CN117371325A - 一种排口污染物入河断面贡献度计算方法、设备及介质 - Google Patents
一种排口污染物入河断面贡献度计算方法、设备及介质 Download PDFInfo
- Publication number
- CN117371325A CN117371325A CN202311395464.2A CN202311395464A CN117371325A CN 117371325 A CN117371325 A CN 117371325A CN 202311395464 A CN202311395464 A CN 202311395464A CN 117371325 A CN117371325 A CN 117371325A
- Authority
- CN
- China
- Prior art keywords
- section
- contribution degree
- measured
- contribution
- downstream
- 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.)
- Granted
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 114
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 78
- 238000009792 diffusion process Methods 0.000 claims abstract description 75
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 37
- 238000004422 calculation algorithm Methods 0.000 description 15
- 239000000356 contaminant Substances 0.000 description 12
- 230000002068 genetic effect Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种排口污染物入河断面贡献度计算方法，包括：获取率定一维扩散模型；基于率定一维扩散模型，估算待测干流相邻断面贡献度、待测支流相邻断面贡献度、待测干流与待测支流形成的汇流口处贡献度；基于待测干流中多个相邻断面贡献度，估算待测干流中上游断面对下游断面的影响程度；基于待测支流中多个相邻断面贡献度，估算待测支流中上游断面对下游断面的影响程度。本方法也可对多场景入河污染物浓度贡献度进行估算，也可以全面评估不同位置的污染物贡献度，更好地了解和控制污染物的传播过程。
Description
技术领域
本发明涉及水质监测技术领域，具体提供一种排口污染物入河断面贡献度计算方法设备及介质。
背景技术
水资源环境保护对我们尤为重要，为了更好地维护好水资源环境，分析排口污染物入河断面贡献度是很有必要的，且有助于溯源污染物来源。
现有技术主要是通过在河流不同点位不断增加仪器设备进行人工测量污染物浓度，通过测量得到的数值计算入河排污口的污染物贡献度，在实际应用时操作也较为繁杂，每计算一次贡献度都需要进行多点位设备测量，再进行一系列的数值推算，因此此种方法比较耗费人力物力和时间成本。另外对于存在水文水质参数：河流速度、降解系数等，不易用实地设备测量或测量结果误差较大情况的河流，只使用现有技术将难以进行贡献度估算。
申请号为CN202011167131.0的中国专利公开了一种基于水质模型与污染物消减机理的水质断面污染贡献率计算方法，其构建一维水质模型，利用污染源在断面通量除以断面的总的通量，得到断面的污染贡献，以减少在河道参数模拟方面因模型结构所产生的不确定性。但上述方法受限于单一河道的应用场景，不能很好地模拟分析估算真实场景下多河道不同断面间互相作用影响下的污染物浓度，同时流域污染治理领域需要兼顾估算方法的准确性和实用性。
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现有水质断面污染贡献率计算方法难以模拟估算真实场景下多河道不同断面间互相作用影响下的污染物浓度的问题。
在第一方面，本发明提供一种排口污染物入河断面贡献度计算方法，包括：
获取率定一维扩散模型；
基于所述率定一维扩散模型，估算待测干流相邻断面贡献度、待测支流相邻断面贡献度、待测干流与待测支流形成的汇流口处贡献度；其中，所述待测干流相邻断面贡献度为上游断面对下游断面的贡献度，所述待测支流相邻断面贡献度为待测支流上每个上游断面对下游相邻断面的贡献度；
基于待测干流中多个相邻断面贡献度，估算待测干流中上游断面对下游断面的影响程度；基于待测支流中多个相邻断面贡献度，估算待测支流中上游断面对下游断面的影响程度。
在上述排口污染物入河断面贡献度计算方法的一个技术方案中，获取率定一维扩散模型包括：
设定模型参数范围；
基于历史数据、设定模型参数范围对每个相邻断面间的一维扩散模型参数进行率定；
基于误差参数指标对所述设定模型参数范围进行调整，得到率定一维扩散模型。
在上述排口污染物入河断面贡献度计算方法的一个技术方案中，基于所述率定一维扩散模型，估算待测干流相邻断面贡献度包括：
基于所述率定一维扩散模型构建每相邻断面的一维扩散模型；
基于每相邻断面的一维扩散模型估算出待测干流上污染物从上游断面扩散到下游断面的预测浓度；
获取待测干流上所述下游断面监测浓度；
基于所述污染物从上游断面扩散到下游断面的预测浓度、所述待测干流上所述下游断面监测浓度，获取待测干流相邻断面贡献度，即待测干流上上游断面对下游断面的贡献度。
在上述排口污染物入河断面贡献度计算方法的一个技术方案中，基于所述率定一维扩散模型，估算待测支流相邻断面贡献度包括：
基于每相邻断面的一维扩散模型估算出待测支流上污染物从上游断面扩散到下游断面的预测浓度；
获取待测支流上所述下游断面监测浓度；
基于所述待测支流上污染物从上游断面扩散到下游断面的预测浓度、所述待测支流上所述下游断面监测浓度，获取待测支流相邻断面贡献度，即待测支流上上游断面对下游断面的贡献度。
在上述排口污染物入河断面贡献度计算方法的一个技术方案中，基于所述率定一维扩散模型，估算待测干流与待测支流形成的汇流口处贡献度包括：
获取下游相邻断面监测值、汇流口处交汇过来的待测支流污染物监测浓度值；
基于所述率定一维扩散模型、所述下游相邻断面监测值，估算出汇流口处污染物的预测浓度值；
基于所述汇流口处污染物的预测浓度值、汇流口处交汇过来的待测支流污染物监测浓度值，获取汇流口处的贡献度。
在上述排口污染物入河断面贡献度计算方法的一个技术方案中，所述误差参数指标为相关系数或决定系数。
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排口污染物入河断面贡献度计算方法的技术方案中任一项技术方案所述的排口污染物入河断面贡献度计算方法。
在第三方面，本发明提供一种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排口污染物入河断面贡献度计算方法的技术方案中任一项技术方案所述的排口污染物入河断面贡献度计算方法。
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，本发明提供了一种排口污染物入河断面贡献度计算方法，包括：获取率定一维扩散模型；基于率定一维扩散模型，估算待测干流相邻断面贡献度、待测支流相邻断面贡献度、待测干流与待测支流形成的汇流口处贡献度；其中，待测干流相邻断面贡献度为上游断面对下游断面的贡献度，待测支流相邻断面贡献度为待测支流上每个上游断面对下游相邻断面的贡献度；基于待测干流中多个相邻断面贡献度，估算待测干流中上游断面对下游断面的影响程度；基于待测支流中多个相邻断面贡献度，估算待测支流中上游断面对下游断面的影响程度。
与现有技术相比，本发明所提供的排口污染物入河断面贡献度计算方法的有益效果为：获取率定一维扩散模型可以提高模型的可靠性和预测能力，使其更好地应用于排口污染物入河断面贡献度的计算和评估，使率定好的一维扩散模型衍生出干待测干流、待测支流、汇流口处贡献度估算方案，即本方法也可对多场景入河污染物浓度贡献度进行估算，也可以全面评估不同位置的污染物贡献度，更好地了解和控制污染物的传播过程。除此之外，本发明不仅可估算河流相邻上下游间污染物贡献度，也可对一个上游断面的后续多个断面进行污染物贡献度估算，大大开拓了流域治理工作在时间和空间上的尺度，这样可以更全面地分析整个河流系统的污染物传输情况，为河流管理和控制提供更有效的参考。
进一步的，本方法可以采用遗传算法、梯度下降法等机器学习相关算法对一维水质扩散模型进行参数率定，率定出河流的平均流速，污染物的衰减系数，污染物扩散系数等水文水质参数，从而得到带有率定参数的一维扩散模型，即本发明对缺少水文水质参数信息的情况也能估算贡献度。
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排口污染物入河断面贡献度计算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干支流分布概况示意图，其中实心圆点a、b、d、f为待测干流上的断面，实心圆点g、h、i、j、k、l、m为待测支流上的断面，空心圆点c、e为干待测支流交汇处即汇流口，箭头方向代表水流方向。
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排口污染物入河断面贡献度计算方法的主要步骤流程示意图。如图1所示，本发明实施例中的排口污染物入河断面贡献度计算方法主要包括下列步骤S1-步骤S3。
污染物为高锰酸盐指数、氨氮、总氮、总磷为例，本发明提供一种排口污染物入河断面贡献度计算方法，包括以下步骤：
步骤S1、获取率定一维扩散模型；
本实施例中，一维扩散模型是一种用于描述排口污染物在河流中传输和扩散的数学模型。然而，模型中的参数值通常需要通过实际的场测数据进行校准和调整，以使模型能够更准确地模拟实际情况。通过进行率定，可以将模型的参数与实际观测数据相匹配，从而提高模型的适用性和预测能力。通过对模型进行率定，可以更准确地模拟污染物在河流中的传输和扩散过程，包括浓度分布、变化趋势等信息。
步骤S2、基于所述率定一维扩散模型，估算待测干流相邻断面贡献度、待测支流相邻断面贡献度、待测干流与待测支流形成的汇流口处贡献度；其中，所述待测干流相邻断面贡献度为上游断面对下游断面的贡献度，所述待测支流相邻断面贡献度为待测支流上每个上游断面对下游相邻断面的贡献度；
本实施例中，待测干流相邻断面贡献度是指上游断面对下游断面的污染物传输贡献程度。在水体中，污染物可以通过水流的传输而从上游断面向下游断面传播，待测干流相邻断面贡献度就是衡量上游断面对下游断面水体质量的影响程度。待测支流相邻断面贡献度是指主河流的待测支流上游断面对主河流下游断面的污染物传输贡献程度。在河流系统中，主河流上游的待测支流会将其水体和携带的污染物注入到主河流中，并向下游传输。同样地，待测支流相邻断面贡献度的评估也可以使用一维扩散模型进行。待测干流与待测支流形成的汇流口处的贡献度是指待测支流在汇流口处对待测干流水体的影响程度。在河流系统中，待测支流会将其水体和携带的污染物注入到待测干流中，并且在汇流口处与待测干流混合。
步骤S3、基于待测干流中多个相邻断面贡献度，估算待测干流中上游断面对下游断面的影响程度；基于待测支流中多个相邻断面贡献度，估算待测支流中上游断面对下游断面的影响程度。
本实施例中，基于待测干流相邻断面间的贡献度来估算上游断面对后续多个断面的贡献度是因为干流是河流系统中的主要流向通道，水流从上游向下游流动。相邻断面间的水流贡献度反映了水量在河流中的分配情况。根据相邻断面间的贡献度，可以推断出上游断面的水量对后续多个断面的影响。如果一个上游断面的贡献度较高，那么它的水量在下游断面中的贡献度也可能较高；反之，如果一个上游断面的贡献度较低，那么它的水量在下游断面中的贡献度也可能较低。通过估算上游断面对后续多个断面的贡献度，可以了解水量在河流系统中的传递和分配情况。这对于水资源管理、河流流量预测和治理措施的制定等方面都具有重要的参考价值。
例如，假设有一条河流从上游到下游依次划分为断面A、B、C、D、E。上游的断面A可能对下游的断面B、C、D和E的水量、水位等产生影响。这时可以通过计算断面A对断面B的贡献度，然后将其与断面B对断面C的贡献度相乘，继续与断面C对断面D的贡献度相乘，最后与断面D对断面E的贡献度相乘，从而得到上游断面A对后续多个断面的影响程度。
基于步骤S1-步骤S3，获取率定一维扩散模型可以提高模型的可靠性和预测能力，使其更好地应用于排口污染物入河断面贡献度的计算和评估，使率定好的一维扩散模型衍生出干待测支流、汇流口处贡献度估算方案，即本方法也可对多场景入河污染物浓度贡献度进行估算，也可以全面评估不同位置的污染物贡献度，更好地了解和控制污染物的传播过程。除此之外，本发明不仅可估算河流相邻上下游间污染物贡献度，也可对一个上游断面的后续多个断面进行污染物贡献度估算，大大开拓了流域治理工作在时间和空间上的尺度，这样可以更全面地分析整个河流系统的污染物传输情况，为河流管理和控制提供更有效的参考。
在一个实施例中，步骤S1、获取率定一维扩散模型包括：
步骤S11、设定模型参数范围；
本实施例中，所述参数包括河流的平均流速u、污染物的衰减系数K、水流方向的扩散系数D，设定参数范围是为了确定参数值的取值范围，以便后续的参数率定过程中进行搜索。根据经验值和相关标准为参数u、K和D设定取值范围。
步骤S12、基于历史数据、设定模型参数范围对每个相邻断面间的一维扩散模型参数进行率定；
本实施例中，历史数据指的是已经测量或观察到的河流或水体中的相关物质浓度、水流速度、水位等参数的数据。利用已知的实测数据与模型模拟结果进行对比，通过调整参数值，使模拟结果与实测数据尽量吻合。针对每个相邻断面间的一维扩散模型，对其参数范围进行搜索和调整，以获得最佳的参数值。
步骤S13、基于误差参数指标对所述设定模型参数范围进行调整，得到率定一维扩散模型。
本实施例中，根据误差参数指标，对设定的模型参数范围进行调整，以获得具有较小误差的一维扩散模型。通过对参数范围的调整，可以提高模型的准确性和可信度。
一维扩散模型如公式(1)所示：
其中，u为河流的平均流速，K为污染物的衰减系数，D为水流方向的扩散系数，C0为初始污染物浓度，x为河水从上游向下游流经的距离，C(x)为各断面污染物浓度；
进一步的，本方法充分利用了每个断面污染物浓度的历史数据，并可以采用遗传算法、梯度下降算法以及贝叶斯优化算法、模拟退火算法、粒子群优化算法等多种机器学习方法中的一个，从多种算法结果中选出评价指标表现好的算法和参数，最终得到一个较优的带有率定参数的一维扩散模型以提高率定参数的准确性。同时，通过率定得到河流的平均流速，污染物的衰减系数，污染物扩散系数等水文水质参数，从而得到带有率定参数的一维扩散模型。这个发明可以在缺少水文水质参数信息的情况下进行贡献度的估算。
