CN116258403A - 一种基于大数据的水质监测预警方法及系统 - Google Patents
一种基于大数据的水质监测预警方法及系统 Download PDFInfo
- Publication number
- CN116258403A CN116258403A CN202310088669.XA CN202310088669A CN116258403A CN 116258403 A CN116258403 A CN 116258403A CN 202310088669 A CN202310088669 A CN 202310088669A CN 116258403 A CN116258403 A CN 116258403A
- Authority
- CN
- China
- Prior art keywords
- accident
- water quality
- monitoring
- data
- early warning
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 302
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 269
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 137
- 238000007405 data analysis Methods 0.000 claims abstract description 16
- 238000011161 development Methods 0.000 claims description 55
- 230000018109 developmental process Effects 0.000 claims description 44
- 230000000737 periodic effect Effects 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 23
- 230000007613 environmental effect Effects 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000003911 water pollution Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 15
- 230000002265 prevention Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 239000002689 soil Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 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
- G06Q10/06395—Quality analysis or management
-
- 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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
-
- 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
- G06Q50/06—Energy or water supply
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提供了一种基于大数据的水质监测预警方法及系统，涉及水质监测技术领域，该方法包括：通过大数据获得水质监测信息，确定环境监测数据、图像监测分析数据、传感监测数据；确定事故因子；确定水质监测预警的顶上事件；构建事故树；确定数据逻辑关系，将数据逻辑关系融合至所述事故树中；获得事故因子组合最小割集，确定事故基础事件集；基于所述事故因子组合最小割集及与顶上事件的数据逻辑关系，构建最小割集原理预警模型，对实时水质监测信息进行预警分析，获得水质监测预警信息，解决了现有技术中存在的由于对水质监测数据分析流程不够详细，进而导致对水质事故的预防、预警效果不佳的技术问题。
Description
技术领域
本公开涉及水质监测技术领域，具体涉及一种基于大数据的水质监测预警方法及系统。
背景技术
水与人类的工作生活息息相关，在工业化不断发展的背景下，由于多种因素的影响，水污染情况一直是一个重要问题。水环境的污染，对于人类、动物、植物以及整个大自然都造成了严重的危害，在水环境的监测管理中，如何对水质进行监测预警意义重大。
目前，现有技术中存在由于对水质监测数据分析流程不够详细，进而导致对水质事故的预防、预警效果不佳的技术问题。
发明内容
本公开提供了一种基于大数据的水质监测预警方法及系统，用以解决现有技术中存在的由于对水质监测数据分析流程不够详细，进而导致对水质事故的预防、预警效果不佳的技术问题。
根据本公开的第一方面，提供了一种基于大数据的水质监测预警方法，包括：通过大数据获得水质监测信息，从所述水质监测信息中进行监测数据特征分析，确定环境监测数据、图像监测分析数据、传感监测数据；基于所述环境监测数据、图像监测分析数据、传感监测数据，确定事故因子；根据水质监测要求，确定水质监测预警的顶上事件；获得历史水质监测数据库，对所述历史水质监测数据库进行水质事故提取分析，确定各顶上事件对应的所述事故因子，构建事故树；分别根据所述环境监测数据、图像监测分析数据、传感监测数据对顶上事件进行数据分析，确定数据逻辑关系，将数据逻辑关系融合至所述事故树中；基于水质事故，进行事故因子组合事件分割，获得事故因子组合最小割集，确定事故基础事件集；基于所述事故因子组合最小割集及与顶上事件的数据逻辑关系，构建最小割集原理预警模型，通过所述最小割集原理预警模型对实时水质监测信息进行预警分析，获得水质监测预警信息。
根据本公开的第二方面，提供了一种基于大数据的水质监测预警系统，包括：水质监测信息分析模块，所述水质监测信息分析模块用于通过大数据获得水质监测信息，从所述水质监测信息中进行监测数据特征分析，确定环境监测数据、图像监测分析数据、传感监测数据；事故因子确定模块，所述事故因子确定模块用于基于所述环境监测数据、图像监测分析数据、传感监测数据，确定事故因子；顶上事件确定模块，所述顶上事件确定模块用于根据水质监测要求，确定水质监测预警的顶上事件；水质事故提取分析模块，所述水质事故提取分析模块用于获得历史水质监测数据库，对所述历史水质监测数据库进行水质事故提取分析，确定各顶上事件对应的所述事故因子，构建事故树；数据逻辑关系分析模块，所述数据逻辑关系分析模块用于分别根据所述环境监测数据、图像监测分析数据、传感监测数据对顶上事件进行数据分析，确定数据逻辑关系，将数据逻辑关系融合至所述事故树中；事故因子组合事件分割模块，所述事故因子组合事件分割模块用于基于水质事故，进行事故因子组合事件分割，获得事故因子组合最小割集，确定事故基础事件集；水质监测预警模块，所述水质监测预警模块用于基于所述事故因子组合最小割集及与顶上事件的数据逻辑关系，构建最小割集原理预警模型，通过所述最小割集原理预警模型对实时水质监测信息进行预警分析，获得水质监测预警信息。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。
根据本公开采用的一种基于大数据的水质监测预警方法，通过大数据获得水质监测信息，从所述水质监测信息中进行监测数据特征分析，确定环境监测数据、图像监测分析数据、传感监测数据；基于所述环境监测数据、图像监测分析数据、传感监测数据，确定事故因子；根据水质监测要求，确定水质监测预警的顶上事件；获得历史水质监测数据库，对所述历史水质监测数据库进行水质事故提取分析，确定各顶上事件对应的所述事故因子，构建事故树；分别根据所述环境监测数据、图像监测分析数据、传感监测数据对顶上事件进行数据分析，确定数据逻辑关系，将数据逻辑关系融合至所述事故树中；基于水质事故，进行事故因子组合事件分割，获得事故因子组合最小割集，确定事故基础事件集；基于所述事故因子组合最小割集及与顶上事件的数据逻辑关系，构建最小割集原理预警模型，通过所述最小割集原理预警模型对实时水质监测信息进行预警分析，获得水质监测预警信息。本公开基于大数据获得水质监测信息，通过对水质监测信息进行分析，并结合历史水质监测数据库，构建事故树，基于此，通过构建最小割集原理预警模型对实时水质监测信息进行预警分析，获得水质监测预警信息，达到预测与预防水质监测事故发生，同时追溯水质事故发生原因，为后续的水质处理提供依据的技术效果。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开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示例性的，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种基于大数据的水质监测预警方法的流程示意图；
图2为本发明实施例中确定事故因子的流程示意图；
图3为本发明实施例中获得预测预警信息的流程示意图；
图4为本发明实施例提供的一种基于大数据的水质监测预警系统的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
附图标记说明：水质监测信息分析模块11，事故因子确定模块12，顶上事件确定模块13，水质事故提取分析模块14，数据逻辑关系分析模块15，事故因子组合事件分割模块16，水质监测预警模块17，电子设备800，处理器801，存储器802，总线803。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
为了解决现有技术中存在由于对水质监测数据分析流程不够详细，进而导致对水质事故的预防、预警效果不佳的技术问题，本公开的发明人经过创造性的劳动，得到了本公开的一种基于大数据的水质监测预警方法及系统。
实施例一
图1为本申请实施例提供的一种基于大数据的水质监测预警方法图，如图1所示，所述方法包括：
步骤S100：通过大数据获得水质监测信息，从所述水质监测信息中进行监测数据特征分析，确定环境监测数据、图像监测分析数据、传感监测数据；
具体而言，水质监测信息是指用于监测水质污染情况的信息，包括水质颜色、浑浊度、酸碱度、水中各种元素的含量等信息，水质监测信息中包含多种信息，对水质监测信息进行分析整合，得出环境监测数据、图像监测分析数据、传感监测数据，环境监测数据是指需要进行水质监测预警的水域的环境，比如周围的土壤、树木等，图像监测分析数据是指水的图像数据，水的图像数据中可以体现出水的浑浊度、水的颜色等，传感监测数据是指通过一些传感器(比如：PH值传感器、水中元素含量传感器、电导率传感器等)监测到的水质数据，比如PH值，水中元素含量等。
步骤S200：基于所述环境监测数据、图像监测分析数据、传感监测数据，确定事故因子；
其中，基于所述环境监测数据、图像监测分析数据、传感监测数据，确定事故因子，如图2所示，本申请实施例步骤S200包括：
步骤S210：对环境监测数据进行水质污染数据支持度分析，确定环境水质影响信息；
步骤S220：对图像监测分析数据进行水质污染图像特征分析，确定水质污染图像特征；
步骤S230：对传感监测数据进行水质污染数据影响关系分析，确定监测参数影响信息；
步骤S240：将所述环境水质影响信息、所述水质污染图像特征、所述监测参数影响信息，作为所述事故因子。
具体而言，在进行水质监测时，可能会出现水质监测事故，换句话说，就是水质的污染程度超出了水质监测的标准，事故因子就是指所有可能造成水质污染的基础原因，根据环境监测数据、图像监测分析数据、传感监测数据进行分析，确定事故因子，事故因子包括水质颜色、水质PH值、水质浑浊度、水中元素含量、水域周围土壤颜色、水域周围植物生长情况等。
具体地，环境监测数据是指需要进行水质监测预警的水域的环境，对环境监测数据进行水质污染数据支持度分析，确定环境水质影响信息，换句话说，环境监测数据有许多环境数据，分析环境监测数据对水质污染程度的影响，比如说水域周围土壤颜色发黑，说明水质受污染程度比较严重，那么周围土壤颜色就是环境水质影响信息中的一个信息，以此类推，对环境监测数据进行分析，确定环境水质影响信息，进一步地，对图像监测分析数据进行水质污染图像特征分析，图像监测分析数据中水的图像数据，图像数据中可以反映出水的颜色、浑浊度等，以此作为水质污染图像特征，接着对传感监测数据进行水质污染数据影响关系分析，传感监测数据包含水的酸碱度、水中元素含量等，分析传感监测数据与水质污染程度的关系，确定监测参数影响信息，将环境水质影响信息、水质污染图像特征、监测参数影响信息作为所述事故因子，通过确定事故因子，达到为后续的水质监测预警提供基础数据的效果。
