CN117689399A - 一种监测指标异常升高的地表水污染源溯源方法及系统 - Google Patents
一种监测指标异常升高的地表水污染源溯源方法及系统 Download PDFInfo
- Publication number
- CN117689399A CN117689399A CN202410130272.7A CN202410130272A CN117689399A CN 117689399 A CN117689399 A CN 117689399A CN 202410130272 A CN202410130272 A CN 202410130272A CN 117689399 A CN117689399 A CN 117689399A
- Authority
- CN
- China
- Prior art keywords
- water quality
- pollution source
- sample
- potential pollution
- abnormally
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 239000002352 surface water Substances 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 24
- 238000003911 water pollution Methods 0.000 title claims abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 114
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 14
- 238000000556 factor analysis Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000000354 decomposition reaction Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 5
- 238000011109 contamination Methods 0.000 claims description 4
- 101100257624 Arabidopsis thaliana SPS4 gene Proteins 0.000 claims description 3
- 101100261178 Arabidopsis thaliana TPS8 gene Proteins 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000000630 rising effect Effects 0.000 abstract 1
- 230000001932 seasonal effect Effects 0.000 description 6
- 239000003344 environmental pollutant Substances 0.000 description 5
- 231100000719 pollutant Toxicity 0.000 description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241000195493 Cryptophyta Species 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052731 fluorine Inorganic materials 0.000 description 2
- 239000011737 fluorine Substances 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 101001092910 Homo sapiens Serum amyloid P-component Proteins 0.000 description 1
- 102100036202 Serum amyloid P-component Human genes 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Landscapes
- Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种监测指标异常升高的地表水污染源溯源方法及系统,涉及地表水处理及环境保护技术领域。所述方法包括:获取地表水水质监测数据,建立水质样本数据库;采用时间序列分析方法将每个水质样本数据分解;确定异常升高样本并记录对应样本编号;对水质样本数据进行标准化处理;对标准化处理后的水质样本数据进行因子分析,确定潜在污染源;计算各潜在污染源的贡献值;将各潜在污染源贡献值分解为趋势、季节和剩余成分;计算各潜在污染源剩余成分对异常升高样本剩余成分贡献率,根据贡献率确定对应潜在污染源是否是样本异常升高的主要原因。本发明充分考虑监测数据的将时间序列信息,通过计算各污染源异常升高分量,精准追溯其污染源。
