CN117037448A - 一种用于地下水污染防控的污染预警方法及系统 - Google Patents
一种用于地下水污染防控的污染预警方法及系统 Download PDFInfo
- Publication number
- CN117037448A CN117037448A CN202310768024.0A CN202310768024A CN117037448A CN 117037448 A CN117037448 A CN 117037448A CN 202310768024 A CN202310768024 A CN 202310768024A CN 117037448 A CN117037448 A CN 117037448A
- Authority
- CN
- China
- Prior art keywords
- groundwater
- pollution
- early warning
- index
- underground water
- 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 59
- 238000003895 groundwater pollution Methods 0.000 title claims abstract description 39
- 230000002265 prevention Effects 0.000 title claims abstract description 19
- 239000003673 groundwater Substances 0.000 claims abstract description 114
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 94
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 85
- 231100000719 pollutant Toxicity 0.000 claims abstract description 85
- 238000005553 drilling Methods 0.000 claims description 33
- 210000002569 neuron Anatomy 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 20
- 239000000356 contaminant Substances 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 238000011144 upstream manufacturing Methods 0.000 claims description 10
- 230000000711 cancerogenic effect Effects 0.000 claims description 9
- 231100000315 carcinogenic Toxicity 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 244000005700 microbiome Species 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000001948 isotopic labelling Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 239000002352 surface water Substances 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 2
- 239000002957 persistent organic pollutant Substances 0.000 claims description 2
- 238000003911 water pollution Methods 0.000 abstract description 13
- 238000011835 investigation Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000007613 environmental effect Effects 0.000 abstract description 3
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- MVPPADPHJFYWMZ-UHFFFAOYSA-N chlorobenzene Chemical compound ClC1=CC=CC=C1 MVPPADPHJFYWMZ-UHFFFAOYSA-N 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005067 remediation Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 150000001555 benzenes Chemical class 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 1
- 239000010795 gaseous waste Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000000155 isotopic effect Effects 0.000 description 1
- 239000010808 liquid waste Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910017464 nitrogen compound Inorganic materials 0.000 description 1
- 150000002830 nitrogen compounds Chemical class 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000008096 xylene Substances 0.000 description 1
- 150000003738 xylenes Chemical class 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Electrochemistry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于环境调查技术领域，公开了一种用于地下水污染防控的污染预警方法及系统，获取污染场地地下水的状态参数判断污染物的危害指数，并进行对应等级的预警，获得的地下水监测结果更为丰富、全面和准确；本发明基于地下水污染调查信息、能够为地下水污染防控提供快捷有效服务的地下水污染预警方法；同时，通过对地下水进行综合评价方法；确定最小数据集、计算最小数据集的指标隶属度、计算地下水质综合质量指数以及划分地下水质等级的步骤方法，对地下水质进行综合评价，准确性高。
Description
技术领域
本发明属于环境调查技术领域，尤其涉及一种用于地下水污染防控的污染预警方法。
背景技术
地下水污染(ground waterpollution)主要指由人类活动引起地下水的化学成分、物理性质和生物学特性发生改变而使地下水质量下降的现象。导致地下水污染的原因主要有：人类工业、生活、农业活动排放的固体、气体及液体废弃物处置不当而导致其中的化学物质进入水体，然后经由地表进入地下水或直接排放到地下水中。此外，人类抽取地下水导致邻近海水、咸水的侵入也是导致地下水污染的因素之一。地下水污染的结果是使地下水中的无机盐或有害成分如重(类)金属、氮化合物、有机物、放射性物质、细菌等的含量增高、水质下降，对人体健康和工农业生产都带来了危害。
地表以下地层结构复杂，地下水流动缓慢，因此，地下水污染具有过程缓慢、不易发现和难以治理的特点。且地下水一旦受到污染，即使彻底消除其污染源，地下水的恢复仍然需要十几年甚至几十年的时间。因此，为了防止地下水未受污染或污染趋于严重，对地下水污染进行调查评价并提前进行预警至关重要。虽然目前地下水污染调查技术和评价方法方面均已比较成熟，但如何能够通过预警的方式有效防护地下水免受污染或在污染趋于严重之前采取措施，以减少地下水污染控制与治理投入，是当前地下水污染防控的迫切需求。然而，目前的地下水污染预警方法多是基于数值模拟模型的趋势预测，与实际情况存在较大差距。
通过上述分析，现有技术存在的问题及缺陷为：
(1)地下水污染预警多是基于数值模拟模型的趋势预测，与实际情况存在较大差距。
(2)缺少基于地下水污染调查信息、能够为地下水污染防控提供快捷有效服务的地下水污染预警方法。
发明内容
针对现有技术存在的问题，本发明提供了一种用于地下水污染防控的污染预警方法。
本发明是这样实现的，一种用于地下水污染防控的污染预警方法，包括：
通过稳定同位素技术，明确标记出地下水流动的上游和下游位置，同时针对这些关键地段进行水文地质钻探，了解地下水的具体情况；抽取相关地段的地下水样本，检测地下水的具体成分；
通过特定的化学物质特征和污染物在水中的分布情况，推测污染物的来源，控制和防止污染的发生和扩散；根据地下水样本的分析结果，以及污染源的识别结果，对比预设的预警等级规则，确定当前的污染等级，生成相应等级的预警指令，并发布推送预警信息；
建立一个地下水污染信息共享平台，将预警信息以及相关的地下水污染情况等信息，向相关的政府部门、企业和公众发布。
所述污染源识别具体为：
使用气相色谱-质谱联用仪对抽取的地下水样本进行深入的化学分析，确定污染物的具体组分，鉴定和定量地下水样本中的各种有机污染物；
使用同位素质谱仪进行测定，通过稳定同位素比值的分析，推断出污染物可能的来源；并使用Kriging插值方法研究污染物在空间上的分布规律，以此推测出污染源的位置；
使用污染物的浓度作为因变量，工业排放量、人口密度作为自变量，建立线性回归模型，通过回归系数的大小和方向，确定污染源。
所述对地下水样本进行检测分析方法：
基于地下水样本检测数据，获取样本检测数据向量，对样本检测数据向量与全部归一化后的神经元通过欧式聚类计算，基于欧式聚类计算结果进行最相似判定；
基于最相似判定结果及地下水样本检测数据，对归一化后的神经元进行权重调整，通过上述步骤，对归一化后的神经元进行迭代训练，直到全部所述地下水样本检测数据对归一化后的神经元完成权重调整，停止迭代训练，获取神经元矩阵及神经网络；
其中，所述神经元矩阵为离子数据在神经元中的分布，所述神经网格为标注数据在神经元上的分布；
所述对地下水样本进行分析的过程包括：基于聚类结果对地下水样本进行匹配，获取聚类变化图，基于聚类变化图，获取不同时间，同一位置的地下水样本的聚类类别变化，基于聚类类别变化结果，得到地下水化学季节性变化分析结果；
步骤三，根据危害指数信息与预设预警等级规则对比，生成对应等级的预警指令；执行所述预警指令，生成对应等级的预警信息，将预警信息进行发布推送。
进一步，所述步骤二中对地下水进行综合评价方法如下：
1)确定最小数据集；
首先对所有检测出的地下水质指标进行相关性分析来分析指标之间是否存在共线性问题；根据所述是否存在共线性问题来决定是否有必要从预选指标中筛选出代表性指标；所述根据所述是否存在共线性问题来决定是否有必要从预选指标中筛选出代表性指标，包括：
如果地下水质指标存在共线性问题，则对所有指标进行主成分分析，用特征值不小于1的准则确定最能反映地下水质的高特征值的主成分，也就是这里只保留特征值≥1的主成分；
比较每个主成分中绝对值在最高因子载荷的10％以内的指标，若它们之间的相关系数大于0.5，则将因子载荷较高的那个因子选入最小数据集，否则全部选入最小数据集；
2)计算最小数据集的指标隶属度；计算地下水质综合质量指数；划分地下水质等级。
进一步，所述主成分分析过程中，使用最大方差法进行旋转；而每个最小数据集指标的权重Wi为主成分分析中的该指标的公因子方差与最小数据集的所有指标的公因子方差之和的比值，其表达式如公式(1)所示：
公式(1)中：Ci为第i个指标的公因子方差，n为最小数据集的指标数量，i为正整数。
进一步，所述计算最小数据集的指标隶属度，包括：
当指标值在评价标准范围内时，可以从如公式(2)所示的计算最小数据集的指标隶属度的模糊逻辑隶属函数中确定隶属度值MFi；否则，隶属度值MFi为1：
公式(2)中：0＜MFi≤1，MFi为第i个地下水质指标的隶属度值，xi为第i个地下水质指标的实测值，参数b为MFi＝1时的xi值，为第i个地下水质指标的最优值或理想值，d为离散指数，即作为缓冲区宽度的地下水质指标的最优值到允许值间的宽度，d＝b-x,x为MFi＝0.5时或存在交叉点时的xi值，i为正整数；
所述地下水体综合质量指数依据综合质量指数法计算，即为所述最小数据集MDS中的所有指标隶属度值与权重乘积之和，其地下水体综合质量指数WQI的表达式如公式(3)所示：
公式(3)中：Wi为第i个地下水质指标的权重值，MFi为第i个地下水质指标的隶属度值，n为所述最小数据集MDS的指标数量，i为正整数；
所述划分地下水质等级，包括：在对比实测地下水质数据的综合质量指数与地下水质等级的综合指数便可以将地下水质进行等级划分。
进一步，所述步骤三中将预警信息进行发布推送方法如下：
(1)将获取的污染场地地下水的状态参数和污染物的危害指数信息进行统计；将统计的信息通过网络发送到云服务器；
(2)云服务器将获取的预警统计信息发布到网站上；并通过短信方式推送到用户端。
进一步，所述污染场地地下水的状态参数至少包括：
地下水组成成分、温度、水位、pH、COD和TOC；其中，所述地下水组成成分至少包括：
污染物组分类型信息、各污染物组分含量信息、微生物类型信息和各微生物含量信息。
进一步，所述污染物的危害指数信息包括：
各污染物单因子污染指数、内梅罗指数、各污染物致癌风险指数、各污染物危害商指数、各污染物污染污染场地外水质的风险指数、各污染物污染地表水的风险指数和各污染物污染范围指数。
进一步，所述污染物的危害指数信息中，各污染物单因子污染指数通过以下方式获得：
比对地下水各污染物组分含量信息和地下水污染物组分对应标准值，计算获得各污染物单因子污染指数Pi：
其中，Ci为地下水的第i种污染物的实测浓度；
Si为地下水的第i种污染物的标准浓度。
进一步，所述污染物的危害指数信息中，所述内梅罗指数通过以下方式获得。
进一步，所述污染物的危害指数信息中，各污染物致癌风险指数和各污染物危害商指数通过以下方式获得：
根据所述污染物组分类型信息和各污染物含量信息，判断各污染物致癌风险指数值和各污染物危害商指数值。
本发明的另一目的在于提供的一种用于地下水污染防控的污染预警系统，具体包括：
稳定同位素标记模块：使用稳定同位素标记地下水的上游和下游位置：
水文地质钻探模块：根据预先确定的钻探点布置地质钻机，进行水文地质钻探，抽取地下水样本：
检测分析模块：对抽取的地下水样本进行检测分析，获取地下水的状态参数；
地下水综合评价模块：根据地下水状态参数，综合评价地下水的水质状况，判定是否存在污染：
预警规则比对模块：将危害指数信息与预设的预警等级规则进行比对，生成对应等级的预警指令：
预警信息发布模块：执行预警指令，生成对应等级的预警信息，并进行发布推送。
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
(1)本发明通过污染源识别，能够了解到污染物的来源，有针对性地进行防治措施，从源头上减少污染。这比仅仅对地下水进行检测和处理更为高效，可以阻止污染物进入地下水，而不仅仅是处理已经污染的地下水。
