CN116702047B - 一种地下水实时监测方法、系统及介质 - Google Patents
一种地下水实时监测方法、系统及介质 Download PDFInfo
- Publication number
- CN116702047B CN116702047B CN202310982007.7A CN202310982007A CN116702047B CN 116702047 B CN116702047 B CN 116702047B CN 202310982007 A CN202310982007 A CN 202310982007A CN 116702047 B CN116702047 B CN 116702047B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- data
- pollution
- area
- subarea
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 683
- 239000003673 groundwater Substances 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 50
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 97
- 238000004458 analytical method Methods 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 59
- 230000007613 environmental effect Effects 0.000 claims abstract description 42
- 238000009792 diffusion process Methods 0.000 claims abstract description 28
- 230000003595 spectral effect Effects 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims description 29
- 230000000737 periodic effect Effects 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 239000003344 environmental pollutant Substances 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 231100000719 pollutant Toxicity 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000003911 water pollution Methods 0.000 abstract description 7
- 230000006872 improvement Effects 0.000 abstract description 5
- 239000000463 material Substances 0.000 abstract description 5
- 230000009467 reduction Effects 0.000 abstract description 5
- 238000001228 spectrum Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 20
- 238000007405 data analysis Methods 0.000 description 6
- 238000003895 groundwater pollution Methods 0.000 description 6
- 238000011835 investigation Methods 0.000 description 6
- 230000002265 prevention Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
-
- 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
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Discrete Mathematics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种地下水实时监测方法、系统及介质。通过获取地下水监测区域中的历史环境数据、历史监测数据进行谱聚类数据划分，并将相关数据导入污染监测模型进行预测分析与模型训练；实时获取监测子区域中污染监测数据并导入污染监测模型进行污染预测，并得到污染扩散方向、污染源预测区域；基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案。通过本发明中数据谱聚类方法能够有效实现训练数据的精准化分组与获取，提高模型预测精度。另外，通过本发明能够实现动态调整监测区域，有效降低地下水监测区域内人力物力的资源消耗，实现地下水污染监测的降本增效。
Description
技术领域
本发明涉及数字孪生领域，更具体的，涉及一种地下水实时监测方法、系统及介质。
背景技术
地下水是人类生活和工业生产中重要的水资源，但由于地下水的隐藏性和舒适性，容易受到各种污染物的侵入和累积，因此地下水污染的监测分析非常重要。
受制传统分析技术，对地下水一般采取的是定点取样分析，进而对整个地下水所在区域缺少整体区域的污染分析与预测，另外，现有技术对地下水的相关模型分析中缺少高效精准的分析手段，从而影响地下水污染分析污染防治。因此，现在亟需一种高效精准的地下水监测方法。
发明内容
本发明克服了现有技术的缺陷，提出了一种地下水实时监测方法、系统及介质。
本发明第一方面提供了一种地下水实时监测方法，包括：
获取地下水监测区域，基于所述地下水监测区域进行区域划分得到多个监测子区域；
基于所述地下水监测区域与监测子区域，构建基于数字孪生的污染监测模型；
获取地下水监测区域中的历史环境数据、历史监测数据，将所述历史环境数据、历史监测数据进行基于谱聚类的数据划分，并得到聚类划分后的训练数据，将所述训练数据导入污染监测模型进行模型训练；
实时获取监测子区域中污染监测数据，将所述污染监测数据导入污染监测模型进行污染预测，并得到污染扩散方向、污染源预测区域；
基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案。
本方案中，所述获取地下水监测区域，基于所述地下水监测区域进行区域划分得到多个监测子区域，具体为：
获取地下水监测区域的区域大小与区域地图轮廓；
获取地下水监测深度，基于所述区域大小、区域地图轮廓、地下水监测深度构建基于三维的地下水结构模型；
基于地下水结构模型，对地下水监测区域进行区域划分得到多个监测子区域。
本方案中，所述基于所述地下水监测区域与监测子区域，构建基于数字孪生的污染监测模型，具体为：
获取每个监测子区域的地下水监测点位置与环境监测点位置；
基于所述地下水监测点位置与环境监测点位置得到地下水与环境监测点分布信息；
基于地下水与环境监测点分布信息、地下水监测区域与监测子区域，构建基于数字孪生的污染监测模型。
本方案中，所述获取地下水监测区域中的历史环境数据、历史监测数据，将所述历史环境数据、历史监测数据进行基于谱聚类的数据划分，并得到聚类划分后的训练数据，将所述训练数据导入污染监测模型进行模型训练，具体为：
构建基于神经网络的预测分析模块，并将所述预测分析模块作为污染监测模型的数据处理模块；
在预设时间段内，获取每个地下水监测区域中的历史环境数据、历史监测数据，基于预设时间间隔，将历史环境数据、历史监测数据划分为N个周期性环境与监测数据；
基于谱聚类算法，设定拥有N个节点的相似度图；
基于高斯核函数，计算N个周期性环境与监测数据之间的数据相似度，并得到相似度数据；
将N个周期性环境与监测数据作为相似度图中的N个节点，将相似度数据作为相似度图中边的权重值；
将相似度图转化为拉普拉斯矩阵，并基于所述拉普拉斯矩阵进行特征分解，得到K个特征值与对应K个特征向量；
基于预设聚类算法，将K个特征向量作为聚类输入数据进行聚类分析，并形成L组特征数据；
基于L组特征数据，对N个周期性环境与监测数据中进行数据融合与二次分组，并形成对应的L组环境与监测数据；
将所述L组环境与监测数据作为训练数据导入污染监测模型进行污染与环境关联分析与基于深度学习的数据预测训练，并得到训练后的污染监测模型。
本方案中，所述实时获取监测子区域中污染监测数据，将所述污染监测数据导入污染监测模型进行污染预测，并得到污染扩散方向、污染源预测区域，具体为：
实时获取一个周期内监测子区域中每个监测子区域的实时污染监测数据、实时环境数据；
将所述实时污染监测数据，实时环境数据导入污染监测模型进行区域性污染波动分析，得到分析结果，基于分析结果，计算预测出每个监测子区域的污染情况信息与污染扩散方向；
所述污染情况信息包括预设污染物的浓度变化、污染物种类信息；
基于每个监测子区域的污染扩散方向，结合地下水结构模型进行污染源预测，得到污染源预测区域。
本方案中，所述基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案，具体为：
随机选取一个监测子区域作为选定监测子区域；
根据选定监测子区域的实时环境数据，基于天气、降雨量、气温计算出对应周期内的环境变化指数；
计算出选定监测子区域与污染源预测区域的重合面积值，得到污染重合面积；
计算出选定监测子区域与污染源预测区域中多个预设平面方向的平均最短距离；
基于所述环境变化指数、污染重合面积、平均最短距离，计算出选定监测子区域中的监测需求度；
分析所有监测子区域并计算出所有监测子区域的监测需求度。
本方案中，所述基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案，还包括：
将监测需求度大于第一预设值的监测子区域作为优选监测子区域；
将监测需求度小于等于第一预设值且大于第二预设值的监测子区域作为第二优选监测子区域；
将监测需求度小于等于第二预设值的监测子区域作为非重点监测子区域；
基于所述优选监测子区域、第二优选监测子区域、非重点监测子区域生成监测方案。
本发明第二方面还提供了一种地下水实时监测系统，该系统包括：存储器、处理器，所述存储器中包括地下水实时监测程序，所述地下水实时监测程序被所述处理器执行时实现如下步骤：
获取地下水监测区域，基于所述地下水监测区域进行区域划分得到多个监测子区域；
基于所述地下水监测区域与监测子区域，构建基于数字孪生的污染监测模型；
获取地下水监测区域中的历史环境数据、历史监测数据，将所述历史环境数据、历史监测数据进行基于谱聚类的数据划分，并得到聚类划分后的训练数据，将所述训练数据导入污染监测模型进行模型训练；
实时获取监测子区域中污染监测数据，将所述污染监测数据导入污染监测模型进行污染预测，并得到污染扩散方向、污染源预测区域；
基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案。
本方案中，所述获取地下水监测区域，基于所述地下水监测区域进行区域划分得到多个监测子区域，具体为：
获取地下水监测区域的区域大小与区域地图轮廓；
获取地下水监测深度，基于所述区域大小、区域地图轮廓、地下水监测深度构建基于三维的地下水结构模型；
基于地下水结构模型，对地下水监测区域进行区域划分得到多个监测子区域。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括地下水实时监测程序，所述地下水实时监测程序被处理器执行时，实现如上述任一项所述的地下水实时监测方法的步骤。
本发明公开了一种地下水实时监测方法、系统及介质。通过获取地下水监测区域中的历史环境数据、历史监测数据进行谱聚类数据划分，并将相关数据导入污染监测模型进行预测分析与模型训练；实时获取监测子区域中污染监测数据并导入污染监测模型进行污染预测，并得到污染扩散方向、污染源预测区域；基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案。通过本发明中数据谱聚类方法能够有效实现训练数据的精准化分组与获取，提高模型预测精度。另外，通过本发明能够实现动态调整监测区域，有效降低地下水监测区域内人力物力的资源消耗，实现地下水污染监测的降本增效。
附图说明
图1示出了本发明一种地下水实时监测方法的流程图；
图2示出了本发明监测子区域获取流程图；
图3示出了本发明污染监测模型构建流程图；
图4示出了本发明一种地下水实时监测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
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他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种地下水实时监测方法的流程图。
如图1所示，本发明第一方面提供了一种地下水实时监测方法，包括：
S102，获取地下水监测区域，基于所述地下水监测区域进行区域划分得到多个监测子区域；
S104，基于所述地下水监测区域与监测子区域，构建基于数字孪生的污染监测模型；
S106，获取地下水监测区域中的历史环境数据、历史监测数据，将所述历史环境数据、历史监测数据进行基于谱聚类的数据划分，并得到聚类划分后的训练数据，将所述训练数据导入污染监测模型进行模型训练；
S108，实时获取监测子区域中污染监测数据，将所述污染监测数据导入污染监测模型进行污染预测，并得到污染扩散方向、污染源预测区域；
S110，基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案。
图2示出了本发明监测子区域获取流程图。
根据本发明实施例，所述获取地下水监测区域，基于所述地下水监测区域进行区域划分得到多个监测子区域，具体为：
S202，获取地下水监测区域的区域大小与区域地图轮廓；
S204，获取地下水监测深度，基于所述区域大小、区域地图轮廓、地下水监测深度构建基于三维的地下水结构模型；
S206，基于地下水结构模型，对地下水监测区域进行区域划分得到多个监测子区域。
需要说明的是，地下水监测深度为监测地下水的最大深度。所述地下水结构模型为一种基于可视化的三维地图模型，能够进行地下水的监测数据可视化与区域内相应位置地下水的模拟流动可视化，进一步能够让用户直观地掌握对地下水污染情况，提升基于信息化系统的用户体验。所述区域划分得到多个监测子区域中，需保证每个监测子区域的水平面积差在预设范围内。
图3示出了本发明污染监测模型构建流程图。
根据本发明实施例，所述基于所述地下水监测区域与监测子区域，构建基于数字孪生的污染监测模型，具体为：
S302，获取每个监测子区域的地下水监测点位置与环境监测点位置；
S304，基于所述地下水监测点位置与环境监测点位置得到地下水与环境监测点分布信息；
S306，基于地下水与环境监测点分布信息、地下水监测区域与监测子区域，构建基于数字孪生的污染监测模型。
需要说明的是，所述污染监测模型具体为一种用于数据分析、预测的地下水仿真模型，其模型中包含了每个监测子区域之间的地理关联关系、监测点位置关系、水流流向等信息，用于对地下水进行数据模拟分析。
所述污染监测模型主要用于数据分析、计算、预测，而地下水结构模型主要用于数据的直观、合理展示，两者模型通过有机的进行整合使用，能够提高系统分析与展示效率，提高系统健壮性与鲁棒性。污染监测模型与地下水结构模型能够实现数据实时联动与实时低延迟传输。
根据本发明实施例，所述获取地下水监测区域中的历史环境数据、历史监测数据，将所述历史环境数据、历史监测数据进行基于谱聚类的数据划分，并得到聚类划分后的训练数据，将所述训练数据导入污染监测模型进行模型训练，具体为：
构建基于神经网络的预测分析模块，并将所述预测分析模块作为污染监测模型的数据处理模块；
在预设时间段内，获取每个地下水监测区域中的历史环境数据、历史监测数据，基于预设时间间隔，将历史环境数据、历史监测数据划分为N个周期性环境与监测数据；
基于谱聚类算法，设定拥有N个节点的相似度图；
基于高斯核函数，计算N个周期性环境与监测数据之间的数据相似度，并得到相似度数据；
将N个周期性环境与监测数据作为相似度图中的N个节点，将相似度数据作为相似度图中边的权重值；
将相似度图转化为拉普拉斯矩阵，并基于所述拉普拉斯矩阵进行特征分解，得到K个特征值与对应K个特征向量；
基于预设聚类算法，将K个特征向量作为聚类输入数据进行聚类分析，并形成L组特征数据；
基于L组特征数据，对N个周期性环境与监测数据中进行数据融合与二次分组，并形成对应的L组环境与监测数据；
将所述L组环境与监测数据作为训练数据导入污染监测模型进行污染与环境关联分析与基于深度学习的数据预测训练，并得到训练后的污染监测模型。
需要说明的是，所述历史监测数据包括地下水监测点中地下水的pH值、溶解氧浓度、电导率、氨氮含量、重金属含量等，所述历史环境数据包括监测点的天气状况，气温、河流水位、降水量等。所述预设时间间隔为用户设定，在预设时间段固定时，所述预设时间间隔越大，N越小，N即为数据划分后的周期数。所述基于L组特征数据，对N个周期性环境与监测数据中进行数据融合与二次分组中，L组特征数据为基于谱聚类得到的聚类组，相较于原始数据缺少一定的数据量，本发明基于L组特征数据，对N个周期性环境与监测数据进行二次分组，分组依据为L组特征数据，得到的L组环境与监测数据中，其对应的特征信息为L组特征数据。所述基于神经网络的预测分析模块具体为一种具有训练、分析、预测功能的模型。
值得一提的是，在本发明中，通过将历史数据划分周期性数据，并通过谱聚类方法，将N个周期性环境与监测数据进行聚类分组，得到L组环境与监测数据并作为模型训练数据，能够有效实现训练数据的精准化分组与获取，并基于谱聚类分组后，有效降低训练数据的冗余性，大大增加了模型训练效果，提高模型预测精度。
根据本发明实施例，所述实时获取监测子区域中污染监测数据，将所述污染监测数据导入污染监测模型进行污染预测，并得到污染扩散方向、污染源预测区域，具体为：
实时获取一个周期内监测子区域中每个监测子区域的实时污染监测数据、实时环境数据；
将所述实时污染监测数据，实时环境数据导入污染监测模型进行区域性污染波动分析，得到分析结果，基于分析结果，计算预测出每个监测子区域的污染情况信息与污染扩散方向；
所述污染情况信息包括预设污染物的浓度变化、污染物种类信息；
基于每个监测子区域的污染扩散方向，结合地下水结构模型进行污染源预测，得到污染源预测区域。
需要说明的是，所述污染源预测区域一般包括多个，具体由实际地下水污染情况而定。
根据本发明实施例，所述基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案，具体为：
随机选取一个监测子区域作为选定监测子区域；
根据选定监测子区域的实时环境数据，基于天气、降雨量、气温计算出对应周期内的环境变化指数；
计算出选定监测子区域与污染源预测区域的重合面积值，得到污染重合面积；
计算出选定监测子区域与污染源预测区域中多个预设平面方向的平均最短距离；
基于所述环境变化指数、污染重合面积、平均最短距离，计算出选定监测子区域中的监测需求度；
分析所有监测子区域并计算出所有监测子区域的监测需求度。
需要说明的是，所述环境变化指数为反映天气、降雨量、气温的变化剧烈程度，该指数越大，对应区域污染扩散越快。
所述预设平面方向一般为4个方向或8个方向，对应地图中东南西北四个方向，根据分析精度需求，可以设定更多方向，如8个方向。所述平均最短距离即所有方向中选定监测子区域与污染源预测区域的最短距离的均值。监测需求度越大，则对应监测子区域的监测需求性越大，当监测需求度低于一个预设最低值，则该区域污染影响度低，且对整个地下水污染预测与分析过程的数据贡献度低。
其中，所述监测需求度计算公式为：
；
式中，为监测需求度，/>为平均最短距离，/>为环境变化指数，/>为监测子区域与污染源预测区域的平均最短距离。
根据本发明实施例，所述基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案，还包括：
将监测需求度大于第一预设值的监测子区域作为优选监测子区域；
将监测需求度小于等于第一预设值且大于第二预设值的监测子区域作为第二优选监测子区域；
将监测需求度小于等于第二预设值的监测子区域作为非重点监测子区域；
基于所述优选监测子区域、第二优选监测子区域、非重点监测子区域生成监测方案。
需要说明的是，所述监测方案中，优选监测子区域将在每个周期内进行监测分析，第二优选监测子区域将进行间隔性监测，即当前周期实行监测，下一个周期不实行监测，而非重点监测子区域则不实现监测。另外，在每个分析周期内，监测需求度有所变化，对应每个分析周期的监测方案存在一定差异。通过本发明方法，能够实现动态调整监测区域，并进一步实现动态调整监测方案，从有效减少不必要的数据采集与减少数据分析量，在保证预测分析需求的同时，大大提高了系统分析效率。进一步地，能够有效降低地下水监测区域内人力物力的资源消耗，实现地下水污染监测的降本增效。
根据本发明实施例，还包括：
获取当前周期内地下水监测区域中的污染源预测区域；
获取在地下水监测区域中，对应地面区域的工业分布信息与农田分布信息；
若污染源预测区域的个数大于预设数量，则在每个污染源预测区域中设定至少一个污染源监测点；
基于工业分布信息与农田分布信息，分析每个污染源预测区域中的工业区域分布与农业区域分布，并进一步获取在当前周期内每个污染源预测区域中的工业活动信息与农业活动信息；
获取所有污染源监测点的地下水监测数据，将所述地下水监测数据导入污染监测模型进行污染程度分析与污染变化分析，得到每个污染源预测区域的污染物变化信息、污染扩散方向信息；
将工业活动信息与农业活动信息作为第一分析数据，将污染物变化信息、污染扩散方向信息作为第二分析数据；
计算出第一分析数据、第二分析数据的数据线性变化特征，并基于所述线性变化特征，计算出第一分析数据与第二分析数据的线性相关系数；
判断线性相关系数是否大于预设相关值，若大于，则将对应的污染源预测区域标记为污染预警区域，分析判断出所有的污染预警区域；
基于所有污染预警区域生成对应污染源排查防治方案。
需要说明的是，所述预设数量一般为2~10。当污染源预测区域个数达到一定数量时，代表其中地下水区域污染情况较为复杂，污染源较多，急需进行污染排查。所述工业活动信息具体为在当前周期内工业生产活动频率、生成规模等信息，所述农业活动信息具体为农业活动频率与农业生产中施肥、灌溉等活动信息。通过本发明方法，能够对污染源进行精准分析并生成针对当前地下水监测区域的排查防治方案，有效提高地下水污染防治效果。
图4示出了本发明一种地下水实时监测系统的框图。
本发明第二方面还提供了一种地下水实时监测系统4，该系统包括：存储器41、处理器42，所述存储器中包括地下水实时监测程序，所述地下水实时监测程序被所述处理器执行时实现如下步骤：
获取地下水监测区域，基于所述地下水监测区域进行区域划分得到多个监测子区域；
基于所述地下水监测区域与监测子区域，构建基于数字孪生的污染监测模型；
获取地下水监测区域中的历史环境数据、历史监测数据，将所述历史环境数据、历史监测数据进行基于谱聚类的数据划分，并得到聚类划分后的训练数据，将所述训练数据导入污染监测模型进行模型训练；
实时获取监测子区域中污染监测数据，将所述污染监测数据导入污染监测模型进行污染预测，并得到污染扩散方向、污染源预测区域；
基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案。
根据本发明实施例，所述获取地下水监测区域，基于所述地下水监测区域进行区域划分得到多个监测子区域，具体为：
获取地下水监测区域的区域大小与区域地图轮廓；
获取地下水监测深度，基于所述区域大小、区域地图轮廓、地下水监测深度构建基于三维的地下水结构模型；
基于地下水结构模型，对地下水监测区域进行区域划分得到多个监测子区域。
需要说明的是，地下水监测深度为监测地下水的最大深度。所述地下水结构模型为一种基于可视化的三维地图模型，能够进行地下水的监测数据可视化与区域内相应位置地下水的模拟流动可视化，进一步能够让用户直观地掌握对地下水污染情况，提升基于信息化系统的用户体验。所述区域划分得到多个监测子区域中，需保证每个监测子区域的水平面积差在预设范围内。
根据本发明实施例，所述基于所述地下水监测区域与监测子区域，构建基于数字孪生的污染监测模型，具体为：
获取每个监测子区域的地下水监测点位置与环境监测点位置；
基于所述地下水监测点位置与环境监测点位置得到地下水与环境监测点分布信息；
基于地下水与环境监测点分布信息、地下水监测区域与监测子区域，构建基于数字孪生的污染监测模型。
需要说明的是，所述污染监测模型具体为一种用于数据分析、预测的地下水仿真模型，其模型中包含了每个监测子区域之间的地理关联关系、监测点位置关系、水流流向等信息，用于对地下水进行数据模拟分析。
所述污染监测模型主要用于数据分析、计算、预测，而地下水结构模型主要用于数据的直观、合理展示，两者模型通过有机的进行整合使用，能够提高系统分析与展示效率，提高系统健壮性与鲁棒性。污染监测模型与地下水结构模型能够实现数据实时联动与实时低延迟传输。
根据本发明实施例，所述获取地下水监测区域中的历史环境数据、历史监测数据，将所述历史环境数据、历史监测数据进行基于谱聚类的数据划分，并得到聚类划分后的训练数据，将所述训练数据导入污染监测模型进行模型训练，具体为：
构建基于神经网络的预测分析模块，并将所述预测分析模块作为污染监测模型的数据处理模块；
在预设时间段内，获取每个地下水监测区域中的历史环境数据、历史监测数据，基于预设时间间隔，将历史环境数据、历史监测数据划分为N个周期性环境与监测数据；
基于谱聚类算法，设定拥有N个节点的相似度图；
基于高斯核函数，计算N个周期性环境与监测数据之间的数据相似度，并得到相似度数据；
将N个周期性环境与监测数据作为相似度图中的N个节点，将相似度数据作为相似度图中边的权重值；
将相似度图转化为拉普拉斯矩阵，并基于所述拉普拉斯矩阵进行特征分解，得到K个特征值与对应K个特征向量；
基于预设聚类算法，将K个特征向量作为聚类输入数据进行聚类分析，并形成L组特征数据；
基于L组特征数据，对N个周期性环境与监测数据中进行数据融合与二次分组，并形成对应的L组环境与监测数据；
将所述L组环境与监测数据作为训练数据导入污染监测模型进行污染与环境关联分析与基于深度学习的数据预测训练，并得到训练后的污染监测模型。
需要说明的是，所述历史监测数据包括地下水监测点中地下水的pH值、溶解氧浓度、电导率、氨氮含量、重金属含量等，所述历史环境数据包括监测点的天气状况，气温、河流水位、降水量等。所述预设时间间隔为用户设定，在预设时间段固定时，所述预设时间间隔越大，N越小，N即为数据划分后的周期数。所述基于L组特征数据，
对N个周期性环境与监测数据中进行数据融合与二次分组中，L组特征数据为基于谱聚类得到的聚类组，相较于原始数据缺少一定的数据量，本发明基于L组特征数据，对N个周期性环境与监测数据进行二次分组，分组依据为L组特征数据，得到的L组环境与监测数据中，其对应的特征信息为L组特征数据。所述基于神经网络的预测分析模块具体为一种具有训练、分析、预测功能的模型。
值得一提的是，在本发明中，通过将历史数据划分周期性数据，并通过谱聚类方法，将N个周期性环境与监测数据进行聚类分组，得到L组环境与监测数据并作为模型训练数据，能够有效实现训练数据的精准化分组与获取，并基于谱聚类分组后，有效降低训练数据的冗余性，大大增加了模型训练效果，提高模型预测精度。
根据本发明实施例，所述实时获取监测子区域中污染监测数据，将所述污染监测数据导入污染监测模型进行污染预测，并得到污染扩散方向、污染源预测区域，具体为：
实时获取一个周期内监测子区域中每个监测子区域的实时污染监测数据、实时环境数据；
将所述实时污染监测数据，实时环境数据导入污染监测模型进行区域性污染波动分析，得到分析结果，基于分析结果，计算预测出每个监测子区域的污染情况信息与污染扩散方向；
所述污染情况信息包括预设污染物的浓度变化、污染物种类信息；
基于每个监测子区域的污染扩散方向，结合地下水结构模型进行污染源预测，得到污染源预测区域。
需要说明的是，所述污染源预测区域一般包括多个，具体由实际地下水污染情况而定。
根据本发明实施例，所述基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案，具体为：
随机选取一个监测子区域作为选定监测子区域；
根据选定监测子区域的实时环境数据，基于天气、降雨量、气温计算出对应周期内的环境变化指数；
计算出选定监测子区域与污染源预测区域的重合面积值，得到污染重合面积；
计算出选定监测子区域与污染源预测区域中多个预设平面方向的平均最短距离；
基于所述环境变化指数、污染重合面积、平均最短距离，计算出选定监测子区域中的监测需求度；
分析所有监测子区域并计算出所有监测子区域的监测需求度。
需要说明的是，所述环境变化指数为反映天气、降雨量、气温的变化剧烈程度，该指数越大，对应区域污染扩散越快。
所述预设平面方向一般为4个方向或8个方向，对应地图中东南西北四个方向，根据分析精度需求，可以设定更多方向，如8个方向。所述平均最短距离即所有方向中选定监测子区域与污染源预测区域的最短距离的均值。监测需求度越大，则对应监测子区域的监测需求性越大，当监测需求度低于一个预设最低值，则该区域污染影响度低，且对整个地下水污染预测与分析过程的数据贡献度低。
其中，所述监测需求度计算公式为：
；
式中，为监测需求度，/>为平均最短距离，/>为环境变化指数，/>为监测子区域与污染源预测区域的平均最短距离。
根据本发明实施例，所述基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案，还包括：
将监测需求度大于第一预设值的监测子区域作为优选监测子区域；
将监测需求度小于等于第一预设值且大于第二预设值的监测子区域作为第二优选监测子区域；
将监测需求度小于等于第二预设值的监测子区域作为非重点监测子区域；
基于所述优选监测子区域、第二优选监测子区域、非重点监测子区域生成监测方案。
需要说明的是，所述监测方案中，优选监测子区域将在每个周期内进行监测分析，第二优选监测子区域将进行间隔性监测，即当前周期实行监测，下一个周期不实行监测，而非重点监测子区域则不实现监测。另外，在每个分析周期内，监测需求度有所变化，对应每个分析周期的监测方案存在一定差异。通过本发明方法，能够实现动态调整监测区域，并进一步实现动态调整监测方案，从有效减少不必要的数据采集与减少数据分析量，在保证预测分析需求的同时，大大提高了系统分析效率。进一步地，能够有效降低地下水监测区域内人力物力的资源消耗，实现地下水污染监测的降本增效。
根据本发明实施例，还包括：
获取当前周期内地下水监测区域中的污染源预测区域；
获取在地下水监测区域中，对应地面区域的工业分布信息与农田分布信息；
若污染源预测区域的个数大于预设数量，则在每个污染源预测区域中设定至少一个污染源监测点；
基于工业分布信息与农田分布信息，分析每个污染源预测区域中的工业区域分布与农业区域分布，并进一步获取在当前周期内每个污染源预测区域中的工业活动信息与农业活动信息；
获取所有污染源监测点的地下水监测数据，将所述地下水监测数据导入污染监测模型进行污染程度分析与污染变化分析，得到每个污染源预测区域的污染物变化信息、污染扩散方向信息；
将工业活动信息与农业活动信息作为第一分析数据，将污染物变化信息、污染扩散方向信息作为第二分析数据；
计算出第一分析数据、第二分析数据的数据线性变化特征，并基于所述线性变化特征，计算出第一分析数据与第二分析数据的线性相关系数；
判断线性相关系数是否大于预设相关值，若大于，则将对应的污染源预测区域标记为污染预警区域，分析判断出所有的污染预警区域；
基于所有污染预警区域生成对应污染源排查防治方案。
需要说明的是，所述预设数量一般为2~10。当污染源预测区域个数达到一定数量时，代表其中地下水区域污染情况较为复杂，污染源较多，急需进行污染排查。所述工业活动信息具体为在当前周期内工业生产活动频率、生成规模等信息，所述农业活动信息具体为农业活动频率与农业生产中施肥、灌溉等活动信息。通过本发明方法，能够对污染源进行精准分析并生成针对当前地下水监测区域的排查防治方案，有效提高地下水污染防治效果。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括地下水实时监测程序，所述地下水实时监测程序被处理器执行时，实现如上述任一项所述的地下水实时监测方法的步骤。
本发明公开了一种地下水实时监测方法、系统及介质。通过获取地下水监测区域中的历史环境数据、历史监测数据进行谱聚类数据划分，并将相关数据导入污染监测模型进行预测分析与模型训练；实时获取监测子区域中污染监测数据并导入污染监测模型进行污染预测，并得到污染扩散方向、污染源预测区域；基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案。通过本发明中数据谱聚类方法能够有效实现训练数据的精准化分组与获取，提高模型预测精度。另外，通过本发明能够实现动态调整监测区域，有效降低地下水监测区域内人力物力的资源消耗，实现地下水污染监测的降本增效。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种地下水实时监测方法，其特征在于，包括：
获取地下水监测区域，基于所述地下水监测区域进行区域划分得到多个监测子区域；
基于所述地下水监测区域与监测子区域，构建基于数字孪生的污染监测模型；
获取地下水监测区域中的历史环境数据、历史监测数据，将所述历史环境数据、历史监测数据进行基于谱聚类的数据划分，并得到聚类划分后的训练数据，将所述训练数据导入污染监测模型进行模型训练；
实时获取监测子区域中污染监测数据，将所述污染监测数据导入污染监测模型进行污染预测，并得到污染扩散方向、污染源预测区域；
基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案；
其中，所述获取地下水监测区域中的历史环境数据、历史监测数据，将所述历史环境数据、历史监测数据进行基于谱聚类的数据划分，并得到聚类划分后的训练数据，将所述训练数据导入污染监测模型进行模型训练，具体为：
构建基于神经网络的预测分析模块，并将所述预测分析模块作为污染监测模型的数据处理模块；
在预设时间段内，获取每个地下水监测区域中的历史环境数据、历史监测数据，基于预设时间间隔，将历史环境数据、历史监测数据划分为N个周期性环境与监测数据；
基于谱聚类算法，设定拥有N个节点的相似度图；
基于高斯核函数，计算N个周期性环境与监测数据之间的数据相似度，并得到相似度数据；
将N个周期性环境与监测数据作为相似度图中的N个节点，将相似度数据作为相似度图中边的权重值；
将相似度图转化为拉普拉斯矩阵，并基于所述拉普拉斯矩阵进行特征分解，得到K个特征值与对应K个特征向量；
基于预设聚类算法，将K个特征向量作为聚类输入数据进行聚类分析，并形成L组特征数据；
基于L组特征数据，对N个周期性环境与监测数据中进行数据融合与二次分组，并形成对应的L组环境与监测数据；
将所述L组环境与监测数据作为训练数据导入污染监测模型进行污染与环境关联分析与基于深度学习的数据预测训练，并得到训练后的污染监测模型；
其中，所述实时获取监测子区域中污染监测数据，将所述污染监测数据导入污染监测模型进行污染预测，并得到污染扩散方向、污染源预测区域，具体为：
实时获取一个周期内监测子区域中每个监测子区域的实时污染监测数据、实时环境数据；
将所述实时污染监测数据，实时环境数据导入污染监测模型进行区域性污染波动分析，得到分析结果，基于分析结果，计算预测出每个监测子区域的污染情况信息与污染扩散方向；
所述污染情况信息包括预设污染物的浓度变化、污染物种类信息；
基于每个监测子区域的污染扩散方向，结合地下水结构模型进行污染源预测，得到污染源预测区域；
其中，所述基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案，具体为：
随机选取一个监测子区域作为选定监测子区域；
根据选定监测子区域的实时环境数据，基于天气、降雨量、气温计算出对应周期内的环境变化指数；
计算出选定监测子区域与污染源预测区域的重合面积值，得到污染重合面积；
计算出选定监测子区域与污染源预测区域中多个预设平面方向的平均最短距离；
基于所述环境变化指数、污染重合面积、平均最短距离，计算出选定监测子区域中的监测需求度；
分析所有监测子区域并计算出所有监测子区域的监测需求度；
其中，所述基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案，还包括：
将监测需求度大于第一预设值的监测子区域作为优选监测子区域；
将监测需求度小于等于第一预设值且大于第二预设值的监测子区域作为第二优选监测子区域；
将监测需求度小于等于第二预设值的监测子区域作为非重点监测子区域；
基于所述优选监测子区域、第二优选监测子区域、非重点监测子区域生成监测方案。
2.根据权利要求1所述的一种地下水实时监测方法，其特征在于，所述获取地下水监测区域，基于所述地下水监测区域进行区域划分得到多个监测子区域，具体为：
获取地下水监测区域的区域大小与区域地图轮廓；
获取地下水监测深度，基于所述区域大小、区域地图轮廓、地下水监测深度构建基于三维的地下水结构模型；
基于地下水结构模型，对地下水监测区域进行区域划分得到多个监测子区域。
3.根据权利要求1所述的一种地下水实时监测方法，其特征在于，所述基于所述地下水监测区域与监测子区域，构建基于数字孪生的污染监测模型，具体为：
获取每个监测子区域的地下水监测点位置与环境监测点位置；
基于所述地下水监测点位置与环境监测点位置得到地下水与环境监测点分布信息；
基于地下水与环境监测点分布信息、地下水监测区域与监测子区域，构建基于数字孪生的污染监测模型。
4.一种地下水实时监测系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括地下水实时监测程序，所述地下水实时监测程序被所述处理器执行时实现如下步骤：
获取地下水监测区域，基于所述地下水监测区域进行区域划分得到多个监测子区域；
基于所述地下水监测区域与监测子区域，构建基于数字孪生的污染监测模型；
获取地下水监测区域中的历史环境数据、历史监测数据，将所述历史环境数据、历史监测数据进行基于谱聚类的数据划分，并得到聚类划分后的训练数据，将所述训练数据导入污染监测模型进行模型训练；
实时获取监测子区域中污染监测数据，将所述污染监测数据导入污染监测模型进行污染预测，并得到污染扩散方向、污染源预测区域；
基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案；
其中，所述获取地下水监测区域中的历史环境数据、历史监测数据，将所述历史环境数据、历史监测数据进行基于谱聚类的数据划分，并得到聚类划分后的训练数据，将所述训练数据导入污染监测模型进行模型训练，具体为：
构建基于神经网络的预测分析模块，并将所述预测分析模块作为污染监测模型的数据处理模块；
在预设时间段内，获取每个地下水监测区域中的历史环境数据、历史监测数据，基于预设时间间隔，将历史环境数据、历史监测数据划分为N个周期性环境与监测数据；
基于谱聚类算法，设定拥有N个节点的相似度图；
基于高斯核函数，计算N个周期性环境与监测数据之间的数据相似度，并得到相似度数据；
将N个周期性环境与监测数据作为相似度图中的N个节点，将相似度数据作为相似度图中边的权重值；
将相似度图转化为拉普拉斯矩阵，并基于所述拉普拉斯矩阵进行特征分解，得到K个特征值与对应K个特征向量；
基于预设聚类算法，将K个特征向量作为聚类输入数据进行聚类分析，并形成L组特征数据；
基于L组特征数据，对N个周期性环境与监测数据中进行数据融合与二次分组，并形成对应的L组环境与监测数据；
将所述L组环境与监测数据作为训练数据导入污染监测模型进行污染与环境关联分析与基于深度学习的数据预测训练，并得到训练后的污染监测模型；
其中，所述实时获取监测子区域中污染监测数据，将所述污染监测数据导入污染监测模型进行污染预测，并得到污染扩散方向、污染源预测区域，具体为：
实时获取一个周期内监测子区域中每个监测子区域的实时污染监测数据、实时环境数据；
将所述实时污染监测数据，实时环境数据导入污染监测模型进行区域性污染波动分析，得到分析结果，基于分析结果，计算预测出每个监测子区域的污染情况信息与污染扩散方向；
所述污染情况信息包括预设污染物的浓度变化、污染物种类信息；
基于每个监测子区域的污染扩散方向，结合地下水结构模型进行污染源预测，得到污染源预测区域；
其中，所述基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案，具体为：
随机选取一个监测子区域作为选定监测子区域；
根据选定监测子区域的实时环境数据，基于天气、降雨量、气温计算出对应周期内的环境变化指数；
计算出选定监测子区域与污染源预测区域的重合面积值，得到污染重合面积；
计算出选定监测子区域与污染源预测区域中多个预设平面方向的平均最短距离；
基于所述环境变化指数、污染重合面积、平均最短距离，计算出选定监测子区域中的监测需求度；
分析所有监测子区域并计算出所有监测子区域的监测需求度；
其中，所述基于所述污染源预测区域与监测子区域的环境数据计算每个监测子区域的监测需求度，基于所述监测需求度生成监测方案，还包括：
将监测需求度大于第一预设值的监测子区域作为优选监测子区域；
将监测需求度小于等于第一预设值且大于第二预设值的监测子区域作为第二优选监测子区域；
将监测需求度小于等于第二预设值的监测子区域作为非重点监测子区域；
基于所述优选监测子区域、第二优选监测子区域、非重点监测子区域生成监测方案。
5.根据权利要求4所述的一种地下水实时监测系统，其特征在于，所述获取地下水监测区域，基于所述地下水监测区域进行区域划分得到多个监测子区域，具体为：
获取地下水监测区域的区域大小与区域地图轮廓；
获取地下水监测深度，基于所述区域大小、区域地图轮廓、地下水监测深度构建基于三维的地下水结构模型；
基于地下水结构模型，对地下水监测区域进行区域划分得到多个监测子区域。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括地下水实时监测程序，所述地下水实时监测程序被处理器执行时，实现如权利要求1至3中任一项所述的地下水实时监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310982007.7A CN116702047B (zh) | 2023-08-07 | 2023-08-07 | 一种地下水实时监测方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310982007.7A CN116702047B (zh) | 2023-08-07 | 2023-08-07 | 一种地下水实时监测方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116702047A CN116702047A (zh) | 2023-09-05 |
| CN116702047B true CN116702047B (zh) | 2023-11-17 |
Family
ID=87837870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310982007.7A Active CN116702047B (zh) | 2023-08-07 | 2023-08-07 | 一种地下水实时监测方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116702047B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117310101A (zh) * | 2023-10-31 | 2023-12-29 | 湖北凌创环保有限公司 | 一种大气污染物浓度监测系统 |
| CN117875559A (zh) * | 2024-01-16 | 2024-04-12 | 广东博创佳禾科技有限公司 | 基于城市环境介质的重金属负载容量分析方法及系统 |
| CN118096117B (zh) * | 2024-02-28 | 2024-08-23 | 澎湃数智(北京)科技有限公司 | 基于数字孪生的电力设备故障检测方法及系统 |
| CN118169348A (zh) * | 2024-03-13 | 2024-06-11 | 河南省地质局生态环境地质服务中心 | 一种基于ai的地下水污染智能评估方法及系统 |
| CN117951531B (zh) * | 2024-03-27 | 2024-06-18 | 长江三峡集团实业发展(北京)有限公司 | 训练方法、区域雨水径流污染负荷预测方法及装置 |
| CN118425452A (zh) * | 2024-05-11 | 2024-08-02 | 宁波惠康智能科技有限公司 | 制冰用海水浓度检测系统及方法 |
| CN118505434A (zh) * | 2024-06-25 | 2024-08-16 | 深圳市汉宇环境科技有限公司 | 一种基于物联节点的区域污染预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111735504A (zh) * | 2020-07-30 | 2020-10-02 | 中电科新型智慧城市研究院有限公司 | 环境监测方法、系统及计算节点 |
| CN112102488A (zh) * | 2020-09-17 | 2020-12-18 | 山东省地矿工程勘察院 | 地下水资源三维可视化动态监测结构模型的构建方法 |
| WO2021093283A1 (zh) * | 2019-11-14 | 2021-05-20 | 青岛理工大学 | 基于多传感融合的海面小面积溢油区域检测系统及检测方法 |
| CN114184750A (zh) * | 2021-11-09 | 2022-03-15 | 深圳市宇驰检测技术股份有限公司 | 地下水污染物的监控方法、装置、设备及存储介质 |
| WO2022056152A1 (en) * | 2020-09-10 | 2022-03-17 | Project Canary, Pbc | Air quality monitoring system and method |
-
2023
- 2023-08-07 CN CN202310982007.7A patent/CN116702047B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021093283A1 (zh) * | 2019-11-14 | 2021-05-20 | 青岛理工大学 | 基于多传感融合的海面小面积溢油区域检测系统及检测方法 |
| CN111735504A (zh) * | 2020-07-30 | 2020-10-02 | 中电科新型智慧城市研究院有限公司 | 环境监测方法、系统及计算节点 |
| WO2022056152A1 (en) * | 2020-09-10 | 2022-03-17 | Project Canary, Pbc | Air quality monitoring system and method |
| CN112102488A (zh) * | 2020-09-17 | 2020-12-18 | 山东省地矿工程勘察院 | 地下水资源三维可视化动态监测结构模型的构建方法 |
| CN114184750A (zh) * | 2021-11-09 | 2022-03-15 | 深圳市宇驰检测技术股份有限公司 | 地下水污染物的监控方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| LRP： Link quality-aware queue-based specrtral clusteering routing protocol for underwater acoustic sensor networks;Muhammad Faheem等;《International Journal of Communication Systems》;全文 * |
| 基于谱聚类的运动捕获数据分割;胡晓雁;孙波;朱小明;魏云刚;;计算机辅助设计与图形学学报(第08期);第1306-1314页 * |
| 陆海统筹下的陆源排放口聚类分析;冯存岸;于金珍;冯依蕾;张燕伟;张学庆;;水动力学研究与进展(A辑)(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116702047A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116702047B (zh) | 一种地下水实时监测方法、系统及介质 | |
| CN116186566B (zh) | 基于深度学习的扩散预测方法及系统 | |
| CN113769519B (zh) | 一种建筑工地的智能降尘控制方法及系统 | |
| Xu et al. | HighAir: A hierarchical graph neural network-based air quality forecasting method | |
| CN116362571B (zh) | 一种基于深度学习的多源污染时空特征分析方法及系统 | |
| CN116109462B (zh) | 一种自然灾害后饮水水源地污染监测预警方法及系统 | |
| CN118052450A (zh) | 河道水质实时监测平台 | |
| Fu et al. | Effects of land-use changes on city-level net carbon emissions based on a coupled model | |
| CN108062454A (zh) | 污染物时空分布不确定性特征分析方法、系统及存储介质 | |
| CN105184427A (zh) | 一种对农田生态环境进行预警的方法及装置 | |
| CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
| Oukil et al. | A Surrogate Water Quality Index to assess groundwater using a unified DEA-OWA framework | |
| CN117332906A (zh) | 基于机器学习的三维时空网格空气质量预测方法及系统 | |
| CN118467622A (zh) | 基于gis图层渲染的碳汇大数据核算和可视化展示方法 | |
| Qiuying et al. | Quantitative measurement of urban expansion and its driving factors in Qingdao: An empirical analysis based on county unit data | |
| Han et al. | Geographically and temporally weighted principal component analysis: a new approach for exploring air pollution non-stationarity in China, 2015–2019 | |
| CN116304391B (zh) | 一种地图区域框选后的推荐选区生成方法及系统 | |
| Zhang et al. | Analyzing 2000–2010 childhood age-adjusted cancer rates in Florida: A spatial clustering approach | |
| CN116539006A (zh) | 径流预测方法、装置、计算机设备和存储介质 | |
| Abdollahi et al. | Evaluating spatial patterns of ecosystem services based on a comparative approach on spatial statistics in the central part of Isfahan province | |
| CN115424131A (zh) | 一种基于绝对像素的遥感影像云检测最优阈值选取方法、云检测方法及系统 | |
| CN113763221A (zh) | 一种大气污染的溯源方法、装置、电子设备及存储介质 | |
| Wu et al. | Spatial variation and pollution risk assessment of heavy metals in industrial soil based on geochemical data and GIS-A case of an iron and steel plant in Beijing， China | |
| Zeng et al. | PM2. 5 concentration forecasting in industrial parks based on attention mechanism spatiotemporal graph convolutional networks | |
| CN117610742B (zh) | 一种城市碳追踪分析方法、系统及存储介质 |
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 |