步骤S300：根据水质监测要求，确定水质监测预警的顶上事件；
护体而言，水质监测要求是指对水的质量要求，包括水的色度、PH值、气味、浑浊度等，不同情况下的水质监测要求是不同的，比如地下水、河流湖泊、工厂处理后的排出水等，水质监测预警的顶上事件就是指在进行水质监测预警时不希望出现的情况，可以简单理解为造成水质污染、导致水质监测不达标的事件，比如PH值过高、色度过高、带有臭味等事件。
步骤S400：获得历史水质监测数据库，对所述历史水质监测数据库进行水质事故提取分析，确定各顶上事件对应的所述事故因子，构建事故树；
具体而言，历史水质监测数据库包含了过去一段时间内的水质监测数据，对历史水质监测数据库里面的水质监测数据进行分析，筛选出水质事故的数据，也就是水质监测结果不达标的数据，分析造成各种水质事故的基础原因，造成各种水质事故的基础原因即为各顶上事件对应的事故因子，基于此，构建事故树，事故树就是以顶上事件(水质监测预警时不希望出现的情况)作为分析对象，通过逐层推溯所有可能导致出现顶上事件的原因，直到找出事故的基本原因(底事件)为止，从而找出可能存在的水质监测活动涉及的事故因子与顶上事件之间的逻辑关系，并用倒立的树状图形表示出来，至此，事故树初步建成，后续将对初步建成的事故树进行整理和化简。
步骤S500：分别根据所述环境监测数据、图像监测分析数据、传感监测数据对顶上事件进行数据分析，确定数据逻辑关系，将数据逻辑关系融合至所述事故树中；
具体而言，数据逻辑关系有两种，即“与”和“或”。“与”表示输入事件同时发生的情况下，输出事件才会发生的连接关系；“或”表示输入事件中，任何一个事件发生都可以使事件发生。具体地，环境监测数据、图像监测分析数据、传感监测数据下面还包含许多小类，环境监测数据包含土壤颜色数据、植物生长情况数据等，图像监测分析数据包含水的色度数据、浑浊度数据等，传感监测数据包含水的PH值数据、水中各元素含量数据等，这些小类就是造成水质监测事故的基础事件，对水质监测事故的发生原因进行分析，造成水质监测事故发生的原因可能是其中一个基础事件，也可能是需要多个基础事件同时发生，基于此分析所有可能造成水质监测事故发生的原因以及数据之间的逻辑关系，进而将数据逻辑关系融合至事故树中，也就是说，以顶上事件(水质监测预警时不希望出现的情况)作为分析对象，通过逐层推溯所有可能导致出现顶上事件的基础事件，这些基础事件之间的逻辑关系可能是“与”，也可能是“或”，将数据逻辑关系也体现在事故树中，比如，“与”和“或”可以选择不同的标记符号进行标识，使得可以清晰地看出数据之间的逻辑关系。
步骤S600：基于水质事故，进行事故因子组合事件分割，获得事故因子组合最小割集，确定事故基础事件集；
具体而言，事故因子组合最小割集是指事故树中涉及事故因子的基本事件集合，当这些基本事件都发生时，水质监测预警的顶上事件必然发生，如果在某个割集中任意除去一个基本事件就不再是割集了，顶上事件也不会发生，这样的割集就称为最小割集，也就是导致顶上事件发生的最低限度的基本事件组合。基于水质事故，对事故因子进行组合事件分割，就是说，水质事故有多种，不同的水质事故对应的事故因子会有不同，基于此，对不同的事故因子进行组合，在事故树中，可能会有多组事故因子组合最小割集，多组事故因子组合最小割集组成事故基础事件集。
步骤S700：基于所述事故因子组合最小割集及与顶上事件的数据逻辑关系，构建最小割集原理预警模型，通过所述最小割集原理预警模型对实时水质监测信息进行预警分析，获得水质监测预警信息。
其中，基于所述事故因子组合最小割集及与顶上事件的数据逻辑关系，构建最小割集原理预警模型，本申请实施例步骤S700还包括：
步骤S710：获得水域监测要求，根据所述水域监测要求确定预警分析指标宽容度；
步骤S720：基于所述预警分析指标宽容度，对所述事故因子组合最小割集进行基础事件确定概率分析，获得基础事件确定阈值；
步骤S730：将所述基础事件确定阈值添加至所述最小割集原理预警模型。
其中，本申请实施例步骤S740包括：
步骤S741：基于所述水域监测要求，确定关键事故因子及触发条件；
步骤S742：根据所述关键事故因子及触发条件，设定关键事故因子预警机制；
步骤S743：将所述关键事故因子预警机制加入所述最小割集原理预警模型，当满足所述关键事故因子预警机制时，发送预警信息。
具体而言，通过对事故因子进行组合事件分割，可以得到多组事故因子组合最小割集，每一组最小割集都是顶上事件发生的一种可能途径，因此，根据最小割集中的基础事件之间的逻辑关系，当最小割集中的基本事件发生时，就需要进行及时的预警并生成水质监测预警信息，由此，最小割集原理预警模型构建完成，最小割集原理预警模型从预警检测出发，将事故处理向事故预防转变，利用事故树梳理可以找出事故发生或者可能导致事故发生的主要原因，并为确定水质处理对策提供可靠依据，达到预测与预防事故水质发生的效果。
具体地，水域监测要求是指对水域的水质监测标准，包括PH值标准、色度标准、浑浊度标准等，水质的预警要求与水质的监测要求有不同，根据水域监测要求确定预警分析指标宽容度，预警分析指标宽容度是指预警阈值的严格程度，预警分析指标宽容度过低，也就是预警阈值设置的较为严格，可能会导致出现预警错误，预警分析指标宽容度过高，也就是预警阈值设置的较为宽松，可能会导致事故预警不准确、不及时，所以需要根据水域监测要求，确定合理的预警分析指标宽容度，根据预警分析指标宽容度，对事故因子组合最小割集进行基础事件确定概率分析，获得基础事件确定阈值，就是设定一个判断基础事件是否发生的标准，设定一个概率判断是否确定该基础事件发生，这个概率就是基础事件确定阈值，超过基础事件确定阈值，就认为该基础事件发生，将基础事件确定阈值添加至最小割集原理预警模型，完成最小割集原理预警模型的构建，达到提升预警准确性的效果。
具体地，根据水域监测要求，确定关键事故因子及触发条件，关键事故因子是指对水域水质监测的主要监测指标，比如PH值、水的色度等，触发条件是指出现水质事故时，关键事故因子的数值水平，比如PH值的数值范围，进一步地，根据关键事故因子及触发条件，设定关键事故因子预警机制，关键事故因子预警机制就是指关键事故因子满足触发条件时，进行预警，进而将关键事故因子预警机制加入最小割集原理预警模型，完善最小割集原理预警模型，当满足关键事故因子预警机制时，发送预警信息，用以提醒工作人员进行水质处理，达到预测、预防水质事故发生的效果。