(2)本发明通过信息共享平台，能够更广泛地发布预警信息，让更多的人知道地下水污染的情况，从而提高社会公众的环保意识，共同参与到地下水污染防控中来。同时，也方便了政府和企业获取信息，及时作出反应。
(3)本发明提供的用于地下水污染防控的污染预警方法获取污染场地地下水的状态参数判断污染物的危害指数，并进行对应等级的预警，获得的地下水监测结果更为丰富、全面和准确，保证污染物类型多、量大和影响程度深的污染场地能够实现污染物准确监测，在出现异常情况时进行及时准确的报警提醒，提醒相关人员及时进行整治，避免污染范围扩大，污染程度加深；本发明基于地下水污染调查信息、能够为地下水污染防控提供快捷有效服务的地下水污染预警方法；同时，通过对地下水进行综合评价方法；确定最小数据集、计算最小数据集的指标隶属度、计算地下水质综合质量指数以及划分地下水质等级的步骤方法，对地下水质进行综合评价，准确性高。
附图说明
图1是本发明实施例提供的用于地下水污染防控的污染预警方法流程图；
图2是本发明实施例提供的将预警信息进行发布推送方法流程图；
图3是本发明实施例提供的对地下水进行综合评价方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供的对地下水进行综合评价的步骤，包括三个主要步骤：稳定同位素标记地下水的上游和下游位置并进行水文地质钻探、抽取地下水样本并进行检测分析、根据污染物的危害指数信息与预设预警等级规则对比，生成对应等级的预警指令并发布推送预警信息。
具体来说，第一步是在地下水现场使用稳定同位素确定并标记地下水的上游和下游的位置，然后根据预先确定的钻探点布置地质钻机，进行水文地质钻探，抽取地下水样本。第二步是对抽取的地下水样本进行检测分析，获取地下水的状态参数，并对地下水进行综合评价。其中，地下水样本的检测分析方法是基于欧式聚类计算结果进行最相似判定，对归一化后的神经元进行权重调整，并通过迭代训练获得神经元矩阵及神经网络。最终根据污染物的危害指数信息与预设预警等级规则对比，生成对应等级的预警指令，并发布推送预警信息。
整个过程涉及到信号和数据的处理，包括稳定同位素标记、地质钻探、地下水样本的抽取和检测分析等步骤。其中，地下水样本的检测分析方法采用神经网络进行处理，通过迭代训练得到神经元矩阵及神经网络。最终根据污染物的危害指数信息与预设预警等级规则对比，生成对应等级的预警指令，并发布推送预警信息。
如图1所示，本发明提供一种用于地下水污染防控的污染预警方法包括以下步骤：
S101，在地下水现场使用稳定同位素确定并标记地下水的上游和下游的位置；按照预先确定的钻探点布置地质钻机，根据不同深度的目标地层进行水文地质钻探；在每个钻探点位完成钻探后，抽取地下水样本；
S102，对抽取的地下水样本进行检测分析；获取地下水的状态参数；并对地下水进行综合评价；根据取地下水的状态参数，获得污染物的危害指数信息；
所述对地下水样本进行检测分析方法：
基于地下水样本检测数据，获取样本检测数据向量，对样本检测数据向量与全部归一化后的神经元通过欧式聚类计算，基于欧式聚类计算结果进行最相似判定；
基于最相似判定结果及地下水样本检测数据，对归一化后的神经元进行权重调整，通过上述步骤，对归一化后的神经元进行迭代训练，直到全部所述地下水样本检测数据对归一化后的神经元完成权重调整，停止迭代训练，获取神经元矩阵及神经网络；
其中，所述神经元矩阵为离子数据在神经元中的分布，所述神经网格为标注数据在神经元上的分布；
所述对地下水样本进行分析的过程包括：基于聚类结果对地下水样本进行匹配，获取聚类变化图，基于聚类变化图，获取不同时间，同一位置的地下水样本的聚类类别变化，基于聚类类别变化结果，得到地下水化学季节性变化分析结果；
S103，根据危害指数信息与预设预警等级规则对比，生成对应等级的预警指令；执行所述预警指令，生成对应等级的预警信息，将预警信息进行发布推送。
本发明提供的步骤二中对地下水进行综合评价方法如下：
S201，确定最小数据集；
首先对所有检测出的地下水质指标进行相关性分析来分析指标之间是否存在共线性问题；根据所述是否存在共线性问题来决定是否有必要从预选指标中筛选出代表性指标；所述根据所述是否存在共线性问题来决定是否有必要从预选指标中筛选出代表性指标，包括：
如果地下水质指标存在共线性问题，则对所有指标进行主成分分析，用特征值不小于1的准则确定最能反映地下水质的高特征值的主成分，也就是这里只保留特征值≥1的主成分；
比较每个主成分中绝对值在最高因子载荷的10％以内的指标，若它们之间的相关系数大于0.5，则将因子载荷较高的那个因子选入最小数据集，否则全部选入最小数据集；
S202，计算最小数据集的指标隶属度；计算地下水质综合质量指数；划分地下水质等级。
本发明提供主成分分析过程中，使用最大方差法进行旋转；而每个最小数据集指标的权重Wi为主成分分析中的该指标的公因子方差与最小数据集的所有指标的公因子方差之和的比值，其表达式如公式(1)所示：
公式(1)中：Ci为第i个指标的公因子方差，n为最小数据集的指标数量，i为正整数。
本发明提供计算最小数据集的指标隶属度，包括：
当指标值在评价标准范围内时，可以从如公式(2)所示的计算最小数据集的指标隶属度的模糊逻辑隶属函数中确定隶属度值MFi；否则，隶属度值MFi为1：
公式(2)中：0＜MFi≤1，MFi为第i个地下水质指标的隶属度值，xi为第i个地下水质指标的实测值，参数b为MFi＝1时的xi值，为第i个地下水质指标的最优值或理想值，d为离散指数，即作为缓冲区宽度的地下水质指标的最优值到允许值间的宽度，d＝b-x,x为MFi＝0.5时或存在交叉点时的xi值，i为正整数；
所述地下水体综合质量指数依据综合质量指数法计算，即为所述最小数据集MDS中的所有指标隶属度值与权重乘积之和，其地下水体综合质量指数WQI的表达式如公式(3)所示：
公式(3)中：Wi为第i个地下水质指标的权重值，MFi为第i个地下水质指标的隶属度值，n为所述最小数据集MDS的指标数量，i为正整数；
所述划分地下水质等级，包括：在对比实测地下水质数据的综合质量指数与地下水质等级的综合指数便可以将地下水质进行等级划分。
本发明提供的步骤三中将预警信息进行发布推送方法如下：
S301，将获取的污染场地地下水的状态参数和污染物的危害指数信息进行统计；将统计的信息通过网络发送到云服务器；
S302，云服务器将获取的预警统计信息发布到网站上；并通过短信方式推送到用户端。
本发明提供污染场地地下水的状态参数至少包括：
地下水组成成分、温度、水位、pH、COD和TOC；其中，所述地下水组成成分至少包括：
污染物组分类型信息、各污染物组分含量信息、微生物类型信息和各微生物含量信息。
本发明提供污染物的危害指数信息包括：
各污染物单因子污染指数、内梅罗指数、各污染物致癌风险指数、各污染物危害商指数、各污染物污染污染场地外水质的风险指数、各污染物污染地表水的风险指数和各污染物污染范围指数。
本发明提供污染物的危害指数信息中，各污染物单因子污染指数通过以下方式获得：
比对地下水各污染物组分含量信息和地下水污染物组分对应标准值，计算获得各污染物单因子污染指数Pi：
其中，Ci为地下水的第i种污染物的实测浓度；
Si为地下水的第i种污染物的标准浓度。
本发明提供污染物的危害指数信息中，所述内梅罗指数通过以下方式获得：
根据各污染物单因子污染指数计算获得内梅罗指数I：
其中，maxi为单因子污染指数最大值，通过对比所有单因子污染指数获得；
为各污染物单因子污染指数的平均值，通过不小于0.1的单因子污染指数求平均获得。
本发明提供污染物的危害指数信息中，各污染物致癌风险指数和各污染物危害商指数通过以下方式获得：
根据所述污染物组分类型信息和各污染物含量信息，判断各污染物致癌风险指数值和各污染物危害商指数值。
本发明提供的用于地下水污染防控的污染预警方法获取污染场地地下水的状态参数判断污染物的危害指数，并进行对应等级的预警，获得的地下水监测结果更为丰富、全面和准确，保证污染物类型多、量大和影响程度深的污染场地能够实现污染物准确监测，在出现异常情况时进行及时准确的报警提醒，提醒相关人员及时进行整治，避免污染范围扩大，污染程度加深；本发明基于地下水污染调查信息、能够为地下水污染防控提供快捷有效服务的地下水污染预警方法；同时，通过对地下水进行综合评价方法；确定最小数据集、计算最小数据集的指标隶属度、计算地下水质综合质量指数以及划分地下水质等级的步骤方法，对地下水质进行综合评价，准确性高。
作为一个优化方案，本发明实施例的具体实现的系统包括：
1)稳定同位素标记模块：使用稳定同位素标记地下水的上游和下游位置。
2)水文地质钻探模块：根据预先确定的钻探点布置地质钻机，进行水文地质钻探，抽取地下水样本。
3)检测分析模块：对抽取的地下水样本进行检测分析，获取地下水的状态参数，如pH值、溶解氧含量、污染物浓度等。
4)地下水综合评价模块：根据地下水状态参数，综合评价地下水的水质状况，判定是否存在污染。
5)预警规则比对模块：将危害指数信息与预设的预警等级规则进行比对，生成对应等级的预警指令。
6)预警信息发布模块：执行预警指令，生成对应等级的预警信息，并进行发布推送。
该污染预警方法的优点和积极效果包括：
1)可以实现对地下水污染的实时监测和预警，提高了污染防控的效果和水平。
2)采用稳定同位素进行标记，避免了对环境的二次污染，减少了对环境的影响。
3)通过水文地质钻探和检测分析，可以获取更加准确的地下水状态参数，提高了预警的准确性和可靠性。
4)该方法可以实现对污染源的快速定位和追踪，提高了污染治理的效率和效果。
本发明实施例可以应用在地下水样本中检测：
地下水样本中检测到了若干有机污染物，例如，苯、甲苯、二甲苯和氯苯等。通过气相色谱-质谱联用仪(GC-MS)我们得到了污染物的具体浓度；
接下来，我们通过稳定同位素质谱仪对地下水样本中的苯系物质进行同位素比值分析，我们得到的13C/12C的比值为-25‰(表示此比值比标准的比值低25‰)。通过查阅相关文献，我们发现这个比值与某种工业废水中苯系物质的同位素比值非常接近，因此我们猜测污染源可能与该工业有关。
进一步地，我们利用地统计学的方法对这个地区进行分析。例如，我们可能会发现污染物的浓度在靠近某个工厂的地方更高，而在远离工厂的地方逐渐降低，这也支持我们的猜测。
最后，我们利用回归分析的方法，以苯的浓度作为因变量，工厂的生产强度(例如，每天生产的产品数量)、工厂的废水排放量等作为自变量，建立一个线性回归模型。如果我们发现这个模型的拟合程度很好，且工厂的生产强度和废水排放量的回归系数都是显著的，那么我们就有理由认为这个工厂是污染源。
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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种用于地下水污染防控的污染预警方法，其特征在于，包括：
通过稳定同位素技术，明确标记出地下水流动的上游和下游位置，同时针对这些关键地段进行水文地质钻探，了解地下水的具体情况；抽取相关地段的地下水样本，检测地下水的具体成分；
通过特定的化学物质特征和污染物在水中的分布情况，推测污染物的来源，控制和防止污染的发生和扩散；根据地下水样本的分析结果，以及污染源的识别结果，对比预设的预警等级规则，确定当前的污染等级，生成相应等级的预警指令，并发布推送预警信息；
建立一个地下水污染信息共享平台，将预警信息以及相关的地下水污染情况等信息，向相关的政府部门、企业和公众发布。
2.如权利要求1所述用于地下水污染防控的污染预警方法，其特征在于，所述污染源识别具体为：
使用气相色谱-质谱联用仪对抽取的地下水样本进行深入的化学分析，确定污染物的具体组分，鉴定和定量地下水样本中的各种有机污染物；
使用同位素质谱仪进行测定，通过稳定同位素比值的分析，推断出污染物可能的来源；并使用Kriging插值方法研究污染物在空间上的分布规律，以此推测出污染源的位置；
使用污染物的浓度作为因变量，工业排放量、人口密度作为自变量，建立线性回归模型，通过回归系数的大小和方向，确定污染源。
3.如权利要求1所述用于地下水污染防控的污染预警方法，其特征在于，具体包括：
第一步是在地下水现场使用稳定同位素确定并标记地下水的上游和下游的位置，然后根据预先确定的钻探点布置地质钻机，进行水文地质钻探，抽取地下水样本；
第二步是对抽取的地下水样本进行检测分析，获取地下水的状态参数，并对地下水进行综合评价；地下水样本的检测分析方法是基于欧式聚类计算结果进行最相似判定，对归一化后的神经元进行权重调整，并通过迭代训练获得神经元矩阵及神经网络；最终根据污染物的危害指数信息与预设预警等级规则对比，生成对应等级的预警指令，并发布推送预警信息。
4.如权利要求1所述用于地下水污染防控的污染预警方法，其特征在于，进一步包括以下步骤：
步骤一，在地下水现场使用稳定同位素确定并标记地下水的上游和下游的位置；按照预先确定的钻探点布置地质钻机，根据不同深度的目标地层进行水文地质钻探；在每个钻探点位完成钻探后，抽取地下水样本；
步骤二，对抽取的地下水样本进行检测分析；获取地下水的状态参数；并对地下水进行综合评价；根据取地下水的状态参数，获得污染物的危害指数信息；
步骤三，根据危害指数信息与预设预警等级规则对比，生成对应等级的预警指令；执行所述预警指令，生成对应等级的预警信息，将预警信息进行发布推送。
5.如权利要求1所述用于地下水污染防控的污染预警方法，其特征在于，所述对地下水样本进行检测分析方法：
基于地下水样本检测数据，获取样本检测数据向量，对样本检测数据向量与全部归一化后的神经元通过欧式聚类计算，基于欧式聚类计算结果进行最相似判定；
基于最相似判定结果及地下水样本检测数据，对归一化后的神经元进行权重调整，通过上述步骤，对归一化后的神经元进行迭代训练，直到全部所述地下水样本检测数据对归一化后的神经元完成权重调整，停止迭代训练，获取神经元矩阵及神经网络；
其中，所述神经元矩阵为离子数据在神经元中的分布，所述神经网格为标注数据在神经元上的分布；
所述对地下水样本进行分析的过程包括：基于聚类结果对地下水样本进行匹配，获取聚类变化图，基于聚类变化图，获取不同时间，同一位置的地下水样本的聚类类别变化，基于聚类类别变化结果，得到地下水化学季节性变化分析结果。
6.如权利要求1所述用于地下水污染防控的污染预警方法，其特征在于，所述步骤二中对地下水进行综合评价方法如下：
1)确定最小数据集；
首先对所有检测出的地下水质指标进行相关性分析来分析指标之间是否存在共线性问题；根据所述是否存在共线性问题来决定是否有必要从预选指标中筛选出代表性指标；所述根据所述是否存在共线性问题来决定是否有必要从预选指标中筛选出代表性指标，包括：
如果地下水质指标存在共线性问题，则对所有指标进行主成分分析，用特征值不小于1的准则确定最能反映地下水质的高特征值的主成分，也就是这里只保留特征值≥1的主成分；
比较每个主成分中绝对值在最高因子载荷的10％以内的指标，若它们之间的相关系数大于0.5，则将因子载荷较高的那个因子选入最小数据集，否则全部选入最小数据集；
2)计算最小数据集的指标隶属度；计算地下水质综合质量指数；划分地下水质等级。
7.如权利要求3所述用于地下水污染防控的污染预警方法，其特征在于，所述主成分分析过程中，使用最大方差法进行旋转；而每个最小数据集指标的权重Wi为主成分分析中的该指标的公因子方差与最小数据集的所有指标的公因子方差之和的比值；
所述划分地下水质等级，包括：在对比实测地下水质数据的综合质量指数与地下水质等级的综合指数便可以将地下水质进行等级划分；
所述步骤三中将预警信息进行发布推送方法如下：
(1)将获取的污染场地地下水的状态参数和污染物的危害指数信息进行统计；将统计的信息通过网络发送到云服务器；
(2)云服务器将获取的预警统计信息发布到网站上；并通过短信方式推送到用户端。
8.如权利要求5所述用于地下水污染防控的污染预警方法，其特征在于，所述污染场地地下水的状态参数至少包括：
地下水组成成分、温度、水位、pH、COD和TOC；其中，所述地下水组成成分至少包括：
污染物组分类型信息、各污染物组分含量信息、微生物类型信息和各微生物含量信息。
9.如权利要求5所述用于地下水污染防控的污染预警方法，其特征在于，所述污染物的危害指数信息包括：
各污染物单因子污染指数、内梅罗指数、各污染物致癌风险指数、各污染物危害商指数、各污染物污染污染场地外水质的风险指数、各污染物污染地表水的风险指数和各污染物污染范围指数；所述污染物的危害指数信息中，各污染物单因子污染指数通过以下方式获得：比对地下水各污染物组分含量信息和地下水污染物组分对应标准值，计算获得各污染物单因子污染指数Pi：
其中，Ci为地下水的第i种污染物的实测浓度；Si为地下水的第i种污染物的标准浓度；
所述污染物的危害指数信息中，各污染物致癌风险指数和各污染物危害商指数通过以下方式获得：根据所述污染物组分类型信息和各污染物含量信息，判断各污染物致癌风险指数值和各污染物危害商指数值。
10.一种用于地下水污染防控的污染预警系统，其特征在于，具体包括：
稳定同位素标记模块：使用稳定同位素标记地下水的上游和下游位置：
水文地质钻探模块：根据预先确定的钻探点布置地质钻机，进行水文地质钻探，抽取地下水样本：
检测分析模块：对抽取的地下水样本进行检测分析，获取地下水的状态参数；
地下水综合评价模块：根据地下水状态参数，综合评价地下水的水质状况，判定是否存在污染：
预警规则比对模块：将危害指数信息与预设的预警等级规则进行比对，生成对应等级的预警指令：
预警信息发布模块：执行预警指令，生成对应等级的预警信息，并进行发布推送。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310768024.0A CN117037448A (zh) | 2023-06-27 | 2023-06-27 | 一种用于地下水污染防控的污染预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310768024.0A CN117037448A (zh) | 2023-06-27 | 2023-06-27 | 一种用于地下水污染防控的污染预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117037448A true CN117037448A (zh) | 2023-11-10 |
Family
ID=88640148
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310768024.0A Pending CN117037448A (zh) | 2023-06-27 | 2023-06-27 | 一种用于地下水污染防控的污染预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117037448A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118551901A (zh) * | 2024-07-24 | 2024-08-27 | 生态环境部土壤与农业农村生态环境监管技术中心 | 一种地下水污染防控方法和系统 |
| CN118551901B (zh) * | 2024-07-24 | 2024-10-25 | 生态环境部土壤与农业农村生态环境监管技术中心 | 一种地下水污染防控方法和系统 |
-
2023
- 2023-06-27 CN CN202310768024.0A patent/CN117037448A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118551901A (zh) * | 2024-07-24 | 2024-08-27 | 生态环境部土壤与农业农村生态环境监管技术中心 | 一种地下水污染防控方法和系统 |
| CN118551901B (zh) * | 2024-07-24 | 2024-10-25 | 生态环境部土壤与农业农村生态环境监管技术中心 | 一种地下水污染防控方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Arnon et al. | Water characterization and early contamination detection in highly varying stochastic background water, based on Machine Learning methodology for processing real-time UV-Spectrophotometry | |
| US20120216603A1 (en) | Adaptive real-time contaminant detection and early warning for drinking water distribution systems | |
| Chow et al. | Development of smart data analytics tools to support wastewater treatment plant operation | |
| Kwak et al. | Estimation of biochemical oxygen demand based on dissolved organic carbon, UV absorption, and fluorescence measurements | |
| Saha et al. | Multivariate statistical analysis of metal contamination in surface water around Dhaka export processing industrial zone, Bangladesh | |
| Besmer et al. | Evaluating monitoring strategies to detect precipitation-induced microbial contamination events in karstic springs used for drinking water | |
| Liu et al. | Why conventional detection methods fail in identifying the existence of contamination events | |
| Rome et al. | Sensor-based detection of algal blooms for public health advisories and long-term monitoring | |
| CN107677614A (zh) | 一种水中重金属污染风险在线预警系统及方法 | |
| CN117538492B (zh) | 建筑空间中污染物的在线检测方法及系统 | |
| CN112505189A (zh) | 一种基于地下水特征污染物的自动溯源方法 | |
| CN108665119A (zh) | 一种供水管网异常工况预警方法 | |
| CN114720657B (zh) | 土壤污染综合预警方法及系统 | |
| Seidel et al. | Total chromium and hexavalent chromium occurrence analysis | |
| RU2413220C1 (ru) | Способ экологического мониторинга опасных производственных объектов | |
| Zhao et al. | Water quality event detection in drinking water network | |
| Kim et al. | Scatterscore: a reconnaissance method to evaluate changes in water quality | |
| CN113533672B (zh) | 一种水质在线监测方法及装置 | |
| Liu et al. | A method of detecting contamination events using multiple conventional water quality sensors | |
| Das et al. | MLR index–based principal component analysis to investigate and monitor probable sources of groundwater pollution and quality in coastal areas: a case study in East India | |
| CN117037448A (zh) | 一种用于地下水污染防控的污染预警方法及系统 | |
| Huang et al. | A feature extraction method based on the entropy-minimal description length principle and GBDT for common surface water pollution identification | |
| Gao et al. | Water potability analysis and prediction | |
| Venkatesh et al. | Analysing the factors influencing groundwater quality with different pollution indices and PLS-SEM approach in the vicinity of an open dumping yard in Saduperi, Vellore, Tamil Nadu, India | |
| CN114493179A (zh) | 土壤污染风险的判断方法、系统、存储介质及电子设备 |
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 |