CN116609500B - 一种基于物联网的水质数据监测方法 - Google Patents
一种基于物联网的水质数据监测方法 Download PDFInfo
- Publication number
- CN116609500B CN116609500B CN202310646217.9A CN202310646217A CN116609500B CN 116609500 B CN116609500 B CN 116609500B CN 202310646217 A CN202310646217 A CN 202310646217A CN 116609500 B CN116609500 B CN 116609500B
- Authority
- CN
- China
- Prior art keywords
- water quality
- pollutant
- acquiring
- data
- monitoring
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 235
- 238000012544 monitoring process Methods 0.000 title claims abstract description 200
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 164
- 231100000719 pollutant Toxicity 0.000 claims abstract description 164
- 238000009792 diffusion process Methods 0.000 claims abstract description 40
- 230000007613 environmental effect Effects 0.000 claims abstract description 22
- 238000012546 transfer Methods 0.000 claims abstract description 22
- 230000000007 visual effect Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 239000000356 contaminant Substances 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000003911 water pollution Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000011109 contamination Methods 0.000 claims 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- 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
- 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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
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
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XYjj的公式为:
XYij=HCj*a1+KRj*a2+Pij*a3+Nj*a4
其中XYij为第j个水质监测子区域第i类污染物的平均浓度;HCj为第j个水质监测子区域的覆盖面积;KRj为水质监测子区域的平均深度;Pij为第j个水质监测子区域第i类污染物的数量;Nj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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310646217.9A CN116609500B (zh) | 2023-06-02 | 2023-06-02 | 一种基于物联网的水质数据监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310646217.9A CN116609500B (zh) | 2023-06-02 | 2023-06-02 | 一种基于物联网的水质数据监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116609500A CN116609500A (zh) | 2023-08-18 |
CN116609500B true CN116609500B (zh) | 2023-12-22 |
Family
ID=87679833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310646217.9A Active CN116609500B (zh) | 2023-06-02 | 2023-06-02 | 一种基于物联网的水质数据监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116609500B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117007762B (zh) * | 2023-09-21 | 2023-12-29 | 南通香境生物医药科技有限公司 | 一种基于数据可视化的多水域水质监测方法 |
CN117630309A (zh) * | 2023-10-17 | 2024-03-01 | 水利部珠江水利委员会水文局 | 一种河道水质智能监测方法及系统 |
CN117361757B (zh) * | 2023-12-07 | 2024-02-20 | 山东昆仲信息科技有限公司 | 一种水库大水面污染治理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868533A (zh) * | 2016-03-23 | 2016-08-17 | 四川理工学院 | 基于物联网和3s技术江河流域水环境集成感知与应用方法 |
CN112734694A (zh) * | 2020-12-19 | 2021-04-30 | 闫耀伟 | 一种基于大数据的水质监测方法 |
CN115239070A (zh) * | 2022-06-23 | 2022-10-25 | 邵芹 | 一种流域水环境有机污染物监测全过程质控指标评价系统 |
CN116109462A (zh) * | 2023-04-11 | 2023-05-12 | 乐百氏(广东)饮用水有限公司 | 一种自然灾害后饮水水源地污染监测预警方法及系统 |
CN116168771A (zh) * | 2023-04-26 | 2023-05-26 | 北京建工环境修复股份有限公司 | 一种基于物联网的河流中全氟化合物污染监测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160202228A1 (en) * | 2015-01-08 | 2016-07-14 | International Business Machines Corporation | Water quality monitoring and early event detection |
-
2023
- 2023-06-02 CN CN202310646217.9A patent/CN116609500B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868533A (zh) * | 2016-03-23 | 2016-08-17 | 四川理工学院 | 基于物联网和3s技术江河流域水环境集成感知与应用方法 |
CN112734694A (zh) * | 2020-12-19 | 2021-04-30 | 闫耀伟 | 一种基于大数据的水质监测方法 |
CN115239070A (zh) * | 2022-06-23 | 2022-10-25 | 邵芹 | 一种流域水环境有机污染物监测全过程质控指标评价系统 |
CN116109462A (zh) * | 2023-04-11 | 2023-05-12 | 乐百氏(广东)饮用水有限公司 | 一种自然灾害后饮水水源地污染监测预警方法及系统 |
CN116168771A (zh) * | 2023-04-26 | 2023-05-26 | 北京建工环境修复股份有限公司 | 一种基于物联网的河流中全氟化合物污染监测方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于物联网的水环境在线监测系统的研发;王化建 等;《电子技术》;46-49 * |
Also Published As
Publication number | Publication date |
---|---|
CN116609500A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116609500B (zh) | 一种基于物联网的水质数据监测方法 | |
GB2572717A (en) | Method for detecting traffic anomaly of urban road | |
CN112418609A (zh) | 一种基于面-网格-点的大气二次污染精准溯源方法 | |
CN112734694A (zh) | 一种基于大数据的水质监测方法 | |
CN102116639A (zh) | 一种对电子地图的交通限制信息自动校验的方法与装置 | |
CN110146789B (zh) | 一种智能运检通报方法及装置 | |
CN110738354B (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
CN111967624A (zh) | 一种基于大数据的立体停车设备故障评估系统 | |
CN111784022B (zh) | 一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法 | |
CN110514255A (zh) | 汽车排放量检测方法及其检测系统 | |
CN112182137A (zh) | 一种基于 gis 地图的网格化监管系统 | |
CN114661744B (zh) | 一种基于深度学习的地形数据库更新方法及系统 | |
CN112906941A (zh) | 面向动态相关空气质量时间序列的预测方法及系统 | |
CN117538503A (zh) | 一种实时智能的土壤污染监测系统及方法 | |
CN117061170B (zh) | 一种基于特征选择的智能制造工业大数据分析方法 | |
CN111680888B (zh) | 基于rfid数据确定路网容量的方法 | |
CN112188478A (zh) | 基于大数据分析的常驻人口数据采集方法 | |
CN115439007A (zh) | 基于工业互联网的水电状态检修系统 | |
CN112561121B (zh) | 基于手机信令数据的复工趋势预测方法及系统 | |
CN116008697A (zh) | 雷电脉冲数据电磁场一致性质控方法、装置、设备及介质 | |
CN114943288A (zh) | 大气颗粒物污染源空间分布监测方法 | |
CN114444796A (zh) | 一种基于图神经网络的跨区域空气污染预测方法及系统 | |
CN110515961B (zh) | 一种基于时空大数据的基础地理信息更新需求评价方法 | |
CN114419749A (zh) | 一种基于定位坐标的光伏电站运维人员工作量化系统 | |
CN114819501B (zh) | 一种公路交通气象物联网多源异构数据处理方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |