的关键控制因子;
将敏感性系数从大到小排列,取前几个敏感性系数对应的指标参数作为水环境质量的关键控制因子。
在一个实施例中,所述S2,以基于Tensorflow.Keras中的sequential模型为深度学习框架,LSTM模型由三层LSTM网络组成,分别为输入层、隐藏层和全连接层。
在一个实施例中,所述S2,将训练集中的数据输入到LSTM模型中进行模型训练,反复不断的对epochs、batch_size进行调节测试,最终选取epochs=50、batch_size=16,均方根误差计算公式为其中yi代表真实值,Yi代表测试值,n代表样本数量。
与现有技术相比,本发明的有益效果是:
(1)本发明通过敏感性分析甄别出影响水质的关键控制因子,能够降低对非关键指标的关注,集中力量治理影响水环境质量的关键控制因子,进一步提高了水环境管理和治理的水平。
(2)本发明利用基于水质关键控制因子的LSTM模型对未来一周内的WQI数值进行预测,避免了非关键因素对模型预测精度的影响,一定程度上缩短了水质预测所需的时间,并在保证预测准确性的前提条件下,减少了预测指标的数目,该方法适当降低了对非关键指标的监测,并进一步节约了人员、机器设备等相关投资和运行费用。
附图说明
图1是本发明的实验流程图。
图2是WQI的模型测试结果,其中(a)灞河口国控断面WQI的模型测试结果,(b)是泾河桥国控断面WQI的模型测试结果。
图3是未来一周WQI的模型预测结果,其中(a)是灞河口国控断面未来一周WQI的模型预测结果,(b)是泾河桥国控断面未来一周WQI的模型预测结果。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
传统的水质预测模型较为复杂且所需指标较多,制约了预测速度和效率,因此,为了进一步简化水质预测模型,提高水环境管理和治理的能力,本发明对水质预测模型进行优化,以实现水环境质量的精确预测并进一步减少设备运行、磨损、维修的费用以及人员的投资费用。
如图1所示,本发明首先获取水环境监测数据并得到实验数据,通过敏感性分析方法甄别出影响水环境质量的关键控制因子;然后以WQI作为输出变量,分别以水质五项指标和关键控制因子为输入变量对LSTM模型进行模型训练,并在测试集中进行测试;最后利用训练好的模型,分别使用关键控制因子的LSTM模型和全部水质指标的LSTM模型实现对未来一周内WQI的精确预测。
具体地,本发明提供了一种基于关键控制因子的地表水水质变化趋势预测方法,包括以下步骤:
S1,采集水环境监测数据得到实验数据集。
水环境监测数据包括溶解氧(DO)、高锰酸盐指数(CODMn)、氨氮(NH4 +-N)、总磷(TP)、总氮(TN)。本实施例实验数据集是2019年1月~2021年8月的水环境监测数据,为灞河口、泾河桥国控断面日常监测指标溶解氧(DO)、高锰酸盐指数(CODMn)、氨氮(NH4 +-N)、总磷(TP)、总氮(TN)的原始数据集。
S2,基于Pesce S F在2000年论文中使用的WQI计算方法,利用S1得到的DO、CODMn、NH4 +-N、TP、TN的实验数据,通过公式对WQI进行计算,式中,ci为赋值给第i个指标参数的归一化值,赋值为100,90,80,70,60,50,40,30,20,10,0;指标参数即溶解氧(DO)、高锰酸盐指数(CODMn)、氨氮(NH4 +-N)、总磷(TP)、总氮(TN),n为指标参数的总数,即n为5;pi为第i个指标参数的相对权重,范围在1~4之间。
具体步骤如下:
S2.1、首先根据表1查找出每一个监测数据的权重值和归一化;
表1WQI计算相应指标的归一化值和权重值
S2.2、将通过表1查找出的ci与pi值代入公式进行计算。
S3,通过敏感性分析方法甄别出影响水环境质量的关键控制因子。
通过公式对DO、CODMn、NH4 +-N、TP、TN各指标的敏感性系数进行计算,其中βi为第i个指标参数的敏感性系数;λy为第i个指标参数的变化引起的WQI变化率;λx为第i个指标参数的变化率;Δxi为第i个指标参数的变化幅度,在本实施例中,指DO、CODMn、NH4 +-N、TP、TN分别在+5%、-5%、+10%、-10%、+15%、-15%、+20%、-20%的变化幅度下,变化后的DO、CODMn、NH4 +-N、TP、TN与没有变化之前的DO、CODMn、NH4 +-N、TP、TN的差值;Δyi为第i个指标参数的变化引起的WQI的变化幅度,在本实施例中,指DO、CODMn、NH4 +-N、TP、TN分别在+5%、-5%、+10%、-10%、+15%、-15%、+20%、-20%的变化幅度下,变化后的WQI与没有变化之前的WQI的差值;y0为WQI的基准值,即输入DO、CODMn、NH4 +-N、TP、TN在地表水环境质量标准《GB3838-2002》中的III类标准后,输出的WQI值;x0为第i个指标参数的基准值,即DO、CODMn、NH4 +-N、TP、TN在地表水环境质量标准《GB3838-2002》中的III类标准。通过各指标敏感性系数的大小确定影响水质的关键控制因子,即,敏感性系数越大,说明相应指标参数的微弱变化也会引起目标的较为巨大的变化,即说明该指标参数是影响水质的关键控制因子。因此,将敏感性系数从大到小排列,取前几个敏感性系数对应的指标参数作为水环境质量的关键控制因子。
其具体过程如下:
S3.1)通过《地表水环境质量标准》(GB3838-2002)查找出DO、CODMn、NH4 +-N、TP、TN指标参数的III类标准浓度限值,即x0值列于表2中;
表2DO、CODMn、NH4 +-N、TP、TN指标参数的III类标准浓度限值
指标 | DO | COD<sub>Mn</sub> | NH<sub>4</sub><sup>+</sup>-N | TP | TN |
基准值 | 5mg/L | 6mg/L | 1mg/L | 0.2mg/L | 1mg/L |
S3.2)其ci值分别为60、60、20、50、50,pi值分别为4、3、3、4、2。将ci与pi值代入公式中得到WQI=(4×60+3×60+3×20+4×50+2×50)/(4+3+3+4+2)=48.75,即y0为48.75;
S3.3)每个指标参数分别在+5%、-5%、+10%、-10%、+15%、-15%、+20%、-20%的变化幅度下,计算出Δxi,即0.05xi、-0.05xi、0.1xi、-0.1xi、0.15xi、-0.15xi、0.2xi、-0.2xi;
S3.4)根据每个指标参数变化后的值,将其代入WQI计算公式,计算出WQI变化后的值,然后得到Δyi;
S3.5)根据公式对计算出DO、CODMn、NH4 +-N、TP、TN各指标参数在+5%、-5%、+10%、-10%、+15%、-15%、+20%、-20%的变化幅度下的敏感性系数,即将步骤S3.1、S3.2、S3.3和S3.4计算得到的x0、y0、Δxi、Δyi值代入公式取绝对值后得到敏感性系数的值;
S3.6)根据每个指标的敏感性系数大小甄别出影响水环境质量的关键控制因子,以敏感性系数排在前三的指标参数作为影响水环境质量的关键控制因子,在本实施例中,为NH4 +-N、TP、CODMn。
S4,将S1获得的实验数据集中的数据按比例划分为训练集和测试集。
本实施例中,将实验数据集按照8:2的比例划分为训练集与测试集,即实验数据集的80%作为训练集,实验数据集的20%作为测试集。
S5,构建长短期记忆网络(Long-Short Time Memory,LSTM)模型,并定义全连接层、损失函数和迭代优化算法;
本发明使用的深度学习框架是基于Tensorflow.Keras中的sequential模型,构建了三层的LSTM网络(即1个隐藏层),其输入层input_shape为(7,6);添加隐藏层和全连接层Dense,激活函数设置为“sigmoid”。
S6,以综合水质指数(Water Quality Index,WQI)作为输出变量,分别以水质五项指标和关键控制因子为输入变量对LSTM模型进行模型训练,确定epochs和batch_size等模型参数,并在测试集中进行测试,计算出测试值与真实值之间的误差(即均方根误差RMSE)。
将训练集中的实验数据(即DO、CODMn、NH4 +-N、TP、TN)输入到LSTM模型中进行模型训练,反复不断的对epochs、batch_size进行调节测试,最终选取epochs=50、batch_size=16,均方根误差计算公式为其中yi代表真实值,Yi代表测试值,n代表样本数量。
S7,利用训练好的LSTM模型,为说明基于关键控制因子的LSTM模型也能实现对未来WQI的较为精确的预测,分别使用关键控制因子的LSTM模型和全部水质指标的LSTM模型实现对未来一周内WQI进行预测,并对预测结果进行对比说明。
本发明具体效果通过以下测试进一步说明:
1、实验环境
测试实验在配置了Windows 10系统、Intel(R)Xeon(R)Silver 4210R CPU@2.40GHz,RTX 3090GPU*4,128GB。
2、实验数据
通过数据获取,最终灞河口国控断面共采集到974组数据,泾河桥国控断面共采集到920组数据,其中灞河口国控断面训练集数据787组,测试集数据187组;泾河桥国控断面训练集数据744组,测试集数据176组。
3、实验结果
参考图2中(a)和图3中(a),在灞河口国控断面,水质指标(DO、CODMn、NH4 +-N、TP、TN)与水质关键控制因子(NH4 +-N、TP、CODMn)得到的WQI值与测试集真实值的均方根误差分别为2.77和2.82。
参考图2中(b)和图3中(b),在泾河桥国控断面,水质指标(DO、CODMn、NH4 +-N、TP、TN)与水质关键控制因子(NH4 +-N、TP、CODMn)得到的WQI值与测试集真实值的均方根误差分别为2.70和2.75。说明采用水质关键控制因子(NH4 +-N、TP、CODMn)也能实现WQI的较为精确的预测,这进一步减少了水环境质量预测所需的指标,从而降低了水环境质量的预测成本。均方根误差值越小,说明预测值与真实值之间的偏差就越小。
以上所述仅是本发明的实施方式,再次声明,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进,这些改进也列入本发明权利要求的保护范围之内。
Claims (5)
1.一种基于关键控制因子的地表水水质变化趋势预测方法,其特征在于,包括:
S1,采集水环境监测数据得到实验数据集,通过敏感性分析方法甄别出影响水环境质量的关键控制因子,将实验数据集中的数据按比例划分为训练集和测试集;
S2,以综合水质指数(Water Quality Index,WQI)作为输出变量,以关键控制因子为输入变量对长短期记忆网络(Long-Short Time Memory,LSTM)模型进行模型训练,并在测试集中进行测试;
S3,利用训练好的LSTM模型对未来一周内WQI进行预测。
2.根据权利要求1所述基于关键控制因子的地表水水质变化趋势预测方法,其特征在于,所述S1,水环境监测数据包括溶解氧(DO)、高锰酸盐指数(CODMn)、氨氮(NH4 +-N)、总磷(TP)、总氮(TN);所述实验数据集是2019年1月~2021年8月的水环境监测数据。
3.根据权利要求1所述基于关键控制因子的地表水水质变化趋势预测方法,其特征在于,所述S1,敏感性分析方法如下:
依据溶解氧(DO)、高锰酸盐指数(CODMn)、氨氮(NH4 +-N)、总磷(TP)、总氮(TN)的数据计算WQI,公式为:式中,ci为赋值给第i个指标参数的归一化值;指标参数即溶解氧(DO)、高锰酸盐指数(CODMn)、氨氮(NH4 +-N)、总磷(TP)、总氮(TN),n为指标参数的总数,即n为5;pi为第i个指标参数的相对权重,范围在1~4之间;
计算各指标参数的敏感性系数,公式为:式中,βi为第i个指标参数的敏感性系数;λy为第i个指标参数的变化引起的WQI变化率;λx为第i个指标参数的变化率;Δxi为第i个指标参数的变化幅度;Δyi为第i个指标参数的变化引起的WQI的变化幅度;y0为WQI的基准值;x0为第i个指标参数的基准值,通过各指标参数敏感性系数的大小确定影响水质的关键控制因子;
将敏感性系数从大到小排列,取前几个敏感性系数对应的指标参数作为水环境质量的关键控制因子。
4.根据权利要求1所述基于关键控制因子的地表水水质变化趋势预测方法,其特征在于,所述S2,以基于Tensorflow.Keras中的sequential模型为深度学习框架,LSTM模型由三层LSTM网络组成,分别为输入层、隐藏层和全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210736916.8A CN115034140A (zh) | 2022-06-27 | 2022-06-27 | 一种基于关键控制因子的地表水水质变化趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210736916.8A CN115034140A (zh) | 2022-06-27 | 2022-06-27 | 一种基于关键控制因子的地表水水质变化趋势预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115034140A true CN115034140A (zh) | 2022-09-09 |
Family
ID=83127037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210736916.8A Pending CN115034140A (zh) | 2022-06-27 | 2022-06-27 | 一种基于关键控制因子的地表水水质变化趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034140A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645007A (zh) * | 2023-06-29 | 2023-08-25 | 山东寰达生态环境科技股份有限公司 | 一种基于多维数据采集的环境评价方法及系统 |
-
2022
- 2022-06-27 CN CN202210736916.8A patent/CN115034140A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645007A (zh) * | 2023-06-29 | 2023-08-25 | 山东寰达生态环境科技股份有限公司 | 一种基于多维数据采集的环境评价方法及系统 |
CN116645007B (zh) * | 2023-06-29 | 2024-04-09 | 山东寰达生态环境科技股份有限公司 | 一种基于多维数据采集的环境评价方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
CN102854296B (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
CN109657790B (zh) | 一种基于pso的递归rbf神经网络出水bod预测方法 | |
CN114692507B (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
CN102262147A (zh) | 一种废水处理系统出水cod的软测量方法和系统 | |
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 | |
WO2014157748A1 (ko) | 최근린기법을 이용한 하수처리장의 유입유량과 유입성분농도의 예측 장치 및 방법 | |
CN110309609B (zh) | 一种基于粗糙集和wnn的建筑室内空气品质评价方法 | |
CN109472088A (zh) | 一种页岩气调产井生产压力动态预测方法 | |
CN112966891A (zh) | 一种河流水环境质量预测方法 | |
CN110542748B (zh) | 一种基于知识的鲁棒型出水氨氮软测量方法 | |
CN108595892A (zh) | 基于时间差分模型的软测量建模方法 | |
CN114858207A (zh) | 一种基于软测量的河道排污口网格化溯源排查方法 | |
CN117312816B (zh) | 一种特种钢材的冶炼效果评估方法及系统 | |
CN111027117A (zh) | 胶凝砂砾石配合比关键指标预测抗压强度的bp神经网络分析方法 | |
CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
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 | |
CN112765902A (zh) | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 | |
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 | |
CN110222916B (zh) | 农村生活污水a2o处理终端出水总氮浓度软测量方法及装置 | |
CN114862267A (zh) | 一种输油气管道报警管理体系的评价方法及系统 | |
CN113283288B (zh) | 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 | |
CN113111576A (zh) | 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 | |
CN117076887A (zh) | 一种泵站机组运行状态预测和健康评估方法及系统 | |
CN112446168A (zh) | 一种基于mic及rbfnn的出水bod浓度软测量方法 |
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 |