CN116739386B - 多指标融合污染溯源方法、设备和可读存储介质 - Google Patents
多指标融合污染溯源方法、设备和可读存储介质 Download PDFInfo
- Publication number
- CN116739386B CN116739386B CN202311003551.9A CN202311003551A CN116739386B CN 116739386 B CN116739386 B CN 116739386B CN 202311003551 A CN202311003551 A CN 202311003551A CN 116739386 B CN116739386 B CN 116739386B
- Authority
- CN
- China
- Prior art keywords
- pollution
- index
- tracing
- fusion
- water quality
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 165
- 238000013179 statistical model Methods 0.000 claims abstract description 109
- 238000007499 fusion processing Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 16
- 239000003344 environmental pollutant Substances 0.000 claims description 67
- 231100000719 pollutant Toxicity 0.000 claims description 67
- 238000009826 distribution Methods 0.000 claims description 57
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 20
- 238000009792 diffusion process Methods 0.000 claims description 16
- 239000002245 particle Substances 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 239000013049 sediment Substances 0.000 claims description 5
- 238000004506 ultrasonic cleaning Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 10
- 238000007689 inspection Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 239000000356 contaminant Substances 0.000 description 12
- 238000004140 cleaning Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000011109 contamination Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 108010053210 Phycocyanin Proteins 0.000 description 2
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 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
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 239000004698 Polyethylene Substances 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- UQMRAFJOBWOFNS-UHFFFAOYSA-N butyl 2-(2,4-dichlorophenoxy)acetate Chemical compound CCCCOC(=O)COC1=CC=C(Cl)C=C1Cl UQMRAFJOBWOFNS-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000005446 dissolved organic matter Substances 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- -1 polyethylene Polymers 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000002759 z-score normalization 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种多指标融合污染溯源方法、设备和可读存储介质，涉及监督或预测的数据处理领域，该方法包括：基于当前虚拟源对应的水质数据，更新统计模型权重以及高斯模型权重；根据所述水质数据，分别确定统计模型以及高斯模型的污染源估计结果；基于更新后的所述统计模型权重，以及所述高斯模型权重，对所述污染源估计结果融合处理，得到目标虚拟源；当所述目标虚拟源与所述当前虚拟源对应的欧氏距离小于预设阈值时，确定所述目标虚拟源为污染源。解决了相关技术中溯源时容易陷入局部浓度极值，并不是实际污染源的技术问题，实现了不需要定制巡查路径，在节约算力的同时提高溯源的精度的技术效果。
Description
技术领域
本申请涉及监督或预测的数据处理领域，尤其涉及一种多指标融合污染溯源方法、多指标融合污染溯源设备和计算机可读存储介质。
背景技术
水污染事故溯源一般是指河流发生水污染事故后，利用各种方式追踪定位污染的来源，主要工作包括：分析污染物的来源和种类，寻找出污染源位置、泄漏时间、泄漏强度等关键信息。
在相关技术中，通过可移动的水质监测平台采集水面水样信息，通过数据回溯模型模拟计算出污染源的位置信息。其中通过溯源设备在河道两岸之间以折线形溯源线路航行，记录路线中污染物的最大浓度和次最大浓度，从而反复缩小污染源位置的范围，直至追溯至污染源位置。
但是，上述方法初始巡查范围过大，容易出现巡查不完全的情况，导致获取到的污染源位置为局部浓度极值，并不是实际污染源。
发明内容
本申请实施例通过提供一种多指标融合污染溯源方法、设备和可读存储介质，解决了相关技术中由于初始巡查范围过大，导致溯源时容易陷入局部浓度极值，并不是实际污染源的技术问题，实现了不需要定制巡查路径，在节约算力的同时提高溯源的精度的技术效果。
本申请实施例提供了一种多指标融合污染溯源方法，所述多指标融合污染溯源方法包括：
基于当前虚拟源对应的水质数据，更新统计模型权重以及高斯模型权重；
根据所述水质数据，分别确定统计模型以及高斯模型的污染源估计结果；
基于更新后的所述统计模型权重，以及所述高斯模型权重，对所述污染源估计结果融合处理，得到目标虚拟源；
当所述目标虚拟源与所述当前虚拟源对应的欧氏距离小于预设阈值时，确定所述目标虚拟源为污染源。
可选的，所述基于当前虚拟源对应的水质数据，更新统计模型权重以及高斯模型权重的步骤包括：
获取所述当前虚拟源对应的统计模型估计结果以及高斯模型估计结果；
确定所述水质数据与所述统计模型估计结果的第一差值；
确定所述水质数据与所述高斯模型估计结果的第二差值；
根据所述第一差值与所述第二差值的标准化值，确定所述统计模型权重以及所述高斯模型权重。
可选的，所述基于当前虚拟源对应的水质数据，更新统计模型权重以及高斯模型权重的步骤之前，包括：
预设待采样点位，获取所述待采样点位的所述水质数据；
根据所述水质数据，分别确定统计模型以及高斯模型的污染源估计结果；
基于初始权重以及所述污染源估计结果确定所述当前污染源。
可选的，所述根据所述水质数据，分别确定统计模型以及高斯模型的污染源估计结果的步骤包括：
对所述水质数据进行融合处理，生成污染物溯源指标；
将所述污染物溯源指标作为所述统计模型的参数，估计湍流状态下的所述污染源估计结果；
将所述污染物溯源指标代入预设的粒子群优化算法，确定目标参数；
将所述目标参数代入高斯扩散方程，确定所述污染源统计结果。
可选的，所述对所述水质数据进行融合处理，生成污染物溯源指标的步骤包括：
对所述水质数据中的各个指标数据归一化处理；
根据所述指标数据的关联性分析结果，确定溯源参数；
根据所述溯源参数对应的参数值以及权重值，生成所述污染物溯源指标。
可选的，所述将所述污染物溯源指标作为统计方法的参数，估计所述湍流状态下的所述污染源估计结果的步骤包括：
确定所述污染物溯源指标对应的先验分布，定义污染源浓度分布的似然函数；
预设所述污染源浓度服从正态分布，其中，所述正态分布的均值为所述污染物溯源指标的均值，所述正态分布的方差为所述污染物溯源指标的方差；
采用无掉头采样器采样算法，根据所述先验分布、所述似然函数以及所述污染物溯源指标，求解所述污染源估计结果。
可选的，所述基于更新后的所述统计模型权重，以及所述高斯模型权重，对所述污染源估计结果融合处理，得到目标虚拟源的步骤包括：
获取所述统计模型对应的所述污染源估计结果的第一坐标；
获取所述高斯模型对应的所述污染源估计结果的第二坐标；
根据所述统计模型权重对所述第一坐标加权，根据所述高斯模型权重对所述第二坐标加权，根据加权结果确定所述目标虚拟源的目标坐标。
此外，本申请还提出一种多指标融合污染溯源设备，所述多指标融合污染溯源设备包括存储器、融合处理模块及存储在存储器上并可在融合处理模块上运行的多指标融合污染溯源程序，所述融合处理模块执行所述多指标融合污染溯源程序时实现如上所述的多指标融合污染溯源方法的步骤。
可选的，所述多指标融合污染溯源设备包括：
弹夹式采样器，包括吸水部件和储水装置，用于吸取水样以及储存采集到的水样；
超声清洗模块，产生高频声波，去除采样器表面的沉积物和生物污垢；
融合处理模块，对采集到的水样进行实时处理，得到水样数据，并将水样数据和对应的定位坐标关联成水质数据。
此外，本申请还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有多指标融合污染溯源程序，所述多指标融合污染溯源程序被处理器执行时实现如上所述的多指标融合污染溯源方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
1、由于采用了基于当前虚拟源对应的水质数据，更新统计模型权重以及高斯模型权重；根据所述水质数据，分别确定统计模型以及高斯模型的污染源估计结果；基于更新后的所述统计模型权重，以及所述高斯模型权重，对所述污染源估计结果融合处理，得到目标虚拟源；当所述目标虚拟源与所述当前虚拟源对应的欧氏距离小于预设阈值时，确定所述目标虚拟源为污染源。所以，有效解决了相关技术中由于初始巡查范围过大，导致溯源时容易陷入局部浓度极值，并不是实际污染源的技术问题，实现了不需要定制巡查路径，在节约算力的同时提高溯源的精度的技术效果。
2、由于采用了获取所述当前虚拟源对应的统计模型估计结果以及高斯模型估计结果；确定所述水质数据与所述统计模型估计结果的第一差值；确定所述水质数据与所述高斯模型估计结果的第二差值；根据所述第一差值与所述第二差值的标准化值，确定所述统计模型权重以及所述高斯模型权重，即通过每次求解时更新本次两种算法的权重，所以，有效解决了相关技术中容易陷入局部浓度极值的技术问题，实现了提高溯源精度的技术效果。
3、由于采用了对所述水质数据中的各个指标数据归一化处理；根据所述指标数据的关联性分析结果，确定溯源参数；根据所述溯源参数对应的参数值以及权重值，生成所述污染物溯源指标，即根据历史溯源数据，将获取到的水质数据进行融合处理，使得每次溯源计算时数据的维度量减少，所以，有效解决了相关技术中运算量大，求解时间长，且各指标之间相同权重分析，影响求解精度的技术问题，实现了显著降低算力消耗，提升溯源精度的技术效果。
附图说明
图1为本申请多指标融合污染溯源设备实施例涉及的模块示意图；
图2为本申请多指标融合污染溯源设备实施例中储水装置11的结构示意图；
图3为本申请多指标融合污染溯源方法实施例一的流程示意图；
图4为本申请多指标融合污染溯源方法实施例二中步骤S110的流程细化示意图；
图5为本申请多指标融合污染溯源方法实施例三中多指标融合污染溯源算法的执行流程示意图；
图6为本申请多指标融合污染溯源方法实施例四中步骤S130的流程细化示意图；
图7为本申请多指标融合污染溯源设备实施例涉及的硬件结构示意图；
图8为本申请多指标融合污染溯源系统实施例涉及的框架示意图。
具体实施方式
在相关技术中，通过溯源设备在河道两岸之间以折线形溯源线路航行，记录路线中污染物的最大浓度和次最大浓度，从而反复缩小污染源位置的范围，直至追溯至污染源位置。但是实际应用中通常设置过大的初始巡查范围，或者定制巡查路线。导致获取到的污染源位置容易是局部浓度极值。本申请实施例采用的主要技术方案是：基于当前虚拟源的水质数据，求解该虚拟源的模型模拟结果进行比较，更新统计模型权重以及高斯模型权重；根据水质数据计算出统计模型和高斯模型的估计结果，根据更新后的权重值和对应的模型统计结果，计算出目标虚拟源。从而实现了不需要定制巡查路径，在节约算力的同时提高溯源的精度的技术效果。
同时，相关技术中通常只能采集水面的数据来进行溯源处理，采集到的数据完整性不强，本申请实施例中可实现不同水下深度的水样采集，进而同时考虑层流和湍流两种情况下的污染物溯源，提高溯源准确性。
为了更好地理解上述技术方案，下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，能够以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整地传达给本领域的技术人员。
