CN117291781B - 一种突发性水污染溯源方法、设备及介质 - Google Patents
一种突发性水污染溯源方法、设备及介质 Download PDFInfo
- Publication number
- CN117291781B CN117291781B CN202311254095.5A CN202311254095A CN117291781B CN 117291781 B CN117291781 B CN 117291781B CN 202311254095 A CN202311254095 A CN 202311254095A CN 117291781 B CN117291781 B CN 117291781B
- Authority
- CN
- China
- Prior art keywords
- pollution
- concentration
- time
- pollutant
- upstream
- 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
- 238000000034 method Methods 0.000 title claims abstract description 114
- 238000003911 water pollution Methods 0.000 title claims abstract description 34
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 176
- 231100000719 pollutant Toxicity 0.000 claims abstract description 117
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 108
- 230000005540 biological transmission Effects 0.000 claims abstract description 72
- 238000004088 simulation Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 81
- 239000011159 matrix material Substances 0.000 claims description 72
- 239000000356 contaminant Substances 0.000 claims description 28
- 238000011109 contamination Methods 0.000 claims description 24
- 238000009792 diffusion process Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 9
- 238000012850 discrimination method Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 30
- 230000004044 response Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 239000008186 active pharmaceutical agent Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 4
- 238000012821 model calculation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- 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
- G01N33/1826—Organic contamination in water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Entrepreneurship & Innovation (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种突发性水污染溯源方法，基于污染事件触发条件、历史触发断面污染物浓度、多污染物模拟浓度、历史上游污染源到历史触发断面的传输时间范围训练自主学习模型；获取实时/预设时间监测的触发断面污染物的实时浓度；将实时浓度输入到训练好的自主学习模型，判断监测的触发断面污染物的传输路径污染来源，同时将所述实时浓度增加至自主学习模型的数据库中，用于对自主学习模型进行修正。该方法可以及时发现和定位污染源，实现快速响应和处置。同时，通过将实时浓度数据输入到自主学习模型中，并将实时数据用于对模型进行修正，可以提高模型的准确性和适应性，并能够更好地预测监测触发断面污染物的传输路径和污染来源。
Description
技术领域
本发明涉及水污染溯源技术领域，具体提供一种突发性水污染溯源方法、设备及介质。
背景技术
突发性水污染事件常具有复杂性、隐蔽性、不定性，因此快速、准确地识别污染源的位置和特征是一项亟待解决的问题。
经过现有技术调研，通常而言，现有污染物溯源方法可以分为确定性方法、水质指标解析法、概率方法三类。
对于确定性方法，是指对污染物的移动运动过程采用数学物理方程的方式进行求解的方法。此种方法主要包括直接求解法和最优化法。直接求解法主要运用正则化的方式将不适定问题转化为适定问题，可用于求解反问题。最优化法使用基于梯度的优化算法或启发式的算法进行求解。然而此两类方法未充分考虑数据的不确定性，监测误差或模型计算的误差往往导致溯源结果出现较大偏差。
对于水质指标解析法，是指通过分析水质监测常规指标参数间的相关性，反向推演出污染源的特征。此种方法常使用聚类分析、主成分分析、因子分析等方法分析指标间关系进而识别污染物的来源。然而该种方法对于分析结果的解释依赖人工的环境知识和经验，缺少自动化快速响应污染事故的能力，且尚不能准确获得污染源的地理空间位置，因此，该方法难以实现水污染靶向治理和精准管控的需求。
对于概率方法，主要通过概率评估的方式进行溯源反问题的求解。贝叶斯推理是其中的代表方法，其通过计算变量的后验概率分布，可以解决溯源结果非唯一解的问题。但是此类方法需要已知污染源的先验信息，且对计算资源提出了更高的要求。
现阶段进行溯源的方式多为稳态建模，未考虑数据的实时变化对模型进行动态响应修正，并且现有确定性方法存在监测误差或模型计算误差导致的结果偏差问题。此外，对后验概率分布进行抽样的方式是否具有可靠性和稳定性仍有待进一步验证。
相应地，本领域需要一种新的突发性水污染溯源方法、设备及介质来解决上述问题。
发明内容
为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决监测误差或模型计算误差导致的水污染溯源结果存在偏差的问题。
在第一方面，本发明提供一种突发性水污染溯源方法，包括：
获取污染事件触发条件、历史触发断面污染物浓度、多污染物模拟浓度、历史上游污染源到历史触发断面的传输时间范围；
基于所述污染事件触发条件、历史触发断面污染物浓度、多污染物模拟浓度、历史上游污染源到历史触发断面的传输时间范围训练自主学习模型；
获取实时/预设时间监测的触发断面污染物的实时浓度；
将所述实时浓度输入到训练好的自主学习模型，判断所述监测的触发断面污染物的传输路径污染来源，同时将所述实时浓度增加至自主学习模型的数据库中，用于对自主学习模型进行修正。
在上述突发性水污染溯源方法的一个技术方案中，基于所述污染事件触发条件、历史触发断面污染物浓度、历史上游污染源到历史触发断面的传输时间范围、多污染物模拟浓度训练自主学习模型包括：
基于所述污染事件触发条件、所述历史触发断面污染物浓度，构建触发断面多污染物浓度矩阵；
基于获取的历史上游污染源到历史触发断面的传输时间范围、污染物一维扩散模型，构建上游污染源在触发断面多污染物时空模拟浓度矩阵；
基于所述触发断面多污染物浓度矩阵、上游污染源在触发断面多污染物时空模拟浓度矩阵构建纳什效率系数矩阵；
基于所述纳什效率系数矩阵转换成向量形式并进行特征提取，得到拟合效果、纳什效率系数的均值、纳什效率系数的方差；
基于所述拟合效果、纳什效率系数的均值、纳什效率系数的方差进行训练，得到自主学习模型。
在上述突发性水污染溯源方法的一个技术方案中，基于所述污染事件触发条件、所述历史触发断面污染物浓度，构建触发断面多污染物浓度矩阵包括：
基于污染事件触发条件，获取污染事件触发时刻；
基于所述污染事件触发时刻，计算出污染过程时间段；
基于所述历史触发断面污染物浓度，获取所述污染过程时间段内的历史触发断面污染物浓度向量；
基于相同时刻的所述历史触发断面污染物浓度向量，构建触发断面多污染物浓度矩阵。
在上述突发性水污染溯源方法的一个技术方案中，基于所述污染事件触发时刻，计算出污染过程时间段包括：
基于所述污染事件触发时刻获取污染物的初始浓度；
基于所述初始浓度构建初始浓度向量；
对于所述初始浓度向量进行平滑处理；
使用二阶差分判别法对处理后的初始浓度向量识别出波谷、波峰；其中，基于所述波谷获取污染过程的开始时间、结束时间，所述开始时间、结束时间形成的时间段为污染过程时间段。
在上述突发性水污染溯源方法的一个技术方案中，使用二阶差分判别法对处理后的初始浓度向量识别出波谷、波峰包括：
计算初始浓度向量的一阶差分向量；
对所述一阶差分向量进行符号函数sign运算,得到第二向量；
计算第二向量的一阶差分向量，得到第三向量；
基于所述第三向量、预设值判断出波谷的位置；
基于所述波谷位置、所述污染事件触发时刻获取污染过程的开始时间、结束时间，其中，包含所述污染事件触发时刻在内的左右两边的波谷，左边的波谷为污染过程开始时间，右边的波谷为污染过程结束时间。
在上述突发性水污染溯源方法的一个技术方案中，
基于获取的历史上游污染源到历史触发断面的传输时间范围、污染物一维扩散模型，构建上游污染源在触发断面多污染物时空模拟浓度矩阵包括：
获取上游污染源到污染事件触发断面的传输时间范围；传输时间上限、传输时间下限形成的时间段为所述传输时间范围；
基于上游污染源到污染事件触发断面的传输时间范围，获取上游污染源多污染物时空浓度矩阵；
基于污染物一维扩散模型、上游污染源多污染物时空浓度矩阵，计算上游污染源污染发生后到下游触发断面的上游污染源在触发断面多污染物时空模拟浓度矩阵。
在上述突发性水污染溯源方法的一个技术方案中，基于上游污染源到污染事件触发断面的传输时间范围，获取上游污染源多污染物时空浓度矩阵包括：
基于上游污染源到污染事件触发断面的传输时间范围，获取上游污染源峰值浓度范围向量；
基于所述上游污染源峰值浓度范围向量，获取上游污染源污染过程浓度矩阵；
选取相同时刻的多个所述上游污染源污染过程浓度矩阵,构建上游污染源多污染物时空浓度矩阵。
在上述突发性水污染溯源方法的一个技术方案中，获取上游污染源到污染事件触发断面的传输时间范围包括：
基于所述传输时间范围、污染事件触发断面波峰时间点，计算上游污染源峰值时间点所在范围；
获取上游污染源峰值时间点所在范围的上游污染源峰值浓度范围向量。
在第二方面，本发明提供一种电子设备，包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述突发性水污染溯源方法的技术方案中任一项技术方案所述的突发性水污染溯源方法。
在第三方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述突发性水污染溯源方法的技术方案中任一项技术方案所述的突发性水污染溯源方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
在实施本发明的技术方案中，本发明提供了一种突发性水污染溯源方法，包括：获取污染事件触发条件、历史触发断面污染物浓度、多污染物模拟浓度、历史上游污染源到历史触发断面的传输时间范围；基于污染事件触发条件、历史触发断面污染物浓度、多污染物模拟浓度、历史上游污染源到历史触发断面的传输时间范围训练自主学习模型；获取实时/预设时间监测的触发断面污染物的实时浓度；将实时浓度输入到训练好的自主学习模型，判断监测的触发断面污染物的传输路径污染来源。与现有技术相比，本发明所提供的突发性水污染溯源方法的有益效果为：
该方法综合考虑了污染事件触发条件、历史触发断面污染物浓度、多污染物模拟浓度和历史上游污染源到历史触发断面的传输时间范围等多种信息。通过综合利用这些信息，可以更准确地判断监测触发断面污染物的传输路径污染来源。使用自主学习模型进行数据训练和分析，可以根据实时监测的触发断面污染物浓度数据，判断传输路径污染来源。自主学习模型能够通过大量数据进行学习和训练，具备较强的智能化和预测能力。该方法利用实时监测的触发断面污染物浓度数据进行溯源分析，可以及时发现和定位污染源，实现快速响应和处置。与传统的后期回溯分析相比，能够更及时地获取溯源结果。同时通过将实时浓度数据输入到自主学习模型中，并将实时数据用于对模型进行修正，可以提高模型的准确性和适应性，并能够更好地预测监测触发断面污染物的传输路径和污染来源。
附图说明
参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：
图1是根据本发明的一个实施例的突发性水污染溯源方法的主要步骤流程示意图；
图2是根据本发明的一个实施例的触发站点后，污染源传输路径图；
图3是根据本发明的一个实施例的触发断面污染事件污染物氨氮浓度向量x(1)归一化后污染过程。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
实施例一
参阅附图1，图1是根据本发明的一个实施例的突发性水污染溯源方法的主要步骤流程示意图。如图1所示，本发明实施例中的突发性水污染溯源方法主要包括下列步骤S1-步骤S4。
一种突发性水污染溯源方法，包括：
步骤S1、获取污染事件触发条件、历史触发断面污染物浓度、多污染物模拟浓度、历史上游污染源到历史触发断面的传输时间范围；
本实施例中，污染事件触发条件：指可能导致污染事件发生的条件或因素，如降雨量、风向、气温、排放量等。当这些条件或因素达到一定的阈值时，就可能引发污染事件的发生。
历史触发断面污染物浓度：指过去发生的污染事件中，触发断面(如河流、湖泊等监测点)上的污染物浓度。这些浓度数据记录了过去污染事件中触发断面的污染程度，可以用来分析和研究污染事件的规律性和特征。
多污染物模拟浓度：指通过模型或数值模拟方法预测得到的多种污染物在触发断面上的浓度。这些模拟浓度是通过模型计算而得，可以反映在不同污染源和排放条件下，触发断面上的污染物浓度变化情况，用于分析污染物的传输和扩散趋势。
历史上游污染源到历史触发断面的传输时间范围：指污染物从上游污染源到历史污染事件触发断面的传输所需的时间范围。这个时间范围可以通过监测和模型计算得到，反映了污染物在水体中的传输速度和路径。了解传输时间范围有助于判断上游污染源对历史污染事件的影响程度以及未来污染事件的发展趋势。
步骤S2、基于所述污染事件触发条件、历史触发断面污染物浓度、多污染物模拟浓度、历史上游污染源到历史触发断面的传输时间范围训练自主学习模型；
本实施例中，使用步骤S1收集到的信息来训练自主学习模型。该模型会通过对触发条件、历史触发断面污染物浓度、多污染物模拟浓度以及传输时间范围的数据进行学习，来建立对传输路径污染来源的预测模型。在训练过程中，模型会通过分析这些信息的关联性和模式，提高对触发断面污染物传输路径的准确判断能力。
步骤S3、获取实时/预设时间监测的触发断面污染物的实时浓度；
本实施例中，实时监测触发断面污染物的浓度。这可以通过使用现有的水质监测设备或传感器来实现。
步骤S4、将所述实时浓度输入到训练好的自主学习模型，判断所述监测的触发断面污染物的传输路径污染来源，同时将所述实时浓度增加至自主学习模型的数据库中，用于对自主学习模型进行修正。
本实施例中，利用训练好的自主学习模型来判断实时监测的触发断面污染物的传输路径污染来源。将所收集的实时浓度数据输入到模型中，模型会根据学习到的模式和关联性，分析和判断污染物的传输路径，从而确定其污染来源。通过上述方法可以准确、及时地追踪污染源并及时采取适当的措施进行处理。同时，将实时浓度数据增加至自主学习模型的数据库中，可以用于对自主学习模型进行修正。通过将实时数据加入模型的训练集中，模型可以通过不断地学习和调整自身的参数，从而提高模型的准确性和预测能力。这样，模型就能够更好地适应实时变化的情况，并能够更准确地预测污染物的传输路径和来源。修正的过程可以通过不断地迭代和更新模型来实现。每当有新的实时浓度数据进入数据库时，可以重新训练模型，使其根据最新的数据进行学习和调整。这样，模型就能够从历史和实时数据中学习，并根据新的数据进行修正，以使其在未来的预测中更加准确和可靠。
基于上述步骤S1-步骤S4，可见方法综合考虑了污染事件触发条件、历史触发断面污染物浓度、多污染物模拟浓度和历史上游污染源到历史触发断面的传输时间范围等多种信息。通过综合利用这些信息，可以更准确地判断监测触发断面污染物的传输路径污染来源。使用自主学习模型进行数据训练和分析，可以根据实时监测的触发断面污染物浓度数据，判断传输路径污染来源。自主学习模型能够通过大量数据进行学习和训练，具备较强的智能化和预测能力。该方法利用实时监测的触发断面污染物浓度数据进行溯源分析，可以及时发现和定位污染源，实现快速响应和处置。与传统的后期回溯分析相比，能够更及时地获取溯源结果。
进一步的，获取污染事件触发条件包括：
设置监测点：在污染物流动的河段中，选择适当数量的监测点，包括单断面监测点和两断面监测点。监测点的位置应该能够代表整个河段的水质情况。
安装监测设备：在每个监测点上，安装适当的污染物监测设备，如水质自动监测站或在线监测仪器。这些设备能够自动或定时采集污染物浓度数据。
数据采集和存储：设备定时采集污染物浓度数据，并将数据存储在数据库或服务器中，确保数据能够被记录和检索。
数据分析：利用数据分析工具，对单断面不同时间的污染物浓度信息和两断面间的污染物浓度信息进行分析。可以计算出断面间的污染物浓度差，以及各个断面的自身激增情况。
实时告警：设定预警阈值，当污染物浓度差或单断面的激增超过设定的阈值时，系统自动发出实时告警。例如，可以通过短信、邮件、手机App等方式发送告警信息给相关责任人员。
数据展示和报告生成：将分析结果以可视化的方式展示出来，如生成图表、地图等，以便人们更直观地了解污染物浓度的分布情况和趋势。同时，生成详细的报告，记录污染物浓度的变化和实时告警的情况。
通过上述步骤，可以实现对单断面不同时间的污染物浓度信息和两断面间的污染物浓度信息的获取和分析，进而综合发出实时告警，帮助监测和预警污染事件的发生，以及采取及时有效的应对措施。
其中，收集单断面不同时间的污染物浓度信息是指在同一个污染物监测点上，记录该污染物浓度随时间的变化。例如，可以使用监测设备在某一断面上连续采集并记录污染物浓度，得到一段时间内不同时间点的浓度数值数据。
收集两断面间的污染物浓度信息是指在两个不同污染物监测点之间，记录两个点上的污染物浓度。例如，可以通过在河段的不同位置设置监测点，测量并记录两处监测点上的污染物浓度数据，以获得两个断面间的污染物浓度信息。
这两种数据的收集是为了全面了解河段中污染物浓度的分布情况和变化趋势，加强对污染事件的监测和预警。通过对单断面不同时间的污染物浓度进行分析，可以检测出某一特定时间点或一段时间内的污染情况。而通过对两断面间的污染物浓度信息的分析，可以发现河段不同位置之间的异常关系，进一步提高预警的准确性和可靠性。
在一个实施方式中，步骤S2、基于所述污染事件触发条件、历史触发断面污染物浓度、历史上游污染源到历史触发断面的传输时间范围、多污染物模拟浓度训练自主学习模型包括：
步骤S21、基于所述污染事件触发条件、所述历史触发断面污染物浓度，构建触发断面多污染物浓度矩阵；这个矩阵中每个元素代表了不同污染物在触发断面的浓度。
步骤S22、基于获取的历史上游污染源到历史触发断面的传输时间范围、污染物一维扩散模型，构建上游污染源在触发断面多污染物时空模拟浓度矩阵；
步骤S23、基于所述触发断面多污染物浓度矩阵、上游污染源在触发断面多污染物时空模拟浓度矩阵构建纳什效率系数矩阵；
步骤S24、基于所述纳什效率系数矩阵转换成向量形式并进行特征提取，得到拟合效果、纳什效率系数的均值、纳什效率系数的方差；
步骤S25、基于所述拟合效果、纳什效率系数的均值、纳什效率系数的方差进行训练，得到自主学习模型。
本实施例中，通过污染物触发断面浓度矩阵和模拟浓度矩阵的构建，能够有效地考虑多个污染物的影响，提高预测的准确性。同时，通过多污染物纳什效率系数矩阵的计算，充分考虑污染物浓度间相关性，可有效减少因信息不准确带来的较大结果误差。自主学习模型的构建，可对污染传输区域进行快速锁定。
在一个实施方式中，步骤S21、基于所述污染事件触发条件、所述历史触发断面污染物浓度，构建触发断面多污染物浓度矩阵包括：
步骤S211、基于污染事件触发条件，获取污染事件触发时刻；
本实施例中，污染事件触发时刻指的是污染事件开始发生或被检测到的时间点。当环境中发生污染源排放或其他污染物释放活动时，污染物会开始扩散或传播，形成一个污染事件。当判断实时多污染物浓度满足触发条件时，可以确定污染事件触发时刻，通常可以记录下触发时刻的时间戳，并将其保存在数据库或相关文件中。
步骤S212、基于所述污染事件触发时刻，计算出污染过程时间段；
本实施例中，污染过程时间段指的是从污染事件开始到结束的时间跨度。
步骤S213、基于所述历史触发断面污染物浓度，获取所述污染过程时间段内的历史触发断面污染物浓度向量；
本实施例中，基于所述污染过程时间段内的历史触发断面污染物浓度，可以获取这一时间段内的历史触发断面污染物浓度向量x(1)。这个向量记录了每个时间点上的污染物浓度值，可以用于分析污染物的变化趋势和特征。
x(1)＝(x1，x2，…，xi) (1)
其中，xi表示发生污染事件在ti时刻污染物浓度，x(1)表示历史触发断面污染物浓度向量。
步骤S214、基于相同时刻的所述历史触发断面污染物浓度向量，构建触发断面多污染物浓度矩阵。
本实施例中，历史触发断面污染物浓度矩阵将不同触发断面在相同时间点上的污染物浓度进行记录，用于对比分析不同断面的污染物浓度差异和空间分布特征。
考虑到不同污染物排放间常有伴随性和相关性，选取相同时刻的历史触发断面污染物浓度向量x(1)构建触发断面多污染物浓度矩阵X，公式如(7)所示，j表示污染物指标。
在一个实施方式中，步骤S212、基于所述污染事件触发时刻，计算出污染过程时间段包括：
步骤S2121、基于所述污染事件触发时刻获取污染物的初始浓度；
本实施例中，根据触发时刻ta为中心，取一段时间区间内的浓度数据作为初始浓度。具体地，可以根据业务需求和实际情况选择ta前后的一定时间范围。
步骤S2122、基于所述初始浓度构建初始浓度向量；
本实施例中，将以上所用初始浓度组成的向量就是初始浓度向量O。初始浓度向量O为包含触发时刻ta在内的短时浓度向量如公式(2)所示：
O＝(o1,o2,…,oi) (2)
步骤S2123、对于所述初始浓度向量进行平滑处理；
本实施例中，使用Savitzky-Golay滤波器对初始浓度向量O,进行平滑处理，从而降低噪声。
步骤S2124、使用二阶差分判别法对处理后的初始浓度向量识别出波谷、波峰；其中，基于所述波谷获取污染过程的开始时间、结束时间，所述开始时间、结束时间形成的时间段为污染过程时间段。
本实施例中，通过分析二阶差分向量的变化趋势，可以识别出波谷和波峰；
在一个实施方式中，步骤S2124、使用二阶差分判别法对处理后的初始浓度向量识别出波谷、波峰包括：
计算初始浓度向量的一阶差分向量；
对所述一阶差分向量进行符号函数sign运算,得到第二向量；
计算第二向量的一阶差分向量，得到第三向量；
基于所述第三向量、预设值判断出波谷的位置；
基于所述波谷位置、所述污染事件触发时刻获取污染过程的开始时间、结束时间，其中，包含所述污染事件触发时刻在内的左右两边的波谷，左边的波谷为污染过程开始时间，右边的波谷为污染过程结束时间。
具体地，计算O的一阶差分向量D,如公式(3)所示：
D＝(o2-o1,…,oi-oi-1) (3)
差分向量D进行符号函数sign运算,得到第二向量S如式(4)所示：
S＝(s1,s2,…,si) (4)
其中，当si＝0时，
sign运算按照公式(5)计算，
计算第二向量S的一阶差分向量，得到向量DS,如公式(6)所示：
DS＝(s2–s1,…,si-si-1) (6)
当DSi为2时，i+1为DS的波谷位，获取包含触发时刻ta在内的临近波谷时间点，左边的波谷为污染过程开始时间ts，右边的波谷为污染过程结束时间te。
在一个实施方式中，步骤S22、基于获取的历史上游污染源到历史触发断面的传输时间范围、污染物一维扩散模型，构建上游污染源在触发断面多污染物时空模拟浓度矩阵包括：
步骤S221、获取上游污染源到污染事件触发断面的传输时间范围；传输时间上限、传输时间下限形成的时间段为所述传输时间范围；
传输时间范围(tlk min,tlk max)，公式如(8)所示：
其中，lk表示距离,vkmin表示流速下限,vkmax表示流速上限，
lk、vkmin、vkmax均应用遗传算法对污染物一维扩散模型进行参数率定得出，k为污染源。
步骤S222、基于上游污染源到污染事件触发断面的传输时间范围，获取上游污染源多污染物时空浓度矩阵；
本实施例中，上游污染源多污染物时空浓度矩阵是一个记录了在特定时间范围内，上游污染源排放的污染物在触发断面上的浓度分布的矩阵。通过该矩阵，可以直观地了解在触发断面上，不同时间点和位置的污染物浓度变化情况。该矩阵可以用于分析污染物的时空分布、污染事件的发展和持续时间，以及评估污染物对环境和生态系统的影响。
步骤S223、基于污染物一维扩散模型、上游污染源多污染物时空浓度矩阵，计算上游污染源污染发生后到下游触发断面的上游污染源在触发断面多污染物时空模拟浓度矩阵。
在一个实施方式中，步骤S222、基于上游污染源到污染事件触发断面的传输时间范围，获取上游污染源多污染物时空浓度矩阵包括：
步骤S2221、基于上游污染源到污染事件触发断面的传输时间范围，获取上游污染源峰值浓度范围向量；
步骤S2222、基于所述上游污染源峰值浓度范围向量，获取上游污染源污染过程浓度矩阵；
步骤S2223、选取相同时刻的多个所述上游污染源污染过程浓度矩阵,构建上游污染源多污染物时空浓度矩阵。
具体地，计算上游污染源峰值时间点所在范围(Tk min,Tk max)，如公式(12)所示：
(Tk min,Tk max)＝(tp-tlk min,tp-tlk max) (12)
tp表示为污染事件触发断面波峰时间点，根据步骤S3，当DSi为-2时,i+1为DS的波峰位，该波峰在污染过程开始时间ts和结束时间te之间，称为污染事件触发断面波峰时间点tp。
上游污染源峰值浓度范围向量Yk如公式(13)所示，其中yi k为峰值时间点范围内的污染源峰值浓度。
根据上游污染源峰值浓度范围向量Yk，使用步骤S3识别峰值时间点向量TC，共有m个峰值时间点，公式如(14)所示：
TC＝(tc1,…,tcm) (14)
上游污染源污染过程浓度矩阵Zk,如公式(15)所示：
在上游污染源峰值时间点所在范围内，可能存在多个峰值时间点m，依据上游污染源污染过程浓度矩阵Zk,构建上游污染源多污染物浓度矩阵Zk[j],维度为(j,i,m,k)，其中，表示j个污染物类型，i个污染物浓度时间点，m个峰值时间点，k个污染源，公式如(16)所示：
进一步的，污染物一维扩散模型，如公式(17)所示：
D表示扩散系数，K表示污染物降解速度，u为流速，x表示从上游到下游距离，Zk表示上游污染源污染物浓度值，表示上游污染源到下游触发断面污染物模拟浓度，表示矩阵Zk[j]元素即上游污染源多污染物浓度。
进一步求得，上游污染源污染发生后到下游触发断面的上游污染源在触发断面多污染物时空模拟浓度矩阵Ck[j]，如公式(18)所示：
进一步的，根据触发断面多污染物浓度矩阵X和模拟浓度矩阵Ck[j]构建如公式(19)所示的纳什效率系数矩阵Ek，用于评估上游污染源模拟浓度与监测浓度之间的相关性。
其中按照公式(20)计算，xi,j为触发断面第i个时刻污染物j的监测浓度，/>为触发断面全部时刻污染物j的监测浓度均值。
进一步的，按照公式(21)将纳什效率系数矩阵Ek换成向量Rn k，并用高斯对Rn k进行特征提取，得到特征：R2 k、μk，δk，其中R2 k表示高斯拟合效果，μk表示纳什效率系数的均值，δk表示纳什效率系数的方差。
n＝j·m (21)
进一步的，利用但不限于xgboost的机器学习算法，结合历史数据建立如公式(22)所示的模型：
其中，yk∈[0,1]，0表示污染源k在污染传输路径上，1代表污染源k不在污染传输路径上。并根据模型fk对每一个站点进行分析，记录yk＝1的断面k；
在一个实施方式中，步骤S2222、获取上游污染源到污染事件触发断面的传输时间范围包括：
基于所述传输时间范围、污染事件触发断面波峰时间点，计算上游污染源峰值时间点所在范围；
获取上游污染源峰值时间点所在范围的上游污染源峰值浓度范围向量。
以图2中污染源2-3为例,污染源2-3到触发站点的lk为7.70km,污染物氨氮vk max、vk min分别为3.60km/h、6.70km/h，则tlk min,tlk max分别为1.14h、2.13h。
如图3所示，氨氮浓度向量x(1)归一化后污染过程x(1)，选取相同时刻历史触发断面污染物浓度向量x(1),构建触发断面多污染物浓度矩阵X，其中污染物浓度指标j包含4个，公式如下：
根据向量Yk，使用步骤S3识别峰值时间点向量TC，以图1中污染源2-3为例，共有m为3个峰值时间点，结果如下：
TC＝(tc1,…,tc3)
并得到上游污染源污染过程浓度矩阵Z1,如结果如下：
以波峰为匹配点，Z1行数与触发断面浓度向量x(1)长度相同。依据矩阵Zk，选取相同时刻,构建上游污染源多污染物浓度矩阵Zk[j],维度为(j,i,m,k)，Z1[j]的结果如下：
然后计算上游污染源污染发生后到下游触发断面的多污染物模拟浓度矩阵C1[j]：
污染物氨氮的Dx为0.03km2/h，K为0.03h-1，ux为5.1km/h。纳什效率系数矩阵E1：
将纳什效率系数矩阵E1换成向量Rn 1，并用高斯对Rn 1进行特征提取，得到特征：R2 1、μ1，δ1，其中R2 1表示高斯拟合效果，μ1表示纳什效率系数的均值，δ1表示纳什效率系数的方差。
然后利用但不限于xgboost的机器学习算法，结合历史数据建立如的模型，结合新增特征数据和模型效果对模型进行更新，其中，yk∈[0,1]，0表示污染源k在污染传输路径上，1代表污染源k不在污染传输路径上。
实施例二
本发明还提供了一种电子设备。在根据本发明的一个电子设备实施例中，电子设备包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的突发性水污染溯源方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的突发性水污染溯源方法术细节未揭示的，请参照本发明实施例方法部分。该电子设备可以是包括各种电子设备形成的电子设备设备。
实施例三
本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的突发性水污染溯源方法的程序，该程序可以由处理器加载并运行以实现上述突发性水污染溯源方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (9)
1.一种突发性水污染溯源方法，其特征在于，包括：
获取污染事件触发条件、历史触发断面污染物浓度、多污染物模拟浓度、历史上游污染源到历史触发断面的传输时间范围；其中，所述污染事件触发条件指可能导致污染事件发生的条件或因素；所述历史触发断面污染物浓度指过去发生的污染事件中，触发断面上的污染物浓度；所述多污染物模拟浓度指通过模型或数值模拟方法预测得到的多种污染物在触发断面上的浓度；所述历史上游污染源到历史触发断面的传输时间范围指污染物从上游污染源到历史污染事件触发断面的传输所需的时间范围；
基于所述污染事件触发条件、历史触发断面污染物浓度、多污染物模拟浓度、历史上游污染源到历史触发断面的传输时间范围训练自主学习模型，具体包括：基于所述污染事件触发条件、所述历史触发断面污染物浓度，构建触发断面多污染物浓度矩阵；基于获取的历史上游污染源到历史触发断面的传输时间范围、污染物一维扩散模型，构建上游污染源在触发断面多污染物时空模拟浓度矩阵；基于所述触发断面多污染物浓度矩阵、上游污染源在触发断面多污染物时空模拟浓度矩阵构建纳什效率系数矩阵；基于所述纳什效率系数矩阵转换成向量形式并进行特征提取，得到拟合效果、纳什效率系数的均值、纳什效率系数的方差；基于所述拟合效果、纳什效率系数的均值、纳什效率系数的方差进行训练，得到自主学习模型；
获取实时/预设时间监测的触发断面污染物的实时浓度；
将所述实时浓度输入到训练好的自主学习模型，判断所述监测的触发断面污染物的传输路径污染来源，同时将所述实时浓度增加至自主学习模型的数据库中，用于对自主学习模型进行修正。
2.根据权利要求1所述的方法，其特征在于，基于所述污染事件触发条件、所述历史触发断面污染物浓度，构建触发断面多污染物浓度矩阵包括：
基于污染事件触发条件，获取污染事件触发时刻；
基于所述污染事件触发时刻，计算出污染过程时间段；
基于所述历史触发断面污染物浓度，获取所述污染过程时间段内的历史触发断面污染物浓度向量；
基于相同时刻的所述历史触发断面污染物浓度向量，构建触发断面多污染物浓度矩阵。
3.根据权利要求2所述的方法，其特征在于，基于所述污染事件触发时刻，计算出污染过程时间段包括：
基于所述污染事件触发时刻获取污染物的初始浓度；
基于所述初始浓度构建初始浓度向量；
对于所述初始浓度向量进行平滑处理；
使用二阶差分判别法对处理后的初始浓度向量识别出波谷、波峰；其中，基于所述波谷获取污染过程的开始时间、结束时间，所述开始时间、结束时间形成的时间段为污染过程时间段。
4.根据权利要求3所述的方法，其特征在于，使用二阶差分判别法对处理后的初始浓度向量识别出波谷、波峰包括：
计算初始浓度向量的一阶差分向量；
对所述一阶差分向量进行符号函数sign运算,得到第二向量；
计算第二向量的一阶差分向量，得到第三向量；
基于所述第三向量、预设值判断出波谷的位置；
基于所述波谷位置、所述污染事件触发时刻获取污染过程的开始时间、结束时间，其中，包含所述污染事件触发时刻在内的左右两边的波谷，左边的波谷为污染过程开始时间，右边的波谷为污染过程结束时间。
5.根据权利要求1所述的方法，其特征在于，基于获取的历史上游污染源到历史触发断面的传输时间范围、污染物一维扩散模型，构建上游污染源在触发断面多污染物时空模拟浓度矩阵包括：
获取上游污染源到污染事件触发断面的传输时间范围；传输时间上限、传输时间下限形成的时间段为所述传输时间范围；
基于上游污染源到污染事件触发断面的传输时间范围，获取上游污染源多污染物时空浓度矩阵；
基于污染物一维扩散模型、上游污染源多污染物时空浓度矩阵，计算上游污染源污染发生后到下游触发断面的上游污染源在触发断面多污染物时空模拟浓度矩阵。
6.根据权利要求5所述的方法，其特征在于，基于上游污染源到污染事件触发断面的传输时间范围，获取上游污染源多污染物时空浓度矩阵包括：
基于上游污染源到污染事件触发断面的传输时间范围，获取上游污染源峰值浓度范围向量；
基于所述上游污染源峰值浓度范围向量，获取上游污染源污染过程浓度矩阵；
选取相同时刻的多个所述上游污染源污染过程浓度矩阵,构建上游污染源多污染物时空浓度矩阵。
7.根据权利要求5所述的方法，其特征在于，获取上游污染源到污染事件触发断面的传输时间范围包括：
基于所述传输时间范围、污染事件触发断面波峰时间点，计算上游污染源峰值时间点所在范围；
获取上游污染源峰值时间点所在范围的上游污染源峰值浓度范围向量。
8.一种电子设备，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至7中任一项所述的突发性水污染溯源方法。
9.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至7中任一项所述的突发性水污染溯源方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311254095.5A CN117291781B (zh) | 2023-09-26 | 2023-09-26 | 一种突发性水污染溯源方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311254095.5A CN117291781B (zh) | 2023-09-26 | 2023-09-26 | 一种突发性水污染溯源方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117291781A CN117291781A (zh) | 2023-12-26 |
| CN117291781B true CN117291781B (zh) | 2024-04-19 |
Family
ID=89253067
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311254095.5A Active CN117291781B (zh) | 2023-09-26 | 2023-09-26 | 一种突发性水污染溯源方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117291781B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117973439A (zh) * | 2024-04-01 | 2024-05-03 | 长春理工大学 | 一种水质浊度预测方法、浊度预测系统及计算机可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573338A (zh) * | 2014-12-24 | 2015-04-29 | 哈尔滨工业大学 | 一种应用于突发性水源污染应急处置技术筛选与评估的方法 |
| CN112711840A (zh) * | 2020-12-24 | 2021-04-27 | 武汉大学 | 一种基于云边协同的流域突发水污染溯源方法 |
| CN112926172A (zh) * | 2019-12-06 | 2021-06-08 | 中国科学院沈阳计算技术研究所有限公司 | 一种突发性重金属水污染追踪溯源的方法 |
| CN114638114A (zh) * | 2022-03-24 | 2022-06-17 | 深圳市智薯环保科技有限公司 | 一种面向水污染溯源的应急监测方法和溯源方法 |
-
2023
- 2023-09-26 CN CN202311254095.5A patent/CN117291781B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573338A (zh) * | 2014-12-24 | 2015-04-29 | 哈尔滨工业大学 | 一种应用于突发性水源污染应急处置技术筛选与评估的方法 |
| CN112926172A (zh) * | 2019-12-06 | 2021-06-08 | 中国科学院沈阳计算技术研究所有限公司 | 一种突发性重金属水污染追踪溯源的方法 |
| CN112711840A (zh) * | 2020-12-24 | 2021-04-27 | 武汉大学 | 一种基于云边协同的流域突发水污染溯源方法 |
| CN114638114A (zh) * | 2022-03-24 | 2022-06-17 | 深圳市智薯环保科技有限公司 | 一种面向水污染溯源的应急监测方法和溯源方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于EFDC模型的湖库型水源地突发水污染事件模拟研究;鲁照;《CNKI优秀硕士学位论文库》;20220615(第6期);第10-63页 * |
| 基于小尺度溯源与多源融合的大气环境监管解决方案;张栩 等;《管理实践》;20221231(第24期);第24-33页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117291781A (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111898691B (zh) | 一种河流突发水污染预警溯源方法、系统、终端及介质 | |
| Romano et al. | Automated detection of pipe bursts and other events in water distribution systems | |
| CN117291781B (zh) | 一种突发性水污染溯源方法、设备及介质 | |
| CN210895538U (zh) | 水质智能监管装置和设备 | |
| CN116485202B (zh) | 一种基于物联网工业污染实时监测方法及系统 | |
| Ouyang et al. | Model of selecting prediction window in ramps forecasting | |
| KR102564191B1 (ko) | 실시간으로 재난 상황을 감지하고 대응하는 재난 대응 시스템 | |
| CN116881749A (zh) | 一种污染场地施工监测方法及系统 | |
| CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
| CN117909784A (zh) | 一种基于人工智能的设备故障检测分析方法及装置 | |
| CN117010915A (zh) | 一种基于物联网技术的碳排放目标识别及监测系统 | |
| CN117421692B (zh) | 垃圾投放站的垃圾违规投放识别方法、装置、设备 | |
| Nguyen et al. | Deep learning for construction emission monitoring with low-cost sensor network | |
| CN117743961A (zh) | 基于长短期记忆lstm的电缆接头故障检测方法及系统 | |
| Heydarian et al. | Automated benchmarking and monitoring of an earthmoving operation's carbon footprint using video cameras and a greenhouse gas estimation model | |
| CN116827764A (zh) | 一种基于神经网络的物联网故障检测控制方法及系统 | |
| CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
| Adeyemo et al. | Surrogate-based digital twin for predictive fault modelling and testing of cyber physical systems | |
| KR20220138250A (ko) | 고농도 미세먼지 상황의 발생을 추론하기 위한 방법 및 전자 장치 | |
| Shakil et al. | Outlier detection in non-stationary time series applied to sewer network monitoring | |
| KR102307373B1 (ko) | 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법 | |
| CN116757336B (zh) | 基于数据驱动的轨道交通风险的预测方法及系统 | |
| CN117671507B (zh) | 一种结合气象数据的河流水质预测方法 | |
| CN118133677B (zh) | 自适应风力机功率概率区间曲线建模方法及其应用系统 | |
| CN113077081B (zh) | 交通污染排放量预测方法 |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 100096 no.258, 2nd floor, building 2, Xisanqi building materials City, Haidian District, Beijing Applicant after: China Energy Conservation Digital Technology Co.,Ltd. Address before: 100096 no.258, 2nd floor, building 2, Xisanqi building materials City, Haidian District, Beijing Applicant before: CECEP TALROAD TECHNOLOGY CO.,LTD. Country or region before: China |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |