CN116757897B - 一种基于数据分解的汛期污染强度分析方法及系统 - Google Patents
一种基于数据分解的汛期污染强度分析方法及系统 Download PDFInfo
- Publication number
- CN116757897B CN116757897B CN202311049979.7A CN202311049979A CN116757897B CN 116757897 B CN116757897 B CN 116757897B CN 202311049979 A CN202311049979 A CN 202311049979A CN 116757897 B CN116757897 B CN 116757897B
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- precipitation
- data packet
- section
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 84
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 30
- 238000001556 precipitation Methods 0.000 claims abstract description 309
- 238000012544 monitoring process Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims description 55
- 239000003550 marker Substances 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 25
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011144 upstream manufacturing 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本申请公开了一种基于数据分解的汛期污染强度分析方法及系统，其中，基于数据分解的汛期污染强度分析系统，包括：用户端：发送分析请求，接收汛期污染强度；监测节点：实时采集水质数据并存储；允许分析中心获取原始数据包；分析中心：根据分析请求获取原始数据包；对原始数据包进行预处理，获得待分析数据包；由第一预测模型根据待分析数据包生成预测断面数据包；由第二预测模型根据待分析数据包生成预测降水数据包；按照任务序列对预测断面数据包和预测降水数据包进行分析，获得汛期污染强度，并发送。本申请能够在汛期不便于对断面的水质数据进行采集的情况下，准确地对汛期污染强度进行预测和分析，且能够保证预测结果和分析结果的准确性。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种基于数据分解的汛期污染强度分析方法及系统。
背景技术
汛期污染强度是指某断面汛期首要污染物浓度与考核目标浓度限值的比值。其中，汛期涵盖河流一年中有规律发生洪水的时期以及河水上涨至回落到某一水位的时段。汛期污染强度主要反映监测断面汛期污染程度与水质目标之间的差距，有利于精准识别平时水环境质量较好、汛期污染物浓度大幅上升的情形，分清相关行政区域面源污染防治责任。
对于断面而言，在没有外源污染的时候，水质数据基本是稳定的，但降水形成的地表径流会将陆地上的污染源引入到河流中，因此会导致水质指标数据的升高。但当前通常是基于实际采集的无外源污染的未降雨水质数据和实际采集的降雨水质数据进行汛期污染强度核算，该核算方法存在以下缺点：
（1）在汛期不便于对断面的水质数据进行采集的情况下，无法准确对汛期污染强度进行分析。
（2）现有的核算方法存在因同一个监测节点在汛期时间节点，未降水和未引入外源污染时，但水质数据发生微量变化而造成分析不准确的情况，以及同一个监测节点在汛期时间节点降水量变化而造成预测和分析不准确的情况。
发明内容
本申请的目的在于提供一种基于数据分解的汛期污染强度分析方法及系统，能够在汛期不便于对断面的水质数据进行采集的情况下，准确地对汛期污染强度进行预测和分析，且能够保证预测结果和分析结果的准确性。
为达到上述目的，本申请提供一种基于数据分解的汛期污染强度分析系统，包括：至少一个用户端、多个监测节点和分析中心；其中，用户端：用于发送分析请求，接收汛期污染强度；监测节点：用于实时采集断面水文数据和降水数据，并存储；允许分析中心获取原始数据包；分析中心：用于执行如下步骤：接收分析请求，根据分析请求获取原始数据包，其中，分析请求至少包括：用户ID、待分析流域数据和时间区间；原始数据包至少包括：降水实测数据包、断面历史数据包和降水历史数据包；对原始数据包进行预处理，获得待分析数据包，其中，待分析数据包至少包括：任务序列、降水实测序列数据包、断面历史序列数据包和降水历史序列数据包；将断面历史序列数据包和任务序列输入至预先训练好的第一预测模型中，由第一预测模型生成任务序列对应的预测断面数据，将所有的预测断面数据作为预测断面数据包；将降水历史序列数据包、降水实测序列数据包和任务序列输入至预先训练好的第二预测模型中，由第二预测模型生成任务序列对应的预测降水数据，将所有的预测降水数据作为预测降水数据包；按照任务序列对预测断面数据包和预测降水数据包进行分析，获得汛期污染强度，并发送，其中，汛期污染强度至少包括：多个子汛期污染强度和平均汛期污染强度。
如上的，其中，分析中心至少包括：收发单元、获取单元、预分析单元、预测单元和融合分析单元；其中，收发单元：用于接收分析请求，并发送至获取单元；用于接收并发送汛期污染强度；获取单元：根据分析请求从监测节点中获取原始数据包，并将原始数据包发送至预分析单元；预分析单元：用于对原始数据包进行预分析，获得待分析数据包，并将待分析数据包发送预测单元；预测单元：用于将断面历史序列数据包和任务序列输入至预先训练好的第一预测模型中，由第一预测模型生成任务序列对应的预测断面数据，将所有的预测断面数据作为预测断面数据包；将降水历史序列数据包、降水实测序列数据包和任务序列输入至预先训练好的第二预测模型中，由第二预测模型生成任务序列对应的预测降水数据，将所有的预测降水数据作为预测降水数据包；融合分析单元：用于按照任务序列对预测断面数据包和预测降水数据包进行分析，获得汛期污染强度，并发送至收发单元。
