CN116645239A - 一种水质污染事件溯源方法及终端 - Google Patents
一种水质污染事件溯源方法及终端 Download PDFInfo
- Publication number
- CN116645239A CN116645239A CN202310621881.8A CN202310621881A CN116645239A CN 116645239 A CN116645239 A CN 116645239A CN 202310621881 A CN202310621881 A CN 202310621881A CN 116645239 A CN116645239 A CN 116645239A
- Authority
- CN
- China
- Prior art keywords
- pollution
- curve
- water quality
- target
- path
- 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 52
- 238000003911 water pollution Methods 0.000 title claims description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 218
- 238000012544 monitoring process Methods 0.000 claims abstract description 46
- 239000003344 environmental pollutant Substances 0.000 claims description 23
- 231100000719 pollutant Toxicity 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 13
- 238000011144 upstream manufacturing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 5
- 239000010865 sewage Substances 0.000 description 5
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 244000144972 livestock Species 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 210000003161 choroid Anatomy 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer 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
- 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
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种水质污染事件溯源方法及终端，当监测到污染事件后，将监测站点确定为目标水质断面，通过获取目标水质断面的污染曲线，并计算与目标水质断面对应的污染路径污染曲线、面源污染曲线以及内源污染曲线，计算每条污染路径在污染事件中的污染主导概率，基于污染主导概率确定污染源，考虑了多源水质污染，且简单、有效地定位污染源，从而实现污染事件源精准且快速的定位。
Description
技术领域
本发明涉及水环境监测和管理技术领域，尤其涉及一种水质污染事件溯源方法及终端。
背景技术
现有的水质污染源分析方法主要基于贡献率计算，即依据目标流域的水质断面和污染源清单，估算水质污染指标在断面处的汇入量和汇出量，针对水质污染事件，则描述为污染贡献率，代表各污染源排放对当前水质污染事件的贡献。
传统的水环境污染溯源方法，有以下几个步骤：
(1)从上下游关系划分监测断面，建立水质断面与污染源之间的时空关系；
(2)依据各断面水环境，建立模型估算断面污染物的汇入和汇出情况；
(3)针对污染事件，明确污染源的情况下，基于模型模拟污染源排放和扩散的过程，评估不同情况下污染物浓度；
(4)计算每个污染源对目标水质断面的贡献率，依大小排序，确定污染事件的主要原因。
但上述方法中水质污染贡献率的定量分析方法较为复杂，主要计算污染源排放的贡献率，受限于模型和数据质量的要求，需要充分监测目标流域水质参数，条件设置繁琐，计算成本和时间成本较高。
发明内容
本发明所要解决的技术问题是：提供一种水质污染事件溯源方法及终端，能够实现污染事件源精准且快速的定位。
为了解决上述技术问题，本发明采用的一种技术方案为：
一种水质污染事件溯源方法，包括步骤：
绘制目标流域的水环境脉络图，所述水环境脉络图包括监测站点；
判断所述监测站点是否监测到污染事件，若是，则将所述监测站点确定为目标水质断面；
获取所述目标水质断面的污染曲线，并计算与所述目标水质断面对应的污染路径污染曲线、面源污染曲线以及内源污染曲线；
基于所述目标水质断面的污染曲线、所述污染路径污染曲线、所述面源污染曲线以及所述内源污染曲线计算各污染路径的污染主导概率，并基于所述各污染路径的污染主导概率确定污染源。
为了解决上述技术问题，本发明采用的另一种技术方案为：
一种水质污染事件溯源终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
绘制目标流域的水环境脉络图，所述水环境脉络图包括监测站点；
判断所述监测站点是否监测到污染事件，若是，则将所述监测站点确定为目标水质断面；
获取所述目标水质断面的污染曲线，并计算与所述目标水质断面对应的污染路径污染曲线、面源污染曲线以及内源污染曲线；
基于所述目标水质断面的污染曲线、所述污染路径污染曲线、所述面源污染曲线以及所述内源污染曲线计算各污染路径的污染主导概率，并基于所述各污染路径的污染主导概率确定污染源。
本发明的有益效果在于：当监测到污染事件后，将监测站点确定为目标水质断面，通过获取目标水质断面的污染曲线，并计算与目标水质断面对应的污染路径污染曲线、面源污染曲线以及内源污染曲线，计算每条污染路径在污染事件中的污染主导概率，基于污染主导概率确定污染源，考虑了多源水质污染，且简单、有效地定位污染源，从而实现污染事件源精准且快速的定位。
附图说明
图1为本发明实施例的一种水质污染事件溯源方法的步骤流程图；
图2为本发明实施例的一种水质污染事件溯源终端的结构示意图；
图3为本发明实施例的水质污染事件溯源方法中的水环境脉络图；
图4为本发明实施例的水质污染事件溯源方法中的污染事件主导因素分析示意图；
图5为本发明实施例的水质污染事件溯源方法中的目标水质断面的污染物浓度曲线示意图；
图6为本发明实施例的水质污染事件溯源方法中的各污染路径的污染主导概率示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
请参照图1，本发明实施例提供了一种水质污染事件溯源方法，包括步骤：
绘制目标流域的水环境脉络图，所述水环境脉络图包括监测站点；
判断所述监测站点是否监测到污染事件，若是，则将所述监测站点确定为目标水质断面；
获取所述目标水质断面的污染曲线，并计算与所述目标水质断面对应的污染路径污染曲线、面源污染曲线以及内源污染曲线；
基于所述目标水质断面的污染曲线、所述污染路径污染曲线、所述面源污染曲线以及所述内源污染曲线计算各污染路径的污染主导概率，并基于所述各污染路径的污染主导概率确定污染源。
从上述描述可知，本发明的有益效果在于：当监测到污染事件后，将监测站点确定为目标水质断面，通过获取目标水质断面的污染曲线，并计算与目标水质断面对应的污染路径污染曲线、面源污染曲线以及内源污染曲线，计算每条污染路径在污染事件中的污染主导概率，基于污染主导概率确定污染源，考虑了多源水质污染，且简单、有效地定位污染源，从而实现污染事件源精准且快速的定位。
进一步地，所述获取所述目标水质断面的污染曲线包括：
获取所述目标水质断面的污染物浓度曲线；
确定所述污染物浓度曲线中污染物浓度首次超过水质标准之前最后一次浓度上升的开始时刻以及污染物浓度最后一次超过水质标准之后首次浓度下降的结束时刻；
将所述开始时刻确定为起点，将所述结束时刻确定为终点；
根据所述起点和所述终点从所述污染物浓度曲线中截取所述目标水质断面的污染曲线。
由上述描述可知，能够精准地提取出目标水质断面的污染曲线，提高后续的计算效率。
进一步地，所述计算与所述目标水质断面对应的污染路径污染曲线、面源污染曲线以及内源污染曲线包括：
根据所述水环境脉络图确定所述目标水质断面的污染路径；
获取所述污染路径的污染指标浓度以及水流量；
根据所述污染指标浓度、所述水流量和所述目标水质断面计算与所述目标水质断面对应的污染路径曲线；
确定与所述目标水质断面对应的降雨事件，并确定所述降雨事件的降雨量、预设时间累计降雨量、降雨月份；
获取与所述目标水质断面的污染曲线对应的时间段前多个时刻的目标水质断面的污染曲线；
根据所述前多个时刻的目标水质断面的污染曲线、所述降雨事件的降雨量、所述预设时间累计降雨量和所述降雨月份进行拟合，得到与所述目标水质断面对应的面源污染曲线；
获取所述目标流域的各个监测指标的多条污染曲线，并对所述各个监测指标的多条污染曲线进行平均值计算，得到与所述目标水质断面对应的内源污染曲线。
由上述描述可知，传统方法通常依据汇入量来评估贡献率，从数值层面判断污染物来源，但在实际运用中可能与污染事件的判定需求存在差距，而通过计算不同类型的污染曲线用于分析污染事件主导因素，提高了污染事件溯源的全面性和可靠性。
进一步地，所述根据所述污染指标浓度、所述水流量和所述目标水质断面计算与所述目标水质断面对应的污染路径曲线包括：
式中，表示与所述目标水质断面对应的污染路径曲线，/>表示ti时刻的所述污染指标浓度，/>表示ti时刻的所述水流量，h表示采样时间间隔，ti表示所述污染路径的污染源i与所述目标水质断面之间的传输滞后时间，t0表示所述目标水质断面的污染时刻，li表示所述污染路径的污染源i到所述目标水质断面的距离，vi表示水流平均流速。
由上述描述可知，根据污染指标浓度、水流量和目标水质断面计算与目标水质断面对应的污染路径曲线，考虑了污染事件的点源污染。
进一步地，所述根据所述前多个时刻的目标水质断面的污染曲线、所述降雨事件的降雨量、所述预设时间累计降雨量和所述降雨月份进行拟合，得到与所述目标水质断面对应的面源污染曲线包括：
式中，表示所述目标水质断面的污染曲线在t0时刻的取值，α表示第一参数，β表示第二参数，ω表示第三参数，/>表示第四参数，ε表示第五参数，/>表示每一所述污染路径曲线在ti时刻的取值，/>表示所述前多个时刻的目标水质断面的污染曲线的自回归，ω0Rt0表示t0时刻的所述降雨事件的降雨量，/>表示所述降雨事件的预设时间累计降雨量，M表示所述降雨事件的降雨月份。
由上述描述可知，由于面源污染也会影响水质，根据前多个时刻的目标水质断面的污染曲线、降雨事件的降雨量、预设时间累计降雨量和降雨月份进行拟合，得到面源污染曲线，充分考虑了降雨带来的面源污染，提高了后续溯源的全面性。
进一步地，所述基于所述目标水质断面的污染曲线、所述污染路径污染曲线、所述面源污染曲线以及所述内源污染曲线计算各污染路径的污染主导概率包括：
确定每一污染曲线对应的数值曲线，所述污染曲线包括所述目标水质断面的污染曲线、所述污染路径污染曲线、所述面源污染曲线以及所述内源污染曲线；
从每一所述数值曲线中确定标准低值和标准高值；
确定每一污染曲线的最小值和最大值；
若所述最小值高于所述标准低值，则将所述标准低值替换为所述最小值，若所述最大值高于所述标准高值，则将所述标准高值替换为所述最大值，得到替换后的每一污染曲线；
对所述替换后的每一污染曲线进行标准化处理，得到标准化处理后的每一污染曲线；
计算所述标准化处理后的每一污染曲线的方差，并计算所述标准化处理后的每一污染曲线的方差与所述目标水质断面的污染曲线的方差的差值；
根据所述差值得到波动差异系数；
使用动态时间规整算法分别计算所述污染路径污染曲线、所述面源污染曲线以及所述内源污染曲线与所述目标水质断面的污染曲线之间的最小累积距离；
对所述最小累积距离进行百分化，得到波动关联系数；
根据所述波动关联系数与所述波动差异系数得到各污染路径的污染主导概率。
由上述描述可知，不同于传统的汇入量统计方法，以污染曲线为基础，通过标准化处理后，根据波动差异系数和波动关联系数估算各污染路径对污染事件的主导概率，有利于污染源的准确定位。
进一步地，所述对所述替换后的每一污染曲线进行标准化处理，得到标准化处理后的每一污染曲线包括：
式中，C表示污染曲线，Cmin表示所述标准低值，Cmax表示所述标准高值；所述根据所述差值得到波动差异系数包括：
式中，Di表示污染源i的污染曲线的波动差异系数，∑ΔS表示所有污染曲线的差值和，ΔSi表示污染源i的污染曲线的所述差值；
所述根据所述波动关联系数与所述波动差异系数得到各污染路径的污染主导概率包括：
式中，Pi表示污染源i所在污染路径的污染主导概率，Wi表示污染源i的污染曲线的波动关联系数，∑(D*W)表示所有污染源i的污染曲线的波动差异系数和波动关联系数的乘积和。
由上述描述可知，通过波动差异系数和波动关联系数的乘积计算各污染路径对污染事件的主导概率，主导概率能够准确地反映各污染路径对本次污染事件的影响程度，以便准确溯源。
进一步地，所述基于所述各污染路径的污染主导概率确定污染源包括：
将大于或等于预设阈值的污染路径的污染主导概率确定为目标污染主导概率；
对所述目标污染主导概率按照从大到小的顺序排序，得到排序后的目标污染主导概率；
判断所述排序后的目标污染主导概率中最大的目标污染主导概率对应的污染路径是否为上游水质断面，若否，则将所述最大的目标污染主导概率对应的污染路径确定为首要污染源，若是，则将所述最大的目标污染主导概率对应的污染路径确定为最新的目标水质断面，计算与所述最新的目标水质断面对应的各污染路径的污染主导概率，并将其中最大的目标污染主导概率对应的污染路径确定为首要污染源；
依次判断所述排序后的目标污染主导概率中除所述最大的目标污染主导概率以外的其他污染主导概率对应的污染路径是否为上游水质断面，若否，则将所述其他目标污染主导概率对应的污染路径确定为次要污染源，若是，则将所述其他目标污染主导概率对应的污染路径确定为最新的目标水质断面，计算与所述最新的目标水质断面对应的各污染路径的污染主导概率，并将其中最大的目标污染主导概率对应的污染路径确定为次要污染源。
由上述描述可知，从污染主导概率的角度定位污染源，最终定为出的污染源包括首要污染源和次要污染源，实现了污染事件清楚、准确地溯源。
进一步地，所述绘制目标流域的水环境脉络图包括：
采集目标流域的相关数据；
