CN115561421A - 一种污染源确定方法、装置、设备及存储介质 - Google Patents
一种污染源确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115561421A CN115561421A CN202211306915.6A CN202211306915A CN115561421A CN 115561421 A CN115561421 A CN 115561421A CN 202211306915 A CN202211306915 A CN 202211306915A CN 115561421 A CN115561421 A CN 115561421A
- Authority
- CN
- China
- Prior art keywords
- river
- pollution
- confluence
- path
- target
- 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
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Operations Research (AREA)
- Aviation & Aerospace Engineering (AREA)
- Analytical Chemistry (AREA)
- Algebra (AREA)
- Medicinal Chemistry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种污染源确定方法、装置、设备及存储介质,涉及环境工程技术领域。该方法包括:接收位于各河道中的监测点的监测设备采集到的水质量参数,并根据水质量参数确定至少一个目标河道;根据目标河道对应的入河排口与目标河道中的监测点之间的距离以及目标河道对应的水质量参数,确定各入河排口的污染概率;根据汇流路径集,确定各入河排口对应的至少一个汇流路径集;处理设备根据各入河排口的污染概率以及各汇流路径的属性信息,得到各汇流路径的污染权重;根据各汇流路径的污染权重以及各企业集水口与各汇流路径的对应关系,确定存在污染的目标企业集水口,并将目标企业集水口作为污染源,这样可高效以及准确地对污染源进行追溯。
Description
技术领域
本申请涉及环境工程技术领域,具体而言,涉及一种污染源确定方法、装置、设备及存储介质。
背景技术
随着工业化和城市化的不断加快,环境问题也日益突出,特别是水环境污染已成为河流可持续发展的重要制约性因素。通过对水环境污染源头的追溯,可以有效辅助水环境的监督管制,进而保证水环境的安全。
目前,主要通过物理排查法、特征因子法以及水纹识别法确定污染源。但是,物理排查法检测成本较高、且效率低,特征因子法、水纹识别法适用范围均有限。也就是说,现有技术难以高效以及准确地对污染源进行追溯。
发明内容
本申请的目的在于,针对上述现有技术中的不足,提供一种污染源追溯方法、装置、设备及存储介质,可以高效以及准确地对污染源进行追溯。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种污染源确定方法,应用于污染监测系统中的处理设备,所述污染监测系统包括:所述处理设备以及多个监测设备,各所述监测设备分别与所述处理设备通信连接,所述方法包括:
所述处理设备接收位于各河道中的监测点的监测设备采集到的水质量参数,并根据水质量参数确定至少一个目标河道;
所述处理设备确定所述目标河道对应的至少一个入河排口;
所述处理设备根据各所述入河排口与所述目标河道中的监测点之间的距离以及所述目标河道对应的水质量参数,确定各所述入河排口的污染概率,所述污染概率用于表征所述入河排口排出污染物的概率;
所述处理设备根据预先得到的汇流路径集,确定各所述入河排口对应的至少一个汇流路径集,所述汇流路径集包括多条汇流路径,所述汇流路径用于指示企业集水口与入河排口之间的管线分布情况;
所述处理设备根据各所述入河排口的污染概率以及各所述汇流路径的属性信息,得到各所述汇流路径的污染权重,其中,所述属性信息包括如下至少一项:所述汇流路径中企业集水口的状态信息、中间入口数量、管线的权重、预设的各企业集水口的共享比例;
所述处理设备根据各所述汇流路径的污染权重以及各企业集水口与各所述汇流路径的对应关系,确定存在污染的目标企业集水口,并将所述目标企业集水口作为污染源。
可选地,所述处理设备根据各所述入河排口与所述目标河道中的监测点之间的距离以及所述目标河道对应的水质量参数,确定各所述入河排口的污染概率,包括:
所述处理设备基于所述目标河道对应的水质量参数,得到水流速度、污染物类型的关联系数以及污染物初始浓度;
所述处理设备将各所述入河排口与所述目标河道中的监测点之间的距离、所述水流速度以及所述污染物类型的关联系数分别输入预先训练得到的污染物相对浓度预测模型中,预测得到各所述入河排口对应的污染物相对浓度;
所述处理设备根据各所述入河排口对应的污染物相对浓度以及所述污染物初始浓度,确定各所述入河排口的污染概率。
可选地,所述处理设备根据各所述入河排口的污染概率以及各所述汇流路径的属性信息,得到各所述汇流路径的污染权重,包括:
所述处理设备根据各所述汇流路径的属性信息中包括的企业集水口的状态信息,确定各所述汇流路径中企业集水口的权重;
所述处理设备根据各所述汇流路径的属性信息中包括的中间入口数量以及管线的权重,确定各所述汇流路径的传播系数;
所述处理设备将各所述汇流路径中企业集水口的权重与各所述汇流路径的传播系数相乘,得到各所述汇流路径的动态传播系数;
所述处理设备根据预设的各企业集水口的共享比例、各所述汇流路径的动态传播系数以及各所述入河排口的污染概率,得到各所述汇流路径的污染权重。
可选地,所述处理设备根据预设的各企业集水口的共享比例、各所述汇流路径的动态传播系数以及各所述入河排口的污染概率,得到各所述汇流路径的污染权重,包括:
所述处理设备基于各企业集水口与各所述汇流路径的对应关系,根据预设的各企业集水口的共享比例以及各所述汇流路径的动态传播系数,得到各所述汇流路径的动态关联系数;
所述处理设备基于各所述汇流路径与各所述入河排口的对应关系,将各所述汇流路径的动态关联系数分别与各所述入河排口的污染概率相乘,得到各所述汇流路径的污染权重。
可选地,所述处理设备根据各所述入河排口的污染概率以及各所述汇流路径的属性信息,得到各所述汇流路径的污染权重之前,所述方法还包括:
所述处理设备根据所述目标河道对应的水质量参数,确定污染物类型;
所述处理设备根据所述污染物类型以及企业集水口与污染物类型之间的关联性,确定各企业集水口的共享比例。
可选地,所述处理设备根据各所述汇流路径的污染权重以及各企业集水口与各所述汇流路径的对应关系,确定存在污染的目标企业集水口,包括:
所述处理设备确定各所述汇流路径中包括待选企业集水口的至少一个目标汇流路径;
所述处理设备根据各所述目标汇流路径的污染权重,确定所述待选企业集水口的污染结果;
若所述待选企业集水口的污染结果满足预设条件,则所述处理设备确定所述待选企业集水口为一个所述目标企业集水口。
可选地,所述处理设备确定所述目标河道对应的至少一个入河排口,包括:
所述处理设备从预设的河道排口库中读取所述目标河道对应的所述至少一个入河排口,所述河道排口库中记录有各河道与入河排口的对应关系。
可选地,所述处理设备从预设的河道排口库中读取所述目标河道对应的所述至少一个入河排口之前,所述方法还包括:
所述处理设备获取源网河网络结构的原始数据,所述原始数据中包括企业集、管线集、河道集以及入河排口集;
所述处理设备根据所述原始数据,构建拓扑关系,并根据所述拓扑关系得到所述河道排口库以及所述汇流路径集。
第二方面,本申请实施例还提供了一种污染源确定装置,应用于污染监测系统中的处理设备,所述污染监测系统包括:所述处理设备以及多个监测设备,各所述监测设备分别与所述处理设备通信连接,所述装置包括:
接收模块,用于接收位于各河道中的监测点的监测设备采集到的水质量参数,并根据水质量参数确定至少一个目标河道;
确定模块,用于确定所述目标河道对应的至少一个入河排口;
所述确定模块,还用于根据各所述入河排口与所述目标河道中的监测点之间的距离以及所述目标河道对应的水质量参数,确定各所述入河排口的污染概率,所述污染概率用于表征所述入河排口排出污染物的概率;
所述确定模块,还用于根据预先得到的汇流路径集,确定各所述入河排口对应的至少一个汇流路径集,所述汇流路径集包括多条汇流路径,所述汇流路径用于指示企业集水口与入河排口之间的管线分布情况;
所述确定模块,还用于根据各所述入河排口的污染概率以及各所述汇流路径的属性信息,得到各所述汇流路径的污染权重,其中,所述属性信息包括如下至少一项:所述汇流路径中企业集水口的状态信息、中间入口数量、管线的权重、预设的各企业集水口的共享比例;
所述确定模块,还用于根据各所述汇流路径的污染权重以及各企业集水口与各所述汇流路径的对应关系,确定存在污染的目标企业集水口,并将所述目标企业集水口作为污染源。
可选地,所述确定模块,还具体用于基于所述目标河道对应的水质量参数,得到水流速度、污染物类型的关联系数以及污染物初始浓度;将各所述入河排口与所述目标河道中的监测点之间的距离、所述水流速度以及所述污染物类型的关联系数分别输入预先训练得到的污染物相对浓度预测模型中,预测得到各所述入河排口对应的污染物相对浓度;根据各所述入河排口对应的污染物相对浓度以及所述污染物初始浓度,确定各所述入河排口的污染概率。
所述确定模块,还具体用于根据各所述汇流路径的属性信息中包括的企业集水口的状态信息,确定各所述汇流路径中企业集水口的权重;根据各所述汇流路径的属性信息中包括的中间入口数量以及管线的权重,确定各所述汇流路径的传播系数;将各所述汇流路径中企业集水口的权重与各所述汇流路径的传播系数相乘,得到各所述汇流路径的动态传播系数;根据预设的各企业集水口的共享比例、各所述汇流路径的动态传播系数以及各所述入河排口的污染概率,得到各所述汇流路径的污染权重。
可选地,所述确定模块,还具体用于基于各企业集水口与各所述汇流路径的对应关系,根据预设的各企业集水口的共享比例以及各所述汇流路径的动态传播系数,得到各所述汇流路径的动态关联系数;基于各所述汇流路径与各所述入河排口的对应关系,将各所述汇流路径的动态关联系数分别与各所述入河排口的污染概率相乘,得到各所述汇流路径的污染权重。
可选地,所述确定模块,还用于根据所述目标河道对应的水质量参数,确定污染物类型;根据所述污染物类型以及企业集水口与污染物类型之间的关联性,确定各企业集水口的共享比例。
可选地,所述确定模块,还具体用于确定各所述汇流路径中包括待选企业集水口的至少一个目标汇流路径;根据各所述目标汇流路径的污染权重,确定所述待选企业集水口的污染结果;若所述待选企业集水口的污染结果满足预设条件,则确定所述待选企业集水口为一个所述目标企业集水口。
可选地,所述确定模块,还具体用于从预设的河道排口库中读取所述目标河道对应的所述至少一个入河排口,所述河道排口库中记录有各河道与入河排口的对应关系。
可选地,所述装置还包括:构建模块;
所述构建模块,用于获取源网河网络结构的原始数据,所述原始数据中包括企业集、管线集、河道集以及入河排口集;根据所述原始数据,构建拓扑关系,并根据所述拓扑关系得到所述河道排口库以及所述汇流路径集。
第三方面,本申请实施例提供了一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行上述第一方面的所述污染源确定方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述第一方面的所述污染源确定方法的步骤。
本申请的有益效果是:
本申请实施例提供一种污染源确定方法、装置、设备及存储介质,该方法包括:处理设备接收位于各河道中的监测点的监测设备采集到的水质量参数,并根据水质量参数确定至少一个目标河道;处理设备确定目标河道对应的至少一个入河排口;处理设备根据各入河排口与目标河道中的监测点之间的距离以及目标河道对应的水质量参数,确定各入河排口的污染概率,污染概率用于表征入河排口排出污染物的概率;处理设备根据预先得到的汇流路径集,确定各入河排口对应的至少一个汇流路径集,汇流路径集包括多条汇流路径,汇流路径用于指示企业集水口与入河排口之间的管线分布情况;处理设备根据各入河排口的污染概率以及各汇流路径的属性信息,得到各汇流路径的污染权重,其中,属性信息包括如下至少一项:汇流路径中企业集水口的状态信息、中间入口数量、管线的权重、预设的各企业集水口的共享比例;处理设备根据各汇流路径的污染权重以及各企业集水口与各汇流路径的对应关系,确定存在污染的目标企业集水口,并将目标企业集水口作为污染源。
采用本申请实施例提供的污染源确定方法,可利用各河道中的监测点的监测设备实时采集河道中的真实数据(如水质量参数)确定出存在污染的目标河道,进而可得到目标河道对应的各入河排口。基于此,处理设备可根据各入河排口与目标河道中的监测点之间的距离以及预先获取到的位于目标河道中监测设备采集到的水质量参数,自动计算出各入河排口排出污染物的概率,即各入河排口的污染概率。该处理设备进而可基于各入河排口与汇流路径之间的对应关系,将根据各入河排口的污染概率以及各汇流路径的属性信息相结合,确定出各汇流路径的污染权重。也就是说,本申请中的处理设备可根据监测设备采集到的河道中的真实数据(如水质量参数),自动确定出各入河排口的污染概率,进而再根据各入河排口与汇流路径之间的对应关系以及各汇流路径的属性信息,自动确定出各汇流路径的污染权重,最后处理设备根据各汇流路径的污染权重,可高效以及准确地对污染源进行追溯。
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为本申请实施例提供的一种污染监测系统的场景示意图;
图2为本申请实施例提供的一种污染源确定方法的流程示意图;
图3为本申请实施例提供的另一种污染源确定方法的流程示意图;
图4为本申请实施例提供的又一种污染源确定方法的流程示意图;
图5为本申请实施例提供的再一种污染源确定方法的流程示意图;
图6为本申请实施例提供的又一种污染源确定方法的流程示意图;
图7为本申请实施例提供的一种污染源确定装置的结构示意图;
图8为本申请实施例提供的一种电子设备的结构示意图。
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。
在对本申请实施例进行详细解释之前,首先对本申请的应用场景予以介绍。该应用场景具体可以为污染源进行追溯的场景。图1为本申请实施例提供的一种污染监测系统的场景示意图,如图1所示,该系统可包括处理设备101以及监测设备102,处理设备与监测设备102通信连接。一种示例性的,源网河网络结构中包括多个河道,每个河道的河道断面(监测点)上可预先安装有监测设备102,监测设备102具体可为流速传感器、水质检测仪等,需要说明的是,本申请不对监测设备102的类型以及数量进行限定。监测设备102将采集到的水质量参数发送至通信连接的处理设备101中,处理设备101可根据本申请下述示例的方式确定出污染源,这样可基于监测设备102采集到的真实数据以及预先构建源网河网络结构对应的拓扑关系高效以及准确地对污染源进行追溯。
如下结合附图对本申请提到的污染源确定方法进行示例说明。图2为本申请实施例提供的一种污染源确定方法的流程示意图。该方法应用于上述提到的污染监测系统中的处理设备,如图2所示,该方法可包括:
S201、处理设备接收位于各河道中的监测点的监测设备采集到的水质量参数,并根据水质量参数确定至少一个目标河道。
其中,处理设备在接收到监测设备采集到的水质量参数后,即可得到各监测点的水质量参数与各河道之间的对应关系。基于此,处理设备确定各监测点的水质量参数是否满足预设污染条件,若某一监测点的水质量参数满足预设污染条件,则将该监测点对应的河道作为目标河道,即目标河道用于表示出现污染的河道。需要说明的是,本申请不对目标河道的数量进行限定,但本申请下述示例主要以一个目标河道为维度进行说明,其它目标河道类似。
S202、处理设备确定目标河道对应的至少一个入河排口。
可以理解的是,一个河道可对应有至少一个入河排口,处理设备可根据预先建立的河道与入河排口之间的对应关系,可确定出目标河道对应的至少一个入河排口。
一种示例性的,处理设备首先可根据监测设备采集到的流向参数,确定出是上游入河排口还是下游入河排口,如果是上游入河排口,则处理设备可根据预先建立的河道与入河排口之间的对应关系,可确定出目标河道对应的至少一个上游入河排口。目标河道Rive对应的上游入河排口{Up_Drain}可表示为:
{Up_Drain}={Up_Drain1,Up_Drain2,…,Up_Drainn}
其中,Up_Drainn表示第n个上游入河排口,n表示上游入河排口数量。
S203、处理设备根据各入河排口与目标河道中的监测点之间的距离以及目标河道对应的水质量参数,确定各入河排口的污染概率。
其中,污染概率用于表征入河排口排出污染物的概率,即入河排口的污染概率越大,证明该入河排口排出污染物的概率就越大,反之,该入河排口排出污染物的概率就越小。
一种示例性的,处理设备预先可将入河排口的编号与监测点之间的距离存储在相关联的存储设备中,处理设备在确定出目标河道对应的各入河排口(如上游入河排口)后,可根据各入河排口的标识(如编号)从存储设备中读取各入河排口与监测点之间的距离,进而将各入河排口与监测点之间的距离以及目标河道中的监测点上的监测设备采集到的水质量参数结合,计算出各入河排口的污染概率{K_Drain}:
{K_Drain}={K_Drain1,K_Drain2,…,K_Drainn}
其中,K_Drainn表示第n入河排口的污染概率。
S204、处理设备根据预先得到的汇流路径集,确定各入河排口对应的至少一个汇流路径集。
其中,汇流路径集包括多条汇流路径,所述汇流路径用于指示企业集水口与入河排口之间的管线分布情况。可以理解的是,一个入河排口可对应有多条汇流路径,也就是说,多个企业可通过各自的企业集水口将污染物通过管线排放到同一个入河排口中,该入河排口再将合并后的污染物排放到对应的河道中。
基于此,处理设备可确定出目标河道对应的每个入河排口的汇流路径集{Routes}。此处以第一入河排口的汇流路径集{Routes}1为例进行说明,汇流路径集{Routes}1可表示为:
{Routes}1 = {Route1, Route2, …, Routem}
其中,Routem表示第一入河排口中第m条汇流路径,m表示第一入河排口对应的汇流路径数量,也可以表示企业集水口的数量。
S205、处理设备根据各入河排口的污染概率以及各汇流路径的属性信息,得到各汇流路径的污染权重。
其中,属性信息包括如下至少一项:汇流路径中企业集水口的状态信息、中间入口数量、管线的权重、预设的各企业集水口的共享比例。企业集水口的状态信息可用于表示企业集水口的阀门的开闭状态,中间入口数量用于表示窨井节点的数量,管线的权重用于表示管线的材质等参数,预设的各企业集水口的共享比例用于表示企业集水口排出污染物的概率。
示例性的,处理设备在获取到各入河排口分别对应的各汇流路径的属性信息后,即各汇流路径的属性信息后,首先可根据各汇流路径中企业集水口的状态信息、中间入口数量、管线的权重,确定出各汇流路径的动态传播系数,然后再基于各入河排口与汇流路径之间的对应关系,根据各汇流路径的动态传播系数、各汇流路径的预设的各企业集水口的共享比例以及各入河排口的污染概率,计算得到各汇流路径的污染权重,这里提到的各汇流路径的污染权重指的是所有入河排口对应的汇流路径的污染权重。
S206、处理设备根据各汇流路径的污染权重以及各企业集水口与各汇流路径的对应关系,确定存在污染的目标企业集水口,并将目标企业集水口作为污染源。
示例性的,在处理设备确定出各汇流路径的污染权重后,可基于各企业集水口与各汇流路径的对应关系,将包括同一企业集水口的汇流路径的污染权重构成一个污染权重集合,那么可得到各企业集水口对应的污染权重集合。以一个企业集水口对应的污染权重集合为例进行说明,可将该企业集水口对应的污染权重集合中包括的污染权重相加,得到该企业集水口对应的相加结果,最后可得到各企业集水口对应的相加结果。进而根据各企业集水口对应的相加结果确定存在污染的目标企业集水口,如可将最大的相加结果对应的企业集水口作为目标企业集水口,这样可将目标企业集水口作为污染源,之后可重点对该目标企业集水口对应的企业进行监管,避免对水质产生更严重的污染。
综上所述,本申请提供的污染源确定方法中,可利用各河道中的监测点的监测设备实时采集河道中的真实数据(如水质量参数)确定出存在污染的目标河道,进而可得到目标河道对应的各入河排口。基于此,处理设备可根据各入河排口与目标河道中的监测点之间的距离以及预先获取到的位于目标河道中监测设备采集到的水质量参数,自动计算出各入河排口排出污染物的概率,即各入河排口的污染概率。该处理设备进而可基于各入河排口与汇流路径之间的对应关系,将根据各入河排口的污染概率以及各汇流路径的属性信息相结合,确定出各汇流路径的污染权重。也就是说,本申请中的处理设备可根据监测设备采集到的河道中的真实数据(如水质量参数),自动确定出各入河排口的污染概率,进而再根据各入河排口与汇流路径之间的对应关系以及各汇流路径的属性信息,自动确定出各汇流路径的污染权重,最后处理设备根据各汇流路径的污染权重,可高效以及准确地对污染源进行追溯。
图3为本申请实施例提供的另一种污染源确定方法的流程示意图。如图3所示,可选地,上述处理设备根据各入河排口与目标河道中的监测点之间的距离以及目标河道对应的水质量参数,确定各入河排口的污染概率,包括:
S301、处理设备基于目标河道对应的水质量参数,得到水流速度、污染物类型的关联系数以及污染物初始浓度。
其中,处理设备可从水质量参数中得到水流速度、污染物类型以及污染物初始浓度,在获取到污染物类型后,一种示例性的,可根据预先存储的污染物类型与关联系数之间的对应关系,得到该污染物类型的关联系数。另一种示例性的,可根据实际需求,配置得到该污染物类型的关联系数。
S302、处理设备将各入河排口与目标河道中的监测点之间的距离、水流速度以及污染物类型的关联系数分别输入预先训练得到的污染物相对浓度预测模型中,预测得到各入河排口对应的污染物相对浓度。
其中,入河排口对应的污染物相对浓度C与入河排口至目标河道中的监测点之间的距离l、水流速度v以及污染物类型的关联系数k之间的关系可如下表示:
C=f(v, l, k)
其中,f即为上述提到的污染物相对浓度预测模型。
此处以一个入河排口为例进行说明,处理设备将该入河排口对应的数据(v, l,k)输入污染物相对浓度预测模型中,污染物相对浓度预测模型进而可输出该如何排口对应的污染物相对浓度C。
S303、处理设备根据各入河排口对应的污染物相对浓度以及污染物初始浓度,确定各入河排口的污染概率。
其中,入河排口{Up_Drain}的污染概率{K_Drain}与污染物相对浓度C以及污染物初始浓度C0之间的关系如下:
K_Drain=C/C0
在确定出各入河排口对应的污染物相对浓度以及污染物初始浓度后,可根据上述提到的入河排口的污染概率计算公式得到各入河排口的污染概率{K_Drain}。
可以看出,处理设备基于监测设备实时采集到的目标河道中的实际水质量参数以及各入河排口与目标河道中的监测点之间的距离,自动确定出各入河排口对应的污染物相对浓度,确定出的入河排口对应的污染物相对浓度,可准确表征入河排口排出污染物的概率。
图4为本申请实施例提供的又一种污染源确定方法的流程示意图。如图4所示,可选地,上述处理设备根据各入河排口的污染概率以及各汇流路径的属性信息,得到各汇流路径的污染权重,包括:
S401、处理设备根据各汇流路径的属性信息中包括的企业集水口的状态信息,确定各汇流路径中企业集水口的权重。
此处上述以提到的第一入河排口的汇流路径集{Routes}1中的一条汇流路径(如Route1)为例进行说明。处理设备获取Route1中企业集水口的状态信息,企业集水口的状态信息可以理解为企业集水口阀门的开闭状态,用企业集水口阀门的开启角度进行表示,企业集水口阀门的开启角度与企业集水口的权重(K_Value)之间具有对应关系,企业集水口的权重取值区间为(0-1),具体的,企业集水口阀门的开启角度越大,企业集水口的权重就越大,即越接近于1,若企业集水口阀门处于完全开启状态,则对应的权重为1;企业集水口阀门的开启角度越小,企业集水口的权重就越小,即越接近于0,若企业集水口阀门处于完全关闭状态,则对应的权重为0。
S402、处理设备根据各汇流路径的属性信息中包括的中间入口数量以及管线的权重,确定各汇流路径的传播系数。
S403、处理设备将各汇流路径中企业集水口的权重与各汇流路径的传播系数相乘,得到各汇流路径的动态传播系数。
其中,汇流路径Route1中包括的中间入口数量用N表示,管线的权重用K_N表示,K_N取值区间为(0-1),那么汇流路径Route1的动态传播系数为K_NN-1。
在汇流路径Route1的传播系数K_Value以及动态传播系数K_NN-1确定后,那么可根据下述公式得到汇流路径Route1的传播系数K_Filter11:
K_Filter11=K_Value×K_NN-1
参数上述描述,最后可得到第一入河排口对应的各汇流路径的传播系数{K_Filter}1:
{K_Filter}1 = {K_Filter11, K_Filter21, …, K_Filterm1}
其中,K_Filterm1表示第一入河排口对应的第m条汇流路径的传播系数。
S404、处理设备根据预设的各企业集水口的共享比例、各汇流路径的动态传播系数以及各入河排口的污染概率,得到各汇流路径的污染权重。
继续以上述提到的第一入河排口的汇流路径{Routes}1为例进行说明,汇流路径{Routes}1中各企业集水口的共享比例{K_Out}1可表示为:
{K_Out}1={K_Out11, K_Out21, …, K_Outm1}
其中,K_Outm1表示第一入河排口对应的第m条汇流路径中的企业集水口的共享比例。
可选地,处理设备首先可基于各企业集水口与各汇流路径的对应关系,根据预设的各企业集水口的共享比例以及各汇流路径的动态传播系数,得到各汇流路径的动态关联系数;然后再基于各汇流路径与各入河排口的对应关系,将各汇流路径的动态关联系数分别与各入河排口的污染概率相乘,得到各汇流路径的污染权重。
示例性的,在确定出第一入河排口对应的汇流路径{Routes}1中各企业集水口的共享比例{K_Out}1以及各汇流路径的动态传播系数{K_Filter}1后,可基于各企业集水口与各所述汇流路径的对应关系,将企业集水口的共享比例与所属的汇流路径的动态传播系数相乘,将相乘结果作为汇流路径的动态关联系数。
此处以动态传播系数{K_Filter}1中的第1条汇流路径的传播系数(K_Filter11)为例进行说明,将第1条汇流路径的传播系数(K_Filter11)与第1条汇流路径中的企业集水口的共享比例K_Out11相乘,得到第1条汇流路径的动态关联系数K11:
K11=K_Out11×K_Filter11
参考上述描述,可得到第一入河排口对应的各汇流路径的动态关联系数{K}1:
{K}1 = {K11, K21, …, Km1}
其中,Km1表示第一入河排口对应的第m条汇流路径的动态关联系数。
示例性的,处理设备可在获取到第一入河排口对应的各汇流路径的动态关联系数{K}1后,将各汇流路径的动态关联系数{K}1分别与第一入河排口的污染概率(K_Drain1)相乘,得到第一入河排口对应的各汇流路径的动态关联系数:{K11×K_Drain1,K21×K_Drain1,…,Km1×K_Drain1}。
可以理解的是,处理设备可遍历目标河道关联的入河排口{Up_Drain1, Up_Drain2, …, Up_Drainn},得到各入河排口对应的各汇流路径的污染权重。
可以看出,本申请将各入河排口的污染概率与各汇流路径的动态关联系数相结合,这样可提高各汇流路径的污染权重的准确性,即可以提高各汇流路径中企业集水口作为污染源的贡献率的精确度。
图5为本申请实施例提供的再一种污染源确定方法的流程示意图。如图5所示,可选地,上述处理设备根据各入河排口的污染概率以及各汇流路径的属性信息,得到各汇流路径的污染权重之前,该方法还可包括:
S501、处理设备根据目标河道对应的水质量参数,确定污染物类型。
S502、处理设备根据污染物类型以及企业集水口与污染物类型之间的关联性,确定各企业集水口的共享比例。
其中,处理设备在获取到目标河道中监测设备采集到的水质量参数时,进而可根据污染物类型确定方式确定出目标河道中的污染物类型。在确定出目标河道中的污染物类型后,可根据企业集水口与污染物类型之间的关联性,为各汇流路径中的企业集水口设置对应的共享比例。举例来说,假设目标河道中的污染物类型为污染物类型1,那么可将生产与污染物类型1相关的企业对应的企业集水口的共享比例设置大一点,反之,可将生产与污染物类型1不相关的企业对应的企业集水口的共享比例设置小一点,这样最后基于各企业集水口的共享比例确定出的各汇流路径的污染权重的精确度高,进而可提高对污染源进行溯源的精确度。
图6为本申请实施例提供的又一种污染源确定方法的流程示意图。如图6所示,可选地,上述处理设备根据各汇流路径的污染权重以及各企业集水口与各汇流路径的对应关系,确定存在污染的目标企业集水口,包括:
S601、处理设备确定各汇流路径中包括待选企业集水口的至少一个目标汇流路径。
S602、处理设备根据各目标汇流路径的污染权重,确定待选企业集水口的污染结果。
其中,处理设备确定出目标河道的每个汇流入口对应的各汇流路径中包括待选企业及水口的目标汇流路径。此处以待选企业集水口为第一企业集水口为例进行说明。可以理解的是,第一企业集水口可属于第一入河排口,也可属于第二入河排口…第n入河排口,即第一企业集水口可将污染物通过各入河排口对应的汇流路径排放到各入河排口中,进而汇流至目标河道中。
基于此,可将第一企业集水口对应的目标汇流路径的动态关联系数表示为:{ K11,K12, …, K1n},其中,K1n表示第n入河排口中包括第一企业集水口的汇流路径的动态关联系数。
此处以包括第一企业集水口的目标汇流路径为例进行说明,将各目标河流路径的动态关联系数与各目标河流路径对应的入河排口的污染概率相乘,得到各目标河流路径的污染权重,将得到的各相乘结果(各目标河流路径的污染权重)相加得到第一企业集水口的污染结果,该污染结果用于表示第一企业集水口的目标污染权重(K_Total1)。
上述提到的计算过程可如下表示:
其中,K1n×K_Drainn表示第n入河排口中包括第一企业集水口的汇流路径的动态关联系数与第n入河排口的污染概率相乘。
S603、若待选企业集水口的污染结果满足预设条件,则处理设备确定待选企业集水口为一个目标企业集水口。
可以理解的是,处理设备可确定出第一企业集水口、第二企业集水口…第n企业集水口分别对应的目标污染权重(污染结果)。
一种示例性的,处理设备将各待选企业集水口对应的目标污染权重进行排序,将最大的目标污染权重对应的待选企业集水口作为目标企业集水口。另一种示例性的,处理设备将目标污染权重大于预设污染权重的待选企业集水口均作为目标企业集水口。需要说明的是,本申请不对预设条件进行限定。
可选地,上述处理设备确定目标河道对应的至少一个入河排口,包括:从预设的河道排口库中读取目标河道对应的所述至少一个入河排口,河道排口库中记录有各河道与入河排口的对应关系。
其中,处理设备上预先存储河道排口库,从河道排口库中记录的各河道与入河排口的对应关系确定出目标河道对应的入河排口。
可选地,上述处理设备从预设的河道排口库中读取目标河道对应的至少一个入河排口之前,该方法还可包括:处理设备获取源网河网络结构的原始数据,原始数据中包括企业集、管线集、河道集以及入河排口集;处理设备根据原始数据,构建拓扑关系,并根据拓扑关系得到河道排口库以及汇流路径集。
其中,处理设备在获取到原始数据后,可根据预设关系将企业集、管线集、河道集、入河排口集中的企业集水口、管线、河道、入河排口以及窨井节点等建立关联,即得到拓扑关系,进而得到汇流路径集以及记录有河道与入河排口的对应关系的河道排口库。
图7为本申请实施例提供的一种污染源确定装置的结构示意图。如图7所示,该装置包括:
接收模块701,用于接收位于各河道中的监测点的监测设备采集到的水质量参数,并根据水质量参数确定至少一个目标河道;
确定模块702,用于确定目标河道对应的至少一个入河排口;
确定模块702,还用于根据各入河排口与目标河道中的监测点之间的距离以及目标河道对应的水质量参数,确定各入河排口的污染概率,污染概率用于表征入河排口排出污染物的概率;
确定模块702,还用于根据预先得到的汇流路径集,确定各入河排口对应的至少一个汇流路径集,汇流路径集包括多条汇流路径,汇流路径用于指示企业集水口与入河排口之间的管线分布情况;
确定模块702,还用于根据各入河排口的污染概率以及各汇流路径的属性信息,得到各汇流路径的污染权重,其中,属性信息包括如下至少一项:汇流路径中企业集水口的状态信息、中间入口数量、管线的权重、预设的各企业集水口的共享比例;
确定模块702,还用于根据各汇流路径的污染权重以及各企业集水口与各汇流路径的对应关系,确定存在污染的目标企业集水口,并将目标企业集水口作为污染源。
可选地,确定模块702,还具体用于基于目标河道对应的水质量参数,得到水流速度、污染物类型的关联系数以及污染物初始浓度;将各入河排口与目标河道中的监测点之间的距离、水流速度以及污染物类型的关联系数分别输入预先训练得到的污染物相对浓度预测模型中,预测得到各入河排口对应的污染物相对浓度;根据各入河排口对应的污染物相对浓度以及污染物初始浓度,确定各入河排口的污染概率。
确定模块702,还具体用于根据各汇流路径的属性信息中包括的企业集水口的状态信息,确定各汇流路径中企业集水口的权重;根据各汇流路径的属性信息中包括的中间入口数量以及管线的权重,确定各汇流路径的传播系数;将各汇流路径中企业集水口的权重与各汇流路径的传播系数相乘,得到各汇流路径的动态传播系数;根据预设的各企业集水口的共享比例、各汇流路径的动态传播系数以及各入河排口的污染概率,得到各汇流路径的污染权重。
可选地,确定模块702,还具体用于基于各企业集水口与各汇流路径的对应关系,根据预设的各企业集水口的共享比例以及各汇流路径的动态传播系数,得到各汇流路径的动态关联系数;基于各汇流路径与各入河排口的对应关系,将各汇流路径的动态关联系数分别与各入河排口的污染概率相乘,得到各汇流路径的污染权重。
可选地,确定模块702,还用于根据目标河道对应的水质量参数,确定污染物类型;根据污染物类型以及企业集水口与污染物类型之间的关联性,确定各企业集水口的共享比例。
可选地,确定模块702,还具体用于确定各汇流路径中包括待选企业集水口的至少一个目标汇流路径;根据各目标汇流路径的污染权重,确定待选企业集水口的污染结果;若待选企业集水口的污染结果满足预设条件,则确定待选企业集水口为一个目标企业集水口。
可选地,确定模块702,还具体用于从预设的河道排口库中读取目标河道对应的至少一个入河排口,河道排口库中记录有各河道与入河排口的对应关系。
可选地,该装置还包括:构建模块;
该构建模块,用于获取源网河网络结构的原始数据,原始数据中包括企业集、管线集、河道集以及入河排口集;根据原始数据,构建拓扑关系,并根据拓扑关系得到河道排口库以及汇流路径集。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(Digital Signal Processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
图8为本申请实施例提供的一种电子设备的结构示意图,如图8所示,该电子设备可以包括:处理器801、存储介质802和总线803,存储介质802存储有处理器801可执行的机器可读指令,当该电子设备运行时,处理器801与存储介质802之间通过总线803通信,处理器801执行机器可读指令,以执行上述方法实施例的步骤。具体实现方式和技术效果类似,这里不再赘述。
可选地,本申请还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述方法实施例的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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。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。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。
Claims (10)
1.一种污染源确定方法,其特征在于,应用于污染监测系统中的处理设备,所述污染监测系统包括:所述处理设备以及多个监测设备,各所述监测设备分别与所述处理设备通信连接,所述方法包括:
所述处理设备接收位于各河道中的监测点的监测设备采集到的水质量参数,并根据水质量参数确定至少一个目标河道;
所述处理设备确定所述目标河道对应的至少一个入河排口;
所述处理设备根据各所述入河排口与所述目标河道中的监测点之间的距离以及所述目标河道对应的水质量参数,确定各所述入河排口的污染概率,所述污染概率用于表征所述入河排口排出污染物的概率;
所述处理设备根据预先得到的汇流路径集,确定各所述入河排口对应的至少一个汇流路径集,所述汇流路径集包括多条汇流路径,所述汇流路径用于指示企业集水口与入河排口之间的管线分布情况;
所述处理设备根据各所述入河排口的污染概率以及各所述汇流路径的属性信息,得到各所述汇流路径的污染权重,其中,所述属性信息包括如下至少一项:所述汇流路径中企业集水口的状态信息、中间入口数量、管线的权重、预设的各企业集水口的共享比例;
所述处理设备根据各所述汇流路径的污染权重以及各企业集水口与各所述汇流路径的对应关系,确定存在污染的目标企业集水口,并将所述目标企业集水口作为污染源;
其中,所述处理设备根据各所述入河排口的污染概率以及各所述汇流路径的属性信息,得到各所述汇流路径的污染权重,包括:
所述处理设备根据各所述汇流路径的属性信息中包括的企业集水口的状态信息,确定各所述汇流路径中企业集水口的权重;
所述处理设备根据各所述汇流路径的属性信息中包括的中间入口数量以及管线的权重,确定各所述汇流路径的传播系数;
所述处理设备将各所述汇流路径中企业集水口的权重与各所述汇流路径的传播系数相乘,得到各所述汇流路径的动态传播系数;
所述处理设备根据预设的各企业集水口的共享比例、各所述汇流路径的动态传播系数以及各所述入河排口的污染概率,得到各所述汇流路径的污染权重。
2.根据权利要求1所述的方法,其特征在于,所述处理设备根据各所述入河排口与所述目标河道中的监测点之间的距离以及所述目标河道对应的水质量参数,确定各所述入河排口的污染概率,包括:
所述处理设备基于所述目标河道对应的水质量参数,得到水流速度、污染物类型的关联系数以及污染物初始浓度;
所述处理设备将各所述入河排口与所述目标河道中的监测点之间的距离、所述水流速度以及所述污染物类型的关联系数分别输入预先训练得到的污染物相对浓度预测模型中,预测得到各所述入河排口对应的污染物相对浓度;
所述处理设备根据各所述入河排口对应的污染物相对浓度以及所述污染物初始浓度,确定各所述入河排口的污染概率。
3.根据权利要求1所述的方法,其特征在于,所述处理设备根据预设的各企业集水口的共享比例、各所述汇流路径的动态传播系数以及各所述入河排口的污染概率,得到各所述汇流路径的污染权重,包括:
所述处理设备基于各企业集水口与各所述汇流路径的对应关系,根据预设的各企业集水口的共享比例以及各所述汇流路径的动态传播系数,得到各所述汇流路径的动态关联系数;
所述处理设备基于各所述汇流路径与各所述入河排口的对应关系,将各所述汇流路径的动态关联系数分别与各所述入河排口的污染概率相乘,得到各所述汇流路径的污染权重。
4.根据权利要求1所述的方法,其特征在于,所述处理设备根据各所述入河排口的污染概率以及各所述汇流路径的属性信息,得到各所述汇流路径的污染权重之前,所述方法还包括:
所述处理设备根据所述目标河道对应的水质量参数,确定污染物类型;
所述处理设备根据所述污染物类型以及企业集水口与污染物类型之间的关联性,确定各企业集水口的共享比例。
5.根据权利要求1所述的方法,其特征在于,所述处理设备根据各所述汇流路径的污染权重以及各企业集水口与各所述汇流路径的对应关系,确定存在污染的目标企业集水口,包括:
所述处理设备确定各所述汇流路径中包括待选企业集水口的至少一个目标汇流路径;
所述处理设备根据各所述目标汇流路径的污染权重,确定所述待选企业集水口的污染结果;
若所述待选企业集水口的污染结果满足预设条件,则所述处理设备确定所述待选企业集水口为一个所述目标企业集水口。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述处理设备确定所述目标河道对应的至少一个入河排口,包括:
所述处理设备从预设的河道排口库中读取所述目标河道对应的所述至少一个入河排口,所述河道排口库中记录有各河道与入河排口的对应关系。
7.根据权利要求6所述的方法,其特征在于,所述处理设备从预设的河道排口库中读取所述目标河道对应的所述至少一个入河排口之前,所述方法还包括:
所述处理设备获取源网河网络结构的原始数据,所述原始数据中包括企业集、管线集、河道集以及入河排口集;
所述处理设备根据所述原始数据,构建拓扑关系,并根据所述拓扑关系得到所述河道排口库以及所述汇流路径集。
8.一种污染源确定装置,其特征在于,应用于污染监测系统中的处理设备,所述污染监测系统包括:所述处理设备以及多个监测设备,各所述监测设备分别与所述处理设备通信连接,所述装置包括:
接收模块,用于接收位于各河道中的监测点的监测设备采集到的水质量参数,并根据水质量参数确定至少一个目标河道;
确定模块,用于确定所述目标河道对应的至少一个入河排口;
所述确定模块,还用于根据各所述入河排口与所述目标河道中的监测点之间的距离以及所述目标河道对应的水质量参数,确定各所述入河排口的污染概率,所述污染概率用于表征所述入河排口排出污染物的概率;
所述确定模块,还用于根据预先得到的汇流路径集,确定各所述入河排口对应的至少一个汇流路径集,所述汇流路径集包括多条汇流路径,所述汇流路径用于指示企业集水口与入河排口之间的管线分布情况;
所述确定模块,还用于根据各所述入河排口的污染概率以及各所述汇流路径的属性信息,得到各所述汇流路径的污染权重,其中,所述属性信息包括如下至少一项:所述汇流路径中企业集水口的状态信息、中间入口数量、管线的权重、预设的各企业集水口的共享比例;
所述确定模块,还用于根据各所述汇流路径的污染权重以及各企业集水口与各所述汇流路径的对应关系,确定存在污染的目标企业集水口,并将所述目标企业集水口作为污染源;
所述确定模块,还具体用于根据各所述汇流路径的属性信息中包括的企业集水口的状态信息,确定各所述汇流路径中企业集水口的权重;根据各所述汇流路径的属性信息中包括的中间入口数量以及管线的权重,确定各所述汇流路径的传播系数;将各所述汇流路径中企业集水口的权重与各所述汇流路径的传播系数相乘,得到各所述汇流路径的动态传播系数;根据预设的各企业集水口的共享比例、各所述汇流路径的动态传播系数以及各所述入河排口的污染概率,得到各所述汇流路径的污染权重。
9.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1-7任一项所述污染源确定方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1-7任一项所述污染源确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211306915.6A CN115561421A (zh) | 2022-10-25 | 2022-10-25 | 一种污染源确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211306915.6A CN115561421A (zh) | 2022-10-25 | 2022-10-25 | 一种污染源确定方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115561421A true CN115561421A (zh) | 2023-01-03 |
Family
ID=84746275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211306915.6A Pending CN115561421A (zh) | 2022-10-25 | 2022-10-25 | 一种污染源确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115561421A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117252349A (zh) * | 2023-11-20 | 2023-12-19 | 中国一冶集团有限公司 | 基于水质水量双控的城市河流智能调控方法 |
-
2022
- 2022-10-25 CN CN202211306915.6A patent/CN115561421A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117252349A (zh) * | 2023-11-20 | 2023-12-19 | 中国一冶集团有限公司 | 基于水质水量双控的城市河流智能调控方法 |
CN117252349B (zh) * | 2023-11-20 | 2024-03-01 | 中国一冶集团有限公司 | 基于水质水量双控的城市河流智能调控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115561421A (zh) | 一种污染源确定方法、装置、设备及存储介质 | |
CN107153874B (zh) | 水质预测方法及系统 | |
CN104216954B (zh) | 突发事件话题状态的预测装置及预测方法 | |
Wang et al. | On credibility estimation tradeoffs in assured social sensing | |
De Sanctis et al. | Real-time identification of possible contamination sources using network backtracking methods | |
Dickerson et al. | Two-site Voronoi diagrams in geographic networks | |
CN112506990A (zh) | 一种基于时空信息的水文数据异常检测方法 | |
Bruen et al. | Functional networks in real-time flood forecasting—a novel application | |
CN114091359A (zh) | 一种水库水沙预测模型训练、水库水沙预测方法及装置 | |
Chen et al. | Marked self-exciting point process modelling of information diffusion on Twitter | |
Vrachimis et al. | Leakage detection and localization in water distribution systems: A model invalidation approach | |
Dette et al. | Relevant change points in high dimensional time series | |
CN114418214A (zh) | 管网淤堵分析方法、装置、计算机设备及存储介质 | |
Grover et al. | Twitter data based prediction model for influenza epidemic | |
CN105183743A (zh) | 一种微博舆情传播范围预测的方法 | |
Assad et al. | Data mining algorithms for water main condition prediction—comparative analysis | |
CN110175696B (zh) | 一种基于多元回归的渔港船舶进出港动态预测方法及系统 | |
Lin et al. | A novel efficient model for gas compressibility factor based on GMDH network | |
Gomes et al. | Regionalization of precipitation with determination of homogeneous regions via fuzzy c-means | |
Liu et al. | Exploiting a real-time self-correcting digital twin model for the middle route of the south-to-north water diversion project of china | |
de Assis et al. | Geographical prioritization of social network messages in near real-time using sensor data streams: an application to floods. | |
Zheng et al. | Improved iterative prediction for multiple stop arrival time using a support vector machine | |
CN115964875B (zh) | 一种数字孪生水网四面体模型构建方法 | |
Ansari et al. | Experimental studies and model development of flow over Arched Labyrinth Weirs using GMDH method | |
Wu et al. | An Effective Machine Learning Scheme to Analyze and Predict the Concentration of Persistent Pollutants in the Great Lakes |
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 |