本申请实施例公开一种多指标融合污染溯源设备，参照图1，所述多指标融合污染溯源设备包括：弹夹式采样器10，包括储水装置11和吸水部件12，用于吸取水样以及储存采集到的水样；超声清洗模块20，产生高频声波，去除采样器表面的沉积物和生物污垢；融合处理模块30，对采集到的水样进行实时处理，得到水样数据，并将水样数据和对应的定位坐标关联成水质数据。壳体40，为多指标融合污染溯源设备的外壳。动力模块50，驱动多指标融合污染溯源设备在水下运动。
示例性的，参照图2，图2为弹夹式采样器10的一个示例，采样器有8个用于存储水样的储水装置11，每个储水装置11通过吸水部件12汲取水样后储存，使多指标融合污染溯源设备能够从不同的位置或深度收集样品。存储水样的装置类似于弹夹式，每个瓶子容量约为200毫升。样品容器采用0.7毫米厚度的聚乙烯，整体呈圆柱体，直径约为5厘米，高度约为10厘米。结合超声波清洁机制：设计一个清洁机制，以在每次采样事件前后清除采样器上的碎屑、沉积物或生物污垢。
超声波清洗：使用40-60kHz的超声波换能器产生高频声波，在水中产生空化气泡，可以去除采样器表面的沉积物和生物污垢。清洁过程持续时间约为2分钟。自动化清洁过程为，将清洁机制与自动控制系统集成，以实现清洁过程的远程激活和调度。清洁过程间隔时间可根据实际需求设定，例如每完成3至5个采样事件后自动执行一次清洁。也可以是设定工作时长，例如工作三十分钟后自动执行一次清洁。
融合处理模块包括一个高精度多参数实时水质传感器，包括测量溶解氧、浊度、pH（hydrogen ion concentration，氢离子浓度指数）值、电导率、温度、叶绿素、藻蓝素和fDOM（Fluorescent Dissolved Organic Matter，荧光溶解有机物）。实时监测数据可以帮助调整采样策略或更改多指标融合污染溯源设备的路线来重点关注目标区域。除了以上的实时水质指标，还通过实验室后续对水样的检测，包括：氨氮（浓度范围：0.2—20mg/L）、硝氮（浓度范围：0.2—20mg/L）、总磷（浓度范围：0.05—20mg/L）、16sRNA（定量范围：103—109拷贝数/mL），确定水域中污染物分布和微生物分布。通过结合实时水质数据和实验室的水质数据，确定更完整的水质数据。
实施例一
本申请实施例一公开了一种多指标融合污染溯源方法，参照图3，所述多指标融合污染溯源方法包括：
步骤S110，基于当前虚拟源对应的水质数据，更新统计模型权重以及高斯模型权重；
在本实施例中，基于水质数据，通过统计模型和高斯模型计算，估计出一个污染源，即虚拟源。当前虚拟源为本次水质采样对应的位置，即上一次模型估算的虚拟源。通过统计模型估算湍流状态下的污染源，通过高斯模型估算层流状态下的污染源。
作为一种可选实施方式，获取当前虚拟源对应的水质数据，获取水质数据与统计模型和高斯模型，针对当前虚拟源的估算结果，根据水质数据与估算结果的差值，确定所述统计模型权重和高斯模型权重。
示例性的，通过可自主航行的采样器获取水质数据，设估算当前虚拟源时，采样器所处的位置为第一节点，设当前虚拟源为第二节点；采样器在获取完第一节点对应的水质数据后，根据统计模型和高斯模型估算出当前虚拟源，即第二节点，估算完成后，采样器经过第二节点对应的路径，从第一节点航行至第二节点，并采集沿途的第一水质数据以及第二节点处的第二水质数据；所述第一水质数据和第二水质数据即为当前虚拟源对应的水质数据。
示例性的，根据第二节点处的第二水质数据更新统计模型权重与高斯模型权重。
步骤S120，根据所述水质数据，分别确定统计模型以及高斯模型的污染源估计结果；
作为一种可选实施方式，将水质数据代入统计模型中，计算出统计模型对应的污染源估计结果；将水质数据代入高斯模型中，计算出高斯模型对应的污染源估计结果。
示例性的，根据水质数据中各个指标对应的权重值，将具有多个数值的水质数据，加权得到为单一值的污染物溯源指标，将污染物溯源指标分别代入统计模型和高斯模型中计算估计结果。
步骤S130，基于更新后的所述统计模型权重，以及所述高斯模型权重，对所述污染源估计结果融合处理，得到目标虚拟源；
在本实施例中，目标虚拟源指的是根据本次采集到的水质数据，经过模型计算得到的虚拟源，也是下一次估算过程的当前虚拟源。
作为一种可选实施方式，根据统计模型对应的污染源估计结果中，各个水质数据中指标的第一数据；确定高斯模型对应的污染源估计结果中，各个水质数据中指标的第二数据；根据统计模型权重和高斯模型权重对第一数据和第二数据进行加权计算，确定目标虚拟源处，各个指标对应的浓度数据。
作为另一种可选实施方式，在对水质数据的各个指标加权计算得到污染物溯源指标后，确定统计模型对应的污染源估计结果中的第一污染物溯源指标；确定高斯模型对应的污染源估计结果中的第二污染物溯源指标；根据统计模型权重和高斯模型权重对第一污染物溯源指标和第二污染物溯源指标进行加权计算，确定目标虚拟源处的污染物溯源指标。
示例性的，使用马尔科夫链蒙特卡罗算法和高斯扩散方程的污染源位置估计作为初始的两个算法。使用采集到的污染物溯源指标与两个算法进行数据同化，以更新两个算法的权重，其中，初始权重为0.5，0.5，因为数据量足够大所以初始权重并不影响最终结果。两个算法分别代表湍流条件和层流条件下的污染源位置估计。权重更新过程依据每个模型算法估计的准确性来确定。将当前虚拟源对应的水质数据，分别与每个模型估计得到的污染物浓度之间的误差的倒数。将两个倒数通过标准化权重，使它们总和为1。以两个倒数的标准化值分别作为更新后的统计模型权重以及高斯模型权重。
步骤S140，当所述目标虚拟源与所述当前虚拟源对应的欧氏距离小于预设阈值时，确定所述目标虚拟源为污染源。
在本实施例中，确定目标虚拟源和当前虚拟源之间的欧氏距离，当欧氏距离小于预设阈值时，确定目标虚拟源为污染源，结束模型估计；当欧氏距离不小于预设距离时，控制采样器从当前虚拟源对应的节点处，航行至目标虚拟源对应的节点处，并重复执行步骤S110及之后的步骤，直至目标虚拟源和当前虚拟源之间的欧氏距离，当欧氏距离小于预设阈值。
作为一种可选实施方式，根据采样器的定位精度确定预设距离。
示例性的，以采样器的最小定位精度为预设距离。
可选的，步骤S110之前，还包括：
步骤S1，预设待采样点位，获取所述待采样点位的所述水质数据；
相比于相关技术中需要特殊设置待采样点位以及航行轨迹，在本实施例中，待采样点位可以在待溯源区域内随机设定，减少了算力消耗，且适用性更广泛，例如没有待溯源区域的水下地图数据时，本实施例相比于相关技术更适用。
作为一种可选实施方式，随机预设待采样点位，在点位设置完成后，生成航行路径，该路径保证采样器不会经过重复点位即可。获取待采样点位处的水质数据。
步骤S2，根据所述水质数据，分别确定统计模型以及高斯模型的污染源估计结果；
步骤S3，基于初始权重以及所述污染源估计结果确定所述当前污染源。
作为一种可选实施方式，将采集到的水质数据分别代入统计模型以及高斯模型中，获取到两个模型对应的污染源估计结果；根据初始权重对污染源估计结果进行加权计算，得到虚拟源，即当前虚拟源。
示例性的，设置统计模型的初始权重，与高斯模型的初始权重相等，都为0.5。
示例性的，由于统计模型用于对湍流的溯源分析，高斯模型用于对层流的溯源分析；可以根据经验，由用户手动设置初始权重。
在本实施例中，首先预设待采样点位，该点位的设置可以是随机设置，获取待采样点位的水样数据，各个点位的水样数据与该点位的定位坐标关联存储，即定位坐标与该点位处水样的各个指标数据关联，生成水质数据；将各个水质数据分别代入高斯模型和统计模型中，计算出统计模型对应的污染源估计结果，以及高斯模型对应的污染源估计结果，其中代入高斯模型和统计模型的水质数据是一致的；根据初始权重对高斯模型对应的污染源估计结果以及统计模型对应的污染源估计结果，进行加权计算，确定当前虚拟源，其中以待采样点位中采样器经过的最后一个点位为节点1，以当前虚拟源为节点2，控制采样器从节点1航行至节点2，并采集沿途的水质数据，以及节点2对应的水质数据，根据该水质数据更新统计模型权重以及高斯模型权重；将本次采集的水质数据代入统计模型计算出统计模型对应的污染源估计结果，代入高斯模型中，计算出高斯模型对应的污染源估计结果；并根据更新后的权重以及污染源估计结果确定目标虚拟源，以目标虚拟源为节点3，若节点3与节点2之间的欧氏距离小于预设阈值，则以节点3作为污染源；否则，控制采样器从节点2航行至节点3，并重复执行步骤S110。在这过程中，随着多次溯源，节点n+1，比节点n更靠近污染源。
在确定节点1与节点2之间的航行路径时，需要尽可能减小采样器的运动给水流带来的扰动。因此需要在航行路径的转角处进行优化。
作为一种可选实施方式，将节点1和节点2之间的路径划分成若干个点位，将节点之间的长距离路径规划转换为，点位之间的短距离路径规划，通过在点位间路径规划时精细化转角的优化，实现降低采样器运动给水流带来的扰动。
算法溯源的准确性取决于数据量的多少以及数据的质量。由于在水域中污染物的扩散规律性复杂，故在此采用改进的Levy Flight（莱维飞行，指的是步长的概率分布为重尾分布的随机行走）算法来确定轨迹。
示例性的，Levy Flight的具体参数如下：
两个虚拟源之间的轨迹共设置30个点位，第N+1个虚拟源相对于第N个虚拟源的欧氏距离是50m左右，考虑到多指标融合污染溯源设备的定位精度，故虚拟源间的最小距离设为40m，最大距离设为60m。当N大于预设数量时，设置最小距离为定位精度对应的距离，例如2米。
任意两个点位之间的距离不能大于所有点位距离均值的5倍，这是为了限制路径规划的边界，防止无效路径的产生。此外，如果融合算法中高斯模型的权重大于0.7，考虑到污染物在层流水域中符合高斯扩散的模式，在这里的步长便采用指数衰减的模式进行，衰减系数设为0.9。第N+1个虚拟源相对于第N个节点越来越靠近终点，溯源的逻辑主要依靠算法，轨迹规划为了获取更多的数据量。
在进行点位之间运动时，转角问题也需要考虑，考虑到多指标融合污染溯源设备对水流的扰动，在通过CFD（Computational Fluid Dynamics，计算流体力学）模拟，最终确定了以三次样条插值优化路径转角，即：
也就是说任何两个点位使用该公式进行拟合，在此预设航行轨迹的一阶导数连续，以保证该公式适定，初节点和末节点导数值设为1.732。
在本实施例中，将整体的方案分为三个部分，第一部分是第一次布设点位采集水质信息，此次并未对两个算法的权重进行更新。第二部分是中间的若干次迭代，根据每次采集的结果确定下一个点位，以及更新算法权重。第三部分是当满足阈值条件时，结束溯源，确定点位是污染源。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
由于采用了基于当前虚拟源对应的水质数据，更新统计模型权重以及高斯模型权重；根据所述水质数据，分别确定统计模型以及高斯模型的污染源估计结果；基于更新后的所述统计模型权重，以及所述高斯模型权重，对所述污染源估计结果融合处理，得到目标虚拟源；当所述目标虚拟源与所述当前虚拟源对应的欧氏距离小于预设阈值时，确定所述目标虚拟源为污染源。所以，有效解决了相关技术中由于初始巡查范围过大，导致溯源时容易陷入局部浓度极值，并不是实际污染源的技术问题，实现了不需要定制巡查路径，在节约算力的同时提高溯源的精度的技术效果。
实施例二
基于实施例一，本申请实施例二提出一种多指标融合污染溯源方法，参照图4，步骤S110包括：
步骤S210，获取所述当前虚拟源对应的统计模型估计结果以及高斯模型估计结果；
步骤S220，确定所述水质数据与所述统计模型估计结果的第一差值；
步骤S230，确定所述水质数据与所述高斯模型估计结果的第二差值；
步骤S240，根据所述第一差值与所述第二差值的标准化值，确定所述统计模型权重以及所述高斯模型权重。
作为一种可选实施方式，获取确定当前虚拟源对应数据的统计模型估计结果，以及高斯模型估计结果；其中统计模型估计结果包括第一虚拟源坐标，以及第一污染物浓度，高斯模型估计结果包括第二虚拟源坐标，以及第二污染物浓度；获取与当前虚拟源对应坐标关联的水质数据，确定水质数据与第一污染物浓度的第一差值，确定水质数据与第二污染物浓度的第二差值；根据所述第一差值与所述第二差值的标准化值，确定所述统计模型权重以及所述高斯模型权重。
示例性的，确定第一差值的倒数，确定第二差值的倒数，利用标准化公式对两个倒数进行标准化，以标准化值作为统计模型权重以及高斯模型权重。其中统计模型权重以及高斯模型权重的和为一。
由于采用了获取所述当前虚拟源对应的统计模型估计结果以及高斯模型估计结果；确定所述水质数据与所述统计模型估计结果的第一差值；确定所述水质数据与所述高斯模型估计结果的第二差值；根据所述第一差值与所述第二差值的标准化值，确定所述统计模型权重以及所述高斯模型权重，即通过每次求解时更新本次两种算法的权重，所以，有效解决了相关技术中容易陷入局部最优值的技术问题，实现了提高溯源精度的技术效果。
实施例三
基于实施例一，本申请实施例三提出一种多指标融合污染溯源方法，步骤S120包括：
步骤S310，对所述水质数据进行融合处理，生成污染物溯源指标；
作为一种可选实施方式，确定水质数据中，各个指标的权重值，根据各个指标的指标数据，与权重值，计算出污染物溯源指标。
可选的，步骤S310包括：
步骤S311，对所述水质数据中的各个指标数据归一化处理；
步骤S312，根据所述指标数据的关联性分析结果，确定溯源参数；
步骤S313，根据所述溯源参数对应的参数值以及权重值，生成所述污染物溯源指标。
作为一种可选实施方式，针对水质数据中的各个指标数据，逐一进行标准化，即归一化处理，得到标准化数据后，根据各个指标在溯源过程中的影响因子，对指标数据进行关联性分析，根据分析结果在各个指标中选取若干个指标作为溯源参数，并确定该溯源参数的权重值，根据权重值和对应的参数值，确定污染物溯源指标。
示例性的，首先在对水质数据中各指标融合之前，先对数据归一化：以确保每个变量对分析的贡献相同。标准化使用z-score标准化来完成，它通过减去平均值并除以标准差完成。以电导率为例给出计算公式：
式中，：sub index，代表子参数，
：电导率，单位mS/cm，
：电导率的均值，
：电导率的方差。
根据实时水质分析以及实验室分析结果，确定每个水质指标在污染物溯源方面的权重，通过分析实时水质指标即溶解氧、浊度、pH值、电导率、温度、叶绿素、藻蓝素和fDOM，和实验室水质指标，即氨氮、硝氮、总磷、16sRNA之间的关联性，确定了浊度，电导率，叶绿素，藻蓝素和fDOM这五个指标，即目标参数。
将每个参数的子指数乘以其相应的权重/>以获得污染物溯源指标PTI。
示例性的，给出各个目标参数的权重在市政污染场景和工业污染场景下的大致范围：
其中，目标位置周围水域的PTI越高，即它是污染源真实位置的概率越大。
步骤S320，将所述污染物溯源指标作为所述统计模型的参数，估计湍流状态下的所述污染源估计结果；
参照图5，在本实施例中，EnKF算法，即多指标融合污染溯源算法，其思路为根据统计方法建立对应的统计模型，根据PSO（Particle Swarm Optimization，粒子群优化）算法和高斯扩散方程建立对应的高斯模型，设置统计模型和高斯模型的初始权重，根据统计模型与高斯模型计算MSE，即污染源估计结果，根据污染源估计结果与实际采集到的水质数据更新统计模型权重以及高斯模型权重。
作为一种可选实施方式，将溯源参数作为统计模型中的参数值，按照预设算法估算出湍流状态下的污染源估计结果。
可选的，步骤S320包括：
步骤S321，确定所述污染物溯源指标对应的先验分布，定义污染源浓度分布的似然函数；
在本实施例中，采用贝叶斯估计的理论来估算湍流状态下的污染源。贝叶斯估计相对于传统估计的区别是先验分布，即根据经验值先确定污染源处水质数据满足的分布。并根据该分布确定污染源浓度分布的似然函数。污染源浓度分布为各个位置坐标处的水质数据，预设置信区间为95%。
示例性的，先验分布可以是正态分布、均匀分布或者随机分布。根据先验分布的类型，确定对应的似然函数。
步骤S322，预设所述污染源浓度服从正态分布，其中，所述正态分布的均值为所述污染物溯源指标的均值，所述正态分布的方差为所述污染物溯源指标的方差；
步骤S323，采用无掉头采样器采样算法，根据所述先验分布、所述似然函数以及所述污染物溯源指标，求解所述污染源估计结果。
作为一种可选实施方式，预设污染源浓度分布服从于正态分布，即污染源浓度分布的均值，服从于均值为污染物溯源指标的均值，方差为污染物溯源指标的方差的正态分布。方差服从于均值为污染物溯源指标的均值，方差为污染物溯源指标的方差的半正态分布。通过预设函数执行NUTS（No-U-turn Sampler，无掉头采样器）采样算法，根据先验分布、似然函数以及污染物溯源指标进行反演，得到污染源估计结果。
作为另一种可选实施方式，参照图5，确定污染物溯源指标的先验分布，确定该先验分布的似然函数，假定污染物浓度分布满足的分布函数，再利用NUTS采样算法确定虚拟源，并根据该虚拟源对应的污染物浓度分布情况，更新下一次估计时污染物溯源指标的先验分布。
示例性的，先定义一个统计模型，表示湍流条件下湖泊水库中的污染物分布。使用污染物分布的历史数据确定的先验分布，再进行贝叶斯推理，并使用马尔科夫链蒙特卡罗算法估计污染源位置。即首先默认污染源浓度分布为正态分布，也就是虚拟源的经度、纬度或深度的均值服从均值为污染物溯源指标的均值，方差为污染物溯源指标的方差的正态分布，其中，均值范围：100-500μg/L，方差范围：10-50μg²/L²。设虚拟源的经度、纬度或深度的方差服从均值为观测数据的均值，方差为观测数据方差的半正态分布，其中：均值范围：100-500μg/L，方差范围：10-50μg²/L²。采用NUTS采样，在这里，pm.NUTS是PyMC3库中的No-U-Turn Sampler函数。target_accept 参数设置为0.9，这意味着采样模块试图对建议的样本达到90%的接受率。更高的接受率通常会导致更好的收敛和混合，但可能需要更多的计算时间，90%的接受率时的反演效果已经足够优秀。pm.sample函数用于执行马尔科夫链蒙特卡罗采样。参数如下：
5000：从后验分布中抽取的样本数。
tune=1000：开始实际采样之前要执行的调整步骤数。调整步骤有助于使采样器适应目标分布并提高收敛性。
cores=1：用于并行采样的 CPU 内核数。在这种情况下，仅使用一个核心。
return_inferencedata=None：这决定了返回样本的格式。通过将其设置为 None，样本将在MultiTrace对象中返回。
通过马尔科夫链蒙特卡罗算法估计得到污染源坐标以及该点处的水质数据。该坐标由经度、纬度以及深度组成。
步骤S330，基于高斯扩散方程，估计层流状态下的所述污染源估计结果。
作为一种可选实施方式，将溯源参数作为高斯模型中的参数值，按照高斯扩散方程估算出层流状态下的污染源估计结果。
可选的，步骤S330包括：
步骤S331，将所述污染物溯源指标代入预设的粒子群优化算法，确定目标参数；
步骤S332，将所述目标参数代入高斯扩散方程，确定所述污染源统计结果。
在本实施例中，将污染物溯源指标代入预设的PSO算法中，得到层流状态下，用于求解高斯扩散方程的目标参数，根据该目标参数以及高斯扩散方程，得到污染源估计结果。
作为一种可选实施方式，参照图5，定义目标函数为高斯扩散方程，初始化各个粒子，初始化全局和局部最优解，根据结果评价粒子适应度，根据粒子适应度更新粒子状态，根据更新后的粒子状态再迭代，直至输出虚拟源。
示例性的，根据污染物溯源指标，通过PSO算法来求解层流状态下污染源浓度分布的高斯扩散方程的各项目标参数。使用该高斯扩散方程估计污染源位置。其中，PSO算法所估计得到的目标参数分别是：
粒子数为20，
迭代次数为1000，
惯性权重w设置为0.4-0.9，此参数确定粒子的当前速度影响其下一次运动的程度。
认知加速常数c1设置为1，该参数控制粒子的个人最佳位置对其运动的影响。
社会加速常数c2设置为2，即社会系数：该参数控制群体的全局最佳位置对粒子运动的影响。
由于采用了对所述水质数据中的各个指标数据归一化处理；根据所述指标数据的关联性分析结果，确定溯源参数；根据所述溯源参数对应的参数值以及权重值，生成所述污染物溯源指标，即根据历史溯源数据，将获取到的水质数据进行融合处理，使得每次溯源计算时数据的维度量减少，所以，有效解决了相关技术中运算量大，求解时间长，且各指标之间相同权重分析，影响求解精度的技术问题，实现了显著降低算力消耗，提升溯源精度的技术效果。
实施例四
基于实施例一，本申请实施例四提出一种多指标融合污染溯源方法，参照图6，步骤S130包括：
步骤S410，获取所述统计模型对应的所述污染源估计结果的第一坐标；
步骤S420，获取所述高斯模型对应的所述污染源估计结果的第二坐标；
步骤S430，根据所述统计模型权重对所述第一坐标加权，根据所述高斯模型权重对所述第二坐标加权，根据加权结果确定所述目标虚拟源的目标坐标。
在本实施例中，污染源估计结果的数据表现形式为位置坐标，以及该坐标处的水质数据。
作为一种可选实施方式，根据统计模型对应的污染源估计结果，确定统计模型估计出的虚拟源的坐标为第一坐标；根据高斯模型对应的污染源估计结果，确定高斯模型估计出的虚拟源的坐标为第二坐标；根据更新后的统计模型权重与第一坐标，结合高斯模型权重和第二坐标，确定目标虚拟源的目标坐标。
示例性的，确定第一坐标中的第一经度、第一纬度和第一深度；确定第二坐标中的第二经度、第二纬度和第二深度；根据统计模型权重和高斯模型权重，分别加权计算经度、纬度和深度，得到目标经度、目标纬度和目标深度，得到目标坐标。
使用更新后的权重结合马尔科夫链蒙特卡罗算法和高斯扩散方程的污染源位置估计，可以有效地结合马尔科夫链蒙特卡罗算法和高斯扩散方程来估计湖泊水库中的污染源位置，同时考虑湍流和层流条件。使用多指标融合污染溯源方法可以将观察到的污染物溯源指标同化到预测过程中，并根据污染源的浓度确定两个算法的权重。考虑到湖泊水库中潜在流动条件的不确定性和复杂性，这种方法提供了更准确和可靠的污染源位置估计。
由于采用了根据更新后的统计模型权重与高斯模型权重，根据两种算法下的污染源估计结果，确定目标虚拟源的目标坐标，解决了相关技术中污染源估计时只能单独考虑层流或者湍流下的污染溯源，导致溯源结果偏差大，或者需要更多的时间来溯源，溯源效率低的技术问题，通过结合在每次的迭代过程中更新两种算法的权重，可以动态的综合考虑层流以及湍流对污染流动的影响，在减少反演时间的情况下提升溯源的准确性。
本申请还提出一种多指标融合污染溯源设备，参照图7，图7为本申请实施例方案涉及的硬件运行环境的多指标融合污染溯源设备结构示意图。
如图7所示，该多指标融合污染溯源设备可以包括：融合处理模块，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（WIreless-FIdelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述融合处理模块的存储装置。
本领域技术人员可以理解，图7中示出的结构并不构成对多指标融合污染溯源设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
可选地，存储器1005与融合处理模块电性连接，融合处理模块可用于控制存储器1005的运行，还可以读取存储器1005中的数据以实现多指标融合污染溯源。
可选地，如图7所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及多指标融合污染溯源程序。
可选地，在图7所示的多指标融合污染溯源设备中，网络接口1004主要用于与其他设备进行数据通信；用户接口1003主要用于与用户进行数据交互；本申请多指标融合污染溯源设备中的融合处理模块、存储器1005可以设置在多指标融合污染溯源设备中。
如图7所示，所述多指标融合污染溯源设备通过融合处理模块调用存储器1005中存储的多指标融合污染溯源程序，并执行本申请实施例提供的多指标融合污染溯源方法的相关步骤操作：
基于当前虚拟源对应的水质数据，更新统计模型权重以及高斯模型权重；
根据所述水质数据，分别确定统计模型以及高斯模型的污染源估计结果；
基于更新后的所述统计模型权重，以及所述高斯模型权重，对所述污染源估计结果融合处理，得到目标虚拟源；
当所述目标虚拟源与所述当前虚拟源对应的欧氏距离小于预设阈值时，确定所述目标虚拟源为污染源。
可选地，融合处理模块可以调用存储器1005中存储的多指标融合污染溯源程序，还执行以下操作：
获取所述当前虚拟源对应的统计模型估计结果以及高斯模型估计结果；
确定所述水质数据与所述统计模型估计结果的第一差值；
确定所述水质数据与所述高斯模型估计结果的第二差值；
根据所述第一差值与所述第二差值的标准化值，确定所述统计模型权重以及所述高斯模型权重。
可选地，融合处理模块可以调用存储器1005中存储的多指标融合污染溯源程序，还执行以下操作：
预设待采样点位，获取所述待采样点位的所述水质数据；
根据所述水质数据，分别确定统计模型以及高斯模型的污染源估计结果；
基于初始权重以及所述污染源估计结果确定所述当前污染源。
可选地，融合处理模块可以调用存储器1005中存储的多指标融合污染溯源程序，还执行以下操作：
对所述水质数据进行融合处理，生成污染物溯源指标；
将所述污染物溯源指标作为所述统计模型的参数，估计湍流状态下的所述污染源估计结果；
将所述污染物溯源指标代入预设的粒子群优化算法，确定目标参数；
将所述目标参数代入高斯扩散方程，确定所述污染源统计结果。
可选地，融合处理模块可以调用存储器1005中存储的多指标融合污染溯源程序，还执行以下操作：
对所述水质数据中的各个指标数据归一化处理；
根据所述指标数据的关联性分析结果，确定溯源参数；
根据所述溯源参数对应的参数值以及权重值，生成所述污染物溯源指标。
可选地，融合处理模块可以调用存储器1005中存储的多指标融合污染溯源程序，还执行以下操作：
确定所述污染物溯源指标对应的先验分布，定义污染源浓度分布的似然函数；
预设所述污染源浓度服从正态分布，其中，所述正态分布的均值为所述污染物溯源指标的均值，所述正态分布的方差为所述污染物溯源指标的方差；
采用无掉头采样器采样算法，根据所述先验分布、所述似然函数以及所述污染物溯源指标，求解所述污染源估计结果。
可选地，融合处理模块可以调用存储器1005中存储的多指标融合污染溯源程序，还执行以下操作：
获取所述统计模型对应的所述污染源估计结果的第一坐标；
获取所述高斯模型对应的所述污染源估计结果的第二坐标；
根据所述统计模型权重对所述第一坐标加权，根据所述高斯模型权重对所述第二坐标加权，根据加权结果确定所述目标虚拟源的目标坐标。
此外，参照图8，本申请还提出一种多指标融合污染溯源系统。在本系统中，AUVs，即多指标融合污染溯源设备从估算出的虚拟源对应的位置处获取水质数据后，通过回溯模型估计出新的虚拟源，当满足预设条件时，该虚拟源作为估计结果，即真实源。AUVs采集的实时水质数据通过线缆在边缘计算机（Edge computing）上进行分析处理，得到第一水质指标；同时采集的水样还在实验室（LAB）进行分析，得到第二水质指标，将第二水质指标通过云服务器（Cloud Severice）同步至边缘计算机上，融合成水质指标。
此外，本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有多指标融合污染溯源程序，所述多指标融合污染溯源程序被处理器执行时实现如上所述多指标融合污染溯源方法任一实施例的相关步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本申请可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (7)
1.一种多指标融合污染溯源方法，其特征在于，所述多指标融合污染溯源方法包括：
基于当前虚拟源对应的水质数据，更新统计模型权重以及高斯模型权重；
所述基于当前虚拟源对应的水质数据，更新统计模型权重以及高斯模型权重的步骤包括：
获取所述当前虚拟源对应的统计模型估计结果以及高斯模型估计结果；
确定所述水质数据与所述统计模型估计结果的第一差值；
确定所述水质数据与所述高斯模型估计结果的第二差值；
根据所述第一差值与所述第二差值的标准化值，确定所述统计模型权重以及所述高斯模型权重；
根据所述水质数据，分别确定统计模型以及高斯模型的污染源估计结果；
所述根据所述水质数据，分别确定统计模型以及高斯模型的污染源估计结果的步骤包括：
对所述水质数据进行融合处理，生成污染物溯源指标；
将所述污染物溯源指标作为所述统计模型的参数，估计湍流状态下的所述污染源估计结果，其中，所述统计模型用于对所述湍流状态的溯源分析；
所述将所述污染物溯源指标作为所述统计模型的参数，估计湍流状态下的所述污染源估计结果的步骤包括：
