CN112381369A - 基于在线光谱识别的水体污染溯源和风险预测评估方法 - Google Patents

Abstract

本发明公开了基于在线光谱识别的水体污染溯源和风险预测评估方法，属于地表水污染物监测、溯源及风险评估技术领域，勘察目标水域可能污染物种类及相应来源，构建污染物图谱；测量当地河湖水体水质背景值；利用浸入式UV水质在线分析仪进行水质实时监测并反馈水质数据；构建云计算平台收集水质分析仪反馈的河湖实时水质监测数据并进行水质数据实时比对；根据比对结果，若判定有污染物泄露发生，则采用基于卡尔曼滤波方法的高精度水质溯源模型进行污染物溯源；根据溯源结果可快速进行污染风险评估。本发明构建的***包含实时在线监测和云计算功能，实现集数据平台化、识别精准化、计算高速化、操作简单化等特征于一体的溯源及风险评估目标。

Description

基于在线光谱识别的水体污染溯源和风险预测评估方法

技术领域

本发明属于地表水污染物监测、溯源及风险评估技术领域，具体涉及基于在线光谱识别的水体污染溯源和风险预测评估方法。

背景技术

近年来突发性水污染事件有逐年增加的趋势，突发性水污染事故具有不确定性、危害紧急性，在短时间内迅速影响供水***，导致停水事件，并经由蔓延、转化、耦合等机理严重影响到城市生态***，进而引发复杂的社会问题，成为影响饮用水源地安全的首要威胁因素。为了最大程度降低水污染事故带来的恶劣影响，除了加强水质实时监测之外，建立能够在线识别水体污染事件及污染物溯源、风险评预报的***技术显得非常必要。

现有针对水污染的监测、溯源技术或***功能单一，仅限于单功能的水质监测或溯源工作，无法实时在线识别水体中污染物超标以及自动溯源、风险评估，欠缺在水污染中较为重要的时效性，同时智能化较为片面，未形成***化。

发明内容

发明目的：针对水污染问题中及其重要的时效性，本发明的目的在于提供基于在线光谱识别的水体污染溯源和风险预测评估方法。

技术方案：为实现上述目的，本发明提供如下技术方案：

基于在线光谱识别的水体污染溯源和风险预测评估方法，包括如下步骤：

1)调查目标水域可能出现的污染物质及来源；

2)将浸入式UV水质在线分析仪在需要监测的目标水域中放置一段时间，获取当地河湖水体水质的背景值；

3)构建云计算平台；

4)对受潜在污染源影响的水域布置浸入式UV水质在线分析仪进行实时在线监测，UV水质在线分析仪内含独立通讯设备，将水质数据实时上传至云计算平台应用服务器进行数据保存及处理；

5)根据实时上传的水质数据，通过云计算平台中嵌入的水体污染识别计算程序进行水体污染在线识别计算，实时判别在当地河湖水质背景浓度下是否存在相应污染物泄露情况；水体污染识别计算程序根据水体本底值及已定相关物质控制指标，进行数据筛选过滤，根据光谱数据峰值对应光谱范围确定浓度超标物质种类；

6)当浸入式UV水质在线分析仪检测出异样物质浓度超标，采用云计算平台中嵌入的溯源程序进行污染源定位及释放历史识别；

7)根据溯源结果通过云计算平台中嵌入的风险预警程序快速进行监测水域附近未来一段时间内的污染风险评估；基于步骤6)溯源程序中的二维物质输运正向模型，模型中污染源项参数源自溯源参数的计算结果，对目标水域下游未来污染物扩散进行风险预测预警及评估。

进一步地，步骤1)中，所述的调查目标水域可能出现的污染物质及来源是调查目标水域附近具备潜在污染性的污染源头，并制作污染指纹图谱方便对照查询判断污染物来源。

进一步地，所述的步骤2)具体为浸入式UV水质在线分析仪分时段观测目标实体水质，时间间隔为1h；观测期间包括两种对比情形：晴雨不同天气状况、工厂高低峰不同生产状态；根据重复观测结果，分段时取平均值作为该时段的水质本体值；所能监测到的污染物质应具有吸收200nm-800nm光的性质，监测指标包括COD、高锰酸盐、硝态氮、金属离子、叶绿素。