其中，如图3所示，本申请实施例步骤S800还包括：
步骤S810：对事故因子进行周期性分析，确定事故因子周期性；
步骤S820：基于所述事故因子周期性，构建周期预测模型；
步骤S830：将事故因子监测信息输入所述周期预测模型中，获得因子周期发展预测信息；
步骤S840：根据所述因子周期发展预测信息，通过所述最小割集原理预警模型进行预测预警分析，获得预测预警信息。
其中，所述对事故因子进行周期性分析，确定事故因子周期性，本申请实施例步骤S810包括：
步骤S811：对所述事故因子进行历史监测数据分析，确定事故因子监测发展信息及对应的影响因素；
步骤S812：对影响因素进行目标地区周期分析，确定地区周期信息；
步骤S813：对影响因素进行自我累计发展分析，确定自身发展周期信息；
步骤S814：根据所述事故因子监测发展信息，进行事故周期历史经验分析，确定事故周期范围；
步骤S815：根据所述地区周期信息、自身发展周期信息、事故周期范围进行周期重叠性分析，确定事故因子周期性。
其中，根据所述地区周期信息、自身发展周期信息、事故周期范围进行周期重叠性分析，确定事故因子周期性，本申请实施例步骤S815包括：
步骤S8151：根据所述地区周期信息，确定地区周期时间节点，基于所述地区周期时间节点构建时间周期标记链；
步骤S8152：获得事故因子的实时监测数据信息，根据所述事故因子的实时监测数据信息、自身发展周期信息，确定因子自身发展周期节点；
步骤S8153：将所述因子自身发展周期节点添加至所述时间周期标记链中，进行自身发展周期节点标记，确定第一重叠周期节点区段；
步骤S8154：利用所述事故周期范围设定周期判断窗口，利用周期判断窗口在所述时间周期标记链中平移，确定与节点标记重叠的第二重叠周期节点区段；
步骤S8155：根据所述第一重叠周期节点区段、第二重叠周期节点区段，确定事故因子周期。
具体而言，对事故因子进行周期性分析，确定事故因子周期性，简单来说，就是对影响水质的因子进行周期性分析，就是说影响水质的因素(比如：浑浊度、色度、PH值)可能呈周期性变化，每隔一段时间可能就会出现一样的情况，事故因子周期性是指事故因子的变化周期，根据事故因子周期性，构建周期预测模型，周期预测模型是用于根据事故因子周期性对事故因子的发展信息进行预测的模型，事故因子监测信息是指当前检测到的事故因子数据信息，将事故因子监测信息输入周期预测模型中，获得因子周期发展预测信息，因子周期发展预测信息是指事故因子的后续变化情况，根据因子周期发展预测信息，通过最小割集原理预警模型进行预测预警分析，获得预测预警信息，达到按照预警周期进行周期性的预警的技术效果。
具体地，对事故因子进行历史监测数据分析，确定事故因子监测发展信息及对应的影响因素，事故因子监测发展信息是指事故因子随时间的变化信息，对应的影响因素是指导致事故因子发生变化的因素。对影响因素进行目标地区周期分析，目标地区是指水域所在的环境，地区周期信息就是指环境的周期性变化，基于此，确定地区周期信息；对影响因素进行自我累计发展分析，确定自身发展周期信息，简单来说，就是将影响因素作为分析对象，分析影响因素自身的变化情况，获得影响因素的变化周期，即为自身发展周期信息；根据事故因子监测发展信息，进行事故周期历史经验分析，就是从历史数据中分析出连续的水质事故间隔时间，以间隔时间作为事故周期范围。进而根据地区周期信息、自身发展周期信息、事故周期范围进行周期重叠性分析，简单来说，就是筛选出地区周期信息、自身发展周期信息、事故周期范围中的重合的时间周期，以重合的时间周期作为事故因子周期，确定事故因子周期性，实现对事故因子进行周期性分析的技术效果。
具体地，根据地区周期信息，确定地区周期时间节点，基于地区周期时间节点构建时间周期标记链，简单来说，就是构建一个时间链，根据地区周期信息，获取地区周期时间节点，地区周期时间节点就是地区周期变化的时间节点，对地区周期时间节点进行标记，构建的时间链上就会有许多个时间节点，由此就获得了时间周期标记链。获得事故因子的实时监测数据信息，实时监测数据信息是指事故因子当前的监测数据，根据事故因子的实时监测数据信息、自身发展周期信息，确定因子自身发展周期节点，简单来说，就是按照事故因子自身的变化周期和实时监测数据信息，确定事故因子自身发生变化的下一个时间点以及后续呈周期变化的时间节点，进一步地，将因子自身发展周期节点添加至时间周期标记链中，进行自身发展周期节点标记，确定第一重叠周期节点区段，也就是说，时间周期标记链中有两种标记时间节点，分别是地区周期时间节点和因子自身发展周期节点，两种周期节点中存在的重复的时间周期节点即为第一重叠周期节点区段。
利用事故周期范围设定周期判断窗口，周期判断窗口就是根据事故周期范围设置的一个时间平移窗口，就是将事故周期范围内一个周期的时间作为一个时间判断标尺，利用周期判断窗口在时间周期标记链中进行多次平移，平移到的时间位置作为一个新的时间节点，当平移到的时间节点与地区周期时间节点和因子自身发展周期节点重合时，重合的时间节点即为第二重叠周期节点区段，进而根据第一重叠周期节点区段、第二重叠周期节点区段，对重叠周期节点存在的水质影响概率进行分析，获得水质影响概率较大的周期并作为事故因子周期，达到对水质进行周期性预警分析的技术效果。
基于上述分析可知，本公开提供了一种基于大数据的水质监测预警方法，在本实施例中，基于大数据获得水质监测信息，通过对水质监测信息进行分析，并结合历史水质监测数据库，构建事故树，基于此，通过构建最小割集原理预警模型对实时水质监测信息进行预警分析，获得水质监测预警信息，达到预测与预防水质监测事故发生，同时追溯水质事故发生原因，为后续的水质处理提供依据的技术效果。
实施例二
基于与前述实施例中一种基于大数据的水质监测预警方法同样的发明构思，如图4所示，本申请还提供了一种基于大数据的水质监测预警系统，所述系统包括：
水质监测信息分析模块11，所述水质监测信息分析模块11用于通过大数据获得水质监测信息，从所述水质监测信息中进行监测数据特征分析，确定环境监测数据、图像监测分析数据、传感监测数据；
事故因子确定模块12，所述事故因子确定模块12用于基于所述环境监测数据、图像监测分析数据、传感监测数据，确定事故因子；
顶上事件确定模块13，所述顶上事件确定模块13用于根据水质监测要求，确定水质监测预警的顶上事件；
水质事故提取分析模块14，所述水质事故提取分析模块14用于获得历史水质监测数据库，对所述历史水质监测数据库进行水质事故提取分析，确定各顶上事件对应的所述事故因子，构建事故树；
数据逻辑关系分析模块15，所述数据逻辑关系分析模块15用于分别根据所述环境监测数据、图像监测分析数据、传感监测数据对顶上事件进行数据分析，确定数据逻辑关系，将数据逻辑关系融合至所述事故树中；
事故因子组合事件分割模块16，所述事故因子组合事件分割模块16用于基于水质事故，进行事故因子组合事件分割，获得事故因子组合最小割集，确定事故基础事件集；
水质监测预警模块17，所述水质监测预警模块17用于基于所述事故因子组合最小割集及与顶上事件的数据逻辑关系，构建最小割集原理预警模型，通过所述最小割集原理预警模型对实时水质监测信息进行预警分析，获得水质监测预警信息。
进一步而言，所述系统还包括：
事故因子周期分析模块，所述事故因子周期分析模块用于对事故因子进行周期性分析，确定事故因子周期性；
周期预测模型构建模块，所述周期预测模型构建模块用于基于所述事故因子周期性，构建周期预测模型；
因子周期发展预测模块，所述因子周期发展预测模块用于将事故因子监测信息输入所述周期预测模型中，获得因子周期发展预测信息；
预测预警分析模块，所述预测预警分析模块用于根据所述因子周期发展预测信息，通过所述最小割集原理预警模型进行预测预警分析，获得预测预警信息。
进一步而言，所述系统还包括：
历史监测数据分析模块，所述历史监测数据分析模块用于对所述事故因子进行历史监测数据分析，确定事故因子监测发展信息及对应的影响因素；
地区周期分析模块，所述地区周期分析模块用于对影响因素进行目标地区周期分析，确定地区周期信息；
自身发展周期分析模块，所述自身发展周期分析模块用于对影响因素进行自我累计发展分析，确定自身发展周期信息；
事故周期历史经验分析模块，所述事故周期历史经验分析模块用于根据所述事故因子监测发展信息，进行事故周期历史经验分析，确定事故周期范围；
周期重叠性分析模块，所述周期重叠性分析模块用于根据所述地区周期信息、自身发展周期信息、事故周期范围进行周期重叠性分析，确定事故因子周期性。
进一步而言，所述系统还包括：
时间周期标记链构建模块，所述时间周期标记链构建模块用于根据所述地区周期信息，确定地区周期时间节点，基于所述地区周期时间节点构建时间周期标记链；
因子自身发展周期节点确定模块，所述因子自身发展周期节点确定模块用于获得事故因子的实时监测数据信息，根据所述事故因子的实时监测数据信息、自身发展周期信息，确定因子自身发展周期节点；
第一重叠周期节点区段确定模块，所述第一重叠周期节点区段确定模块用于将所述因子自身发展周期节点添加至所述时间周期标记链中，进行自身发展周期节点标记，确定第一重叠周期节点区段；
第二重叠周期节点区段确定模块，所述第二重叠周期节点区段确定模块用于利用所述事故周期范围设定周期判断窗口，利用周期判断窗口在所述时间周期标记链中平移，确定与节点标记重叠的第二重叠周期节点区段；
事故因子周期确定模块，所述事故因子周期确定模块用于根据所述第一重叠周期节点区段、第二重叠周期节点区段，确定事故因子周期。
进一步而言，所述系统还包括：
预警分析指标宽容度确定模块，所述预警分析指标宽容度确定模块用于获得水域监测要求，根据所述水域监测要求确定预警分析指标宽容度；
概率分析模块，所述概率分析模块用于基于所述预警分析指标宽容度，对所述事故因子组合最小割集进行基础事件确定概率分析，获得基础事件确定阈值；
基础事件确定阈值添加模块，所述基础事件确定阈值添加模块用于将所述基础事件确定阈值添加至所述最小割集原理预警模型。
进一步而言，所述系统还包括：
关键事故因子确定模块，所述关键事故因子确定模块用于基于所述水域监测要求，确定关键事故因子及触发条件；
关键事故因子预警机制设定模块，所述关键事故因子预警机制设定模块用于根据所述关键事故因子及触发条件，设定关键事故因子预警机制；
预警信息发送模块，所述预警信息发送模块用于将所述关键事故因子预警机制加入所述最小割集原理预警模型，当满足所述关键事故因子预警机制时，发送预警信息。
进一步而言，所述系统还包括：
水质污染数据支持度分析模块，所述水质污染数据支持度分析模块用于对环境监测数据进行水质污染数据支持度分析，确定环境水质影响信息；
水质污染图像特征分析模块，所述水质污染图像特征分析模块用于对图像监测分析数据进行水质污染图像特征分析，确定水质污染图像特征；
水质污染数据影响关系分析模块，所述水质污染数据影响关系分析模块用于对传感监测数据进行水质污染数据影响关系分析，确定监测参数影响信息；
事故因子分析模块，所述事故因子分析模块用于将所述环境水质影响信息、所述水质污染图像特征、所述监测参数影响信息，作为所述事故因子。
前述实施例一中的一种基于大数据的水质监测预警方法具体实例同样适用于本实施例的一种基于大数据的水质监测预警系统，通过前述对一种基于大数据的水质监测预警方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于大数据的水质监测预警系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
实施例三
图5是根据本公开第三实施例的示意图，如图5所示，本公开中的电子设备800可以包括：处理器801和存储器802。
存储器802，用于存储程序；存储器802，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic Random AccessMemory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatilememory)，例如快闪存储器(英文：flash memory)。存储器802用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器802中。并且上述的计算机程序、计算机指令、数据等可以被处理器801调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器802中。并且上述的计算机程序、计算机指据等可以被处理器801调用。
处理器801，用于执行存储器802存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器801和存储器802可以是独立结构，也可以是集成在一起的集成结构。当处理器801和存储器802是独立结构时，存储器802、处理器801可以通过总线803耦合连接。
本实施例的电子设备可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行，也可以顺序地执行也可以不同的次序执行，
只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (9)
1.一种基于大数据的水质监测预警方法，其特征在于，所述方法包括：
通过大数据获得水质监测信息，从所述水质监测信息中进行监测数据特征分析，确定环境监测数据、图像监测分析数据、传感监测数据；
基于所述环境监测数据、图像监测分析数据、传感监测数据，确定事故因子；
根据水质监测要求，确定水质监测预警的顶上事件；
获得历史水质监测数据库，对所述历史水质监测数据库进行水质事故提取分析，确定各顶上事件对应的所述事故因子，构建事故树；
分别根据所述环境监测数据、图像监测分析数据、传感监测数据对顶上事件进行数据分析，确定数据逻辑关系，将数据逻辑关系融合至所述事故树中；
基于水质事故，进行事故因子组合事件分割，获得事故因子组合最小割集，确定事故基础事件集；
基于所述事故因子组合最小割集及与顶上事件的数据逻辑关系，构建最小割集原理预警模型，通过所述最小割集原理预警模型对实时水质监测信息进行预警分析，获得水质监测预警信息。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
对事故因子进行周期性分析，确定事故因子周期性；
基于所述事故因子周期性，构建周期预测模型；
将事故因子监测信息输入所述周期预测模型中，获得因子周期发展预测信息；
根据所述因子周期发展预测信息，通过所述最小割集原理预警模型进行预测预警分析，获得预测预警信息。
3.如权利要求2所述的方法，其特征在于，所述对事故因子进行周期性分析，确定事故因子周期性，包括：
对所述事故因子进行历史监测数据分析，确定事故因子监测发展信息及对应的影响因素；
对影响因素进行目标地区周期分析，确定地区周期信息；
对影响因素进行自我累计发展分析，确定自身发展周期信息；
根据所述事故因子监测发展信息，进行事故周期历史经验分析，确定事故周期范围；
根据所述地区周期信息、自身发展周期信息、事故周期范围进行周期重叠性分析，确定事故因子周期性。
4.如权利要求3所述的方法，其特征在于，根据所述地区周期信息、自身发展周期信息、事故周期范围进行周期重叠性分析，确定事故因子周期性，包括：
根据所述地区周期信息，确定地区周期时间节点，基于所述地区周期时间节点构建时间周期标记链；
获得事故因子的实时监测数据信息，根据所述事故因子的实时监测数据信息、自身发展周期信息，确定因子自身发展周期节点；
将所述因子自身发展周期节点添加至所述时间周期标记链中，进行自身发展周期节点标记，确定第一重叠周期节点区段；
利用所述事故周期范围设定周期判断窗口，利用周期判断窗口在所述时间周期标记链中平移，确定与节点标记重叠的第二重叠周期节点区段；
根据所述第一重叠周期节点区段、第二重叠周期节点区段，确定事故因子周期。
5.如权利要求1所述的方法，其特征在于，基于所述事故因子组合最小割集及与顶上事件的数据逻辑关系，构建最小割集原理预警模型，包括：
获得水域监测要求，根据所述水域监测要求确定预警分析指标宽容度；
基于所述预警分析指标宽容度，对所述事故因子组合最小割集进行基础事件确定概率分析，获得基础事件确定阈值；
将所述基础事件确定阈值添加至所述最小割集原理预警模型。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
基于所述水域监测要求，确定关键事故因子及触发条件；
根据所述关键事故因子及触发条件，设定关键事故因子预警机制；
将所述关键事故因子预警机制加入所述最小割集原理预警模型，当满足所述关键事故因子预警机制时，发送预警信息。
7.如权利要求1所述的方法，其特征在于，基于所述环境监测数据、图像监测分析数据、传感监测数据，确定事故因子，包括：
对环境监测数据进行水质污染数据支持度分析，确定环境水质影响信息；
对图像监测分析数据进行水质污染图像特征分析，确定水质污染图像特征；
对传感监测数据进行水质污染数据影响关系分析，确定监测参数影响信息；
将所述环境水质影响信息、所述水质污染图像特征、所述监测参数影响信息，作为所述事故因子。
8.一种基于大数据的水质监测预警系统，其特征在于，所述系统包括：
水质监测信息分析模块，所述水质监测信息分析模块用于通过大数据获得水质监测信息，从所述水质监测信息中进行监测数据特征分析，确定环境监测数据、图像监测分析数据、传感监测数据；
事故因子确定模块，所述事故因子确定模块用于基于所述环境监测数据、图像监测分析数据、传感监测数据，确定事故因子；
顶上事件确定模块，所述顶上事件确定模块用于根据水质监测要求，确定水质监测预警的顶上事件；
水质事故提取分析模块，所述水质事故提取分析模块用于获得历史水质监测数据库，对所述历史水质监测数据库进行水质事故提取分析，确定各顶上事件对应的所述事故因子，构建事故树；
数据逻辑关系分析模块，所述数据逻辑关系分析模块用于分别根据所述环境监测数据、图像监测分析数据、传感监测数据对顶上事件进行数据分析，确定数据逻辑关系，将数据逻辑关系融合至所述事故树中；
事故因子组合事件分割模块，所述事故因子组合事件分割模块用于基于水质事故，进行事故因子组合事件分割，获得事故因子组合最小割集，确定事故基础事件集；
水质监测预警模块，所述水质监测预警模块用于基于所述事故因子组合最小割集及与顶上事件的数据逻辑关系，构建最小割集原理预警模型，通过所述最小割集原理预警模型对实时水质监测信息进行预警分析，获得水质监测预警信息。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310088669.XA CN116258403B (zh) | 2023-01-19 | 2023-01-19 | 一种基于大数据的水质监测预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310088669.XA CN116258403B (zh) | 2023-01-19 | 2023-01-19 | 一种基于大数据的水质监测预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116258403A true CN116258403A (zh) | 2023-06-13 |
| CN116258403B CN116258403B (zh) | 2023-09-15 |
Family
ID=86685750
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310088669.XA Active CN116258403B (zh) | 2023-01-19 | 2023-01-19 | 一种基于大数据的水质监测预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116258403B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007330843A (ja) * | 2006-06-12 | 2007-12-27 | Hitachi Ltd | 水処理施設の管理システム |
| CN103769413A (zh) * | 2012-10-23 | 2014-05-07 | 山西潞安环保能源开发股份有限公司 | 一种改良矿井水污染土壤及其农作物生长特性的方法 |
| CN105023071A (zh) * | 2015-08-14 | 2015-11-04 | 中国科学院重庆绿色智能技术研究院 | 一种基于高斯云变换和模糊时间序列的水质预测方法 |
| CN105701280A (zh) * | 2016-01-05 | 2016-06-22 | 浙江大学城市学院 | 南美白对虾围塘养殖水质预测方法 |
| CN106844857A (zh) * | 2016-12-21 | 2017-06-13 | 环境保护部信息中心 | 一种模拟水污染事故污染带时空分布的方法和装置 |
| CN107632132A (zh) * | 2017-10-31 | 2018-01-26 | 四川金英科技有限责任公司 | 一种带预测功能的水质监测告警系统 |
| GB201721435D0 (en) * | 2017-12-20 | 2018-01-31 | Intellitect Water Ltd | A water network monitor, monitoring system and method |
| CN112613664A (zh) * | 2020-12-25 | 2021-04-06 | 武汉理工大学 | 基于水上交通事故风险预测与评估的预警方法和系统 |
| CN112630401A (zh) * | 2021-01-12 | 2021-04-09 | 湖南科尔顿水务有限公司 | 一种水质分析及预警系统 |
| US20210147272A1 (en) * | 2019-11-20 | 2021-05-20 | Hyperion H2O LLC | Water Treatment System and Method |
| CN112949167A (zh) * | 2021-02-03 | 2021-06-11 | 南京信息工程大学 | 饮用水水源地动态监测预警系统及其监测预警方法 |
| CN113128105A (zh) * | 2021-03-31 | 2021-07-16 | 北京工业大学 | 突发性流域水污染事故监测方法及装置 |
| CN113325153A (zh) * | 2021-06-18 | 2021-08-31 | 军事科学院军事医学研究院环境医学与作业医学研究所 | 水质多参数监测综合信息管理系统 |
| CN113494939A (zh) * | 2021-04-15 | 2021-10-12 | 浙江工商大学 | 一种农村生活污水分散式监测方法 |
| CN113791186A (zh) * | 2021-08-12 | 2021-12-14 | 北京金水永利科技有限公司 | 一种选择水质异常报警监测因子的方法及其系统 |
| CN114648167A (zh) * | 2022-04-02 | 2022-06-21 | 重庆市生态环境科学研究院 | 一种基于山地流域污染负荷的水质预警系统及预警方法 |
-
2023
- 2023-01-19 CN CN202310088669.XA patent/CN116258403B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007330843A (ja) * | 2006-06-12 | 2007-12-27 | Hitachi Ltd | 水処理施設の管理システム |
| CN103769413A (zh) * | 2012-10-23 | 2014-05-07 | 山西潞安环保能源开发股份有限公司 | 一种改良矿井水污染土壤及其农作物生长特性的方法 |
| CN105023071A (zh) * | 2015-08-14 | 2015-11-04 | 中国科学院重庆绿色智能技术研究院 | 一种基于高斯云变换和模糊时间序列的水质预测方法 |
| CN105701280A (zh) * | 2016-01-05 | 2016-06-22 | 浙江大学城市学院 | 南美白对虾围塘养殖水质预测方法 |
| CN106844857A (zh) * | 2016-12-21 | 2017-06-13 | 环境保护部信息中心 | 一种模拟水污染事故污染带时空分布的方法和装置 |
| CN107632132A (zh) * | 2017-10-31 | 2018-01-26 | 四川金英科技有限责任公司 | 一种带预测功能的水质监测告警系统 |
| GB201721435D0 (en) * | 2017-12-20 | 2018-01-31 | Intellitect Water Ltd | A water network monitor, monitoring system and method |
