CN117310115A - 一种水环境质量评估方法及系统 - Google Patents
一种水环境质量评估方法及系统 Download PDFInfo
- Publication number
- CN117310115A CN117310115A CN202311187276.0A CN202311187276A CN117310115A CN 117310115 A CN117310115 A CN 117310115A CN 202311187276 A CN202311187276 A CN 202311187276A CN 117310115 A CN117310115 A CN 117310115A
- Authority
- CN
- China
- Prior art keywords
- water
- water environment
- time node
- data
- detection information
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 559
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 238
- 230000008859 change Effects 0.000 claims abstract description 135
- 239000000126 substance Substances 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000012163 sequencing technique Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 16
- 239000007787 solid Substances 0.000 claims description 16
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 15
- 239000001301 oxygen Substances 0.000 claims description 15
- 229910052760 oxygen Inorganic materials 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 239000002957 persistent organic pollutant Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 241001465754 Metazoa Species 0.000 claims description 10
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000003673 groundwater Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000004071 biological effect Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 235000015097 nutrients Nutrition 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000000704 physical effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 18
- 230000006870 function Effects 0.000 description 14
- 230000007613 environmental effect Effects 0.000 description 10
- 238000005070 sampling Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000013441 quality evaluation Methods 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 241000251468 Actinopterygii Species 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 239000000356 contaminant Substances 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 239000013049 sediment Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000000090 biomarker Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 description 1
- 229910019142 PO4 Inorganic materials 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- -1 change rate Chemical compound 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 1
- 239000010452 phosphate Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
- 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
- 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
- G06Q10/06395—Quality analysis or management
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Chemical & Material Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Food Science & Technology (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Primary Health Care (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及水环境检测的技术领域,特别是涉及一种水环境质量评估方法及系统,其能够解决水环境质量评估中的延迟和监测频率不合理问题;方法包括:获取所要评估的水环境的多个不同时间节点的历史水样检测信息以及当前时间节点的水样检测信息,并对多个水样检测信息分别进行关键数据提取,获得多个水样检测信息集合;其中,水样检测信息集合包括水样的物理检测结果、化学检测结果、生物检测结果以及检测时间节点;根据检测时间节点,将多个水样检测信息集合按时间顺序排序,获得水环境检测信息序列;对水环境检测信息序列进行数据趋势分析,分别获得水环境物理变化趋势特征数据、化学变化趋势特征数据和生物变化趋势特征数据。
Description
技术领域
本发明涉及水环境检测的技术领域,特别是涉及一种水环境质量评估方法及系统。
背景技术
水体是生态系统的核心组成部分,对于维持水生态系统的稳定和生物多样性的保护至关重要;水环境质量评估可以帮助评估水生态系统的健康状况,识别污染源和影响因素,采取相应的保护和修复措施,维护生态平衡和生态功能的完整性;在水资源的调度和配置过程中需要及时了解水资源质量的状况,而水质监测数据分析结果可以为政府决策提供科学依据。
目前各水域水环境监测一般采用定时的监测评估方式,定时监测会导致数据的采集有一定的延迟;如果在监测评估时间节点之间水环境质量发生劣化,特别是在大型水域中,延迟可能更加明显;这样的延迟可能导致不能及时发现和处理水环境问题,从而增加环境风险;因此,亟需一种能够精准预测评估时间节点的水环境质量评估方法。
发明内容
为解决上述技术问题,本发明提供一种能够解决水环境质量评估中的延迟和监测频率不合理问题的水环境质量评估方法。
第一方面,本发明提供了一种水环境质量评估方法,所述方法包括:
获取所要评估的水环境的多个不同时间节点的历史水样检测信息以及当前时间节点的水样检测信息,并对多个水样检测信息分别进行关键数据提取,获得多个水样检测信息集合;其中,所述水样检测信息集合包括水样的物理检测结果、化学检测结果、生物检测结果以及检测时间节点;
根据检测时间节点,将多个水样检测信息集合按时间顺序排序,获得水环境检测信息序列;
对水环境检测信息序列进行数据趋势分析,分别获得水环境物理变化趋势特征数据、化学变化趋势特征数据和生物变化趋势特征数据;
获取所要评估的水环境所属水体类型;
根据水体类型,确定水环境评价指标,所属水环境评价指标包括水体物理特性指标、水体化学特性指标和水体生物特性指标;
将水环境的物理变化趋势特征数据、化学变化趋势特征数据、生物变化趋势特征数据以及水环境评价指标输入至预先构建的水环境质量预测模型中,获得水环境质量临界时间节点;
判断水环境质量临界时间节点与计划检测时间节点的关系;若水环境质量临界时间节点晚于计划检测时间节点,则将计划检测时间节点作为下次水环境检测的时间节点;若水环境质量临界时间节点早于计划检测时间节点,则将水环境质量临界时间节点作为下次水环境检测的时间节点。
另一方面,本申请还提供了一种水环境质量评估系统,所述系统包括:
数据收集模块,用于获取所要评估的水环境的多个不同时间节点的历史水样检测信息以及当前时间节点的水样检测信息,并发送;
数据处理模块,用于接收不同时间节点的水样检测信息,并对多个水样检测信息进行关键数据提取,获得多个水样检测信息集合,所述水样检测信息集合包括水样的物理检测结果、化学检测结果、生物检测结果以及检测时间节点,并按照检测时间节点对水样检测信息集合进行排序,得到水环境检测信息序列,并发送;
数据分析模块,用于接收水环境检测信息序列,并对水环境检测信息序列进行数据趋势分析,获得水环境物理变化趋势特征数据、化学变化趋势特征数据和生物变化趋势特征数据,并打包发生;
指标确定模块,用于获取所要评估的水环境所属水体类型,并根据所要评估的水环境所属水体类型,确定水环境评价指标,并发送;所述水环境评价指标包括水体的物理特性指标、化学特性指标和生物特性指标;
模型预测模块,用于接收水环境物理变化趋势特征数据、化学变化趋势特征数据、生物变化趋势特征数据以及水环境评价指标;并将水环境的物理变化趋势特征数据、化学变化趋势特征数据、生物变化趋势特征数据以及水环境评价指标输入至预先存储的水环境质量预测模型中,获得水环境质量临界时间节点,并发送;
时间节点调整模块,用于接收水环境质量临界时间节点,并判断水环境质量临界时间节点与计划检测时间节点的关系,若水环境质量临界时间节点晚于计划检测时间节点,则将计划检测时间节点作为下次水环境检测的时间节点,并输出;若水环境质量临界时间节点早于计划检测时间节点,则将水环境质量临界时间节点作为下次水环境检测的时间节点,并输出。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
进一步地,所述水环境的物理检测结果包括水样的温度、电导率和浊度;化学检测结果包括水样的pH值、溶解氧、氨氮浓度、总悬浮固体浓度和有机污染物浓度;生物检测结果包括水样的生物多样性指数、水生植物密度和水生动物密度。
进一步地,所述水体类型包括河流、湖泊、水库、海洋和地下水。
进一步地,所述水环境所属水体类型的确定方法采用遥感技术,利用遥感数据获取水体的空间分布、形态特征以及光谱信息,结合水体的地理背景和地貌特征,进行水体类型判定。
进一步地,所述水体物理特性指标包括水体温度、水体电导率和水体浊度;
所述水体化学特性指标包括水体酸碱度、水体溶解氧含量、水体中的营养物质浓度、总悬浮固体浓度和机污染物浓度
水体生物特性指标包括生物多样性指数、水生植物密度指标和水生动物密度指标。
进一步地,所述水环境质量预测模型的构建方法,包括:
对物理变化趋势特征数据、化学变化趋势特征数据、生物变化趋势特征数据以及水环境评价指标进行数据预处理;包括数据清洗、标准化和归一化;
通过相关性分析,从物理变化趋势特征数据、化学变化趋势特征数据、生物变化趋势特征数据以及水环境评价指标四个方面中选择出与水环境质量相关度大于预设阈值的关键特征;
所述水环境质量预测模型采用循环神经模型,利用关键特征对水环境质量预测模型进行训练,直至水环境质量预测模型能够学习并记住关键特征在时间序列中的依赖关系。
进一步地,将多个水样检测信息集合按时间顺序排序的方法,包括:
从每个水样检测信息集合中提取出标注的检测时间节点数据;
根据检测时间节点数据,采用归并排序算法对水样检测信息集合进行排序;
确保检测时间节点数据采用一致的时间表示形式;
在排序过程中,当遇到缺失的时间节点数据,根据排序规则对缺失的数据进行处理,包括插值、补齐或按照缺失值进行排序。
与现有技术相比本发明的有益效果为:本发明能够提供更及时的水环境质量评估结果;通过分析多个不同时间节点的历史水样检测信息和当前时间节点的水样检测信息,能够获得水环境检测信息序列并进行数据趋势分析;根据水环境的物理、化学和生物变化趋势特征数据以及水环境评价指标,通过预先构建的水环境质量预测模型,能够预测出水环境质量临界时间节点;根据这个临界时间节点,决定下次水环境检测的时间节点,从而实现对水环境质量的实时监测和预测;
本发明通过对水样检测信息的关键数据提取和数据趋势分析,结合水环境评价指标,能够较准确地评估水环境的质量;水样检测信息集合包括物理、化学和生物检测结果,综合考虑了不同方面的水质指标;通过预测模型的应用,能够利用多个变化趋势特征数据对水环境质量进行综合评估,提高了评估结果的准确性;
本发明根据不同水体类型确定水环境评价指标,以充分考虑不同水体类型的特点和需求;根据水体的物理、化学和生物特性,确定评价指标,使评估结果更具有区域适用性和针对性;
本发明能够优化水环境监测的时间和资源利用;传统的定时监测方法需要按照固定的时间节点进行监测,而本发明通过预测水环境质量临界时间节点,能够根据实际情况灵活确定下次监测的时间节点,减少了不必要的监测频率和成本;同时,及时发现水环境质量的劣化,能够采取相应的保护和修复措施,降低环境风险,提高工作效率。
附图说明
图1是本发明的流程图;
图2是获取当前时间节点水样检测信息的流程图;
图3是获得水环境生物变化趋势特征数据的流程图;
图4是水环境质量评估系统的模块结构示意图。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1至图3所示,本发明的一种水环境质量评估方法,所述方法具体包括以下步骤:
S1、获取所要评估的水环境的多个不同时间节点的历史水样检测信息以及当前时间节点的水样检测信息,并对多个水样检测信息分别进行关键数据提取,获得多个水样检测信息集合;其中,所述水样检测信息集合包括水样的物理检测结果、化学检测结果、生物检测结果以及检测时间节点;
在S1步骤中需要进行水样采集和检测来获取水样检测信息;通常,水样采集是通过在水体中收集一定数量的水样,并在实验室对其进行分析和测试来确定水质情况;水样采集的频率和位置需要根据评估的目标、区域特点以及预先制定的监测计划来确定;
对于当前时间节点的水样检测信息,具体采用以下步骤获取:
S11、水样采集:水样采集可以通过人工采样或自动采样设备进行;人工采样可在水体中使用采样瓶或采样器获取水样,并确保采样容器的洁净度和密封性以防止水样污染;自动采样设备可以根据预设的计划在特定时间点和位置进行采样,提高采样的准确性和一致性;
S12、水样处理:采集的水样需要进行处理,以便提取关键数据;处理包括滤过、固化、保存等步骤,以去除杂质、保持样品稳定和防止细菌生长;水样的处理过程应符合相关的标准和操作规范;
S13、水样分析:经过处理的水样需要进行一系列的分析和测试,以获取关键数据;分析方法包括物理、化学和生物方面的指标;物理指标可以涉及温度、浊度、溶解氧等参数的测量;化学指标可以包括溶解物质、有机污染物、重金属等的浓度分析;生物指标可以通过测定水样中的浮游植物、浮游动物或鱼类密度来评估生态系统的健康状况;
S14、数据记录和整理:获取的水样检测数据需要进行记录和整理,以便进一步分析和评估;记录的信息可以包括采样位置、采样时间、检测指标、检测方法、分析结果等;使用电子化数据管理系统可以提高数据的存储和检索效率。
对于历史水样检测信息,具体采用以下方法获取:
数据库或档案查询:许多水环境监测机构或研究机构会建立数据库或档案,存储历史水样检测信息;通过查询这些数据库或档案来获取所需的历史数据;查询可以按照时间范围、地理位置或水体类型等条件进行;
已发布的报告和研究论文:过去进行过水环境质量评估的研究和监测结果通常会以报告或研究论文的形式发布;这些文献中可能包含所需的历史水样检测信息;通过文献搜索工具或与相关机构联系,可以获取这些报告和论文,以获取历史数据;
合作伙伴和合作机构:与水资源管理部门、环保机构或研究机构等合作伙伴和合作机构进行联系和协作;这些机构已经进行过历史的水样检测和监测工作,并且共享数据资源。
总结而言,步骤S1中的关键是获取水样检测信息,该过程涉及水样采集、处理、分析和数据记录等环节,采用合适的水样采集和分析方法,能够确保获取准确、可靠的水样检测信息,为后续的水环境质量评估提供科学依据。
更为具体的,所述水样检测信息集合包括水样的物理检测结果、化学检测结果、生物检测结果以及检测时间节点;以下是对每个方面的举例说明:
物理检测结果:物理检测结果涉及水样中各种物理参数的测量;例如,水样的温度、电导率、浊度等可以作为物理检测结果;举例来说,某个时间节点的水样的温度为22℃,电导率为200μS/cm,浊度为5NTU;
化学检测结果:化学检测结果包括水样中不同化学物质的浓度测量;例如,水样中pH值、溶解氧、氨氮、总悬浮固体、有机污染物等的浓度可以作为化学检测结果;举例来说,某个时间节点的水样中溶解氧浓度为8mg/L,氨氮浓度为1.5mg/L,pH值为7.2,总悬浮固体浓度为20mg/L,有机污染物浓度为0.3mg/L;
生物检测结果:生物检测结果涉及水样中生物指标的测量,用于评估水体的生态系统状况;例如,水样中测定的浮游植物密度、浮游动物密度或鱼类种群数量可以作为生物检测结果;举例来说,某个时间节点的水样中浮游植物密度为10000cells/mL,浮游动物密度为500individuals/L;
检测时间节点:对于每个水样检测结果,都应记录相应的检测时间节点;这可以帮助确定水体质量的时序变化趋势;举例来说,某个水样的检测时间节点为2022年5月10日。
综上所述,水样检测信息集合可包括具体的物理检测结果、化学检测结果、生物检测结果以及对应的检测时间节点。根据需求,可以通过水样采集、处理、分析和数据记录的步骤获取这些关键数据,以支持水环境质量的评估和监测工作。
S2、根据检测时间节点,将多个水样检测信息集合按时间顺序排序,获得水环境检测信息序列;
对于S2步骤的具体技术方案,可以利用日期和时间的属性来对水样检测信息集合进行排序,具体包括以下步骤:
提取时间节点:从每个水样检测信息集合中提取出标注的检测时间节点数据;
排序算法:根据检测时间节点数据,采用合适的排序算法对水样检测信息集合进行排序;常见的排序算法包括快速排序、归并排序和堆排序等;选择适合的数据量和性能需求的算法进行排序;
时间格式标准化:确保检测时间节点数据采用一致的时间表示形式;可以使用ISO8601标准中的日期和时间表示形式,例如"YYYY-MM-DD HH:MM:SS";
时间精度:根据需要,可以选择不同的时间精度来进行排序;根据您的要求和数据粒度,可以选择按照年、月、日、小时等不同的时间精度进行排序;
缺失数据处理:在排序过程中,可能会遇到缺失的时间节点数据;根据具体需求,可以根据业务规则对缺失的数据进行处理,例如插值、补齐或者按照缺失值进行排序。
在本步骤中,通过对水样检测信息集合按照检测时间节点进行排序,可以确保得到的水环境检测信息序列按照时间顺序排列;这对于后续的数据分析和模型构建非常重要,可以更准确地反映出水环境的时间变化趋势和演变过程;水环境检测信息序列的排序可以为时间序列分析提供基础;时间序列分析可以揭示出随时间变动的规律和趋势,有助于识别周期性变化、季节性变化、长期趋势等,并提供准确预测和决策支持;排序后的水环境检测信息序列便于进行数据处理和插值操作;对缺失的数据可以使用插值方法填补,从而保证不会因为缺失数据而影响后续的分析和预测。
S3、对水环境检测信息序列进行数据趋势分析,分别获得水环境物理变化趋势特征数据、化学变化趋势特征数据和生物变化趋势特征数据;
S3步骤的主要目标是对水环境检测信息序列进行数据趋势分析,并获得水环境的物理、化学和生物变化趋势特征数据;通过数据分析获得水环境物理变化趋势特征数据的具体步骤如下:
a、温度趋势分析:通过绘制水样温度随时间的变化曲线,可以观察到温度的升降趋势;例如,对于某个时间节点的水样,可以记录其温度为22℃;通过对多个时间节点的温度数据进行整体分析,可以识别出温度的长期趋势,如逐渐升高或下降;
b、电导率趋势分析:同样地,通过绘制水样电导率随时间的变化曲线,可以分析电导率的趋势特征;电导率反映了水样中的电解质含量,如溶解的盐度等;例如,某个时间节点的水样的电导率为200μS/cm;通过对比多个时间节点的电导率数据,可以判别电导率的变化趋势;
c、浊度趋势分析:浊度是衡量水样中悬浮颗粒物质浓度的指标,也可以用于评估水样中固体物质的含量;通过绘制水样的浊度随时间的变化曲线,可以观察到水样浑浊程度的变化趋势;例如,某个时间节点的水样的浊度为5NTU;通过分析不同时间节点的浊度数据,可以了解到浊度的整体变化情况;
根据趋势分析的结果,从上述趋势分析中提取关键的物理变化趋势特征数据;这些特征数据可以包括温度的变化速率、电导率的变化幅度、浊度的趋势类型(上升、下降或波动)等。
通过数据分析获得水环境化学变化趋势特征数据的具体步骤如下:
a、溶解氧浓度趋势分析:绘制溶解氧浓度随时间的变化曲线;观察曲线的趋势,例如,溶解氧浓度是否逐渐上升、下降或呈现周期性变化;提取溶解氧浓度的关键特征,如变化速率、趋势变化的幅度等;
b、氨氮浓度趋势分析:绘制氨氮浓度随时间的变化曲线;观察曲线的趋势,例如,氨氮浓度是否逐渐上升、下降或呈现周期性变化;提取氨氮浓度的关键特征,如变化速率、趋势变化的幅度等;
c、总悬浮固体浓度趋势分析:绘制总悬浮固体浓度随时间的变化曲线;观察曲线的趋势,例如,总悬浮固体浓度是否逐渐上升、下降或呈现周期性变化;提取总悬浮固体浓度的关键特征,如变化速率、趋势变化的幅度等;
d、有机污染物浓度趋势分析:绘制有机污染物浓度随时间的变化曲线;观察曲线的趋势,例如,有机污染物浓度是否逐渐上升、下降或呈现周期性变化;提取有机污染物浓度的关键特征,如变化速率、趋势变化的幅度等;
e、pH值趋势分析:使用同样的方法,绘制水样的pH值随时间的变化曲线;根据曲线的趋势,可以判断水样的酸碱性变化情况;例如,某个时间节点的水样的pH值为7.2;通过比较不同时间节点的pH值数据,可以了解到pH值的变化规律;
通过对以上检测项目进行趋势分析和特征提取,可以获得各检测项目的变化趋势特征数据;这些特征数据对于了解水环境中的化学变化趋势,判断水质状况以及制定适当的环境保护和治理措施具有重要的参考价值;请注意,在实际应用中,具体的分析方法和数据处理需要根据具体情况和相关标准来进行。
通过数据分析获得水环境生物变化趋势特征数据的具体步骤如下:
S31、数据收集:从水环境检测信息序列中提取生物检测结果数据;生物检测结果可以包括生物多样性指数、水生植物密度、水生动物密度等生物指标的测量值;
S32、数据处理:对提取的生物检测结果数据进行整理和清洗,确保数据的准确性和可靠性;将生物检测结果转化为数值格式,例如将水生植物密度、水生动物密度等转化为每升水样中的细胞数或个体数;
S33、趋势分析:对生物检测结果进行趋势分析,以揭示水环境生物变化的趋势特征;可使用统计分析方法,如线性回归、趋势分析等,来确定生物变化趋势的方向和斜率;
S34、特征提取:根据趋势分析的结果,提取关键的生物变化趋势特征数据;这些特征数据包括生物指标的变化速率、周期性变化的幅度、长期趋势的变化程度等;
举例来说,假设某个时间节点的水样中水生植物密度为10000cells/mL,水生动物密度为500individuals/L;对这些数据进行趋势分析后发现,水生植物密度呈逐年递增的趋势,而水生动物密度呈逐年递减的趋势;同时,水生植物密度的年平均增长率为5%;这些数据和分析结果就是水环境生物变化趋势特征数据的一部分;
通过上述数据分析方法,可以从水样的生物检测结果中提取出关键的生物变化趋势特征数据,用于评估水体的生态系统状况;这样的数据分析为水环境质量评估提供了科学依据和决策支持;在具体应用中,还需要结合相关标准和指标来进行数据解读和评估。
S4、获取所要评估的水环境所属水体类型;
确定水环境所属水体类型是评价水环境质量的重要前提,不同水体类型可能有不同的评价标准和指标;通常根据水体的自然特征和环境条件将水体分为不同的类别;以下是一些常见的水体类型:
河流:包括小型溪流、中小型河流和大型江河;判断河流类型通常依据水流速度、流量、流域面积、下泻坡度、河道形态以及河岸生态系统等特征;
湖泊:包括天然湖泊和人工水库;湖泊的类型一般由水体大小、深度、水体养分含量、水动力条件和水质特征等因素决定;
水库:人工建设的水体,用于调节水文流量、供水、发电等目的;水库类型的判断可基于其规模、水质特征、水文地质条件以及水利工程设计等因素;
海洋:分为沿海海域和开放海洋,包括近岸海域、浅海和深海等;判断海洋类型可以考虑海洋的水质、盐度、潮汐、潮汐动力学特征以及海洋沉积物类型等;
地下水:储存在地下的水体,包括含水层、岩溶水系统和矿井排水等;地下水类型的确定通常基于地下水埋深、岩性、含水层厚度、水质特征以及地下水补给来源等因素;
