CN116187861A - 基于同位素的水质溯源监测方法及相关装置 - Google Patents
基于同位素的水质溯源监测方法及相关装置 Download PDFInfo
- Publication number
- CN116187861A CN116187861A CN202310240408.5A CN202310240408A CN116187861A CN 116187861 A CN116187861 A CN 116187861A CN 202310240408 A CN202310240408 A CN 202310240408A CN 116187861 A CN116187861 A CN 116187861A
- Authority
- CN
- China
- Prior art keywords
- water quality
- data
- historical
- isotope
- analysis
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 611
- 238000012544 monitoring process Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000004458 analytical method Methods 0.000 claims abstract description 106
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000013441 quality evaluation Methods 0.000 claims abstract description 56
- 238000013507 mapping Methods 0.000 claims abstract description 30
- 239000000203 mixture Substances 0.000 claims abstract description 28
- 238000007621 cluster analysis Methods 0.000 claims abstract description 22
- 238000003860 storage Methods 0.000 claims description 16
- 238000011282 treatment Methods 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000000556 factor analysis Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000011049 filling Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 15
- 238000001514 detection method Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 9
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 229910052760 oxygen Inorganic materials 0.000 description 5
- 239000001301 oxygen Substances 0.000 description 5
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 4
- 238000011109 contamination Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 229910052698 phosphorus Inorganic materials 0.000 description 4
- 239000011574 phosphorus Substances 0.000 description 4
- 238000000746 purification Methods 0.000 description 4
- 238000003911 water pollution Methods 0.000 description 4
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000000155 isotopic effect Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 238000005342 ion exchange Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
- 239000002349 well water Substances 0.000 description 1
- 235000020681 well water Nutrition 0.000 description 1
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
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06F16/906—Clustering; Classification
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明涉及水质监测领域,公开了一种基于同位素的水质溯源监测方法及相关装置,用于提高水质溯源监测的准确率。方法包括:对历史水质要素数据进行同位素组成和相对含量分析,得到历史水质同位素数据,并对历史水质质量数据进行聚类分析,确定多个水质类别;基于多个水质类别,对历史水质要素数据进行参数映射,得到标准水质评价参数;将标准水质评价参数及历史水质同位素数据输入预置的训练模型进行迭代训练,得到水质质量监测模型;获取待检测水体的目标水质要素数据,并将目标水质要素数据输入水质质量监测模型进行水质质量分析,得到目标水质分析结果。
Description
技术领域
本发明涉及水质监测领域,尤其涉及一种基于同位素的水质溯源监测方法及相关装置。
背景技术
水是人类生产和生活中不可或缺的资源,但是随着工业化和城市化的发展,水污染问题越来越严重,给人们的生产和生活带来了巨大的威胁。因此,对水质的监测和溯源显得尤为重要。传统的水质监测方法主要是通过化学分析等手段来对水中的污染物进行检测。这种方法需要采集大量的样品,并且检测结果受到许多因素的影响,如样品的保存和处理等,因此存在一定的误差。
针对传统水质监测方法的问题,基于同位素的水质溯源监测方法应运而生。同位素是指同一元素的原子核中,质子数相同,而中子数不同的同种元素。同位素在自然界中分布广泛,并且不易受到环境因素的影响,因此可以作为一种稳定的水质溯源监测方法。
发明内容
本发明提供了一种基于同位素的水质溯源监测方法及相关装置,用于提高水质溯源监测的准确率。
本发明第一方面提供了一种基于同位素的水质溯源监测方法,所述基于同位素的水质溯源监测方法包括:
获取待检测水体的历史水质要素数据,以及从预置的数据库中查询所述待检测水体的历史水质质量数据;
对所述历史水质要素数据进行同位素组成和相对含量分析,得到历史水质同位素数据,并对所述历史水质质量数据进行聚类分析,确定多个水质类别;
基于所述多个水质类别,对所述历史水质要素数据进行参数映射,得到标准水质评价参数;
将所述标准水质评价参数及所述历史水质同位素数据输入预置的训练模型进行迭代训练,得到水质质量监测模型;
获取所述待检测水体的目标水质要素数据,并将所述目标水质要素数据输入所述水质质量监测模型进行水质质量分析,得到目标水质分析结果。
结合第一方面,在本发明第一方面的第一实施方式中,所述对所述历史水质要素数据进行同位素组成和相对含量分析,得到历史水质同位素数据,并对所述历史水质质量数据进行聚类分析,确定多个水质类别,包括:
对所述历史水质要素数据进行同位素组成和相对含量分析,得到历史水质同位素数据;
对所述历史水质质量数据进行预处理,得到预处理后的历史水质质量数据;
对所述预处理后的历史水质质量数据进行因子分析,得到多个同类指标类型的数据集合;
对所述多个同类指标类型的数据集合进行初始聚类处理,得到候选聚类中心集合;
对所述候选聚类中心集合进行优化聚类处理,得到精确聚类中心;
通过所述精确聚类中心对所述历史水质质量数据进行聚类分析,确定多个水质类别。
结合第一方面,在本发明第一方面的第二实施方式中,所述对所述历史水质质量数据进行预处理,得到预处理后的历史水质质量数据,包括:
对所述历史水质质量数据进行数据清洗,得到清洗后的历史水质质量数据;
对所述清洗后的历史水质质量数据进行重复值清除,得到候选历史水质质量数据;
对所述候选历史水质质量数据进行缺失值填充,得到预处理后的历史水质质量数据。
结合第一方面,在本发明第一方面的第三实施方式中,所述基于所述多个水质类别,对所述历史水质要素数据进行参数映射,得到标准水质评价参数,包括:
按照预设的水质质量评价规则,对所述多个水质类别进行水质污染类型匹配,得到多个水质污染类型;
基于所述多个水质污染类型,对所述历史水质要素数据进行参数映射,得到标准水质评价参数。
结合第一方面,在本发明第一方面的第四实施方式中,所述将所述标准水质评价参数及所述历史水质同位素数据输入预置的训练模型进行迭代训练,得到水质质量监测模型,包括:
将所述历史水质要素数据输入所述训练模型进行水质质量分析,得到预测结果;
基于所述预测结果及所述标准水质评价参数,并通过预置的损失函数进行损失值计算,得到损失值;
根据所述损失值,对所述训练模型进行参数优化,得到水质质量监测模型。
结合第一方面,在本发明第一方面的第五实施方式中,所述获取所述待检测水体的目标水质要素数据,并将所述目标水质要素数据输入所述水质质量监测模型进行水质质量分析,得到目标水质分析结果,包括:
对所述待检测水体进行监测,得到所述待检测水体的目标水质要素数据;
将所述目标水质要素数据输入所述水质质量监测模型进行特征提取,得到水质要素特征;
根据所述水质要素特征进行标签类型匹配,得到对应的目标标签类型;
对所述目标标签类型进行水质质量分析,得到目标水质分析结果。
结合第一方面,在本发明第一方面的第六实施方式中,所述基于同位素的水质溯源监测方法还包括:
对所述目标水质分析结果进行根因分析,确定对应的污染成因标签;
通过所述污染成因标签进行位置分析,得到对应的污染源位置信息;
将所述污染源位置信息和所述目标水质分析结果传输至预置的水质监控终端。
本发明第二方面提供了一种基于同位素的水质溯源监测装置,所述基于同位素的水质溯源监测装置包括:
获取模块,用于获取待检测水体的历史水质要素数据,以及从预置的数据库中查询所述待检测水体的历史水质质量数据;
分析模块,用于对所述历史水质要素数据进行同位素组成和相对含量分析,得到历史水质同位素数据,并对所述历史水质质量数据进行聚类分析,确定多个水质类别;
映射模块,用于基于所述多个水质类别,对所述历史水质要素数据进行参数映射,得到标准水质评价参数;
训练模块,用于将所述标准水质评价参数及所述历史水质同位素数据输入预置的训练模型进行迭代训练,得到水质质量监测模型;
输出模块,用于获取所述待检测水体的目标水质要素数据,并将所述目标水质要素数据输入所述水质质量监测模型进行水质质量分析,得到目标水质分析结果。
本发明第三方面提供了一种基于同位素的水质溯源监测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于同位素的水质溯源监测设备执行上述的基于同位素的水质溯源监测方法。
本发明的第四方面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中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于同位素的水质溯源监测方法。
本发明提供的技术方案中,对历史水质要素数据进行同位素组成和相对含量分析,得到历史水质同位素数据,并对历史水质质量数据进行聚类分析,确定多个水质类别;基于多个水质类别,对历史水质要素数据进行参数映射,得到标准水质评价参数;将标准水质评价参数及历史水质同位素数据输入预置的训练模型进行迭代训练,得到水质质量监测模型;获取待检测水体的目标水质要素数据,并将目标水质要素数据输入水质质量监测模型进行水质质量分析,得到目标水质分析结果,本发明的精准度高:同位素分析技术可以对水样中微量的同位素进行准确测量,因此可以达到很高的精准度;稳定性好:同位素的含量和比例不易受到环境因素的影响,因此可以作为一种稳定的水质溯源监测方法;检测速度快:同位素分析技术的检测速度较快,可以在较短的时间内对水质进行监测和溯源。具有精准度高、稳定性好和检测速度快等优点,被广泛应用于水污染治理和环境保护方面。未来,随着同位素分析技术的不断发展和完善,基于同位素的水质溯源监测方法将会更加成熟和广泛地应用于水资源保护和利用领域。
附图说明
图1为本发明实施例中基于同位素的水质溯源监测方法的一个实施例示意图;
图2为本发明实施例中同位素组成和相对含量分析的流程图;
图3为本发明实施例中迭代训练的流程图;
图4为本发明实施例中水质质量分析的流程图;
图5为本发明实施例中基于同位素的水质溯源监测装置的一个实施例示意图;
图6为本发明实施例中基于同位素的水质溯源监测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于同位素的水质溯源监测方法及相关装置,用于提高水质溯源监测的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于同位素的水质溯源监测方法的一个实施例包括:
S101、获取待检测水体的历史水质要素数据,以及从预置的数据库中查询待检测水体的历史水质质量数据;
可以理解的是,本发明的执行主体可以为基于同位素的水质溯源监测装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器采集水样,对水样进行初步处理和净化,分离和提取水样中的同位素,分析同位素的含量和比例,确定水样的同位素组成和相对含量;将同位素组成和相对含量与已知的水源进行比较,确定水样的来源和污染程度。采集水样,对水样进行初步处理和净化,在采集水样之前,需要对采样器具进行消毒和清洗,以避免样品受到污染。然后在采集水样时,需要选择合适的采样点和采样方式,如表面采样、井水采样、河流采样等。采集的水样需要进行初步处理和净化,去除其中的悬浮物、有机物和杂质等,以保证后续分析的准确性。分离和提取水样中的同位素,将初步处理和净化后的水样进行进一步处理,以分离和提取其中的同位素。通常采用物理化学方法,如离子交换、萃取、蒸馏等,将水样中的同位素分离出来。分析同位素的含量和比例,确定水样的同位素组成和相对含量,将分离和提取出来的同位素进行分析,通常采用质谱仪等仪器进行分析。通过分析同位素的含量和比例,可以确定水样中不同同位素的相对含量和组成。将同位素组成和相对含量与已知的水源进行比较,确定水样的来源和污染程度,将分析得到的同位素组成和相对含量与已知的水源进行比较,通过比较可以确定水样的来源和污染程度。如果水样中的同位素组成和相对含量与已知的水源相同或相似,说明水样来自该水源或与该水源存在关联;如果水样中的同位素组成和相对含量与已知的水源不同,说明水样可能受到了其他污染源的影响。
具体的,服务器
S102、对历史水质要素数据进行同位素组成和相对含量分析,得到历史水质同位素数据,并对历史水质质量数据进行聚类分析,确定多个水质类别;
需要说明的是,收集历史水质数据,通过各种途径,如查询水质监测报告、调查研究等,收集历史水质要素数据,如pH值、溶解氧、总氮、总磷等,以及历史水质同位素数据,如氧同位素、硫同位素等。对历史水质要素数据进行同位素组成和相对含量分析,将收集到的历史水质同位素数据进行分析,通过分析同位素的含量和比例,得到历史水质要素数据的同位素组成和相对含量。对历史水质质量数据进行聚类分析,将收集到的历史水质要素数据和同位素数据进行聚类分析,将相似的水质数据聚类成一类,不同的水质数据聚类成不同的类别。聚类分析可以采用各种方法,如层次聚类、K均值聚类等。确定多个水质类别,通过聚类分析,可以确定多个水质类别,如优质水、中等水、劣质水等。每个水质类别具有一定的特征和水质指标,可以根据这些特征和指标进行分类和评价。分析水质类别的变化趋势,通过对历史水质数据的聚类分析,可以得到不同水质类别的数量和比例,进而分析水质类别的变化趋势,了解水质的演变和变化规律,为水质管理和水环境保护提供科学依据。
S103、基于多个水质类别,对历史水质要素数据进行参数映射,得到标准水质评价参数;
具体的,确定水质类别,通过对历史水质数据的聚类分析,确定多个水质类别,如优质水、中等水、劣质水等。每个水质类别具有一定的特征和水质指标,可以根据这些特征和指标进行分类和评价。确定标准水质评价参数,根据水质类别的特征和指标,确定标准水质评价参数。标准水质评价参数是衡量水质的重要指标,如pH值、溶解氧、总氮、总磷等。每个水质类别的标准水质评价参数可能不同,需要根据实际情况进行确定。进行参数映射,对历史水质要素数据进行参数映射,将原始的水质要素数据映射到标准水质评价参数上。参数映射可以采用各种方法,如线性映射、非线性映射等。通过参数映射,可以将历史水质要素数据转换为标准水质评价参数,方便进行水质评价和比较。验证参数映射结果,对参数映射结果进行验证,检查映射后的标准水质评价参数是否符合实际情况。可以采用各种方法进行验证,如对比分析、误差分析等。如果映射结果不符合实际情况,需要重新调整参数映射方法,直到得到符合实际情况的标准水质评价参数。应用标准水质评价参数,通过标准水质评价参数,对不同水质样品进行评价和比较,判断水质是否符合标准要求。可以采用各种方法进行水质评价,如指标综合评价、主成分分析等。通过标准水质评价参数,可以方便地进行水质管理和水环境保护工作。
S104、将标准水质评价参数及历史水质同位素数据输入预置的训练模型进行迭代训练,得到水质质量监测模型;
具体的,服务器准备训练数据,准备一定量的标准水质评价参数及历史水质同位素数据,作为训练数据。训练数据应该具有代表性,覆盖不同水域、不同时间段的水质数据,以确保训练模型的准确性和可靠性。同时,训练数据应该经过预处理,如去除异常值、缺失值填补等。选择训练模型,选择适合的训练模型,如人工神经网络、支持向量机、决策树等。不同的训练模型具有不同的特点和适用范围,需要根据实际情况选择合适的训练模型。同时,可以采用不同的训练模型进行比较,选择最优的训练模型。输入训练数据,将准备好的标准水质评价参数及历史水质同位素数据输入选定的训练模型中。在输入数据之前,需要进行归一化处理,以保证不同数据之间的量纲一致,避免训练模型受到量纲的影响。迭代训练,进行迭代训练,不断调整训练模型的参数,以逐步提高模型的准确性和预测能力。在训练过程中,可以采用交叉验证和误差分析等方法,对模型进行评估和调整。验证模型,将一部分数据作为验证集,用训练好的模型进行预测,并与实际数据进行比较,以验证模型的准确性和可靠性。如果模型的预测结果与实际数据相符合,则说明模型具有较好的预测能力。应用模型,将训练好的水质质量监测模型应用于实际水质监测中,对水质进行实时预测和监测。可以通过模型的预测结果,及时发现水质异常,采取相应的措施进行调整和管理。
S105、获取待检测水体的目标水质要素数据,并将目标水质要素数据输入水质质量监测模型进行水质质量分析,得到目标水质分析结果。
具体的,确定目标水质要素,根据水质监测的目的和要求,确定需要检测的目标水质要素,如溶解氧、氨氮、总磷、总氮等。采集水样并测定目标水质要素,采集待检测水体的水样,并对水样中的目标水质要素进行测定。测定方法应该符合国家、行业和地方的相关标准和规定,以确保测定结果的准确性和可靠性。输入目标水质要素数据,将测定得到的目标水质要素数据输入水质质量监测模型中。在输入数据之前,需要进行数据的预处理,如去除异常值、缺失值填补等。进行水质质量分析,通过水质质量监测模型,对输入的目标水质要素数据进行分析,得到目标水质分析结果。分析结果应该包括目标水质要素的浓度、污染程度等相关信息,以便后续的水质管理和控制。分析结果的解释和应用,将目标水质分析结果进行解释和应用,根据分析结果,及时采取相应的措施进行调整和管理。如果分析结果显示水质存在异常或超标情况,应该立即采取相应的措施,以保障水环境的健康和安全。
本发明实施例中,对历史水质要素数据进行同位素组成和相对含量分析,得到历史水质同位素数据,并对历史水质质量数据进行聚类分析,确定多个水质类别;基于多个水质类别,对历史水质要素数据进行参数映射,得到标准水质评价参数;将标准水质评价参数及历史水质同位素数据输入预置的训练模型进行迭代训练,得到水质质量监测模型;获取待检测水体的目标水质要素数据,并将目标水质要素数据输入水质质量监测模型进行水质质量分析,得到目标水质分析结果,本发明的精准度高:同位素分析技术可以对水样中微量的同位素进行准确测量,因此可以达到很高的精准度;稳定性好:同位素的含量和比例不易受到环境因素的影响,因此可以作为一种稳定的水质溯源监测方法;检测速度快:同位素分析技术的检测速度较快,可以在较短的时间内对水质进行监测和溯源。具有精准度高、稳定性好和检测速度快等优点,被广泛应用于水污染治理和环境保护方面。未来,随着同位素分析技术的不断发展和完善,基于同位素的水质溯源监测方法将会更加成熟和广泛地应用于水资源保护和利用领域。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、对历史水质要素数据进行同位素组成和相对含量分析,得到历史水质同位素数据;
S202、对历史水质质量数据进行预处理,得到预处理后的历史水质质量数据;
S203、对预处理后的历史水质质量数据进行因子分析,得到多个同类指标类型的数据集合;
S204、对多个同类指标类型的数据集合进行初始聚类处理,得到候选聚类中心集合;
S205、对候选聚类中心集合进行优化聚类处理,得到精确聚类中心;
S206、通过精确聚类中心对历史水质质量数据进行聚类分析,确定多个水质类别。
具体的,服务器对历史水质要素数据进行同位素组成和相对含量分析,得到历史水质同位素数据。同位素组成和相对含量分析是通过对水样中同位素的分析,来确定水样的来源、运动路径、水文地质特征等信息。这一步骤的主要目的是为后续的水质分类提供基础数据。对历史水质质量数据进行预处理,得到预处理后的历史水质质量数据。预处理是为了去除数据中的噪声和异常值,以保证后续的因子分析和聚类分析的准确性。常见的预处理方法包括缺失值处理、异常值处理和数据归一化等。对预处理后的历史水质质量数据进行因子分析,得到多个同类指标类型的数据集合。因子分析是一种数据降维方法,可以将高维的数据降到低维,并且保留原始数据的主要信息。在水质分类中,因子分析可以将原始的水质指标数据降维,得到多个同类指标类型的数据集合。对多个同类指标类型的数据集合进行初始聚类处理,得到候选聚类中心集合。聚类分析是一种无监督学习方法,可以将相似的数据点分为一类,并且不同类之间的差异尽可能大。在水质分类中,聚类分析可以将相似的水质指标数据点分为一类,得到多个候选聚类中心。对候选聚类中心集合进行优化聚类处理,得到精确聚类中心。优化聚类是为了进一步提高聚类的准确性,常见的方法有层次聚类、K-Means聚类等。通过优化聚类,可以得到更加精确的聚类中心。通过精确聚类中心对历史水质质量数据进行聚类分析,确定多个水质类别。最后,通过将历史水质质量数据与精确聚类中心进行比较,可以确定每个数据点所属的水质类别。通常情况下,将水质分为优、良、轻度污染、中度污染、重度污染等几个等级。
在一具体实施例中,执行步骤S202的过程可以具体包括如下步骤:
(1)对历史水质质量数据进行数据清洗,得到清洗后的历史水质质量数据;
(2)对清洗后的历史水质质量数据进行重复值清除,得到候选历史水质质量数据;
(3)对候选历史水质质量数据进行缺失值填充,得到预处理后的历史水质质量数据。
具体的,服务器对历史水质质量数据进行数据清洗,得到清洗后的历史水质质量数据。数据清洗是为了去除数据中的错误、异常、重复和无用数据等。在水质数据分析中,可能会出现录入错误、传输错误或者数据不完整等情况,因此需要进行数据清洗以保证数据的准确性和完整性。对清洗后的历史水质质量数据进行重复值清除,得到候选历史水质质量数据。重复值清除是为了避免重复数据对后续的分析造成干扰。在水质数据中,可能会出现重复的数据记录,因此需要进行重复值清除。对候选历史水质质量数据进行缺失值填充,得到预处理后的历史水质质量数据。缺失值填充是为了保证数据的完整性和准确性。在水质数据中,可能会出现数据缺失的情况,例如某些指标没有测量到或者测量结果无法得到。因此需要进行缺失值填充,以便后续的分析和处理。
在一具体实施例中,执行步骤S103的过程可以具体包括如下步骤:
(1)按照预设的水质质量评价规则,对多个水质类别进行水质污染类型匹配,得到多个水质污染类型;
(2)基于多个水质污染类型,对历史水质要素数据进行参数映射,得到标准水质评价参数。
具体的,按照预设的水质质量评价规则,对多个水质类别进行水质污染类型匹配,得到多个水质污染类型。不同的水质类别可能会有不同的污染类型,例如地表水可能会受到农业、工业、城市生活等不同来源的污染。因此需要根据不同的水质类别,按照预设的水质质量评价规则,对历史水质要素数据进行污染类型匹配,以得到多个水质污染类型。基于多个水质污染类型,对历史水质要素数据进行参数映射,得到标准水质评价参数。不同的水质污染类型对应着不同的水质评价参数,例如COD、BOD、氨氮等。因此需要根据多个水质污染类型,对历史水质要素数据进行参数映射,以得到标准水质评价参数。这个过程中需要考虑到不同水质污染类型对应参数的权重、关联性、阈值等因素,以便得到准确的标准水质评价参数。
在一具体实施例中,如图3所示,执行步骤S104的过程可以具体包括如下步骤:
S301、将历史水质要素数据输入训练模型进行水质质量分析,得到预测结果;
S302、基于预测结果及标准水质评价参数,并通过预置的损失函数进行损失值计算,得到损失值;
S303、根据损失值,对训练模型进行参数优化,得到水质质量监测模型。
具体的,服务器将历史水质要素数据输入训练模型进行水质质量分析,得到预测结果。在训练模型之前,需要准备好历史水质要素数据和对应的水质质量评价结果。然后将历史水质要素数据输入训练模型进行水质质量分析,得到预测结果。这个过程中,训练模型可能会使用各种机器学习算法和统计方法,例如神经网络、支持向量机、随机森林等,以便得到准确的水质质量预测结果。基于预测结果及标准水质评价参数,并通过预置的损失函数进行损失值计算,得到损失值。根据预测结果和标准水质评价参数,可以计算出预测结果与实际水质质量评价值之间的差距,即损失值。损失函数是用来评估模型预测的准确性和误差的函数,常见的损失函数包括均方误差、交叉熵等。根据损失值,对训练模型进行参数优化,得到水质质量监测模型。通过损失值,可以评估训练模型的准确性和误差,并对模型进行参数优化,以便得到更加准确和可靠的水质质量监测模型。优化模型的方法包括梯度下降、遗传算法、模拟退火等。
在一具体实施例中,如图4所示,执行步骤S105的过程可以具体包括如下步骤:
S401、对待检测水体进行监测,得到待检测水体的目标水质要素数据;
S402、将目标水质要素数据输入水质质量监测模型进行特征提取,得到水质要素特征;
S403、根据水质要素特征进行标签类型匹配,得到对应的目标标签类型;
S404、对目标标签类型进行水质质量分析,得到目标水质分析结果。
具体的,服务器对待检测水体进行监测,首先需要对待检测水体进行监测,得到待检测水体的目标水质要素数据。这个过程可以通过采样和分析待检测水体来实现,例如采用现场测量仪器或者实验室分析仪器对水样进行测试和分析,得到水体中的各种水质要素数据,如溶解氧、氨氮、总磷、总氮等。特征提取,将目标水质要素数据输入水质质量监测模型进行特征提取,得到水质要素特征。这个过程需要利用机器学习等相关技术,将原始的水质要素数据转换成为一组有意义的特征向量,以便后续的标签类型匹配和水质质量分析。标签类型匹配,根据水质要素特征进行标签类型匹配,得到对应的目标标签类型。这个过程是将特征向量与预先定义好的标签进行匹配,以确定待检测水体的水质特性和水质等级。标签类型可以根据不同的标准和需求进行定义,例如国家和地方政府的水质标准、环保组织的指导标准等。水质质量分析,对目标标签类型进行水质质量分析,得到目标水质分析结果。这个过程需要根据匹配得到的标签类型,进行水质质量分析和评估,以确定待检测水体是否符合标准要求,或者存在哪些问题和风险。水质分析结果可以用于制定水质改进措施、提高水质管理水平和保障水环境安全等方面。
在一具体实施例中,上述基于同位素的水质溯源监测方法还包括如下步骤:
(1)对目标水质分析结果进行根因分析,确定对应的污染成因标签;
(2)通过污染成因标签进行位置分析,得到对应的污染源位置信息;
(3)将污染源位置信息和目标水质分析结果传输至预置的水质监控终端。
具体的,目标水质分析结果的根因分析和污染成因标签确定:首先,需要对目标水质分析结果进行分析,找出水质问题的根本原因。这可能涉及到多种因素,如污染物种类、浓度、来源,以及水体的环境条件等等。通过对这些因素的分析,可以确定对应的污染成因标签。通过污染成因标签进行位置分析:有了污染成因标签之后,就可以进行位置分析。这个过程涉及到对水体周围环境的观察和分析,以及一些现场测试和采样。通过这些手段,可以找出可能的污染源位置,并进行深入的调查和分析。将污染源位置信息和目标水质分析结果传输至预置的水质监控终端:最后,需要将污染源位置信息和目标水质分析结果传输至预置的水质监控终端。这样,监控终端就可以实时监测水体的污染情况,并及时采取相应的措施,以保障水质安全。传输的方式可以采用无线传输或者有线传输,具体根据实际情况而定。
上面对本发明实施例中基于同位素的水质溯源监测方法进行了描述,下面对本发明实施例中基于同位素的水质溯源监测装置进行描述,请参阅图5,本发明实施例中基于同位素的水质溯源监测装置一个实施例包括:
获取模块501,用于获取待检测水体的历史水质要素数据,以及从预置的数据库中查询所述待检测水体的历史水质质量数据;
分析模块502,用于对所述历史水质要素数据进行同位素组成和相对含量分析,得到历史水质同位素数据,并对所述历史水质质量数据进行聚类分析,确定多个水质类别;
映射模块503,用于基于所述多个水质类别,对所述历史水质要素数据进行参数映射,得到标准水质评价参数;
训练模块504,用于将所述标准水质评价参数及所述历史水质同位素数据输入预置的训练模型进行迭代训练,得到水质质量监测模型;
输出模块505,用于获取所述待检测水体的目标水质要素数据,并将所述目标水质要素数据输入所述水质质量监测模型进行水质质量分析,得到目标水质分析结果。
通过上述各个组成部分的协同合作,对历史水质要素数据进行同位素组成和相对含量分析,得到历史水质同位素数据,并对历史水质质量数据进行聚类分析,确定多个水质类别;基于多个水质类别,对历史水质要素数据进行参数映射,得到标准水质评价参数;将标准水质评价参数及历史水质同位素数据输入预置的训练模型进行迭代训练,得到水质质量监测模型;获取待检测水体的目标水质要素数据,并将目标水质要素数据输入水质质量监测模型进行水质质量分析,得到目标水质分析结果,本发明的精准度高:同位素分析技术可以对水样中微量的同位素进行准确测量,因此可以达到很高的精准度;稳定性好:同位素的含量和比例不易受到环境因素的影响,因此可以作为一种稳定的水质溯源监测方法;检测速度快:同位素分析技术的检测速度较快,可以在较短的时间内对水质进行监测和溯源。具有精准度高、稳定性好和检测速度快等优点,被广泛应用于水污染治理和环境保护方面。未来,随着同位素分析技术的不断发展和完善,基于同位素的水质溯源监测方法将会更加成熟和广泛地应用于水资源保护和利用领域。
上面图5从模块化功能实体的角度对本发明实施例中的基于同位素的水质溯源监测装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于同位素的水质溯源监测设备进行详细描述。
图6是本发明实施例提供的一种基于同位素的水质溯源监测设备的结构示意图,该基于同位素的水质溯源监测设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于同位素的水质溯源监测设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在基于同位素的水质溯源监测设备600上执行存储介质630中的一系列指令操作。
基于同位素的水质溯源监测设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的基于同位素的水质溯源监测设备结构并不构成对基于同位素的水质溯源监测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于同位素的水质溯源监测设备,所述基于同位素的水质溯源监测设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于同位素的水质溯源监测方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于同位素的水质溯源监测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元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,本发明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全部或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)执行本发明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(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于同位素的水质溯源监测方法,其特征在于,所述基于同位素的水质溯源监测方法包括:
获取待检测水体的历史水质要素数据,以及从预置的数据库中查询所述待检测水体的历史水质质量数据;
对所述历史水质要素数据进行同位素组成和相对含量分析,得到历史水质同位素数据,并对所述历史水质质量数据进行聚类分析,确定多个水质类别;
基于所述多个水质类别,对所述历史水质要素数据进行参数映射,得到标准水质评价参数;
将所述标准水质评价参数及所述历史水质同位素数据输入预置的训练模型进行迭代训练,得到水质质量监测模型;
获取所述待检测水体的目标水质要素数据,并将所述目标水质要素数据输入所述水质质量监测模型进行水质质量分析,得到目标水质分析结果。
2.根据权利要求1所述的基于同位素的水质溯源监测方法,其特征在于,所述对所述历史水质要素数据进行同位素组成和相对含量分析,得到历史水质同位素数据,并对所述历史水质质量数据进行聚类分析,确定多个水质类别,包括:
对所述历史水质要素数据进行同位素组成和相对含量分析,得到历史水质同位素数据;
对所述历史水质质量数据进行预处理,得到预处理后的历史水质质量数据;
对所述预处理后的历史水质质量数据进行因子分析,得到多个同类指标类型的数据集合;
对所述多个同类指标类型的数据集合进行初始聚类处理,得到候选聚类中心集合;
对所述候选聚类中心集合进行优化聚类处理,得到精确聚类中心;
通过所述精确聚类中心对所述历史水质质量数据进行聚类分析,确定多个水质类别。
3.根据权利要求2所述的基于同位素的水质溯源监测方法,其特征在于,所述对所述历史水质质量数据进行预处理,得到预处理后的历史水质质量数据,包括:
对所述历史水质质量数据进行数据清洗,得到清洗后的历史水质质量数据;
对所述清洗后的历史水质质量数据进行重复值清除,得到候选历史水质质量数据;
对所述候选历史水质质量数据进行缺失值填充,得到预处理后的历史水质质量数据。
4.根据权利要求1所述的基于同位素的水质溯源监测方法,其特征在于,所述基于所述多个水质类别,对所述历史水质要素数据进行参数映射,得到标准水质评价参数,包括:
按照预设的水质质量评价规则,对所述多个水质类别进行水质污染类型匹配,得到多个水质污染类型;
基于所述多个水质污染类型,对所述历史水质要素数据进行参数映射,得到标准水质评价参数。
5.根据权利要求1所述的基于同位素的水质溯源监测方法,其特征在于,所述将所述标准水质评价参数及所述历史水质同位素数据输入预置的训练模型进行迭代训练,得到水质质量监测模型,包括:
将所述历史水质要素数据输入所述训练模型进行水质质量分析,得到预测结果;
基于所述预测结果及所述标准水质评价参数,并通过预置的损失函数进行损失值计算,得到损失值;
根据所述损失值,对所述训练模型进行参数优化,得到水质质量监测模型。
6.根据权利要求1所述的基于同位素的水质溯源监测方法,其特征在于,所述获取所述待检测水体的目标水质要素数据,并将所述目标水质要素数据输入所述水质质量监测模型进行水质质量分析,得到目标水质分析结果,包括:
对所述待检测水体进行监测,得到所述待检测水体的目标水质要素数据;
将所述目标水质要素数据输入所述水质质量监测模型进行特征提取,得到水质要素特征;
根据所述水质要素特征进行标签类型匹配,得到对应的目标标签类型;
对所述目标标签类型进行水质质量分析,得到目标水质分析结果。
7.根据权利要求6所述的基于同位素的水质溯源监测方法,其特征在于,所述基于同位素的水质溯源监测方法还包括:
对所述目标水质分析结果进行根因分析,确定对应的污染成因标签;
通过所述污染成因标签进行位置分析,得到对应的污染源位置信息;
将所述污染源位置信息和所述目标水质分析结果传输至预置的水质监控终端。
8.一种基于同位素的水质溯源监测装置,其特征在于,所述基于同位素的水质溯源监测装置包括:
获取模块,用于获取待检测水体的历史水质要素数据,以及从预置的数据库中查询所述待检测水体的历史水质质量数据;
分析模块,用于对所述历史水质要素数据进行同位素组成和相对含量分析,得到历史水质同位素数据,并对所述历史水质质量数据进行聚类分析,确定多个水质类别;
映射模块,用于基于所述多个水质类别,对所述历史水质要素数据进行参数映射,得到标准水质评价参数;
训练模块,用于将所述标准水质评价参数及所述历史水质同位素数据输入预置的训练模型进行迭代训练,得到水质质量监测模型;
输出模块,用于获取所述待检测水体的目标水质要素数据,并将所述目标水质要素数据输入所述水质质量监测模型进行水质质量分析,得到目标水质分析结果。
9.一种基于同位素的水质溯源监测设备,其特征在于,所述基于同位素的水质溯源监测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于同位素的水质溯源监测设备执行如权利要求1-7中任一项所述的基于同位素的水质溯源监测方法。
10.一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指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于同位素的水质溯源监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310240408.5A CN116187861A (zh) | 2023-03-14 | 2023-03-14 | 基于同位素的水质溯源监测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310240408.5A CN116187861A (zh) | 2023-03-14 | 2023-03-14 | 基于同位素的水质溯源监测方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116187861A true CN116187861A (zh) | 2023-05-30 |
Family
ID=86448740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310240408.5A Pending CN116187861A (zh) | 2023-03-14 | 2023-03-14 | 基于同位素的水质溯源监测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116187861A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116773762B (zh) * | 2023-06-28 | 2024-01-23 | 盐城师范学院 | 一种多相催化废水处理监测系统及方法 |
-
2023
- 2023-03-14 CN CN202310240408.5A patent/CN116187861A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116773762B (zh) * | 2023-06-28 | 2024-01-23 | 盐城师范学院 | 一种多相催化废水处理监测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104820873A (zh) | 一种基于金属定量构效关系的淡水急性基准预测方法 | |
CN110990393A (zh) | 一种行业企业数据异常行为的大数据识别方法 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN101339150B (zh) | 基于介电谱技术测定汽油辛烷值的方法 | |
CN110632546B (zh) | 基于全网域证据集的电子式互感器可信度评估方法和装置 | |
CN112288021A (zh) | 一种医疗废水监测数据质控方法、装置及系统 | |
CN108801950A (zh) | 一种基于滑动窗多尺度主元分析的紫外光谱水质异常检测方法 | |
CN116187861A (zh) | 基于同位素的水质溯源监测方法及相关装置 | |
CN117195135B (zh) | 一种水污染异常溯源检测方法及系统 | |
CN112702408A (zh) | 基于多感知功能的物联网系统及方法 | |
CN115691722A (zh) | 医疗数据检测的质控方法、装置、设备、介质及程序产品 | |
CN116416884A (zh) | 一种显示器模组的测试装置及其测试方法 | |
CN116861369A (zh) | 工业互联网异构数据融合的空压机健康评估方法及系统 | |
CN115420707A (zh) | 一种污水近红外光谱的化学需氧量评估方法及系统 | |
CN116881749A (zh) | 一种污染场地施工监测方法及系统 | |
CN117421616B (zh) | 一种矿山竖井井筒检测系统及方法 | |
CN112630180B (zh) | 水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型 | |
CN117591978A (zh) | 一种环境污染检测方法、系统、设备及存储介质 | |
CN117092255A (zh) | 一种洗护组合物中季铵盐质量检测分析方法及装置 | |
CN116126807A (zh) | 一种日志分析方法及相关装置 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN113722988B (zh) | 定量构效关系模型预测有机物pdms膜-空气分配系数的方法 | |
CN114139408A (zh) | 一种电力变压器健康状态评估方法 | |
CN117538492B (zh) | 建筑空间中污染物的在线检测方法及系统 | |
CN112380224A (zh) | 一种面向海量异构多维数据采集的质量大数据系统 |
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 |