进一步的，基于公式(1)构建遗传算法适应度函数来评估基因型的适应度值，遗传算法根据个体的基因型评估其适应度值，并使用选择、交叉和变异等遗传操作来不断优化个体的基因组合，以找到使适应度函数最优的解。在使用遗传算法求解器时，通过设置最大迭代次数如300次或500次等来确定求解的终止条件。可以尝试不同的迭代次数，并比较得到的结果以确定更优的迭代次数。设置变量个数为3，即u、K和D三个变量；对三个变量分别设置上下限u∈[10,30]、K∈[0.004,0.04]、D∈[0.01,5]；将每个断面间的距离(以其中两个断面间距离10公里为例)带入到遗传算法中参与参数滤定的计算；最终得到该断面目标最优变量值u＝13、K＝0.03、D＝4。
进一步的，梯度下降算法依据公式(1)所示的一维扩散模型定义梯度下降损失函数；以上述距离10公里的断面间距离为例，分别给定u、K和D三个变量初始值10、0.005、1，并作为需要更新的参数输入到梯度下降算法中；学习率选取范围在0.01～0.6之间进行多次尝试；使用torch.autograd.grad()计算梯度，根据学习率和梯度大小决定当前数值下降的距离；进而更新自变量的值，计算新的梯度；重复梯度计算和变量值更新过程，直到损失函数取到最小值即可得到目标最优变量值u＝14、K＝0.03、D＝5。
在一个实施例中，步骤S2、基于所述率定一维扩散模型，估算待测干流相邻断面贡献度包括：
步骤S21、基于所述率定一维扩散模型构建；
步骤S22、基于每相邻断面的一维扩散模型估算出待测干流上污染物从上游断面扩散到下游断面的预测浓度；
步骤S23、基于所述污染物从上游断面扩散到下游断面的预测浓度、所述待测干流上所述下游断面监测浓度，获取待测干流相邻断面贡献度，即待测干流上上游断面对下游断面的贡献度。
具体地，如图2所示待测干流部分，待测干流相邻断面贡献度估算即为估算上游断面a对下游断面b的贡献度、上游断面b对下游断面d的贡献度，以此类推得到待测干流上除第一个断面以外的所有断面来自于相邻上游断面的贡献度估算值。
将带有率定参数的一维扩散模型衍生为每相邻断面的一维扩散模型，如公式(2)所示：
其中，m为监测断面序号空间，m∈{1,r}，即m-1为m的相邻上游断面，为m-1断面到m断面的距离，从上游断面流到下游断面可能会存在一定的时间差，t为下游断面监测值所处时间点，t1为上游断面对下游断面有浓度扩散影响的监测值所处时间点，t和t1根据实际情况可以错开一段延时的影响也可以近似处理，/>为污染物从上游断面扩散到下游断面的预测浓度，/>为上游断面排污口污染物浓度监测值，um、Km、Dm为由当前相邻断面数据率定得到的一维扩散模型参数；将u＝13、K＝0.03、D＝5，即可带入到公式(2)中进行应用，估算出污染物从上游断面扩散到下游断面的预测浓度。
污染物从上游断面扩散到下游断面的预测浓度与下游断面实际监测浓度/>的占比即为上游断面污染物的贡献度，如公式(3)所示：
进一步的，对多样本情况下的上游断面污染物的贡献度采用卡方正态性检验评估是否符合正态分布。
在一个实施例中，步骤S2、基于所述率定一维扩散模型，估算待测支流相邻断面贡献度包括：
步骤S24、基于每相邻断面的一维扩散模型估算出待测支流上污染物从上游断面扩散到下游断面的预测浓度；
步骤S25、获取待测支流上所述下游断面监测浓度；
步骤S26、基于所述待测支流上污染物从上游断面扩散到下游断面的预测浓度、所述待测支流上所述下游断面监测浓度，获取待测支流相邻断面贡献度，即待测支流上上游断面对下游断面的贡献度。
如图2所示待测支流部分，待测支流相邻断面贡献度估算即为估算上游断面j对下游断面i的贡献度、上游断面i对下游断面h的贡献度，以此类推得到待测支流上除第一个断面以外的所有断面来自于相邻上游断面的贡献度估算值。具体地，待测支流相邻断面贡献度估算过程与待测干流相邻断面贡献度的方法一致，如当前上游断面氨氮浓度为0.4mg/L，根据公式(2)估算出该上游断面到下游的污染物预测扩散浓度为0.16mg/L，下游实际测量浓度为0.32mg/L，则相邻断面上游断面污染物预测扩散浓度与下游断面实际监测浓度的占比为0.16/0.32＝0.5，即为上游断面污染物的贡献度为50％。
在一个实施例中，步骤S2、基于所述率定一维扩散模型，估算待测干流与待测支流形成的汇流口处贡献度包括：
步骤S27、获取下游相邻断面监测值、汇流口处交汇过来的待测支流污染物监测浓度值；
步骤S28、基于所述率定一维扩散模型、所述下游相邻断面监测值，估算出汇流口处污染物的预测浓度值；
步骤S29、基于所述汇流口处污染物的预测浓度值、汇流口处交汇过来的待测支流污染物监测浓度值，获取汇流口处的贡献度。
如图2所示，所示两个待测支流与待测干流交点处为汇流口处。具体地，根据下游相邻断面监测值及扩散模型估算出汇流口处污染物浓度值，如公式(4)所示：
其中m+1代表m的相邻下游断面，为汇流口处污染物的预测浓度值，为其下游断面监测值，/>为m断面到m+1断面的距离。
按照公式(5)计算得到汇流口处的贡献度：
其中，k为入河系数，为汇流口处交汇过来的待测支流污染物监测浓度值，/>为汇流口处污染物的预测浓度值。
进一步的，对多样本情况下的上游对下游污染物浓度的贡献度进行卡方正态性检验。
在一个实施例中，如图2所示不仅可以估算上游断面a对相邻下游断面b的贡献度，也可以估算上游断面a对其他下游断面d、e等的贡献度，计算方法如公式(6)所示，得到当前上游断面对后续多个下游断面的贡献度：
其中，表示m断面对下游m+n断面的贡献度，/>表示m断面对其下游m+1断面的贡献度，/>表示m+n-1断面对下游m+n断面的贡献度。
进一步的，在估算贡献度的同时也可对其分布数据进行深层解析，可得到污染物浓度扩散稳定状态和异常状态信息。深层解析可以包括以下几个方面：污染物浓度的空间分布分析：通过分析不同位置上污染物浓度的变化，可以了解污染物在不同区域的分布情况，进一步揭示污染物的扩散路径和传输趋势。污染物浓度的时间变化分析：通过观察污染物浓度随时间的变化，可以了解污染物在不同时间段内的变化规律，分析污染物的季节性变化、周期性变化等，并判断污染物趋势是否稳定。污染物浓度的概率分布分析：通过分析污染物浓度的概率分布，可以了解污染物的浓度分布特征，例如平均浓度、峰值浓度、尾部分布等，帮助判断污染物扩散的稳定状态和异常状态。污染物浓度与其他环境因素的关联分析：通过分析污染物浓度与其他环境因素(如流速、水温、降雨等)的关系，可以揭示污染物扩散的影响因素和机制，进一步优化模型的精度和可靠性。通过对污染物浓度分布数据进行深层解析，可以更全面地了解污染物扩散的状态和规律，并为污染物管理和环境保护提供更有针对性的措施和策略。
进一步的，本发明提出贡献度估算方法不仅仅用在相邻断面间，可对某个断面的下游多个断面进行贡献度估算，这样就形成了一个贡
献度矩阵，此种方法可以更加全面清晰地观察各个流域断面污染物浓度贡献度情况。
在一个实施例中，所述误差参数指标为相关系数或决定系数。
相关系数(通常用皮尔逊相关系数)衡量了两个变量之间的线性相关程度，取值范围介于-1和1之间。相关系数越接近1或-1，表示两个变量之间的线性关系越强或负相关关系越强。如果相关系数接近0，则说明两个变量之间没有线性相关性。决定系数则衡量了回归模型对观测数据的解释程度。决定系数的取值范围通常在0到1之间，越接近1表示模型能够解释数据的变异性越好，即拟合程度越高。如果决定系数接近0，则说明模型解释数据的能力较差。在选择误差参数指标时，希望选取能够全面评估模型拟合程度和预测能力的指标。相关系数和决定系数都可以提供这样的信息，它们不仅可以用于描述模型对数据的拟合程度，还能够衡量模型在新数据上的预测能力。因此，选择相关系数或决定系数作为误差参数指标能够帮助我们全面评估模型的性能，从而做出合理的评估和决策。
本实施例中，相关系数大于0.8、决定系数大于0.7等对参数的取值范围进行调整。
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设备施例中，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排口污染物入河断面贡献度计算方法的程序，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排口污染物入河断面贡献度计算方法的程序。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。该控制装置可以是包括各种电子设备形成的控制装置设备。
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排口污染物入河断面贡献度计算方法的程序，该程序可以由处理器加载并运行以实现上述排口污染物入河断面贡献度计算方法。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原始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 (8)
1.一种排口污染物入河断面贡献度计算方法，其特征在于，包括：
获取率定一维扩散模型；
基于所述率定一维扩散模型，估算待测干流相邻断面贡献度、待测支流相邻断面贡献度、待测干流与待测支流形成的汇流口处贡献度；其中，所述待测干流相邻断面贡献度为待测干流上每个上游断面对下游断面的贡献度，所述待测支流相邻断面贡献度为待测支流上每个上游断面对下游相邻断面的贡献度；
基于待测干流中多个相邻断面贡献度，估算待测干流中上游断面对下游断面的影响程度；基于待测支流中多个相邻断面贡献度，估算待测支流中上游断面对下游断面的影响程度。
2.根据权利要求1所述的方法，其特征在于，获取率定一维扩散模型包括：
设定模型参数范围；
基于历史数据、设定模型参数范围对每个相邻断面间的一维扩散模型参数进行率定；
基于误差参数指标对所述设定模型参数范围进行调整，得到率定一维扩散模型。
3.根据权利要求2所述的方法，其特征在于，基于所述率定一维扩散模型，估算干流相邻断面贡献度包括：
基于所述率定一维扩散模型构建每相邻断面的一维扩散模型；
基于每相邻断面的一维扩散模型估算出干流上污染物从上游断面扩散到下游断面的预测浓度；
获取干流上所述下游断面监测浓度；
基于所述污染物从上游断面扩散到下游断面的预测浓度、所述干流上所述下游断面监测浓度，获取干流相邻断面贡献度，即干流上上游断面对下游断面的贡献度。
4.根据权利要求2所述的方法，其特征在于，基于所述率定一维扩散模型，估算待测支流相邻断面贡献度包括：
基于每相邻断面的一维扩散模型估算出待测支流上污染物从上游断面扩散到下游断面的预测浓度；
获取待测支流上所述下游断面监测浓度；
基于所述待测支流上污染物从上游断面扩散到下游断面的预测浓度、所述待测支流上所述下游断面监测浓度，获取待测支流相邻断面贡献度，即待测支流上上游断面对下游断面的贡献度。
5.根据权利要求2所述的方法，其特征在于，基于所述率定一维扩散模型，估算干流与待测支流形成的汇流口处贡献度包括：
获取下游相邻断面监测值、汇流口处交汇过来的待测支流污染物监测浓度值；
基于所述率定一维扩散模型、所述下游相邻断面监测值，估算出汇流口处污染物的预测浓度值；
基于所述汇流口处污染物的预测浓度值、汇流口处交汇过来的待测支流污染物监测浓度值，获取汇流口处的贡献度。
6.根据权利要求2所述的方法，其特征在于，所述误差参数指标为相关系数或决定系数。
7.一种电子设备，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6中任一项所述的排口污染物入河断面贡献度计算方法。
8.一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6中任一项所述的排口污染物入河断面贡献度计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311395464.2A CN117371325B (zh) | 2023-10-25 | 2023-10-25 | 一种排口污染物入河断面贡献度计算方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311395464.2A CN117371325B (zh) | 2023-10-25 | 2023-10-25 | 一种排口污染物入河断面贡献度计算方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117371325A true CN117371325A (zh) | 2024-01-09 |
| CN117371325B CN117371325B (zh) | 2024-06-07 |
Family
ID=89388884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311395464.2A Active CN117371325B (zh) | 2023-10-25 | 2023-10-25 | 一种排口污染物入河断面贡献度计算方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117371325B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689399A (zh) * | 2024-01-31 | 2024-03-12 | 四川省生态环境科学研究院 | 一种监测指标异常升高的地表水污染源溯源方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598754A (zh) * | 2020-04-23 | 2020-08-28 | 中国地质大学（武汉） | 基于水质模型的河网区水质断面污染贡献率核算方法 |
| CN113139756A (zh) * | 2020-10-20 | 2021-07-20 | 中科三清科技有限公司 | 污染源排污敏感性评估方法及装置 |
| CN113240203A (zh) * | 2021-06-16 | 2021-08-10 | 生态环境部南京环境科学研究所 | 一种多污染源中小河道断面污染贡献率计算方法 |
| CN115422850A (zh) * | 2022-10-19 | 2022-12-02 | 北京云庐科技有限公司 | 基于efdc和边缘计算判断河流入河排污口污染贡献率的方法 |
| US20230054713A1 (en) * | 2021-08-16 | 2023-02-23 | Hohai University | Method for determining contribution rate of pollution load in water quality assessment section of annular river network system based on water quantity constitute |
| US20230080455A1 (en) * | 2021-09-16 | 2023-03-16 | Tongji University | Grid-based source-tracing method and system for sewage outfalls, and storage medium |
| KR102584619B1 (ko) * | 2023-03-23 | 2023-10-05 | 대한민국 | 분포형 모델이 적용된 수리수문 해석 기반 수질오염 사고 예측 시스템 |
-
2023
- 2023-10-25 CN CN202311395464.2A patent/CN117371325B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598754A (zh) * | 2020-04-23 | 2020-08-28 | 中国地质大学（武汉） | 基于水质模型的河网区水质断面污染贡献率核算方法 |
| CN113139756A (zh) * | 2020-10-20 | 2021-07-20 | 中科三清科技有限公司 | 污染源排污敏感性评估方法及装置 |
| CN113240203A (zh) * | 2021-06-16 | 2021-08-10 | 生态环境部南京环境科学研究所 | 一种多污染源中小河道断面污染贡献率计算方法 |
| US20230054713A1 (en) * | 2021-08-16 | 2023-02-23 | Hohai University | Method for determining contribution rate of pollution load in water quality assessment section of annular river network system based on water quantity constitute |
| US20230080455A1 (en) * | 2021-09-16 | 2023-03-16 | Tongji University | Grid-based source-tracing method and system for sewage outfalls, and storage medium |
| CN115422850A (zh) * | 2022-10-19 | 2022-12-02 | 北京云庐科技有限公司 | 基于efdc和边缘计算判断河流入河排污口污染贡献率的方法 |
| KR102584619B1 (ko) * | 2023-03-23 | 2023-10-05 | 대한민국 | 분포형 모델이 적용된 수리수문 해석 기반 수질오염 사고 예측 시스템 |
Non-Patent Citations (4)
| Title |
|---|
| TAO ZHANG 等: "The quantitative response of pollutant spatial distribution and mixing dynamics to confluent conditions in an asymmetric open-channel confluence", JOURNAL OF HYDROLOGY, vol. 620, 5 April 2023 (2023-04-05), pages 1 - 12, XP087311287, DOI: 10.1016/j.jhydrol.2023.129479 * |
| YONGGUI WANG 等: "Pollution source identification and abatement for water quality sections in Huangshui River basin, China", JOURNAL OF ENVIRONMENTAL MANAGEMENT, vol. 344, 15 June 2023 (2023-06-15), pages 1 - 12 * |
| 张学慧: "汾河水库流域非点源特征及污染贡献模拟研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑, 15 August 2016 (2016-08-15), pages 027 - 345 * |
| 邱瑀 等: "湟水河流域水质时空变化特征及其污染源解析", 环境科学学报, vol. 37, no. 8, 15 March 2017 (2017-03-15), pages 2829 - 2837 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689399A (zh) * | 2024-01-31 | 2024-03-12 | 四川省生态环境科学研究院 | 一种监测指标异常升高的地表水污染源溯源方法及系统 |
| CN117689399B (zh) * | 2024-01-31 | 2024-04-12 | 四川省生态环境科学研究院 | 一种监测指标异常升高的地表水污染源溯源方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117371325B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Azimi et al. | A highly efficient gene expression programming model for predicting the discharge coefficient in a side weir along a trapezoidal canal | |
| CN117371325B (zh) | 一种排口污染物入河断面贡献度计算方法、设备及介质 | |
| Ebtehaj et al. | Gene expression programming to predict the discharge coefficient in rectangular side weirs | |
| Azamathulla et al. | Genetic programming for predicting longitudinal dispersion coefficients in streams | |
| CN111898691A (zh) | 一种河流突发水污染预警溯源方法、系统、终端及介质 | |
| KR102210698B1 (ko) | 하천 유해화학물질 유출 시나리오 기반 기계학습모형과 재귀적 특징 제거법을 결합한 화학사고 발생원 역추적 방법 | |
| Khozani et al. | An analysis of shear stress distribution in circular channels with sediment deposition based on Gene Expression Programming | |
| CN111598754B (zh) | 基于水质模型的河网区水质断面污染贡献率核算方法 | |
| CN111811580A (zh) | 一种水量/水质监测布点方法及预警响应系统 | |
| Memarzadeh et al. | A novel equation for longitudinal dispersion coefficient prediction based on the hybrid of SSMD and whale optimization algorithm | |
| Sandoval et al. | The evaluation of rainfall influence on combined sewer overflows characteristics: the Berlin case study | |
| CN112348290B (zh) | 河流水质预测方法、装置、存储介质及设备 | |
| CN117195135B (zh) | 一种水污染异常溯源检测方法及系统 | |
| CN114638114A (zh) | 一种面向水污染溯源的应急监测方法和溯源方法 | |
| CN115561421B (zh) | 一种污染源确定方法、装置、设备及存储介质 | |
| CN117391463A (zh) | 一种河流污染的溯源方法 | |
| Lin et al. | A novel efficient model for gas compressibility factor based on GMDH network | |
| Zadeh et al. | A fast and effective parameterization of water quality models. | |
| Li et al. | System response curve correction method of runoff error for real-time flood forecast | |
| Ribeiro et al. | A comparative study on predicting algae blooms in Douro River, Portugal | |
| KR100888628B1 (ko) | 유관개념과 추적절차를 결합한 2차원 오염분산계수관측방법 | |
| CN113627621A (zh) | 一种面向光网络传输质量回归估计的主动学习方法 | |
| Despax et al. | Quantifying the site selection effect in the uncertainty of moving-boat ADCP discharge measurements | |
| Boshnakov et al. | Evaluation of Key Indicators Based on Automatically Measured Variables and Forecasting the Spread of Pollutants | |
| Pasandideh et al. | Modeling length of hydraulic jump on sloping rough bed using gene expression programming |
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 |