CN115062874B - 一种水体污染物监测预测分析方法及系统 - Google Patents

一种水体污染物监测预测分析方法及系统 Download PDF

Info

Publication number
CN115062874B
CN115062874B CN202210977853.5A CN202210977853A CN115062874B CN 115062874 B CN115062874 B CN 115062874B CN 202210977853 A CN202210977853 A CN 202210977853A CN 115062874 B CN115062874 B CN 115062874B
Authority
CN
China
Prior art keywords
grid
numerical
research object
object area
data
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.)
Active
Application number
CN202210977853.5A
Other languages
English (en)
Other versions
CN115062874A (zh
Inventor
李晟
赵春梅
沈正春
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.)
Chengdu Shenzheng Technology Co ltd
Original Assignee
Chengdu Shenzheng Technology Co ltd
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 Chengdu Shenzheng Technology Co ltd filed Critical Chengdu Shenzheng Technology Co ltd
Priority to CN202210977853.5A priority Critical patent/CN115062874B/zh
Publication of CN115062874A publication Critical patent/CN115062874A/zh
Application granted granted Critical
Publication of CN115062874B publication Critical patent/CN115062874B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

本发明提出了一种水体污染物监测预测分析方法及系统，涉及水环境监测技术领域。通过获取研究对象区域并根据研究对象区域在预置的平面投影地图上对研究对象区域进行平面数值网格的绘制；然后获取并将研究对象区域的多源异构监测数据映射至研究对象区域数值网格中；然后对研究对象区域进行数值模型驱动计算，得到各个研究对象区域数值网格单元的相关水质指标的预测值；最后将各个研究对象区域数值网格单元的相关水质指标的预测值反向映射至多源异构监测数据中对应监测数据的初始文件中，得到输出数据，建立一种数据映射、数据融合、以及数据预测的方法，采用具有物理机制的多因素耦合的水质模型，具有比统计分析方法更科学、更准确的预测效果。

Description

一种水体污染物监测预测分析方法及系统
技术领域
本发明涉及水环境监测技术领域，具体而言，涉及一种水体污染物监测预测分析方法及系统。
背景技术
目前全国各省市对水体水质监测大多数还停留在人工取样监测阶段，主要采用原子吸收法和比色法等。大部分监测结果能够准确定量的反应水体的水质特征。但是这种方式有三个较为明显的弊端。弊端一就是人工采样的周期太长，大部分采样周期是以周或月为单位，这么长的采样间隔不能准确的反应水体水质的变化规律。弊端二为采样和试验过程往往耗费大量的人力、物力和财力。不仅如此，而且试验的试剂多为有毒及腐蚀性物质，泄漏到水源附近容易造成二次污染。弊端三为很多城市河道分布广泛、面积偏小、数量较多、空间分布复杂。采用人工采样检测不仅会造成水体污染的滞后，难以及时反映污染源的排污释放情况。此外建立的水质自动监测站也存在监测参数可扩展性差、对异常数据识别不足等问题。
一方面，水环境数值模型发展越来越完善，并且在实际工作中发挥着越来越重要的角色。已从模拟水动力过程和流场分析，或简单水质变量的模拟与预测，发展到了对复杂的水生态环境过程开展模拟与预测。如今的应用非常广泛，例如环境规划、环境保护标准、总量控制、排污许可证、环境影响评价、污染防治规划、环境功能区划、水系规划方案和制定应急预案等诸多方面。所能解决问题的综合性、系统性和复杂程度越来越高，是水环境生态领域研究的热点。但是这种方法在水环境领域也面临一个问题，就是初值问题，因为上文所述的现有水质监控方式主要以点位式的人工采样监测为主，这样的采样周期和点位不能满足数值模型的初值场的需求，因此水环境数值模型的大规模应用还是受到现有条件的限制。
另一方面，遥感技术的快速发展使得宏观的、高频的、多样的对陆地湖泊水域进行监测成为现实，尤其是水温的遥感监测，精度已经很高了。其次通过多源遥感技术对于氮磷、叶绿素a、的反演监测也进入到实质性应用阶段。但遥感监测水环境最大的问题在于这是一种基于经验公式的方法，并且监测精度会受到天气、云层以及人工采样对比点的限制，最为重要的是遥测结果只能提供某一瞬时的静态数据，不能将数据进行预测推演。
发明内容
本发明的目的在于提供一种水体污染物监测预测分析方法及系统，用以改善现有技术中采样周期和点位不能满足数值模型的初值场的需求，因此水环境数值模型的大规模应用还是受到现有条件的限制，遥感监测精度会受到天气、云层以及人工采样对比点的限制，遥测结果只能提供某一瞬时的静态数据，不能将数据进行预测推演的问题。
第一方面，本申请实施例提供一种水体污染物监测预测分析方法，包括以下步骤：
获取研究对象区域；
根据研究对象区域在预置的平面投影地图上对研究对象区域进行平面数值网格的绘制，得到研究对象区域数值网格；
获取并将研究对象区域的多源异构监测数据映射至研究对象区域数值网格中，得到数值计算初始场；
根据数值计算初始场对研究对象区域进行数值模型驱动计算，得到各个研究对象区域数值网格单元的相关水质指标的预测值；
将各个研究对象区域数值网格单元的相关水质指标的预测值反向映射至多源异构监测数据中对应监测数据的初始文件中，得到输出数据。
上述实现过程中，通过获取研究对象区域并根据研究对象区域在预置的平面投影地图上对研究对象区域进行平面数值网格的绘制，得到研究对象区域数值网格；然后获取并将研究对象区域的多源异构监测数据映射至研究对象区域数值网格中，得到数值计算初始场；然后根据数值计算初始场对研究对象区域进行数值模型驱动计算，得到各个研究对象区域数值网格单元的相关水质指标的预测值；最后将各个研究对象区域数值网格单元的相关水质指标的预测值反向映射至多源异构监测数据中对应监测数据的初始文件中，得到输出数据。通过以数值网格为载体，以地面监测数据和遥感遥测数据、气象数据等多源异构数据为数据源、以水环境参数的水动力输运、扩散和生化反应作为水体污染物预测分析的驱动力，建立关于具有时序属性的点线面体多源异构数据在不同业务软件不同业务环境下的一种数据映射、数据融合、以及数据预测的方法，并在水体污染物监测预测方面，采用具有物理机制的多因素耦合的水质模型，具有比统计分析方法更科学、更准确的预测效果。
基于第一方面，在本发明的一些实施例中，获取并将研究对象区域的多源异构监测数据映射至研究对象区域数值网格中，得到数值计算初始场的步骤包括以下步骤：
获取研究对象区域的多源异构监测数据；
提取并将多源异构监测数据中的点式数据根据就近原则写入至研究对象区域数值网格的网格节点上；
提取并将多源异构监测数据中的时间序列数据根据就近原则写入至研究对象区域数值网格的网格节点上，并在时间上进行拟合插值；
提取并将多源异构监测数据中的遥感遥测数据写入至研究对象区域数值网格的格栅单元中，以形成数值计算初始场。
基于第一方面，在本发明的一些实施例中，提取并将多源异构监测数据中的遥感遥测数据写入至研究对象区域数值网格的格栅单元中，以形成数值计算初始场的步骤包括以下步骤：
提取并根据遥感遥测数据中的原点坐标和图像分辨率计算得到遥感遥测图像中各个格栅单元的各个顶点坐标；
根据遥感遥测图像中各个格栅单元的各个顶点坐标计算得到格栅单元中心坐标；
根据格栅单元中心坐标将遥感遥测数据插值到研究对象区域数值网格的格栅单元中，以形成数值计算初始场。
基于第一方面，在本发明的一些实施例中，根据格栅单元中心坐标将遥感遥测数据插值到研究对象区域数值网格的格栅单元中，以形成数值计算初始场的步骤包括以下步骤：
根据格栅单元中心坐标判断该格栅单元是否属于研究对象区域数值网格，若属于，则将所有属于该研究对象区域数值网格的格栅单元中的参数值进行加权平均，得到并将平均值写入到研究对象区域数值网格的格栅单元中；若不属于，则结束。
基于第一方面，在本发明的一些实施例中，还包括以下步骤：
分别判断研究对象区域数值网格中的各个格栅单元是否具有参数值，若是，则结束；若否，则将相邻单元参数值进行加权平均，得到并将对应参数值写入对应的格栅单元。
基于第一方面，在本发明的一些实施例中，根据数值计算初始场对研究对象区域进行数值模型驱动计算，得到各个研究对象区域数值网格单元的相关水质指标的预测值的步骤包括以下步骤：
根据数值计算初始场对研究对象区域进行水动力场计算，得到各个研究对象区域数值网格单元的水动力信息；
基于各个研究对象区域数值网格单元的水动力信息，通过预置的水质模型计算研究对象区域的水质参数，得到各个研究对象区域数值网格单元的相关水质指标的预测值。
基于第一方面，在本发明的一些实施例中，根据数值计算初始场对研究对象区域进行水动力场计算，得到各个研究对象区域数值网格单元的水动力信息的步骤包括以下步骤：
根据数值计算初始场对预置的连续性方程和预置的运动方程采用交替隐式差分逐行法进行空间上的积分，得到每个方向及网格线所产生的方程矩阵；
采用追赶法求解每个方向及网格线所产生的方程矩阵，得到各个研究对象区域数值网格单元的水动力信息。
第二方面，本申请实施例提供一种水体污染物监测预测分析系统，包括：
研究对象区域确定模块，用于获取研究对象区域；
数值网络构建模块，用于根据研究对象区域在预置的平面投影地图上对研究对象区域进行平面数值网格的绘制，得到研究对象区域数值网格；
多源异构数据网格映射模块，用于获取并将研究对象区域的多源异构监测数据映射至研究对象区域数值网格中，得到数值计算初始场；
数值模型驱动计算模块，用于根据数值计算初始场对研究对象区域进行数值模型驱动计算，得到各个研究对象区域数值网格单元的相关水质指标的预测值；
数据输出模块，用于将各个研究对象区域数值网格单元的相关水质指标的预测值反向映射至多源异构监测数据中对应监测数据的初始文件中，得到输出数据。
上述实现过程中，通过研究对象区域确定模块获取研究对象区域，数值网络构建模块根据研究对象区域在预置的平面投影地图上对研究对象区域进行平面数值网格的绘制，得到研究对象区域数值网格；多源异构数据网格映射模块获取并将研究对象区域的多源异构监测数据映射至研究对象区域数值网格中，得到数值计算初始场；数值模型驱动计算模块根据数值计算初始场对研究对象区域进行数值模型驱动计算，得到各个研究对象区域数值网格单元的相关水质指标的预测值；数据输出模块将各个研究对象区域数值网格单元的相关水质指标的预测值反向映射至多源异构监测数据中对应监测数据的初始文件中，得到输出数据。通过以数值网格为载体，以地面监测数据和遥感遥测数据、气象数据等多源异构数据为数据源、以水环境参数的水动力输运、扩散和生化反应作为水体污染物预测分析的驱动力，建立关于具有时序属性的点线面体多源异构数据在不同业务软件不同业务环境下的一种数据映射、数据融合、以及数据预测的方法，并在水体污染物监测预测方面，采用具有物理机制的多因素耦合的水质模型，具有比统计分析方法更科学、更准确的预测效果。
第三方面，本申请实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
本发明实施例至少具有如下优点或有益效果：
本发明实施例提供一种水体污染物监测预测分析方法及系统，通过获取研究对象区域并根据研究对象区域在预置的平面投影地图上对研究对象区域进行平面数值网格的绘制，得到研究对象区域数值网格；然后获取并将研究对象区域的多源异构监测数据映射至研究对象区域数值网格中，得到数值计算初始场；然后根据数值计算初始场对研究对象区域进行数值模型驱动计算，得到各个研究对象区域数值网格单元的相关水质指标的预测值；最后将各个研究对象区域数值网格单元的相关水质指标的预测值反向映射至多源异构监测数据中对应监测数据的初始文件中，得到输出数据。通过以数值网格为载体，以地面监测数据和遥感遥测数据、气象数据等多源异构数据为数据源、以水环境参数的水动力输运、扩散和生化反应作为水体污染物预测分析的驱动力，建立关于具有时序属性的点线面体多源异构数据在不同业务软件不同业务环境下的一种数据映射、数据融合、以及数据预测的方法，并在水体污染物监测预测方面，采用具有物理机制的多因素耦合的水质模型，具有比统计分析方法更科学、更准确的预测效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种水体污染物监测预测分析方法流程图；
图2为本发明实施例提供的水质参数的相互关系图；
图3为本发明实施例提供的工作流程图；
图4为本发明实施例提供的一种水体污染物监测预测分析系统结构框图；
图5为本发明实施例提供的一种电子设备的结构框图。
图标：110-研究对象区域确定模块；120-数值网络构建模块；130-多源异构数据网格映射模块；140-数值模型驱动计算模块；150-数据输出模块；101-存储器；102-处理器；103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
实施例
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
请参看图1和图3，图1为本发明实施例提供的一种水体污染物监测预测分析方法流程图，图3为本发明实施例提供的工作流程图。该水体污染物监测预测分析方法，包括以下步骤：
步骤S110：获取研究对象区域；上述研究对象区域是指需要进行监测预测的区域。上述研究对象区域可以是区域名称，也可以是区域代号，还可以是区域地图等。
步骤S120：根据研究对象区域在预置的平面投影地图上对研究对象区域进行平面数值网格的绘制，得到研究对象区域数值网格；上述进行平面数值网格的绘制是在平面投影的地图（如UTM或web墨卡托）上对研究对象进行平面数值网格的绘制，网格的形式包括但不限于笛卡尔网格、正交曲线网格、三角形网格以及多边形网格等单一形式或混合形式，得到网格顶点坐标和网格单元中心坐标，以形成研究对象区域数值网格。
步骤S130：获取并将研究对象区域的多源异构监测数据映射至研究对象区域数值网格中，得到数值计算初始场；上述多源异构数据包括地面监测的点式数据、雨量气象站的点式时间序列数据、遥感遥测的面式数据、以及水下扫描的体式数据等。对于各种数据采用不同的映射方式进行映射，主要包括以下步骤：
首先，获取研究对象区域的多源异构监测数据；上述获取可以是从多种测试仪器或平台中获取得到。上述多源异构监测数据包括有点式数据、面试数据、体式数据、时间序列数据等。
然后，提取并将多源异构监测数据中的点式数据根据就近原则写入至研究对象区域数值网格的网格节点上；对于点式数据根据就近原则写入其最近的网格节点，数据在时间上保持不变。
然后，提取并将多源异构监测数据中的时间序列数据根据就近原则写入至研究对象区域数值网格的网格节点上，并在时间上进行拟合插值；上述时间序列数据可以根据就近原则写入其最近的网格节点，数据在时间上进行拟合插值，上述插值方式包括线性插值和非线性插值。
最后，提取并将多源异构监测数据中的遥感遥测数据写入至研究对象区域数值网格的格栅单元中，以形成数值计算初始场。上述遥感遥测数据包括遥感遥测的面式数据，可以写在格栅单元里。具体写入方式包括以下步骤：
第一步，提取并根据遥感遥测数据中的原点坐标和图像分辨率计算得到遥感遥测图像中各个格栅单元的各个顶点坐标；比如格栅单元包括四个顶点，可以根据原点坐标和图像分辨率算出每个格栅单元的四个顶点坐标。
第二步，根据遥感遥测图像中各个格栅单元的各个顶点坐标计算得到格栅单元中心坐标；上述计算可以是根据各个顶点坐标值求取平均计算得到中心坐标，还可以是根据平面几何计算得到格栅单元的中心坐标。
第三步，根据格栅单元中心坐标将遥感遥测数据插值到研究对象区域数值网格的格栅单元中，以形成数值计算初始场。上述可以将遥感遥测的面式数据按以下方法进行插值：
根据格栅单元中心坐标判断该格栅单元是否属于研究对象区域数值网格，若属于，则将所有属于该研究对象区域数值网格的格栅单元中的参数值进行加权平均，得到并将平均值写入到研究对象区域数值网格的格栅单元中；若不属于，则结束。上述判断是判断格栅单元中心坐标是否在研究对象区域数值网格内，若在，则属于，反之，则不属于。上述加权平均的方法中涉及到加权系数，其加权系数的确定包括但不限于：距离、面积等。
当所有格栅单元插值完成后，检查是否所有的数值网格单元都具有参数值，即分别判断研究对象区域数值网格中的各个格栅单元是否具有参数值，若是，则结束；若否，则将相邻单元参数值进行加权平均，得到并将对应参数值写入对应的格栅单元。上述加权平均的方法中涉及到加权系数，其加权系数的确定包括但不限于：距离、面积等。
其中，时间序列的面式数据和体式数据在时间上的拟合插值同点式数据一样，包括线性插值和非线性插值。
上述将多源异构数据在研究对象区域数值网格中写入后，就得到了数值计算初始场。数值计算初始场包括水动力场。
步骤S140：根据数值计算初始场对研究对象区域进行数值模型驱动计算，得到各个研究对象区域数值网格单元的相关水质指标的预测值；上述数值模型驱动计算步骤如下：
首先，根据数值计算初始场对研究对象区域进行水动力场计算，得到各个研究对象区域数值网格单元的水动力信息；上述进行水动力场计算可以是通过地面监测的研究对象边界的水位、流量、风力数据、温度数据进行水动力场的计算。计算公式包括二维浅水水动力方程组，其中，连续方程为：
Figure 582165DEST_PATH_IMAGE001
运动方程为：
Figure 233726DEST_PATH_IMAGE002
式中：
Figure 934835DEST_PATH_IMAGE003
为自由水面水位；
Figure 798886DEST_PATH_IMAGE004
为水深；
Figure 82099DEST_PATH_IMAGE005
、
Figure 888250DEST_PATH_IMAGE006
分别为x，y方向的流量密度，
Figure 827387DEST_PATH_IMAGE007
，
Figure 760708DEST_PATH_IMAGE008
，其中
Figure 350959DEST_PATH_IMAGE009
、
Figure 78743DEST_PATH_IMAGE010
分别为x、y方向的平均水流流速；g为重力加速度；
Figure 754444DEST_PATH_IMAGE011
为阻力系数；
Figure 960297DEST_PATH_IMAGE012
为风 摩擦因素，
Figure 952524DEST_PATH_IMAGE013
，
Figure 116789DEST_PATH_IMAGE014
为风应力系数，
Figure 545365DEST_PATH_IMAGE015
为空气密度；
Figure 492593DEST_PATH_IMAGE016
、
Figure 854173DEST_PATH_IMAGE017
分别为风速及X、Y方向的风速 矢量；
Figure 923760DEST_PATH_IMAGE018
为Coriol系数。
上述计算水动力信息具体可以是对连续性方程及运动方程采用交替隐式差分逐行法进行空间上的积分，用追赶法求解由每个方向及网格线所产生的方程矩阵。即首先根据数值计算初始场对预置的连续性方程和预置的运动方程采用交替隐式差分逐行法进行空间上的积分，得到每个方向及网格线所产生的方程矩阵；然后采用追赶法求解每个方向及网格线所产生的方程矩阵，得到各个研究对象区域数值网格单元的水动力信息。计算结束后得到在时间方向上的每个数值单元的水动力信息，包括速度矢量、流量、温度、湍流强度等参数。
然后，基于各个研究对象区域数值网格单元的水动力信息，通过预置的水质模型计算研究对象区域的水质参数，得到各个研究对象区域数值网格单元的相关水质指标的预测值。上述水质模型包含水温、pH、溶解氧、浊度、化学需氧量、高锰酸盐指数、氨氮、总氮、总磷以及叶绿素a等指标，水质参数计算过程中考虑指标的输运、扩散、弥散以及生化反应过程，可以采用物质输运方程进行计算，公式如下：
Figure 121523DEST_PATH_IMAGE019
其中，
Figure 121709DEST_PATH_IMAGE020
为水质指标浓度，
Figure 88528DEST_PATH_IMAGE021
为时间，
Figure 594596DEST_PATH_IMAGE022
、
Figure 14076DEST_PATH_IMAGE023
为分方向对流速度，
Figure 614690DEST_PATH_IMAGE024
、
Figure 436016DEST_PATH_IMAGE025
为分方向扩 散系数，
Figure 847406DEST_PATH_IMAGE026
为点源和非点源负荷，
Figure 754182DEST_PATH_IMAGE027
为上下游、底部及大气界面等边界负荷，
Figure 892908DEST_PATH_IMAGE028
为源汇项。
在计算过程中，可以根据水质参数的相互关系进行计算，请参看图2，图2为本发明实施例提供的水质参数的相互关系图。各物质的计算公式如下：
1. 温度
Figure 834319DEST_PATH_IMAGE030
其中：ModTemp表示模拟温度[℃]；RcHeat表示过剩温度交换速率常数[d-1]；FactRcHeat表示过剩温度交换速率常数因子；Surtemp表示过剩温度[℃]；ZHeatExch表示零阶温度交换通量[℃d-1]；
2. pH
Figure 151031DEST_PATH_IMAGE032
Figure 545103DEST_PATH_IMAGE033
其中：TICM表示摩尔总无机碳浓度[mmolC kg-1]；K1表示碳酸一级解离常数[mol kg-1]；K2表示碳酸二级解离常数[mol kg-1]；[H+]表示氢离子浓度[mol kg-1]；
Figure 34990DEST_PATH_IMAGE034
表示水 解离常数[mol2 kg-2]；
Figure 814596DEST_PATH_IMAGE035
表示摩尔碱度[mmolHCO3 kg-1]；
3. 溶解氧
Figure 567789DEST_PATH_IMAGE037
其中：DO表示溶解氧浓度[gm-3]；PNi表示藻类吸收氨氮的偏好因子（0≤PNi≤1）； Pi表示藻类i的生产率[d-1]；FCDi表示藻类i排泄常数[-]；
Figure 183578DEST_PATH_IMAGE038
表示藻类i溶解态有机碳 排泄时的溶解氧半饱和常数；BMi表示藻类i的基础代谢速率[d-1]；AOCR表示呼吸作用所消 耗的溶解氧与碳比率；Bi表示藻类i生物量[gm-3]；AONT表示单位氨氮硝化消耗的溶解氧； Nit表示硝化作用速率[d-1]；NH4表示氨氮浓度[gm-3]；
Figure 680418DEST_PATH_IMAGE039
表示异养呼吸速率[d-1]；DOC表 示溶解有机碳浓度[gm-3]；
Figure 580110DEST_PATH_IMAGE040
表示化学需氧量氧化的溶解氧半饱和常数[gm-3]；
Figure 238624DEST_PATH_IMAGE041
表示化学需氧量的氧化速率[d-1]；
Figure 404027DEST_PATH_IMAGE042
表示化学需氧量浓度[gm-3]；
Figure 438979DEST_PATH_IMAGE043
表示大 气复氧系数[d-1]；
Figure 209489DEST_PATH_IMAGE044
表示溶解氧在水中的饱和浓度[gm-3 d-1]；
Figure 22593DEST_PATH_IMAGE045
表示沉积物需氧量 [gm-2d-1]；
Figure 878553DEST_PATH_IMAGE046
表示溶解氧的外部负荷[gd-1]；
4. 浊度
Figure 513934DEST_PATH_IMAGE047
其中：u表示颗粒沉降速度[cms-1]；ρs表示颗粒密度[gcm-1]；ρ表示水密度[gcm-1]；g为重力加速度[cms-2]；μ为水的粘附系数[Pa·s]；
d为颗粒直径[cm]；
5. CODCr
Figure 873371DEST_PATH_IMAGE048
其中：
Figure 873688DEST_PATH_IMAGE049
表示CODCr衰减通量[gO2 m-3d-1]；
Figure 200633DEST_PATH_IMAGE050
表示20℃时COD衰减速 率[d-1]；
Figure 639705DEST_PATH_IMAGE051
表示重铬酸钾法测定COD值[gO2 m-3]；
Figure 119228DEST_PATH_IMAGE052
COD表示COD衰减温度系数[-]； T表示温度[℃]；
6. 高锰酸盐指数（CODMn）
Figure 556025DEST_PATH_IMAGE053
其中：
Figure 120999DEST_PATH_IMAGE054
表示CODMn衰减通量[gO2 m-3d-1]；
Figure 550712DEST_PATH_IMAGE055
表示20℃时COD衰减速 率[d-1]；
Figure 884741DEST_PATH_IMAGE056
表示重铬酸钾法测定COD值[gO2 m-3]；
Figure 492440DEST_PATH_IMAGE057
COD表示COD衰减温度系数[-]；T 表示温度[℃]；
7. 氨氮
Figure 279131DEST_PATH_IMAGE059
其中：NH4表示氨氮浓度[gm-3]；FNIi表示藻类团i基础代谢产生的氮中无机氮所占 比例[-]；BMi表示藻类团i的基础代谢速率[d-1]；FNIP表示被捕食的氮中无机氮所占比例； PRi表示藻类i的捕食消耗率[d-1]；PNi表示藻类吸收氨氮的偏好因子（0≤PNi≤1）；Pi表示 藻类i的生产率[d-1]；ANCi表示藻类i中的氮碳比[-]；Bi表示藻类i生物量[gm-3]；
Figure 246955DEST_PATH_IMAGE060
表 示溶解性有机氮的矿化速率[d-1]；
Figure 701070DEST_PATH_IMAGE061
表示溶解性有机氮浓度[gm-3]；Nit表示硝化作用 速率[d-1]；BFNH4表示沉积物-水界面的氨通量[gm-2d-1]；WNH4表示氨的外部负荷[gd-1]；
8. 总氮
Figure 745250DEST_PATH_IMAGE063
Figure 284816DEST_PATH_IMAGE065
Figure 56331DEST_PATH_IMAGE067
Figure 99374DEST_PATH_IMAGE069
其中：PON表示颗粒态有机氮浓度[gm-3]；FNRi表示藻类i基础代谢产生氮中颗粒态 有机氮的比例[-]；BMi表示藻类i的基础代谢速率[d-1]；FNRP表示被捕食的氮中稳定颗粒态 有机氮所占比例[-]；FNLP表示被捕食的氮中不稳定颗粒态有机氮所占比例[-]；ANCi表示 藻类i中的氮与碳的比值[-]；Bi表示藻类i生物量[gm-3]；
Figure 48875DEST_PATH_IMAGE070
表示稳定颗粒态有机氮的 水解速率[d-1]；
Figure 810158DEST_PATH_IMAGE071
表示不稳定颗粒态有机氮的水解速率[d-1]；
Figure 385365DEST_PATH_IMAGE072
表示稳定颗粒 有机氮的浓度[gm-3]；
Figure 548493DEST_PATH_IMAGE073
表示不稳定颗粒有机氮的浓度[gm-3]；
Figure 668895DEST_PATH_IMAGE074
表示稳定颗粒沉 降速率[md-1]；
Figure 183053DEST_PATH_IMAGE075
表示不稳定颗粒沉降速率[md-1]；
Figure 296372DEST_PATH_IMAGE076
表示稳定颗粒态有机氮 的外部负荷量[gd-1]；
Figure 314006DEST_PATH_IMAGE077
表示不稳定颗粒态有机氮的外部负荷量[gd-1]；
Figure 870890DEST_PATH_IMAGE078
表示 溶解态有机氮浓度[gm-3]；FNDi表示藻类i基础代谢产生氮中溶解态有机氮的比例[-]；FNDP 表示捕食的氮中溶解态有机氮所占比例[-]；
Figure 403502DEST_PATH_IMAGE079
表示稳定颗粒态有机氮的水解速率 [d-1]；
Figure 71244DEST_PATH_IMAGE080
表示不稳定颗粒态有机氮的水解速率[d-1]；RPON表示稳定颗粒态有机氮浓 度[gm-3]；LPON表示不稳定颗粒态有机氮浓度[gm-3]；
Figure 192652DEST_PATH_IMAGE081
表示溶解态有机氮的水解速率 [d-1]；
Figure 920437DEST_PATH_IMAGE082
表示溶解态有机氮的外部负荷量[gd-1]；NH4表示氨氮浓度[gm-3]；FNIi表示 藻类团i基础代谢产生的氮中无机氮所占比例[-]；BMi表示藻类团i的基础代谢速率[d-1]； FNIP表示被捕食的氮中无机氮所占比例[-]；PRi表示藻类i的捕食消耗率[d-1]；PNi表示藻 类吸收氨氮的偏好因子（0≤PNi≤1）；Pi表示藻类i的生产率[d-1]；ANCi表示藻类i中的氮碳 比[-]；Bi表示藻类i生物量[gm-3]；
Figure 143608DEST_PATH_IMAGE081
表示溶解性有机氮的矿化速率[d-1]；
Figure 349461DEST_PATH_IMAGE083
表示 溶解性有机氮浓度[gm-3]；Nit表示硝化作用速率[d-1]；BFNH4表示沉积物-水界面的氨通量 [gm-2 d-1]；WNH4表示氨的外部负荷[gd-1]；NO3表示硝酸根浓度[gm-3]；ANDC表示单位溶解性 有机碳氧化时消耗的硝酸氮[-]；Denit表示反硝化作用速率[d-1]；DOC表示溶解性有机碳浓 度[gm-3]；BFNO3表示沉积物-水界面的硝酸通量[gm-2d-1]；WNO3表示硝酸盐外部负荷[gd-1]；
9. 总磷
Figure 590956DEST_PATH_IMAGE085
Figure 489642DEST_PATH_IMAGE087
Figure 668950DEST_PATH_IMAGE089
其中：POP表示颗粒态有机磷浓度[gm-3]；FPRi表示藻类i基础代谢产生磷中稳定颗 粒态有机磷的比例[-]；FPLi表示藻类i基础代谢产生磷中不稳定颗粒态有机磷的比例[-]； BMi表示藻类i的基础代谢速率[d-1]；FPRP表示捕食的磷中稳定颗粒态有机磷所占比例[-]； FPLP表示捕食的磷中不稳定颗粒态有机磷所占比例[-]；APCi表示藻类i中的磷与碳的比值 [-]；Bi表示藻类i生物量[gm-3]；
Figure 678494DEST_PATH_IMAGE090
表示稳定颗粒态有机磷的水解速率[d-1]；
Figure 587545DEST_PATH_IMAGE091
表示不稳定颗粒态有机磷的水解速率[d-1]；
Figure 640820DEST_PATH_IMAGE092
表示稳定颗粒沉降速率[md-1]；
Figure 573004DEST_PATH_IMAGE093
表示不稳定颗粒沉降速率[md-1]；
Figure 917398DEST_PATH_IMAGE094
表示稳定颗粒态有机磷的外部负荷量[gd-1]；
Figure 884217DEST_PATH_IMAGE095
表示不稳定颗粒态有机磷的外部负荷量[gd-1]；
Figure 593547DEST_PATH_IMAGE096
表示溶解态有机磷浓度[gm-3]；FPDi表示藻类i基础代谢产生磷中溶解态有机磷的比例[-]；FPDP表示捕食的磷中溶解 态有机磷所占比例[-]；
Figure 527874DEST_PATH_IMAGE090
表示稳定颗粒态有机磷的水解速率[d-1]；
Figure 675958DEST_PATH_IMAGE091
表示不稳 定颗粒态有机磷的水解速率[d-1]；RPOP表示稳定颗粒态有机磷浓度[gm-3]；LPOP表示不稳 定颗粒态有机磷浓度[gm-3]；
Figure 497284DEST_PATH_IMAGE097
表示溶解态有机磷的水解速率[d-1]；
Figure 643094DEST_PATH_IMAGE098
表示溶解态 有机磷的外部负荷量[gd-1]；PO4t表示总磷酸盐[gm-3]；PO4d表示溶解态磷酸盐[gm-3]；PO4p 表示颗粒（吸附）态磷酸盐[gm-3]；FPIi表示藻类i基础代谢产生磷种无机磷所占比例[-]； FPIP表示捕食的磷中无机磷所占比例[-]；PRi表示藻类i的捕食消耗率[d-1]；Pi表示藻类i 的生产率[d-1]；
Figure 346608DEST_PATH_IMAGE097
表示溶解性有机磷的矿化速率[d-1]；
Figure 236067DEST_PATH_IMAGE099
表示溶解性有机磷浓度 [gm-3]；
Figure 161166DEST_PATH_IMAGE100
表示悬移质沉降速度[md-1]；
Figure 477878DEST_PATH_IMAGE101
表示磷酸盐在沉积物-水界面的通量 [gm-2d-1]；WPO4t表示总磷酸盐的外部负荷[gd-1]；
10. 叶绿素a
Figure 668688DEST_PATH_IMAGE102
其中：Bi表示藻类i生物量[gm-3]；Pi表示藻类i的生产率[d-1]；BMi表示藻类i的基 础代谢速率[d-1]；PRi表示藻类i的捕食消耗率[d-1]；
Figure 361837DEST_PATH_IMAGE103
表示藻类i的沉降速率[md-1]；WBi 表示藻类i的外部负荷[gd-1]；V表示计算单元的体积[m3]；Cchf表示总叶绿素a浓度 [mgChfm-3]；achfi表示藻类i中的叶绿素a和碳的比值[gChfgC-1]。
按照上述公式计算结束后得到在时间方向上的每个数值网格单元的相关水质指标的预测值。
步骤S150：将各个研究对象区域数值网格单元的相关水质指标的预测值反向映射至多源异构监测数据中对应监测数据的初始文件中，得到输出数据。通过步骤S130中的数据映射方法反向将数值网格的数据插值回遥感格栅文件中，得到具有时间方向预测功能的遥感遥测数据文件和点式时间序列文件，输出数据包括但不限于以上数据格式。
上述实现过程中，通过获取研究对象区域并根据研究对象区域在预置的平面投影地图上对研究对象区域进行平面数值网格的绘制，得到研究对象区域数值网格；然后获取并将研究对象区域的多源异构监测数据映射至研究对象区域数值网格中，得到数值计算初始场；然后根据数值计算初始场对研究对象区域进行数值模型驱动计算，得到各个研究对象区域数值网格单元的相关水质指标的预测值；最后将各个研究对象区域数值网格单元的相关水质指标的预测值反向映射至多源异构监测数据中对应监测数据的初始文件中，得到输出数据。通过以数值网格为载体，以地面监测数据和遥感遥测数据、气象数据等多源异构数据为数据源、以水环境参数的水动力输运、扩散和生化反应作为水体污染物预测分析的驱动力，建立关于具有时序属性的点线面体多源异构数据在不同业务软件不同业务环境下的一种数据映射、数据融合、以及数据预测的方法，并在水体污染物监测预测方面，采用具有物理机制的多因素耦合的水质模型，具有比统计分析方法更科学、更准确的预测效果。
基于同样的发明构思，本发明还提出一种水体污染物监测预测分析系统，请参看图4，图4为本发明实施例提供的一种水体污染物监测预测分析系统结构框图。该水体污染物监测预测分析系统包括：
研究对象区域确定模块110，用于获取研究对象区域；
数值网络构建模块120，用于根据研究对象区域在预置的平面投影地图上对研究对象区域进行平面数值网格的绘制，得到研究对象区域数值网格；
多源异构数据网格映射模块130，用于获取并将研究对象区域的多源异构监测数据映射至研究对象区域数值网格中，得到数值计算初始场；
数值模型驱动计算模块140，用于根据数值计算初始场对研究对象区域进行数值模型驱动计算，得到各个研究对象区域数值网格单元的相关水质指标的预测值；
数据输出模块150，用于将各个研究对象区域数值网格单元的相关水质指标的预测值反向映射至多源异构监测数据中对应监测数据的初始文件中，得到输出数据。
上述实现过程中，通过研究对象区域确定模块110获取研究对象区域，数值网络构建模块120根据研究对象区域在预置的平面投影地图上对研究对象区域进行平面数值网格的绘制，得到研究对象区域数值网格；多源异构数据网格映射模块130获取并将研究对象区域的多源异构监测数据映射至研究对象区域数值网格中，得到数值计算初始场；数值模型驱动计算模块140根据数值计算初始场对研究对象区域进行数值模型驱动计算，得到各个研究对象区域数值网格单元的相关水质指标的预测值；数据输出模块150将各个研究对象区域数值网格单元的相关水质指标的预测值反向映射至多源异构监测数据中对应监测数据的初始文件中，得到输出数据。通过以数值网格为载体，以地面监测数据和遥感遥测数据、气象数据等多源异构数据为数据源、以水环境参数的水动力输运、扩散和生化反应作为水体污染物预测分析的驱动力，建立关于具有时序属性的点线面体多源异构数据在不同业务软件不同业务环境下的一种数据映射、数据融合、以及数据预测的方法，并在水体污染物监测预测方面，采用具有物理机制的多因素耦合的水质模型，具有比统计分析方法更科学、更准确的预测效果。
请参阅图5，图5为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本申请实施例所提供的一种水体污染物监测预测分析系统对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中，存储器101可以是但不限于，随机存取存储器（RandomAccessMemory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器（CentralProcessingUnit，CPU）、网络处理器（NetworkProcessor，NP）等；还可以是数字信号处理器（Digital Signal Processing，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，图5所示的结构仅为示意，电子设备还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (8)

1.一种水体污染物监测预测分析方法，其特征在于，包括以下步骤：
获取研究对象区域；
根据研究对象区域在预置的平面投影地图上对研究对象区域进行平面数值网格的绘制，得到研究对象区域数值网格；
获取并将研究对象区域的多源异构监测数据映射至研究对象区域数值网格中，得到数值计算初始场，包括：获取研究对象区域的多源异构监测数据；提取并将多源异构监测数据中的点式数据根据就近原则写入至研究对象区域数值网格的网格节点上；提取并将多源异构监测数据中的时间序列数据根据就近原则写入至研究对象区域数值网格的网格节点上，并在时间上进行拟合插值；提取并将多源异构监测数据中的遥感遥测数据写入至研究对象区域数值网格的格栅单元中，以形成数值计算初始场；
根据数值计算初始场对研究对象区域进行数值模型驱动计算，得到各个研究对象区域数值网格单元的相关水质指标的预测值，包括：根据数值计算初始场对研究对象区域进行水动力场计算，得到各个研究对象区域数值网格单元的水动力信息；基于各个研究对象区域数值网格单元的水动力信息，通过预置的水质模型计算研究对象区域的水质参数，得到各个研究对象区域数值网格单元的相关水质指标的预测值；
将各个研究对象区域数值网格单元的相关水质指标的预测值反向映射至多源异构监测数据中对应监测数据的初始文件中，得到输出数据。
2.根据权利要求1所述的水体污染物监测预测分析方法，其特征在于，所述提取并将多源异构监测数据中的遥感遥测数据写入至研究对象区域数值网格的格栅单元中，以形成数值计算初始场的步骤包括以下步骤：
提取并根据遥感遥测数据中的原点坐标和图像分辨率计算得到遥感遥测图像中各个格栅单元的各个顶点坐标；
根据遥感遥测图像中各个格栅单元的各个顶点坐标计算得到格栅单元中心坐标；
根据格栅单元中心坐标将遥感遥测数据插值到研究对象区域数值网格的格栅单元中，以形成数值计算初始场。
3.根据权利要求2所述的水体污染物监测预测分析方法，其特征在于，所述根据格栅单元中心坐标将遥感遥测数据插值到研究对象区域数值网格的格栅单元中，以形成数值计算初始场的步骤包括以下步骤：
根据格栅单元中心坐标判断该格栅单元是否属于研究对象区域数值网格，若属于，则将所有属于该研究对象区域数值网格的格栅单元中的参数值进行加权平均，得到并将平均值写入到研究对象区域数值网格的格栅单元中；若不属于，则结束。
4.根据权利要求2所述的水体污染物监测预测分析方法，其特征在于，还包括以下步骤：
分别判断研究对象区域数值网格中的各个格栅单元是否具有参数值，若是，则结束；若否，则将相邻单元参数值进行加权平均，得到并将对应参数值写入对应的格栅单元。
5.根据权利要求1所述的水体污染物监测预测分析方法，其特征在于，所述根据数值计算初始场对研究对象区域进行水动力场计算，得到各个研究对象区域数值网格单元的水动力信息的步骤包括以下步骤：
根据数值计算初始场对预置的连续性方程和预置的运动方程采用交替隐式差分逐行法进行空间上的积分，得到每个方向及网格线所产生的方程矩阵；
采用追赶法求解每个方向及网格线所产生的方程矩阵，得到各个研究对象区域数值网格单元的水动力信息。
6.一种水体污染物监测预测分析系统，其特征在于，包括：
研究对象区域确定模块，用于获取研究对象区域；
数值网络构建模块，用于根据研究对象区域在预置的平面投影地图上对研究对象区域进行平面数值网格的绘制，得到研究对象区域数值网格，包括：获取研究对象区域的多源异构监测数据；提取并将多源异构监测数据中的点式数据根据就近原则写入至研究对象区域数值网格的网格节点上；提取并将多源异构监测数据中的时间序列数据根据就近原则写入至研究对象区域数值网格的网格节点上，并在时间上进行拟合插值；提取并将多源异构监测数据中的遥感遥测数据写入至研究对象区域数值网格的格栅单元中，以形成数值计算初始场；
多源异构数据网格映射模块，用于获取并将研究对象区域的多源异构监测数据映射至研究对象区域数值网格中，得到数值计算初始场；
数值模型驱动计算模块，用于根据数值计算初始场对研究对象区域进行数值模型驱动计算，得到各个研究对象区域数值网格单元的相关水质指标的预测值，包括：根据数值计算初始场对研究对象区域进行水动力场计算，得到各个研究对象区域数值网格单元的水动力信息；基于各个研究对象区域数值网格单元的水动力信息，通过预置的水质模型计算研究对象区域的水质参数，得到各个研究对象区域数值网格单元的相关水质指标的预测值；
数据输出模块，用于将各个研究对象区域数值网格单元的相关水质指标的预测值反向映射至多源异构监测数据中对应监测数据的初始文件中，得到输出数据。
7.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1-5中任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
CN202210977853.5A 2022-08-16 2022-08-16 一种水体污染物监测预测分析方法及系统 Active CN115062874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210977853.5A CN115062874B (zh) 2022-08-16 2022-08-16 一种水体污染物监测预测分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210977853.5A CN115062874B (zh) 2022-08-16 2022-08-16 一种水体污染物监测预测分析方法及系统

Publications (2)

Publication Number Publication Date
CN115062874A CN115062874A (zh) 2022-09-16
CN115062874B true CN115062874B (zh) 2022-11-18

Family

ID=83207450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210977853.5A Active CN115062874B (zh) 2022-08-16 2022-08-16 一种水体污染物监测预测分析方法及系统

Country Status (1)

Country Link
CN (1) CN115062874B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116896510B (zh) * 2023-02-09 2024-04-26 兰州大学 一种面向二分网络的基于奇数长度路径的链路预测方法
CN117491585A (zh) * 2024-01-02 2024-02-02 石家庄首创水汇环境治理有限公司 基于时序网络的水生态污染监测方法及装置、系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005274171A (ja) * 2004-03-23 2005-10-06 Osaka Gas Co Ltd 電力消費地点の気温予測システム及び方法
CN101726568A (zh) * 2009-11-24 2010-06-09 环境保护部华南环境科学研究所 一种水环境安全预警预测方法
CN102663222A (zh) * 2011-12-27 2012-09-12 中国科学院生态环境研究中心 开敞水体突发污染事件动态污染场计算方法
CN106370631A (zh) * 2016-08-15 2017-02-01 中国地质调查局西安地质调查中心 一种荧光分光光度计的自动化测定与数据采录方法
CN109448124A (zh) * 2018-11-06 2019-03-08 北京英视睿达科技有限公司 水质模拟方法和装置
CN109857056A (zh) * 2019-03-08 2019-06-07 中冶华天南京电气工程技术有限公司 一种智能污水处理控制系统
CN110119534A (zh) * 2019-04-11 2019-08-13 深圳市南科环保科技有限公司 一种地下水污染监测井监测范围确定方法
CN110458359A (zh) * 2019-08-13 2019-11-15 河海大学 一种基于未完全截污条件下的平原河网水量水质优化调控方法
CN112364452A (zh) * 2020-11-09 2021-02-12 浙江工业大学 一种气体静压主轴转子运动轨迹多场耦合数值分析方法
CN113449450A (zh) * 2021-05-10 2021-09-28 中国科学院大学 一种基于颗粒尺度计算流体力学模拟的方法
CN214954854U (zh) * 2021-06-25 2021-11-30 成都禀证科技有限责任公司 一种水资源智能遥测终端机
CN113947034A (zh) * 2021-08-26 2022-01-18 深圳市广汇源环境水务有限公司 一种智慧城市涉水环节全过程耦合模拟方法
CN114595606A (zh) * 2022-03-10 2022-06-07 福州大学 一种基于有限差分adi算法的喷雾冷却温度场求解方法
CN114782075A (zh) * 2022-03-24 2022-07-22 青海东方华路新能源投资有限公司 一种基于机器学习的电力现货交易策略确定方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11402362B2 (en) * 2017-06-19 2022-08-02 Nanjing Institute Of Geography Stereoscopic monitoring and data mining system and method for harmful lake cyanobacteria bloom

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005274171A (ja) * 2004-03-23 2005-10-06 Osaka Gas Co Ltd 電力消費地点の気温予測システム及び方法
CN101726568A (zh) * 2009-11-24 2010-06-09 环境保护部华南环境科学研究所 一种水环境安全预警预测方法
CN102663222A (zh) * 2011-12-27 2012-09-12 中国科学院生态环境研究中心 开敞水体突发污染事件动态污染场计算方法
CN106370631A (zh) * 2016-08-15 2017-02-01 中国地质调查局西安地质调查中心 一种荧光分光光度计的自动化测定与数据采录方法
CN109448124A (zh) * 2018-11-06 2019-03-08 北京英视睿达科技有限公司 水质模拟方法和装置
CN109857056A (zh) * 2019-03-08 2019-06-07 中冶华天南京电气工程技术有限公司 一种智能污水处理控制系统
CN110119534A (zh) * 2019-04-11 2019-08-13 深圳市南科环保科技有限公司 一种地下水污染监测井监测范围确定方法
CN110458359A (zh) * 2019-08-13 2019-11-15 河海大学 一种基于未完全截污条件下的平原河网水量水质优化调控方法
CN112364452A (zh) * 2020-11-09 2021-02-12 浙江工业大学 一种气体静压主轴转子运动轨迹多场耦合数值分析方法
CN113449450A (zh) * 2021-05-10 2021-09-28 中国科学院大学 一种基于颗粒尺度计算流体力学模拟的方法
CN214954854U (zh) * 2021-06-25 2021-11-30 成都禀证科技有限责任公司 一种水资源智能遥测终端机
CN113947034A (zh) * 2021-08-26 2022-01-18 深圳市广汇源环境水务有限公司 一种智慧城市涉水环节全过程耦合模拟方法
CN114595606A (zh) * 2022-03-10 2022-06-07 福州大学 一种基于有限差分adi算法的喷雾冷却温度场求解方法
CN114782075A (zh) * 2022-03-24 2022-07-22 青海东方华路新能源投资有限公司 一种基于机器学习的电力现货交易策略确定方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于动态实时监测数据的水污染模拟分析系统研究;马辉 等;《长江科学院院报》;20161101;第33卷(第11期);54-58 *
纳污水体周围地下水污染特征浅析;赵春梅 等;《环境科学与管理》;20070415(第04期);77-78+83 *
蓄滞洪区洪水演进数值模拟与洪灾损失评估研究;王晓磊;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20140315(第03期);C037-96 *

Also Published As

Publication number Publication date
CN115062874A (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN115062874B (zh) 一种水体污染物监测预测分析方法及系统
Bianchi et al. Global niche of marine anaerobic metabolisms expanded by particle microenvironments
CN108038351B (zh) 一种基于遥感影像和水生态模型的叶绿素计算方法
Sayegh et al. Comparing the performance of statistical models for predicting PM10 concentrations
Orlob Mathematical modeling of water quality: Streams, lakes and reservoirs
Dunea et al. Evaluation of water quality in Ialomita River Basin in relationship with land cover patterns
McIntyre et al. A tool for risk-based management of surface water quality
Kim et al. An offline unstructured biogeochemical model (UBM) for complex estuarine and coastal environments
Zhang et al. Integration of a benthic sediment diagenesis module into the two dimensional hydrodynamic and water quality model–CE-QUAL-W2
Xu et al. Parameter uncertainty and sensitivity analysis of the three Gorges Reservoir and Xiangxi River EFDC model
CN110889196B (zh) 基于水质模型的水环境承载力评估方法、装置及存储介质
Zhu et al. Multi-sensing paradigm based urban air quality monitoring and hazardous gas source analyzing: a review
Wang et al. A fusion water quality soft-sensing method based on WASP model and its application in water eutrophication evaluation
Fennel et al. Modeling considerations for research on Ocean Alkalinity Enhancement (OAE)
McDonald et al. 1-D test-bed calibration of a 3-D Lake Superior biogeochemical model
CN108615090A (zh) 基于蒙特卡洛仿真的河湖水质预测及富营养化风险评估方法
Camacho Suarez et al. Quantifying the impact of uncertainty within the longitudinal dispersion coefficient on concentration dynamics and regulatory compliance in rivers
Shin et al. Quantifying the contribution of external loadings and internal hydrodynamic processes to the water quality of Lake Okeechobee
Weller et al. Inexpensive spot sampling provides unexpectedly effective indicators of watershed nitrogen status
CN116109323B (zh) 臭氧污染溯源方法、装置、设备及存储介质
Faure et al. Modelling the spatial and temporal variability of the SW lagoon of New Caledonia II: Realistic 3D simulations compared with in situ data
Chen et al. Review of water quality prediction methods
Pauer et al. The impact of alternative nutrient kinetics and computational grid size on model predicted primary production and hypoxic area in the northern Gulf of Mexico
Yu et al. Numerical modeling of COD transportation in Liaodong Bay: Impact of COD loads from rivers flowing into the sea
Hicks et al. The role of the atmosphere in coastal ecosystem decline—future research directions

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