CN115309845B - 基于水系编译器与机器学习处理的水污染溯源方法及系统 - Google Patents

基于水系编译器与机器学习处理的水污染溯源方法及系统 Download PDF

Info

Publication number
CN115309845B
CN115309845B CN202211014370.1A CN202211014370A CN115309845B CN 115309845 B CN115309845 B CN 115309845B CN 202211014370 A CN202211014370 A CN 202211014370A CN 115309845 B CN115309845 B CN 115309845B
Authority
CN
China
Prior art keywords
pollution
water system
node
event
water
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
CN202211014370.1A
Other languages
English (en)
Other versions
CN115309845A (zh
Inventor
张吉臣
李丽芬
高超
胡宽焘
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.)
Beijing Wanweiyingchuang Technology Co ltd
Original Assignee
Beijing Wanweiyingchuang 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 Beijing Wanweiyingchuang Technology Co ltd filed Critical Beijing Wanweiyingchuang Technology Co ltd
Priority to CN202211014370.1A priority Critical patent/CN115309845B/zh
Publication of CN115309845A publication Critical patent/CN115309845A/zh
Application granted granted Critical
Publication of CN115309845B publication Critical patent/CN115309845B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • 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
    • 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
    • Y02A20/20—Controlling water pollution; Waste water treatment

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于水系编译器与机器学习处理的水污染溯源方法及系统，其中，方法，包括：实时监测水系中每个水系节点的污染情况，获取节点污染信息；使用节点污染信息，判断是否存在水系节点满足污染事件触发条件；若存在水系节点满足污染事件触发条件，则确定水系节点为污染触发节点，根据水系的拓扑结构，以污染触发节点为起点构建污染相关节点群；根据污染相关节点群中各水系节点在污染持续时间内的污染负荷，计算污染相关节点群中每个水系节点的污染贡献度；使用污染相关节点群中每个水系节点的污染贡献度，锁定得到水系的污染源。本发明的技术方案能解决现有技术中污染溯源方案其应用条件受限，需要大量的水文数据和条件参数，不具有普适性的问题。

Description

基于水系编译器与机器学习处理的水污染溯源方法及系统
技术领域
本发明涉及水环境监测技术领域，尤其涉及一种基于水系编译器与机器学习处理的水污染溯源方法及系统。
背景技术
水环境保护、水污染的预防及精准化治理已成为现代社会最关注的问题之一。近年来，随着对水环境治理力度的不断提高，各环保单位在污染排放点、河道断面等增设了监测点甚至视频监控，积累了大量的监测数据，但是，面向自然水体、河道、各排污单位、污水处理厂以及在复杂的废水收集管网中的污染物排放通常是较隐秘和繁杂的，通过在线监测数据的监控也很难对各排污单位或排放口进行监管，很难对污染事件进行有依据的界定，因此，水环境治理及污染防治的核心就是找准污染源头、厘清污染贡献，实现水污染溯源，辅助靶向治理决策。
现有水污染溯源方法绝大部分仍是依靠传统手段人工排查来进行实现的，该传统方法响应时间较长，无法保证时效性。为了解决人工排查带来的缺陷，水污染预警溯源仪和基于机理模型的溯源也是近年来研究的热点技术，但在实际应用的过程中也略有不足：
水污染预警溯源仪：水污染预警溯源仪的本质是基于三维荧光光谱分析的水质分析仪器，其溯源的原理是通过将现场水样指纹与已积累水指纹库水纹进行比对，以此来锁定污染源。因此，该方法是在依托强大水指纹库的基础上实现的，若水指纹库中无相关特征污染物的荧光光谱，则无法实现溯源目的；此外，水指纹预警溯源仪成本较高，很难实现水环境的精细化监管。
基于机理模型的溯源技术：基于机理模型的水污染溯源目前已有相对成熟的模型软件基础，诸如WASP、EFDC、AQUATOX等模型。该类方法在对成因关系明确、污染源特征信息已知较多、各因素变化掌握全面时，可实现对水污染事件进行追踪溯源。但受理论知识、模型结构特点和监测条件等局限存在一定的缺陷。例如，模型对相关限制条件(参数和边界条件等)的依赖性较大，诸如纵向离散系数、横向扩散系数、垂向扩散系数和污染物综合降解系数等对模型拟合效果有着决定性作用，但在实际应用时这些参数往往较难获取且区域间差异较大，不具有普适性。
因此，现有的水系污染溯源方案，大都需要大量的水文数据和条件参数进行污染源的溯源，不具有大规模应用的普适性。
发明内容
本发明提供一种基于水系编译器与机器学习处理的水污染溯源方法及系统，旨在解决现有技术中污染溯源方案，其应用条件受限，实际应用时参数获取难度大，且差异性较大不具有普适性的问题。
为实现上述目的，根据本发明的第一方面，本发明提出了一种基于水系编译器与机器学习处理的水污染溯源方法，包括：
实时监测水系中每个水系节点的污染情况，获取节点污染信息；
使用节点污染信息，判断是否存在水系节点满足污染事件触发条件；
若存在水系节点满足污染事件触发条件，则确定水系节点为污染触发节点，根据水系的拓扑结构，以污染触发节点为起点构建污染相关节点群；
根据污染相关节点群中各水系节点在污染持续时间内的污染负荷，计算污染相关节点群中每个水系节点的污染贡献度；
使用污染相关节点群中每个水系节点的污染贡献度，锁定得到水系的污染源。
优选的，作为一种可实施方式，上述污染溯源方法，在实时监测水系中每个水系节点的污染情况的步骤之前，还包括：
概化水系中具有连通关系的污染风险区域，得到水系节点；
使用水系中所有水系节点以及连通关系，构建得到包含拓扑结构的水系编译器。
优选的，作为一种可实施方式，上述污染溯源方法中，根据水系的拓扑结构，以污染触发节点为起点构建污染相关节点群的步骤包括：
从水系的拓扑结构中筛选与污染触发节点存在连通关系的所有上游水系节点，得到上游节点群；
使用上游节点群中最远水系节点与污染触发节点的间距，以及节点污染信息对应的监测时间步长，计算得到动态滑动时间窗口；
针对上游节点群中每个水系节点，分别计算动态滑动时间窗口内水系节点的比较向量；
分别判断上游节点群中每个水系节点的比较向量是否满足污染事件触发条件；
使用上游节点群中、满足污染事件触发条件的所有水系节点，构建得到污染相关节点群。
优选的，作为一种可实施方式，上述污染溯源方法，根据污染相关节点群中各水系节点在污染持续时间内的污染负荷，计算污染相关节点群中每个水系节点的污染贡献度的步骤包括：
计算得到污染持续时间内污染触发节点的污染负荷；
计算得到污染持续时间内污染相关节点群的污染负荷；
使用一维稳态数学模型，根据污染相关节点群的污染负荷，计算得到污染相关节点群的负荷比较矩阵；
使用负荷比较矩阵与污染触发节点的污染负荷，计算得到污染相关节点群中每个水系节点的污染贡献度。
优选的，作为一种可实施方式，上述污染溯源方法中，使用污染相关节点群中每个水系节点的污染贡献度，锁定得到水系的污染源的步骤包括：
使用污染相关节点群中每个水系节点的污染贡献度，计算得到污染相关节点群的贡献度矩阵；
使用贡献度矩阵，从污染相关节点群中筛选得到污染贡献度大于或等于预设贡献度的水系节点，作为潜在污染源；
使用与本次污染事件具有强相关性的历史污染数据对潜在污染源进行参考比较，锁定水系的污染源。
优选的，作为一种可实施方式，上述污染溯源方法中，使用与本次污染事件具有强相关性的历史污染数据对潜在污染源进行参考比较的步骤包括：
从历史污染事件库中筛选得到与本次污染事件相关性最高的历史污染事件；
使用历史污染事件包含的溯源结果与潜在污染源进行验证，确定本次污染事件对应的污染源和参考治理措施；
记录本次污染事件，将本次污染事件添加至历史污染事件库。
优选的，作为一种可实施方式，上述污染溯源方法中，使用节点污染信息，判断是否存在水系节点满足污染事件触发条件的步骤包括：
按照预设污染标准构建水系污染条件集合，水系污染条件集合包括多条污染事件触发条件；
使用节点污染信息，判断水系节点是否满足水系污染条件集合中任一污染事件触发条件；
若判定水系节点满足任一污染事件触发条件，则确定水系节点为污染触发节点。
优选的，作为一种可实施方式，上述污染溯源方法，在判断是否存在水系节点满足污染事件触发条件的步骤之后还包括：
使用污染触发节点对应的污染事件触发条件，从历史污染事件库中筛选历史污染事件；
使用污染相关节点群中各水系节点在污染持续时间内的污染负荷，对历史污染事件进行相关性分析，得到相关性最高的历史污染事件；
使用相关性最高的历史污染事件得到水系的污染源。
优选的，作为一种可实施方式，上述污染溯源方法，使用负荷比较矩阵与污染触发节点的污染负荷，计算得到污染相关节点群中每个水系节点的污染贡献度的步骤包括：
计算负荷比较矩阵与污染触发节点的污染负荷之和，作为污染总负荷；
计算负荷比较矩阵与污染总负荷之比，得到污染相关节点群中每个水系节点的污染贡献度。
根据本发明的第二方面，本发明还提供了一种基于水系编译器与机器学习处理的水污染溯源系统，包括：
存储器、处理器及存储在存储器上并可在处理器上运行的污染溯源程序，污染溯源程序被处理器执行时实现上述任一项技术方案所述的污染溯源方法的步骤。
综上，本发明上述技术方案提供的基于水系编译器与机器学习处理的水污染溯源系统方案，通过实时监测水系中每个水系节点的污染情况，能够获取各节点的污染信息，然后使用节点污染信息判断是否存在水系节点满足污染事件触发条件，因为该水系节点的上游水系节点均可能是污染源，因此需要根据水系结构，以该水系节点，即污染触发节点为起点构建污染相关节点群。根据该污染相关节点群中每个水系节点在污染持续时间内的污染负荷，能够计算污染相关节点群中每个水系节点的污染贡献度，通过计算该污染贡献度，选择污染贡献度较大的水系节点就能够确定得到水系的污染源。综上，通过上述方式能够将关键的水系节点进行概化，通过实时感知水质数据，对水系拓扑关系进行连通性分析，耦合机器学习相关算法和数学模型计算贡献对并定量化污染贡献，实现水污染的快速识别，因为本申请的技术方案只需要选择和监测水系中的水系节点，不需要提前测量获取大量的水文数据和条件参数，水污染的溯源方式简单，解决现有技术中应用条件受限，溯源方式不具有普适性的问题。
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一些实施例，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，还可以根据这些附图示出的结构获得其他的附图。
图1是本发明实施例提供的一种基于水系编译器的连通性分析逻辑的结构示意图；
图2是本发明实施例提供的第一种基于水系编译器与机器学习处理的水污染溯源方法的流程示意图；
图3是图2所示实施例提供的一种污染事件的判断方法的流程示意图；
图4是图2所示实施例提供的一种污染相关节点群的构建方法的流程示意图；
图5是图2所示实施例提供的一种污染贡献度的计算方法的流程示意图；
图6是图5所示实施例提供的一种水系节点的污染贡献度的计算方法的流程示意图；
图7是图2所示实施例提供的一种污染源的锁定方法的流程示意图；
图8是图7所示实施例提供的一种潜在污染源的参考比较方法的流程示意图；
图9是本发明实施例提供的第二种基于水系编译器与机器学习处理的水污染溯源方法的流程示意图；
图10是本发明实施例提供的第三种基于水系编译器与机器学习处理的水污染溯源方法的流程示意图；
图11是本发明实施例提供的一种基于水系编译器与机器学习处理的水污染溯源系统的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本发明实施例的主要解决的技术问题是：
现有的水污染溯源方案，存在水污染预警溯源仪和基于机理模型的溯源方式。上述溯源方式实际应用的过程中也略有不足：水污染预警溯源仪的方法是在依托强大水指纹库的基础上实现的，若水指纹库中无相关特征污染物的荧光光谱，则无法实现溯源目的；此外，水指纹预警溯源仪成本较高，很难实现水环境的精细化监管。基于机理模型的溯源技术受理论知识、模型结构特点和监测条件等局限存在一定的缺陷。例如，模型对相关限制条件的依赖性较大，在实际应用时这些参数往往较难获取且区域间差异较大，不具有普适性。
为了解决上述问题，本申请下述实施例提供了基于水系编译器与机器学习处理的水污染溯源系统方案，能够通过实时监测水系中每个水系节点的污染情况，获取节点污染信息，然后根据水系的拓扑结构构建污染相关节点群，确定污染相关节点群中各水系节点的污染负荷，计算各水系节点的污染贡献度，根据该贡献度锁定水系的污染源，达到治理水系污染的目的。
为实现上述目的，请参见图2，图2为本发明实施例提供的一种基于水系编译器与机器学习处理的水污染溯源方法的流程示意图，如图2所示，该基于水系编译器与机器学习处理的水污染溯源方法，包括：
S110：实时监测水系中每个水系节点的污染情况，获取节点污染信息。
在本申请实施例中，预先构建水系编译器，将水系中存在污染风险的区域概化水系节点，例如水系及其周边的风险源、排污口和断面等进行概化，作为水系节点，通过在上述水系节点中布置监测传感器，实时感知水质数据等相关水系数据，就能够获取到节点污染信息。
S120：使用节点污染信息，判断是否存在水系节点满足污染事件触发条件。本申请实施例提供的技术方案中，污染事件触发条件包括多种污染事件对应的水质检测物的浓度阈值和突变限值，通过节点污染信息包含的水质检测物的含量或浓度是否大于或等于某一污染事件对应的水质检测物的含量或浓度阈值时，说明该水系节点存在上述污染事件。
其中，作为一种优选的实施例，如图3所示，该使用节点污染信息，判断是否存在水系节点满足污染事件触发条件的步骤具体包括：
S121：按照预设污染标准构建水系污染条件集合，水系污染条件集合包括多条污染事件触发条件。本申请实施例中能够根据当地水质量监督部门的相关标准和/或地方水质要求，制定相应的水污染条件集合X＝(x1,x2......，xn)，其中，x1，x2，……xn均为水污染事件触发条件。其中，该水污染事件触发条件包括事件对应的水质检测物的浓度阈值或突变限值。
S122：使用节点污染信息，判断水系节点是否满足水系污染条件集合中任一污染事件触发条件。
S123：若判定水系节点满足任一污染事件触发条件，则确定水系节点为污染触发节点。
根据实时在线监测得到的节点污染信息建立条件自动判别机制，当满足任一污染事件触发条件x时，就确定该水系节点为污染触发节点，自动标记该污染事件的发生时间t、发生位置S0和源强W0。
图2所示实施例提供的基于水系编译器与机器学习处理的水污染溯源方法，在判断是否存在水系节点满足污染事件触发条件的步骤之后还包括：
S130：若存在水系节点满足污染事件触发条件，则确定水系节点为污染触发节点，根据水系的拓扑结构，以污染触发节点为起点构建污染相关节点群。
在水系编译器中概化水系的相关污染风险区域，得到污染对应的水系节点，使用该水系节点就能够得到水系的拓扑结构，在确定水系节点为污染触发节点时，使用该污染触发节点为起点构建污染相关节点群，就能够对水污染进行溯源。
具体地，作为一种优选的实施例，如图4所示，本申请实施例提供的技术方案，上述根据水系的拓扑结构，以污染触发节点为起点构建污染相关节点群的步骤包括：
S131：从水系的拓扑结构中筛选与污染触发节点存在连通关系的所有上游水系节点，得到上游节点群。
结合图1所示的基于水系编译器的连通性分析逻辑可知，以确定存在污染的水系节点S0为起点，根据水系的拓扑结构在水系编译器中对水系的上游节点进行连通性分析，分析得到潜在源区，锁定源头，筛选构建包括与污染触发点相连通的所有上游水系节点的上游节点群S。
S132：使用上游节点群中最远水系节点与污染触发节点的间距，以及节点污染信息对应的监测时间步长，计算得到动态滑动时间窗口。
同时，设定污染物传输响应延时(即下述第一个公式中的j)和动态滑动时间窗口(下述公式中的i)。
Figure BDA0003812039430000081
Figure BDA0003812039430000082
其中，j为污染物传输响应延时，Smax为污染触发点与确定水系节点群中最远水系节点间的距离(沿河道方向距离)；v为流速；i为动态滑动时间窗口；△t为在线监测数据的时间步长。
S133：针对上游节点群中每个水系节点，分别计算动态滑动时间窗口内水系节点的比较向量。
S134：分别判断上游节点群中每个水系节点的比较向量是否满足污染事件触发条件。
S135：使用上游节点群中、满足污染事件触发条件的所有水系节点，构建得到污染相关节点群。
具体构建公式，得到每个水系节点的比较向量，将上游节点群S与本次污染触条件x进行二次比对，剔除没有污染的无关节点，从而生成与本次污染事件相关联的水系节点群Sx；比较向量的公式如下：
Figure BDA0003812039430000091
其中，
Figure BDA0003812039430000092
表示k站点在动态滑动时间窗口上的比较向量，比较的尺度范围与污染触发点的本次污染事件触发点条件x一致。
图2所示的基于水系编译器与机器学习处理的水污染溯源方法，在构建污染相关节点群后还包括以下步骤：
S140：根据污染相关节点群中各水系节点在污染持续时间内的污染负荷，计算污染相关节点群中每个水系节点的污染贡献度。因为水系中的水是流动的，因此需要根据污染持续时间对污染进行时间上的溯源，判断在假定或计算得到的污染发生时刻水系节点的污染负荷，通过计算每个水系节点的污染负荷，能够得到每个水系节点的污染贡献度。
如图5所示，作为一种优选的实施例，如图5所示，本申请实施例提供的污染溯源方法中，该根据污染相关节点群中各水系节点在污染持续时间内的污染负荷，计算污染相关节点群中每个水系节点的污染贡献度的步骤包括：
S141：计算得到污染持续时间内污染触发节点的污染负荷。
S142：计算得到污染持续时间内污染相关节点群的污染负荷。
S143：使用一维稳态数学模型，根据污染相关节点群的污染负荷，计算得到污染相关节点群的负荷比较矩阵。
在确定污染相关节点群的基础，构建下述公式(4)和(5)所示的向量：
Figure BDA0003812039430000093
Figure BDA0003812039430000094
上述公式(4)为污染持续时间内污染触发节点的污染负荷向量，公式(5)为污染持续时间内，污染相关节点群的污染负荷向量；其中，j为污染物传输响应延时，t为污染事件的发生时间，△t是动态滑动时间窗口，m是水系节点的数量，Sx为第x个水系节点。
根据污染相关节点群的污染负荷向量
Figure BDA0003812039430000095
应用一维稳态数学模型考虑过程消减后，构建污染相关节点群的负荷比较矩阵
Figure BDA0003812039430000096
Figure BDA0003812039430000101
上述负荷比较矩阵反映了消减过程后的污染负荷，即水系节点群中各水系节点消减后到达污染触发点的污染负荷。
S144：使用负荷比较矩阵与污染触发节点的污染负荷，计算得到污染相关节点群中每个水系节点的污染贡献度。
作为一种优选的实施例，如图6所示，该使用负荷比较矩阵与污染触发节点的污染负荷，计算得到污染相关节点群中每个水系节点的污染贡献度的步骤包括：
S1441：计算负荷比较矩阵与污染触发节点的污染负荷之和，作为污染总负荷。
S1442：计算负荷比较矩阵与污染总负荷之比，得到污染相关节点群中每个水系节点的污染贡献度。
每个水系节点的贡献度向量＝水系节点的负荷比较矩阵值
Figure BDA0003812039430000102
/(污染触发节点的污染负荷向量值+负荷比较矩阵值)；通过该公式能够计算得到污染相关节点群中每个水系节点的污染贡献度，从而查找到水系的污染源。
在计算得到污染相关节点群中每个水系节点的污染贡献度后，图2所示实施例提供的基于水系编译器与机器学习处理的水污染溯源方法还包括以下步骤：
S150：使用污染相关节点群中每个水系节点的污染贡献度，锁定得到水系的污染源。
每个水系节点的污染贡献度反映了本次污染事件中该水系节点对于水污染的贡献程度，通常污染贡献度最大的水系节点即水系的污染源。另外，本申请实施例还可以结合历史污染数据进行判断，通过具有强相关性的历史污染数据对潜在污染源进行参考比较，得到该水系的污染源。
具体地，作为一种优选的实施例，如图7所示，该使用污染相关节点群中每个水系节点的污染贡献度，锁定得到水系的污染源的步骤包括：
S151：使用污染相关节点群中每个水系节点的污染贡献度，计算得到污染相关节点群的贡献度矩阵。
S152：使用贡献度矩阵，从污染相关节点群中筛选得到污染贡献度大于或等于预设贡献度的水系节点，作为潜在污染源。
S153：使用与本次污染事件具有强相关性的历史污染数据对潜在污染源进行参考比较，锁定水系的污染源。
每个水系节点的贡献度向量＝水系节点的负荷比较矩阵值/(污染触发节点的污染负荷向量值+负荷比较矩阵值)；通过该公式能够计算得到污染相关节点群中每个水系节点的污染贡献度。在筛选污染贡献度大于或等于预设贡献度的若干个水系节点后，将该若干个水系节点作为潜在污染源，然后从本次污染事件中查找具有强相关性的历史污染数据对潜在污染源进行参考比较，就能够准确查找到水系的污染源。
作为一种优选的实施例，如图8所示，上述步骤S153：使用与本次污染事件具有强相关性的历史污染数据对潜在污染源进行参考比较，具体包括以下步骤：
S1531：从历史污染事件库中筛选得到与本次污染事件相关性最高的历史污染事件。筛选条件可以包括污染指标和污染触发条件等信息。
S1532：使用历史污染事件包含的溯源结果与潜在污染源进行验证，确定本次污染事件对应的污染源和参考治理措施。
S1533：记录本次污染事件，将本次污染事件添加至历史污染事件库。