确定所述目标流域的监测站点；
获取所述目标流域的污染源数据；
根据所述相关数据、所述监测站点和所述污染源数据绘制目标流域的水环境脉络图。
由上述描述可知，通过绘制目标流域的水环境脉络图可准确地了解各个污染路径，为后续污染事件溯源提供了数据基础。
请参照图2，本发明另一实施例提供了一种水质污染事件溯源终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述水质污染事件溯源方法中的各个步骤。
本发明上述的水质污染事件溯源方法及终端能够适用于出现水质污染的应用场景，以下通过具体实施方式进行说明：
实施例一
请参照图1、图3-图6，本实施例的一种水质污染事件溯源方法，包括步骤：
S1、绘制目标流域的水环境脉络图，所述水环境脉络图包括监测站点，即图3中的水质监测站，具体包括：
S1-1、采集目标流域的相关数据；
在一种可选的实施方式中，所述相关数据包括但不限于实时水质数据、历史水质数据、污染排放清单和土地利用等。
S1-2、确定所述目标流域的监测站点，将每个监测站点作为一个分析单元，将水质网络最大程度细化，能够分析各个水质断面间的污染传递情况。
S1-3、获取所述目标流域的污染源数据；
在一种可选的实施方式中，获取所述污染源数据时，还可以获取河段沿岸的实地调研情况，用于进行水环境脉络图的绘制。
S1-4、根据所述相关数据、所述监测站点和所述污染源数据绘制目标流域的水环境脉络图，如图3所示，包括水质监测站(即所述监测站点)、污染源和汇入路径，污染源包括生活污水、污水处理厂、畜牧养殖、农业用地。
具体的，根据所述水环境脉络图即可分析各个水质断面可能的污染汇入路径，比如，图3中水质监测站点1就有4条污染路径，分别是上游站点2、上游站点4、沿线污水处理厂和沿线畜牧养殖。
污染路径中最直接的便是水质断面的上下游关系，依据水流方向判断汇入汇出关系，除了上下游，还需考虑沿线的点源污染，如污水处理厂、企业排污、生活直排等，此类污染可通过部署水质监测设备的方式，实时监测污染排放情况。非点源污染来源较广，如降雨带来的农业污染、养殖污染、居民区地表径流污染等，此类污染难以通过部署设备的方式监测，通常使用水文模型、水动力模型或物理实验观测等方式，估算降雨条件下的面源污染汇入情况。
S2、判断所述监测站点是否监测到污染事件，若是，则将所述监测站点确定为目标水质断面；
现有技术中，传统方法通常依据汇入量来评估贡献率，从数值层面判断污染物来源，但在实际运用中可能与污染事件的判定需求存在差距，比如，如图4所示，对水质监测站某次污染物超标事件作分析，由贡献率角度来说，污染物大部分来自污染路径2，但实际上污染路径2污染物处于一个相对稳定状态，此次污染事件主导原因应该在于污染路径1的异常波动，因此，本发明通过求解污染曲线，分析污染事件主导因素，详见下文所述：
S3、获取所述目标水质断面的污染曲线，并计算与所述目标水质断面对应的污染路径污染曲线、面源污染曲线以及内源污染曲线，具体包括：
S3-1、获取所述目标水质断面的污染物浓度曲线，如图5所示；
S3-2、确定所述污染物浓度曲线中污染物浓度首次超过水质标准之前最后一次浓度上升的开始时刻以及污染物浓度最后一次超过水质标准之后首次浓度下降的结束时刻；
S3-3、将所述开始时刻确定为起点，将所述结束时刻确定为终点，如图5所示；
S3-4、根据所述起点和所述终点从所述污染物浓度曲线中截取所述目标水质断面的污染曲线，如图5所示，起点与终点之间的曲线即所述目标水质断面的污染曲线。
S3-5、根据所述水环境脉络图确定所述目标水质断面的污染路径；
S3-6、获取所述污染路径的污染指标浓度以及水流量；
具体的，通过其他监测数据，如上游水质断面和管网出水口等，获取所述污染路径的污染指标浓度以及水流量。
S3-7、根据所述污染指标浓度、所述水流量和所述目标水质断面计算与所述目标水质断面对应的污染路径曲线，具体的：
式中，表示与所述目标水质断面对应的污染路径曲线，/>表示ti时刻的所述污染指标浓度，/>表示ti时刻的所述水流量，h表示采样时间间隔，ti表示所述污染路径的污染源i与所述目标水质断面之间的传输滞后时间，t0表示所述目标水质断面的污染时刻，li表示所述污染路径的污染源i到所述目标水质断面的距离，vi表示水流平均流速。
S3-8、确定与所述目标水质断面对应的降雨事件，并确定所述降雨事件的降雨量、预设时间累计降雨量、降雨月份，具体包括：
S3-8-1、将所述污染事件的起点时刻前的最后一个非汛点确定为将降雨事件开始时间，并将所述污染事件的终点时刻确定为降雨事件结束时间；
其中，所述非汛点的判断方法为：
判断与所述污染事件的起点时刻的前一时刻对应的24小时内的累积降雨量是否大于或等于5mm，若是，则确定所述前一时刻为汛点，并继续判断与所述污染事件的起点时刻的前二时刻对应的24小时内的累积降雨量是否大于或等于5mm，依此类推，否则，确定所述前一时刻为非汛点；
比如，污染事件的起点为今日15时，则对14时进行判定，假设昨日13时到今日14时的累积降雨量为4mm，则今日14时为非汛点，作为降雨事件开始时间，反之则继续向前判别13时是否为非汛点，依此类推。
S3-8-2、根据所述降雨事件开始时间和所述降雨事件结束时间生成与所述目标水质断面对应的降雨事件；
S3-8-3、确定所述降雨事件的降雨量、预设时间累计降雨量、降雨月份。
其中，所述预设时间为12小时。
S3-9、获取与所述目标水质断面的污染曲线对应的时间段前多个时刻的目标水质断面的污染曲线；
S3-10、根据所述前多个时刻的目标水质断面的污染曲线、所述降雨事件的降雨量、所述预设时间累计降雨量和所述降雨月份进行拟合，得到与所述目标水质断面对应的面源污染曲线，具体的：
式中，表示所述目标水质断面的污染曲线在t0时刻的取值，α表示第一参数，β表示第二参数，ω表示第三参数，/>表示第四参数，ε表示第五参数，/>表示每一所述污染路径曲线在ti时刻的取值，/>表示所述前多个时刻的目标水质断面的污染曲线的自回归，/>表示t0时刻的所述降雨事件的降雨量，/>表示所述降雨事件的预设时间累计降雨量，M表示所述降雨事件的降雨月份。
区别于物理模型定量污染需要较多的流域环境数据，如高程、土地利用、气象数据等，模型计算成本较高，本发明采用智能算法拟合降雨面源污染的影响趋势，能够使用较低的计算成本有效地拟合降雨面源污染的影响趋势。
S3-11、获取所述目标流域的各个监测指标的多条污染曲线，并对所述各个监测指标的多条污染曲线进行平均值计算，得到与所述目标水质断面对应的内源污染曲线。
对于存在明显内源污染的地区，例如湖湾流域就极易发生污染物吸附沉淀和悬浮释放，则需要着重考虑内源因素，通过采取目标流域的多点采样使用实验室控制变量法，获取各个监测指标的多条污染曲线，例如水质监测指标的变化对应的淤泥污染物释放量变化，并对所述各个监测指标的多条污染曲线进行平均值计算，得到与所述目标水质断面对应的内源污染曲线；
比如，采取目标流域5个采样点的数据，计算得到氨氮指标的5条污染曲线，取这5条污染曲线的平均值曲线作为氨氮的内源污染曲线。
在一种可选的实施方式中，为了考虑时间的影响，需要尽可能地分时间采样，如逐月、逐季节等，将时间作为一个重要指标，最后将这些数据作为样本放入智能算法训练，得到预测模型，例如多元回归模型，便可实现对内源污染曲线的模拟。
S4、基于所述目标水质断面的污染曲线、所述污染路径污染曲线、所述面源污染曲线以及所述内源污染曲线计算各污染路径的污染主导概率，并基于所述各污染路径的污染主导概率确定污染源，具体包括：
S4-1、确定每一污染曲线对应的数值曲线，所述污染曲线包括所述目标水质断面的污染曲线、所述污染路径污染曲线、所述面源污染曲线以及所述内源污染曲线；
其中，所述数值曲线为所述污染事件前一个月内对应的数值曲线，所述数值曲线与污染曲线的计算方法相同，即所述目标水质断面的污染曲线对应的数值曲线与其计算方法相同，所述污染路径污染曲线对应的数值曲线与其计算方法相同，所述面源污染曲线对应的数值曲线与其计算方法相同以及所述内源污染曲线对应的数值曲线与其计算方法相同，在此不再赘述。
本发明通过计算污染事件前一个月内对应的数值曲线，能够利用百分位数来标准化污染曲线，评估此次污染事件中污染曲线的异常程度，标准化后的污染曲线波动越大，则相较前一个月数值越异常，越有可能占据污染主导，从而提高溯源的准确性。
S4-2、从每一所述数值曲线中确定标准低值和标准高值；
具体的，将每一所述数值曲线的25％分位数作为标准低值，将每一所述数值曲线的75％分位数作为标准高值。
S4-3、确定每一污染曲线的最小值和最大值；
S4-4、若所述最小值高于所述标准低值，则将所述标准低值替换为所述最小值，若所述最大值高于所述标准高值，则将所述标准高值替换为所述最大值，得到替换后的每一污染曲线；
S4-5、对所述替换后的每一污染曲线进行标准化处理，得到标准化处理后的每一污染曲线，具体的：
式中，C表示污染曲线，Cmin表示所述标准低值，Cmax表示所述标准高值。
S4-6、计算所述标准化处理后的每一污染曲线的方差，并计算所述标准化处理后的每一污染曲线的方差与所述目标水质断面的污染曲线的方差的差值，具体的：
ΔSi＝|Si-S0|；
式中，ΔSi表示所述差值，Si表示污染源i的污染曲线的方差，S0表示目标水质断面的污染曲线的方差。
S4-7、根据所述差值得到波动差异系数；
式中，Di表示污染源i的污染曲线的波动差异系数，∑ΔS表示所有污染曲线的差值和，ΔSi表示污染源i的污染曲线的所述差值。
S4-8、使用动态时间规整算法分别计算所述污染路径污染曲线、所述面源污染曲线以及所述内源污染曲线与所述目标水质断面的污染曲线之间的最小累积距离。
S4-9、对所述最小累积距离进行百分化，得到波动关联系数，具体的：
式中，Wi表示污染源i的污染曲线的波动关联系数，Hi表示污染源i的污染曲线与所述目标水质断面的污染曲线之间的最小累积距离，∑H表示最小累积距离之和。
S4-10、根据所述波动关联系数与所述波动差异系数得到各污染路径的污染主导概率，具体的：
式中，Pi表示污染源i所在污染路径的污染主导概率，Wi表示污染源i的污染曲线的波动关联系数，∑(D*W)表示所有污染源i的污染曲线的波动差异系数和波动关联系数的乘积和。
S4-11、将大于或等于预设阈值的污染路径的污染主导概率确定为目标污染主导概率；
在一种可选的实施方式中，所述预设阈值为30％。
S4-12、对所述目标污染主导概率按照从大到小的顺序排序，得到排序后的目标污染主导概率；
S4-13、判断所述排序后的目标污染主导概率中最大的目标污染主导概率对应的污染路径是否为上游水质断面，若否，则将所述最大的目标污染主导概率对应的污染路径确定为首要污染源，若是，则将所述最大的目标污染主导概率对应的污染路径确定为最新的目标水质断面，计算与所述最新的目标水质断面对应的各污染路径的污染主导概率，并将其中最大的目标污染主导概率对应的污染路径确定为首要污染源；
其中，与所述最新的目标水质断面对应的各污染路径的污染主导概率的计算方法与S4-1～S4-10相同，在此不再赘述。
S4-14、依次判断所述排序后的目标污染主导概率中除所述最大的目标污染主导概率以外的其他污染主导概率对应的污染路径是否为上游水质断面，若否，则将所述其他目标污染主导概率对应的污染路径确定为次要污染源，若是，则将所述其他目标污染主导概率对应的污染路径确定为最新的目标水质断面，计算与所述最新的目标水质断面对应的各污染路径的污染主导概率，并将其中最大的目标污染主导概率对应的污染路径确定为次要污染源。
如图6所示，对水质监测站1求解污染主导概率时，概率最大的污染路径是畜牧养殖，则将其列为首要污染源，污染主导概率第二大的是上游水质断面，因此，将水质监测站2作为最新的目标水质断面，再次计算污染主导概率，得到概率最大的污染路径是生活污水，列为次要污染源，由此便可得到此次污染事件的源头为：首要污染源为畜牧养殖，次要污染源为上游生活污水。
实施例二
请参照图2，本实施例的一种水质污染事件溯源终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例一中的水质污染事件溯源方法中的各个步骤。
综上所述，本发明提供的一种水质污染事件溯源方法及终端，当监测到污染事件后，将监测站点确定为目标水质断面，通过获取目标水质断面的污染曲线，并计算与目标水质断面对应的污染路径污染曲线、面源污染曲线以及内源污染曲线，计算每条污染路径在污染事件中的污染主导概率，基于污染主导概率确定污染源，考虑了多源水质污染，且简单、有效地定位污染源，从而实现污染事件源精准且快速的定位；另外，通过计算不同类型的污染曲线用于分析污染事件主导因素，提高了污染事件溯源的全面性和可靠性；且从污染主导概率的角度定位污染源，最终定为出的污染源包括首要污染源和次要污染源，实现了污染事件清楚、准确地溯源。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种水质污染事件溯源方法，其特征在于，包括步骤：
绘制目标流域的水环境脉络图，所述水环境脉络图包括监测站点；
判断所述监测站点是否监测到污染事件，若是，则将所述监测站点确定为目标水质断面；
获取所述目标水质断面的污染曲线，并计算与所述目标水质断面对应的污染路径污染曲线、面源污染曲线以及内源污染曲线；
基于所述目标水质断面的污染曲线、所述污染路径污染曲线、所述面源污染曲线以及所述内源污染曲线计算各污染路径的污染主导概率，并基于所述各污染路径的污染主导概率确定污染源。
2.根据权利要求1所述的一种水质污染事件溯源方法，其特征在于，所述获取所述目标水质断面的污染曲线包括：
获取所述目标水质断面的污染物浓度曲线；
确定所述污染物浓度曲线中污染物浓度首次超过水质标准之前最后一次浓度上升的开始时刻以及污染物浓度最后一次超过水质标准之后首次浓度下降的结束时刻；
将所述开始时刻确定为起点，将所述结束时刻确定为终点；
根据所述起点和所述终点从所述污染物浓度曲线中截取所述目标水质断面的污染曲线。
3.根据权利要求1所述的一种水质污染事件溯源方法，其特征在于，所述计算与所述目标水质断面对应的污染路径污染曲线、面源污染曲线以及内源污染曲线包括：
根据所述水环境脉络图确定所述目标水质断面的污染路径；
获取所述污染路径的污染指标浓度以及水流量；
根据所述污染指标浓度、所述水流量和所述目标水质断面计算与所述目标水质断面对应的污染路径曲线；
确定与所述目标水质断面对应的降雨事件，并确定所述降雨事件的降雨量、预设时间累计降雨量、降雨月份；
获取与所述目标水质断面的污染曲线对应的时间段前多个时刻的目标水质断面的污染曲线；
根据所述前多个时刻的目标水质断面的污染曲线、所述降雨事件的降雨量、所述预设时间累计降雨量和所述降雨月份进行拟合，得到与所述目标水质断面对应的面源污染曲线；
获取所述目标流域的各个监测指标的多条污染曲线，并对所述各个监测指标的多条污染曲线进行平均值计算，得到与所述目标水质断面对应的内源污染曲线。
4.根据权利要求3所述的一种水质污染事件溯源方法，其特征在于，所述根据所述污染指标浓度、所述水流量和所述目标水质断面计算与所述目标水质断面对应的污染路径曲线包括：
式中，表示与所述目标水质断面对应的污染路径曲线，/>表示ti时刻的所述污染指标浓度，/>表示ti时刻的所述水流量，h表示采样时间间隔，ti表示所述污染路径的污染源i与所述目标水质断面之间的传输滞后时间，t0表示所述目标水质断面的污染时刻，li表示所述污染路径的污染源i到所述目标水质断面的距离，vi表示水流平均流速。
5.根据权利要求3所述的一种水质污染事件溯源方法，其特征在于，所述根据所述前多个时刻的目标水质断面的污染曲线、所述降雨事件的降雨量、所述预设时间累计降雨量和所述降雨月份进行拟合，得到与所述目标水质断面对应的面源污染曲线包括：
式中，表示所述目标水质断面的污染曲线在t0时刻的取值，α表示第一参数，β表示第二参数，ω表示第三参数，/>表示第四参数，ε表示第五参数，/>表示每一所述污染路径曲线在ti时刻的取值，/>表示所述前多个时刻的目标水质断面的污染曲线的自回归，/>表示t0时刻的所述降雨事件的降雨量，/>表示所述降雨事件的预设时间累计降雨量，M表示所述降雨事件的降雨月份。
6.根据权利要求1所述的一种水质污染事件溯源方法，其特征在于，所述基于所述目标水质断面的污染曲线、所述污染路径污染曲线、所述面源污染曲线以及所述内源污染曲线计算各污染路径的污染主导概率包括：
确定每一污染曲线对应的数值曲线，所述污染曲线包括所述目标水质断面的污染曲线、所述污染路径污染曲线、所述面源污染曲线以及所述内源污染曲线；
从每一所述数值曲线中确定标准低值和标准高值；
确定每一污染曲线的最小值和最大值；
若所述最小值高于所述标准低值，则将所述标准低值替换为所述最小值，若所述最大值高于所述标准高值，则将所述标准高值替换为所述最大值，得到替换后的每一污染曲线；
对所述替换后的每一污染曲线进行标准化处理，得到标准化处理后的每一污染曲线；
计算所述标准化处理后的每一污染曲线的方差，并计算所述标准化处理后的每一污染曲线的方差与所述目标水质断面的污染曲线的方差的差值；
根据所述差值得到波动差异系数；
使用动态时间规整算法分别计算所述污染路径污染曲线、所述面源污染曲线以及所述内源污染曲线与所述目标水质断面的污染曲线之间的最小累积距离；
对所述最小累积距离进行百分化，得到波动关联系数；
根据所述波动关联系数与所述波动差异系数得到各污染路径的污染主导概率。
7.根据权利要求6所述的一种水质污染事件溯源方法，其特征在于，所述对所述替换后的每一污染曲线进行标准化处理，得到标准化处理后的每一污染曲线包括：
式中，C表示污染曲线，Cmin表示所述标准低值，Cmax表示所述标准高值；
所述根据所述差值得到波动差异系数包括：
式中，Di表示污染源i的污染曲线的波动差异系数，∑ΔS表示所有污染曲线的差值和，ΔSi表示污染源i的污染曲线的所述差值；
所述根据所述波动关联系数与所述波动差异系数得到各污染路径的污染主导概率包括：
式中，Pi表示污染源i所在污染路径的污染主导概率，Wi表示污染源i的污染曲线的波动关联系数，∑(D*W)表示所有污染源i的污染曲线的波动差异系数和波动关联系数的乘积和。
8.根据权利要求1所述的一种水质污染事件溯源方法，其特征在于，所述基于所述各污染路径的污染主导概率确定污染源包括：
将大于或等于预设阈值的污染路径的污染主导概率确定为目标污染主导概率；
对所述目标污染主导概率按照从大到小的顺序排序，得到排序后的目标污染主导概率；
判断所述排序后的目标污染主导概率中最大的目标污染主导概率对应的污染路径是否为上游水质断面，若否，则将所述最大的目标污染主导概率对应的污染路径确定为首要污染源，若是，则将所述最大的目标污染主导概率对应的污染路径确定为最新的目标水质断面，计算与所述最新的目标水质断面对应的各污染路径的污染主导概率，并将其中最大的目标污染主导概率对应的污染路径确定为首要污染源；
依次判断所述排序后的目标污染主导概率中除所述最大的目标污染主导概率以外的其他污染主导概率对应的污染路径是否为上游水质断面，若否，则将所述其他目标污染主导概率对应的污染路径确定为次要污染源，若是，则将所述其他目标污染主导概率对应的污染路径确定为最新的目标水质断面，计算与所述最新的目标水质断面对应的各污染路径的污染主导概率，并将其中最大的目标污染主导概率对应的污染路径确定为次要污染源。
9.根据权利要求1所述的一种水质污染事件溯源方法，其特征在于，所述绘制目标流域的水环境脉络图包括：
采集目标流域的相关数据；
确定所述目标流域的监测站点；
获取所述目标流域的污染源数据；
根据所述相关数据、所述监测站点和所述污染源数据绘制目标流域的水环境脉络图。
10.一种水质污染事件溯源终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的一种水质污染事件溯源方法中的各个步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310494450X | 2023-05-05 | ||
| CN202310494450 | 2023-05-05 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116645239A true CN116645239A (zh) | 2023-08-25 |
Family
ID=87614996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310621881.8A Pending CN116645239A (zh) | 2023-05-05 | 2023-05-30 | 一种水质污染事件溯源方法及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116645239A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689399A (zh) * | 2024-01-31 | 2024-03-12 | 四川省生态环境科学研究院 | 一种监测指标异常升高的地表水污染源溯源方法及系统 |
-
2023
- 2023-05-30 CN CN202310621881.8A patent/CN116645239A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689399A (zh) * | 2024-01-31 | 2024-03-12 | 四川省生态环境科学研究院 | 一种监测指标异常升高的地表水污染源溯源方法及系统 |
| CN117689399B (zh) * | 2024-01-31 | 2024-04-12 | 四川省生态环境科学研究院 | 一种监测指标异常升高的地表水污染源溯源方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111461167A (zh) | 基于大数据的污染源定位方法、装置、设备及存储介质 | |
| CN110196083A (zh) | 排水管网污染路径的监测识别方法、装置及电子设备 | |
| CN116645239A (zh) | 一种水质污染事件溯源方法及终端 | |
| CN112418737A (zh) | 一种区域水环境管理平台 | |
| CN109918364B (zh) | 一种基于二维概率密度估计和四分位法的数据清洗方法 | |
| CN113902172A (zh) | 一种污水处理方法、系统、装置及介质 | |
| CN116151621A (zh) | 一种基于数据分析的大气污染治理风险检测系统 | |
| CN109613197B (zh) | 一种基于河道水网的水质监测预警反馈响应方法 | |
| CN110837933A (zh) | 基于神经网络的漏损识别方法、装置、设备及存储介质 | |
| CN115757367A (zh) | 一种小流域水生态环境精细化管控的方法及系统 | |
| CN113159425B (zh) | 一种区域工业水污染日排放量预测方法和装置 | |
| CN114611626A (zh) | 一种水环境信息处理方法、装置、设备和存储介质 | |
| CN116029460A (zh) | 一种基于大数据的市政建筑工程节水管理平台 | |
| CN113222368B (zh) | 一种基于雨水花园监测数据的雨洪预警方法 | |
| CN115099677A (zh) | 尾矿库安全生产风险分级预警方法 | |
| CN116823067B (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
| CN117196120A (zh) | 一种用户用水行为分析算法 | |
| CN115423383B (zh) | 基于人工智能的分布式村镇饮用水监测调控系统及方法 | |
| CN110598936A (zh) | 一种河流生态需水计算系统及信息传输方法 | |
| CN110766219A (zh) | 基于bp神经网络的雾霾预测方法 | |
| CN115906687B (zh) | 一种工业生活取水退水的河流环境影响的定量分析和评估方法 | |
| CN116128144B (zh) | 一种城市排水管网分区联动管理方法及系统 | |
| CN117236902B (zh) | 一种基于边缘计算的水质监测的上报方法及系统 | |
| CN117875795B (zh) | 一种基于实时数据分析的工厂经营状况分析方法及系统 | |
| CN116543341A (zh) | 基于降雨水质监测的污染视频识别系统 |
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 |