CN115239070A - 一种流域水环境有机污染物监测全过程质控指标评价系统 - Google Patents
一种流域水环境有机污染物监测全过程质控指标评价系统 Download PDFInfo
- Publication number
- CN115239070A CN115239070A CN202210718202.4A CN202210718202A CN115239070A CN 115239070 A CN115239070 A CN 115239070A CN 202210718202 A CN202210718202 A CN 202210718202A CN 115239070 A CN115239070 A CN 115239070A
- Authority
- CN
- China
- Prior art keywords
- water
- module
- water quality
- watershed
- water environment
- 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.)
- Withdrawn
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
- G06Q10/06—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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1826—Water organic contamination in water
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
本发明属于流域水环境有机污染物监测技术领域，公开了一种流域水环境有机污染物监测全过程质控指标评价系统，包括：历史数据采集模块、水环境图像采集模块、水指标采集模块、毒性检测模块、污染物分析模块、污染程度评价模块、图像分析模块、评价指标筛选模块、评价体系构建模块、评价模块、水质预测模块、预警模块、显示模块。本发明通过水质预测模块可以对水域大量水质数据进行预测，具有预测范围大、精度高和速度快的特点；同时，通过预警模块为水环境有机污染治理决策提供更为完整以及更为精细化的数据支持，从而用户可在第一时间内部署对于该次水环境有机污染的治理方案，进而可明显提高对于水环境有机污染的应对效率。
Description
技术领域
本发明属于流域水环境有机污染物监测技术领域，尤其涉及一种流域水环境有机污染物监测全过程质控指标评价系统。
背景技术
有机污染物是指以碳水化合物、蛋白质、氨基酸以及脂肪等形式存在的天然有机物质及某些其他可生物降解的人工合成有机物质为组成的污染物。可分为天然有机污染物和人工合成有机污染物两大类。水体中除含有无机污染物外，更含有大量的有机污染物，它们以毒性和使水中溶解氧减少的形式对生态系统产生影响，危害人体健康。特定有机污染物是指那些毒性大、积累性强、难降解、被列为优先污染物的有机化合物，其品种多、含量低。下面介绍几种这类物质；然而，现有流域水环境有机污染物监测全过程质控指标评价系统没有对于水质预测上起到明显精准预测的有益效果，其预测结果远远不能达到相应的使用标准；同时，不能及时准确对水环境有机污染预警，影响水污染应对处理。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有流域水环境有机污染物监测评价技术不能进行污染物全过程质控的评价，且评价不全面不准确；
(2)现有技术没有对于水质预测上起到明显精准预测的有益效果，其预测结果远远不能达到相应的使用标准。
(3)不能及时准确对水环境有机污染预警，影响水污染应对处理。
发明内容
针对现有技术存在的问题，本发明提供了一种流域水环境有机污染物监测全过程质控指标评价系统。
本发明是这样实现的，一种流域水环境有机污染物监测全过程质控指标评价系统，所述流域水环境有机污染物监测全过程质控指标评价系统包括：
水指标采集模块，与中央控制模块连接，用于通过监测设备采集水指标数据；
毒性检测模块，与中央控制模块连接，用于检测流域水环境有机污染物毒性；
污染物分析模块，与中央控制模块连接，用于对流域水环境有机污染物成分进行分析；
污染程度评价模块，与中央控制模块连接，用于对流域水环境有机污染程度进行评价；
图像分析模块，与中央控制模块连接，用于对采集的水环境图像进行处理与环境污染分析；
评价体系构建模块，与中央控制模块连接，用于通过对采集的历史数据进行分析确定各个有机污染物监测评价指标的权重；基于确定的有机污染物监测评价指标以及各个指标的权重构建评价体系；
评价模块，与中央控制模块连接，用于基于构建的评价体系结合得到的水环境图像分析结果、水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果进行流域水环境有机污染物评价；
水质预测模块，与中央控制模块连接，用于对流域水质进行预测。
进一步，所述流域水环境有机污染物监测全过程质控指标评价系统还包括：
历史数据采集模块，与中央控制模块连接，用于采集流域水环境的历史数据；所述历史数据包括污染数据、水环境图形数据以及其他相关数据；
水环境图像采集模块，与中央控制模块连接，用于通过摄像设备采集水环境图像；
中央控制模块，与历史数据采集模块、水环境图像采集模块、水指标采集模块、毒性检测模块、污染物分析模块、污染程度评价模块、图像分析模块、评价指标筛选模块、评价体系构建模块、评价模块、水质预测模块、预警模块、显示模块连接，用于利用单片机或控制器控制各个模块正常工作；
评价指标筛选模块，与中央控制模块连接，用于将水环境图像分析结果、水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果作为有机污染物监测评价指标；
预警模块，与中央控制模块连接，用于对水环境有机污染进行预警；
显示模块，与中央控制模块连接，用于通过显示器显示水环境图像、水指标、毒性、污染物分析结果、污染程度评价结果、水质预测结果。
进一步，所述水质预测模块对流域水质进行预测包括：
(1)从获取的历史数据中提取水质参数历史时间序列数据，基于ARIMA自回归积分滑动平均模型构建水质线性数据预测模型，并对构建的水质线性数据预测模型进行训练，利用训练好的水质线性数据预测模型结合所述水质参数历史事件序列数据得到所述流域水质参数的第一预测值；
(2)从获取的历史数据中提取历史气象因素时间序列数据，并结合流域水质参数历史时间序列数据，利用构建并训练好BP神经网络预测模型得到所述流域水质参数第二预测值；将流域水质参数存入水质数据库中；
(3)将所述流域水质参数第一预测值和所述流域水质参数第二预测值在各时间点的值进行相加，得到所述水质预测结果。
进一步，所述利用训练好的水质线性数据预测模型结合所述水质参数历史事件序列数据得到所述流域水质参数的第一预测值包括：
判断所述流域水质参数历史时间序列数据的平稳性：经过d次差分处理，建立ARIMA(p,d,q)自回归积分滑动平均模型；计算所述ARIMA(p,q)自回归积分滑动平均模型的系数和阶数；计算所述ARIMA自回归积分滑动平均模型的参数；其中，p表示自回归项；MA表示移动平均，q表示移动平均项数，d表示时间序列成为平稳时所做的差分次数。
进一步，所述利用构建并训练好BP神经网络预测模型得到所述流域水质参数第二预测值包括：
获取构建ARIMA自回归积分滑动平均模型过程中的出错数据，结合所述水域历史气象因素时间序列数据，利用LM-BP神经网络模型，获取所述流域水质参数第二预测值。
进一步，所述预警模块对水环境有机污染进行预警包括：
1)设置水环境有机污染预警设备参数，并获取采集的水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果；
2)利用水环境有机污染预警设备根据所述水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果以及预设的水质标准信息，确定所述水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果是否超出预设阈值；
3)若超出预设阈值，则利用水环境有机污染预警设备根据所述水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果，对所述流域进行正向水质模拟，并根据所述正向水质模拟的模拟结果确定所述流域的降解能力是否满足所述流域的自净能力，所述正向水质模拟用于模拟所述流域未来的水质变化趋势；
4)若未超出预设阈值，利用水环境有机污染预警设备根据所述水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果，对所述流域进行逆向水质模拟，并根据所述逆向水质模拟的模拟结果确定污染源以及污染贡献，所述逆向水质模拟用于逆向模拟所述流域的水质变化趋势；其中，所述污染源包括点源以及面源，所述正向水质模拟的模拟结果还包括所述点源未来的点源污染贡献以及所述面源未来的面源污染贡献；所述水环境有机污染预警设备向用户设备UE发送所述流域的水环境有机污染预警信息，所述水环境有机污染预警信息包括所述正向水质模拟的模拟结果。
进一步，所述预警方法还包括：
所述水环境有机污染预警设备根据所述正向水质模拟的模拟结果，确定所述点源污染贡献以及所述面源污染贡献；
所述水环境有机污染预警设备根据所述正向水质模拟的模拟结果以及所述逆向水质模拟的模拟结果，确定所述流域水环境的污染治理信息，所述污染治理信息用于治理所述流域的水环境有机污染；
所述水环境有机污染预警设备向所述UE发送所述污染治理信息。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现所述流域水环境有机污染物监测全过程质控指标评价系统。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器实现所述流域水环境有机污染物监测全过程质控指标评价系统。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现述流域水环境有机污染物监测全过程质控指标评价系统。
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明通过水质预测模块使用ARIMA自回归积分滑动平均模型与BP神经网络相结合的方法对水质时间序列数据的预测；可以对水域大量水质数据进行预测，具有预测范围大、精度高和速度快的特点；同时，通过预警模块根据流域的水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果以及预设的水质标准信息确定流域的水质是否超标，若超标，则进行正向水质模拟，若根据模拟结果确定所述流域的降解能力未满足所述流域的自净能力时，再向UE发送水环境有机污染预警信息，并在水环境有机污染预警信息中附上模拟结果，以便用户通过水环境有机污染预警信息第一时间内详细了解流域当前以及未来一段时间内的水环境有机污染情况，为水环境有机污染治理决策提供更为完整以及更为精细化的数据支持，从而用户可在第一时间内部署对于该次水环境有机污染的治理方案，进而可明显提高对于水环境有机污染的应对效率。
本发明将水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果作为评价指标构建评价体系，并进行流域水环境有机污染物监测全过程质控指标评价，评价结果准确、全面。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明通过水质预测模块使用ARIMA自回归积分滑动平均模型与BP神经网络相结合的方法对水质时间序列数据的预测；可以对水域大量水质数据进行预测，具有预测范围大、精度高和速度快的特点；同时，通过预警模块根据流域的水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果以及预设的水质标准信息确定流域的水质是否超标，若超标，则进行正向水质模拟，若根据模拟结果确定所述流域的降解能力未满足所述流域的自净能力时，再向UE发送水环境有机污染预警信息，并在水环境有机污染预警信息中附上模拟结果，以便用户通过水环境有机污染预警信息第一时间内详细了解流域当前以及未来一段时间内的水环境有机污染情况，为水环境有机污染治理决策提供更为完整以及更为精细化的数据支持，从而用户可在第一时间内部署对于该次水环境有机污染的治理方案，进而可明显提高对于水环境有机污染的应对效率。
附图说明
图1是本发明实施例提供的水质预测模块对流域水质进行预测的方法流程图；
图2是本发明实施例提供的利用构建并训练好BP神经网络预测模型得到所述流域水质参数第二预测值的方法流程图；
图3是本发明实施例提供的预警模块对水环境有机污染进行预警的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
本发明实施例提供的流域水环境有机污染物监测全过程质控指标评价系统包括：
历史数据采集模块，与中央控制模块连接，用于采集流域水环境的历史数据；所述历史数据包括污染数据、水环境图形数据以及其他相关数据；
水环境图像采集模块，与中央控制模块连接，用于通过摄像设备采集水环境图像；
水指标采集模块，与中央控制模块连接，用于通过监测设备采集水指标数据；
毒性检测模块，与中央控制模块连接，用于检测流域水环境有机污染物毒性；
中央控制模块，与历史数据采集模块、水环境图像采集模块、水指标采集模块、毒性检测模块、污染物分析模块、污染程度评价模块、图像分析模块、评价指标筛选模块、评价体系构建模块、评价模块、水质预测模块、预警模块、显示模块连接，用于利用单片机或控制器控制各个模块正常工作；
污染物分析模块，与中央控制模块连接，用于对流域水环境有机污染物成分进行分析；
污染程度评价模块，与中央控制模块连接，用于对流域水环境有机污染程度进行评价；
图像分析模块，与中央控制模块连接，用于对采集的水环境图像进行处理与环境污染分析；
评价指标筛选模块，与中央控制模块连接，用于将水环境图像分析结果、水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果作为有机污染物监测评价指标；
评价体系构建模块，与中央控制模块连接，用于通过对采集的历史数据进行分析确定各个有机污染物监测评价指标的权重；基于确定的有机污染物监测评价指标以及各个指标的权重构建评价体系；