如上的，其中，预测单元至少包括：第一预测模块和第二预测模块；第一预测模块：设置有第一预测模型，用于将断面历史序列数据包和任务序列输入至预先训练好的第一预测模型中，由第一预测模型生成任务序列对应的预测断面数据，将所有的预测断面数据作为预测断面数据包；第二预测模块：设置有第二预测模型，用于将降水历史序列数据包、降水实测序列数据包和任务序列输入至预先训练好的第二预测模型中，由第二预测模型生成任务序列对应的预测降水数据，将所有的预测降水数据作为预测降水数据包。
本申请还提供一种基于数据分解的汛期污染强度分析方法，包括如下步骤：接收分析请求，根据分析请求获取原始数据包，其中，分析请求至少包括：用户ID、待分析流域数据和时间区间；原始数据包至少包括：降水实测数据包、断面历史数据包和降水历史数据包；对原始数据包进行预处理，获得待分析数据包，其中，待分析数据包至少包括：任务序列、降水实测序列数据包、断面历史序列数据包和降水历史序列数据包；将断面历史序列数据包和任务序列输入至预先训练好的第一预测模型中，由第一预测模型生成任务序列对应的预测断面数据，将所有的预测断面数据作为预测断面数据包；将降水历史序列数据包、降水实测序列数据包和任务序列输入至预先训练好的第二预测模型中，由第二预测模型生成任务序列对应的预测降水数据，将所有的预测降水数据作为预测降水数据包；按照任务序列对预测断面数据包和预测降水数据包进行分析，获得汛期污染强度，并发送，其中，汛期污染强度至少包括：多个子汛期污染强度和平均汛期污染强度。
如上的，其中，对原始数据包进行预处理，获得待分析数据包的子步骤如下：根据预设的分解间隔时间，并按照时间顺序对时间区间进行分解，获得多个时间节点，并将所有的时间节点作为任务序列，其中，每个时间节点对应一个时间序列和任务时间；按照时间序列依次递增的顺序，依次根据任务序列对降水实测数据包进行分析，获得每个任务序列对应的降水实测序列数据，并将所有的降水实测序列数据作为降水实测序列数据包；按照未降水采集时间的先后顺序对断面历史数据包中的所有断面水文数据进行排序处理，并标记采集序列，获得断面标记数据，并将所有的断面标记数据作为断面历史序列数据包；按照历史降水采集时间的先后顺序对降水历史数据包中的所有降水历史数据进行排序处理，并标记降水序列，获得降水标记数据，并将所有的降水标记数据作为降水历史序列数据包；将任务序列、降水实测序列数据包、断面历史序列数据包和降水历史序列数据包作为待分析数据包。
如上的，其中，按照时间序列依次递增的顺序，依次根据任务序列对降水实测数据包进行分析，获得每个任务序列对应的降水实测序列数据，并将所有的降水实测序列数据作为降水实测序列数据包的子步骤如下：S221：按照时间序列依次递增的顺序，依次根据任务序列对降水实测数据包中的所有降水数据进行筛选，若降水实测数据包中具有降水采集时间与任务时间相同的降水数据，则将降水采集时间与任务时间相同的降水数据作为该任务时间对应的任务序列的降水实测序列数据，并将该任务时间对应的时间序列作为当前序列，执行S222；若降水实测数据包中不具有降水采集时间与任务时间相同的降水数据，则对该任务时间对应的任务序列进行标记，并将该任务时间对应的时间序列作为当前序列，执行S222；S222：对当前时间序列进行判断，若当前时间序列的值小于时间序列的总数，则执行S221；若当前时间序列的值等于时间序列的总数，则完成筛选，执行S223；S223：对每个任务序列进行标记识别，若具有至少一个标记，则将具有标记的任务序列作为待扩展节点，将待扩展节点按照时间序列依次递增的顺序排列后，依次根据待扩展节点的时间序列对降水实测数据包进行扩展分析，获得每个待扩展节点的扩展数据，并将扩展数据作为降水实测序列数据，执行S224；若无标记，则直接执行S224；S224：将所有的降水实测序列数据作为降水实测序列数据包。
如上的，其中，将断面历史序列数据包和任务序列输入至预先训练好的第一预测模型中，由第一预测模型生成任务序列对应的预测断面数据，将所有的预测断面数据作为预测断面数据包的子步骤如下：获取多个断面样本数据，利用多个断面样本数据对预先训练好的第一预测模型进行参数更新，获得第一运行模型；将断面历史序列数据包和任务序列输入至第一运行模型，由第一运行模型生成任务序列对应的预测断面数据；将所有的预测断面数据作为预测断面数据包。
如上的，其中，将降水历史序列数据包、降水实测序列数据包和任务序列输入至预先训练好的第二预测模型中，由第二预测模型生成任务序列对应的预测降水数据，将所有的预测降水数据作为预测降水数据包的子步骤如下：获取多个降水样本数据，利用多个降水样本数据对预先训练好的第二预测模型进行参数更新，获得第二运行模型；将降水实测序列数据包、降水历史序列数据包和任务序列输入至第二运行模型，由第二运行模型生成任务序列对应的预测降水数据；将所有的预测降水数据作为预测降水数据包。
如上的，其中，子汛期污染强度的表达式如下：；其中，为第/>个任务序列对应的子汛期污染强度；/>为与第/>个任务序列对应的预测断面数据；/>为与第/>个任务序列对应的预测降水数据。
如上的，其中，平均汛期污染强度的表达式如下：；其中，/>为平均汛期污染强度；/>为与第/>个任务序列对应的预测断面数据；/>为与第/>个任务序列对应的预测降水数据；/>，N为任务序列的总数。
本申请能够在汛期不便于对断面的水质数据进行采集的情况下，准确地对汛期污染强度进行预测和分析，且能够保证预测结果和分析结果的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为基于数据分解的汛期污染强度分析系统一种实施例的结构示意图；
图2为基于数据分解的汛期污染强度分析方法一种实施例的流程图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本申请提供一种基于数据分解的汛期污染强度分析系统，包括：至少一个用户端1、多个监测节点2和分析中心3。
其中，用户端1：用于发送分析请求，接收汛期污染强度。
监测节点2：用于实时采集断面水文数据和降水数据，并存储；允许分析中心获取原始数据包。
分析中心3：用于执行如下步骤：
接收分析请求，根据分析请求获取原始数据包，其中，分析请求至少包括：用户ID、待分析流域数据和时间区间；原始数据包至少包括：降水实测数据包、断面历史数据包和降水历史数据包；
对原始数据包进行预处理，获得待分析数据包，其中，待分析数据包至少包括：任务序列、降水实测序列数据包、断面历史序列数据包和降水历史序列数据包；
将断面历史序列数据包和任务序列输入至预先训练好的第一预测模型中，由第一预测模型生成任务序列对应的预测断面数据，将所有的预测断面数据作为预测断面数据包；
将降水历史序列数据包、降水实测序列数据包和任务序列输入至预先训练好的第二预测模型中，由第二预测模型生成任务序列对应的预测降水数据，将所有的预测降水数据作为预测降水数据包；
按照任务序列对预测断面数据包和预测降水数据包进行分析，获得汛期污染强度，并发送，其中，汛期污染强度至少包括：多个子汛期污染强度和平均汛期污染强度。
进一步的，分析中心3至少包括：收发单元、获取单元、预分析单元、预测单元和融合分析单元。
其中，收发单元：用于接收分析请求，并发送至获取单元；用于接收并发送汛期污染强度。
获取单元：根据分析请求从监测节点中获取原始数据包，并将原始数据包发送至预分析单元。
预分析单元：用于对原始数据包进行预分析，获得待分析数据包，并将待分析数据包发送预测单元。
预测单元：用于将断面历史序列数据包和任务序列输入至预先训练好的第一预测模型中，由第一预测模型生成任务序列对应的预测断面数据，将所有的预测断面数据作为预测断面数据包；将降水历史序列数据包、降水实测序列数据包和任务序列输入至预先训练好的第二预测模型中，由第二预测模型生成任务序列对应的预测降水数据，将所有的预测降水数据作为预测降水数据包。
融合分析单元：用于按照任务序列对预测断面数据包和预测降水数据包进行分析，获得汛期污染强度，并发送至收发单元。
进一步的，预测单元至少包括：第一预测模块和第二预测模块。
第一预测模块：设置有第一预测模型，用于将断面历史序列数据包和任务序列输入至预先训练好的第一预测模型中，由第一预测模型生成任务序列对应的预测断面数据，将所有的预测断面数据作为预测断面数据包。
第二预测模块：设置有第二预测模型，用于将降水历史序列数据包、降水实测序列数据包和任务序列输入至预先训练好的第二预测模型中，由第二预测模型生成任务序列对应的预测降水数据，将所有的预测降水数据作为预测降水数据包。
如图2所示，本申请提供一个基于数据分解的汛期污染强度分析方法，其特征在于，包括如下步骤：
S1：接收分析请求，根据分析请求获取原始数据包，其中，分析请求至少包括：用户ID、待分析流域数据和时间区间；原始数据包至少包括：降水实测数据包、断面历史数据包和降水历史数据包。
其中，待分析流域数据至少包括：流域名称、上节点位置和下节点位置。
流域名称为：待分析流域所在的流域的名称。
上节点位置为：待分析流域中需要进行分析的河段的上游节点的位置。
下节点位置为：待分析流域中需要进行分析的河段的下游节点的位置。
时间区间为需要进行汛期污染强度分析的时间范围。
进一步的，时间区间的表达式为：
；
其中，为时间区间；/>为需要进行汛期污染强度分析的开始时间；/>为需要进行汛期污染强度分析的终止时间。
进一步的，根据分析请求获取原始数据包的子步骤如下：
S11：根据分析请求中的待分析流域数据从多个监控节点中确定至少一个监控节点为遍历监测节点。
进一步的，根据分析请求中的待分析流域数据从多个监控节点中确定至少一个监控节点为遍历监测节点的子步骤如下：
S111：将流域名称与待分析流域数据中的流域名称一致的流域确定为待分析流域。
S112：将位于上节点位置和下节点位置之间的待分析流域的流经区域作为分析流域区域。
S113：将位于分析流域区域内的所有监测节点均作为遍历监测节点。
S12：从每个遍历监测节点中获取位于时间区间内的降水数据，并将所有的降水数据作为降水实测数据包，其中，降水实测数据包中的每个降水数据均至少包括：降水量、降水节点位置和降水采集时间。
具体的，降水量为遍历监测节点在时间区间内实时采集的降水的量。
降水节点位置为遍历监测节点监测的降水节点的位置，降水节点即为降水时，可能会将陆地上的污染源引入到河流中的降水采集位置。
降水采集时间为遍历监测节点在时间区间内采集降水量的具体时间。
S13：根据时间区间确定第一历史时间区间，从每个遍历监测节点中获取位于第一历史时间区间内的断面水文数据，并将所有的断面水文数据作为断面历史数据包，其中，断面历史数据包中的每个断面水文数据均至少包括：未降水水质数据、未降水节点水体容积、未降水节点位置、未降水污染强度和未降水采集时间。
具体的，未降水水质数据为遍历监测节点在第一历史时间区间内实时采集的水质数据，包括一种或多种污染物浓度。
未降水节点水体容积为遍历监测节点在第一历史时间区间内获取的该遍历监测节点监测的流域断面的径流容积。
未降水节点位置为遍历监测节点监测的流域断面的位置。
未降水采集时间为遍历监测节点在第一历史时间区间内采集降水数据的具体时间。
未降水污染强度为遍历监测节点在第一历史时间区间内获取的该遍历监测节点监测的流域断面的污染强度。
第一历史时间区间为将需要进行汛期污染强度分析的时间区间作为端点时间，向前推移预设时长后得到的时间范围，即：第一历史时间区间为与需要进行汛期污染强度分析的时间区间相邻的无外源污染（未降水）的时间范围。
进一步的，第一历史时间区间的表达式为：
；
其中，为第一历史时间区间；/>为需要进行汛期污染强度分析的开始时间/>的前一个相邻的时间；/>为需要向前推移的预设时长；/>表示以/>为起始节点向前推移一个预设时长/>后得到的时间。
预设时长根据实际情况设定，可以为m秒、m分钟、m小时、m天、m周、m月或m年。
S14：根据时间区间确定第二历史时间区间，从每个遍历监测节点中获取位于第二历史时间区间内的降水历史数据，并将所有的降水历史数据作为降水历史数据包，其中，降水历史数据包中的每个降水历史数据均至少包括：历史降水量、历史降水污染强度、历史降水节点位置和历史降水采集时间。
具体的，历史降水量为遍历监测节点在第二历史时间区间内实时采集的降水的量。
历史降水污染强度为历史降水量引入遍历监测节点的污染强度。
历史降水节点位置为遍历监测节点监测的降水节点的位置，降水节点即为降水时，可能会将陆地上的污染源引入到河流中的降水采集位置。
历史降水采集时间为遍历监测节点在时间区间内采集历史降水量的具体时间。
第二历史时间区间为与需要进行汛期污染强度分析的时间区间最接近的引入外源污染（降水）的时间范围，即：需要进行汛期污染强度分析的时间区间的前一个汛期时间范围。
S15：降水实测数据包、断面历史数据包和降水历史数据包作为原始数据包。
S2：对原始数据包进行预处理，获得待分析数据包，其中，待分析数据包至少包括：任务序列、降水实测序列数据包、断面历史序列数据包和降水历史序列数据包。
进一步的，对原始数据包进行预处理，获得待分析数据包的子步骤如下：
S21：根据预设的分解间隔时间，并按照时间顺序对时间区间进行分解，获得多个时间节点，并将所有的时间节点作为任务序列，其中，每个时间节点对应一个时间序列和任务时间。
具体的，时间顺序即为将需要进行汛期污染强度核算的开始时间作为起始时间节点，将需要进行汛期污染强度核算的终止时间/>作为末始时间节点，根据预设的分解间隔时间/>从/>至/>进行分解。预设的分解间隔时间/>根据实际情况设定，可以为m秒、m分钟、m小时、m天、m周、m月或m年。
起始时间节点为第一个时间节点，第一个时间节点的时间序列为1，第二个时间节点的时间序列为2，第三个时间节点的时间序列为3，终止时间为最后一个时间节点，最后一个时间节点的时间序列为N。时间序列的总数为N。任务序列的总数为N。
第一个时间节点与第二时间节点之间间隔一个预设的分解间隔时间，最后一个时间节点与倒数第二个时间节点之间间隔的时间小于或等于一个预设的分解间隔时间。
任务时间为每个时间节点所对应的具体时间。例如：第二个时间节点的任务时间为在第一个时间节点的具体时间上往后推移一个分解间隔时间后得到的具体时间。第三个时间节点的任务时间为在第二个时间节点的任务时间上往后推移一个分解间隔时间后得到的具体时间。
S22：按照时间序列依次递增的顺序，依次根据任务序列对降水实测数据包进行分析，获得每个任务序列对应的降水实测序列数据，并将所有的降水实测序列数据作为降水实测序列数据包。
进一步的，按照时间序列依次递增的顺序，依次根据任务序列对降水实测数据包进行分析，获得每个任务序列对应的降水实测序列数据，并将所有的降水实测序列数据作为降水实测序列数据包的子步骤如下：
S221：按照时间序列依次递增的顺序，依次根据任务序列对降水实测数据包中的所有降水数据进行筛选，若降水实测数据包中具有降水采集时间与任务时间相同的降水数据，则将降水采集时间与任务时间相同的降水数据作为该任务时间对应的任务序列的降水实测序列数据，并将该任务时间对应的时间序列作为当前序列，执行S222；若降水实测数据包中不具有降水采集时间与任务时间相同的降水数据，则对该任务时间对应的任务序列进行标记，并将该任务时间对应的时间序列作为当前序列，执行S222。
S222：对当前时间序列进行判断，若当前时间序列的值小于时间序列的总数，则执行S221；若当前时间序列的值等于时间序列的总数，则完成筛选，执行S223。
S223：对每个任务序列进行标记识别，若具有至少一个标记，则将具有标记的任务序列作为待扩展节点，将待扩展节点按照时间序列依次递增的顺序排列后，依次根据待扩展节点的时间序列对降水实测数据包进行扩展分析，获得每个待扩展节点的扩展数据，并将扩展数据作为降水实测序列数据，执行S224；若无标记，则直接执行S224。
进一步的，扩展数据的表达式如下：
；
或：
；
其中，为第/>个待扩展节点的扩展数据；/>为待扩展节点的前一个无标记的任务序列的降水实测序列数据，/>为待扩展节点的后一个无标记的任务序列的降水实测序列数据；/>为前区间中的第/>个降水数据；/>为前区间中的第/>个降水数据；/>，/>为前区间中的降水数据的总个数；/>为降水数据/>的降水采集时间；为降水数据/>的降水采集时间；/>为后区间中的第/>个降水数据；/>为后区间中的第/>个降水数据；/>，/>为后区间中的降水数据的总个数；/>为降水数据/>的降水采集时间；/>为降水数据/>的降水采集时间；/>为待扩展节点的时间序列，/>，N为时间序列的总数；/>为分解间隔时间；/>为待扩展节点的后一个无标记的任务序列与待扩展节点之间间隔的分解间隔时间的个数；/>为待扩展节点的前一个无标记的任务序列与待扩展节点之间间隔的分解间隔时间的个数；/>均为执行参数，若待扩展节点同时具有前区间和后区间时，/>，/>，若待扩展节点只具有前区间时，/>；若待扩展节点只具有后区间时，/>。
具体的，表示降水数据/>和降水数据/>之间的变化数据；为降水数据/>和降水数据/>之间的变化时间。/>表示降水数据/>和降水数据/>之间的变化数据；/>为降水数据/>和降水数据之间的变化时间。
前区间为将待扩展节点的任务时间作为起始时间，向前推移一个第一扩展间隔时间获得的时间区间。前区间位于时间区间内。
后区间为将待扩展节点的任务时间作为起始时间，向后推移一个第二扩展间隔时间获得的时间区间。后区间位于时间区间内。
第一扩展间隔时间和第二扩展间隔时间可以相同，也可以不同，第一扩展间隔时间和第二扩展间隔时间具体根据实际情况而定。
S224：将所有的降水实测序列数据作为降水实测序列数据包。
S23：按照未降水采集时间的先后顺序对断面历史数据包中的所有断面水文数据进行排序处理，并标记采集序列，获得断面标记数据，并将所有的断面标记数据作为断面历史序列数据包。
具体的，采集序列按照未降水采集时间的先后顺序依次递增。例如：未降水采集时间排在最前面的断面水文数据的采集序列为1，未降水采集时间排在第二的断面水文数据的采集序列为2，未降水采集时间排在第三的断面水文数据的采集序列为3，未降水采集时间排在最后面的断面水文数据的采集序列为U。断面历史数据包中的断面水文数据的总数为U。
S24：按照历史降水采集时间的先后顺序对降水历史数据包中的所有降水历史数据进行排序处理，并标记降水序列，获得降水标记数据，并将所有的降水标记数据作为降水历史序列数据包。
具体的，降水序列按照历史降水采集时间的先后顺序依次递增。例如：历史降水采集时间排在最前面的降水历史数据的降水序列为1，历史降水采集时间排在第二的降水历史数据的降水序列为2，历史降水采集时间排在第三的降水历史数据的降水序列为3，历史降水采集时间排在最后面的降水历史数据的降水序列为H。降水历史序列数据包中的降水历史数据的总数为H。
S25：将任务序列、降水实测序列数据包、断面历史序列数据包和降水历史序列数据包作为待分析数据包。
S3：将断面历史序列数据包和任务序列输入至预先训练好的第一预测模型中，由第一预测模型生成任务序列对应的预测断面数据，将所有的预测断面数据作为预测断面数据包。
进一步的，将断面历史序列数据包和任务序列输入至预先训练好的第一预测模型中，由第一预测模型生成任务序列对应的预测断面数据，将所有的预测断面数据作为预测断面数据包的子步骤如下：
S31：获取多个断面样本数据，利用多个断面样本数据对预先训练好的第一预测模型进行参数更新，获得第一运行模型。
进一步的，获取多个断面样本数据，利用多个断面样本数据对预先训练好的第一预测模型进行参数更新，获得第一运行模型的子步骤如下：
S311：根据时间区间确定断面样本时间区间，从遍历监测节点中获取位于断面样本时间区间内的每个未降水时期的断面水文数据作为断面样本数据，将第一历史时间区间内的每个断面水文数据的未降水采集时间作为验证任务序列，将第一历史时间区间内的每个断面水文数据的未降水污染强度作为判断标准数据。
具体的，断面样本时间区间为将第一历史时间区间作为端点时间，向前推移预设的取样时长后得到的时间范围，其中，取样时长的具体值根据实际情况而定，可以为：x月、x季度或x年。
未降水时期为无外源污染（未降水）的时期，即：断面未受降水影响的时间段。
S312：将断面样本数据和验证任务序列输入至第一预测模型中，由第一预测模型生成验证任务序列对应的第一预测样本结果。
S313：利用判断标准数据对第一预测样本结果进行判断，若判断标准数据和第一预测样本结果之间的第一误差值超出预设的第一误差阈值，则对第一预测模型的精确度参数进行调整，获得新的第一预测模型，利用新的第一预测模型重新执行S312；若判断标准数据和第一预测样本结果之间的第一误差值不超出预设的第一误差阈值，则将第一预测模型作为第一运行模型。
进一步的，第一误差值的表达式如下：
；
其中，为第一误差值；/>为第/>个判断标准数据；/>为第/>个第一预测样本结果，/>，U为判断标准数据的总数。
具体的，判断标准数据的总数与断面历史数据包中的断面水文数据的总数一致。判断标准数据的具体时间与第一预测样本结果/>的具体时间一致。
S32：将断面历史序列数据包和任务序列输入至第一运行模型，由第一运行模型生成任务序列对应的预测断面数据。
进一步的，预测断面数据的表达式如下：
；
其中，为与第/>个任务序列对应的预测断面数据；/>为第一运行模型通过第/>个断面水文数据生成的子预测断面数据，/>，U为断面历史序列数据包中的断面水文数据的总数，/>，N为任务序列的总数。
S33：将所有的预测断面数据作为预测断面数据包。
S4：将降水历史序列数据包、降水实测序列数据包和任务序列输入至预先训练好的第二预测模型中，由第二预测模型生成任务序列对应的预测降水数据，将所有的预测降水数据作为预测降水数据包。
进一步的，将降水历史序列数据包、降水实测序列数据包和任务序列输入至预先训练好的第二预测模型中，由第二预测模型生成任务序列对应的预测降水数据，将所有的预测降水数据作为预测降水数据包的子步骤如下：
S41：获取多个降水样本数据，利用多个降水样本数据对预先训练好的第二预测模型进行参数更新，获得第二运行模型。
进一步的，获取多个降水样本数据，利用多个降水样本数据对预先训练好的第二预测模型进行参数更新，获得第二运行模型的子步骤如下：
S411：根据时间区间确定降水样本时间区间，从遍历监测节点中获取位于降水样本时间区间内的每个降水时期的降水历史数据作为降水样本数据，将第二历史时间区间内的每个降水历史数据的历史降水采集时间作为校核任务序列，将第二历史时间区间内的每个降水历史数据的历史降水污染强度作为校核标准数据。
具体的，降水样本时间区间为将第二历史时间区间作为端点时间，向前推移预设的取样时长后得到的时间范围，其中，取样时长的具体值根据实际情况而定，可以为：x月、x季度或x年。
降水时期为引入外源污染（降水）的时期，即：断面受降水影响的时间段。
S412：将降水样本数据和校核任务序列输入至第二预测模型中，由第二预测模型生成校核任务序列对应的第二预测样本结果。
S413：利用校核标准数据对第二预测样本结果进行判断，若校核标准数据和第二预测样本结果之间的第二误差值超出预设的第二误差阈值，则对第二预测模型的精确度参数进行调整，获得新的第二预测模型，利用新的第二预测模型重新执行S412；若校核标准数据和第二预测样本结果之间的第二误差值不超出预设的第二误差阈值，则将第二预测模型作为第二运行模型。
进一步的，第二误差值的表达式如下：
；
其中，为第二误差值；/>为第/>个校核标准数据；/>为第/>个第二预测样本结果，/>，H为校核标准数据的总数。
具体的，校核标准数据的总数与降水历史数据包中的降水水文数据的总数一致。校核标准数据的具体时间与第二预测样本结果/>的具体时间一致。
S42：将降水实测序列数据包、降水历史序列数据包和任务序列输入至第二运行模型，由第二运行模型生成任务序列对应的预测降水数据。
进一步的，预测降水数据的表达式如下：
；
其中，为与第/>个任务序列对应的预测降水数据；/>为第二运行模型通过第/>个降水历史数据生成的子预测降水数据，/>，H为降水历史序列数据包中的降水历史数据的总数，/>，N为任务序列的总数；/>为第/>个降水历史数据的历史降水量；/>为第/>个任务序列对应的降水实测序列数据包中的降水数据的降水量。
S43：将所有的预测降水数据作为预测降水数据包。
S5：按照任务序列对预测断面数据包和预测降水数据包进行分析，获得汛期污染强度，并发送，其中，汛期污染强度至少包括：多个子汛期污染强度和平均汛期污染强度。
进一步的，子汛期污染强度的表达式如下：
；
其中，为第/>个任务序列对应的子汛期污染强度；/>为与第/>个任务序列对应的预测断面数据；/>为与第/>个任务序列对应的预测降水数据。
进一步的，平均汛期污染强度的表达式如下：
；
其中，为平均汛期污染强度；/>为与第/>个任务序列对应的预测断面数据；/>为与第/>个任务序列对应的预测降水数据；/>，N为任务序列的总数。
本申请能够在汛期不便于对断面的水质数据进行采集的情况下，准确地对汛期污染强度进行预测和分析，且能够保证预测结果和分析结果的准确性。
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，本申请的保护范围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保护范围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 (10)
1.一种基于数据分解的汛期污染强度分析系统，其特征在于，包括：至少一个用户端、多个监测节点和分析中心；
其中，用户端：用于发送分析请求，接收汛期污染强度；
监测节点：用于实时采集断面水文数据和降水数据，并存储；允许分析中心获取原始数据包；
分析中心：用于执行如下步骤：
接收分析请求，根据分析请求获取原始数据包，其中，分析请求至少包括：用户ID、待分析流域数据和时间区间；原始数据包至少包括：降水实测数据包、断面历史数据包和降水历史数据包；
对原始数据包进行预处理，获得待分析数据包，其中，待分析数据包至少包括：任务序列、降水实测序列数据包、断面历史序列数据包和降水历史序列数据包；
将断面历史序列数据包和任务序列输入至预先训练好的第一预测模型中，由第一预测模型生成任务序列对应的预测断面数据，将所有的预测断面数据作为预测断面数据包；
将降水历史序列数据包、降水实测序列数据包和任务序列输入至预先训练好的第二预测模型中，由第二预测模型生成任务序列对应的预测降水数据，将所有的预测降水数据作为预测降水数据包；
按照任务序列对预测断面数据包和预测降水数据包进行分析，获得汛期污染强度，并发送，其中，汛期污染强度至少包括：多个子汛期污染强度和平均汛期污染强度；
其中，预测断面数据的表达式如下：
；
其中，为与第/>个任务序列对应的预测断面数据；/>为第一运行模型通过第个断面水文数据生成的子预测断面数据，/>，U为断面历史序列数据包中的断面水文数据的总数；
预测降水数据的表达式如下：
；
其中，为与第/>个任务序列对应的预测降水数据；/>为第二运行模型通过第个降水历史数据生成的子预测降水数据，/>，H为降水历史序列数据包中的降水历史数据的总数，/>，N为任务序列的总数；/>为第/>个降水历史数据的历史降水量；/>为第/>个任务序列对应的降水实测序列数据包中的降水数据的降水量。
2.根据权利要求1所述的基于数据分解的汛期污染强度分析系统，其特征在于，分析中心至少包括：收发单元、获取单元、预分析单元、预测单元和融合分析单元；
其中，收发单元：用于接收分析请求，并发送至获取单元；用于接收并发送汛期污染强度；
获取单元：根据分析请求从监测节点中获取原始数据包，并将原始数据包发送至预分析单元；
预分析单元：用于对原始数据包进行预分析，获得待分析数据包，并将待分析数据包发送预测单元；
预测单元：用于将断面历史序列数据包和任务序列输入至预先训练好的第一预测模型中，由第一预测模型生成任务序列对应的预测断面数据，将所有的预测断面数据作为预测断面数据包；将降水历史序列数据包、降水实测序列数据包和任务序列输入至预先训练好的第二预测模型中，由第二预测模型生成任务序列对应的预测降水数据，将所有的预测降水数据作为预测降水数据包；
融合分析单元：用于按照任务序列对预测断面数据包和预测降水数据包进行分析，获得汛期污染强度，并发送至收发单元。
3.根据权利要求2所述的基于数据分解的汛期污染强度分析系统，其特征在于，预测单元至少包括：第一预测模块和第二预测模块；
第一预测模块：设置有第一预测模型，用于将断面历史序列数据包和任务序列输入至预先训练好的第一预测模型中，由第一预测模型生成任务序列对应的预测断面数据，将所有的预测断面数据作为预测断面数据包；
第二预测模块：设置有第二预测模型，用于将降水历史序列数据包、降水实测序列数据包和任务序列输入至预先训练好的第二预测模型中，由第二预测模型生成任务序列对应的预测降水数据，将所有的预测降水数据作为预测降水数据包。
4.一种基于数据分解的汛期污染强度分析方法，其特征在于，包括如下步骤：
接收分析请求，根据分析请求获取原始数据包，其中，分析请求至少包括：用户ID、待分析流域数据和时间区间；原始数据包至少包括：降水实测数据包、断面历史数据包和降水历史数据包；
对原始数据包进行预处理，获得待分析数据包，其中，待分析数据包至少包括：任务序列、降水实测序列数据包、断面历史序列数据包和降水历史序列数据包；
将断面历史序列数据包和任务序列输入至预先训练好的第一预测模型中，由第一预测模型生成任务序列对应的预测断面数据，将所有的预测断面数据作为预测断面数据包；
将降水历史序列数据包、降水实测序列数据包和任务序列输入至预先训练好的第二预测模型中，由第二预测模型生成任务序列对应的预测降水数据，将所有的预测降水数据作为预测降水数据包；
按照任务序列对预测断面数据包和预测降水数据包进行分析，获得汛期污染强度，并发送，其中，汛期污染强度至少包括：多个子汛期污染强度和平均汛期污染强度；
其中，预测断面数据的表达式如下：
；
其中，为与第/>个任务序列对应的预测断面数据；/>为第一运行模型通过第个断面水文数据生成的子预测断面数据，/>，U为断面历史序列数据包中的断面水文数据的总数；
预测降水数据的表达式如下：
；
其中，为与第/>个任务序列对应的预测降水数据；/>为第二运行模型通过第个降水历史数据生成的子预测降水数据，/>，H为降水历史序列数据包中的降水历史数据的总数，/>，N为任务序列的总数；/>为第/>个降水历史数据的历史降水量；/>为第/>个任务序列对应的降水实测序列数据包中的降水数据的降水量。
5.根据权利要求4所述的基于数据分解的汛期污染强度分析方法，其特征在于，对原始数据包进行预处理，获得待分析数据包的子步骤如下：
根据预设的分解间隔时间，并按照时间顺序对时间区间进行分解，获得多个时间节点，并将所有的时间节点作为任务序列，其中，每个时间节点对应一个时间序列和任务时间；
按照时间序列依次递增的顺序，依次根据任务序列对降水实测数据包进行分析，获得每个任务序列对应的降水实测序列数据，并将所有的降水实测序列数据作为降水实测序列数据包；
按照未降水采集时间的先后顺序对断面历史数据包中的所有断面水文数据进行排序处理，并标记采集序列，获得断面标记数据，并将所有的断面标记数据作为断面历史序列数据包；
按照历史降水采集时间的先后顺序对降水历史数据包中的所有降水历史数据进行排序处理，并标记降水序列，获得降水标记数据，并将所有的降水标记数据作为降水历史序列数据包；
将任务序列、降水实测序列数据包、断面历史序列数据包和降水历史序列数据包作为待分析数据包。
6.根据权利要求5所述的基于数据分解的汛期污染强度分析方法，其特征在于，按照时间序列依次递增的顺序，依次根据任务序列对降水实测数据包进行分析，获得每个任务序列对应的降水实测序列数据，并将所有的降水实测序列数据作为降水实测序列数据包的子步骤如下：
S221：按照时间序列依次递增的顺序，依次根据任务序列对降水实测数据包中的所有降水数据进行筛选，若降水实测数据包中具有降水采集时间与任务时间相同的降水数据，则将降水采集时间与任务时间相同的降水数据作为该任务时间对应的任务序列的降水实测序列数据，并将该任务时间对应的时间序列作为当前序列，执行S222；若降水实测数据包中不具有降水采集时间与任务时间相同的降水数据，则对该任务时间对应的任务序列进行标记，并将该任务时间对应的时间序列作为当前序列，执行S222；
S222：对当前时间序列进行判断，若当前时间序列的值小于时间序列的总数，则执行S221；若当前时间序列的值等于时间序列的总数，则完成筛选，执行S223；
S223：对每个任务序列进行标记识别，若具有至少一个标记，则将具有标记的任务序列作为待扩展节点，将待扩展节点按照时间序列依次递增的顺序排列后，依次根据待扩展节点的时间序列对降水实测数据包进行扩展分析，获得每个待扩展节点的扩展数据，并将扩展数据作为降水实测序列数据，执行S224；若无标记，则直接执行S224；
S224：将所有的降水实测序列数据作为降水实测序列数据包。
7.根据权利要求4所述的基于数据分解的汛期污染强度分析方法，其特征在于，将断面历史序列数据包和任务序列输入至预先训练好的第一预测模型中，由第一预测模型生成任务序列对应的预测断面数据，将所有的预测断面数据作为预测断面数据包的子步骤如下：
获取多个断面样本数据，利用多个断面样本数据对预先训练好的第一预测模型进行参数更新，获得第一运行模型；
将断面历史序列数据包和任务序列输入至第一运行模型，由第一运行模型生成任务序列对应的预测断面数据；
将所有的预测断面数据作为预测断面数据包。
8.根据权利要求4所述的基于数据分解的汛期污染强度分析方法，其特征在于，将降水历史序列数据包、降水实测序列数据包和任务序列输入至预先训练好的第二预测模型中，由第二预测模型生成任务序列对应的预测降水数据，将所有的预测降水数据作为预测降水数据包的子步骤如下：
获取多个降水样本数据，利用多个降水样本数据对预先训练好的第二预测模型进行参数更新，获得第二运行模型；
将降水实测序列数据包、降水历史序列数据包和任务序列输入至第二运行模型，由第二运行模型生成任务序列对应的预测降水数据；
将所有的预测降水数据作为预测降水数据包。
9.根据权利要求4所述的基于数据分解的汛期污染强度分析方法，其特征在于，子汛期污染强度的表达式如下：
；
其中，为第/>个任务序列对应的子汛期污染强度；/>为与第/>个任务序列对应的预测断面数据；/>为与第/>个任务序列对应的预测降水数据。
10.根据权利要求4所述的基于数据分解的汛期污染强度分析方法，其特征在于，平均汛期污染强度的表达式如下：
；
其中，为平均汛期污染强度；/>为与第/>个任务序列对应的预测断面数据；为与第/>个任务序列对应的预测降水数据；/>，N为任务序列的总数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311049979.7A CN116757897B (zh) | 2023-08-21 | 2023-08-21 | 一种基于数据分解的汛期污染强度分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311049979.7A CN116757897B (zh) | 2023-08-21 | 2023-08-21 | 一种基于数据分解的汛期污染强度分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116757897A CN116757897A (zh) | 2023-09-15 |
| CN116757897B true CN116757897B (zh) | 2023-11-14 |
Family
ID=87951887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311049979.7A Active CN116757897B (zh) | 2023-08-21 | 2023-08-21 | 一种基于数据分解的汛期污染强度分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116757897B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476451A (zh) * | 2020-02-13 | 2020-07-31 | 北京市环境保护科学研究院 | 一种水生态指数数据处理方法 |
| CN111784052A (zh) * | 2020-07-03 | 2020-10-16 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种城市面源污染入河负荷量预测方法 |
| CN113327056A (zh) * | 2021-06-23 | 2021-08-31 | 中国环境科学研究院 | 一种水体污染类型的界定方法 |
| WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
| CN115856237A (zh) * | 2022-11-18 | 2023-03-28 | 中国科学院城市环境研究所 | 一种基于水质监测指标的汛期污染强度计算方法及装置 |
| CN115965496A (zh) * | 2022-11-29 | 2023-04-14 | 中国环境科学研究院 | 流域水环境智慧化管理方法 |
| CN116432948A (zh) * | 2023-03-16 | 2023-07-14 | 中节能国祯环保科技股份有限公司 | 一种城市雨源型河流系统分步治理方法 |
-
2023
- 2023-08-21 CN CN202311049979.7A patent/CN116757897B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476451A (zh) * | 2020-02-13 | 2020-07-31 | 北京市环境保护科学研究院 | 一种水生态指数数据处理方法 |
| CN111784052A (zh) * | 2020-07-03 | 2020-10-16 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种城市面源污染入河负荷量预测方法 |
| CN113327056A (zh) * | 2021-06-23 | 2021-08-31 | 中国环境科学研究院 | 一种水体污染类型的界定方法 |
| WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
| CN115856237A (zh) * | 2022-11-18 | 2023-03-28 | 中国科学院城市环境研究所 | 一种基于水质监测指标的汛期污染强度计算方法及装置 |
| CN115965496A (zh) * | 2022-11-29 | 2023-04-14 | 中国环境科学研究院 | 流域水环境智慧化管理方法 |
| CN116432948A (zh) * | 2023-03-16 | 2023-07-14 | 中节能国祯环保科技股份有限公司 | 一种城市雨源型河流系统分步治理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 丹汉江流域非点源污染定量化与控制研究进展;李亚娇;张子航;李家科;郝改瑞;;水资源与水工程学报(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116757897A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pechlivanidis et al. | Catchment scale hydrological modelling: A review of model types, calibration approaches and uncertainty analysis methods in the context of recent developments in technology and applications | |
| Lauenroth | Methods of estimating belowground net primary production | |
| Dakins et al. | Risk‐based environmental remediation: Bayesian Monte Carlo analysis and the expected value of sample information | |
| Perks et al. | Dominant mechanisms for the delivery of fine sediment and phosphorus to fluvial networks draining grassland dominated headwater catchments | |
| Harmel et al. | Automated storm water sampling on small watersheds | |
| CN111898691A (zh) | 一种河流突发水污染预警溯源方法、系统、终端及介质 | |
| Liu et al. | Event-scale hysteresis metrics to reveal processes and mechanisms controlling constituent export from watersheds: A review✰ | |
| CN110472796A (zh) | 海绵城市建设试点区水量水质监测布点方法及预警系统 | |
| CN111126702B (zh) | 道路面源污染信息预测方法、装置、设备及存储介质 | |
| CN116757897B (zh) | 一种基于数据分解的汛期污染强度分析方法及系统 | |
| CN115188434A (zh) | 一种流域尺度水体非点源污染分类分区识别方法 | |
| CN108595814B (zh) | 一种基于实测的多年降水数据模拟逐日降水量的方法 | |
| Rauch et al. | Required accuracy of rainfall data for integrated urban drainage modeling | |
| CN117310118A (zh) | 一种地下水污染可视化监测方法 | |
| CN117390594A (zh) | 一种水质监测预警方法及系统 | |
| CN117171128A (zh) | 一种基于四水耦合模型的水生生物保护阈值识别方法 | |
| KR100353391B1 (ko) | 하수관거의 모니터링/유지관리 방법 및 시스템 | |
| CN116757898B (zh) | 一种基于预测比对的汛期污染强度核算方法及系统 | |
| CN113125355A (zh) | 水质监管系统 | |
| CN113361772A (zh) | 一种混流管网水量的预测方法及装置 | |
| Barthold et al. | Gauging the ungauged basin: a top-down approach in a large semiarid watershed in China | |
| McGill et al. | Extreme learning machine predicts high-frequency stream flow and nitrate-n concentrations in a karst agricultural watershed | |
| Zhou et al. | Groundwater monitoring for cement kiln dust disposal units in karst aquifers | |
| KR20100081088A (ko) | 수질 변동 추세 분석 방법 및 장치 | |
| Tran et al. | Predicting high-frequency nutrient dynamics in the Danube River with surrogate models using sensors and Random Forest |
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 |