CN116609500B - 一种基于物联网的水质数据监测方法 - Google Patents

Abstract

本发明公开了一种基于物联网的水质数据监测方法，涉及数据监测技术领域，通过数据采集模块内的传感器终端采集指定区域的水质数据信息和环境参数并标记采集时间，设置监测周期；基于BP神经网络建立水质污染预测模型，获取指定区域当前监测周期不同时间戳的水质污染预测信息；获取指定区域水质数据信息与水质污染预测信息的偏差值，并对水质污染预测信息进行补偿修正；通过GIS地理数据获取指定区域的地形特征，获取指定区域的各类别污染物的平均浓度、污染物扩散值和主要污染物转移方向；建立关于目标区域的时空特征一体化可视图，并基于时空特征一体化可视图将污染预警信息进行可视化显示，保证了水质监测的时效性，准确性和连续性。

Description

一种基于物联网的水质数据监测方法

技术领域

本发明涉及数据监测技术领域，具体是一种基于物联网的水质数据监测方法。

背景技术

水是生命之源，对人类具有重大意义，对水环境监测是管理与保护水资源的重要手段。我国人口众多，人均水资源紧缺，水污染严重，由水环境受到污染引发的事故也常见于报端，如何高效、实时地获取水环境参数、研究开发水环境监测新方法，已成为水环境管理与保护的一项重要任务，对水环境监测和污染放监控具有重大的意义；随着人们对水环境自动化监测的透明化需求，监测环境日益复杂化的背景下，物联网技术的引入成为解决水环境自动化监测的一种理想方案。

传统的水质数据实时监测面临设备数量多、分布范围广、信息量大和故障排查困难的诸多困难，传统的水质监测方法难以适应现代化发展需求，因此针对水质监测数据采集信息效率低、精度差，无法进行实时动态监测的不足，提出了一种基于物联网的水质全过程监测系统是现阶段亟需解决的问题。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于物联网的水质数据监测方法。

本发明的目的可以通过以下技术方案实现：一种基于物联网的水质数据监测方法，包括以下步骤：

步骤S1：根据需求在指定区域设置与监控中心5G通信连接的数据采集模块，并从监控中心获取指定区域的历史数据信息，根据历史数据信息在数据采集模块内设置若干个传感器终端，并通过数据采集模块内的传感器终端采集指定区域的水质数据信息和环境参数并标记采集时间，设置监测周期；

步骤S2：基于BP神经网络建立水质污染预测模型，获取指定区域当前监测周期不同时间戳的水质污染预测信息；获取指定区域水质数据信息与水质污染预测信息的偏差值，并对水质污染预测信息进行补偿修正；

步骤S3：通过GIS地理数据获取指定区域的地形特征，获取指定区域的各类别污染物的平均浓度、污染物扩散值和污染物转移方向；

步骤S4：建立关于目标区域的时空特征一体化可视图，并基于时空特征一体化可视图将污染预警信息进行可视化显示。

进一步的，通过历史数据信息在数据采集模块内设置若干传感器终端，并通过数据采集模块内的传感器终端采集指定区域的水质数据信息和环境参数并标记采集时间，设置监测周期的过程包括：

选择水质监测区域，并将水质监测区域划分为若干个水质监测子区域；在每个水质监测子区域内安装数据采集模块，数据采集模块从监控中心获取其对应水质监测子区域的历史数据信息，获取历史数据信息中的污染物的类别数量和各类别污染物的数量超标次数，并根据污染物的类别数量和各类别污染物的数量超标次数在每个数据采集模块内设置若干个与各类别污染物相对应的传感器终端，通过每个数据采集模块的传感器终端获取其对应的水质监测子区域内的水质数据信息和环境参数；水质数据信息包括污染物的类别数量和各类别污染物的数量。

进一步的，基于BP神经网络建立水质污染预测模型，获取指定区域当前监测周期不同时间戳的水质污染预测信息的过程包括：

基于BP神经网络建立水质污染预测模型，从监控中心获取水质监测子区域内的历史数据信息，根据历史数据信息中的多个历史监测周期中的不同时间戳的污染物的类别数量和各类别污染物的数量构建历史数据集；通过历史数据集对水质污染预测模型进行训练；将当前监测周期采集时间戳的污染物的类别数量和各类别污染物的数量和环境参数输入训练好的水质污染预测模型，根据水质污染预测模型的输出层获取当前监测周期剩余采集时间戳的水质污染预测信息。

进一步的，获取指定区域水质数据信息与水质污染预测信息的偏差值的过程包括：

设置偏差阈值，获取水质监测子区域内的水质数据信息与水质污染预测信息的各项指标的偏差值，将各项指标的偏差值与各指标对应的偏差阈值进行比较，获取偏差值大于偏差阈值的异常指标数据，并获取异常指标数据的偏差值与偏差阈值的差值绝对值，根据差值绝对值确定异常指标数据当前监测周期剩余时间段的采集间隔，所述差值绝对值越大则采集间隔越小。

进一步的，对水质污染预测信息进行补偿修正的过程包括：

获取历史监测周期中的预测环境参数下的各个水质污染预测信息与历史监测周期中的实际环境参数下的水质数据信息的偏差值，根据所述偏差值获得关于不同环境参数的补偿参数；当水质监测子区域内存在异常指标数据时，则获取当前监测周期中实际环境参数下与预测环境参数之间的补偿参数，对当前监测周期剩余时间段的水质污染预测信息进行补偿参数调整。

进一步的，获取指定区域的各类别污染物的平均浓度和污染物扩散值的过程包括：

通过GIS地理数据获取水质监测子区域的覆盖面积和平均深度，根据水质监测子区域的覆盖面积和平均深度、当前监测周期的污染物的类别数量和各类别污染物的数量获得水质监测子区域的各类别污染物的平均浓度，并根据水质监测子区域的覆盖面积和平均深度、各类别污染物的平均浓度获得水质监测子区域的各类别污染物的污染物扩散值。

进一步的，通过GIS地理数据获取指定区域的地形特征，获取指定区域的各类别污染物的污染物转移方向的过程包括：

根据水质监测区域内的地形特征获取各水质监测子区域的海拔高度，按照各水质监测子区域的海拔高度大小由高到低的顺序为各水质监测子区域设置优先级；设置各类别污染物的污染物扩散阈值，当水质监测子区域的各类别污染物的污染物扩散值大于对应类别污染物的污染物扩散阈值时，获取水质监测子区域内相邻水质监测子区域的优先级，当相邻水质监测子区域的优先级的小于水质监测子区域内的优先级时，在该相邻水质监测子区域建立污染类别扩散指示物，并将水质监测子区域当前时间戳的各类别污染物扩散值叠加至相邻水质监测子区域并更新相邻水质监测子区域的各类别污染物的污染物扩散值，并在相邻水质监测子区域重复上述污染类别扩散指示物建立过程；将包括污染类别扩散指示物的水质监测子区域连接并将其标记为该类别污染物的污染物转移方向。

进一步的，建立关于目标区域的时空特征一体化可视图，并基于时空特征一体化可视图将污染预警信息进行可视化显示的过程包括：

通过GIS地理数据建立关于所有水质监测子区域的平面图，建立二维坐标系，将平面图映射至二维坐标系内得到基础位置图层；

获取当前监测周期内每个水质监测子区域的各类别污染物的污染物转移方向，并根据每个水质监测子区域的各类别污染物的污染物转移方向轨迹建立动态轨迹图层；

获取由水质污染预测模型预测的当前监测周期的水质污染预测信息，根据当前监测周期的水质污染预测信息获得各类别水质污染数据时序队列，根据各类别水质污染数据时序队列得到时间数据图层；

以基础位置图层为底层，在所述基础位置图层上叠加所述动态轨迹图层和时间数据图层，得到当前监测周期关于水质监测区域的时空特征一体化可视图；

设置各类别污染物的平均浓度阈值，基于时空特征一体化可视图获取时间数据图层当前时间戳各水质监测子区域的各类别污染物的平均浓度，判断所述水质监测子区域的各类别污染物的平均浓度是否大于当前时间戳对应的各类别污染物的平均浓度阈值，若大于，则获取污染浓度偏差值，根据所述污染浓度偏差值获取对应预警等级与所述水质监测子区域进行匹配，并将其标记为预警区域；

并返回动态轨迹图层，基于该预警区域的各类别污染物的污染物转移方向轨迹，获取其主要污染物转移方向轨迹经过的未预警区域，结合预警区域的各类别污染物的污染物扩散值、未预警区域的各类别污染物的污染物扩散值和时间数据图层获取未污染区域的污染物到达时间和对应的预警等级。

与现有技术相比，本发明的有益效果是：基于BP神经网络建立水质污染预测模型，获取指定区域当前监测周期不同时间戳的水质污染预测信息，进行各监测区域的水质污染预警，并将各监视区域的位置信息，污染物移动轨迹和各类别水质污染数据时序队列相叠加获得监测区域的时空特征一体化可视图，实现的污染信息的时间特征、空间特征和动态特征的可视化，保证了水质监测的时效性，准确性和连续性。

附图说明

图1为本申请实施例的一种基于物联网的水质数据监测方法的原理图。

具体实施方式

下面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、完整的描述，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。基于本申请中的实施例，本领域技术人员在没有做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。

如图1所示，一种基于物联网的水质数据监测方法，包括以下步骤：

步骤S1：根据需求在指定区域设置与监控中心5G通信连接的数据采集模块，并从监控中心获取指定区域的历史数据信息，根据历史数据信息在数据采集模块内设置若干个传感器终端，并通过数据采集模块内的传感器终端采集指定区域的水质数据信息和环境参数并标记采集时间，设置监测周期；

步骤S2：基于BP神经网络建立水质污染预测模型，获取指定区域当前监测周期不同时间戳的水质污染预测信息；获取指定区域水质数据信息与水质污染预测信息的偏差值，并对水质污染预测信息进行补偿修正；

步骤S3：通过GIS地理数据获取指定区域的地形特征，获取指定区域的各类别污染物的平均浓度、污染物扩散值和污染物转移方向；

步骤S4：建立关于目标区域的时空特征一体化可视图，并基于时空特征一体化可视图将污染预警信息进行可视化显示。

需要进一步说明的是，在具体实施过程中，通过历史数据信息在数据采集模块内设置若干传感器终端，并通过数据采集模块内的传感器终端采集指定区域的水质数据信息和环境参数并标记采集时间，设置监测周期的过程包括：

选择水质监测区域，并将水质监测区域划分为若干个水质监测子区域；在每个水质监测子区域内安装数据采集模块，数据采集模块从监控中心获取其对应水质监测子区域的历史数据信息，获取历史数据信息中的污染物的类别数量和各类别污染物的数量超标次数，并根据污染物的类别数量和各类别污染物的数量超标次数在每个数据采集模块内设置若干个与各类别污染物相对应的传感器终端，通过每个数据采集模块的传感器终端获取其对应的水质监测子区域内的水质数据信息和环境参数；水质数据信息包括污染物的类别数量和各类别污染物的数量。

需要进一步说明的是，在具体实施过程中，基于BP神经网络建立水质污染预测模型，获取指定区域当前监测周期不同时间戳的水质污染预测信息的过程包括：

基于BP神经网络建立水质污染预测模型，从监控中心获取水质监测子区域内的历史数据信息，根据历史数据信息中的多个历史监测周期中的不同时间戳的污染物的类别数量和各类别污染物的数量构建历史数据集；通过历史数据集对水质污染预测模型进行训练；将当前监测周期采集时间戳的污染物的类别数量和各类别污染物的数量和环境参数输入训练好的水质污染预测模型，根据水质污染预测模型的输出层获取当前监测周期剩余采集时间戳的水质污染预测信息。

需要进一步说明的是，在具体实施过程中，获取指定区域水质数据信息与水质污染预测信息的偏差值的过程包括：

设置偏差阈值，获取水质监测子区域内的水质数据信息与水质污染预测信息的各项指标的偏差值，将各项指标的偏差值与各指标对应的偏差阈值进行比较，获取偏差值大于偏差阈值的异常指标数据，并获取异常指标数据的偏差值与偏差阈值的差值绝对值，根据差值绝对值确定异常指标数据当前监测周期剩余时间段的采集间隔，所述差值绝对值越大则采集间隔越小。

需要进一步说明的是，在具体实施过程中，对水质污染预测信息进行补偿修正的过程包括：

获取历史监测周期中的预测环境参数下的各个水质污染预测信息与历史监测周期中的实际环境参数下的水质数据信息的偏差值，根据所述偏差值获得关于不同环境参数的补偿参数；当水质监测子区域内存在异常指标数据时，则获取当前监测周期中实际环境参数下与预测环境参数之间的补偿参数，对当前监测周期剩余时间段的水质污染预测信息进行补偿参数调整。

需要进一步说明的是，在具体实施过程中，获取指定区域的各类别污染物的平均浓度和污染物扩散值的过程包括：

通过GIS地理数据获取水质监测子区域的覆盖面积和平均深度，根据水质监测子区域的覆盖面积和平均深度、当前监测周期的污染物的类别数量和各类别污染物的数量获得水质监测子区域的各类别污染物的平均浓度，并根据水质监测子区域的覆盖面积和平均深度、各类别污染物的平均浓度获得水质监测子区域的各类别污染物的污染物扩散值。

需要进一步说明的是，在具体实施过程中，获取水质监测子区域的各类别污染物的平均浓度XY_jj的公式为：

XY_ij＝HC_j*a1+KR_j*a2+P_ij*a3+N_j*a4

其中XY_ij为第j个水质监测子区域第i类污染物的平均浓度；HC_j为第j个水质监测子区域的覆盖面积；KR_j为水质监测子区域的平均深度；P_ij为第j个水质监测子区域第i类污染物的数量；N_j表示第j个水质监测子区域的所有污染物的类别数量；a1为第j个水质监测子区域的覆盖面积的权重因子；a2为水质监测子区域的平均深度的权重因子；a3为第j个水质监测子区域第i类污染物的数量的权重因子；a4为第j个水质监测子区域的所有污染物的类别数量的权重因子；i表示为污染物的类别编号；j表示为水质监测子区域的编号；

需要进一步说明的是，在具体实施过程中，通过GIS地理数据获取指定区域的地形特征，获取指定区域的各类别污染物的污染物转移方向的过程包括：

根据水质监测区域内的地形特征获取各水质监测子区域的海拔高度，按照各水质监测子区域的海拔高度大小由高到低的顺序为各水质监测子区域设置优先级；设置各类别污染物的污染物扩散阈值，当水质监测子区域的各类别污染物的污染物扩散值大于对应类别污染物的污染物扩散阈值时，获取水质监测子区域内相邻水质监测子区域的优先级，当相邻水质监测子区域的优先级的小于水质监测子区域内的优先级时，在该相邻水质监测子区域建立污染类别扩散指示物，并将水质监测子区域当前时间戳的各类别污染物扩散值叠加至相邻水质监测子区域并更新相邻水质监测子区域的各类别污染物的污染物扩散值，并在相邻水质监测子区域重复上述污染类别扩散指示物建立过程；将包括污染类别扩散指示物的水质监测子区域连接并将其标记为该类别污染物的污染物转移方向。

需要进一步说明的是，在具体实施过程中，建立关于目标区域的时空特征一体化可视图，并基于时空特征一体化可视图将污染预警信息进行可视化显示的过程包括：

通过GIS地理数据建立关于所有水质监测子区域的平面图，建立二维坐标系，将平面图映射至二维坐标系内得到基础位置图层；

获取当前监测周期内每个水质监测子区域的各类别污染物的污染物转移方向，并根据每个水质监测子区域的各类别污染物的污染物转移方向轨迹建立动态轨迹图层；

获取由水质污染预测模型预测的当前监测周期的水质污染预测信息，根据当前监测周期的水质污染预测信息获得各类别水质污染数据时序队列，根据各类别水质污染数据时序队列得到时间数据图层；

以基础位置图层为底层，在所述基础位置图层上叠加所述动态轨迹图层和时间数据图层，得到当前监测周期关于水质监测区域的时空特征一体化可视图；

设置各类别污染物的平均浓度阈值，基于时空特征一体化可视图获取时间数据图层当前时间戳各水质监测子区域的各类别污染物的平均浓度，判断所述水质监测子区域的各类别污染物的平均浓度是否大于当前时间戳对应的各类别污染物的平均浓度阈值，若大于，则获取污染浓度偏差值，根据所述污染浓度偏差值获取对应预警等级与所述水质监测子区域进行匹配，并将其标记为预警区域；

并返回动态轨迹图层，基于该预警区域的各类别污染物的污染物转移方向轨迹，获取其主要污染物转移方向轨迹经过的未预警区域，结合预警区域的各类别污染物的污染物扩散值、未预警区域的各类别污染物的污染物扩散值和时间数据图层获取未污染区域的污染物到达时间和对应的预警等级。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (1)

1.一种基于物联网的水质数据监测方法，其特征在于，包括以下步骤：

步骤S1：根据需求在指定区域设置与监控中心5G通信连接的数据采集模块，并从监控中心获取指定区域的历史数据信息，根据历史数据信息在数据采集模块内设置若干个传感器终端，并通过数据采集模块内的传感器终端采集指定区域的水质数据信息和环境参数并标记采集时间，设置监测周期；

通过历史数据信息在数据采集模块内设置若干传感器终端，并通过数据采集模块内的传感器终端采集指定区域的水质数据信息和环境参数并标记采集时间，设置监测周期的过程包括：

选择水质监测区域，并将水质监测区域划分为若干个水质监测子区域；在每个水质监测子区域内安装数据采集模块，数据采集模块从监控中心获取其对应水质监测子区域的历史数据信息，获取历史数据信息中的污染物的类别数量和各类别污染物的数量超标次数，并根据污染物的类别数量和各类别污染物的数量超标次数在每个数据采集模块内设置若干个与各类别污染物相对应的传感器终端，通过每个数据采集模块的传感器终端获取其对应的水质监测子区域内的水质数据信息和环境参数；水质数据信息包括污染物的类别数量和各类别污染物的数量；

步骤S2：基于BP神经网络建立水质污染预测模型，获取指定区域当前监测周期不同时间戳的水质污染预测信息；获取指定区域水质数据信息与水质污染预测信息的偏差值，并对水质污染预测信息进行补偿修正；

基于BP神经网络建立水质污染预测模型，获取指定区域当前监测周期不同时间戳的水质污染预测信息的过程包括：

基于BP神经网络建立水质污染预测模型，从监控中心获取水质监测子区域内的历史数据信息，根据历史数据信息中的多个历史监测周期中的不同时间戳的污染物的类别数量和各类别污染物的数量构建历史数据集；通过历史数据集对水质污染预测模型进行训练；将当前监测周期采集时间戳的污染物的类别数量和各类别污染物的数量和环境参数输入训练好的水质污染预测模型，根据水质污染预测模型的输出层获取当前监测周期剩余采集时间戳的水质污染预测信息；

获取指定区域水质数据信息与水质污染预测信息的偏差值的过程包括：

设置偏差阈值，获取水质监测子区域内的水质数据信息与水质污染预测信息的各项指标的偏差值，将各项指标的偏差值与各指标对应的偏差阈值进行比较，获取偏差值大于偏差阈值的异常指标数据，并获取异常指标数据的偏差值与偏差阈值的差值绝对值，根据差值绝对值确定异常指标数据当前监测周期剩余时间段的采集间隔，所述差值绝对值越大则采集间隔越小；

对水质污染预测信息进行补偿修正的过程包括：

获取历史监测周期中的预测环境参数下的各个水质污染预测信息与历史监测周期中的实际环境参数下的水质数据信息的偏差值，根据所述偏差值获得关于不同环境参数的补偿参数；当水质监测子区域内存在异常指标数据时，则获取当前监测周期中实际环境参数下与预测环境参数之间的补偿参数，对当前监测周期剩余时间段的水质污染预测信息进行补偿参数调整；

步骤S3：通过GIS地理数据获取指定区域的地形特征，获取指定区域的各类别污染物的平均浓度、污染物扩散值和污染物转移方向；

获取指定区域的各类别污染物的平均浓度和污染物扩散值的过程包括：

通过GIS地理数据获取水质监测子区域的覆盖面积和平均深度，根据水质监测子区域的覆盖面积和平均深度、当前监测周期的污染物的类别数量和各类别污染物的数量获得水质监测子区域的各类别污染物的平均浓度，并根据水质监测子区域的覆盖面积和平均深度、各类别污染物的平均浓度获得水质监测子区域的各类别污染物的污染物扩散值；

通过GIS地理数据获取指定区域的地形特征，获取指定区域的各类别污染物的污染物转移方向的过程包括：

根据水质监测区域内的地形特征获取各水质监测子区域的海拔高度，按照各水质监测子区域的海拔高度大小由高到低的顺序为各水质监测子区域设置优先级；设置各类别污染物的污染物扩散阈值，当水质监测子区域的各类别污染物的污染物扩散值大于对应类别污染物的污染物扩散阈值时，获取水质监测子区域内相邻水质监测子区域的优先级，当相邻水质监测子区域的优先级的小于水质监测子区域内的优先级时，在该相邻水质监测子区域建立污染类别扩散指示物，并将水质监测子区域当前时间戳的各类别污染物扩散值叠加至相邻水质监测子区域并更新相邻水质监测子区域的各类别污染物的污染物扩散值，并在相邻水质监测子区域重复上述污染类别扩散指示物建立过程；将包括污染类别扩散指示物的水质监测子区域连接并将其标记为该类别污染物的污染物转移方向；

步骤S4：建立关于目标区域的时空特征一体化可视图，并基于时空特征一体化可视图将污染预警信息进行可视化显示；

建立关于目标区域的时空特征一体化可视图，并基于时空特征一体化可视图将污染预警信息进行可视化显示的过程包括：

通过GIS地理数据建立关于所有水质监测子区域的平面图，建立二维坐标系，将平面图映射至二维坐标系内得到基础位置图层；

获取当前监测周期内每个水质监测子区域的各类别污染物的污染物转移方向，并根据每个水质监测子区域的各类别污染物的污染物转移方向轨迹建立动态轨迹图层；

获取由水质污染预测模型预测的当前监测周期的水质污染预测信息，根据当前监测周期的水质污染预测信息获得各类别水质污染数据时序队列，根据各类别水质污染数据时序队列得到时间数据图层；

以基础位置图层为底层，在所述基础位置图层上叠加所述动态轨迹图层和时间数据图层，得到当前监测周期关于水质监测区域的时空特征一体化可视图；

设置各类别污染物的平均浓度阈值，基于时空特征一体化可视图获取时间数据图层当前时间戳各水质监测子区域的各类别污染物的平均浓度，判断所述水质监测子区域的各类别污染物的平均浓度是否大于当前时间戳对应的各类别污染物的平均浓度阈值，若大于，则获取污染浓度偏差值，根据所述污染浓度偏差值获取对应预警等级与所述水质监测子区域进行匹配，并将其标记为预警区域；

并返回动态轨迹图层，基于该预警区域的各类别污染物的污染物转移方向轨迹，获取其主要污染物转移方向轨迹经过的未预警区域，结合预警区域的各类别污染物的污染物扩散值、未预警区域的各类别污染物的污染物扩散值和时间数据图层获取未污染区域的污染物到达时间和对应的预警等级。