本申请实施例提供的技术方案中，在筛选得到的历史污染事件中，对污染浓度/污染负荷变化趋势与触发点浓度或负荷趋势图进行相关性分析，找相关性最强的污染事件，提取强相关污染事件，就能够查看到溯源结果，即污染源和参考治理措施。在锁定潜在污染源且明晰各污染源的贡献和防治优先级后，通过与历史污染事件库中的事件进行相关性分析，能够锁定处相关性最高的污染事件，对应该时间溯源结果和治理措施，使用该溯源结果和治理措施对得到的潜在污染源进行验证，锁定污染源并明晰治理措施。最后记录本次污染事件到上述历史污染事件库，以利于下次污染溯源的验证。
另外，作为一种优选的实施例，如图9所示，本申请实施例提供的污染的溯源方法，在上述实时监测水系中每个水系节点的污染情况的步骤之前，还包括：
S210：概化水系中具有连通关系的污染风险区域，得到水系节点；
S220：使用水系中所有水系节点以及连通关系，构建得到包含拓扑结构的水系编译器。
通过构建水系编译器，能够将水系中具有连通关系的污染风险区域，例如化工厂、排污口、研究区污染源和污染断面等关键节点作为水系节点，然后使用上述水系中所有水系节点和连通关系，构建含有拓扑结果的水系编译器。这样在发现污染触发节点时，根据水系编译器中的拓扑结构，就能够对污染进行溯源，查找本次污染相关节点。
另外，作为一种优选的实施例，如图10所示，本申请实施例提供的污染溯源方法，在上述步骤S120：判断是否存在水系节点满足污染事件触发条件之后还包括：
S310：使用污染触发节点对应的污染事件触发条件，从历史污染事件库中筛选历史污染事件。
S320：使用污染相关节点群中各水系节点在污染持续时间内的污染负荷，对历史污染事件进行相关性分析，得到相关性最高的历史污染事件。
S330：使用相关性最高的历史污染事件得到水系的污染源。
具体地，首先，对历史污染事件库中的历史污染事件进行筛选，筛选条件为污染指标和污染触发条件等内容；然后，在筛选的历史污染事件中对污染浓度/负荷变化趋势与触发点浓度/负荷趋势图进行相关性分析；最后，提取强相关污染事件，查看其溯源结果，即污染源及贡献度排名，作为此次事件的验证集，得到水系的污染源。
本申请上述实施例提供的基于水系编译器与机器学习处理的水污染溯源系统方案，通过实时感知水质数据，当识别到异常时通过对水系拓扑关系的连通性分析，耦合机器学习算法和数学模型通过贡献度分析对潜在污染源进行锁定，并定量化污染贡献，从而实现水污染源的快速识别。同时耦合数学模型考虑了污染物在迁移转化过程中的消减；耦合机器学习算法，将历史溯源结果进行存储学习，构建历史水污染事件库，可以实现数据样本的不断更新，模型可以根据历史数据和新增数据进行自主学习，从而不断提升溯源算法的精度及响应时间，增加了溯源技术的自验证机制。
综上，本发明上述实施例提供的基于水系编译器与机器学习处理的水污染溯源系统方案，通过实时监测水系中每个水系节点的污染情况，能够获取各节点的污染信息，然后使用节点污染信息判断是否存在水系节点满足污染事件触发条件，因为该水系节点的上游水系节点均可能是污染源，因此需要根据水系结构，以该水系节点，即污染触发节点为起点构建污染相关节点群。根据该污染相关节点群中每个水系节点在污染持续时间内的污染负荷，能够计算污染相关节点群中每个水系节点的污染贡献度，通过计算该污染贡献度，选择污染贡献度较大的一个或多个(通常不超过3个)水系节点，就能够确定得到水系的污染源。综上，通过上述方式能够将关键的水系节点进行概化，通过实时感知水质数据，对水系拓扑关系进行连通性分析，耦合机器学习相关算法和数学模型计算贡献对并定量化污染贡献，实现水污染的快速识别，因为本申请的技术方案只需要选择和监测水系中的水系节点，不需要提前测量获取大量的水文数据和条件参数，水污染的溯源方式简单，解决现有技术中应用条件受限，溯源方式不具有普适性的问题。
另外，参见图11，图11为本发明实施例提供的一种基于水系编译器与机器学习处理的水污染溯源系统的结构示意图。如图11所示，该基于水系编译器与机器学习处理的水污染溯源系统，包括：
通信模块1003、通信线路1002、存储器1004、处理器1001及存储在存储器1004上并可在处理器1001上运行的污染溯源程序，污染溯源程序被处理器1001执行时实现上述任一项实施例所述的污染溯源方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种基于水系编译器与机器学习处理的水污染溯源方法，其特征在于，包括：
实时监测水系中每个水系节点的污染情况，获取节点污染信息；
使用所述节点污染信息，判断是否存在水系节点满足污染事件触发条件；
若存在水系节点满足所述污染事件触发条件，则确定所述水系节点为污染触发节点，根据所述水系的拓扑结构，以所述污染触发节点为起点构建污染相关节点群；
根据所述污染相关节点群中各水系节点在污染持续时间内的污染负荷，计算所述污染相关节点群中每个水系节点的污染贡献度；
使用所述污染相关节点群中每个水系节点的污染贡献度，锁定得到所述水系的污染源；
其中，在所述实时监测水系中每个水系节点的污染情况的步骤之前，所述方法还包括：概化所述水系中具有连通关系的污染风险区域，得到水系节点；使用所述水系中所有水系节点以及所述连通关系，构建得到包含所述拓扑结构的水系编译器；
所述根据所述水系的拓扑结构，以所述污染触发节点为起点构建污染相关节点群的步骤，包括：从所述水系的拓扑结构中筛选与所述污染触发节点存在连通关系的所有上游水系节点，得到上游节点群；使用所述上游节点群中最远水系节点与所述污染触发节点的间距，以及所述节点污染信息对应的监测时间步长，计算得到动态滑动时间窗口；针对所述上游节点群中每个水系节点，分别计算所述动态滑动时间窗口内所述水系节点的比较向量；分别判断所述上游节点群中每个水系节点的比较向量是否满足所述污染事件触发条件；使用所述上游节点群中、满足所述污染事件触发条件的所有水系节点，构建得到所述污染相关节点群；
所述根据所述污染相关节点群中各水系节点在污染持续时间内的污染负荷，计算所述污染相关节点群中每个水系节点的污染贡献度的步骤，包括：计算得到所述污染持续时间内所述污染触发节点的污染负荷；计算得到所述污染持续时间内所述污染相关节点群的污染负荷；使用一维稳态数学模型，根据所述污染相关节点群的污染负荷，计算得到所述污染相关节点群的负荷比较矩阵；使用所述负荷比较矩阵与所述污染触发节点的污染负荷，计算得到所述污染相关节点群中每个水系节点的污染贡献度；
所述使用所述污染相关节点群中每个水系节点的污染贡献度，锁定得到所述水系的污染源的步骤，包括：使用所述污染相关节点群中每个水系节点的污染贡献度，计算得到所述污染相关节点群的贡献度矩阵；使用所述贡献度矩阵，从所述污染相关节点群中筛选得到污染贡献度大于或等于预设贡献度的水系节点，作为潜在污染源；使用与本次污染事件具有强相关性的历史污染数据对所述潜在污染源进行参考比较，锁定所述水系的污染源。
2.根据权利要求1所述的污染溯源方法，其特征在于，所述使用与本次污染事件具有强相关性的历史污染数据对所述潜在污染源进行参考比较的步骤，包括：
从历史污染事件库中筛选得到与本次污染事件相关性最高的历史污染事件；
使用所述历史污染事件包含的溯源结果与所述潜在污染源进行验证，确定本次污染事件对应的污染源和参考治理措施；
记录本次污染事件，将本次污染事件添加至所述历史污染事件库。
3.根据权利要求1所述的污染溯源方法，其特征在于，所述使用所述节点污染信息，判断是否存在水系节点满足污染事件触发条件的步骤，包括：
按照预设污染标准构建水系污染条件集合，所述水系污染条件集合包括多条所述污染事件触发条件；
使用所述节点污染信息，判断所述水系节点是否满足所述水系污染条件集合中任一所述污染事件触发条件；
若判定所述水系节点满足任一所述污染事件触发条件，则确定所述水系节点为污染触发节点。
4.根据权利要求1或3所述的污染溯源方法，其特征在于，所述判断是否存在水系节点满足污染事件触发条件的步骤之后，所述方法还包括：
使用所述污染触发节点对应的污染事件触发条件，从历史污染事件库中筛选历史污染事件；
使用所述污染相关节点群中各水系节点在所述污染持续时间内的污染负荷，对所述历史污染事件进行相关性分析，得到相关性最高的历史污染事件；
使用所述相关性最高的历史污染事件得到所述水系的污染源。
5.根据权利要求1所述的污染溯源方法，其特征在于，所述使用所述负荷比较矩阵与所述污染触发节点的污染负荷，计算得到所述污染相关节点群中每个水系节点的污染贡献度的步骤，包括：
计算所述负荷比较矩阵与所述污染触发节点的污染负荷之和，作为污染总负荷；
计算所述负荷比较矩阵与所述污染总负荷之比，得到所述污染相关节点群中每个水系节点的污染贡献度。
6.一种基于水系编译器与机器学习处理的水污染溯源系统，其特征在于，包括：
存储器、处理器及存储在所述存储器上并可在所述处理器上运行的污染溯源程序，所述污染溯源程序被所述处理器执行时实现如权利要求1-5中任一项所述的污染溯源方法的步骤。
CN202211014370.1A 2022-08-23 2022-08-23 基于水系编译器与机器学习处理的水污染溯源方法及系统 Active CN115309845B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211014370.1A CN115309845B (zh) 2022-08-23 2022-08-23 基于水系编译器与机器学习处理的水污染溯源方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211014370.1A CN115309845B (zh) 2022-08-23 2022-08-23 基于水系编译器与机器学习处理的水污染溯源方法及系统

Publications (2)

Publication Number Publication Date
CN115309845A CN115309845A (zh) 2022-11-08
CN115309845B true CN115309845B (zh) 2023-05-02

Family

ID=83863842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211014370.1A Active CN115309845B (zh) 2022-08-23 2022-08-23 基于水系编译器与机器学习处理的水污染溯源方法及系统

Country Status (1)

Country Link
CN (1) CN115309845B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563139A (zh) * 2017-09-06 2018-01-09 郑州大学 一种点源突发性水污染源事故溯源贡献程度计算方法
CN114424058B (zh) * 2019-09-23 2022-10-25 广州禾信仪器股份有限公司 一种VOCs污染的溯源方法
CN111506574A (zh) * 2020-03-19 2020-08-07 平安国际智慧城市科技股份有限公司 基于r树的污染物溯源方法、装置及其相关设备
CN111861421A (zh) * 2020-08-01 2020-10-30 生态环境部南京环境科学研究所 一种流域突发水污染快速溯源方法
CN112418487A (zh) * 2020-10-30 2021-02-26 中国水利水电科学研究院 一种小流域河湖污染物反向精准溯源方法及系统
CN112417788A (zh) * 2020-11-30 2021-02-26 重庆市生态环境大数据应用中心 基于大数据的水环境污染分析系统及方法
CN113610243B (zh) * 2021-08-12 2023-10-13 中节能天融科技有限公司 基于耦合机器学习和相关性分析的大气污染物溯源方法
CN114295749B (zh) * 2021-12-30 2022-10-25 南京大学 一种水体有机污染智能化溯源方法及系统

Also Published As

Publication number Publication date
CN115309845A (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
Liu et al. An integrated data-driven framework for surface water quality anomaly detection and early warning
Burchard-Levine et al. A hybrid evolutionary data driven model for river water quality early warning
CN111898691A (zh) 一种河流突发水污染预警溯源方法、系统、终端及介质
CN108897964A (zh) 一种污水管网超标排放工业废水的贝叶斯统计溯源方法
Branisavljević et al. Improved real-time data anomaly detection using context classification
Meyers et al. Short-term forecasting of turbidity in trunk main networks
CN113111478B (zh) 排水系统管网混接与入流、入渗程度的评估方法及设备
CN112836758B (zh) 基于双层循环神经网络的独立计量区域管网漏损检测方法
CN111191855B (zh) 一种基于管网多元水质时序数据的水质异常事件识别预警方法
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
Liu et al. Online conditional outlier detection in nonstationary time series
CN115563880A (zh) 一种基于Isolated forest-变点增强的企业用电异常检测方法
CN114034334B (zh) 岩溶管道污染源和流量的识别方法
Yetilmezsoy et al. Modeling Water-in-Oil Emulsion Formation Using Fuzzy Logic.
CN115309845B (zh) 基于水系编译器与机器学习处理的水污染溯源方法及系统
CN112836859A (zh) 一种河口区污染物监测数据的智能融合与分析方法
CN116699093A (zh) 一种地下水质检测方法、系统及可读存储介质
Cook et al. Environmental statistical process control using an augmented neural network classification approach
CN116386756A (zh) 一种基于集成神经网络可信度估计与加权学习的软测量建模方法
Bechmann et al. Grey box modeling of first flush and incoming wastewater at a wastewater treatment plant
Zhang et al. Spatial-Temporal Causality Modeling for Industrial Processes With a Knowledge-Data Guided Reinforcement Learning
Hong et al. Drainage network flow anomaly classification based on XGBoost
Ahmad et al. A Comparative Study of Outlier Detection of Yamuna River Delhi India by Classical Statistics and Statistical Quality Control
Salem et al. Machine Learning–Based Source Identification in Sewer Networks
Rustum et al. Fault detection in the activated sludge process using the kohonen self-organising map

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