评价模块，与中央控制模块连接，用于基于构建的评价体系结合得到的水环境图像分析结果、水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果进行流域水环境有机污染物评价；
水质预测模块，与中央控制模块连接，用于对流域水质进行预测；
预警模块，与中央控制模块连接，用于对水环境有机污染进行预警；
显示模块，与中央控制模块连接，用于通过显示器显示水环境图像、水指标、毒性、污染物分析结果、污染程度评价结果、水质预测结果。
如图1所示，本发明实施例提供的水质预测模块对流域水质进行预测包括：
S101，从获取的历史数据中提取水质参数历史时间序列数据，基于ARIMA自回归积分滑动平均模型构建水质线性数据预测模型，并对构建的水质线性数据预测模型进行训练，利用训练好的水质线性数据预测模型结合所述水质参数历史事件序列数据得到所述流域水质参数的第一预测值；
S102，从获取的历史数据中提取历史气象因素时间序列数据，并结合流域水质参数历史时间序列数据，利用构建并训练好BP神经网络预测模型得到所述流域水质参数第二预测值；将流域水质参数存入水质数据库中；
S103，将所述流域水质参数第一预测值和所述流域水质参数第二预测值在各时间点的值进行相加，得到所述水质预测结果。
本发明实施例提供的利用训练好的水质线性数据预测模型结合所述水质参数历史事件序列数据得到所述流域水质参数的第一预测值包括：
判断所述流域水质参数历史时间序列数据的平稳性：经过d次差分处理，建立ARIMA(p,d,q)自回归积分滑动平均模型；计算所述ARIMA(p,q)自回归积分滑动平均模型的系数和阶数；计算所述ARIMA自回归积分滑动平均模型的参数；其中，p表示自回归项；MA表示移动平均，q表示移动平均项数，d表示时间序列成为平稳时所做的差分次数。
如图2所示，本发明实施例提供的利用构建并训练好BP神经网络预测模型得到所述流域水质参数第二预测值包括：
S201，获取构建ARIMA自回归积分滑动平均模型过程中的出错数据；
S202，结合所述水域历史气象因素时间序列数据，利用LM-BP神经网络模型，获取所述流域水质参数第二预测值。
如图3所示，本发明实施例提供的预警模块对水环境有机污染进行预警包括：
S301，设置水环境有机污染预警设备参数，并获取采集的水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果；
S302，利用水环境有机污染预警设备根据所述水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果以及预设的水质标准信息，确定水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果是否超出预设阈值；
S303，若超出预设阈值，则利用水环境有机污染预警设备根据所述水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果，对流域进行正向水质模拟，并根据正向水质模拟的模拟结果确定流域的降解能力是否满足所述流域的自净能力；
S304，若未超出预设阈值，利用水环境有机污染预警设备根据水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果，对流域进行逆向水质模拟，并根据逆向水质模拟的模拟结果确定污染源以及污染贡献。
本发明实施例提供的正向水质模拟用于模拟所述流域未来的水质变化趋势；本发明实施例提供的逆向水质模拟用于逆向模拟所述流域的水质变化趋势。
本发明实施例提供的污染源包括点源以及面源，本发明实施例提供的正向水质模拟的模拟结果还包括所述点源未来的点源污染贡献以及所述面源未来的面源污染贡献。
本发明实施例提供的水环境有机污染预警设备向用户设备UE发送流域的水环境有机污染预警信息，本发明实施例提供的水环境有机污染预警信息包括正向水质模拟的模拟结果。
本发明实施例提供的预警方法还包括：
水环境有机污染预警设备根据所正向水质模拟的模拟结果，确定点源污染贡献以及所述面源污染贡献；水环境有机污染预警设备根据正向水质模拟的模拟结果以及逆向水质模拟的模拟结果，确定流域水环境的污染治理信息，污染治理信息用于治理所述流域的水环境有机污染；水环境有机污染预警设备向所UE发送所述污染治理信息。
下面对本发明的相关方法进行具体的说明：
本发明实施例提供的水质预测模块预测方法如下：
(1)构建水质数据库；基于流域水质参数历史时间序列数据，利用ARIMA自回归积分滑动平均模型，获取所述流域水质参数第一预测值；基于水域历史气象因素时间序列数据和流域水质参数历史时间序列数据，利用BP神经网络模型，获取所述流域水质参数第二预测值；将水质参数存入水质数据库中；
(2)将所述流域水质参数第一预测值和所述流域水质参数第二预测值在各时间点的值进行相加，得到所述水域的水质预测结果。
本发明实施例提供的基于流域水质参数历史时间序列数据，利用ARIMA自回归积分滑动平均模型，获取所述流域水质参数第一预测值；基于水域历史气象因素时间序列数据和流域水质参数历史时间序列数据，利用BP神经网络模型，获取所述流域水质参数第二预测值包括：
基于流域水质参数历史时间序列数据，利用ARIMA自回归积分滑动平均模型，训练得到水质线性数据预测模型；基于流域水质参数的输入数据，利用所述水质线性数据预测模型，获取所述流域水质参数第一预测值；
基于流域水质参数历史时间序列数据，利用LM-BP神经网络模型，训练得到水质非线性数据预测模型；基于水域气象因素时间序列数据的输入数据，利用所述水质非线性数据预测模型，获取所述流域水质参数第二预测值；
其中，所述基于流域水质参数历史时间序列数据，利用ARIMA自回归积分滑动平均模型，训练得到水质线性数据预测模型的步骤进一步包括：
判断流域水质参数历史时间序列数据的平稳性：经过d次差分处理，建立ARIMA(p,d,q)自回归积分滑动平均模型；计算所述ARIMA(p,q)自回归积分滑动平均模型的系数和阶数；计算所述ARIMA自回归积分滑动平均模型的参数；
其中，p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。
本发明实施例提供的基于水域历史气象因素时间序列数据和流域水质参数历史时间序列数据，利用BP神经网络模型，训练得到水质非线性数据预测模型的步骤进一步包括：
基于水域历史气象因素时间序列数据和流域水质参数历史时间序列数据，利用反向传播算法对BP神经网络模型的权值和偏差进行反复的调整训练，当网络输出层的误差平方和小于阈值时，保存所述BP神经网络模型的权值和偏差。
本发明实施例提供的ARIMA自回归积分滑动平均模型ARIMA自回归积分滑动平均模型计算所述ARIMA自回归积分滑动平均模型的参数的步骤后还包括：将建立ARIMA自回归积分滑动平均模型过程中的出错数据，结合所述水域历史气象因素时间序列数据，利用LM-BP神经网络模型，获取所述流域水质参数第二预测值。
本发明实施例提供的基于流域水质参数历史时间序列数据，利用ARIMA自回归积分滑动平均模型，训练得到水质线性数据预测模型的步骤进一步包括：
采用ADF单位根检验来判断流域水质参数历史时间序列数据的平稳性：经过d次差分处理，建立ARIMA(p,d,q)自回归积分滑动平均模型；
利用自相关函数和偏自相关函数计算所述ARIMA(p,q)自回归积分滑动平均模型的系数和阶数；利用最小二乘法计算所述ARIMA自回归积分滑动平均模型的参数。
本发明实施例提供的预警模块预警方法如下：
1)配置水环境有机污染预警设备参数，测试水环境有机污染预警设备是否正常工作；通过水环境有机污染预警设备接收获取的水指标数据；
2)所述水环境有机污染预警设备根据所述水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果以及预设的水质标准信息，确定所述流域的水质是否超标，所述水质标准信息与所述流域对应；
若是，则所述水环境有机污染预警设备根据所述水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果，对所述流域进行正向水质模拟，并根据所述正向水质模拟的模拟结果确定所述流域的降解能力是否满足所述流域的自净能力，所述正向水质模拟用于模拟所述流域未来的水质变化趋势；
若否，所述水环境有机污染预警设备根据所述水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果，对所述流域进行逆向水质模拟，并根据所述逆向水质模拟的模拟结果确定污染源以及污染贡献，所述逆向水质模拟用于逆向模拟所述流域的水质变化趋势；其中，所述污染源包括点源以及面源，所述正向水质模拟的模拟结果还包括所述点源未来的点源污染贡献以及所述面源未来的面源污染贡献；所述水环境有机污染预警设备向用户设备UE发送所述流域的水环境有机污染预警信息，所述水环境有机污染预警信息包括所述正向水质模拟的模拟结果。
本发明实施例提供的预警方法还包括：
所述水环境有机污染预警设备根据所述正向水质模拟的模拟结果，确定所述点源污染贡献以及所述面源污染贡献；
所述水环境有机污染预警设备根据所述正向水质模拟的模拟结果以及所述逆向水质模拟的模拟结果，确定所述流域的污染治理信息，所述污染治理信息用于治理所述流域的水环境有机污染；
所述水环境有机污染预警设备向所述UE发送所述污染治理信息。
本发明实施例提供的水环境有机污染预警设备根据所述水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果，对所述流域进行正向水质模拟包括：
所述水环境有机污染预警设备根据所述水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果，对所述流域的断面水质进行所述正向水质模拟；
所述水环境有机污染预警设备根据所述水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果，对所述流域进行逆向水质模拟包括：
所述水环境有机污染预警设备根据所述水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果，对所述流域的断面水质进行所述逆向水质模拟。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种流域水环境有机污染物监测全过程质控指标评价系统，其特征在于，所述流域水环境有机污染物监测全过程质控指标评价系统包括：
水指标采集模块，与中央控制模块连接，用于通过监测设备采集水指标数据；
毒性检测模块，与中央控制模块连接，用于检测流域水环境有机污染物毒性；
污染物分析模块，与中央控制模块连接，用于对流域水环境有机污染物成分进行分析；
污染程度评价模块，与中央控制模块连接，用于对流域水环境有机污染程度进行评价；
图像分析模块，与中央控制模块连接，用于对采集的水环境图像进行处理与环境污染分析；
评价体系构建模块，与中央控制模块连接，用于通过对采集的历史数据进行分析确定各个有机污染物监测评价指标的权重；基于确定的有机污染物监测评价指标以及各个指标的权重构建评价体系；
评价模块，与中央控制模块连接，用于基于构建的评价体系结合得到的水环境图像分析结果、水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果进行流域水环境有机污染物评价；
水质预测模块，与中央控制模块连接，用于对流域水质进行预测。
2.如权利要求1所述流域水环境有机污染物监测全过程质控指标评价系统，其特征在于，所述流域水环境有机污染物监测全过程质控指标评价系统还包括：
历史数据采集模块，与中央控制模块连接，用于采集流域水环境的历史数据；所述历史数据包括污染数据、水环境图形数据以及其他相关数据；
水环境图像采集模块，与中央控制模块连接，用于通过摄像设备采集水环境图像；
中央控制模块，与历史数据采集模块、水环境图像采集模块、水指标采集模块、毒性检测模块、污染物分析模块、污染程度评价模块、图像分析模块、评价指标筛选模块、评价体系构建模块、评价模块、水质预测模块、预警模块、显示模块连接，用于利用单片机或控制器控制各个模块正常工作；
评价指标筛选模块，与中央控制模块连接，用于将水环境图像分析结果、水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果作为有机污染物监测评价指标；
预警模块，与中央控制模块连接，用于对水环境有机污染进行预警；
显示模块，与中央控制模块连接，用于通过显示器显示水环境图像、水指标、毒性、污染物分析结果、污染程度评价结果、水质预测结果。
3.如权利要求1所述流域水环境有机污染物监测全过程质控指标评价系统，其特征在于，所述水质预测模块对流域水质进行预测包括：
(1)从获取的历史数据中提取水质参数历史时间序列数据，基于ARIMA自回归积分滑动平均模型构建水质线性数据预测模型，并对构建的水质线性数据预测模型进行训练，利用训练好的水质线性数据预测模型结合所述水质参数历史事件序列数据得到所述流域水质参数的第一预测值；
(2)从获取的历史数据中提取历史气象因素时间序列数据，并结合流域水质参数历史时间序列数据，利用构建并训练好BP神经网络预测模型得到所述流域水质参数第二预测值；将流域水质参数存入水质数据库中；
(3)将所述流域水质参数第一预测值和所述流域水质参数第二预测值在各时间点的值进行相加，得到所述水质预测结果。
4.如权利要求3所述流域水环境有机污染物监测全过程质控指标评价系统，其特征在于，所述利用训练好的水质线性数据预测模型结合所述水质参数历史事件序列数据得到所述流域水质参数的第一预测值包括：
判断所述流域水质参数历史时间序列数据的平稳性：经过d次差分处理，建立ARIMA(p,d,q)自回归积分滑动平均模型；计算所述ARIMA(p,q)自回归积分滑动平均模型的系数和阶数；计算所述ARIMA自回归积分滑动平均模型的参数；其中，p表示自回归项；MA表示移动平均，q表示移动平均项数，d表示时间序列成为平稳时所做的差分次数。
5.如权利要求3所述流域水环境有机污染物监测全过程质控指标评价系统，其特征在于，所述利用构建并训练好BP神经网络预测模型得到所述流域水质参数第二预测值包括：
获取构建ARIMA自回归积分滑动平均模型过程中的出错数据，结合所述水域历史气象因素时间序列数据，利用LM-BP神经网络模型，获取所述流域水质参数第二预测值。
6.如权利要求2所述流域水环境有机污染物监测全过程质控指标评价系统，其特征在于，所述预警模块对水环境有机污染进行预警包括：
1)设置水环境有机污染预警设备参数，并获取采集的水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果；
2)利用水环境有机污染预警设备根据所述水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果以及预设的水质标准信息，确定所述水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果是否超出预设阈值；
3)若超出预设阈值，则利用水环境有机污染预警设备根据所述水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果，对所述流域进行正向水质模拟，并根据所述正向水质模拟的模拟结果确定所述流域的降解能力是否满足所述流域的自净能力，所述正向水质模拟用于模拟所述流域未来的水质变化趋势；
4)若未超出预设阈值，利用水环境有机污染预警设备根据所述水指标数据、毒性检测结果、污染物分析结果以及污染程度评价结果，对所述流域进行逆向水质模拟，并根据所述逆向水质模拟的模拟结果确定污染源以及污染贡献，所述逆向水质模拟用于逆向模拟所述流域的水质变化趋势；其中，所述污染源包括点源以及面源，所述正向水质模拟的模拟结果还包括所述点源未来的点源污染贡献以及所述面源未来的面源污染贡献；所述水环境有机污染预警设备向用户设备UE发送所述流域的水环境有机污染预警信息，所述水环境有机污染预警信息包括所述正向水质模拟的模拟结果。
7.如权利要求6所述流域水环境有机污染物监测全过程质控指标评价系统，其特征在于，所述预警方法还包括：
所述水环境有机污染预警设备根据所述正向水质模拟的模拟结果，确定所述点源污染贡献以及所述面源污染贡献；
所述水环境有机污染预警设备根据所述正向水质模拟的模拟结果以及所述逆向水质模拟的模拟结果，确定所述流域水环境的污染治理信息，所述污染治理信息用于治理所述流域的水环境有机污染；
所述水环境有机污染预警设备向所述UE发送所述污染治理信息。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1-7任意一项所述流域水环境有机污染物监测全过程质控指标评价系统。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器实现如权利要求1-7任意一项所述流域水环境有机污染物监测全过程质控指标评价系统。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求1-7任意一项所述流域水环境有机污染物监测全过程质控指标评价系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210718202.4A CN115239070A (zh) | 2022-06-23 | 2022-06-23 | 一种流域水环境有机污染物监测全过程质控指标评价系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210718202.4A CN115239070A (zh) | 2022-06-23 | 2022-06-23 | 一种流域水环境有机污染物监测全过程质控指标评价系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115239070A true CN115239070A (zh) | 2022-10-25 |
Family
ID=83669971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210718202.4A Withdrawn CN115239070A (zh) | 2022-06-23 | 2022-06-23 | 一种流域水环境有机污染物监测全过程质控指标评价系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115239070A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115792165A (zh) * | 2023-01-31 | 2023-03-14 | 北京华科仪科技股份有限公司 | 一种环境水质智能监测方法及系统 |
| CN116310831A (zh) * | 2023-03-23 | 2023-06-23 | 河南省水利第一工程局集团有限公司 | 基于大数据的水源环境监测方法及系统 |
| CN116609500A (zh) * | 2023-06-02 | 2023-08-18 | 无锡点创科技有限公司 | 一种基于物联网的水质数据监测方法 |
-
2022
- 2022-06-23 CN CN202210718202.4A patent/CN115239070A/zh not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115792165A (zh) * | 2023-01-31 | 2023-03-14 | 北京华科仪科技股份有限公司 | 一种环境水质智能监测方法及系统 |
| CN116310831A (zh) * | 2023-03-23 | 2023-06-23 | 河南省水利第一工程局集团有限公司 | 基于大数据的水源环境监测方法及系统 |
| CN116310831B (zh) * | 2023-03-23 | 2023-11-03 | 河南省水利第一工程局集团有限公司 | 基于大数据的水源环境监测方法及系统 |
| CN116609500A (zh) * | 2023-06-02 | 2023-08-18 | 无锡点创科技有限公司 | 一种基于物联网的水质数据监测方法 |
| CN116609500B (zh) * | 2023-06-02 | 2023-12-22 | 无锡点创科技有限公司 | 一种基于物联网的水质数据监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115239070A (zh) | 一种流域水环境有机污染物监测全过程质控指标评价系统 | |
| CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
| Ma et al. | Aggravated risk of soil erosion with global warming–A global meta-analysis | |
| CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
| CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
| CN111881023B (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
| CN117495210B (zh) | 公路混凝土施工质量管理系统 | |
| CN110737876A (zh) | 区域电网光伏功率预测优化方法和装置 | |
| CN111160667B (zh) | 一种提高食品安全预测模型鲁棒性的方法及装置 | |
| JP5110891B2 (ja) | 水処理施設における流入水水質の統計的予測方法及びその装置 | |
| CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
| CN116186493B (zh) | 基于数值模式校正的气象预报方法、装置、设备和介质 | |
| CN116679139A (zh) | 电缆更换监测系统及方法 | |
| CN116485045A (zh) | 一种建立水华预测模型的方法、水华预测方法及装置 | |
| CN116706884A (zh) | 光伏发电量的预测方法、装置、终端及存储介质 | |
| CN115290858A (zh) | 一种土壤污染检测分析方法及系统 | |
| Wang et al. | Uncertainty-based parameter estimation for urban pollutant buildup and washoff simulation using a multiple pattern inverse modeling approach | |
| CN109858699B (zh) | 水质定量模拟方法、装置、电子设备及存储介质 | |
| CN115453661B (zh) | 气象预报方法、装置、设备以及存储介质 | |
| CN117172990B (zh) | 一种地下水环境中抗生素污染迁移预测方法及系统 | |
| CN117491586B (zh) | 一种水质检测方法及系统 | |
| CN116166924B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN110647122B (zh) | 一种基于多传感器的自动化生产线故障预测方法及装置 | |
| CN113685972B (zh) | 一种空调系统控制策略识别方法、装置、设备及介质 | |
| US20230133652A1 (en) | Systems and methods for uncertainty prediction using machine learning |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221025 |
|
| WW01 | Invention patent application withdrawn after publication |