| US20200331772A1 (en) * | 2017-12-20 | 2020-10-22 | Intellitect Water Ltd. | A water network monitor, monitoring system and method |
| US20210147272A1 (en) * | 2019-11-20 | 2021-05-20 | Hyperion H2O LLC | Water Treatment System and Method |
| CN112613664A (zh) * | 2020-12-25 | 2021-04-06 | 武汉理工大学 | 基于水上交通事故风险预测与评估的预警方法和系统 |
| CN112630401A (zh) * | 2021-01-12 | 2021-04-09 | 湖南科尔顿水务有限公司 | 一种水质分析及预警系统 |
| CN112949167A (zh) * | 2021-02-03 | 2021-06-11 | 南京信息工程大学 | 饮用水水源地动态监测预警系统及其监测预警方法 |
| CN113128105A (zh) * | 2021-03-31 | 2021-07-16 | 北京工业大学 | 突发性流域水污染事故监测方法及装置 |
| CN113494939A (zh) * | 2021-04-15 | 2021-10-12 | 浙江工商大学 | 一种农村生活污水分散式监测方法 |
| CN113325153A (zh) * | 2021-06-18 | 2021-08-31 | 军事科学院军事医学研究院环境医学与作业医学研究所 | 水质多参数监测综合信息管理系统 |
| CN113791186A (zh) * | 2021-08-12 | 2021-12-14 | 北京金水永利科技有限公司 | 一种选择水质异常报警监测因子的方法及其系统 |
| CN114648167A (zh) * | 2022-04-02 | 2022-06-21 | 重庆市生态环境科学研究院 | 一种基于山地流域污染负荷的水质预警系统及预警方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张宏建;张光新;侯迪波;黄平捷;李琳;边际;牛晗;耿艳妍;杨柳忠;黄健;陈家全;马中雨;陈兴厅;戴吉胜;王凯;单旭亮;: "水质安全评价及预警关键技术研发与应用示范", 给水排水, no. 06 * |
| 杨文琳: ""河流型饮用水水源地风险评估及系统开发—以成都市某县级饮用水水源地为例"", 《中国优秀硕士学位论文全文数据库》, no. 2022, pages 1 * |
| 计红;韩龙喜;刘军英;孙娟;毛学文;: "水质预警研究发展探讨", 水资源保护, no. 05 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116258403B (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114548832B (zh) | 一种基于大数据的风电设备状态评估方法及系统 | |
| CN111241214B (zh) | 用于水利工程的水质远程在线检测方法、装置及电子设备 | |
| CN116703004B (zh) | 一种基于预训练模型的水系流域智慧巡护方法和装置 | |
| CN114111730A (zh) | 一种下游水文情报预测的方法及系统 | |
| CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
| CN113297046A (zh) | 一种内存故障的预警方法及装置 | |
| CN114429249B (zh) | 钢管束生产设备的寿命预测方法、系统、设备及存储介质 | |
| CN116258403B (zh) | 一种基于大数据的水质监测预警方法及系统 | |
| CN110633853A (zh) | 时空数据预测模型的训练方法、装置及电子设备 | |
| CN117852717B (zh) | 基于遗传算法优化反向传播神经网络的台风灾害预测方法 | |
| CN113705074B (zh) | 一种化工事故风险预测方法及装置 | |
| CN116385690B (zh) | 一种基于bim模型的三维运维管控平台及其管控方法 | |
| CN117952377A (zh) | 一种数字孪生的离散制造车间同步演化方法、设备及介质 | |
| CN116484468A (zh) | 一种水库大坝的风险评估方法、装置、设备及存储介质 | |
| CN117091675A (zh) | 一种大坝水位监测预警方法、系统、电子设备及存储介质 | |
| CN110968929A (zh) | 风电场风速的预测方法、装置及电子设备 | |
| Karthikeyan et al. | An effective ontology-based query response model for risk assessment in urban flood disaster management | |
| CN113919810A (zh) | 一种用于国土空间规划的数据收集系统及其使用方法 | |
| CN110084528B (zh) | 核电厂人因失误数据收集方法、装置、设备及介质 | |
| CN116028201A (zh) | 业务系统容量的预测方法和装置 | |
| CN117131061B (zh) | 一种树木入库信息处理方法、装置、终端及介质 | |
| CN117436444B (zh) | 基于标签的数据处理方法、设备及计算机可读存储介质 | |
| EP4303751A1 (en) | Method and apparatus for partitioning reservoir temperature field, computer device, and medium | |
| CN117237145B (zh) | 一种基于大数据的传感器数据处理方法及系统 | |
| CN117633539B (zh) | 一种面向不均匀站点分布的地下水干旱识别方法及装置 |
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 |