确定水环境所属水体类型的方法可以采用以下技术方案:
地理信息系统分析:利用地理数据和空间分析技术,综合考虑水体的地理位置、地貌、地质构造、水动力学特征等因素,快速识别不同水体类型;
人工判断:依据专家经验和相关水体分类标准,通过实地调查和观测进行判断和归类;
遥感技术:利用遥感数据获取水体的空间分布、形态特征以及光谱信息,结合水体的地理背景和地貌特征,进行水体类型判定;
水文学方法:基于水文学参数,如流量、水位变化、泥沙输运等,结合地形和水文地质条件,进行水体类型判定。
需要注意的是,对于复杂的水域系统,可能存在多种水体类型的混合情况,此时需要综合考虑多种判定方法,以及水体之间的过渡和相互关系;具体的技术方案和方法选择应基于具体评估需求、可用数据和资源情况,并建立在科学、可靠的基础上;因此,在实际应用中,可以结合地方标准、政策法规以及专业领域专家的指导,制定适合的水体类型划分方案。
S5、根据水体类型,确定水环境评价指标,所属水环境评价指标包括水体物理特性指标、水体化学特性指标和水体生物特性指标;
S5步骤目的是根据不同类型的水体特征选择适用的评价指标,以更准确地评估水环境的质量;以下是一个基于水体类型的水环境评价指标选择的示例:
A、水体物理特性指标:
温度:水体温度是一个重要的物理特性指标,它可以影响水体的生物活动和溶解氧的含量;
电导率:电导率是衡量水体导电性的指标,它反映了水中溶解的离子浓度和溶解性固体的含量;电导率的测量可以提供有关水体中溶解盐、矿物质和其他溶解物的信息;
浊度:浊度指标用来评估水体中悬浮物的含量,高浊度可能表示水体的污染或沉积物的搬运;
B、水体化学特性指标:
pH值:pH值是水体酸碱性的指示剂,酸碱度的改变可能会影响水生态系统的平衡和生物多样性;
溶解氧:溶解氧是水体中存在的氧气量,对鱼类和其他水生生物的生存至关重要;
水体中的营养物质浓度:包括氨氮、亚硝酸盐、硝酸盐和磷酸盐等,它们是评估水体富营养化程度的关键指标;
总悬浮固体浓度:总悬浮固体浓度是指水体中悬浮颗粒物、沉积物和悬浮微生物等的总量;它是衡量水体中固体颗粒物悬浮度的指标之一;高浓度的悬浮固体会影响水体的透明度、光照条件和水体生态系统的健康状况;
机污染物浓度:有机污染物是指由人类活动引入水体中的有机化合物,如农药、工业化合物和其他有机污染物;测量水体中有机污染物的浓度可以评估水体的污染程度和环境风险;高浓度的有机污染物可能对水生生物产生毒性,破坏水体生态系统的平衡,并对人类健康构成潜在威胁;
C、水体生物特性指标:
生物多样性指数:包括物种丰富度、Shannon-Weiner指数等指标,用于评估水体中不同生物种类的数量和多样性程度;
水生植物指标:包括浮游植物和底栖植物的丰度和分布情况,用于评估水体的富营养化程度和生态系统稳定性;
水生动物指标:包括鱼类、浮游动物和底栖动物的丰度和多样性,用于评估水体的生态健康状况和食链关系;
在确定水体类型后,水环境评价指标的选择应基于与该类型水体相关的特征和环境需求;这可能需要借鉴现有的水体评估指标体系和相关研究成果,同时结合评估目的和可行性进行筛选;此外,还需要针对不同水体类型特定的环境因素和污染源考虑相应的指标选择,以确保评估的全面性和适用性;
需要注意的是,水环境评价指标的选择不是静态的,随着科学研究和技术进步,指标体系会不断更新和完善,以更好地适应变化的环境需求;因此,在实际应用中,及时关注水环境领域的最新研究和规范性文件是非常重要的,以确保评估方法的科学性和准确性。
S6、将水环境的物理变化趋势特征数据、化学变化趋势特征数据、生物变化趋势特征数据以及水环境评价指标输入至预先构建的水环境质量预测模型中,获得水环境质量临界时间节点;
在步骤S6中,所述水环境质量预测模型采用循环神经模型,所述水环境质量预测模型的输入是物理变化趋势特征数据、化学变化趋势特征数据、生物变化趋势特征数据以及水环境评价指标,输出是水环境质量临界时间节点;所述水环境质量预测模型的构建方法包括:
S61、数据预处理:对物理变化趋势特征数据、化学变化趋势特征数据、生物变化趋势特征数据以及水环境评价指标进行数据预处理;这包括数据清洗、标准化、归一化等,以使得不同量纲、不同数据类型的数据可以进行比较和处理;
S62、特征选择:从物理变化趋势特征数据、化学变化趋势特征数据、生物变化趋势特征数据以及水环境评价指标四个方面中选择出对水环境质量预测有重要影响的特征;这可以通过相关性分析、主成分分析或者随机森林等方法来实现;
S63、模型训练:选择好特征后,就可以利用这些特征来训练水环境质量预测模型了;在这里,所述的循环神经网络模型是一种适用于时间序列预测的深度学习模型;循环神经网络模型能够学习并记住时间序列中的长期依赖关系,对于这种具有时间序列性质的水质变化数据是非常合适的。
循环神经网络模型结构主要由三部分组成:输入门、遗忘门和输出门;设输入门的激活函数为sigmoid,遗忘门的激活函数为sigmoid,输出门的激活函数为tanh,损失函数为交叉熵损失函数,优化器为Adam;具体的训练过程如下:
S631、初始化参数:初始化模型的权重参数和偏置项,这些参数将在训练过程中被优化;
S632、定义循环神经网络模型:定义一个循环神经网络模型,模型的输入门、遗忘门和输出门的激活函数分别为sigmoid、sigmoid和tanh;
S633、定义损失函数和优化器:定义交叉熵损失函数作为损失函数,选择Adam优化器来更新权重和偏置项;
S634、训练模型:使用训练数据对模型进行训练,通过多次迭代更新模型的权重和偏置项,使得模型的预测结果尽可能接近实际的水质变化情况;
通过以上步骤,就可以构建出水环境质量预测模型,然后将物理变化趋势特征数据、化学变化趋势特征数据、生物变化趋势特征数据以及水环境评价指标输入至该模型中,就可以得到水环境质量临界时间节点。
在本步骤中,循环神经网络适用于处理时间序列数据,这对于水质变化数据来说非常重要;水环境质量受到许多因素的影响,这些影响因素随时间变化,而循环神经网络能够学习和捕捉时间上的依赖关系,从而对未来的水环境质量进行预测;在水质预测中,当前的水质状态可能受之前较长时间内的影响,例如水环境中的污染物浓度随着季节变化的趋势,而循环神经网络能够捕捉到这种长期记忆;该模型可以整合物理变化趋势特征数据、化学变化趋势特征数据、生物变化趋势特征数据以及水环境评价指标等不同类型、不同尺度的水质数据;通过特征选择步骤S62的处理,选择对水环境质量预测有重要影响的特征,提高了模型的预测精度;
综上所述,采用循环神经网络模型构建水环境质量预测模型,在数据预处理、特征选择和模型训练等方面具有明显的优势,可以更好地对水环境质量进行预测和评估。
S7、判断水环境质量临界时间节点与计划检测时间节点的关系;若水环境质量临界时间节点晚于计划检测时间节点,则将计划检测时间节点作为下次水环境检测的时间节点;若水环境质量临界时间节点早于计划检测时间节点,则将水环境质量临界时间节点作为下次水环境检测的时间节点;
在S7步骤中,判断水环境质量临界时间节点与计划检测时间节点的关系,从而决定下一步的水环境检测时间;水环境质量临界时间节点指的是在此时间节点水环境质量将劣于水环境评价指标;具体来说,首先需要明确计划检测时间节点和预设的水环境评价指标;计划检测时间节点是按照既定的时间间隔来设定的,例如每月、每季度或每年进行一次检测;而水环境评价指标则是根据所评估的水体类型和水环境状况来设定的;
接下来,将水环境质量预测模型输出的水环境质量临界时间节点与计划检测时间节点进行比较;这个比较过程可以通过计算两个时间节点的差值来实现,也就是计算水环境质量临界时间节点和计划检测时间节点之间的时间差;
如果水环境质量临界时间节点晚于计划检测时间节点,意味着在计划检测时间节点之后,水环境质量将开始劣化,超过设定的水环境评价指标;因此,将计划检测时间节点作为下次水环境检测的时间节点;这样能够在水环境质量开始劣化之前及时进行检测,从而采取相应的保护和修复措施;
如果水环境质量临界时间节点早于计划检测时间节点,意味着在计划检测时间节点之前,水环境质量就已经劣化超过了设定的水环境评价指标;在这种情况下,将水环境质量临界时间节点作为下次水环境检测的时间节点;这样能够更早地发现和处理水环境问题,从而更快地采取相应的保护和修复措施;
综上所述,S7步骤通过比较水环境质量临界时间节点和计划检测时间节点,来确定下一次最佳的水环境检测时间,以确保能够及时发现和处理水环境问题,维护水生态系统的稳定和生物多样性的保护。
实施例二
如图4所示,本发明的一种水环境质量评估系统,所述系统包括以下模块:
数据收集模块,用于获取所要评估的水环境的多个不同时间节点的历史水样检测信息以及当前时间节点的水样检测信息,并发送;
数据处理模块,用于接收不同时间节点的水样检测信息,并对多个水样检测信息进行关键数据提取,获得多个水样检测信息集合,所述水样检测信息集合包括水样的物理检测结果、化学检测结果、生物检测结果以及检测时间节点,并按照检测时间节点对水样检测信息集合进行排序,得到水环境检测信息序列,并发送;
数据分析模块,用于接收水环境检测信息序列,并对水环境检测信息序列进行数据趋势分析,获得水环境物理变化趋势特征数据、化学变化趋势特征数据和生物变化趋势特征数据,并打包发生;
指标确定模块,用于获取所要评估的水环境所属水体类型,并根据所要评估的水环境所属水体类型,确定水环境评价指标,并发送;所述水环境评价指标包括水体的物理特性指标、化学特性指标和生物特性指标;
模型预测模块,用于接收水环境物理变化趋势特征数据、化学变化趋势特征数据、生物变化趋势特征数据以及水环境评价指标;并将水环境的物理变化趋势特征数据、化学变化趋势特征数据、生物变化趋势特征数据以及水环境评价指标输入至预先存储的水环境质量预测模型中,获得水环境质量临界时间节点,并发送;
时间节点调整模块,用于接收水环境质量临界时间节点,并判断水环境质量临界时间节点与计划检测时间节点的关系,若水环境质量临界时间节点晚于计划检测时间节点,则将计划检测时间节点作为下次水环境检测的时间节点,并输出;若水环境质量临界时间节点早于计划检测时间节点,则将水环境质量临界时间节点作为下次水环境检测的时间节点,并输出。
在本实施例中,该系统能够根据实时的水样检测信息,进行数据处理和分析,并预测出水环境质量的临界时间节点;这样能够及时了解水环境质量的变化,并在需要时采取相应的保护和修复措施,减少环境风险;
该系统通过数据收集模块和数据处理模块,获取并整合了多个不同时间节点的水样检测信息,包括物理、化学和生物检测结果;这样能够全面了解水环境的变化趋势,有助于评估水生态系统的健康状况和识别污染源和影响因素;
通过模型预测模块,系统将水环境的物理、化学和生物变化趋势特征数据以及水环境评价指标输入预先存储的水环境质量预测模型中,从而预测出水环境质量的临界时间节点;这样能够帮助决策者更加有效地规划和安排水环境监测工作,提前预警水环境问题;
指标确定模块能够根据评估水环境所属的水体类型动态确定水环境评价指标;这样能够根据不同水域的特点进行定制化评估,更加精准地评估水环境质量;
综上所述,该水环境质量评估系统具有实时性、综合性、预测性和灵活性等优点,能够帮助及时了解水环境的质量状况,预测水环境质量的变化,并提供科学依据为决策提供支持,帮助保护和维护水生态系统的完整性和生物多样性。
前述实施例一中的水环境质量评估方法的各种变化方式和具体实施例同样适用于本实施例的水环境质量评估系统,通过前述对水环境质量评估方法的详细描述,本领域技术人员可以清楚的知道本实施例中水环境质量评估系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种水环境质量评估方法,其特征在于,所述方法包括:
获取所要评估的水环境的多个不同时间节点的历史水样检测信息以及当前时间节点的水样检测信息,并对多个水样检测信息分别进行关键数据提取,获得多个水样检测信息集合;其中,所述水样检测信息集合包括水样的物理检测结果、化学检测结果、生物检测结果以及检测时间节点;
根据检测时间节点,将多个水样检测信息集合按时间顺序排序,获得水环境检测信息序列;
对水环境检测信息序列进行数据趋势分析,分别获得水环境物理变化趋势特征数据、化学变化趋势特征数据和生物变化趋势特征数据;
获取所要评估的水环境所属水体类型;
根据水体类型,确定水环境评价指标,所属水环境评价指标包括水体物理特性指标、水体化学特性指标和水体生物特性指标;
将水环境的物理变化趋势特征数据、化学变化趋势特征数据、生物变化趋势特征数据以及水环境评价指标输入至预先构建的水环境质量预测模型中,获得水环境质量临界时间节点;
判断水环境质量临界时间节点与计划检测时间节点的关系;若水环境质量临界时间节点晚于计划检测时间节点,则将计划检测时间节点作为下次水环境检测的时间节点;若水环境质量临界时间节点早于计划检测时间节点,则将水环境质量临界时间节点作为下次水环境检测的时间节点。
2.如权利要求1所述的一种水环境质量评估方法,其特征在于,所述水环境的物理检测结果包括水样的温度、电导率和浊度;化学检测结果包括水样的pH值、溶解氧、氨氮浓度、总悬浮固体浓度和有机污染物浓度;生物检测结果包括水样的生物多样性指数、水生植物密度和水生动物密度。
3.如权利要求2所述的一种水环境质量评估方法,其特征在于,所述水体类型包括河流、湖泊、水库、海洋和地下水。
4.如权利要求3所述的一种水环境质量评估方法,其特征在于,所述水环境所属水体类型的确定方法采用遥感技术,利用遥感数据获取水体的空间分布、形态特征以及光谱信息,结合水体的地理背景和地貌特征,进行水体类型判定。
5.如权利要求4所述的一种水环境质量评估方法,其特征在于,所述水体物理特性指标包括水体温度、水体电导率和水体浊度;
所述水体化学特性指标包括水体酸碱度、水体溶解氧含量、水体中的营养物质浓度、总悬浮固体浓度和机污染物浓度
水体生物特性指标包括生物多样性指数、水生植物密度指标和水生动物密度指标。
6.如权利要求1所述的一种水环境质量评估方法,其特征在于,所述水环境质量预测模型的构建方法,包括:
对物理变化趋势特征数据、化学变化趋势特征数据、生物变化趋势特征数据以及水环境评价指标进行数据预处理;包括数据清洗、标准化和归一化;
通过相关性分析,从物理变化趋势特征数据、化学变化趋势特征数据、生物变化趋势特征数据以及水环境评价指标四个方面中选择出与水环境质量相关度大于预设阈值的关键特征;
所述水环境质量预测模型采用循环神经模型,利用关键特征对水环境质量预测模型进行训练,直至水环境质量预测模型能够学习并记住关键特征在时间序列中的依赖关系。
7.如权利要求1所述的一种水环境质量评估方法,其特征在于,将多个水样检测信息集合按时间顺序排序的方法,包括:
从每个水样检测信息集合中提取出标注的检测时间节点数据;
根据检测时间节点数据,采用归并排序算法对水样检测信息集合进行排序;
确保检测时间节点数据采用一致的时间表示形式;
在排序过程中,当遇到缺失的时间节点数据,根据排序规则对缺失的数据进行处理,包括插值、补齐或按照缺失值进行排序。
8.一种水环境质量评估系统,其特征在于,所述系统包括:
数据收集模块,用于获取所要评估的水环境的多个不同时间节点的历史水样检测信息以及当前时间节点的水样检测信息,并发送;
数据处理模块,用于接收不同时间节点的水样检测信息,并对多个水样检测信息进行关键数据提取,获得多个水样检测信息集合,所述水样检测信息集合包括水样的物理检测结果、化学检测结果、生物检测结果以及检测时间节点,并按照检测时间节点对水样检测信息集合进行排序,得到水环境检测信息序列,并发送;
数据分析模块,用于接收水环境检测信息序列,并对水环境检测信息序列进行数据趋势分析,获得水环境物理变化趋势特征数据、化学变化趋势特征数据和生物变化趋势特征数据,并打包发生;
指标确定模块,用于获取所要评估的水环境所属水体类型,并根据所要评估的水环境所属水体类型,确定水环境评价指标,并发送;所述水环境评价指标包括水体的物理特性指标、化学特性指标和生物特性指标;
模型预测模块,用于接收水环境物理变化趋势特征数据、化学变化趋势特征数据、生物变化趋势特征数据以及水环境评价指标;并将水环境的物理变化趋势特征数据、化学变化趋势特征数据、生物变化趋势特征数据以及水环境评价指标输入至预先存储的水环境质量预测模型中,获得水环境质量临界时间节点,并发送;
时间节点调整模块,用于接收水环境质量临界时间节点,并判断水环境质量临界时间节点与计划检测时间节点的关系,若水环境质量临界时间节点晚于计划检测时间节点,则将计划检测时间节点作为下次水环境检测的时间节点,并输出;若水环境质量临界时间节点早于计划检测时间节点,则将水环境质量临界时间节点作为下次水环境检测的时间节点,并输出。
9.一种水环境质量评估电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311187276.0A CN117310115A (zh) | 2023-09-14 | 2023-09-14 | 一种水环境质量评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311187276.0A CN117310115A (zh) | 2023-09-14 | 2023-09-14 | 一种水环境质量评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117310115A true CN117310115A (zh) | 2023-12-29 |
Family
ID=89236374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311187276.0A Pending CN117310115A (zh) | 2023-09-14 | 2023-09-14 | 一种水环境质量评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117310115A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117875573A (zh) * | 2024-03-12 | 2024-04-12 | 湖北省疾病预防控制中心(湖北省预防医学科学院) | 一种基于生物毒性和生物有效性的水环境评价方法和系统 |
CN117893384A (zh) * | 2024-03-15 | 2024-04-16 | 广东工业大学 | 一种水生态系统健康评估与预测系统及方法 |
CN118173237A (zh) * | 2024-05-15 | 2024-06-11 | 江西科技学院 | 一种基于大数据分析的医疗环境智能检测系统 |
-
2023
- 2023-09-14 CN CN202311187276.0A patent/CN117310115A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117875573A (zh) * | 2024-03-12 | 2024-04-12 | 湖北省疾病预防控制中心(湖北省预防医学科学院) | 一种基于生物毒性和生物有效性的水环境评价方法和系统 |
CN117893384A (zh) * | 2024-03-15 | 2024-04-16 | 广东工业大学 | 一种水生态系统健康评估与预测系统及方法 |
CN117893384B (zh) * | 2024-03-15 | 2024-07-16 | 广东工业大学 | 一种水生态系统健康评估与预测系统及方法 |
CN118173237A (zh) * | 2024-05-15 | 2024-06-11 | 江西科技学院 | 一种基于大数据分析的医疗环境智能检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ferreira et al. | Monitoring of coastal and transitional waters under the EU Water Framework Directive | |
CN105608324B (zh) | 基于毒性效应的流域沉积物中重金属生态风险评估方法 | |
Liang et al. | Spatial and temporal variation of heavy metal risk and source in sediments of Dongting Lake wetland, mid-south China | |
CN117310115A (zh) | 一种水环境质量评估方法及系统 | |
Meinson et al. | Continuous and high-frequency measurements in limnology: history, applications, and future challenges | |
Evans‐White et al. | A review of stream nutrient criteria development in the United States | |
Iglesias et al. | Turbidity prediction in a river basin by using artificial neural networks: a case study in northern Spain | |
Håkanson | Suspended particulate matter in lakes, rivers, and marine systems | |
Muñiz et al. | Detection of outliers in water quality monitoring samples using functional data analysis in San Esteban estuary (Northern Spain) | |
Goshu et al. | Water quality of Lake Tana basin, Upper Blue Nile, Ethiopia. A review of available data | |
Olson et al. | Developing site-specific nutrient criteria from empirical models | |
Sikder et al. | Spatial variations in trophic-functional patterns of periphytic ciliates and indications to water quality in coastal waters of the Yellow Sea | |
Malan et al. | Water quality and wetlands: defining Ecological Categories and links with land-use | |
Waite | Agricultural disturbance response models for invertebrate and algal metrics from streams at two spatial scales within the US | |
Altermatt et al. | Quantifying biodiversity using eDNA from water bodies: General principles and recommendations for sampling designs | |
Leahy et al. | River flows affect the growth of a tropical finfish in the wet-dry rivers of northern Australia, with implications for water resource development | |
Ahamad et al. | Surface water quality modeling by regression analysis and artificial neural network | |
Van Heyst et al. | Application of phosphorus loading models to understand drivers of eutrophication in a complex rural lake-watershed system | |
Stevenson et al. | Use of algae in ecological assessments | |
Stackpoole et al. | Integrated water resources trend assessments: State of the science, challenges, and opportunities for advancement | |
Liu | Water quality criteria green book of China | |
Konrad et al. | Integrating seasonal information on nutrients and benthic algal biomass into stream water quality monitoring | |
Cesa et al. | Moss bags as indicators of trace element contamination in Pre-alpine streams | |
Chazal et al. | Short-term forecasting of fecal coliforms in shellfish growing waters | |
Ravbar et al. | Monitoring the quantitative status and quality of karst water sources |
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 |