Description
技术领域
本发明涉及地表水处理及环境保护技术领域,具体涉及一种监测指标异常升高的地表水污染源溯源方法及系统。
背景技术
地表水污染源多样,包括生活污染、农业面源污染、工业污染等。各类污染源排放在正常状况下表现出一定规律,在非正常情况下排放可能造成河流(湖库)水质异常升高,造成水污染事件。水质监测与分析技术是水污染源识别与溯源的基础。通过对水样进行采集、分析和监测,可以确定水质参数的浓度和组成,从而判断水质是否受到污染。
污染源溯源方法通过收集、分析和处理地表水监测数据,找出地表水污染的污染源,并对其进行追踪和治理的方法。污染源溯源方法包括污染源调查法、污染源追踪法、污染源分析法等。目前,水污染源识别与溯源技术已经取得了一定的研究成果,但仍存在一些挑战。首先,由于水污染源的复杂性和多样性,目前的识别和溯源技术还不够准确和全面。其次,现有的技术手段中,有些存在仪器设备精度不高、操作过程繁琐等问题。此外,水污染源溯源涉及到一个时间和空间的问题,因此在研究中需要考虑到水体运动的特点和污染物的迁移规律。
发明内容
本发明的目的在于克服现有技术的不足,提供一种监测指标异常升高的地表水污染源溯源方法及系统。
本发明的目的是通过以下技术方案来实现的:
第一方面:一种监测指标异常升高的地表水污染源溯源方法,其特征在于,包括以下步骤:
S1:获取地表水的水质监测数据,建立水质样本数据库;所述水质监测数据包括样本编号、采样时间、水质监测指标及水质样本数据;
S2:按采样时间顺序排列所述水质样本数据,采用时间序列分析方法将每个水质样本数据分解为趋势、季节和剩余成分;确定异常升高样本并记录对应样本编号;
S3:对数据库中全部水质样本数据进行Zscore标准化处理;
S4:对标准化处理后的水质样本数据进行因子分析,确定潜在污染源;
S5:计算各潜在污染源的贡献值;
S6:采用时间序列分析方法,将各潜在污染源贡献值分解为趋势、季节和剩余成分;
S7:计算各潜在污染源剩余成分对异常升高样本剩余成分贡献率,根据所述贡献率确定对应潜在污染源是否是样本异常升高的主要原因。
进一步地,第i个指标、第j样本的水质样本数据c i,j 被分解为:
其中T i,j 、S i,j 和R i,j 分别表示为水质样本数据c i,j 分解后的趋势成分、季节成分和剩余成分。
进一步地,所述的确定异常升高样本并记录对应样本编号的具体过程包括:
通过以下公式计算第i个指标下所有水质样本数据c i,j 分解后的剩余成分R i,j 的绝对值的标准偏差sR i :
其中,m是第i个指标下的水质样本数量 ,是第i个指标下所有水质样本数据c i,j 分解后的剩余成分R i,j 绝对值的均值;
将剩余成分R i,j 大于等于剩余成分的绝对值的标准偏差sR i 的3倍的样本标记为异常升高样本,并记录异常升高样本的样本编号。
进一步地,所述的对数据库中全部水质样本数据进行Zscore标准化处理通过以下公式获得标准化处理后的水质数据Zc i,j :
其中,为第i个指标下所有水质样本数据c i,j 的均值,S i 为第i个指标下所有水质样本数据c i,j 的标准偏差。
进一步地,所述的步骤S4包括以下步骤:
S41:水质样本数据标准化后形成大小为j×i的水质样本矩阵c,计算相关系数矩阵C及相关系数矩阵的特征根λ、特征向量I;采用主成分分析方法计算各主成分方差;
S42:选择特征根大于1的因子作为潜在污染源;
S43:取相关系数矩阵C和特征根λ的前k项计算基础载荷矩阵A 0 :A 0 =λ×C (0) ,C (0) 表示未旋转的基础载荷矩阵,上标表示旋转次数;
S44:对基础载荷矩阵采用方差最大方式对坐标轴进行旋转,完成一轮旋转后计算载荷矩阵方差,重复进行上述的旋转操作,直到载荷矩阵方差不再增大后得到载荷矩阵A;
S45:采用回归估计方法计算得到因子得分系数矩阵G:G=C -1×A,C -1是相关系数矩阵C的逆矩阵;
S46:计算主要因子,即潜在污染源PS:PS=G T ×c,其中G T 是因子得分系数矩阵G的转置矩阵。
进一步地,所述的步骤S5包括以下步骤:
S51:对计算得到的因子得分系数矩阵进行因子分析,计算得到绝对零因子得分AZFS和绝对主成分得分APCS;
S52:将绝对主成分得分APCS与水质监测指标进行线性回归,计算每个绝对主成分得分APCS的回归系数r i,k ,r i,k 表示第k个潜在污染源对第i个指标的回归系数;
S53:计算第k个潜在污染源对第i个指标、j个样本的贡献值PSC i,j,k :,其中APCS j,k 为第k个潜在污染来源、第j个样本的绝对主成分得分。
进一步地,步骤S6中所述的将各潜在污染源贡献值分解为趋势、季节和剩余成分表示为:
TPSC i,j,k 表示分解后得到的第k个潜在污染源对第i个指标、j样本贡献值的趋势成分;SPSC i,j,k 表示分解后得到的第k个潜在污染源对第i个指标、j样本贡献值的季节成分;RPSC i,j,k 表示分解后得到的第k个潜在污染源对第i个指标、j样本贡献值的剩余成分。
进一步地,所述的各潜在污染源剩余成分对异常升高样本剩余成分贡献率的计算公式为:
。
进一步地,所述的根据所述贡献率确定对应潜在污染源是否是样本异常升高的主要原因具体是通过判断所述贡献率Contrib i,j,k 是否超过50%,若是则认为对应潜在污染源PS i,k 是样本c i,j 异常升高的主要原因,否则认为不是。
第二方面:一种监测指标异常升高的地表水污染源溯源系统,其特征在于:包括:
数据获取模块,用于获取地表水的水质监测数据,建立水质样本数据库;所述水质监测数据包括样本编号、采样时间、水质监测指标及水质样本数据;
样本分解模块,用于按采样时间顺序排列所述水质样本数据,采用时间序列分析方法将每个水质样本数据分解为趋势、季节和剩余成分;确定异常升高样本并记录对应样本编号;
数据标准化模块,用于对数据库中全部水质样本数据进行Zscore标准化处理;
潜在污染源确定模块,用于对标准化处理后的水质样本数据进行因子分析,确定潜在污染源;
贡献值计算模块,用于计算各潜在污染源的贡献值;
贡献值分解模块,用于采用时间序列分析方法,将各潜在污染源贡献值分解为趋势、季节和剩余成分;
污染源判定模块,用于计算各潜在污染源剩余成分对异常升高样本剩余成分贡献率,根据所述贡献率确定对应潜在污染源是否是样本异常升高的主要原因。
本发明的有益效果是:
本发明将时间序列水质数据中正常排放规律分离后,通过计算各污染源异常升高分量,准确识别水质异常升高样本并精准追溯其污染源,找出了水质异常升高成因,本发明实施例提供的溯源方法对提升水环境精细化管理能力和科学精准治污水平具有重要意义。
附图说明
图1为本发明实施例提供的一种监测指标异常升高的地表水污染源溯源方法流程示意图;
图2为一实施例中对某河流对化学需氧量指标分解的剩余成分的统计结果。
具体实施方式
下面将结合实施例,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1,本发明提供一种技术方案:
实施例1:
一种监测指标异常升高的地表水污染源溯源方法,包括以下步骤:
S1:获取地表水的水质监测数据,建立水质样本数据库;所述水质监测数据包括样本编号、采样时间、水质监测指标及水质样本数据。
S2:按采样时间顺序排列所述水质样本数据,采用时间序列分析方法将每个水质样本数据分解为趋势、季节和剩余成分;确定异常升高样本并记录对应样本编号;
具体的,时间序列分析方法分为内循环与外循环,内循环进行趋势成分拟合与季节成分计算。STL(Seasonal-Trend-Loess)函数对每个分量反复进行拟合,直到得到的趋势和季节分量不再与之前迭代的分量不同,对平滑的长期分量使用连续的黄土线,对季节分量使用12个月的特定黄土线。
实现过程如下:
初始设置:。
第一步:去趋势得到子序列:
第二步:周期子序列平滑,每个周期相同位置的样本点组成一个子序列,将第一步去趋势序列中每个子序列通过局部加权回归(LOESS)进行平滑,得到临时季节序列。
第三步:对序列进行一次长度为周期数(n p )的滑动平均和一次长度为3的滑动平均,然后再进行一次局部加权回归,得到/>。
第四步:去掉低频信息得到季节成分,。
第五步:计算去季节成分。
第六步:对去季节项进行局部加权回归平滑,得到趋势成分。
将第六步的结果作为第一步输入,重复迭代计算,直到模型收敛,获得最终趋势成分(T c )、季节成分(S c ),并计算得到剩余成分:。
最终,第i个指标、第j样本的水质样本数据c i,j 被分解为:
其中T i,j 、S i,j 和R i,j 分别表示为水质样本数据c i,j 分解后的趋势成分、季节成分和剩余成分。
趋势成分反映水体中污染物浓度稳定、长期的变化规律。季节成分反映污染物浓度周期性变化规律,如一年内在不同季节、不同水期的变化规律。将污染物浓度去除趋势成分、季节成分后得到的剩余成分一般是呈随机波动规律,如果出现大幅波动,往往反映污染物浓度出现异常。
进一步地,所述的确定异常升高样本并记录对应样本编号的具体过程包括:
通过以下公式计算第i个指标下所有水质样本数据c i,j 分解后的剩余成分R i,j 的绝对值的标准偏差sR i :
其中,m是第i个指标下的水质样本数量 ,是第i个指标下所有水质样本数据c i,j 分解后的剩余成分R i,j 绝对值的均值;
将剩余成分R i,j 大于等于剩余成分的绝对值的标准偏差sR i 的3倍的样本标记为异常升高样本,并记录异常升高样本的样本编号。
根据某河流2020年1月至2023年8月水质监测数据,共44个样本。以化学需氧量为研究对象,通过时间序列分析方法,分解出剩余成分,并识别出编号为27、32、41的三个浓度异常升高样本,统计结果如图2所示。
S3:对数据库中全部水质样本数据进行Zscore标准化处理;通过以下公式获得标准化处理后的水质数据Zc i,j :
其中,为第i个指标下所有水质样本数据c i,j 的均值,S i 为第i个指标下所有水质样本数据c i,j 的标准偏差。
S4:对标准化处理后的水质样本数据进行因子分析,确定潜在污染源;
进一步地,所述的步骤S4包括以下步骤:
S41:水质样本数据标准化后形成大小为j×i的水质样本矩阵c,计算相关系数矩阵C及相关系数矩阵的特征根λ、特征向量I;采用主成分分析方法计算各主成分方差。
S42:选择特征根大于1的因子作为潜在污染源;特征根反映了对应因子对样本变异的解释能力,特征根越大代表该因子解释力越大。特征根大于1,表示该因子解释能力大于原始变量平均解释力度,故一般选择特征根大于1的前k个因子作为影响水质的主要潜在污染源。
S43:取相关系数矩阵C和特征根λ的前k项计算基础载荷矩阵A 0 :A 0 =λ×C (0) ,C (0) 表示未旋转的基础载荷矩阵,上标表示旋转次数。
S44:对基础载荷矩阵采用方差最大方式对坐标轴进行旋转,完成一轮旋转后计算载荷矩阵方差,重复进行上述的旋转操作,直到载荷矩阵方差不再增大后得到载荷矩阵A。方差最大化旋转是对基础载荷矩阵每两个因子正交旋转一个角度(θ),使这两个因子的方差之和达最大。
S45:采用回归估计方法计算得到因子得分系数矩阵G:G=C -1×A,C -1是相关系数矩阵C的逆矩阵。
S46:计算主要因子,即潜在污染源PS:PS=G T ×c,其中G T 是因子得分系数矩阵G的转置矩阵。
对水质数据标准化处理后,进行因子分析,采用方差最大方式旋转。将特征根>1的因子作为主要的潜在污染源,共识别出5个潜在污染源。统计性结果如下表1。识别出PS1代表生活污染,PS2代表重金属工业污染,PS3代表农业农村污染,PS4代表藻类内源污染,PS5代表涉氟工业污染。
S5:计算各潜在污染源的贡献值;具体地,包括以下步骤:
S51:对计算得到的因子得分系数矩阵进行因子分析,计算得到绝对零因子得分AZFS和绝对主成分得分APCS;
S52:将绝对主成分得分APCS与水质监测指标进行线性回归,计算每个绝对主成分得分APCS的回归系数r i,k ,r i,k 表示第k个潜在污染源对第i个指标的回归系数;
S53:计算第k个潜在污染源对第i个指标、j个样本的贡献值PSC i,j,k :,其中APCS j,k 为第k个潜在污染来源、第j个样本的绝对主成分得分。
通过计算上述各潜在污染源对化学需氧量贡献比例,得到生活污染是主要来源占比60%,藻类内源污染占比6%,农业农村污染、重金属工业污染和涉氟工业污染占比1%,其他因素占比31%。
S6:采用时间序列分析方法,将各潜在污染源贡献值分解为趋势、季节和剩余成分,表示为:
TPSC i,j,k 表示分解后得到的第k个潜在污染源对第i个指标、j样本贡献值的趋势成分;SPSC i,j,k 表示分解后得到的第k个潜在污染源对第i个指标、j样本贡献值的季节成分;RPSC i,j,k 表示分解后得到的第k个潜在污染源对第i个指标、j样本贡献值的剩余成分。
S7:计算各潜在污染源剩余成分对异常升高样本剩余成分贡献率,根据所述贡献率确定对应潜在污染源是否是样本异常升高的主要原因。
具体地,所述的各潜在污染源剩余成分对异常升高样本剩余成分贡献率的计算公式为:
。
判断所述贡献率Contrib i,j,k 是否超过50%,若是则认为对应潜在污染源PS i,k 是样本c i,j 异常升高的主要原因,否则认为不是。
采用时间序列分析方法对各潜在污染源贡献进行分解,得到各潜在污染源贡献的剩余成分,提取5个潜在污染源剩余成分对其中三个浓度异常升高样本的贡献率。通过计算,生活污染剩余成分对三个浓度异常升高样本化学需氧量浓度剩余成分的贡献率分别达到94.7%、63.2%和79.4%,均超过50%。生活污染源排放量增大是这三次化学需氧量浓度异常升高的主要原因。
实施例2:一种监测指标异常升高的地表水污染源溯源系统,包括:
数据获取模块,用于获取地表水的水质监测数据,建立水质样本数据库;所述水质监测数据包括样本编号、采样时间、水质监测指标及水质样本数据;
样本分解模块,用于按采样时间顺序排列所述水质样本数据,采用时间序列分析方法将每个水质样本数据分解为趋势、季节和剩余成分;确定异常升高样本并记录对应样本编号;
数据标准化模块,用于对数据库中全部水质样本数据进行Zscore标准化处理;
潜在污染源确定模块,用于对标准化处理后的水质样本数据进行因子分析,确定潜在污染源;
贡献值计算模块,用于计算各潜在污染源的贡献值;
贡献值分解模块,用于采用时间序列分析方法,将各潜在污染源贡献值分解为趋势、季节和剩余成分;
污染源判定模块,用于计算各潜在污染源剩余成分对异常升高样本剩余成分贡献率,根据所述贡献率确定对应潜在污染源是否是样本异常升高的主要原因。
本发明将时间序列水质数据中正常排放规律分离后,通过计算各污染源异常升高分量,准确识别水质异常升高样本并精准追溯其污染源,找出了水质异常升高成因,本发明实施例提供的溯源方法对提升水环境精细化管理能力和科学精准治污水平具有重要意义。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种监测指标异常升高的地表水污染源溯源方法,其特征在于,包括以下步骤:
S1:获取地表水的水质监测数据,建立水质样本数据库;所述水质监测数据包括样本编号、采样时间、水质监测指标及水质样本数据;
S2:按采样时间顺序排列所述水质样本数据,采用时间序列分析方法将每个水质样本数据分解为趋势、季节和剩余成分;确定异常升高样本并记录对应样本编号;
S3:对数据库中全部水质样本数据进行Zscore标准化处理;
S4:对标准化处理后的水质样本数据进行因子分析,确定潜在污染源;
S5:计算各潜在污染源的贡献值;
S6:采用时间序列分析方法,将各潜在污染源贡献值分解为趋势、季节和剩余成分;
S7:计算各潜在污染源剩余成分对异常升高样本剩余成分贡献率,根据所述贡献率确定对应潜在污染源是否是样本异常升高的主要原因。
2.根据权利要求1所述的一种监测指标异常升高的地表水污染源溯源方法,其特征在于:第i个指标、第j样本的水质样本数据c i,j 被分解为:
其中T i,j 、S i,j 和R i,j 分别表示为水质样本数据c i,j 分解后的趋势成分、季节成分和剩余成分。
3.根据权利要求2所述的一种监测指标异常升高的地表水污染源溯源方法,其特征在于:所述的确定异常升高样本并记录对应样本编号的具体过程包括:
通过以下公式计算第i个指标下所有水质样本数据c i,j 分解后的剩余成分R i,j 的绝对值的标准偏差sR i :
其中,m是第i个指标下的水质样本数量 ,是第i个指标下所有水质样本数据c i,j 分解后的剩余成分R i,j 绝对值的均值;
将剩余成分R i,j 大于等于剩余成分的绝对值的标准偏差sR i 的3倍的样本标记为异常升高样本,并记录异常升高样本的样本编号。
4.根据权利要求2所述的一种监测指标异常升高的地表水污染源溯源方法,其特征在于:所述的对数据库中全部水质样本数据进行Zscore标准化处理通过以下公式获得标准化处理后的水质数据Zc i,j :
其中,为第i个指标下所有水质样本数据c i,j 的均值,S i 为第i个指标下所有水质样本数据c i,j 的标准偏差。
5.根据权利要求4所述的一种监测指标异常升高的地表水污染源溯源方法,其特征在于:所述的步骤S4包括以下步骤:
S41:水质样本数据标准化后形成大小为j×i的水质样本矩阵c,计算相关系数矩阵C及相关系数矩阵的特征根λ、特征向量I;采用主成分分析方法计算各主成分方差;
S42:选择特征根大于1的因子作为潜在污染源;
S43:取相关系数矩阵C和特征根λ的前k项计算基础载荷矩阵A 0 :A 0 =λ×C (0) ,C (0) 表示未旋转的基础载荷矩阵,上标表示旋转次数;
S44:对基础载荷矩阵采用方差最大方式对坐标轴进行旋转,完成一轮旋转后计算载荷矩阵方差,重复进行上述的旋转操作,直到载荷矩阵方差不再增大后得到载荷矩阵A;
S45:采用回归估计方法计算得到因子得分系数矩阵G:G=C -1×A,C -1是相关系数矩阵C的逆矩阵;
S46:计算主要因子,即潜在污染源PS:PS=G T ×c,其中G T 是因子得分系数矩阵G的转置矩阵。
6.根据权利要求5所述的一种监测指标异常升高的地表水污染源溯源方法,其特征在于:所述的步骤S5包括以下步骤:
S51:对计算得到的因子得分系数矩阵进行因子分析,计算得到绝对零因子得分AZFS和绝对主成分得分APCS;
S52:将绝对主成分得分APCS与水质监测指标进行线性回归,计算每个绝对主成分得分APCS的回归系数r i,k ,r i,k 表示第k个潜在污染源对第i个指标的回归系数;
S53:计算第k个潜在污染源对第i个指标、j个样本的贡献值PSC i,j,k :,其中APCS j,k 为第k个潜在污染来源、第j个样本的绝对主成分得分。
7.根据权利要求6所述的一种监测指标异常升高的地表水污染源溯源方法,其特征在于:步骤S6中所述的将各潜在污染源贡献值分解为趋势、季节和剩余成分表示为:
TPSC i,j,k 表示分解后得到的第k个潜在污染源对第i个指标、j样本贡献值的趋势成分;SPSC i,j,k 表示分解后得到的第k个潜在污染源对第i个指标、j样本贡献值的季节成分;RPSC i,j,k 表示分解后得到的第k个潜在污染源对第i个指标、j样本贡献值的剩余成分。
8.根据权利要求7所述的一种监测指标异常升高的地表水污染源溯源方法,其特征在于:所述的各潜在污染源剩余成分对异常升高样本剩余成分贡献率的计算公式为:
。
9.根据权利要求8所述的一种监测指标异常升高的地表水污染源溯源方法,其特征在于:所述的根据所述贡献率确定对应潜在污染源是否是样本异常升高的主要原因具体是通过判断所述贡献率Contrib i,j,k 是否超过50%,若是则认为对应潜在污染源PS i,k 是样本c i,j 异常升高的主要原因,否则认为不是。
10.一种监测指标异常升高的地表水污染源溯源系统,其特征在于:包括:
数据获取模块,用于获取地表水的水质监测数据,建立水质样本数据库;所述水质监测数据包括样本编号、采样时间、水质监测指标及水质样本数据;
样本分解模块,用于按采样时间顺序排列所述水质样本数据,采用时间序列分析方法将每个水质样本数据分解为趋势、季节和剩余成分;确定异常升高样本并记录对应样本编号;
数据标准化模块,用于对数据库中全部水质样本数据进行Zscore标准化处理;
潜在污染源确定模块,用于对标准化处理后的水质样本数据进行因子分析,确定潜在污染源;
贡献值计算模块,用于计算各潜在污染源的贡献值;
贡献值分解模块,用于采用时间序列分析方法,将各潜在污染源贡献值分解为趋势、季节和剩余成分;
污染源判定模块,用于计算各潜在污染源剩余成分对异常升高样本剩余成分贡献率,根据所述贡献率确定对应潜在污染源是否是样本异常升高的主要原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410130272.7A CN117689399B (zh) | 2024-01-31 | 2024-01-31 | 一种监测指标异常升高的地表水污染源溯源方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410130272.7A CN117689399B (zh) | 2024-01-31 | 2024-01-31 | 一种监测指标异常升高的地表水污染源溯源方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117689399A true CN117689399A (zh) | 2024-03-12 |
CN117689399B CN117689399B (zh) | 2024-04-12 |
Family
ID=90133765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410130272.7A Active CN117689399B (zh) | 2024-01-31 | 2024-01-31 | 一种监测指标异常升高的地表水污染源溯源方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117689399B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384147A (zh) * | 2023-04-21 | 2023-07-04 | 中山大学 | 基于最优化的时空尺度多层次水体毒害污染物溯源方法 |
CN116645239A (zh) * | 2023-05-05 | 2023-08-25 | 四创科技有限公司 | 一种水质污染事件溯源方法及终端 |
CN116881671A (zh) * | 2023-09-04 | 2023-10-13 | 山东智明环保工程有限公司 | 基于神经网络的大气污染溯源方法及系统 |
CN117273152A (zh) * | 2023-09-11 | 2023-12-22 | 南方海洋科学与工程广东省实验室(珠海) | 一种通过构建定量因果图的污染物溯源方法 |
CN117312784A (zh) * | 2023-07-27 | 2023-12-29 | 碧空环境科技有限公司 | 一种基于受体模型和大数据联用的污染源溯源方法 |
CN117371325A (zh) * | 2023-10-25 | 2024-01-09 | 中节能天融科技有限公司 | 一种排口污染物入河断面贡献度计算方法、设备及介质 |
-
2024
- 2024-01-31 CN CN202410130272.7A patent/CN117689399B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384147A (zh) * | 2023-04-21 | 2023-07-04 | 中山大学 | 基于最优化的时空尺度多层次水体毒害污染物溯源方法 |
CN116645239A (zh) * | 2023-05-05 | 2023-08-25 | 四创科技有限公司 | 一种水质污染事件溯源方法及终端 |
CN117312784A (zh) * | 2023-07-27 | 2023-12-29 | 碧空环境科技有限公司 | 一种基于受体模型和大数据联用的污染源溯源方法 |
CN116881671A (zh) * | 2023-09-04 | 2023-10-13 | 山东智明环保工程有限公司 | 基于神经网络的大气污染溯源方法及系统 |
CN117273152A (zh) * | 2023-09-11 | 2023-12-22 | 南方海洋科学与工程广东省实验室(珠海) | 一种通过构建定量因果图的污染物溯源方法 |
CN117371325A (zh) * | 2023-10-25 | 2024-01-09 | 中节能天融科技有限公司 | 一种排口污染物入河断面贡献度计算方法、设备及介质 |
Non-Patent Citations (2)
Title |
---|
XIAOCONG LIU 等: "Temporal Variations of Water Quality and Pollution Source Structures Over 15 Years Reflect Effects of Water Pollution Control in the Upper Tuojiang River Basin, China", 《WATER, AIR , & SOIL POLLUTION》, vol. 234, no. 465, 10 July 2023 (2023-07-10), pages 1 - 14 * |
刘壮 等: "长江黄河上游地表水溶解氧时空分布特征研究——以四川省为例", 《环境保护科学》, vol. 49, no. 3, 27 October 2022 (2022-10-27), pages 74 - 80 * |
Also Published As
Publication number | Publication date |
---|---|
CN117689399B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gupta et al. | Performance evaluation of two methods for online monitoring of linear calibration profiles | |
Hubálek | Measures of species diversity in ecology: an evaluation | |
Li et al. | Self-starting control chart for simultaneously monitoring process mean and variance | |
CN108876021B (zh) | 一种中长期径流预报方法及系统 | |
Ma | Measuring microbiome diversity and similarity with Hill numbers | |
CN117689399B (zh) | 一种监测指标异常升高的地表水污染源溯源方法及系统 | |
CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其系统 | |
CN114511025A (zh) | 基于加权多传感器融合滤波的风机故障诊断方法、装置 | |
JP2008112428A (ja) | 水処理施設における流入水水質の統計的予測方法及びその装置 | |
CN116187596B (zh) | 基于在线数据校正的生化需氧量的预测方法及装置 | |
Chavez-Demoulin et al. | Advanced extremal models for operational risk | |
Fowler | Point estimates and confidence intervals in measures of association. | |
CN115859195A (zh) | 一种基于随机森林算法模型的河道水质指标软测量方法 | |
Bouaynaya et al. | Nonstationary analysis of coding and noncoding regions in nucleotide sequences | |
Strauss et al. | Determining best complete subsets of specimens and characters for multivariate morphometric studies in the presence of large amounts of missing data | |
CN115271192A (zh) | 一种工业生产指数预测方法及处理器 | |
CN113484818A (zh) | 基于滑动窗口的抗高频采集异常电能表精准定位方法 | |
CN111914475A (zh) | 一种加速刻画高斯水文地质参数场的贝叶斯逆模拟方法 | |
Murff et al. | The relative efficiency of ranked set sampling in ordinary least squares regression | |
CN117390466B (zh) | 一种基于相似性度量的湖泊稳态判别方法 | |
CN111680054B (zh) | 基于多参数水质监测仪的时序数据存储方法及装置 | |
CN110889550A (zh) | 基于迁移学习的不同水域溶解氧预测方法 | |
CN117558379B (zh) | 正渗透膜的膜污染表征方法、装置、系统和电子设备 | |
Liu et al. | Recovering both the space-dependent heat source and the initial temperature by using a fast convergent iterative method | |
Yu et al. | Indicator analysis of lake water quality based on fuzzy neural network and spectrophotometry |
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 |