CN117649156B - 高城镇化河网全自动水环境监测方法及系统 - Google Patents
高城镇化河网全自动水环境监测方法及系统 Download PDFInfo
- Publication number
- CN117649156B CN117649156B CN202410124294.2A CN202410124294A CN117649156B CN 117649156 B CN117649156 B CN 117649156B CN 202410124294 A CN202410124294 A CN 202410124294A CN 117649156 B CN117649156 B CN 117649156B
- Authority
- CN
- China
- Prior art keywords
- data
- river
- water
- monitoring
- attenuation
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 356
- 238000012544 monitoring process Methods 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 139
- 231100000719 pollutant Toxicity 0.000 claims abstract description 139
- 238000009792 diffusion process Methods 0.000 claims abstract description 92
- 230000004927 fusion Effects 0.000 claims abstract description 40
- 238000007689 inspection Methods 0.000 claims abstract description 31
- 238000011160 research Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 69
- 238000009826 distribution Methods 0.000 claims description 39
- 238000005516 engineering process Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000005315 distribution function Methods 0.000 claims description 14
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 9
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 229930002875 chlorophyll Natural products 0.000 claims description 9
- 235000019804 chlorophyll Nutrition 0.000 claims description 9
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 229910052760 oxygen Inorganic materials 0.000 claims description 9
- 239000001301 oxygen Substances 0.000 claims description 9
- 229910052698 phosphorus Inorganic materials 0.000 claims description 9
- 239000011574 phosphorus Substances 0.000 claims description 9
- 238000003786 synthesis reaction Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000007418 data mining Methods 0.000 claims description 8
- 238000012098 association analyses Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 230000031018 biological processes and functions Effects 0.000 claims description 4
- 238000010224 classification analysis Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 241001465754 Metazoa Species 0.000 description 6
- 241000195493 Cryptophyta Species 0.000 description 5
- 239000000356 contaminant Substances 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- -1 flow rate Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000001970 hydrokinetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004379 similarity theory Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种高城镇化河网全自动水环境监测方法及系统,包括采集高城镇区域的研究数据,研究数据至少包括河网数据、水质数据和水动力数据,基于河网数据构建河网水系拓扑;基于研究数据构建高城镇区域的物理模型和数字模型,通过数字模型模拟计算污染物的衰减扩散距离并通过物理模型验证;读取研究数据,分析水质数据并验证污染物衰减扩散距离,提取污染物衰减扩散路径并聚类,根据聚类结果优化水环境监测点位置和巡检路径;布设微型监测站和设置无人机巡检路径,获取实时水环境监测数据并进行数据融合。通过对衰减扩散路径进行分析研究,有效地提高了城镇化河网的水环境监测效率和数据质量,为水质监测和有序引排方案提供技术支撑。
Description
技术领域
本发明涉及水文水动力技术,尤其是一种高城镇化河网全自动水环境监测方法及系统。
背景技术
随着城市化进程的加快,城市河网的水环境面临一些挑战。城市河网是城市生态系统的重要组成部分,对于城市的水资源保障、洪水调节、生态修复、景观美化等方面具有重要的作用。为了有效地保护和改善城市河网的水环境,需要对城市河网的水环境进行全面、准确、实时的监测,以获取水环境的基础数据,分析水环境的变化趋势,评价水环境的质量状况,指导水环境的治理和管理。
传统的水环境监测方法主要依赖于人工采样和实验室分析,这种方法存在着很多缺点,如监测频率低、监测范围小、监测成本高、监测效率低、监测数据时效性差等。为了克服这些缺点,近年来,高城镇化河网全自动水环境监测方法逐渐引起了国内外的关注和研究。这种方法利用现代信息技术和传感技术,通过布设水环境自动监测站或微站,实现对城市河网的水质、水量、水流、水生态等多个参数的连续、在线、实时的监测,通过无线通信技术,将监测数据实时传输到监测中心,通过大数据分析技术,对监测数据进行处理、分析、评价、预警等,为城市河网的水环境管理提供科学依据和技术支持。
尽管目前的全自动水环境监测技术已经取得了一定的进展,但仍然存在一些问题和挑战,包括:监测数据的准确性和可靠性仍需提高。影响数据质量的因素包括监测设备的性能、环境条件的变化以及数据处理算法的准确性等。监测系统的集成性和智能化水平有待进一步提升。数据收集和处理过程中的延迟可能影响决策的时效性。现有技术在生态系统复杂性和生物多样性监测方面仍有待提高。目前的监测系统往往仍需人工干预进行数据分析和决策,缺乏足够的自主判断和响应能力。
因此,需要进一步的研发和创新。
发明内容
发明目的,提供一种高城镇化河网全自动水环境监测方法及系统,以解决现有技术存在的上述问题。
技术方案,根据本申请的一个方面,提供一种高城镇化河网全自动水环境监测方法,包括如下步骤:
步骤S1、采集高城镇区域的研究数据,研究数据至少包括河网数据、水质数据和水动力数据,基于河网数据构建河网水系拓扑;
步骤S2、基于研究数据构建高城镇区域的物理模型和数字模型,通过数字模型模拟计算污染物的衰减扩散距离并通过物理模型验证;
步骤S3、读取研究数据,分析水质数据并验证污染物衰减扩散距离,提取污染物衰减扩散路径并聚类,根据聚类结果优化水环境监测点位置和巡检路径;
步骤S4、布设微型监测站和设置无人机巡检路径,获取实时水环境监测数据并进行数据融合。
根据本申请的一个方面,步骤S1进一步包括:
步骤S11、读取高城镇区域的DEM数据,并采用搭载高分辨率相机和激光雷达的无人机对高城镇区域的河网进行遥感拍摄,获取河流的位置、形态、宽度、长度和分支,修正河网的数字高程模型和正射影像,获得符合标准的河网数据;
步骤S12、获取高城镇区域各个河网的水质监测数据,并采用搭载水质传感器和水声传感器的无人船对河流水体进行自主采样和监测,获取河流各个深度的水质参数和水动力参数,水质参数包括温度、pH、溶解氧、电导率、浊度、氨氮、总磷和叶绿素,水动力参数包括流速、水深和水位;
步骤S13、对研究数据进行优化和修正,并根据河流的水质和水动力参数对河流的属性进行更新和调整,形成河网水系的基础拓扑框架和动态拓扑数据。
根据本申请的一个方面,所述步骤S2进一步为:
步骤S21、基于河网水系的动态拓扑数据库,构建高城镇区域的河网水环境的数字模型,包括河流水质模型、河流水动力模型和河流水生态模型,分别描述河流水体的物理、化学和生物过程;
步骤S22、采用随机模拟方法生成河网水系拓扑中各点的预定污染浓度的模拟数据;基于河网水环境的数字模型,模拟计算污染物的衰减扩散距离,考虑污染物的来源、性质、浓度、排放量和排放方式,以及河流水体的流速、流量、水深、水温、水质和水生态,得到污染物的衰减扩散曲线和区域;
步骤S23、基于相似理论构建预定尺寸缩小的、高城镇区域的河网水环境的物理模型,以用于模拟河流水体的特性和过程;
步骤S24、基于河网水环境的物理模型,验证污染物的衰减扩散距离,用不同的污染物材料模拟污染物的排放,观察和测量污染物在物理模型中的衰减扩散过程,与数字模型的结果进行对比和分析。
根据本申请的一个方面,所述步骤S3进一步为:
步骤S31、读取无人机、无人船和监测站采集的水质数据,对水质数据进行预处理,包括数据清洗、数据校验、数据插补和数据平滑,消除数据的噪声和误差;
步骤S32、利用聚类分析和关联分析从水质数据中提取出污染物的特征和规律,并与数字模型和物理模型的结果进行对比和验证,验证污染物衰减扩散距离,评估污染物的衰减扩散距离的准确性和可信度;
步骤S33、从污染物的衰减扩散曲线和区域中提取出污染物的衰减扩散路径,并根据衰减扩散路径的长度、方向和分布,将衰减扩散路径进行聚类,形成不同的污染物衰减扩散路径类别;衰减扩散路径是污染物从排放点到达不同水质等级的河段的平均路径;
步骤S34、根据聚类结果优化水环境监测点位置和巡检路径,利用数据挖掘和机器学习的方法,根据污染物衰减扩散路径类别的特征和规律,确定水环境监测点的最优位置,使监测点能够覆盖不同的污染物衰减扩散路径类别,同时考虑监测点的数量、分布和成本,使监测点的布设合理和经济;并根据监测点的位置,规划无人机的巡检路径。
根据本申请的一个方面,所述步骤S4进一步为:
步骤S41、根据水环境监测点的最优位置,布设水环境自动监测站;
步骤S42、根据无人机和无人船巡检路径,设置无人机的行驶速度、方向、高度和载荷,以及无人机的模式,使无人机能够按照预设的时间间隔,对监测点进行巡检;无人机和无人船在巡检过程中,对河流水环境进行在线采集,并将数据存储在无人机和无人船的内存中;
步骤S43、监测站根据设定的时间间隔,对河流水环境的水质、水量和水生态参数进行自动采集,并将数据存储在监测站的内存中;
步骤S44、每个监测站和无人机都根据设定的时间间隔,利用4G、5G或卫星通信技术,将内存中的数据实时或定时传输到云端服务器,供后续的数据处理和分析使用;
步骤S45、云端服务器利用数据融合算法,将不同来源的数据进行融合,形成对河流水环境的综合监测和评价结果。
根据本申请的一个方面,所述步骤S34包括:
步骤S341、根据聚类结果确定水环境监测点的最优位置,利用数据挖掘和机器学习的方法根据污染物衰减扩散路径类别的特征和规律,包括长度、方向、分布和影响范围;选择最能代表不同类别的路径的中心点或关键点,作为水环境监测点的最优位置,使监测点能够覆盖不同的污染物衰减扩散路径类别,同时考虑监测点的数量、分布和成本,使监测点的布设合理和经济;
步骤S342、根据监测点的位置规划无人机的巡检路径,利用聚类分析、关联分析和分类分析根据监测点的位置、属性和状态信息,以及无人机和无人船的性能、续航和载荷,设计无人机和无人船的巡检路径,使无人机和无人船能够按照预设的时间间隔,对监测点进行定期或不定期的巡检,获取监测点的实时数据和图像,并通过无线通信技术将数据和图像传输到云端服务器。
根据本申请的一个方面,所述步骤S45中的数据融合的过程包括:
步骤S451、确定数据融合后可能出现的所有河流水质等级,构成一个有限的互斥的集合;
步骤S452、根据数据源的观测结果和专家知识,给每个河流水质等级赋予一个基本概率分配函数;
步骤S453、根据数据源之间的相关性和可靠性,给每个河流水质等级赋予一个信度函数和一个似然函数,并作为分配证据,表示对该河流水质等级的支持程度和相似程度;
步骤S454、利用DS证据理论的合成规则,将各个数据源的分配证据进行组合,得到一个综合的信度函数和似然函数,根据它们的大小,决定数据融合的最终结果,即选择信度最大或似然最大的河流水质等级作为数据融合的输出。
根据本申请的一个方面,所述步骤S4还包括步骤S46、对污染物溯源分析,
步骤S461、读取各个站点的水质监测数据,获得污染物的浓度、组成和同位素比值,形成污染物的指纹特征;
步骤S462、调取对应污染物的衰减扩散路径数据,计算污染物的传输路径与已知的污染源的海森堡距离,即根据两条曲线或形状之间的最大距离,衡量它们的相似度,越小的海森堡距离表示越高的相似度,分析和确认污染物扩散的时空分布演变过程;
步骤S463、根据海森堡距离的大小,确定污染物的最可能的来源和传播路径,即选择海森堡距离最小的污染源作为污染物的溯源结果,同时给出溯源的置信度和误差范围。
根据本申请的一个方面,所述步骤S22还包括:
步骤S221、获取水动力数据,并进行聚类,提取各个典型时期内各个时段的典型水动力周期;
步骤S222、针对每个典型水动力周期,对模拟参数进行预处理,形成模拟数据集;
步骤S223、依序采用模拟数据集,模拟计算污染物衰减扩散路径,形成各个典型时期内各个时段下的污染物衰减扩散路径。
根据本申请的另一个方面,提供一种高城镇化河网全自动水环境监测系统,其特征在于,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述任一项技术方案所述的高城镇化河网全自动水环境监测方法。
有益效果,通过物理模型和数字模型相结合,模拟计算污染物的衰减扩散距离,并通过实验验证模拟结果的准确性,减少布点,同时通过检测点的时空拓扑关系来相互验证,提高了效率和准确性。根据污染物的衰减扩散路径进行聚类,优化了水环境监测点的位置和无人机的巡检路径,提高了监测的覆盖率和灵敏度;采用数据融合算法,将不同来源的数据进行融合,形成对河流水环境的综合监测和评价结果,提高了数据的可靠性和有效性;采用了海森堡距离的方法,对污染物进行溯源分析,确定污染物的最可能的来源和传播路径,为水环境治理提供了参考。相关技术效果,将在下文结合具体实施例进行描述。
附图说明
图1是本发明的流程图。
图2是本发明步骤S1的流程图。
图3是本发明步骤S2的流程图。
图4是本发明步骤S3的流程图。
图5是本发明步骤S4的流程图。
具体实施方式
如图1所示,提供一种高城镇化河网全自动水环境监测方法,包括如下步骤:
步骤S1、采集高城镇区域的研究数据,研究数据至少包括河网数据、水质数据和水动力数据,基于河网数据构建河网水系拓扑;
步骤S2、基于研究数据构建高城镇区域的物理模型和数字模型,通过数字模型模拟计算污染物的衰减扩散距离并通过物理模型验证;
步骤S3、读取研究数据,分析水质数据并验证污染物衰减扩散距离,提取污染物衰减扩散路径并聚类,根据聚类结果优化水环境监测点位置和巡检路径;
步骤S4、布设微型监测站和设置无人机巡检路径,获取实时水环境监测数据并进行数据融合。
通过基于河网水系的动态拓扑数据库,构建了河网水环境的物理模型和数字模型,模拟和验证了污染物的衰减扩散距离,考虑了污染物的来源、性质、浓度、排放量和排放方式,以及河流水体的流速、流量、水深、水温、水质和水生态等因素,提高了监测的科学性和可靠性。通过采用无人机和无人船等智能设备,实现对河网数据、水质数据和水动力数据的自主采集和监测,提高了监测的效率和准确性,降低了监测的成本和风险;通过利用4G、5G或卫星通信技术,实现对监测数据的实时或定时传输,提高了监测的时效性和连续性。通过利用聚类分析和机器学习的方法,根据污染物的衰减扩散路径的特征和规律,确定水环境监测点的最优位置,使监测点能够覆盖不同的污染物衰减扩散路径类别,同时考虑监测点的数量、分布和成本,使监测点的布设合理和经济;并根据监测点的位置,规划无人机的巡检路径,使无人机能够按照预设的时间间隔,对监测点进行定期或不定期的巡检,获取监测点的实时数据和图像。通过利用数据融合算法,将来自无人机、无人船、监测站等不同来源的监测数据进行融合和分析,形成对河流水环境的综合监测和评价结果,包括水质、水量和水生态等多维度的评价指标,提高了监测的全面性和客观性。通过利用海森堡距离和指纹特征,对污染物进行溯源分析,确定污染物的最可能的来源和传播路径,给出溯源的置信度和误差范围,提高了监测的针对性。
如图2所示,根据本申请的一个方面,步骤S1进一步包括:
步骤S11、读取高城镇区域的DEM数据,并采用搭载高分辨率相机和激光雷达的无人机对高城镇区域的河网进行遥感拍摄,获取河流的位置、形态、宽度、长度和分支,修正河网的数字高程模型和正射影像,获得符合标准的河网数据;
从地理信息系统(比如NGIS)中下载高城镇区域的DEM数据,该数据是以栅格格式存储的地形高程信息,每个栅格单元的大小为30 m×30 m,数据范围为东经113.5°至114.5°,北纬22.5°至23.5°,共有3600×3600个栅格单元,每个单元的高程值为米。
使用无人机对高城镇区域的河网进行遥感拍摄,无人机的飞行高度为100 m,飞行速度为10 m/s,相机的分辨率为4000×3000像素,视场角为60°,激光雷达的扫描频率为10Hz,扫描角度为±15°,每次扫描获取的点云数量为300个。无人机按照预设的航线和航点进行飞行,每隔100 m拍摄一张照片,每隔10 m扫描一次激光雷达,将拍摄的照片和扫描的点云实时传输到边缘端的数据中心。
使用遥感影像处理软件,如ENVI或ERDAS,对无人机拍摄的照片进行几何校正、辐射校正、拼接和裁剪,生成高城镇区域的河网正射影像,该影像的分辨率为0.1 m×0.1 m,数据范围与DEM数据一致,共有360000×360000个像素,每个像素的颜色值为RGB三个通道的数值。使用激光雷达数据处理软件,如LAStools或CloudCompare,对无人机扫描的点云进行滤波、配准、分类和裁剪,生成高城镇区域的河网数字高程模型,该模型的分辨率为0.1 m×0.1 m,数据范围与DEM数据一致,共有360000×360000个栅格单元,每个单元的高程值为米。使用GIS软件,如ArcGIS或QGIS,对河网数字高程模型和正射影像进行叠加和分析,提取河流的位置、形态、宽度、长度和分支等属性信息,生成河网矢量数据,该数据是以线要素的形式存储的河流几何信息,每条河流由若干个节点和弧段组成,每个节点和弧段都有相应的属性值,如坐标、高程、宽度、长度、方向、分支等。使用GIS软件,对河网矢量数据和DEM数据进行比较和修正,消除河流的位置偏差、形态失真、宽度误差等问题,获得符合标准的河网数据,该数据是以线要素的形式存储的河流几何信息,与河网矢量数据的格式相同,但具有更高的精度和可靠性。
步骤S12、获取高城镇区域各个河网的水质监测数据,并采用搭载水质传感器和水声传感器的无人船对河流水体进行自主采样和监测,获取河流各个深度的水质参数和水动力参数,水质参数包括温度、pH、溶解氧、电导率、浊度、氨氮、总磷和叶绿素,水动力参数包括流速、水深和水位;
从国家环境监测总站的网站上下载高城镇区域各个河网的水质监测数据,该数据是以表格格式存储的水质参数信息,每个表格包含了一个河网的一个监测点的一个时间段的水质数据,每行记录了一个时间点的水质参数值,包括温度、pH、溶解氧、电导率、浊度、氨氮、总磷和叶绿素,每个参数的单位为℃、无量纲、mg/L、μS/cm、NTU、mg/L、mg/L和μg/L。使用无人船对高城镇区域的河流水体进行自主采样和监测,无人船的航行速度为5 m/s,航行深度为0.5 m,水质传感器和水声传感器的采样频率为1 Hz,每秒获取一次水质参数和水动力参数的值。无人船按照预设的航线和航点进行航行,每隔100 m停靠一次,每次停靠时,水质传感器和水声传感器分别沉降到不同的深度,从表层到底层,每隔0.5 m采样一次,获取河流各个深度的水质参数和水动力参数的值,将采样的数据实时传输到边缘端的数据中心。使用数据分析软件,如MATLAB或R,对无人船采样的数据进行质量控制、统计分析和可视化,生成高城镇区域各个河网的水质参数和水动力参数的空间分布图、时间变化图和垂向剖面图,反映河流水体的水质状况和水动力特征。
步骤S13、对研究数据进行优化和修正,并根据河流的水质和水动力参数对河流的属性进行更新和调整,形成河网水系的基础拓扑框架和动态拓扑数据。
使用GIS软件,根据河流的水质和水动力参数对河流的属性进行更新和调整,如根据水质参数划分河流的水质类别,根据水动力参数划分河流的流态类型,根据水位变化划分河流的水位区间,生成河网水系的动态拓扑数据,该数据是以线要素的形式存储的河流属性信息,与河网数据的格式相同,但增加了水质类别、流态类型、水位区间等属性值。使用GIS软件,将河网数据和河网水系的动态拓扑数据进行叠加和分析,形成河网水系的基础拓扑框架,该框架是以网络的形式存储的河流拓扑信息,每个节点和弧段都有相应的拓扑关系,如连接关系、邻接关系、包含关系等,为后续的水环境模拟和分析提供基础数据。
如图3所示,根据本申请的一个方面,所述步骤S2进一步为:
步骤S21、基于河网水系的动态拓扑数据库,构建高城镇区域的河网水环境的数字模型,包括河流水质模型、河流水动力模型和河流水生态模型,分别描述河流水体的物理、化学和生物过程;
从河网水系的动态拓扑数据库中读取河流的几何属性、水质属性、水动力属性和水位区间等信息,作为数字模型的输入数据,该数据库是以线要素的形式存储的河流属性信息,每条河流由若干个节点和弧段组成,每个节点和弧段都有相应的属性值,如坐标、高程、宽度、长度、方向、分支、水质类别、流态类型、水位区间等。使用水环境模拟软件,如MIKE或EFDC,对高城镇区域的河网水环境进行数字模拟,分别建立河流水质模型、河流水动力模型和河流水生态模型,描述河流水体的物理、化学和生物过程,如温度、pH、溶解氧、电导率、浊度、氨氮、总磷、叶绿素、流速、水深、水位、藻类、浮游动物、底栖动物等。河流水质模型采用反应-扩散方程,考虑水体中的物质质量守恒和物质之间的化学反应,河流水动力模型采用圣维南方程,考虑水体中的动量守恒和水体受到的重力、摩擦、科氏力等作用,河流水生态模型采用生态动力学方程,考虑水体中的生物量守恒和生物之间的营养关系。根据模拟目的和精度要求,设置模拟的时间步长、空间网格、边界条件、初始条件、参数值等,运行数字模型,生成高城镇区域的河网水环境的模拟结果,该结果是以栅格格式存储的河流水质、水动力和水生态参数的时空分布信息,每个栅格单元的大小为0.1 m×0.1 m,每个单元的参数值为温度、pH、溶解氧、电导率、浊度、氨氮、总磷、叶绿素、流速、水深、水位、藻类、浮游动物、底栖动物等。
步骤S22、采用随机模拟方法生成河网水系拓扑中各点的预定污染浓度的模拟数据;基于河网水环境的数字模型,模拟计算污染物的衰减扩散距离,考虑污染物的来源、性质、浓度、排放量和排放方式,以及河流水体的流速、流量、水深、水温、水质和水生态,得到污染物的衰减扩散曲线和区域;
使用随机模拟软件,如@RISK或Crystal Ball,对河网水系拓扑中各点的预定污染浓度进行随机模拟,生成模拟数据,该数据是以表格格式存储的污染物浓度信息,每个表格包含了一个河网的一个节点的一个时间段的污染物浓度数据,每行记录了一个时间点的污染物浓度值,包括温度、pH、溶解氧、电导率、浊度、氨氮、总磷、叶绿素、藻类、浮游动物、底栖动物等,每个参数的单位为℃、无量纲、mg/L、μS/cm、NTU、mg/L、mg/L、μg/L、mg/L、mg/L、mg/L等。使用河网水环境的数字模型,对污染物的衰减扩散过程进行模拟计算,考虑污染物的来源、性质、浓度、排放量和排放方式,以及河流水体的流速、流量、水深、水温、水质和水生态,得到污染物的衰减扩散曲线和区域,该曲线是以图形格式显示的污染物浓度随时间和空间的变化关系,该区域是以多边形要素的形式存储的污染物超标的范围和程度,每个多边形都有相应的属性值,如面积、周长、污染物种类、污染物浓度等。
步骤S23、基于相似理论构建预定尺寸缩小的、高城镇区域的河网水环境的物理模型,以用于模拟河流水体的特性和过程;
根据相似理论,确定物理模型的相似准则、相似比例和相似参数,如雷诺数、弗劳德数、斯特劳哈尔数等,保证物理模型与原型之间的几何相似、运动相似和力学相似,选择合适的材料和设备,构建预定尺寸缩小的、高城镇区域的河网水环境的物理模型,该模型是以实物的形式模拟的河流水体的特性和过程,包括河流的形状、尺寸、坡度、曲率、分支、水流的速度、方向、压力、温度、密度、粘度等。根据物理模型的尺寸和条件,设置实验的水位、流量、温度、污染物浓度等,使用水文水力仪器,如流速计、水深计、水温计、水质仪等,对物理模型进行实验观测和数据采集,生成物理模型的实验结果,该结果是以表格格式存储的河流水质、水动力和水生态参数的时空分布信息。每个表格包含了一个河流的一个断面的一个时间点的参数值,包括温度、pH、溶解氧、电导率、浊度、氨氮、总磷、叶绿素、流速、水深、水位、藻类、浮游动物、底栖动物等,每个参数的单位为'℃、无量纲、mg/L、uS/cm、NTU、mg/L、mg/L、ug/L、m/s、m、m、mg/L、mg/L、mg/L等。
步骤S24、基于河网水环境的物理模型,验证污染物的衰减扩散距离,用不同的污染物材料模拟污染物的排放,观察和测量污染物在物理模型中的衰减扩散过程,与数字模型的结果进行对比和分析。
选择不同的污染物材料,如染料、油漆、沙子等,模拟污染物的排放,设置不同的排放位置、方式、量和时间,用注射器、泵或其他装置将污染物材料注入物理模型中的河流水体,观察和记录污染物在物理模型中的衰减扩散过程,如污染物的颜色、形状、大小、分布、移动方向、速度等。使用水文水力仪器,如流速计、水深计、水温计、水质仪等,对物理模型中的污染物进行定点或沿线的采样和测量,获取污染物的浓度、温度、流速、水深等参数值,以表格格式存储和展示,每个表格包含了一个河流的一个断面的一个时间点的参数值,包括温度、pH、溶解氧、电导率、浊度、氨氮、总磷、叶绿素、流速、水深、水位、藻类、浮游动物、底栖动物等,每个参数的单位为℃、无量纲、mg/L、μS/cm、NTU、mg/L、mg/L、μg/L、m/s、m、m、mg/L、mg/L、mg/L等。
将物理模型的实验结果与数字模型的模拟结果进行对比和分析,评价两者之间的一致性和差异性,检验数字模型的正确性和可靠性,找出数字模型的优缺点和改进方向,为数字模型的参数优化和校正提供依据。
所述步骤S22还包括:
步骤S221、获取水动力数据,并进行聚类,提取各个典型时期内各个时段的典型水动力周期;
步骤S222、针对每个典型水动力周期,对模拟参数进行预处理,形成模拟数据集;
步骤S223、依序采用模拟数据集,模拟计算污染物衰减扩散路径,形成各个典型时期内各个时段下的污染物衰减扩散路径。
如图4所示,根据本申请的一个方面,所述步骤S3进一步为:
步骤S31、读取无人机、无人船和监测站采集的水质数据,对水质数据进行预处理,包括数据清洗、数据校验、数据插补和数据平滑,消除数据的噪声和误差,提高数据的质量和可靠性,为后续的数据分析和应用打下基础。
步骤S32、利用聚类分析和关联分析从水质数据中提取出污染物的特征和规律,并与数字模型和物理模型的结果进行对比和验证,验证污染物衰减扩散距离,评估污染物的衰减扩散距离的准确性和可信度;
步骤S33、从污染物的衰减扩散曲线和区域中提取出污染物的衰减扩散路径,并根据衰减扩散路径的长度、方向和分布,将衰减扩散路径进行聚类,形成不同的污染物衰减扩散路径类别;衰减扩散路径是污染物从排放点到达不同水质等级的河段的平均路径;
步骤S34、根据聚类结果优化水环境监测点位置和巡检路径,利用数据挖掘和机器学习的方法,根据污染物衰减扩散路径类别的特征和规律,确定水环境监测点的最优位置,使监测点能够覆盖不同的污染物衰减扩散路径类别,同时考虑监测点的数量、分布和成本,使监测点的布设合理和经济;并根据监测点的位置,规划无人机的巡检路径。
所述步骤S34包括:
步骤S341、根据聚类结果确定水环境监测点的最优位置,利用数据挖掘和机器学习的方法根据污染物衰减扩散路径类别的特征和规律,包括长度、方向、分布和影响范围;选择最能代表不同类别的路径的中心点或关键点,作为水环境监测点的最优位置,使监测点能够覆盖不同的污染物衰减扩散路径类别,同时考虑监测点的数量、分布和成本,使监测点的布设合理和经济;
步骤S342、根据监测点的位置规划无人机的巡检路径,利用聚类分析、关联分析和分类分析根据监测点的位置、属性和状态信息,以及无人机和无人船的性能、续航和载荷,设计无人机和无人船的巡检路径,使无人机和无人船能够按照预设的时间间隔,对监测点进行定期或不定期的巡检,获取监测点的实时数据和图像,并通过无线通信技术将数据和图像传输到云端服务器。
在本实施例中,充分利用了无人机、无人船和监测站等多种监测手段,实现了高城镇化河网水环境的全覆盖、全时段、全要素的监测,提高了监测的广度和深度;同时,通过利用数据挖掘和机器学习等先进的数据分析和应用技术,实现了水环境质量的智能化、精准化、动态化的监测,提高了监测的精度和灵敏度;此外,通过优化水环境监测点位置和巡检路径,实现了水环境质量的高效率、低成本、可持续的监测,提高了监测的经济性和可持续性。将污染物的衰减扩散过程和影响范围作为水环境监测的重要内容,通过提取污染物的衰减扩散路径,并进行聚类分析,形成了不同的污染物衰减扩散路径类别,为水环境监测点位置的优化提供了依据,实现了对水环境风险的有效识别和预警。将数据挖掘和机器学习等先进的数据分析和应用技术引入水环境监测领域,通过利用聚类分析、关联分析、分类分析等方法,从水质数据中提取出污染物的特征和规律,并与数字模型和物理模型的结果进行对比和验证,实现了水环境质量的科学评价和精准管理。
如图5所示,根据本申请的一个方面,所述步骤S4进一步为:
步骤S41、根据水环境监测点的最优位置,布设水环境自动监测站;
步骤S42、根据无人机和无人船巡检路径,设置无人机的行驶速度、方向、高度和载荷,以及无人机的模式,使无人机能够按照预设的时间间隔,对监测点进行巡检;无人机和无人船在巡检过程中,对河流水环境进行在线采集,并将数据存储在无人机和无人船的内存中;
步骤S43、监测站根据设定的时间间隔,对河流水环境的水质、水量和水生态参数进行自动采集,并将数据存储在监测站的内存中;
步骤S44、每个监测站和无人机都根据设定的时间间隔,利用4G、5G或卫星通信技术,将内存中的数据实时或定时传输到云端服务器,供后续的数据处理和分析使用;
步骤S45、云端服务器利用数据融合算法,将不同来源的数据进行融合,形成对河流水环境的综合监测和评价结果。
所述步骤S45中的数据融合的过程包括:
步骤S451、确定数据融合后可能出现的所有河流水质等级,构成一个有限的互斥的集合;
步骤S452、根据数据源的观测结果和专家知识,给每个河流水质等级赋予一个基本概率分配函数;
步骤S453、根据数据源之间的相关性和可靠性,给每个河流水质等级赋予一个信度函数和一个似然函数,并作为分配证据,表示对该河流水质等级的支持程度和相似程度;
步骤S454、利用DS证据理论的合成规则,将各个数据源的分配证据进行组合,得到一个综合的信度函数和似然函数,根据它们的大小,决定数据融合的最终结果,即选择信度最大或似然最大的河流水质等级作为数据融合的输出。
在本实施例中,由于河流水质的观测结果可能存在误差,噪声,缺失或冲突,因此需要一种能够处理不确定性和不完备性的数据融合方法。而DS证据理论可以在不确定性和不完备性的情况下,给出一个合理的概率分配,反映出不同数据源的信任度,支持度和相似度。通过将来自不同数据源的信息进行融合,消除了不一致性和不确定性,得到了一个更准确和完整的河流水质等级判断。
由于河流水质的观测结果可能不足以判断河流水质的等级,因此需要一种能够利用专家知识的数据融合方法。而DS证据理论可以将专家知识作为一种数据源,给出一个基本概率分配函数,反映出专家对不同河流水质等级的信任度。通过利用专家知识和考虑数据源的相关性和可靠性,增加了河流水质等级判断的可信度和可靠度,减少了误判的可能性。
由于不同数据源的观测结果可能存在相关性和可靠性的差异,因此需要一种能够考虑数据源的相关性和可靠性的数据融合方法。而DS证据理论可以根据数据源之间的相关性和可靠性,给出一个信度函数和一个似然函数,反映出数据源对不同河流水质等级的支持度和相似度。通过利用DS证据理论的合成规则,简化了数据融合的计算过程,提高了数据融合的效率和效果,节省了时间和资源。
步骤S46、对污染物溯源分析,
步骤S461、读取各个站点的水质监测数据,获得污染物的浓度、组成和同位素比值,形成污染物的指纹特征;目的是为了区分不同类型和来源的污染物,利用污染物的物理和化学特性,对污染物进行分类和识别。
步骤S462、调取对应污染物的衰减扩散路径数据,计算污染物的传输路径与已知的污染源的海森堡距离,即根据两条曲线或形状之间的最大距离,衡量它们的相似度,越小的海森堡距离表示越高的相似度,分析和确认污染物扩散的时空分布演变过程;该步骤的目的是确定污染物的传播轨迹,利用污染物的动力学特性,对污染物的运移和变化进行追踪和模拟。
步骤S463、根据海森堡距离的大小,确定污染物的最可能的来源和传播路径,即选择海森堡距离最小的污染源作为污染物的溯源结果,同时给出溯源的置信度和误差范围。该步骤是为了确定污染物的源头,利用污染物的指纹特征和传输路径,对污染物的溯源进行推断和评估。
利用无人机和无人船作为移动监测平台,能够覆盖河流的水面、水下和空中等多个维度,实现对河流水环境的立体化监测,同时还能够根据水流的变化和污染物的扩散,动态调整巡检路径和采样点,提高监测的灵活性和适应性。结合水环境自动监测站、无人机和无人船的多源数据,能够实现对河流水环境的水质、水量和水生态等多个参数的综合监测,同时还能够利用无人机和无人船的载荷设备,对河流的水文地貌、水生植物和水生动物等进行影像采集和识别,形成对河流水环境的全面描述和评价。利用4G、5G或卫星通信技术,能够实现对水环境自动监测站、无人机和无人船的数据的实时或定时传输,将数据上传到云端服务器,供后续的数据处理和分析使用,大大缩短了监测数据的获取和反馈的时间,提高了监测的时效性和准确性。利用数据融合算法,能够将不同来源的数据进行融合,利用DS证据理论的合成规则,将各个数据源的分配证据进行组合,得到一个综合的信度函数和似然函数,根据它们的大小,决定数据融合的最终结果,即选择信度最大或似然最大的河流水质等级作为数据融合的输出,有效地消除了数据的不一致性和不确定性,提高了数据的可信度和稳定性。利用污染物溯源分析,能够根据各个站点的水质监测数据,获得污染物的浓度、组成和同位素比值,形成污染物的指纹特征,同时调取对应污染物的衰减扩散路径数据,计算污染物的传输路径与已知的污染源的海森堡距离,即根据两条曲线或形状之间的最大距离,衡量它们的相似度,越小的海森堡距离表示越高的相似度,分析和确认污染物扩散的时空分布演变过程,根据海森堡距离的大小,确定污染物的最可能的来源和传播路径,为水环境治理和保护提供科学依据和技术支持。
在进一步的实施例中,数据融合的简要过程如下:
确定数据融合后可能出现的所有河流水质等级,构成一个有限的互斥的集合:这一步是为了定义数据融合的假设空间,即数据融合的输出可能是哪些河流水质等级。例如,假设河流水质等级有五个,分别是优、良、中、差、劣,那么这五个等级就构成了一个有限的互斥的集合,表示数据融合的输出只能是其中的一个等级。
根据数据源的观测结果和专家知识,给每个河流水质等级赋予一个基本概率分配函数:这一步是为了给每个河流水质等级赋予一个初始的概率分配,表示对该等级的信任度。基本概率分配函数是DS证据理论的核心概念,它是一个从假设空间的所有子集到[0,1]的映射,满足以下条件:
对于空集,基本概率分配函数的值为0,即m(Ф)=0;
对于假设空间的全集,基本概率分配函数的值为1,即m(Θ)=1;
对于假设空间的任意子集,基本概率分配函数的值为非负,即m(A)≥0,其中A包含于Θ;
对于假设空间的所有子集,基本概率分配函数的值之和为1,即∑m(A)=1,其中A包含于Θ。
基本概率分配函数的值表示对该子集的信任度,越大表示越信任,越小表示越不信任。如果对某个子集完全不信任,那么其值为0;如果对某个子集完全信任,那么其值为1;如果对某个子集不确定,那么其值为介于0和1之间的数。
根据数据源的观测结果和专家知识,可以给每个河流水质等级赋予一个基本概率分配函数,表示对该等级的信任度。例如,假设有三个数据源,分别是水质监测仪、水质采样分析和专家评估,它们对河流水质等级的观测结果和专家知识如下:
水质监测仪:观测结果是河流水质等级为中,信任度为0.8,不确定度为0.2,即m(中)=0.8,m(优、良、差、劣)=0.2;
水质采样分析:观测结果是河流水质等级为良,信任度为0.6,不确定度为0.4,即m(良)=0.6,m(优、中、差、劣)=0.4;
专家评估:观测结果是河流水质等级为优或良,信任度为0.7,不确定度为0.3,即m(优、良)=0.7,m(中、差、劣)=0.3。
这样,给每个河流水质等级赋予了一个基本概率分配函数,表示对该等级的信任度。
根据数据源之间的相关性和可靠性,给每个河流水质等级赋予一个信度函数和一个似然函数,并作为分配证据,表示对该河流水质等级的支持程度和相似程度:这一步是为了给每个河流水质等级赋予一个信度函数和一个似然函数,表示对该等级的支持程度和相似程度。信度函数是指对某个河流水质等级的信任程度,越大表示越信任,越小表示越不信任。似然函数是指对某个河流水质等级的相似程度,越大表示越相似,越小表示越不相似。信度函数和似然函数都是从[0,1]的映射,满足以下条件:
对于空集,信度函数和似然函数的值都为0,即d(Ф)=l(Ф)=0;
对于假设空间的全集,信度函数和似然函数的值都为1,即d(Θ)=l(Θ)=1;
对于假设空间的任意子集,信度函数和似然函数的值都为非负,即d(A)≥0,l(A)≥0,其中A包含于Θ;
对于假设空间的所有子集,信度函数和似然函数的值之和都为1,即∑d(A)=∑l(A)=1,其中A包含于Θ。
信度函数和似然函数可以根据数据源之间的相关性和可靠性进行赋值,相关性是指数据源之间的相互影响程度,可靠性是指数据源的观测质量和准确性。一般来说,相关性越高,信度函数越低,似然函数越高;相关性越低,信度函数越高,似然函数越低。可靠性越高,信度函数和似然函数越高;可靠性越低,信度函数和似然函数越低。
信度函数和似然函数作为分配证据,表示对该河流水质等级的支持程度和相似程度,可以用于数据融合的过程中,与基本概率分配函数进行组合,得到一个综合的信度函数和似然函数,根据它们的大小,决定数据融合的最终结果。
利用DS证据理论的合成规则,将各个数据源的分配证据进行组合,得到一个综合的信度函数和似然函数,根据它们的大小,决定数据融合的最终结果,即选择信度最大或似然最大的河流水质等级作为数据融合的输出:这一步是为了将不同数据源的信息进行融合,得到一个更准确和完整的河流水质等级判断。DS证据理论的合成规则是一种将多个分配证据进行组合的方法,基本思想是,如果两个分配证据之间没有冲突,那么它们的组合就是它们的乘积;如果两个分配证据之间有冲突,那么它们的组合就是它们的乘积除以它们的冲突程度。
利用DS证据理论的合成规则,可以将来自不同数据源的分配证据进行组合,得到一个综合的信度函数和似然函数,根据它们的大小,决定数据融合的最终结果,即选择信度最大或似然最大的河流水质等级作为数据融合的输出。
例如,假设有三个数据源,分别是水质监测仪、水质采样分析和专家评估,它们对河流水质等级的观测结果和专家知识如下:
水质监测仪:观测结果是河流水质等级为中,信任度为0.8,不确定度为0.2,即m(中)=0.8,m(优、良、差、劣)=0.2;
水质采样分析:观测结果是河流水质等级为良,信任度为0.6,不确定度为0.4,即m(良)=0.6,m(优、中、差、劣)=0.4;
专家评估:观测结果是河流水质等级为优或良,信任度为0.7,不确定度为0.3,即m(优、良)=0.7,m(中、差、劣)=0.3。
利用DS证据理论的合成规则,可以将这三个分配证据进行组合,得到一个综合的信度函数和似然函数。根据信度函数和似然函数的大小,可以决定数据融合的最终结果,即选择信度最大或似然最大的河流水质等级作为数据融合的输出。在这个例子中,信度最大的河流水质等级是良,似然最大的河流水质等级也是良,因此,数据融合的输出是河流水质等级为良。
根据本申请的一个方面,
根据本申请的另一个方面,提供一种高城镇化河网全自动水环境监测系统,其特征在于,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述任一项技术方案所述的高城镇化河网全自动水环境监测方法。需要说明的是,在服务器中配置水环境监测系统,然后调取各个传感器的数据,通过已经构建的污染物衰减扩散距离,即可形成智能化的水环境自动监测装置和系统,上述方法中,主要描述的是这个模块的构建过程,在构建完成后,进行配置即可。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (5)
1.高城镇化河网全自动水环境监测方法,其特征在于,包括如下步骤:
步骤S1、采集高城镇区域的研究数据,研究数据至少包括河网数据、水质数据和水动力数据,基于河网数据构建河网水系拓扑;
步骤S2、基于研究数据构建高城镇区域的物理模型和数字模型,通过数字模型模拟计算污染物的衰减扩散距离并通过物理模型验证;
步骤S3、读取研究数据,分析水质数据并验证污染物衰减扩散距离,提取污染物衰减扩散路径并聚类,根据聚类结果优化水环境监测点位置和巡检路径;
步骤S4、布设微型监测站和设置无人机巡检路径,获取实时水环境监测数据并进行数据融合;
步骤S1进一步包括:
步骤S11、读取高城镇区域的DEM数据,并采用搭载高分辨率相机和激光雷达的无人机对高城镇区域的河网进行遥感拍摄,获取河流的位置、形态、宽度、长度和分支,修正河网的数字高程模型和正射影像,获得符合标准的河网数据;
步骤S12、获取高城镇区域各个河网的水质监测数据,并采用搭载水质传感器和水声传感器的无人船对河流水体进行自主采样和监测,获取河流各个深度的水质参数和水动力参数,水质参数包括温度、pH、溶解氧、电导率、浊度、氨氮、总磷和叶绿素,水动力参数包括流速、水深和水位;
步骤S13、对研究数据进行优化和修正,并根据河流的水质和水动力参数对河流的属性进行更新和调整,形成河网水系的基础拓扑框架和动态拓扑数据;
所述步骤S2进一步为:
步骤S21、基于河网水系的动态拓扑数据库,构建高城镇区域的河网水环境的数字模型,包括河流水质模型、河流水动力模型和河流水生态模型,分别描述河流水体的物理、化学和生物过程;
步骤S22、采用随机模拟方法生成河网水系拓扑中各点的预定污染浓度的模拟数据;基于河网水环境的数字模型,模拟计算污染物的衰减扩散距离,考虑污染物的来源、性质、浓度、排放量和排放方式,以及河流水体的流速、流量、水深、水温、水质和水生态,得到污染物的衰减扩散曲线和区域;
步骤S23、基于相似理论构建预定尺寸缩小的、高城镇区域的河网水环境的物理模型,以用于模拟河流水体的特性和过程;
步骤S24、基于河网水环境的物理模型,验证污染物的衰减扩散距离,用不同的污染物材料模拟污染物的排放,观察和测量污染物在物理模型中的衰减扩散过程,与数字模型的结果进行对比和分析;
所述步骤S3进一步为:
步骤S31、读取无人机、无人船和监测站采集的水质数据,对水质数据进行预处理,包括数据清洗、数据校验、数据插补和数据平滑,消除数据的噪声和误差;
步骤S32、利用聚类分析和关联分析从水质数据中提取出污染物的特征和规律,并与数字模型和物理模型的结果进行对比和验证,验证污染物衰减扩散距离,评估污染物的衰减扩散距离的准确性和可信度;
步骤S33、从污染物的衰减扩散曲线和区域中提取出污染物的衰减扩散路径,并根据衰减扩散路径的长度、方向和分布,将衰减扩散路径进行聚类,形成不同的污染物衰减扩散路径类别;衰减扩散路径是污染物从排放点到达不同水质等级的河段的平均路径;
步骤S34、根据聚类结果优化水环境监测点位置和巡检路径,利用数据挖掘和机器学习的方法,根据污染物衰减扩散路径类别的特征和规律,确定水环境监测点的最优位置,使监测点能够覆盖不同的污染物衰减扩散路径类别,同时考虑监测点的数量、分布和成本,使监测点的布设合理和经济;并根据监测点的位置,规划无人机的巡检路径;
所述步骤S4进一步为:
步骤S41、根据水环境监测点的最优位置,布设水环境自动监测站;
步骤S42、根据无人机和无人船巡检路径,设置无人机的行驶速度、方向、高度和载荷,以及无人机的模式,使无人机能够按照预设的时间间隔,对监测点进行巡检;无人机和无人船在巡检过程中,对河流水环境进行在线采集,并将数据存储在无人机和无人船的内存中;
步骤S43、监测站根据设定的时间间隔,对河流水环境的水质、水量和水生态参数进行自动采集,并将数据存储在监测站的内存中;
步骤S44、每个监测站和无人机都根据设定的时间间隔,利用4G、5G或卫星通信技术,将内存中的数据实时或定时传输到云端服务器,供后续的数据处理和分析使用;
步骤S45、云端服务器利用数据融合算法,将不同来源的数据进行融合,形成对河流水环境的综合监测和评价结果;
所述步骤S45中的数据融合的过程包括:
步骤S451、确定数据融合后可能出现的所有河流水质等级,构成一个有限的互斥的集合;
步骤S452、根据数据源的观测结果和专家知识,给每个河流水质等级赋予一个基本概率分配函数;
步骤S453、根据数据源之间的相关性和可靠性,给每个河流水质等级赋予一个信度函数和一个似然函数,并作为分配证据,表示对该河流水质等级的支持程度和相似程度;
步骤S454、利用DS证据理论的合成规则,将各个数据源的分配证据进行组合,得到一个综合的信度函数和似然函数,根据它们的大小,决定数据融合的最终结果,即选择信度最大或似然最大的河流水质等级作为数据融合的输出。
2.如权利要求1所述的高城镇化河网全自动水环境监测方法,其特征在于,所述步骤S34包括:
步骤S341、根据聚类结果确定水环境监测点的最优位置,利用数据挖掘和机器学习的方法根据污染物衰减扩散路径类别的特征和规律,包括长度、方向、分布和影响范围;选择最能代表不同类别的路径的中心点或关键点,作为水环境监测点的最优位置,使监测点能够覆盖不同的污染物衰减扩散路径类别,同时考虑监测点的数量、分布和成本,使监测点的布设合理和经济;
步骤S342、根据监测点的位置规划无人机的巡检路径,利用聚类分析、关联分析和分类分析根据监测点的位置、属性和状态信息,以及无人机和无人船的性能、续航和载荷,设计无人机和无人船的巡检路径,使无人机和无人船能够按照预设的时间间隔,对监测点进行定期或不定期的巡检,获取监测点的实时数据和图像,并通过无线通信技术将数据和图像传输到云端服务器。
3.如权利要求2所述的高城镇化河网全自动水环境监测方法,其特征在于,所述步骤S4还包括步骤S46、对污染物溯源分析,
步骤S461、读取各个站点的水质监测数据,获得污染物的浓度、组成和同位素比值,形成污染物的指纹特征;
步骤S462、调取对应污染物的衰减扩散路径数据,计算污染物的传输路径与已知的污染源的海森堡距离,即根据两条曲线或形状之间的最大距离,衡量它们的相似度,越小的海森堡距离表示越高的相似度,分析和确认污染物扩散的时空分布演变过程;
步骤S463、根据海森堡距离的大小,确定污染物的最可能的来源和传播路径,即选择海森堡距离最小的污染源作为污染物的溯源结果,同时给出溯源的置信度和误差范围。
4.如权利要求3所述的高城镇化河网全自动水环境监测方法,其特征在于,所述步骤S22还包括:
步骤S221、获取水动力数据,并进行聚类,提取各个典型时期内各个时段的典型水动力周期;
步骤S222、针对每个典型水动力周期,对模拟参数进行预处理,形成模拟数据集;
步骤S223、依序采用模拟数据集,模拟计算污染物衰减扩散路径,形成各个典型时期内各个时段下的污染物衰减扩散路径。
5. 一种高城镇化河网全自动水环境监测系统,其特征在于,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现权利要求1至4任一项所述的高城镇化河网全自动水环境监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410124294.2A CN117649156B (zh) | 2024-01-30 | 2024-01-30 | 高城镇化河网全自动水环境监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410124294.2A CN117649156B (zh) | 2024-01-30 | 2024-01-30 | 高城镇化河网全自动水环境监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117649156A CN117649156A (zh) | 2024-03-05 |
CN117649156B true CN117649156B (zh) | 2024-04-12 |
Family
ID=90048170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410124294.2A Active CN117649156B (zh) | 2024-01-30 | 2024-01-30 | 高城镇化河网全自动水环境监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117649156B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892983B (zh) * | 2024-03-14 | 2024-05-28 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 近岸海域陆源污染负荷分配确定方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392100A (zh) * | 2014-10-29 | 2015-03-04 | 南京南瑞集团公司 | 基于水质在线监测系统的污染源扩散预警方法 |
CN107403034A (zh) * | 2017-06-28 | 2017-11-28 | 西交利物浦大学 | 水质污染扩散预警可视化方法 |
CN111077280A (zh) * | 2020-01-14 | 2020-04-28 | 浙江清华长三角研究院 | 一种基于河网的农村污水处理设施与水质监测站点间的溯源分析方法 |
US11153503B1 (en) * | 2018-04-26 | 2021-10-19 | AI Incorporated | Method and apparatus for overexposing images captured by drones |
CN113804829A (zh) * | 2021-08-20 | 2021-12-17 | 重庆市生态环境监测中心 | 一种大气污染天空地一体化实时监测系统及方法 |
CN114155622A (zh) * | 2020-09-07 | 2022-03-08 | 俞海燕 | 具有气味识别功能的无人机巡检系统 |
CN216900503U (zh) * | 2021-12-15 | 2022-07-05 | 上海勘察设计研究院(集团)有限公司 | 一种用于污染河流地下水环境监测井 |
CN115330127A (zh) * | 2022-07-15 | 2022-11-11 | 中国水利水电科学研究院 | 一种水利枢纽运行风险实时控制系统及方法 |
CN115790611A (zh) * | 2023-02-09 | 2023-03-14 | 广东广宇科技发展有限公司 | 一种用于智慧城市水利信息的无人机采集导航方法及系统 |
CN117236199A (zh) * | 2023-11-14 | 2023-12-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市水网区域河湖水质提升与水安全保障方法及系统 |
CN117236674A (zh) * | 2023-11-16 | 2023-12-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市河网水动力精准调控和水环境提升方法及系统 |
CN117687416A (zh) * | 2024-01-25 | 2024-03-12 | 水利部交通运输部国家能源局南京水利科学研究院 | 河网水安全检测装置路径规划方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114295749B (zh) * | 2021-12-30 | 2022-10-25 | 南京大学 | 一种水体有机污染智能化溯源方法及系统 |
-
2024
- 2024-01-30 CN CN202410124294.2A patent/CN117649156B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392100A (zh) * | 2014-10-29 | 2015-03-04 | 南京南瑞集团公司 | 基于水质在线监测系统的污染源扩散预警方法 |
CN107403034A (zh) * | 2017-06-28 | 2017-11-28 | 西交利物浦大学 | 水质污染扩散预警可视化方法 |
US11153503B1 (en) * | 2018-04-26 | 2021-10-19 | AI Incorporated | Method and apparatus for overexposing images captured by drones |
CN111077280A (zh) * | 2020-01-14 | 2020-04-28 | 浙江清华长三角研究院 | 一种基于河网的农村污水处理设施与水质监测站点间的溯源分析方法 |
CN114155622A (zh) * | 2020-09-07 | 2022-03-08 | 俞海燕 | 具有气味识别功能的无人机巡检系统 |
CN113804829A (zh) * | 2021-08-20 | 2021-12-17 | 重庆市生态环境监测中心 | 一种大气污染天空地一体化实时监测系统及方法 |
CN216900503U (zh) * | 2021-12-15 | 2022-07-05 | 上海勘察设计研究院(集团)有限公司 | 一种用于污染河流地下水环境监测井 |
CN115330127A (zh) * | 2022-07-15 | 2022-11-11 | 中国水利水电科学研究院 | 一种水利枢纽运行风险实时控制系统及方法 |
CN115790611A (zh) * | 2023-02-09 | 2023-03-14 | 广东广宇科技发展有限公司 | 一种用于智慧城市水利信息的无人机采集导航方法及系统 |
CN117236199A (zh) * | 2023-11-14 | 2023-12-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市水网区域河湖水质提升与水安全保障方法及系统 |
CN117236674A (zh) * | 2023-11-16 | 2023-12-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市河网水动力精准调控和水环境提升方法及系统 |
CN117687416A (zh) * | 2024-01-25 | 2024-03-12 | 水利部交通运输部国家能源局南京水利科学研究院 | 河网水安全检测装置路径规划方法及系统 |
Non-Patent Citations (7)
Title |
---|
临港新片区河网水生生态系统质量与稳定性提升技术研究;陈广宇;柳杨;谢忱;范子武;粟一帆;科技风;20220510(第13期);75-77 * |
城市防洪"四预"智能调度系统建设与应用;范子武;刘国庆;杨光;黎东洲;王蔚;张小稳;江苏水利;20221228(第S2期);5-10 * |
城镇河网水环境模拟及水质改善情景方案;贾海峰;杨聪;张玉虎;陈玉荣;;清华大学学报(自然科学版);20130515(第05期);665-672+728 * |
宋兴伟 ; 李莉莉 ; 纪乔木 ; 梁宵 ; 胡玲 .平缓河道突发溢油事故应急监测及污染物扩散特征分析.环境科技 .第34卷(第1期),60-64. * |
智能监控技术在京杭运河苏州城区段的应用研究;晏洋; 王定森;水上安全;20240125(第2期);13-15 * |
组合湿地处理化工园区污水处理厂尾水工程示范;许明;谢忱;刘伟京;李云;涂勇;蔡伟民;范子武;邵孝侯;给水排水;20190210;第55卷(第2期);75-81 * |
配电网架空线中无人机巡视应用探究;曾友林;;科技风;20170630(第12期);16 * |
Also Published As
Publication number | Publication date |
---|---|
CN117649156A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104865353B (zh) | 基于无人机的工业园区大气污染数据采集方法 | |
CN117649156B (zh) | 高城镇化河网全自动水环境监测方法及系统 | |
CN100533486C (zh) | 一种数字城市全自动生成的方法 | |
CN110009037B (zh) | 一种基于物理信息耦合的工程风速短时预测方法及系统 | |
CN112182137A (zh) | 一种基于 gis 地图的网格化监管系统 | |
CN115630567A (zh) | 一种海岸带土壤有机碳储量模拟及预测方法 | |
Tohidi et al. | A review of the machine learning in gis for megacities application | |
CN117687416B (zh) | 河网水安全检测装置路径规划方法及系统 | |
Tezel et al. | Accurate assessment of protected area boundaries for land use planning using 3D GIS | |
CN107292039A (zh) | 一种基于小波聚类的uuv巡岸轮廓构建方法 | |
van Leeuwen et al. | 3.08 vegetation structure (lidar) | |
Streikus | 3D city modelling using LiDAR data and GIS technologies features analysis | |
KR102570846B1 (ko) | 오염원 관리가 가능한 야적퇴비 탐지 방법 및 시스템 | |
Bidenko et al. | Topologisation of the situation geographical image in the aspect of control of local transport and economic activity | |
Scherjon | SteppingIn-modern humans moving into Europe-implementation | |
Manian et al. | Using genetic algorithms to optimize bathymetric sampling for predictive model input | |
Schrum | Computational Geometry Applied to Innovations in GIS | |
Kumar et al. | Cellular automata and Genetic Algorithms based urban growth visualization for appropriate land use policies | |
Clark | A comparative analysis of conventional and emerging methods for characterizing coastal morphology and change | |
Prakash et al. | Modelling Urban Dynamics of Tamil Nadu, A Case Study along the Coimbatore-Salem Corridor | |
Clarkson | The influence of accuracy, grid size, and interpolation method on the hydrological analysis of LiDAR derived dems: Seneca Nation of Indians, Irving NY | |
Allard et al. | Managing hybrid methods for integration and combination of data | |
Lakra et al. | Enhancing integrated resource management through remote sensing and GIS | |
Rajasugunasekar et al. | GPS TECHNOLOGY FOR URBAN SUSTAINABLE DEVELOPMENT WITH REFERENCE TO CHENNAI METROPOLITAN CITY | |
Pearlman et al. | In situ Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |