CN111272950A - 一种智能污染物追踪*** - Google Patents
一种智能污染物追踪*** Download PDFInfo
- Publication number
- CN111272950A CN111272950A CN202010088697.8A CN202010088697A CN111272950A CN 111272950 A CN111272950 A CN 111272950A CN 202010088697 A CN202010088697 A CN 202010088697A CN 111272950 A CN111272950 A CN 111272950A
- Authority
- CN
- China
- Prior art keywords
- pollutant
- sampling
- water
- air
- 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.)
- Granted
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 168
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 168
- 238000005070 sampling Methods 0.000 claims abstract description 212
- 239000003403 water pollutant Substances 0.000 claims abstract description 70
- 239000000809 air pollutant Substances 0.000 claims abstract description 66
- 231100001243 air pollutant Toxicity 0.000 claims abstract description 66
- 238000004458 analytical method Methods 0.000 claims abstract description 55
- 239000000356 contaminant Substances 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 123
- 230000009471 action Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000009792 diffusion process Methods 0.000 claims description 22
- 230000007613 environmental effect Effects 0.000 claims description 17
- 239000002904 solvent Substances 0.000 claims description 9
- 238000011282 treatment Methods 0.000 claims description 7
- 238000007865 diluting Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005085 air analysis Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000004090 dissolution Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 239000012898 sample dilution Substances 0.000 claims description 3
- 238000004457 water analysis Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 12
- 239000002351 wastewater Substances 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000002912 waste gas Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Combustion & Propulsion (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明提供了一种智能污染物追踪***，该智能污染物追踪***通过设置空气污染物信息获取模块和水污染物信息获取模块来分别获取相应采样区域在不同外界环境条件下的空气污染物存在状态信息和水污染物存在状态信息，以实现对空气污染物和水污染物的大数据样本采集，再通过污染物信息分析模块对采集得到的空气污染物存在状态信息和水污染物存在状态信息进行相应的学习分析处理，最后通过污染反馈模块根据相应的污染物特征信息生成关于空气污染物和/或水污染物的追踪反馈信息，从而实现对采样区域范围内空气污染物和水污染物及时的、快速的、全面的和有效的追踪监控，以提高对污染物追踪的智能性和准确性。
Description
技术领域
本发明涉及环境监控的技术领域，特别涉及一种智能污染物追踪***。
背景技术
工厂的生产制作过程中需要消耗能量和原材料才能输出相应的产品，而在上述生成制作过程中，会相应地产生废气和废水，若这些废气和废水不经过任何净化处理就直接排放到外界环境中会对对自然环境产生空气污染和水污染，而废气和废水均具有扩散性，其对随着大气流动和水体流动进行扩散传播，从而进一步增大污染范围。由于废气和废水的自由传播性和传播不确定性，通常情况下很难对废气和废水这类污染物进行及时和准确的追踪，这导致在实际操作中无法通过在某一地点区域监测到的污染物信息来追踪得到对应的污染物源头和污染物后续的传播路径范围。目前，对于废气和废水这类具有较强迁移性的污染物，只能通过在多个不同地点设置监测设备来进行全天候的监测，并根据监测结果来进行相应的报警和控制措施，但是这种监测方式通常存在时间上的滞后性，这不能及时地、快速地和准确地确定污染物的源头和传播趋势，从而降低对污染物监测的有效性。
发明内容
针对现有技术存在的缺陷，本发明提供一种智能污染物追踪***，该智能污染物追踪***通过设置空气污染物信息获取模块和水污染物信息获取模块来分别获取相应采样区域在不同外界环境条件下的空气污染物存在状态信息和水污染物存在状态信息，以实现对空气污染物和水污染物的大数据样本采集，再通过污染物信息分析模块对采集得到的空气污染物存在状态信息和水污染物存在状态信息进行相应的学习分析处理，以确定对应采样区域范围内的空气污染物和水污染物传播扩散模型和确定该采样区域范围的污染物特征信息，最后通过污染反馈模块根据相应的污染物特征信息生成关于空气污染物和/或水污染物的追踪反馈信息，从而实现对采样区域范围内空气污染物和水污染物及时的、快速的、全面的和有效的追踪监控，以提高对污染物追踪的智能性和准确性。
本发明提供一种智能污染物追踪***，其特征在于：
所述智能污染物追踪***包括空气污染物信息获取模块、水污染物信息获取模块、污染物信息分析模块和污染反馈模块；其中，
所述空气污染物信息获取模块用于获取关于一个或者多个采样区域对应的空气污染物存在状态信息；
所述水污染物信息获取模块用于获取关于一个或者多个采样区域对应的水污染物存在状态信息；
所述污染物信息分析模块用于对所述空气污染物存在状态信息和/或所述水污染物存在状态信息进行学习分析处理，以确定采样区域对应的污染物特征信息；
所述污染物反馈模块用于根据所述污染物特征信息，生成关于空气污染物和/或水污染物的追踪反馈信息；
进一步，所述空气污染物信息获取模块包括环境参数获取子模块、空气采样区域确定子模块、空气采样子模块和空气样本分析子模块；其中，
所述环境参数获取子模块用于获取预设范围内的不同类型环境参数信息；
所述空气采样区域确定子模块用于根据所述不同类型环境参数信息，于所述预设范围内确定一个或者多个空气采样区域对应的分布位置；
所述空气采样子模块用于在所确定的一个或者多个空气采样区域中，根据预定空气采样模式采集至少一份空气样本；
所述空气样本分析子模块用于对所述至少一份空气样本进行预设模式的空气分析处理，以获得所述空气污染物存在状态信息；
进一步，所述环境参数获取子模块包括大气环境参数获取单元和地形环境参数获取单元；其中，
所述大气环境参数获取单元用于获取至少关于所述预设范围内的风速参数、风向参数和大气垂直扰动参数；
所述地形环境参数获取单元用于对所述预设范围进行电磁波扫描和/或拍摄成像，以确定关于所述预设范围的三维图像分布信息，并根据所述三维图像分布信息，获取关于所述预设范围的若干不同地形参数；
或者，
所述空气采样区域确定子模块包括环境参数分析单元、环境干扰确定单元和空气采样区域标定单元；其中，
所述环境参数分析单元用于对所述不同类型环境参数信息进行预设神经网络模型的学习处理，以确定每一个环境参数信息对于空气采样操作的影响系数；
所述环境干扰确定单元用于根据每一个环境参数信息对于空气采样操作的影响系数，确定所述预设范围当前环境状态对所述空气采样操作的干扰评价值；
所述空气采样区域标定单元用于根据所述干扰评价值，在所述预设范围内确定一个或者多个空气采样区域对应的分布位置；
进一步，所述空气采样子模块包括气体抽样单元、第一抽样动作控制单元和第一抽样反馈单元；其中，
所述气体抽样单元用于在所述一个或者多个空气采样区域中分别获取至少一份空气样本；
所述第一抽样反馈单元用于根据所述气体抽样单元当前的抽样动作状态生成第一抽样动作评价信息；
所述第一抽样动作控制单元用于根据所述第一抽样动作评价信息，对所述气体抽样单元进行关于抽样容量、抽样时长、抽样频率和抽样压强中至少一者的调整处理；
或者，
所述空气样本分析子模块包括样本稀释单元、样本溶解单元、样本污染物成分测定单元和样本污染物浓度测定单元；其中，
所述样本稀释单元用于根据预设净化气体搀兑比例对所述至少一份空气样本进行稀释处理；
所述样本溶解单元用于将经过所述稀释处理的空气样本以预设速率溶解至预设溶剂中；
所述样本污染物成分测定单元用于对溶解有所述空气样本的溶剂进行污染物成分测定处理，以确定所述空气样本含有的污染物种类；
所述样本污染物浓度测定单元用于对溶解有所述空气样本的溶剂进行污染物浓度测定处理，以确定每一种污染物对应的浓度；
进一步，所述水污染物信息获取模块包括水文参数获取子模块、水采样区域确定子模块、水采样子模块和水样本分析子模块；其中，
所述水域参数获取子模块用于获取预设范围内不同类型水文参数信息；
所述水采样区域确定子模块用于根据所述不同类型水文参数信息，于所述预设范围内确定一个或者多个水采样区域对应的分布位置。；
所述水采样子模块用于在所确定的一个或者多个水采样区域中，根据约定水采样模式采集至少一份水样本；
所述水样本分析子模块用于对所述至少一份水样本进行预设模式的水分析处理，以获得所述水污染物存在状态信息；
进一步，所述水文参数获取子模块包括静态水文参数获取单元和动态水文参数获取单元；其中，
所述静态水文参数获取单元用于获取关于所述预设范围的水域分布面参数和/或水域连通状态参数；
所述动态水文参数获取单元用于获取关于所述预设范围的水域流速参数、水域流向参数和水域流量参数中的至少一者；
或者，
所述水采样区域确定子模块包括水文参数分析单元、水文干扰确定单元和水采样区域标定单元；其中，
所述水文参数分析单元用于对所述不同类型水文参数信息进行预设神经网络模型的学习处理，以确定每一个水文参数信息对于水采样操作的影响系数；
所述水文干扰确定单元用于根据每一个水文参数信息对于水采样操作的影响系数，确定所述预设范围当前水文状态对所述水采样操作的干扰评价值；
所述水采样区域标定单元用于根据所述干扰评价值，在所述预设范围内确定一个或者多个水采样区域对应的分布位置；
进一步，所述水采样子模块包括水体抽样单元、第二抽样动作控制单元和第二抽样反馈单元；其中，
所述水体抽样单元用于在所述一个或者多个水采样区域中分别获取至少一份水样本；
所述第二抽样反馈单元用于根据所述水体抽样单元当前的抽样动作状态生成第二抽样动作评价信息；
所述第二抽样动作控制单元用于根据所述第二抽样动作评价信息，对所述水体抽样单元进行关于抽样容量、抽样时长、抽样频率和抽样压强中至少一者的调整处理；
或者，
所述水样本分析子模块包括水体污染物成分测定单元和水体污染物浓度测定单元；其中，
所述水体污染物成分测定单元用于对所述至少一份水样本进行污染物成分测定处理，以确定所述水样本含有的污染物种类；
所述水体污染物浓度测定单元用于对所述至少一份水样本进行污染物浓度测定处理，以确定每一种污染物对应的浓度；
进一步，所述污染物信息分析模块包括状态信息划分子模块、状态信息演变分析子模块和污染物特征信息提取子模块；其中，
所述状态信息划分子模块用于对所述空气污染物存在状态信息和/或所述水污染物存在状态信息进行关于时间迁移和/或地点迁移的划分处理；
所述状态信息演变分析子模块用于对经过所述划分处理的所述空气污染物存在状态信息和/或所述水污染物存在状态信息，进行关于污染物演变状态的深度学习分析处理，以获取对应的空气污染物和/或水污染物演变分布模型；
所述污染物特征信息提取子模块用于根据所述空气污染物和/或水污染物演变分布模型，确定所述采样区域对应的污染物特征信息；
进一步，所述污染物反馈模块包括污染物源头确定子模块、污染物扩散趋势确定子模块和污染物报警子模块；其中，
所述污染物源头确定子模块用于根据所述污染物特征信息，确定空气污染物和/或水污染物的源头区域位置；
所述污染物扩散趋势确定子模块用于根据所述污染物特征信息，确定空气污染物和/或水污染物的扩散范围趋势；
所述污染物报警子模块用于根据所述源头区域位置和/或所述扩散范围趋势，执行适应性的报警响应操作；
进一步，所述污染物源头确定子模块确定所述源头区域位置具体包括，
所述污染物源头确定子模块根据所述污染物特征信息确定所述污染物在大气环境和/或水体环境中的传播模型，再根据所述传播模型反演得到所述源头区域位置；
或者，
所述污染物扩散趋势确定子模块确定所述扩散范围趋势具体包括，
所述污染物扩散趋势确定子模块根据所述污染物特征信息确定所述污染物在大气环境和/或水体环境中的传播模型，再根据所述传播模型反演得到所述扩散范围趋势；
其中，在上述两种情况中所述污染物在大气环境和/或水体环境中的传播模型确定过程如下：
设污染物源头所在的位置的空间点为(x，y，z)，在某一监测点(x′，y′，z′)监测到其在时间段t内的浓度变换为P，对应风速为u，则所述污染物源头对应的位置W(x，y，z)为：
其中，Sx、Sy、Sz分别为x方向、y方向和z方向对应的标准偏差，所述标准偏差Sx、Sy、Sz的计算公式如下：
其中，Kx为常量且Kx＝1.6×104，Ky为偏差系数且
相比于现有技术，该智能污染物追踪***通过设置空气污染物信息获取模块和水污染物信息获取模块来分别获取相应采样区域在不同外界环境条件下的空气污染物存在状态信息和水污染物存在状态信息，以实现对空气污染物和水污染物的大数据样本采集，再通过污染物信息分析模块对采集得到的空气污染物存在状态信息和水污染物存在状态信息进行相应的学习分析处理，以确定对应采样区域范围内的空气污染物和水污染物传播扩散模型和确定该采样区域范围的污染物特征信息，最后通过污染反馈模块根据相应的污染物特征信息生成关于空气污染物和/或水污染物的追踪反馈信息，从而实现对采样区域范围内空气污染物和水污染物及时的、快速的、全面的和有效的追踪监控，以提高对污染物追踪的智能性和准确性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种智能污染物追踪***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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，本领域普通技术人员在没有作出创造性劳动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，为本发明实施例提供的一种智能污染物追踪***的结构示意图。该智能污染物追踪***包括空气污染物信息获取模块、水污染物信息获取模块、污染物信息分析模块和污染反馈模块；其中，
该空气污染物信息获取模块用于获取关于一个或者多个采样区域对应的空气污染物存在状态信息；
该水污染物信息获取模块用于获取关于一个或者多个采样区域对应的水污染物存在状态信息；
该污染物信息分析模块用于对该空气污染物存在状态信息和/或该水污染物存在状态信息进行学习分析处理，以确定采样区域对应的污染物特征信息；
该污染物反馈模块用于根据该污染物特征信息，生成关于空气污染物和/或水污染物的追踪反馈信息。
优选地，该空气污染物信息获取模块包括环境参数获取子模块、空气采样区域确定子模块、空气采样子模块和空气样本分析子模块；其中，
该环境参数获取子模块用于获取预设范围内的不同类型环境参数信息；
该空气采样区域确定子模块用于根据该不同类型环境参数信息，于该预设范围内确定一个或者多个空气采样区域对应的分布位置；
该空气采样子模块用于在所确定的一个或者多个空气采样区域中，根据预定空气采样模式采集至少一份空气样本；
该空气样本分析子模块用于对该至少一份空气样本进行预设模式的空气分析处理，以获得该空气污染物存在状态信息。
优选地，该环境参数获取子模块包括大气环境参数获取单元和地形环境参数获取单元；其中，
该大气环境参数获取单元用于获取至少关于该预设范围内的风速参数、风向参数和大气垂直扰动参数；
该地形环境参数获取单元用于对该预设范围进行电磁波扫描和/或拍摄成像，以确定关于该预设范围的三维图像分布信息，并根据该三维图像分布信息，获取关于该预设范围的若干不同地形参数；
优选地，该空气采样区域确定子模块包括环境参数分析单元、环境干扰确定单元和空气采样区域标定单元；其中，
该环境参数分析单元用于对该不同类型环境参数信息进行预设神经网络模型的学习处理，以确定每一个环境参数信息对于空气采样操作的影响系数；
该环境干扰确定单元用于根据每一个环境参数信息对于空气采样操作的影响系数，确定该预设范围当前环境状态对该空气采样操作的干扰评价值；
该空气采样区域标定单元用于根据该干扰评价值，在该预设范围内确定一个或者多个空气采样区域对应的分布位置；
优选地，该空气采样子模块包括气体抽样单元、第一抽样动作控制单元和第一抽样反馈单元；其中，
该气体抽样单元用于在该一个或者多个空气采样区域中分别获取至少一份空气样本；
该第一抽样反馈单元用于根据该气体抽样单元当前的抽样动作状态生成第一抽样动作评价信息；
该第一抽样动作控制单元用于根据该第一抽样动作评价信息，对该气体抽样单元进行关于抽样容量、抽样时长、抽样频率和抽样压强中至少一者的调整处理；
优选地，该空气样本分析子模块包括样本稀释单元、样本溶解单元、样本污染物成分测定单元和样本污染物浓度测定单元；其中，
该样本稀释单元用于根据预设净化气体搀兑比例对该至少一份空气样本进行稀释处理；
该样本溶解单元用于将经过该稀释处理的空气样本以预设速率溶解至预设溶剂中；
该样本污染物成分测定单元用于对溶解有该空气样本的溶剂进行污染物成分测定处理，以确定该空气样本含有的污染物种类；
该样本污染物浓度测定单元用于对溶解有该空气样本的溶剂进行污染物浓度测定处理，以确定每一种污染物对应的浓度。
优选地，该水污染物信息获取模块包括水文参数获取子模块、水采样区域确定子模块、水采样子模块和水样本分析子模块；其中，
该水域参数获取子模块用于获取预设范围内不同类型水文参数信息；
该水采样区域确定子模块用于根据该不同类型水文参数信息，于该预设范围内确定一个或者多个水采样区域对应的分布位置。；
该水采样子模块用于在所确定的一个或者多个水采样区域中，根据约定水采样模式采集至少一份水样本；
该水样本分析子模块用于对该至少一份水样本进行预设模式的水分析处理，以获得该水污染物存在状态信息。
优选地，该水文参数获取子模块包括静态水文参数获取单元和动态水文参数获取单元；其中，
该静态水文参数获取单元用于获取关于该预设范围的水域分布面参数和/或水域连通状态参数；
该动态水文参数获取单元用于获取关于该预设范围的水域流速参数、水域流向参数和水域流量参数中的至少一者；
优选地，该水采样区域确定子模块包括水文参数分析单元、水文干扰确定单元和水采样区域标定单元；其中，
该水文参数分析单元用于对该不同类型水文参数信息进行预设神经网络模型的学习处理，以确定每一个水文参数信息对于水采样操作的影响系数；
该水文干扰确定单元用于根据每一个水文参数信息对于水采样操作的影响系数，确定该预设范围当前水文状态对该水采样操作的干扰评价值；
该水采样区域标定单元用于根据该干扰评价值，在该预设范围内确定一个或者多个水采样区域对应的分布位置；
优选地，该水采样子模块包括水体抽样单元、第二抽样动作控制单元和第二抽样反馈单元；其中，
该水体抽样单元用于在该一个或者多个水采样区域中分别获取至少一份水样本；
该第二抽样反馈单元用于根据该水体抽样单元当前的抽样动作状态生成第二抽样动作评价信息；
该第二抽样动作控制单元用于根据该第二抽样动作评价信息，对该水体抽样单元进行关于抽样容量、抽样时长、抽样频率和抽样压强中至少一者的调整处理；
优选地，该水样本分析子模块包括水体污染物成分测定单元和水体污染物浓度测定单元；其中，
该水体污染物成分测定单元用于对该至少一份水样本进行污染物成分测定处理，以确定该水样本含有的污染物种类；
该水体污染物浓度测定单元用于对该至少一份水样本进行污染物浓度测定处理，以确定每一种污染物对应的浓度。
优选地，该污染物信息分析模块包括状态信息划分子模块、状态信息演变分析子模块和污染物特征信息提取子模块；其中，
该状态信息划分子模块用于对该空气污染物存在状态信息和/或该水污染物存在状态信息进行关于时间迁移和/或地点迁移的划分处理；
该状态信息演变分析子模块用于对经过该划分处理的该空气污染物存在状态信息和/或该水污染物存在状态信息，进行关于污染物演变状态的深度学习分析处理，以获取对应的空气污染物和/或水污染物演变分布模型；
该污染物特征信息提取子模块用于根据该空气污染物和/或水污染物演变分布模型，确定该采样区域对应的污染物特征信息。
优选地，该污染物反馈模块包括污染物源头确定子模块、污染物扩散趋势确定子模块和污染物报警子模块；其中，
该污染物源头确定子模块用于根据该污染物特征信息，确定空气污染物和/或水污染物的源头区域位置；
该污染物扩散趋势确定子模块用于根据该污染物特征信息，确定空气污染物和/或水污染物的扩散范围趋势；
该污染物报警子模块用于根据该源头区域位置和/或该扩散范围趋势，执行适应性的报警响应操作。
优选地，该污染物源头确定子模块确定该源头区域位置具体包括，
该污染物源头确定子模块根据该污染物特征信息确定该污染物在大气环境和/或水体环境中的传播模型，再根据该传播模型反演得到该源头区域位置；优选地，该污染物扩散趋势确定子模块确定该扩散范围趋势具体包括，
该污染物扩散趋势确定子模块根据该污染物特征信息确定该污染物在大气环境和/或水体环境中的传播模型，再根据该传播模型反演得到该扩散范围趋势。
优选地，在上述两种情况中该污染物在大气环境和/或水体环境中的传播模型确定过程如下：
设污染物源头所在的位置的空间点为(x，y，z)，在某一监测点(x′，y′，z′)监测到其在时间段t内的浓度变换为P，对应风速为u，则该污染物源头对应的位置W(x，y，z)为：
其中，Sx、Sy、Sz分别为x方向、y方向和z方向对应的标准偏差，所述标准偏差Sx、Sy、Sz的计算公式如下：
其中，Kx为常量且Kx＝1.6×104，Ky为偏差系数且
通过上述方式能够快速地定位到该污染物源头对应的位置W(x，y，z)，同时在计算过程中需要检测的参数也较少，便于高效测量和提高污染物源头确定的便捷性。
从上述实施例的内容可知，该智能污染物追踪***通过设置空气污染物信息获取模块和水污染物信息获取模块来分别获取相应采样区域在不同外界环境条件下的空气污染物存在状态信息和水污染物存在状态信息，以实现对空气污染物和水污染物的大数据样本采集，再通过污染物信息分析模块对采集得到的空气污染物存在状态信息和水污染物存在状态信息进行相应的学习分析处理，以确定对应采样区域范围内的空气污染物和水污染物传播扩散模型和确定该采样区域范围的污染物特征信息，最后通过污染反馈模块根据相应的污染物特征信息生成关于空气污染物和/或水污染物的追踪反馈信息，从而实现对采样区域范围内空气污染物和水污染物及时的、快速的、全面的和有效的追踪监控，以提高对污染物追踪的智能性和准确性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种智能污染物追踪***，其特征在于：
所述智能污染物追踪***包括空气污染物信息获取模块、水污染物信息获取模块、污染物信息分析模块和污染反馈模块；其中，
所述空气污染物信息获取模块用于获取关于一个或者多个采样区域对应的空气污染物存在状态信息；
所述水污染物信息获取模块用于获取关于一个或者多个采样区域对应的水污染物存在状态信息；
所述污染物信息分析模块用于对所述空气污染物存在状态信息和/或所述水污染物存在状态信息进行学习分析处理，以确定采样区域对应的污染物特征信息；
所述污染物反馈模块用于根据所述污染物特征信息，生成关于空气污染物和/或水污染物的追踪反馈信息。
2.如权利要求1所述的智能污染物追踪***，其特征在于：
所述空气污染物信息获取模块包括环境参数获取子模块、空气采样区域确定子模块、空气采样子模块和空气样本分析子模块；其中，
所述环境参数获取子模块用于获取预设范围内的不同类型环境参数信息；
所述空气采样区域确定子模块用于根据所述不同类型环境参数信息，于所述预设范围内确定一个或者多个空气采样区域对应的分布位置；
所述空气采样子模块用于在所确定的一个或者多个空气采样区域中，根据预定空气采样模式采集至少一份空气样本；
所述空气样本分析子模块用于对所述至少一份空气样本进行预设模式的空气分析处理，以获得所述空气污染物存在状态信息。
3.如权利要求2所述的智能污染物追踪***，其特征在于：
所述环境参数获取子模块包括大气环境参数获取单元和地形环境参数获取单元；其中，
所述大气环境参数获取单元用于获取至少关于所述预设范围内的风速参数、风向参数和大气垂直扰动参数；
所述地形环境参数获取单元用于对所述预设范围进行电磁波扫描和/或拍摄成像，以确定关于所述预设范围的三维图像分布信息，并根据所述三维图像分布信息，获取关于所述预设范围的若干不同地形参数；
或者，
所述空气采样区域确定子模块包括环境参数分析单元、环境干扰确定单元和空气采样区域标定单元；其中，
所述环境参数分析单元用于对所述不同类型环境参数信息进行预设神经网络模型的学习处理，以确定每一个环境参数信息对于空气采样操作的影响系数；
所述环境干扰确定单元用于根据每一个环境参数信息对于空气采样操作的影响系数，确定所述预设范围当前环境状态对所述空气采样操作的干扰评价值；
所述空气采样区域标定单元用于根据所述干扰评价值，在所述预设范围内确定一个或者多个空气采样区域对应的分布位置。
4.如权利要求2所述的智能污染物追踪***，其特征在于：
所述空气采样子模块包括气体抽样单元、第一抽样动作控制单元和第一抽样反馈单元；其中，
所述气体抽样单元用于在所述一个或者多个空气采样区域中分别获取至少一份空气样本；
所述第一抽样反馈单元用于根据所述气体抽样单元当前的抽样动作状态生成第一抽样动作评价信息；
所述第一抽样动作控制单元用于根据所述第一抽样动作评价信息，对所述气体抽样单元进行关于抽样容量、抽样时长、抽样频率和抽样压强中至少一者的调整处理；
或者，
所述空气样本分析子模块包括样本稀释单元、样本溶解单元、样本污染物成分测定单元和样本污染物浓度测定单元；其中，
所述样本稀释单元用于根据预设净化气体搀兑比例对所述至少一份空气样本进行稀释处理；
所述样本溶解单元用于将经过所述稀释处理的空气样本以预设速率溶解至预设溶剂中；
所述样本污染物成分测定单元用于对溶解有所述空气样本的溶剂进行污染物成分测定处理，以确定所述空气样本含有的污染物种类；
所述样本污染物浓度测定单元用于对溶解有所述空气样本的溶剂进行污染物浓度测定处理，以确定每一种污染物对应的浓度。
5.如权利要求1所述的智能污染物追踪***，其特征在于：
所述水污染物信息获取模块包括水文参数获取子模块、水采样区域确定子模块、水采样子模块和水样本分析子模块；其中，
所述水域参数获取子模块用于获取预设范围内不同类型水文参数信息；
所述水采样区域确定子模块用于根据所述不同类型水文参数信息，于所述预设范围内确定一个或者多个水采样区域对应的分布位置；
所述水采样子模块用于在所确定的一个或者多个水采样区域中，根据约定水采样模式采集至少一份水样本；
所述水样本分析子模块用于对所述至少一份水样本进行预设模式的水分析处理，以获得所述水污染物存在状态信息。
6.如权利要求5所述的智能污染物追踪***，其特征在于：
所述水文参数获取子模块包括静态水文参数获取单元和动态水文参数获取单元；其中，
所述静态水文参数获取单元用于获取关于所述预设范围的水域分布面参数和/或水域连通状态参数；
所述动态水文参数获取单元用于获取关于所述预设范围的水域流速参数、水域流向参数和水域流量参数中的至少一者；
或者，
所述水采样区域确定子模块包括水文参数分析单元、水文干扰确定单元和水采样区域标定单元；其中，
所述水文参数分析单元用于对所述不同类型水文参数信息进行预设神经网络模型的学习处理，以确定每一个水文参数信息对于水采样操作的影响系数；
所述水文干扰确定单元用于根据每一个水文参数信息对于水采样操作的影响系数，确定所述预设范围当前水文状态对所述水采样操作的干扰评价值；
所述水采样区域标定单元用于根据所述干扰评价值，在所述预设范围内确定一个或者多个水采样区域对应的分布位置。
7.如权利要求5所述的智能污染物追踪***，其特征在于：
所述水采样子模块包括水体抽样单元、第二抽样动作控制单元和第二抽样反馈单元；其中，
所述水体抽样单元用于在所述一个或者多个水采样区域中分别获取至少一份水样本；
所述第二抽样反馈单元用于根据所述水体抽样单元当前的抽样动作状态生成第二抽样动作评价信息；
所述第二抽样动作控制单元用于根据所述第二抽样动作评价信息，对所述水体抽样单元进行关于抽样容量、抽样时长、抽样频率和抽样压强中至少一者的调整处理；
或者，
所述水样本分析子模块包括水体污染物成分测定单元和水体污染物浓度测定单元；其中，
所述水体污染物成分测定单元用于对所述至少一份水样本进行污染物成分测定处理，以确定所述水样本含有的污染物种类；
所述水体污染物浓度测定单元用于对所述至少一份水样本进行污染物浓度测定处理，以确定每一种污染物对应的浓度。
8.如权利要求1所述的智能污染物追踪***，其特征在于：
所述污染物信息分析模块包括状态信息划分子模块、状态信息演变分析子模块和污染物特征信息提取子模块；其中，
所述状态信息划分子模块用于对所述空气污染物存在状态信息和/或所述水污染物存在状态信息进行关于时间迁移和/或地点迁移的划分处理；
所述状态信息演变分析子模块用于对经过所述划分处理的所述空气污染物存在状态信息和/或所述水污染物存在状态信息，进行关于污染物演变状态的深度学习分析处理，以获取对应的空气污染物和/或水污染物演变分布模型；
所述污染物特征信息提取子模块用于根据所述空气污染物和/或水污染物演变分布模型，确定所述采样区域对应的污染物特征信息。
9.如权利要求1所述的智能污染物追踪***，其特征在于：
所述污染物反馈模块包括污染物源头确定子模块、污染物扩散趋势确定子模块和污染物报警子模块；其中，
所述污染物源头确定子模块用于根据所述污染物特征信息，确定空气污染物和/或水污染物的源头区域位置；
所述污染物扩散趋势确定子模块用于根据所述污染物特征信息，确定空气污染物和/或水污染物的扩散范围趋势；
所述污染物报警子模块用于根据所述源头区域位置和/或所述扩散范围趋势，执行适应性的报警响应操作。
10.如权利要求9所述的智能污染物追踪***，其特征在于：
所述污染物源头确定子模块确定所述源头区域位置具体包括，
所述污染物源头确定子模块根据所述污染物特征信息确定所述污染物在大气环境和/或水体环境中的传播模型，再根据所述传播模型反演得到所述源头区域位置；
或者，
所述污染物扩散趋势确定子模块确定所述扩散范围趋势具体包括，
所述污染物扩散趋势确定子模块根据所述污染物特征信息确定所述污染物在大气环境和/或水体环境中的传播模型，再根据所述传播模型反演得到所述扩散范围趋势；
其中，在上述两种情况中所述污染物在大气环境和/或水体环境中的传播模型确定过程如下：
设污染物源头所在的位置的空间点为(x，y，z)，在某一监测点(x′，y′，z′)监测到其在时间段t内的浓度变换为P，对应风速为u，则所述污染物源头对应的位置W(x，y，z)为：
其中，Sx、Sy、Sz分别为x方向、y方向和z方向对应的标准偏差，所述标准偏差Sx、Sy、Sz的计算公式如下：
其中，Kx为常量且Kx＝1.6×104，Ky为偏差系数且
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010088697.8A CN111272950B (zh) | 2020-02-12 | 2020-02-12 | 一种智能污染物追踪*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010088697.8A CN111272950B (zh) | 2020-02-12 | 2020-02-12 | 一种智能污染物追踪*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111272950A true CN111272950A (zh) | 2020-06-12 |
| CN111272950B CN111272950B (zh) | 2021-04-27 |
Family
ID=71000225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010088697.8A Active CN111272950B (zh) | 2020-02-12 | 2020-02-12 | 一种智能污染物追踪*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111272950B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114184752A (zh) * | 2021-11-11 | 2022-03-15 | 深圳市宇驰检测技术股份有限公司 | 重金属污染物阻控装置及*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100799602B1 (ko) * | 2007-03-19 | 2008-02-01 | 주식회사 코아 에프앤티 | 통합 환경오염분석방법 |
| WO2013184950A2 (en) * | 2012-06-06 | 2013-12-12 | The United States Of America, As Represented By The Secretary, Department Of Health & Human Services | Kits for detecting and monitoring endocrine disrupting chemicals (edcs) |
| CN106595757A (zh) * | 2016-11-29 | 2017-04-26 | 西南石油大学 | 一种环境监测方法及*** |
| CN107563597A (zh) * | 2017-08-04 | 2018-01-09 | 南通汇聚软件科技有限公司 | 污染物排放总量的智能预警方法 |
| CN109612883A (zh) * | 2018-12-13 | 2019-04-12 | 北京英视睿达科技有限公司 | 基于高密度监测网络的总悬浮颗粒物污染溯源方法及装置 |
| CN109765337A (zh) * | 2018-12-28 | 2019-05-17 | 北京英视睿达科技有限公司 | 一种污染源识别方法及其*** |
| CN110487750A (zh) * | 2019-06-28 | 2019-11-22 | 山东开创云软件有限公司 | 一种河道的水污染检测方法和*** |
| CN110567510A (zh) * | 2019-07-23 | 2019-12-13 | 北京英视睿达科技有限公司 | 大气污染监测方法、***、计算机设备和存储介质 |
-
2020
- 2020-02-12 CN CN202010088697.8A patent/CN111272950B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100799602B1 (ko) * | 2007-03-19 | 2008-02-01 | 주식회사 코아 에프앤티 | 통합 환경오염분석방법 |
| WO2013184950A2 (en) * | 2012-06-06 | 2013-12-12 | The United States Of America, As Represented By The Secretary, Department Of Health & Human Services | Kits for detecting and monitoring endocrine disrupting chemicals (edcs) |
| CN106595757A (zh) * | 2016-11-29 | 2017-04-26 | 西南石油大学 | 一种环境监测方法及*** |
| CN107563597A (zh) * | 2017-08-04 | 2018-01-09 | 南通汇聚软件科技有限公司 | 污染物排放总量的智能预警方法 |
| CN109612883A (zh) * | 2018-12-13 | 2019-04-12 | 北京英视睿达科技有限公司 | 基于高密度监测网络的总悬浮颗粒物污染溯源方法及装置 |
| CN109765337A (zh) * | 2018-12-28 | 2019-05-17 | 北京英视睿达科技有限公司 | 一种污染源识别方法及其*** |
| CN110487750A (zh) * | 2019-06-28 | 2019-11-22 | 山东开创云软件有限公司 | 一种河道的水污染检测方法和*** |
| CN110567510A (zh) * | 2019-07-23 | 2019-12-13 | 北京英视睿达科技有限公司 | 大气污染监测方法、***、计算机设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 日本《公害防止技术和法规》编委会: "《公害防止技术 大气篇》", 30 April 1990, 化学工业出版社 * |
| 蒋仲安 等: "《气溶胶力学及应用》", 31 July 2018, 冶金工业出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114184752A (zh) * | 2021-11-11 | 2022-03-15 | 深圳市宇驰检测技术股份有限公司 | 重金属污染物阻控装置及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111272950B (zh) | 2021-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Madan et al. | Air quality prediction using machine learning algorithms–a review | |
| CN210895538U (zh) | 水质智能监管装置和设备 | |
| CN116128260B (zh) | 基于数据样本的重点企业环境分析方法 | |
| CN108257365B (zh) | 一种基于全局不确定性证据动态融合的工业报警器设计方法 | |
| CN110530876B (zh) | 基于长短期记忆神经网络的绝缘子污秽度发展预测方法 | |
| CN111272950B (zh) | 一种智能污染物追踪*** | |
| CN117761261B (zh) | 一种基于大数据的碳排放监测***及方法 | |
| Singh et al. | Structural health monitoring and damage detection through machine learning approaches | |
| CN113267601B (zh) | 一种基于机器视觉和数据分析的工业生产环境远程实时监测云平台 | |
| CN112986497B (zh) | 基于气体传感器阵列指纹识别的污染气体溯源方法 | |
| DE202022101095U1 (de) | Intelligentes integriertes Überwachungssystem zur Messung der Wasserqualität auf der Basis von IoT-Sensoren | |
| CN109507382A (zh) | 生态环境监测预警***及监测预警方法 | |
| CN112577909A (zh) | 水质参数的监测方法、装置、设备和存储介质 | |
| CN116913047A (zh) | 一种流域农业面源污染物溯源方法和预警*** | |
| Mabunga et al. | Development of Sanitary Landfill's Groundwater Contamination Detection Model Based on Machine Learning Algorithms | |
| CN113030223A (zh) | 一种cod电化学快速在线监测*** | |
| CN113436046A (zh) | 基于人工智能和大数据的环境污染溯源***和方法 | |
| CN115705510A (zh) | 厂区气体污染分布预测方法、***、电子设备及存储介质 | |
| CN117237647B (zh) | 一种大气污染监测***及方法 | |
| Aravindaguru et al. | Streamlining Industrial Wastewater Management Through Real Time IoT Cloud Monitoring | |
| Yang et al. | Prediction of pollutant diffusion trend using CNN-GRU hybrid network in IoT air monitoring system | |
| Liu et al. | Polluted gas quantitative detection in multi-gas sensor based on bidirectional long-short term memory network | |
| Handayani et al. | Robustness of Sensors Network in Environmental Monitoring | |
| CN117969789B (zh) | 一种地下水资源的水情预测方法及监测*** | |
| Hong et al. | Drainage network flow anomaly classification based on XGBoost |
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 |