CN116629643B - 一种基于数据融合的污染地块地下水评估方法 - Google Patents
一种基于数据融合的污染地块地下水评估方法 Download PDFInfo
- Publication number
- CN116629643B CN116629643B CN202310905584.6A CN202310905584A CN116629643B CN 116629643 B CN116629643 B CN 116629643B CN 202310905584 A CN202310905584 A CN 202310905584A CN 116629643 B CN116629643 B CN 116629643B
- Authority
- CN
- China
- Prior art keywords
- model
- groundwater
- pollution
- evaluation
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 79
- 239000003673 groundwater Substances 0.000 title claims abstract description 66
- 230000004927 fusion Effects 0.000 title claims abstract description 27
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 26
- 238000003895 groundwater pollution Methods 0.000 claims abstract description 26
- 231100000719 pollutant Toxicity 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000036541 health Effects 0.000 claims abstract description 17
- 238000009792 diffusion process Methods 0.000 claims abstract description 15
- 238000013210 evaluation model Methods 0.000 claims abstract description 12
- 238000013508 migration Methods 0.000 claims abstract description 12
- 230000005012 migration Effects 0.000 claims abstract description 12
- 238000003911 water pollution Methods 0.000 claims abstract description 10
- 239000000356 contaminant Substances 0.000 claims description 29
- 238000005070 sampling Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 230000035515 penetration Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 239000002689 soil Substances 0.000 claims description 7
- 230000003204 osmotic effect Effects 0.000 claims description 6
- 230000000149 penetrating effect Effects 0.000 claims description 6
- 230000037396 body weight Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 239000012466 permeate Substances 0.000 claims description 3
- 231100000175 potential carcinogenicity Toxicity 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000001179 sorption measurement Methods 0.000 claims description 3
- 230000002277 temperature effect Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000035699 permeability Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000009933 burial Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000004927 clay Substances 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种基于数据融合的污染地块地下水评估方法，涉及地下水评估技术领域，包括定时定量采集待测区域地下水的参数及水文地质情况；根据采集的数据，构建地下水污染模型，所述地下水污染模型包括污染物负荷模型、对流扩散模型和健康风险评价模型；当地下水污染模型建立完成后，通过RMSE对模型进行准确性验证；根据所述地下水污染模型，形成综合评估指标；对综合评估指标的分析和分类，得出评估结果。本发明所述方法本发明综合考虑了污染源与环境敏感点的相对位置、污染物自污染源迁移至环境敏感目标的迁移行为，提出了分层次的地下水污染评估方法，评估效果更好且更加准确。
Description
技术领域
本发明涉及地下水评估技术领域，特别是一种基于数据融合的污染地块地下水评估方法。
背景技术
地下水的污染评估是水文地质研究和环境管理的重要内容。现有的技术包括各种直接和间接的测量方法，以及数据分析和模型预测等工具，用于量化地下水的污染程度和识别污染源。
基于数据融合的地下水评估方法通常依赖于地下水水位变量的设置，能够根据基准年地下水平均埋深和评价年地下水平均埋深的差值计算出地下水埋深的改变量。然后，排除评价年内降水引起的地下水位变化的影响，再将得到的结果除以评价年和基准年之间的年份差，得到评价年到基准年之间的年平均地下水位变化量。这种方法可以很好地反映地下水位的长期变化，但在对具体污染状况的定量和定性评估方面可能需要额外的工具和方法。
对于地下水质量的评估，一种常用方法是使用各地对水质的检测获取的水质分类结果，然后将这些结果化为定量的数据，代入成效指标评估公式中去，从而将水质的改变纳入到通用成效指标的评估中去。这种方法可以考虑多种污染物和污染源，但可能没有充分考虑污染物在地下水中的迁移行为和环境敏感点的风险。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有的基于数据融合的污染地块地下水评估方法中存在的问题，提出了本发明。
因此，本发明所要解决的问题在于如何提供一种基于数据融合的污染地块地下水评估方法。
为解决上述技术问题，本发明提供如下技术方案：一种基于数据融合的污染地块地下水评估方法，其包括，定时定量采集待测区域地下水的参数及水文地质情况；根据采集的数据，构建地下水污染模型，所述地下水污染模型包括污染物负荷模型、对流扩散模型和健康风险评价模型；当地下水污染模型建立完成后，通过RMSE对模型进行准确性验证；根据所述地下水污染模型，形成综合评估指标；根据所述综合评估指标，得出评估结果。
作为本发明所述基于数据融合的污染地块地下水评估方法的一种优选方案，其中：在构建水污染模型时，在污染源层次、迁移行为层次和环境敏感点层次分别构建模型，其中，在污染源层次构建污染物负荷模型，模型公式如下，
式中，L为污染负荷，L1为径流携带的污染物，L2为通过渗透进入地下的污染物，C1是径流携带的污染物浓度，C2是渗透进入地下的污染物浓度，是渗透流量，是径流量，A1是径流流域面积，A2是渗透流域面积，kS是土壤类型对渗透的影响参数，fGW(GW)是地下水位对渗透的影响函数，/>，/>是地下水位系数，为常数，GW是地下水位深度，fT(T)是温度对渗透的影响函数，，式中，/>为常数，/>为渗透源所在区域的温度，/>为地下水所在区域的温度，/>为渗透距离。
作为本发明所述基于数据融合的污染地块地下水评估方法的一种优选方案，其中：在确定径流携带的污染物浓度C1时，通过如下公式进行计算，
式中， M 为采样点个数，代表采样点j在时间t的污染物浓度，H代表采样次数；
在确定渗透进入地下的污染物浓度C2时，设定个数为N1个，每个采样点有D个深度层，每个深度层d在Y个时间段进行采样，通过如下公式进行计算，
式中，代表采样点/>在深度 d 和时间y的污染物浓度，/>代表采样点/> 在所有深度层的平均污染物浓度。
作为本发明所述基于数据融合的污染地块地下水评估方法的一种优选方案，其中：在迁移行为层次构建对流扩散模型，模型公式如下，
式中，D为扩散系数，C为污染物浓度，C=C1+C2，V为流速，为吸附系数，k为降解率，/>为与污染源之间的距离；
在环境敏感点层次构建健康风险评价模型，模型公式如下，
式中，HR为健康风险，C为污染物浓度，C=C1+C2，IR为摄入率，EF为暴露频率，ED为暴露持续时间，BW为体重，AT为平均暴露时间，SF为针对特定污染物的潜在致癌性的斜率因子。
作为本发明所述基于数据融合的污染地块地下水评估方法的一种优选方案，其中：当地下水污染模型建立完成后，通过RMSE对模型准确性，计算公式如下，
式中，Pi是模型预测值，Oi是实际观测值，是数据点的数量；
当RMSE的值在0.1到1之间时，代表建立的地下水污染模型符合要求，不需要修改，当RMSE的值大于1时，代表建立的地下水污染模型不符合要求，需要重新收集数据并建立模型。
作为本发明所述基于数据融合的污染地块地下水评估方法的一种优选方案，其中：根据所述地下水污染模型，形成综合评估指标包括，
将采集的待测区域地下水的数据代入各个模型中，得出原始数据；
对所述原始数据进行标准化处理；
通过综合评估指标计算公式计算出综合评估指标。
作为本发明所述基于数据融合的污染地块地下水评估方法的一种优选方案，其中：所述综合评估指标计算公式为，
式中，I是综合评估指标，w1, w2,w3是各个指标的权重，w1+w2+w3=1，Z1为污染物负荷模型经过标准化处理后得到的指标，Z2为对流扩散模型经过标准化处理后得到的指标、Z3为健康风险评价模型经过标准化处理后得到的指标。
作为本发明所述基于数据融合的污染地块地下水评估方法的一种优选方案，其中：所述评估结果包括，当I≥0.5时，评估结果为高风险；当0.5＞I≥0时，评估结果为中等风险；当I＜0时，评估结果为低风险。
作为本发明所述基于数据融合的污染地块地下水评估方法的一种优选方案，其中：所述地下水的参数包括地下水水位、流速、pH、离子浓度、污染物浓度、流量和流域面积。
作为本发明所述基于数据融合的污染地块地下水评估方法的一种优选方案，其中：所述水文地质情况包括土壤类型、地层厚度和地下水流向。
本发明有益效果为：分别针对污染源、迁移行为和环境敏感点构建模型。通过这种分层次的方法，可以更细致地理解和评估地下水的污染状况。在污染源层次，通过构建污染物负荷模型，可以更准确地评估污染源的强度和影响。在迁移行为层次，通过构建对流扩散模型，可以更准确地理解和量化污染物从源头到环境敏感点的迁移过程。在环境敏感点层次，通过构建健康风险评价模型，可以更准确地确定和评估受污染风险的区域。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为基于数据融合的污染地块地下水评估方法的概念示意图；
图2为基于数据融合的污染地块地下水评估方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1和图2，为本发明第一个实施例，该实施例提供了一种基于数据融合的污染地块地下水评估方法，基于数据融合的污染地块地下水评估方法如下步骤：
S1、定时定量采集待测区域地下水的参数及水文地质情况，地下水的参数包括地下水水位、流速、pH、离子浓度、污染物浓度、流量和流域面积，水文地质情况包括土壤类型、地层厚度和地下水流向。
S2、根据采集的数据，构建地下水污染模型，所述地下水污染模型包括污染物负荷模型、对流扩散模型和健康风险评价模型。
在构建水污染模型时，在污染源层次、迁移行为层次和环境敏感点层次分别构建模型，其中，污染源层次的模型主要是为了评估污染源的强度，在污染源层次构建污染物负荷模型，模型公式如下，
式中，L为污染负荷，L1为径流携带的污染物，L2为通过渗透进入地下的污染物，C1是径流携带的污染物浓度，C2是渗透进入地下的污染物浓度，是渗透流量，是径流量，A1是径流流域面积，A2是渗透流域面积，kS是土壤类型对渗透的影响参数，fGW(GW)是地下水位对渗透的影响函数，/>，/>是地下水位系数，为常数，GW是地下水位深度，fT(T)是温度对渗透的影响函数，，式中，/>为常数，/>为渗透源所在区域的温度，/>为地下水所在区域的温度，/>为渗透距离。
需要注意的是，不同的土壤类型，对渗透的影响截然不同，粘土的渗透率非常低，kS取值为1x10-7m/s。因为粘土的颗粒非常小，空间非常紧密，不易让水流通过。壤土渗透率的中等，kS取值为1x10-4m/s。砂土的渗透率较高，kS取值为1x10-3m/s，这是因为砂土的颗粒较大，空间较松散，水流可以较容易地通过。砾石的渗透率非常高，可以达到 1x10-2m/s。
在确定径流携带的污染物浓度C1时，通过如下公式进行计算，
式中， M 为采样点个数，C1,j,t代表采样点j在时间t的污染物浓度，H代表采样次数。
在确定渗透进入地下的污染物浓度C2时，设定个数为N1个，每个采样点有D个深度层，每个深度层d在Y个时间段进行采样，通过如下公式进行计算，
式中，代表采样点/>在深度 d 和时间y的污染物浓度，/>代表采样点/>在所有深度层的平均污染物浓度。
在迁移行为层次构建对流扩散模型，模型公式如下，
式中，D为扩散系数，C微污染物浓度，C=C1+C2，V为流速，为吸附系数，k为降解率，/>为与污染源之间的距离；
在环境敏感点层次构建健康风险评价模型，模型公式如下，
式中，HR为健康风险，表示为可能发生不良健康事件的概率，C为水源中的污染物浓度，C=C1+C2，IR为摄入率，其为每天摄入的水量（升/天），一般取值为2~4，EF为暴露频率，即在一年中暴露的天数，ED为暴露持续时间，即暴露的总年数，BW为体重，AT为平均暴露时间，通常为70年，SF为针对特定污染物的潜在致癌性的斜率因子。
S3、当地下水污染模型建立完成后，通过RMSE对模型准确性，计算公式如下，
式中，Pi是模型预测值，Oi是实际观测值，是数据点的数量；
当RMSE的值在0.1到1之间时，代表建立的地下水污染模型符合要求，不需要修改，当RMSE的值大于1时，代表建立的地下水污染模型不符合要求，需要重新收集数据并建立模型。
S4、根据所述地下水污染模型，形成综合评估指标，具体包括如下步骤，
S41将采集的待测区域地下水的数据代入各个模型中，得出原始数据；
S42对所述原始数据进行标准化处理；
S43通过综合评估指标计算公式计算出综合评估指标。
标准化处理的过程包括，
计算原始数据的均值μ和标准差σ，计算公式为，
式中，为第i次通过所述地下水污染模型计算后得到的原始数据，/>为所述地下水污染模型中单个模型的计算次数；
对数据进行标准化处理，计算公式为，
式中，为通过所述地下水污染模型计算后得到的原始数据。
综合评估指标计算公式为，
式中，I是综合评估指标，w1, w2,w3是各个指标的权重，w1+w2+w3=1，一般情况下，w1取值为5.2，w2取值为2.8，w3取值为2，Z1为污染物负荷模型经过标准化处理后得到的指标，Z2为对流扩散模型经过标准化处理后得到的指标，Z3为健康风险评价模型经过标准化处理后得到的指标。
S5、根据所述综合评估指标，得出评估结果，其中评估结果包括，
当I≥0.5时，评估结果为高风险；
当0.5＞I≥0时，评估结果为中等风险；
当I＜0时，评估结果为低风险。
综上所述，本发明通过构建污染物负荷模型、对流扩散模型和健康风险评价模型，更全面、系统地考虑了污染物的来源、迁移行为和对环境及健康的影响，并采用RMSE进行模型准确性验证，确保了模型预测结果的精确性和准确性。若模型不符合要求，将重新收集数据并建立模型，以确保模型的准确性。在计算综合评估指标时，通过设定不同的权重，可针对不同的污染地块进行个性化评估，从而更好地满足实际需要，将复杂的地下水污染问题简化为综合评估指标，使得非专业人士也能够理解，可对长期的地下水污染进行评估和监测，有助于实现持续性的地下水污染防治。
实施例2
为本发明的一个实施例，提供了一种基于数据融合的污染地块地下水评估方法，为了验证本发明的有益效果，通过仿真实验进行科学论证。
首先通过采集数据，得到了2022年4月广东省某县污染地块地下水的数据情况，部分数据如表1所示：
表1 广东省某县污染地块地下水的数据
由上述数据，得到综合评估指标如表2所示。
表2 综合评估指标
观察表2可知，该地区综合评估指标低于0.5，属于中等风险区域，并且基于3次采样数据，得出的综合评估指标基本相同，可以明确得出本发明所述地下水评估方法误差非常小。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，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案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于数据融合的污染地块地下水评估方法，其特征在于：包括，
定时定量采集待测区域地下水的参数及水文地质情况；
根据采集的数据，构建地下水污染模型，所述地下水污染模型包括污染物负荷模型、对流扩散模型和健康风险评价模型；
当地下水污染模型建立完成后，通过RMSE对模型进行准确性验证；
根据所述地下水污染模型，形成综合评估指标；
根据所述综合评估指标，得出评估结果；
在构建水污染模型时，在污染源层次、迁移行为层次和环境敏感点层次分别构建模型，其中，在污染源层次构建污染物负荷模型，模型公式如下，
式中，L为污染负荷，L1为径流携带的污染物，L2为通过渗透进入地下的污染物，C1是径流携带的污染物浓度，C2是渗透进入地下的污染物浓度，是渗透流量，是径流量，A1是径流流域面积，A2是渗透流域面积，kS是土壤类型对渗透的影响参数， />是地下水位对渗透的影响函数， />，/>是地下水位系数，为常数，GW是地下水位深度，fT(T)是温度对渗透的影响函数，，式中， />为常数，/>为渗透源所在区域的温度，/>为地下水所在区域的温度，/>为渗透距离；
在迁移行为层次构建对流扩散模型，模型公式如下，
式中，D为扩散系数，C为污染物浓度，C=C1+C2，V为流速，为吸附系数，k为降解率，为与污染源之间的距离；
在环境敏感点层次构建健康风险评价模型，模型公式如下，
式中，HR为健康风险，C为污染物浓度，C=C1+C2，IR为摄入率，EF为暴露频率，ED为暴露持续时间，BW为体重，AT为平均暴露时间，SF为针对特定污染物的潜在致癌性的斜率因子；
根据所述地下水污染模型，形成综合评估指标包括，
将采集的待测区域地下水的数据代入各个模型中，得出原始数据；
对所述原始数据进行标准化处理；
通过综合评估指标计算公式计算出综合评估指标；
所述综合评估指标计算公式为，
式中，I是综合评估指标，w1, w2,w3是各个指标的权重，w1+w2+w3=1，Z1为污染物负荷模型经过标准化处理后得到的指标，Z2为对流扩散模型经过标准化处理后得到的指标，Z3为健康风险评价模型经过标准化处理后得到的指标；
所述评估结果包括，
当I≥0.5时，评估结果为高风险；
当0.5＞I≥0时，评估结果为中等风险；
当I＜0时，评估结果为低风险。
2.如权利要求1所述的基于数据融合的污染地块地下水评估方法，其特征在于：在确定径流携带的污染物浓度C1时，通过如下公式进行计算，
式中， M 为采样点个数，代表采样点j在时间t的污染物浓度，H代表采样次数；
在确定渗透进入地下的污染物浓度C2时，设定个数为N1个，每个采样点有D 个深度层，每个深度层d在Y个时间段进行采样，通过如下公式进行计算，
式中， 代表采样点 /> 在深度 d 和时间y的污染物浓度，/>代表采样点 /> 在所有深度层的平均污染物浓度。
3.如权利要求2所述的基于数据融合的污染地块地下水评估方法，其特征在于：当地下水污染模型建立完成后，通过RMSE对模型准确性，计算公式如下，
式中，Pi是模型预测值，Oi是实际观测值，是数据点的数量；
当RMSE的值在0.1到1之间时，代表建立的地下水污染模型符合要求，不需要修改，当RMSE的值大于1时，代表建立的地下水污染模型不符合要求，需要重新收集数据并建立模型。
4.如权利要求1所述的基于数据融合的污染地块地下水评估方法，其特征在于：所述地下水的参数包括地下水水位、流速、pH、离子浓度、污染物浓度、流量和流域面积。
5.如权利要求1所述的基于数据融合的污染地块地下水评估方法，其特征在于：所述水文地质情况包括土壤类型、地层厚度和地下水流向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310905584.6A CN116629643B (zh) | 2023-07-24 | 2023-07-24 | 一种基于数据融合的污染地块地下水评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310905584.6A CN116629643B (zh) | 2023-07-24 | 2023-07-24 | 一种基于数据融合的污染地块地下水评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116629643A CN116629643A (zh) | 2023-08-22 |
| CN116629643B true CN116629643B (zh) | 2023-10-27 |
Family
ID=87617434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310905584.6A Active CN116629643B (zh) | 2023-07-24 | 2023-07-24 | 一种基于数据融合的污染地块地下水评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629643B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117172990B (zh) * | 2023-11-02 | 2024-02-06 | 北京建工环境修复股份有限公司 | 一种地下水环境中抗生素污染迁移预测方法及系统 |
| CN117805338B (zh) * | 2024-03-01 | 2024-05-28 | 广东省建筑设计研究院有限公司 | 一种建筑供水管网水质实时在线监测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014153570A2 (en) * | 2013-03-15 | 2014-09-25 | Transtar Group, Ltd | New and improved system for processing various chemicals and materials |
| CN110866367A (zh) * | 2019-08-13 | 2020-03-06 | 河海大学 | 复杂河网水流条件下常规突发水污染团的实时追踪方法 |
| CN112749886A (zh) * | 2020-12-31 | 2021-05-04 | 闽南师范大学 | 一种地下水污染评估方法 |
| CN113962534A (zh) * | 2021-10-09 | 2022-01-21 | 生态环境部南京环境科学研究所 | 修复后污染场地再开发安全利用评估指标体系构建方法 |
| CN114662844A (zh) * | 2022-01-21 | 2022-06-24 | 中国科学院地理科学与资源研究所 | 一种基于污染过程的场地地下水污染风险评价方法 |
| CN114685010A (zh) * | 2022-03-31 | 2022-07-01 | 广东省建筑设计研究院有限公司 | 农村污水收集及处理系统 |
| CN114965928A (zh) * | 2022-06-06 | 2022-08-30 | 南京国环科技股份有限公司 | 地下水污染智能无线监测方法及系统 |
| CN115660419A (zh) * | 2022-10-24 | 2023-01-31 | 北京市生态环境保护科学研究院 | 一套工业园区土壤与地下水污染监测、评估及预警方法 |
-
2023
- 2023-07-24 CN CN202310905584.6A patent/CN116629643B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014153570A2 (en) * | 2013-03-15 | 2014-09-25 | Transtar Group, Ltd | New and improved system for processing various chemicals and materials |
| CN110866367A (zh) * | 2019-08-13 | 2020-03-06 | 河海大学 | 复杂河网水流条件下常规突发水污染团的实时追踪方法 |
| CN112749886A (zh) * | 2020-12-31 | 2021-05-04 | 闽南师范大学 | 一种地下水污染评估方法 |
| CN113962534A (zh) * | 2021-10-09 | 2022-01-21 | 生态环境部南京环境科学研究所 | 修复后污染场地再开发安全利用评估指标体系构建方法 |
| CN114662844A (zh) * | 2022-01-21 | 2022-06-24 | 中国科学院地理科学与资源研究所 | 一种基于污染过程的场地地下水污染风险评价方法 |
| CN114685010A (zh) * | 2022-03-31 | 2022-07-01 | 广东省建筑设计研究院有限公司 | 农村污水收集及处理系统 |
| CN114965928A (zh) * | 2022-06-06 | 2022-08-30 | 南京国环科技股份有限公司 | 地下水污染智能无线监测方法及系统 |
| CN115660419A (zh) * | 2022-10-24 | 2023-01-31 | 北京市生态环境保护科学研究院 | 一套工业园区土壤与地下水污染监测、评估及预警方法 |
Non-Patent Citations (4)
| Title |
|---|
| Monitoring and Forecasting of Water Pollution by Heavy Metals;Makpal Zhartybayeva等;《IEEE Access》;第11卷;第1593-1602页，全文 * |
| 城市小型浅水湖泊内源污染及环保清淤深度研究——以南京玄武湖为例;龚春生;《中国博士学位论文全文数据库 工程科技Ⅰ辑》;第B027-18页，全文 * |
| 水污染动态预警监测模型构建与应急处置工程风险分析;史斌;《中国博士学位论文全文数据库 工程科技Ⅰ辑》(第01期);第B027-128页，全文 * |
| 浅谈污染场地土壤及地下水修复工程施工监理;李道进等;《资源节约与环保》(第08期);第176页，全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116629643A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116629643B (zh) | 一种基于数据融合的污染地块地下水评估方法 | |
| Shah et al. | Proposed formulation of surface water quality and modelling using gene expression, machine learning, and regression techniques | |
| Delin et al. | Comparison of local-to regional-scale estimates of ground-water recharge in Minnesota, USA | |
| Kapadia et al. | Prediction of tropospheric ozone using artificial neural network (ANN) and feature selection techniques | |
| Twarakavi et al. | Arsenic in the shallow ground waters of conterminous United States: Assessment, health risks, and costs for mcl compliance 1 | |
| CN115936192A (zh) | 一种土壤环境污染物风险预测方法及系统 | |
| Atoui et al. | Assessment of groundwater vulnerability and pollution risk using AVI, SPI, and RGPI indexes: applied to southern Gabes aquifer system, Tunisia | |
| Heusinkveld et al. | Assessing children’s lead exposure in an active mining community using the integrated exposure uptake biokinetic model | |
| CN118275636A (zh) | 利用水系沉积物解析地下水重金属污染源及污染边界的方法 | |
| CN111794744B (zh) | 一种井下实时监测地层水污染程度的方法 | |
| Richardson | Contributions of streamflow variability, concentration–discharge shifts and forested wetlands to terrestrial–aquatic solute export in Precambrian Shield headwater catchments | |
| CN117151558A (zh) | 一种污染地块修复现场信息化管理方法及系统 | |
| Stone et al. | Model documentation for relations between continuous real-time and discrete water-quality constituents in Cheney Reservoir near Cheney, Kansas, 2001--2009 | |
| CN113157772B (zh) | 一种基于古湖沼学方法的湖泊适宜生态水位确定方法 | |
| Narayan et al. | Long-term statistical characteristics of air pollutants in a traffic-congested area of Ranchi, India | |
| Brooks et al. | Stream discharge and water quality data for East Fork Poplar Creek beginning 2012 | |
| CN106682271B (zh) | 一种确定swmm水质冲刷模型参数的方法 | |
| CN118195875B (zh) | 一种基于多源数据的污染场地修复智能决策方法 | |
| Zhou et al. | Groundwater monitoring for cement kiln dust disposal units in karst aquifers | |
| Lee | Applying grey theory in predicting the arsenic contamination of groundwater in historical blackfoot disease territory | |
| Guardani et al. | Neural network-based study for predicting ground-level ozone concentration in large urban areas, applied to the São Paulo metropolitan area | |
| Qaderi et al. | Determining effective parameters on co concentration in tehran air by sensitivity analysis based on neural network prediction | |
| Sun | Statistical approaches for identification and quantification of soil trace elemental pollution near the traffic way | |
| COUNCIL | HELENSBURGH WASTE DISPOSAL DEPOT ANNUAL REPORT 2022 | |
| Wu et al. | Regional Watershed Modeling and Trends Implementation Plan |
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 |