CN116384268A - 基于水污染的污染源溯源方法、装置以及设备 - Google Patents
基于水污染的污染源溯源方法、装置以及设备 Download PDFInfo
- Publication number
- CN116384268A CN116384268A CN202310172127.0A CN202310172127A CN116384268A CN 116384268 A CN116384268 A CN 116384268A CN 202310172127 A CN202310172127 A CN 202310172127A CN 116384268 A CN116384268 A CN 116384268A
- Authority
- CN
- China
- Prior art keywords
- pollutant
- pollution
- standard
- source
- concentration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003911 water pollution Methods 0.000 title claims abstract description 37
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 429
- 231100000719 pollutant Toxicity 0.000 claims abstract description 429
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 91
- 230000008878 coupling Effects 0.000 claims abstract description 55
- 238000010168 coupling process Methods 0.000 claims abstract description 55
- 238000005859 coupling reaction Methods 0.000 claims abstract description 55
- 238000004088 simulation Methods 0.000 claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000011144 upstream manufacturing Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 239000000356 contaminant Substances 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000009991 scouring Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003903 river water pollution Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Biochemistry (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Food Science & Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及地理信息技术领域,特别涉及一种基于水污染的污染源溯源方法,包括:获取流域中的超标污染物区域,以及超标污染物区域的污染物浓度实测值;构建流域的水动力水质耦合模型,对水动力水质耦合模型进行污染源概化处理,获得污染源概化处理后的水动力水质耦合模型;构建超标污染物区域的若干个污染源排列组合族群,获取若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度,并输入至水动力水质耦合模型,获得若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值;根据若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值,以及超标污染物区域的污染物浓度实测值,提取目标污染源排列组合族群。
Description
技术领域
本发明涉及地理信息技术领域,特别涉及是一种基于水污染的污染源溯源方法、装置、设备以及存储介质。
背景技术
水污染溯源问题,其作为典型的环境水力学问题在诸多领域被研究,国内外学者研究了多种河流水质污染事故溯源算法,普遍利用下游污染监测信息寻找上游最有可能的污染源,大致可分为以下几类:一是通过示踪法或多元统计法推断污染源,适用于距离较短的河道;二是应用概率统计方法识别水体污染源项,例如BPM(BackwardProbabilityMethod,后向概率法);三是利用污染源搜索理论方法确定污染源位置,基本思路是随机假设源项信息,然后通过正向的水质模型模拟不同源项信息下监测站点处的水质浓度变化数据,通过与实测值的比较进行判断是否是真实污染源,其采样方法的效率决定了溯源的效率,常用的采样方法包括MCMC(MarkovChainMonteCarlo,马尔科夫蒙特卡洛抽样)以及LHS(Latinhypercubesampling,超拉丁立方采样),这类方法在简单河道或者河渠中效果较好,但是在有着多源联合排污可能的复杂河渠环境下,采样效率较低,而使用优化算法替代随机采样,则能够构建规则实现迭代计算,更快速的接近最优解,进而提升溯源效率。
现有技术的难题在于追溯到的污染源往往不唯一,观测到的数据属性不同且时空代表性不足,仅能依靠单一数据源获得的结果,导致水污染溯源的结果的精确性不高。
发明内容
基于此,本发明的目的在于,提供一种基于水污染的污染源溯源方法、装置、设备以及存储介质,通过溯源超标污染物区域的污染源排列组合族群,从而准确溯源水质超标污染物来源组成,可以为水质污染溯源分析和水生态保护提供参考。
第一方面,本申请实施例提供了一种基于水污染的污染源溯源方法,包括以下步骤:
获取流域中的超标污染物区域,以及所述超标污染物区域的污染物浓度实测值,其中,所述流域包括若干个污染源;
构建所述流域的水动力水质耦合模型,对所述水动力水质耦合模型进行污染源概化处理,获得污染源概化处理后的水动力水质耦合模型;
构建所述超标污染物区域的若干个污染源排列组合族群,其中,所述污染源排列组合族群包括若干个污染源,所述污染源包括常规点源以及超标点源;
获取所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度,将所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度输入至所述污染源概化处理后的水动力水质耦合模型,获得所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值;
根据所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值,以及所述超标污染物区域的污染物浓度实测值,从所述若干个污染源排列组合族群中提取目标污染源排列组合族群,作为污染源溯源结果。
第二方面,本申请实施例提供了一种基于水污染的污染源溯源装置,包括:
数据获取模块,用于获取流域中的超标污染物区域,以及所述超标污染物区域的污染物浓度实测值,其中,所述流域包括若干个污染源;
模型构建模块,用于构建所述流域的水动力水质耦合模型,对所述水动力水质耦合模型进行污染源概化处理,获得污染源概化处理后的水动力水质耦合模型;
污染源排列组合族群构建模块,用于构建所述超标污染物区域的若干个污染源排列组合族群,其中,所述污染源排列组合族群包括若干个污染源,所述污染源包括常规点源以及超标点源;
数据模拟模块,用于获取所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度,将所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度输入至所述污染源概化处理后的水动力水质耦合模型,获得所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值;
污染源溯源模块,用于根据所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值,以及所述超标污染物区域的污染物浓度实测值,从所述若干个污染源排列组合族群中提取目标污染源排列组合族群,作为污染源溯源结果。
第三方面,本申请实施例提供了一种计算机设备,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述计算机程序被所述处理器执行时实现如第一方面所述基于水污染的污染源溯源方法的步骤。
第四方面,本申请实施例提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的基于水污染的污染源溯源方法的步骤。
在本申请实施例中,提供一种基于水污染的污染源溯源方法、装置、设备以及存储介质,通过溯源超标污染物区域的污染源排列组合族群,从而准确溯源水质超标污染物来源组成,可以为水质污染溯源分析和水生态保护提供参考。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的基于水污染的污染源溯源方法的流程示意图;
图2为本申请一个实施例提供的基于水污染的污染源溯源方法中S2的流程示意图;
图3为本申请一个实施例提供的基于水污染的污染源溯源方法中S3的流程示意图;
图4为本申请一个实施例提供的基于水污染的污染源溯源方法中S4的流程示意图;
图5为本申请一个实施例提供的基于水污染的污染源溯源方法中S5的流程示意图;
图6为本申请一个实施例提供的基于水污染的污染源溯源装置的结构示意图;
图7为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1,图1为本申请一个实施例提供的基于水污染的污染源溯源方法的流程示意图,所述方法包括如下步骤:
S1:获取流域中的超标污染物区域,以及所述超标污染物区域的污染物浓度实测值,其中,所述流域包括若干个污染源。
所述基于水污染的污染源溯源方法的执行主体为基于水污染的污染源溯源方法的溯源设备(以下简称溯源设备),在一个可选的实施例中,所述溯源设备可以是一台计算机设备可以是服务器,或是多台计算机设备联合而成的服务器机群。
在本实施例中,溯源设备可以获取用户输入的流域中的超标污染物区域,以及所述超标污染物区域的污染物浓度实测值,也可以通过污染物监测设备,对流域进行污染物浓度监测,获得各个区域的污染物浓度实测值,若监测到的污染物浓度实测值大于预设的污染物浓度阈值,将该区域作为超标污染物区域。
所述流域包括若干个不同地区类型的子区域,所述地区类型包括城镇有管网地区、无管网地区、大中型河流地区以及入海口沿岸海域地区。
所述流域包括若干个污染源,其中,所述污染源一般划分点源和面源,点源是指有固定排放点的污染源,多为工业废水及城市生活污水,由排放口集中汇入江河湖泊等水体;面源污染是相对点源污染而言,指溶解的和固体的污染物从非特定的地点,在降水(或融雪)冲刷作用下,通过径流过程而汇入受纳水体(包括河流、湖泊、水库和海湾等)并引起水体的富营养化或其它形式的污染。
S2:构建所述流域的水动力水质耦合模型,对所述水动力水质耦合模型进行污染源概化处理,获得污染源概化处理后的水动力水质耦合模型。
在本实施例中,溯源设备构建所述流域的水动力水质耦合模型,对所述水动力水质耦合模型进行污染源概化处理,获得污染源概化处理后的水动力水质耦合模型。
所述污染源概化处理包括点源概化处理以及面源概化处理,具体地,基于点源概化处理,溯源设备获取所述流域内工业、城市生活污水等污染物排放调查结果,根据污染物年排放总量,以日或小时尺度进行污染物排放速率的概化,将每个点源的位置信息和污染物排放速率概化信息按照所述水动力水质耦合模型的点源设置方法添加到的相应位置,同时将排放类型设置为连续排放;
基于面源概化处理,溯源设备获取所述流域内的土地利用分类数据,根据预设的水质污染物与土地利用分类数据的关系规范,初步选取污染物累计和冲刷函数的参数,根据所述流域中的污染物浓度实测值进行污染物产生速率的率定,为每种土地类型设置适用于所述流域的时间累计和冲刷函数的参数,以SWMM模型为例,面源概化处理具体步骤如下:
(1)确定需要模拟的污染物类型;
(2)定义产生这些污染物类型的土地利用类型;
(3)设置径流水质的污染物增长和冲刷函数的参数。污染物增长函数和冲刷函数一般包括POW(幂函数)、EXP(指数函数)、SAT(饱和函数)、NONE(污染物没有增长);
(4)将土地利用混合体赋给每一个子汇水区域;
(5)定义排水系统内包含处理设施的节点污染物去除函数。
请参阅图2,图2为本申请一个实施例提供的基于水污染的污染源溯源方法中S2的流程示意图,包括步骤S21~S22,具体如下:
S21:根据所述地区类型,获取所述若干个子区域对应的水动力水质模型,并对所述水动力水质模型的模型配置参数进行设置。
在本实施例中,溯源设备根据所述地区类型,获取所述若干个子区域对应的水动力水质模型,并对所述水动力水质模型的模型配置参数进行设置,其中,所述水动力水质模型包括SWMM、SWAT/HSPF、WASP、Delft3D/FVCOM模型。
具体地,城镇有管网地区一般采用SWMM水动力模型,无管网地区采用SWAT或HSPF水文模型,大中型河流地区采用WASP水质模型,入海口沿岸海域地区采用Delft3D或FVCOM水动力水质模型。
溯源设备对所述水动力水质模型的模型配置参数进行设置。具体地,溯源设备根据所述若干个子区域对应的水动力水质模型,收集相应的子区域的基础资料数据,例如无管网地区如采用SWAT水文模型,则收集气象、地形、土地利用类型、土壤类型、水文水质以及污染源排放等数据;城镇有管网地区如采用SWMM模型一般收集排水管网数据、下游水位及城镇地区的前述数据;大中型河流地区如采用WASP水质模型一般收集河流水体地理几何信息、水质检测、点源污染物、气象数据、河道上下游边界条件等;入海口及沿岸海域地区如采用Delft3D模型则收集水深、潮汐潮流、污染物、上下游水位边界条件等数据。
溯源设备按照所选水动力水质模型的数据要求进行预处理操作,形成各个水动力水质模型规定的标准文件格式,通常分为两类,一种是将收集到的基础数据进行删减、概化,最后进行几何参数计算即可,例如SWMM模型所需的管网数据只需对汇流作用影响不大的细支管网进行删减,再进行参数计算;另一类,是基于已有数据生成水动力水质模型必需的文件,例如,SWMM模型所需的子汇水区文件则需要基于DEM地形数据进行水文分析,生成子汇水区,再进行几何参数的计算。然后将两种方法生成的标准格式文件输入相应的水动力水质模型,率定和验证经验参数,调整基本参数信息,如模拟时间、时间步长、演算方程等。其它模型采用类似方法构建水动力水质模型的工程运行文件。
S22:获取所述若干个子区域之间的上下游位置关系信息,根据所述上下游位置关系信息,将位于上游位置的所述子区域对应的水动力水质模型的输出结果作为位于下游位置的所述子区域对应的水动力水质模型的输入参数,进行耦合处理,构建所述流域的水动力水质耦合模型。
为了实现城镇有管网地区、无管网地区、大中型河流地区以及入海口沿岸海域地区对应的水动力水质模型之间的耦合,在本实施例中,溯源设备获取所述若干个子区域之间的上下游位置关系信息,根据所述上下游位置关系信息,将位于上游位置的所述子区域对应的水动力水质模型的输出结果作为位于下游位置的所述子区域对应的水动力水质模型的输入参数,进行耦合处理,构建所述流域的水动力水质耦合模型。
具体地,溯源设备将SWAT模型模拟的非城镇地区出水口流量作为与其相连接的WASP模型的上游边界输入条件;再次将SWMM模型模拟的城镇地区污染物作为与其相连接的WASP模型的边界输入条件;而WASP模型的污染物又作为入海口Delft3D或FVCOM模型的污染物输入条件,同时以潮汐潮流数据作为Delft3D或FVCOM模型海域边界条件,从而完成不同模型之间的耦合,构建所述流域的水动力水质耦合模型。
S3:构建所述超标污染物区域的若干个污染源排列组合族群。
在本实施例中,溯源设备构建所述超标污染物区域的若干个污染源排列组合族群,其中,所述污染源排列组合族群包括若干个污染源,所述污染源包括常规点源以及超标点源。
请参阅图3,图3为本申请一个实施例提供的基于水污染的污染源溯源方法中S3的流程示意图,包括步骤S31~S33,具体如下:
S31:获取所述流域的若干个污染源的单位污染物排放浓度,根据所述流域的若干个污染源的单位污染物排放浓度以及所述污染源概化处理后的水动力水质耦合模型,构建污染源排放情景数据库。
所述污染源的单位污染物排放浓度包括若干种不同类型的污染物的单位污染物排放浓度,例如总氮、总磷等。
在本实施例中,溯源设备获取所述流域的若干个污染源的单位污染物排放浓度,根据所述流域的若干个污染源的单位污染物排放浓度以及所述污染源概化处理后的水动力水质耦合模型,构建污染源排放情景数据库,其中,所述污染源排放情景数据库包括若干个污染源在单位污染物排放浓度时,在所述流域的污染物浓度模拟值。
具体地,溯源设备将所述流域的若干个污染源的单位污染物排放浓度作为所述污染源概化处理后的水动力水质耦合模型的边界输入条件,进行处理,获得所述污染源概化处理后的水动力水质耦合模型输出的若干个污染源在单位污染物排放浓度时,在所述流域的污染物浓度模拟值。
S32:从所述污染源排放情景数据库中,获取所述若干个污染源在单位污染物排放浓度时,在所述超标污染物区域的污染物浓度模拟值,根据预设的污染贡献率计算算法,获得所述若干个常规点源在所述超标污染物区域的污染贡献率以及若干个超标点源在所述超标污染物区域的污染贡献率。
在本实施例中,溯源设备从所述污染源排放情景数据库中,获取所述若干个污染源在单位污染物排放浓度时,在所述超标污染物区域的污染物浓度模拟值,根据预设的污染贡献率计算算法,获得所述若干个常规点源在所述超标污染物区域的污染贡献率以及若干个超标点源在所述超标污染物区域的污染贡献率。
具体地,所述污染源排放情景数据库包括若干个常规点源在单位污染物排放浓度时,在所述流域的污染物浓度模拟值、若干个超标点源在单位污染物排放浓度时,在所述流域的污染物浓度模拟值,以及面源在所述流域的污染物浓度模拟值。
溯源设备从所述污染源排放情景数据库中,获取所述若干个常规点源在单位污染物排放浓度时,在所述超标污染物区域的污染物浓度模拟值、若干个超标点源在单位污染物排放浓度时,在所述超标污染物区域的污染物浓度模拟值,以及面源在所述超标污染物区域的污染物浓度模拟值。
溯源设备将所述若干个常规点源在单位污染物排放浓度时,在所述超标污染物区域的污染物浓度模拟值、以及面源在所述超标污染物区域的污染物浓度模拟值进行累加,作为超标污染物区域的常规污染物浓度模拟值。
溯源设备根据所述若干个常规点源在单位污染物排放浓度时,在所述超标污染物区域的污染物浓度模拟值、所述超标污染物区域的常规污染物浓度模拟值以及预设的污染贡献率计算算法,获得所述若干个常规点源在所述超标污染物区域的污染贡献率,如下所示:
式中,αX,i(x,y)为第i个常规点源在坐标为(x,y)的,第X种污染物的污染贡献率,Ai(x,y)为第i个常规点源在坐标为(x,y)的污染物浓度模拟值,Qi为第i个常规点源的污染物排放浓度实测值,WX(x,y)为所述超标污染物区域的第X种污染物的常规污染物浓度模拟值。
溯源设备根据所述若干个超标点源在单位污染物排放浓度时,在所述超标污染物区域的污染物浓度模拟值、所述超标污染物区域的超标污染物浓度模拟值以及预设的污染贡献率计算算法,获得所述若干个超标点源在所述超标污染物区域的污染贡献率,如下所示:
式中,αX,m(x,y)为第m个超标点源在坐标为(x,y)的,第X种污染物的污染贡献率,Cm(x,y)为第m个超标点源在坐标为(x,y)的污染物浓度模拟值,M为超标点源的数目。
S33:根据所述若干个常规点源在所述超标污染物区域的污染贡献率以及若干个超标点源在所述超标污染物区域的污染贡献率以及预设的污染贡献率阈值,从所述若干个常规点源以及若干个超标点源中提取若干个目标点源,对所述若干个目标点源进行随机排列组合,构建所述超标污染物区域的若干个污染源排列组合族群。
所述污染贡献率阈值包括常规点源对应的污染贡献率阈值以及超标点源对应的污染贡献率阈值。
在本实施例中,溯源设备根据所述若干个常规点源在所述超标污染物区域的污染贡献率以及若干个超标点源在所述超标污染物区域的污染贡献率以及预设的污染贡献率阈值,从所述若干个常规点源以及若干个超标点源中提取若干个目标点源。
具体地,当所述常规点源在所述超标污染物区域的污染贡献率大于或等于所述常规点源对应的污染贡献率阈值,将所述常规点源作为目标点源,当所述超标点源在所述超标污染物区域的污染贡献率大于或等于所述超标点源对应的污染贡献率阈值,将所述超标点源作为目标点源。
为了更好地分析不同数目的目标点源进行组合后,对超标污染物区域造成的影响,在本实施例中,溯源设备对所述若干个目标点源进行随机排列组合,构建所述超标污染物区域的若干个污染源排列组合族群。
S4:获取所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度,将所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度输入至所述污染源概化处理后的水动力水质耦合模型,获得所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值。
在本实施例中,溯源设备获取所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度,将所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度输入至所述污染源概化处理后的水动力水质耦合模型,获得所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值。
请参阅图4,图4为本申请一个实施例提供的基于水污染的污染源溯源方法中S4的流程示意图,包括步骤S41~S42,具体如下:
S41:根据所述超标污染物区域的污染物浓度实测值、所述若干个常规点源在单位污染物排放浓度时,在所述超标污染物区域的污染物浓度模拟值、所述面源在所述超标污染物区域的污染物浓度模拟值以及预设的污染物浓度差值计算算法,获取所述若干个污染源排列组合族群的若干个超标点源的污染物浓度差值。
所述污染物浓度差值计算算法为:
式中,FX,m(x,y)为第m个超标点源在坐标为(x,y)的,第X种污染物的污染物浓度差值,x和y分别表示为横坐标以及纵坐标,GX(x,y)为在坐标为(x,y)的,第X种污染物的污染物浓度实测值,Ai(x,y)为第i个常规点源在坐标为(x,y)的污染物浓度模拟值,I为常规点源的数目,Qi为第i个常规点源的实测污染物排放浓度,Bj(x,y)为第j种土地类型的面源在坐标为(x,y)的污染物浓度模拟值,J为土地类型的数目。
在本实施例中,溯源设备根据所述超标污染物区域的污染物浓度实测值、所述若干个常规点源在单位污染物排放浓度时,在所述超标污染物区域的污染物浓度模拟值、所述面源在所述超标污染物区域的污染物浓度模拟值以及预设的污染物浓度差值计算算法,获取所述若干个污染源排列组合族群的若干个超标点源的污染物浓度差值。
S42:根据所述若干个污染源排列组合族群的若干个超标点源的污染物浓度差值、所述若干个超标点源在单位污染物排放浓度时,在所述超标污染物区域的污染贡献率、污染物浓度模拟值以及预设的初始污染物排放浓度计算算法,获取所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度。
所述初始污染物排放浓度计算算法为:
式中,βX,m,n(x,y)为第n个污染源排列组合族群的第m个超标点源在坐标为(x,y)的,第X种污染物的初始污染物排放浓度,αX,m(x,y)为第m个超标点源在坐标为(x,y)的,第X种污染物的污染贡献率,M为污染源排列组合族群中超标点源的数目,Cm(x,y)为第m个超标点源在坐标为(x,y)的污染物浓度模拟值。
在本实施例中,溯源设备根据所述若干个污染源排列组合族群的若干个超标点源的污染物浓度差值、所述若干个超标点源在单位污染物排放浓度时,在所述超标污染物区域的污染贡献率、污染物浓度模拟值以及预设的初始污染物排放浓度计算算法,获取所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度。
S5:根据所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值,以及所述超标污染物区域的污染物浓度实测值,从所述若干个污染源排列组合族群中提取目标污染源排列组合族群,作为污染源溯源结果。
在本实施例中,溯源设备根据所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值,以及所述超标污染物区域的污染物浓度实测值,从所述若干个污染源排列组合族群中提取目标污染源排列组合族群,作为污染源溯源结果。
请参阅图5,图5为本申请一个实施例提供的基于水污染的污染源溯源方法中S5的流程示意图,包括步骤S51~S52,具体如下:
S51:根据所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值、污染物浓度实测值以及预设的统计参数计算算法,获得所述若干个污染源排列组合族群对应的统计参数。
所述统计参数包括纳什系数、决定系数、平均绝对误差以及均方根误差。
在本实施例中,溯源设备根据所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值、污染物浓度实测值以及预设的统计参数计算算法,获得所述若干个污染源排列组合族群对应的统计参数。
具体地,溯源设备根据所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值、污染物浓度实测值以及预设的纳什系数计算算法,获得所述若干个污染源排列组合族群对应的纳什系数,其中,所述纳什系数计算算法为:
式中,NSE为所述纳什系数,为t时刻的污染源排列组合族群对应的超标污染物区域的污染物浓度实测值,/>为t时刻的污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值,QO为所有时刻的污染源排列组合族群对应的超标污染物区域的污染物浓度实测值的平均值;
溯源设备根据所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值、污染物浓度实测值以及预设的决定系数计算算法、平均绝对误差计算算法以及均方根误差计算算法,获得所述若干个污染源排列组合族群对应的决定系数、平均绝对误差以及均方根误差,其中,所述决定系数计算算法为:
所述平均绝对误差计算算法为:
式中,R2为所述决定系数,MAE为所述平均绝对误差,RMSE为所述均方根误差,为所述污染源排列组合族群对应的超标污染物区域的污染物浓度实测值,Gm为所述污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值,/>为所有时刻的污染源排列组合族群对应的超标污染物区域的污染物浓度实测值的平均值;M是实测点位数量,m表示为第m个实测点位。
S52:根据所述统计参数以及预设的统计参数阈值,从所述若干个污染源排列组合族群中提取目标污染源排列组合族群,作为污染源溯源结果。
所述统计参数阈值包括纳什系数阈值、决定系数阈值、平均绝对误差阈值以及均方根误差阈值。
在本实施例中,溯源设备根据所述统计参数以及预设的统计参数阈值,从所述若干个污染源排列组合族群中提取目标污染源排列组合族群,作为污染源溯源结果。
具体地,当所述污染源排列组合族群的纳什系数大于所述纳什系数阈值、决定系数均大于所述决定系数阈值,且平均绝对误差小于所述绝对误差阈值,以及均方根误差小于所述均方根误差阈值,则将所述污染源排列组合族群作为目标污染源排列组合族群,作为污染源溯源结果。
请参考图6,图6为本申请一个实施例提供的基于水污染的污染源溯源装置的结构示意图,该装置可以通过软件、硬件或两者的结合实现基于水污染的污染源溯源装置的全部或一部分,该装置6包括:
数据获取模块61,用于获取流域中的超标污染物区域,以及所述超标污染物区域的污染物浓度实测值,其中,所述流域包括若干个污染源;
模型构建模块62,用于构建所述流域的水动力水质耦合模型,对所述水动力水质耦合模型进行污染源概化处理,获得污染源概化处理后的水动力水质耦合模型;
污染源排列组合族群构建模块63,用于构建所述超标污染物区域的若干个污染源排列组合族群,其中,所述污染源排列组合族群包括若干个污染源,所述污染源包括常规点源以及超标点源;
数据模拟模块64,用于获取所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度,将所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度输入至所述污染源概化处理后的水动力水质耦合模型,获得所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值;
污染源溯源模块65,用于根据所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值,以及所述超标污染物区域的污染物浓度实测值,从所述若干个污染源排列组合族群中提取目标污染源排列组合族群,作为污染源溯源结果。
在本申请实施例中,通过数据获取模块,获取流域中的超标污染物区域,以及所述超标污染物区域的污染物浓度实测值,其中,所述流域包括若干个污染源;通过模型构建模块,构建所述流域的水动力水质耦合模型,对所述水动力水质耦合模型进行污染源概化处理,获得污染源概化处理后的水动力水质耦合模型;通过污染源排列组合族群构建模块,构建所述超标污染物区域的若干个污染源排列组合族群,其中,所述污染源排列组合族群包括若干个污染源,所述污染源包括常规点源以及超标点源;通过数据模拟模块,获取所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度,将所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度输入至所述污染源概化处理后的水动力水质耦合模型,获得所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值;通过污染源溯源模块,根据所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值,以及所述超标污染物区域的污染物浓度实测值,从所述若干个污染源排列组合族群中提取目标污染源排列组合族群,作为污染源溯源结果。
请参考图7,图7为本申请一个实施例提供的计算机设备的结构示意图,计算机设备7包括:处理器71、存储器72以及存储在存储器72上并可在处理器71上运行的计算机程序73;计算机设备可以存储有多条指令,指令适用于由处理器71加载并执行上述图1至图5所示实施例的方法步骤,具体执行过程可以参见图1至图5所示实施例的具体说明,在此不进行赘述。
其中,处理器71可以包括一个或多个处理核心。处理器71利用各种接口和线路连接服务器内的各个部分,通过运行或执行存储在存储器72内的指令、程序、代码集或指令集,以及调用存储器72内的数据,执行基于水污染的污染源溯源装置6的各种功能和处理数据,可选的,处理器71可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(ProgrambleLogic Array,PLA)中的至少一个硬件形式来实现。处理器71可集成中央处理器71(CentralProcessing Unit,CPU)、图像处理器71(Graphics Processing Unit,GPU)和调制解调器等中的一个或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器71中,单独通过一块芯片进行实现。
其中,存储器72可以包括随机存储器72(Random Access Memory,RAM),也可以包括只读存储器72(Read-Only Memory)。可选的,该存储器72包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器72可用于存储指令、程序、代码、代码集或指令集。存储器72可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器72可选的还可以是至少一个位于远离前述处理器71的存储装置。
本申请实施例还提供了一种存储介质,所述存储介质可以存储有多条指令,所述指令适用于由处理器加载并执行上述图1至图5所示实施例的方法步骤,具体执行过程可以参见图1至图5所示实施例的具体说明,在此不进行赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅是示意性的,例如,所述模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,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,在本发明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,也可以采用软件功能单元的形式实现。
所述集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (10)
1.一种基于水污染的污染源溯源方法,其特征在于,包括以下步骤:
获取流域中的超标污染物区域,以及所述超标污染物区域的污染物浓度实测值,其中,所述流域包括若干个污染源;
构建所述流域的水动力水质耦合模型,对所述水动力水质耦合模型进行污染源概化处理,获得污染源概化处理后的水动力水质耦合模型;
构建所述超标污染物区域的若干个污染源排列组合族群,其中,所述污染源排列组合族群包括若干个污染源,所述污染源包括常规点源以及超标点源;
获取所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度,将所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度输入至所述污染源概化处理后的水动力水质耦合模型,获得所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值;
根据所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值,以及所述超标污染物区域的污染物浓度实测值,从所述若干个污染源排列组合族群中提取目标污染源排列组合族群,作为污染源溯源结果。
2.根据权利要求1所述的基于水污染的污染源溯源方法,其特征在于:所述流域包括若干个不同地区类型的子区域,所述地区类型包括城镇有管网地区、无管网地区、大中型河流地区以及入海口沿岸海域地区。
3.根据权利要求2所述的基于水污染的污染源溯源方法,其特征在于,所述构建所述流域的水动力水质耦合模型,包括步骤:
根据所述地区类型,获取所述若干个子区域对应的水动力水质模型,并对所述水动力水质模型的模型配置参数进行设置;
获取所述若干个子区域之间的上下游位置关系信息,根据所述上下游位置关系信息,将位于上游位置的所述子区域对应的水动力水质模型的输出结果作为位于下游位置的所述子区域对应的水动力水质模型的输入参数,进行耦合处理,构建所述流域的水动力水质耦合模型。
4.根据权利要求1所述的基于水污染的污染源溯源方法,其特征在于,所述构建所述超标污染物区域的若干个污染源排列组合族群,包括步骤:
获取所述流域的若干个污染源的单位污染物排放浓度,根据所述流域的若干个污染源的单位污染物排放浓度以及所述污染源概化处理后的水动力水质耦合模型,构建污染源排放情景数据库,其中,所述污染源排放情景数据库包括若干个在单位污染物排放浓度时,在所述流域的污染物浓度模拟值;
从所述污染源排放情景数据库中,获取所述若干个污染源在单位污染物排放浓度时,在所述超标污染物区域的污染物浓度模拟值,根据预设的污染贡献率计算算法,获得所述若干个常规点源在所述超标污染物区域的污染贡献率以及若干个超标点源在所述超标污染物区域的污染贡献率;
根据所述若干个常规点源在所述超标污染物区域的污染贡献率以及若干个超标点源在所述超标污染物区域的污染贡献率以及预设的污染贡献率阈值,从所述若干个常规点源以及若干个超标点源中提取若干个目标点源,对所述若干个目标点源进行随机排列组合,构建所述超标污染物区域的若干个污染源排列组合族群。
5.根据权利要求4所述的基于水污染的污染源溯源方法,其特征在于:所述污染源还包括面源,所述污染源排放情景数据库包括若干个常规点源在单位污染物排放浓度时,在所述流域的污染物浓度模拟值、若干个超标点源在单位污染物排放浓度时,在所述流域的污染物浓度模拟值,以及面源在所述流域的污染物浓度模拟值。
6.根据权利要求5所述的基于水污染的污染源溯源方法,其特征在于,所述获取所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度,包括步骤:
根据所述超标污染物区域的污染物浓度实测值、所述若干个常规点源在单位污染物排放浓度时,在所述超标污染物区域的污染物浓度模拟值、所述面源在所述超标污染物区域的污染物浓度模拟值以及预设的污染物浓度差值计算算法,获取所述若干个污染源排列组合族群的若干个超标点源的污染物浓度差值,其中,所述污染物浓度差值计算算法为:
式中,FX,m(x,y)为第m个超标点源在坐标为(x,y)的,第X种污染物的污染物浓度差值,x和y分别表示为横坐标以及纵坐标,GX(x,y)为在坐标为(x,y)的,第X种污染物的污染物浓度实测值,Ai(x,y)为第i个常规点源在坐标为(x,y)的污染物浓度模拟值,I为常规点源的数目,Qi为第i个常规点源的污染物排放浓度实测值,Bj(x,y)为第j种土地类型的面源在坐标为(x,y)的污染物浓度模拟值,J为土地类型的数目;
根据所述若干个污染源排列组合族群的若干个超标点源的污染物浓度差值、所述若干个超标点源在单位污染物排放浓度时,在所述超标污染物区域的污染贡献率、污染物浓度模拟值以及预设的初始污染物排放浓度计算算法,获取所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度,其中,所述初始污染物排放浓度计算算法为:
式中,βX,m,n(x,y)为第n个污染源排列组合族群的第m个超标点源在坐标为(x,y)的,第X种污染物的初始污染物排放浓度,αX,m(x,y)为第m个超标点源在坐标为(x,y)的,第X种污染物的污染贡献率,M为超标点源的数目,Cm(x,y)为第m个超标点源在坐标为(x,y)的污染物浓度模拟值。
7.根据权利要求3所述的基于水污染的污染源溯源方法,其特征在于,所述根据所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值,以及所述超标污染物区域的污染物浓度实测值,从所述若干个污染源排列组合族群中提取目标污染源排列组合族群,作为污染源溯源结果,包括步骤:
根据所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值、污染物浓度实测值以及预设的统计参数计算算法,获得所述若干个污染源排列组合族群对应的统计参数,其中,所述统计参数包括纳什系数、决定系数、平均绝对误差以及均方根误差;
根据所述统计参数以及预设的统计参数阈值,从所述若干个污染源排列组合族群中提取目标污染源排列组合族群,作为污染源溯源结果。
8.一种基于水污染的污染源溯源装置,其特征在于,包括:
数据获取模块,用于获取流域中的超标污染物区域,以及所述超标污染物区域的污染物浓度实测值,其中,所述流域包括若干个污染源;
模型构建模块,用于构建所述流域的水动力水质耦合模型,对所述水动力水质耦合模型进行污染源概化处理,获得污染源概化处理后的水动力水质耦合模型;
污染源排列组合族群构建模块,用于构建所述超标污染物区域的若干个污染源排列组合族群,其中,所述污染源排列组合族群包括若干个污染源,所述污染源包括常规点源以及超标点源;
数据模拟模块,用于获取所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度,将所述若干个污染源排列组合族群的若干个超标点源的初始污染物排放浓度输入至所述污染源概化处理后的水动力水质耦合模型,获得所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值;
污染源溯源模块,用于根据所述若干个污染源排列组合族群对应的超标污染物区域的污染物浓度模拟值,以及所述超标污染物区域的污染物浓度实测值,从所述若干个污染源排列组合族群中提取目标污染源排列组合族群,作为污染源溯源结果。
9.一种计算机设备,其特征在于,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于水污染的污染源溯源方法的步骤。
10.一种存储介质,其特征在于:所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于水污染的污染源溯源方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310172127.0A CN116384268A (zh) | 2023-02-24 | 2023-02-24 | 基于水污染的污染源溯源方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310172127.0A CN116384268A (zh) | 2023-02-24 | 2023-02-24 | 基于水污染的污染源溯源方法、装置以及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116384268A true CN116384268A (zh) | 2023-07-04 |
Family
ID=86962413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310172127.0A Pending CN116384268A (zh) | 2023-02-24 | 2023-02-24 | 基于水污染的污染源溯源方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116384268A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633723A (zh) * | 2024-01-26 | 2024-03-01 | 四川轻化工大学 | 基于物联网的环境监测溯源分析方法、系统、终端及介质 |
CN117970527A (zh) * | 2024-04-02 | 2024-05-03 | 南昌云宜然科技有限公司 | 一种大气污染物的组网溯源监测方法及系统 |
-
2023
- 2023-02-24 CN CN202310172127.0A patent/CN116384268A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633723A (zh) * | 2024-01-26 | 2024-03-01 | 四川轻化工大学 | 基于物联网的环境监测溯源分析方法、系统、终端及介质 |
CN117633723B (zh) * | 2024-01-26 | 2024-05-10 | 四川轻化工大学 | 基于物联网的环境监测溯源分析方法、系统、终端及介质 |
CN117970527A (zh) * | 2024-04-02 | 2024-05-03 | 南昌云宜然科技有限公司 | 一种大气污染物的组网溯源监测方法及系统 |
CN117970527B (zh) * | 2024-04-02 | 2024-06-11 | 南昌云宜然科技有限公司 | 一种大气污染物的组网溯源监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114443982B (zh) | 一种大区域土壤重金属检测与时空分布特征分析方法及系统 | |
Mazzoleni et al. | Can assimilation of crowdsourced data in hydrological modelling improve flood prediction? | |
Merheb et al. | Hydrological response characteristics of Mediterranean catchments at different time scales: a meta-analysis | |
Wheater | Progress in and prospects for fluvial flood modelling | |
CN116384268A (zh) | 基于水污染的污染源溯源方法、装置以及设备 | |
Moir et al. | PHABSIM modelling of Atlantic salmon spawning habitat in an upland stream: testing the influence of habitat suitability indices on model output | |
Wagener et al. | A toolkit for the development and application of parsimonious hydrological models | |
Song et al. | Parameter identification and global sensitivity analysis of Xin'anjiang model using meta-modeling approach | |
Gassman et al. | IJABE SWAT Special Issue: Innovative modeling solutions for water resource problems | |
CN112001610A (zh) | 农业面源污染的处理方法及装置 | |
CN110287615B (zh) | 基于遥感解译和降雨实验的雨水径流污染负荷测算方法 | |
Inam et al. | Parameter estimation and uncertainty analysis of the Spatial Agro Hydro Salinity Model (SAHYSMOD) in the semi-arid climate of Rechna Doab, Pakistan | |
Yasarer et al. | Characterizing ponds in a watershed simulation and evaluating their influence on streamflow in a Mississippi watershed | |
Gong et al. | Improving the flood forecasting capability of the Xinanjiang model for small-and medium-sized ungauged catchments in South China | |
Hatvani et al. | Spatiotemporal changes and drivers of trophic status over three decades in the largest shallow lake in Central Europe, Lake Balaton | |
Elhassan et al. | Water quality modelling in the San Antonio River Basin driven by radar rainfall data | |
Ramsankaran et al. | Physically-based distributed soil erosion and sediment yield model (DREAM) for simulating individual storm events | |
CN114022008A (zh) | 一种基于水生态分区理论的河口适宜生态流量评估方法 | |
Zhang et al. | Enhancing daily streamflow simulation using the coupled SWAT-BiLSTM approach for climate change impact assessment in Hai-River Basin | |
Ding et al. | Assessing multivariate effect of best management practices on non-point source pollution management using the coupled Copula-SWAT model | |
CN117491585A (zh) | 基于时序网络的水生态污染监测方法及装置、系统 | |
Rodda et al. | The application of a GIS-based decision support system to predict nitrate leaching to groundwater in southern Germany | |
Wang et al. | A statistical hydrological model for Yangtze river watershed based on stepwise cluster analysis | |
Spezia et al. | Periodic multivariate normal hidden Markov models for the analysis of water quality time series | |
Ye et al. | Parameter identification and calibration of the Xin’anjiang model using the surrogate modeling approach |
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 |