进一步地，所述的步骤3)中，所述的云计算平台包括应用服务器和通信服务器；所述应用服务器与所述通信服务器连接，应用服务器用于记录实时上传的水质数据和处理相关业务逻辑，其中业务逻辑包括水体污染识别计算程序、溯源程序、风险预警程序，所述通信服务器用于与移动终端和监控终端与应用终端的通信，其中监控终端为浸入式UV水质在线分析仪。

进一步地，所述的步骤6)中，所述的溯源程序是基于卡尔曼滤波法的不确定性优化模型，由卡尔曼滤波优化模块和二维物质输运模块耦合，所述卡尔曼滤波优化模块的抽样算法采用蒙特卡洛随机抽样法，所述物质输运模块基于二维对流扩散方程和有限体积差分方法。

进一步地，其特征在于：所述的溯源程序中二维物质输运模型基于如下公式(1)的基本控制方程：

式中：H为水深(m)；C为等深的物质浓度(kg/m³)；t为时间(s)；u和v分别为x、y方向上速度(m/s)；K_xx，K_xy，K_yx以及K_yy为二维扩散系数张量(m²/s)。

进一步地，对于所述的公式(1)分成如下对流项和扩散项方程：

对流项：

扩散项：

利用有限体积法对上面对流项和扩散项进行差分计算，模拟污染物浓度场。

进一步地，所述的溯源程序中卡尔曼滤波优化模块流程包括预测、更新两个步骤：

首先，用K表示预测模型的状态变量集合(污染物质浓度)，集合个体由蒙特卡洛随机抽样算法得到，

表示集合均值，以K′表示两者之差，如公式(4)：

上式(5)中I_N为平均值算子，N为状态变量集合数量；P表示K的误差协方差矩阵，上标f和a分别表示预测值和分析值，则P^f和P^a分别表示状态变量的预测值和分析值误差协方差矩阵；

P^f＝K^f′(K^f′)^T (6)；

P^a＝K^a′(K^a′)^T (7)；

其中，

上标T表示矩阵转置，K^f和K^f分别为状态变量的预测值和分析值。

进一步地，所述的溯源程序中卡尔曼滤波优化模块流程包括预测、更新两个步骤具体包括如下步骤：

1)预测步骤通过下式来表示

式中：i表示状态变量集合成员序号，此处由于只含有污染物质浓度这一个状态变量，因此i只为1；

表示t时刻第i个集合成员的状态变量的更新值；

表示t+1时刻第i个集合成员状态变量的预测值；

表示模型算子，即二维物质输运计算模型；e_1i表示模型误差向量，误差服从e_1i～N(0，X)，本模型X取1％；

2)更新步骤通过下式来表示

[A]

其中，S_i，t+1表示t+1时刻第i个集合成员观测状态变量的向量；Q为转换矩阵，本模型中为单位矩阵；e_2i表示观测误差，误差服从e_2i～N(0，Y)，根据观测仪器与观测条件，本模型Y取1％；

为t+1时刻第i个集合成员的仪器观测的真实状态；

E为观测误差矩阵，如下式：

E＝(ε₁，ε₂，…，ε_N)∈R^m×N (10)；

式中m为观测值数量，N为状态变量集合数量，ε为状态变量观测误差；

R_e为观测误差协方差矩阵，如下式：

R_e＝E′(E′)^T (11)；

其中，

[B]

其中，G_t+1表示t+1时刻的增益矩阵，可用下式表示：

式中，Y_t+1为t+1时刻所有集合中状态变量的方差Y组成的矩阵；

更新的状态误差协方差矩阵

为：

式中，I为单位矩阵。

针对水污染问题中及其重要的时效性，构建云计算平台，基于云计算平台强大的数据库及计算能力，开发并嵌入污染物超标在线识别、溯源和预警技术，及时发现污染超标现象并进行自动化溯源、预警，同时有利于相关部门采取必要的管控措施和治理方案，对污染事件的追责提供必要的技术支撑。

有益效果：与现有技术相比，本发明通过构建具有强大数据库和计算能力的云计算平台，并在平台中嵌入中自行开发的污染物超标在线识别、溯源和风险预测评估计算模块，正常情况下可满足实时监测水域水质数据的获取，污染物超标情况下可自行识别超标污染物种类及浓度并自动进行溯源、风险预警计算，可作为相关部门紧急决策的技术支撑。该***的设计具有高度的智能化和集成化，能够保证处理紧急事件的时效性。同时，***基于云计算平台的可塑性很强，能够随时更新硬件设备和扩展计算模板，将会满足未来很长一个阶段内硬件技术和人工智能化发展对***的要求。

附图说明

图1是基于在线光谱识别的水体污染溯源和风险预测评估方法的结构示意图；

图2是基于在线光谱识别的水体污染溯源和风险预测评估方法的工作流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明作更进一步的说明。

如图1-2所示，基于在线光谱识别的水体污染溯源和风险预测评估方法，包括如下步骤：

1)调查目标水域可能出现的污染物质及来源；

调查目标水域附近工厂、排污管道、农田入河缺口等具备潜在污染性的污染源头，并制作污染指纹图谱方便对照查询判断污染物可能来源；

2)将浸入式UV水质在线分析仪在需要监测的目标水域中放置一段时间，获取当地河湖水体水质的背景值；

浸入式UV水质在线分析仪需要分时段观测目标实体水质，时间间隔为1h；观测期间应着重注意以下两种对比情形：晴雨不同天气状况、工厂高低峰不同生产状态；根据多次重复观测结果，分段时取平均值作为该时段的水质本体值；

所能监测到的污染物质应具有吸收200nm-800nm光的性质，监测指标包括溶解态COD、总有机碳、硝态氮、叶绿素、重金属离子；

3)构建云计算平台；

云计算平台包括应用服务器和通信服务器；所述应用服务器与所述通信服务器连接，应用服务器用于记录实时上传的水质数据和处理相关业务逻辑，其中业务逻辑包括水体污染识别计算程序、溯源程序、风险预警程序，所述通信服务器用于与移动终端和监控终端与应用终端的通信，其中监控终端为浸入式UV水质在线分析仪；

4)对可能受附近工厂、污水处理厂、排污管道或其他一些潜在污染源影响的水域布置浸入式UV水质在线分析仪进行实时在线监测，UV水质在线分析仪内含独立通讯设备，可在有电话信号区域范围内将水质数据实时上传至云计算平台应用服务器进行数据保存及处理；

5)根据实时上传的水质数据，通过云计算平台中嵌入的水体污染识别计算程序进行水体污染在线识别计算，实时判别在当地河湖水质背景浓度下是否存在相应污染物泄露情况；水体污染识别计算程序根据水体本底值及已定相关物质控制指标，进行数据筛选过滤，根据光谱数据峰值对应光谱范围确定浓度超标物质种类；

6)当浸入式UV水质在线分析仪检测出异样物质浓度超标，采用云计算平台中嵌入的溯源程序进行污染源定位及释放历史识别；

溯源程序是基于卡尔曼滤波法的不确定性优化模型，由卡尔曼滤波优化模块和二维物质输运模块耦合，所述卡尔曼滤波优化模块的抽样算法采用蒙特卡洛随机抽样法，所述物质输运模块基于二维对流扩散方程和有限体积差分方法。

溯源程序中二维物质输运模型基于如下基本控制方程：

式中：H为水深(m)；C为等深的物质浓度(kg/m³)；t为时间(s)；u和v分别为x、y方向上速度(m/s)；K_xx，K_xy，K_yx以及K_yy为二维扩散系数张量(m²/s)。

对于式(1)分成如下对流项和扩散项方程：

对流项：

扩散项：

利用有限体积法对上面对流项和扩散项进行差分计算，模拟污染物浓度场。溯源程序中所述的卡尔曼滤波优化模块流程主要包括预测、更新两个步骤：

首先，用K表示预测模型的状态变量集合(污染物质浓度)，集合个体由蒙特卡洛随机抽样算法得到，

表示集合均值，以K′表示两者之差，如式(4)。

上式(5)中I_N为平均值算子，N为状态变量集合数量，本模型中取20。

P表示K的误差协方差矩阵，上标f和a分别表示预测值和分析值，则P^f和P^a分别表示状态变量的预测值和分析值误差协方差矩阵。

P^f＝K^f′(K^f′)^T (6)；

P^a＝K^a′(K^a′)^T (7)；

其中，

上标T表示矩阵转置，K^f和K^f分别为状态变量的预测值和分析值。

(1)预测步骤通过下式来表示

式中：i表示状态变量集合成员序号，此处由于只含有污染物质浓度这一个状态变量，因此i只为1；

表示t时刻第i个集合成员的状态变量的更新值；

表示t+1时刻第i个集合成员状态变量的预测值；

表示模型算子，即二维物质输运计算模型；e_1i表示模型误差向量，误差服从e_1i～N(0，X)，本模型X取1％。

(2)更新步骤

[A]

其中，S_i，t+1表示t+1时刻第i个集合成员观测状态变量的向量；Q为转换矩阵，本模型中为单位矩阵；e_2i表示观测误差，误差服从e_2i～N(0，Y)，根据观测仪器与观测条件，本模型Y取1％；

为t+1时刻第i个集合成员的仪器观测的真实状态。

E为观测误差矩阵，如下式：

E＝(ε₁，ε₂，…，ε_N)∈R^m×N (10)；

式中m为观测值数量，N为状态变量集合数量，ε为状态变量观测误差。

R_e为观测误差协方差矩阵，如下式：

R_e＝E′(E′)^T (11)；

其中，

[B]

其中，G_t+1表示t+1时刻的增益矩阵，可用下式表示：

式中，Y_t+1为t+1时刻所有集合中状态变量的方差Y组成的矩阵。

更新的状态误差协方差矩阵

为：

式中，I为单位矩阵。

7)根据溯源结果可通过云计算平台中嵌入的风险预警程序快速进行监测水域附近未来一段时间内的污染风险评估。基于步骤6)溯源程序中的二维物质输运正向模型，模型中污染源项参数源自溯源参数的计算结果，对目标水域下游未来污染物扩散进行风险预测预警及评估。

本发明与现有技术相比，具有以下优点：通过构建具有强大数据库和计算能力的云计算平台，并在平台中嵌入中自行开发的污染物超标在线识别、溯源和风险预测评估计算模块，正常情况下可满足实时监测水域水质数据的获取，污染物超标情况下可自行识别超标污染物种类及浓度并自动进行溯源、风险预警计算，可作为相关部门紧急决策的技术支撑。该***的设计具有高度的智能化和集成化，能够保证处理紧急事件的时效性。同时，***基于云计算平台的可塑性很强，能够随时更新硬件设备和扩展计算模板，将会满足未来很长一个阶段内硬件技术和人工智能化发展对***的要求。

Claims (9)

1.基于在线光谱识别的水体污染溯源和风险预测评估方法，其特征在于：包括如下步骤：

1)调查目标水域出现的污染物质及来源；

2)将浸入式UV水质在线分析仪在需要监测的目标水域中放置一段时间，获取当地河湖水体水质的背景值；

3)构建云计算平台；

4)对受潜在污染源影响的水域布置浸入式UV水质在线分析仪进行实时在线监测，将水质数据实时上传至云计算平台应用服务器进行数据保存及处理；

5)根据实时上传的水质数据，通过云计算平台中嵌入的水体污染识别计算程序进行水体污染在线识别计算，实时判别在当地河湖水质背景浓度下是否存在相应污染物泄露情况；水体污染识别计算程序进行数据筛选过滤，根据光谱数据峰值对应光谱范围确定浓度超标物质种类；

6)当浸入式UV水质在线分析仪检测出异样物质浓度超标，采用云计算平台中嵌入的溯源程序进行污染源定位及释放历史识别；

7)根据溯源结果通过云计算平台中嵌入的风险预警程序进行监测水域附近未来一段时间内的污染风险评估。

2.根据权利要求1所述的基于在线光谱识别的水体污染溯源和风险预测评估方法，其特征在于：步骤1)中，所述的调查目标水域出现的污染物质及来源是调查目标水域附近具备潜在污染性的污染源头，并制作污染指纹图谱方便对照查询判断污染物来源。

3.根据权利要求1所述的基于在线光谱识别的水体污染溯源和风险预测评估方法，其特征在于：所述的步骤2)具体为浸入式UV水质在线分析仪分时段观测目标实体水质，时间间隔为1h；观测期间包括两种对比情形：晴雨不同天气状况、工厂高低峰不同生产状态；根据重复观测结果，分段时取平均值作为该时段的水质本体值。

4.根据权利要求1所述的基于在线光谱识别的水体污染溯源和风险预测评估方法，其特征在于：所述的步骤3)中，所述的云计算平台包括应用服务器和通信服务器；所述应用服务器与所述通信服务器连接，应用服务器用于记录实时上传的水质数据和处理相关业务逻辑，其中业务逻辑包括水体污染识别计算程序、溯源程序、风险预警程序，所述通信服务器用于与移动终端和监控终端与应用终端的通信，其中监控终端为浸入式UV水质在线分析仪。

5.根据权利要求1所述的基于在线光谱识别的水体污染溯源和风险预测评估方法，其特征在于：所述的步骤6)中，所述的溯源程序是基于卡尔曼滤波法的不确定性优化模型，由卡尔曼滤波优化模块和二维物质输运模块耦合，所述卡尔曼滤波优化模块的抽样算法采用蒙特卡洛随机抽样法，所述物质输运模块基于二维对流扩散方程和有限体积差分方法。

6.根据权利要求5所述的基于在线光谱识别的水体污染溯源和风险预测评估方法，其特征在于：所述的溯源程序中二维物质输运模型基于如下公式(1)的基本控制方程：

式中：H为水深；C为等深的物质浓度；t为时间；u和v分别为x、y方向上速度；K_xx，K_xy，K_yx以及K_yy为二维扩散系数张量。

7.根据权利要求6所述的基于在线光谱识别的水体污染溯源和风险预测评估方法，其特征在于：对于所述的公式(1)分成如下对流项和扩散项方程：

对流项：

扩散项：

利用有限体积法对上面对流项和扩散项进行差分计算，模拟污染物浓度场。

8.根据权利要求7所述的基于在线光谱识别的水体污染溯源和风险预测评估方法，其特征在于：所述的溯源程序中卡尔曼滤波优化模块流程包括预测、更新两个步骤：

首先，用K表示预测模型的状态变量集合，集合个体由蒙特卡洛随机抽样算法得到，

表示集合均值，以K′表示两者之差如公式(4)：

上式(5)中I_N为平均值算子，N为状态变量集合数量；P表示K的误差协方差矩阵，上标f和a分别表示预测值和分析值，则P^f和P^a分别表示状态变量的预测值和分析值误差协方差矩阵；

P^f＝K^f′(K^f′)^T (6)；

P^a＝K^a′(K^a′)^T (7)；

其中，

T表示矩阵转置，K^f和K^f分别为状态变量的预测值和分析值。

9.根据权利要求7所述的基于在线光谱识别的水体污染溯源和风险预测评估方法，其特征在于：所述的溯源程序中卡尔曼滤波优化模块流程包括预测、更新两个步骤具体包括如下步骤：

1)预测步骤通过下式来表示

式中：i表示状态变量集合成员序号，

表示t时刻第i个集合成员的状态变量的更新值；

表示t+1时刻第i个集合成员状态变量的预测值；

表示模型算子；e_1i表示模型误差向量，误差服从e_1i～N(0,X)；

2)更新步骤通过下式来表示

其中，S_i,t+1表示t+1时刻第i个集合成员观测状态变量的向量；Q为转换矩阵；e_2i表示观测误差，误差服从e_2i～N(0,Y)；

为t+1时刻第i个集合成员的仪器观测的真实状态；

E为观测误差矩阵，如下式：

E＝(ε₁,ε₂,…,ε_N)∈R^m×N (10)；

式中m为观测值数量，N为状态变量集合数量，ε为状态变量观测误差；

R_e为观测误差协方差矩阵，如下式：

R_e＝E′(E′)^T (11)；

其中，

其中，G_t+1表示t+1时刻的增益矩阵，用下式表示：

式中，Y_t+1为t+1时刻所有集合中状态变量的方差Y组成的矩阵；

更新的状态误差协方差矩阵

为：

式中，I为单位矩阵。

Images