A1.确定所述污染物溯源指标对应的先验分布，定义污染源浓度分布的似然函数；
A2.预设所述污染源浓度服从正态分布，其中，所述正态分布的均值为所述污染物溯源指标的均值，所述正态分布的方差为所述污染物溯源指标的方差；
A3.采用无掉头采样器采样算法，根据所述先验分布、所述似然函数以及所述污染物溯源指标，求解所述统计模型对应的所述污染源估计结果；
基于所述高斯模型，估计层流状态下的所述污染源估计结果，包括：
B1.将所述污染物溯源指标代入预设的粒子群优化算法，确定目标参数；
B2.将所述目标参数代入高斯扩散方程，确定所述高斯模型对应的所述污染源估计结果；
基于更新后的所述统计模型权重，以及所述高斯模型权重，对所述统计模型对应的所述污染源估计结果，以及所述高斯模型对应的所述污染源统计结果融合处理，得到目标虚拟源；
当所述目标虚拟源与所述当前虚拟源对应的欧氏距离小于预设阈值时，确定所述目标虚拟源为污染源。
2.如权利要求1所述的多指标融合污染溯源方法，其特征在于，所述基于当前虚拟源对应的水质数据，更新统计模型权重以及高斯模型权重的步骤之前，包括：
预设待采样点位，获取所述待采样点位的所述水质数据；
根据所述水质数据，分别确定统计模型以及高斯模型的污染源估计结果；
基于初始权重以及所述污染源估计结果确定所述当前污染源。
3.如权利要求1所述的多指标融合污染溯源方法，其特征在于，所述对所述水质数据进行融合处理，生成污染物溯源指标的步骤包括：
对所述水质数据中的各个指标数据归一化处理；
根据所述指标数据的关联性分析结果，确定溯源参数；
根据所述溯源参数对应的参数值以及权重值，生成所述污染物溯源指标。
4.如权利要求1所述的多指标融合污染溯源方法，其特征在于，所述基于更新后的所述统计模型权重，以及所述高斯模型权重，对所述污染源估计结果融合处理，得到目标虚拟源的步骤包括：
获取所述统计模型对应的所述污染源估计结果的第一坐标；
获取所述高斯模型对应的所述污染源估计结果的第二坐标；
根据所述统计模型权重对所述第一坐标加权，根据所述高斯模型权重对所述第二坐标加权，根据加权结果确定所述目标虚拟源的目标坐标。
5.一种多指标融合污染溯源设备，其特征在于，包括存储器、融合处理模块及存储在存储器上并可在所述融合处理模块上运行的多指标融合污染溯源程序，所述融合处理模块执行所述多指标融合污染溯源程序时实现如权利要求1至4任一项所述的多指标融合污染溯源方法的步骤。
6.如权利要求5所述的多指标融合污染溯源设备，其特征在于，所述多指标融合污染溯源设备包括：
弹夹式采样器，包括吸水部件和储水装置，用于吸取水样以及储存采集到的水样；
超声清洗模块，产生高频声波，去除采样器表面的沉积物和生物污垢；
融合处理模块，对采集到的水样进行实时处理，得到水样数据，并将水样数据和对应的定位坐标关联成水质数据。
7.一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上存储有多指标融合污染溯源程序，所述多指标融合污染溯源程序被处理器执行时实现如权利要求1至4任一项所述的多指标融合污染溯源方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311003551.9A CN116739386B (zh) | 2023-08-10 | 2023-08-10 | 多指标融合污染溯源方法、设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311003551.9A CN116739386B (zh) | 2023-08-10 | 2023-08-10 | 多指标融合污染溯源方法、设备和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116739386A CN116739386A (zh) | 2023-09-12 |
| CN116739386B true CN116739386B (zh) | 2024-03-08 |
Family
ID=87917197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311003551.9A Active CN116739386B (zh) | 2023-08-10 | 2023-08-10 | 多指标融合污染溯源方法、设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116739386B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700140A (zh) * | 2020-12-30 | 2021-04-23 | 哈尔滨工业大学 | 基于模糊综合评价的河流污染关键断面量化识别方法 |
| CN112711911A (zh) * | 2020-12-30 | 2021-04-27 | 华东理工大学 | 基于污染源谱库的应用于边界观测的快速污染溯源方法 |
| CN112881611A (zh) * | 2021-01-20 | 2021-06-01 | 无锡高德环境科技有限公司 | 一种污染源溯源方法 |
| WO2021136450A1 (zh) * | 2019-12-31 | 2021-07-08 | 北京辰安科技股份有限公司 | 室内挥发性物质的泄漏溯源方法及装置 |
| CN113128129A (zh) * | 2021-05-07 | 2021-07-16 | 大连理工大学 | 一种突发水污染正逆耦合溯源方法及系统 |
| CN114580945A (zh) * | 2022-03-14 | 2022-06-03 | 生态环境部信息中心 | 一种水环境数据的分析方法、装置、设备以及存储介质 |
| CN115508322A (zh) * | 2022-10-10 | 2022-12-23 | 清华大学 | 一种水污染源多维度溯源方法及装置 |
| CN115902142A (zh) * | 2022-12-19 | 2023-04-04 | 河海大学 | 基于改进型集合卡尔曼滤波算法的水体点源溯源方法 |
| CN115906626A (zh) * | 2022-11-14 | 2023-04-04 | 吉林建筑大学 | 一种基于人工智能的地下水有机污染互馈反演溯源方法 |
| CN116434871A (zh) * | 2021-12-30 | 2023-07-14 | 聚光科技(杭州)股份有限公司 | 基于统计模型和机理模型相结合的水污染溯源方法 |
-
2023
- 2023-08-10 CN CN202311003551.9A patent/CN116739386B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021136450A1 (zh) * | 2019-12-31 | 2021-07-08 | 北京辰安科技股份有限公司 | 室内挥发性物质的泄漏溯源方法及装置 |
| CN112700140A (zh) * | 2020-12-30 | 2021-04-23 | 哈尔滨工业大学 | 基于模糊综合评价的河流污染关键断面量化识别方法 |
| CN112711911A (zh) * | 2020-12-30 | 2021-04-27 | 华东理工大学 | 基于污染源谱库的应用于边界观测的快速污染溯源方法 |
| CN112881611A (zh) * | 2021-01-20 | 2021-06-01 | 无锡高德环境科技有限公司 | 一种污染源溯源方法 |
| CN113128129A (zh) * | 2021-05-07 | 2021-07-16 | 大连理工大学 | 一种突发水污染正逆耦合溯源方法及系统 |
| CN116434871A (zh) * | 2021-12-30 | 2023-07-14 | 聚光科技(杭州)股份有限公司 | 基于统计模型和机理模型相结合的水污染溯源方法 |
| CN114580945A (zh) * | 2022-03-14 | 2022-06-03 | 生态环境部信息中心 | 一种水环境数据的分析方法、装置、设备以及存储介质 |
| CN115508322A (zh) * | 2022-10-10 | 2022-12-23 | 清华大学 | 一种水污染源多维度溯源方法及装置 |
| CN115906626A (zh) * | 2022-11-14 | 2023-04-04 | 吉林建筑大学 | 一种基于人工智能的地下水有机污染互馈反演溯源方法 |
| CN115902142A (zh) * | 2022-12-19 | 2023-04-04 | 河海大学 | 基于改进型集合卡尔曼滤波算法的水体点源溯源方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116739386A (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hitz et al. | Adaptive continuous‐space informative path planning for online environmental monitoring | |
| US8949096B2 (en) | Three-dimensional tracer dispersion model | |
| Illian et al. | Using INLA to fit a complex point process model with temporally varying effects-a case study | |
| Yang et al. | Two-stepped evolutionary algorithm and its application to stability analysis of slopes | |
| CN107292383B (zh) | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 | |
| EP2904551A2 (en) | Modeling data generating process | |
| CN110889530A (zh) | 基于递归神经网络的目的地预测方法及服务器 | |
| Lagona et al. | Maximum likelihood estimation of bivariate circular hidden Markov models from incomplete data | |
| Mishra et al. | Online informative path planning using sparse gaussian processes | |
| Zhang et al. | AUV path planning based on differential evolution with environment prediction | |
| Gellert et al. | Estimation of missing LiDAR data for accurate AGV localization | |
| Quann et al. | Chance constrained reachability in environments with spatially varying energy costs | |
| CN116739386B (zh) | 多指标融合污染溯源方法、设备和可读存储介质 | |
| Datta | Self-organizing map based surrogate models for contaminant source identification under parameter uncertainty | |
| CN116090710B (zh) | 一种企业排污许可的管理方法、系统、电子设备及介质 | |
| CN117434235A (zh) | 基于水质监测的水华预警方法、装置、设备及介质 | |
| Park et al. | Integrated systems for inducing spatio-temporal process models | |
| US20240202393A1 (en) | Motion planning | |
| Zhou et al. | An online identification approach for ship domain model based on AIS data | |
| Papathanasopoulou et al. | Flexible car-following models incorporating information from adjacent lanes | |
| Cabrita et al. | Odor Guided Exploration and Plume Tracking-Particle Plume Explorer. | |
| McIntyre | Analysis of uncertainty in the river water quality modelling | |
| Mishra et al. | Multi-USV Adaptive Exploration Using Kernel Information and Residual Variance | |
| Furze et al. | Species area relations and information rich modelling of plant species variation | |
| Fang et al. | Effective filtering approach for joint parameter-state estimation in SDEs via Rao-blackwellization and modularization |
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 |