CN116109462B - 一种自然灾害后饮水水源地污染监测预警方法及*** - Google Patents
一种自然灾害后饮水水源地污染监测预警方法及*** Download PDFInfo
- Publication number
- CN116109462B CN116109462B CN202310378865.0A CN202310378865A CN116109462B CN 116109462 B CN116109462 B CN 116109462B CN 202310378865 A CN202310378865 A CN 202310378865A CN 116109462 B CN116109462 B CN 116109462B
- Authority
- CN
- China
- Prior art keywords
- pollution
- water source
- drinking water
- monitoring
- data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 227
- 239000003651 drinking water Substances 0.000 title claims abstract description 161
- 235000020188 drinking water Nutrition 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 41
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 48
- 238000003911 water pollution Methods 0.000 claims abstract description 28
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 239000003344 environmental pollutant Substances 0.000 claims description 45
- 231100000719 pollutant Toxicity 0.000 claims description 45
- 230000008859 change Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 239000002245 particle Substances 0.000 claims description 17
- 238000005192 partition Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 230000002618 waking effect Effects 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 239000010865 sewage Substances 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000003673 groundwater Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Chemical & Material Sciences (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Remote Sensing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种自然灾害后饮水水源地污染监测预警方法及***,包括:获取目标饮用水水源地的地理位置及水源地类型,提取周边的污染特征确定污染因子及潜在污染因子;确定污染监测指标及气象监测指标后在目标饮用水水源地预设范围内进行传感器布设,在自然灾害预警后,通过污染监测指标获取目标饮用水水源地的污染监测数据,基于深度学习构建污染预测模型,获取目标饮用水水源地的污染预测信息;进行目标饮用水水源地的污染预警,并将污染预警信息及污染预测信息进行可视化显示。本发明通过物联网监测进行饮用水水源地在自然灾害等突发式水源地水质污染事件的有效预警,获取污染信息的空间特征及动态特征,保证了污染监测时效性。
Description
技术领域
本发明涉及水源污染监测技术领域,更具体的,涉及一种自然灾害后饮水水源地污染监测预警方法及***。
背景技术
随着水资源的短缺和受污染现象逐渐频繁,饮用水水源地污染问题越来越受到重视,水源地的污染防治工作也成为目前关注的重点环境问题。水源污染的造成因素众多,自然灾害是较为重要的原因之一,水源地大多地处山区,山区气候多变, 受强降雨影响, 山洪灾害极易发生, 山洪发生时爆涨的水流中常挟带着泥沙和石块, 破坏力非常强, 容易造成大面积的水源污染。由于自然灾害的不确定因素,使水源污染的监测预警难度增大。
水源地突发污染事件应急监测,可为事故处理决策部门提供污染物质类别、浓度分布、影响范围及发展态势等信息,因此,为了保护水源地使得自然灾害对水源地的污染程度有效减少,通过应急监测手段对自然灾害及自然灾害后的水体进行监测显得尤为重要。水源地水体污染应急处置实时监测所面临的诸多困难,传统的水源地水体污染应急处置方法难以适应应急处置现代化发展需求,因此研究和开发水体污染应急处置实时监测预警平台非常有必要,保证测试数据能够很好的帮助决策,在实时监测预警平台中如何基于云框架及物联网实时获取优先监测数据,确保监测预警信息的精准有效是亟不可待需要解决的问题。
发明内容
为了解决上述技术问题,本发明提出了一种自然灾害后饮水水源地污染监测预警方法及***。
本发明第一方面提供了一种自然灾害后饮水水源地污染监测预警方法,包括:
获取目标饮用水水源地的地理位置及水源地类型,根据所述地理位置及水源地类型提取周边的污染特征,通过所述污染特征确定污染因子及潜在污染因子;
基于所述污染因子及潜在污染因子确定污染监测指标及气象监测指标,根据所述污染监测指标及气象监测指标在目标饮用水水源地预设范围内传感器布设,通过气象监测数据进行自然灾害的发生监测;
当所述气象监测指标超出预设阈值范围时,则生成自然灾害预警,通过污染监测指标获取目标饮用水水源地的污染监测数据,基于深度学习构建污染预测模型,获取目标饮用水水源地的污染预测信息;
根据所述污染预测信息进行目标饮用水水源地的污染预警,并将污染预警信息及污染预测信息进行可视化显示。
本方案中,根据所述地理位置及水源地类型提取周边的污染特征,通过所述污染特征确定污染因子及潜在污染因子,具体为:
通过GIS手段获取目标饮用水水源地预设范围内的GIS地理数据,根据所述GIS地理数据获取水源地地形特征,并识别水源地的水源地类型,设置目标饮用水水源地的标签;
获取目标饮用水水源地预设范围内的污染源,根据污染源所处位置及水源地地形特征获取风险污染源,根据风险污染源所涉及的污染物提取风险污染源的污染源特征;
利用大数据方法获取突发水污染的历史发生数据,通过所述污染源特征在所述突发水污染的历史发生数据中进行统计分析,获取各污染源特征对应的突发性次数对污染源进行筛选,并将自然灾害引起的突发水污染进行单独标记;
将筛选后污染源特征进行汇总获取水源地周边的污染特征,根据污染特征确定污染因子,所述污染因子携带污染的位置特征,同时根据单独标记的突发水污染对应的污染源特征确定潜在污染因子,对于重复的污染因子设置双重标签。
本方案中,根据所述污染监测指标及气象监测指标在目标饮用水水源地预设范围内传感器布设,通过气象监测数据进行自然灾害的发生监测,具体为:
获取目标饮用水水源地的污染因子及潜在污染因子,根据所述污染因子及潜在污染因子设置污染物监测指标,并根据目标饮用水水源地所在区域的历史自然灾害状况确定气象监测指标;
通过所述污染物监测指标和气象监测指标确定对应的传感器类别,并根据污染因子及潜在污染因子的污染位置特征确定各类别传感器的初始布设范围,在所述初始布设范围中根据污染源的历史突发性次数确定传感器数量;
根据各类传感器覆盖的最大距离及待监测污染源的位置确定传感器的综合覆盖率作为适应度函数,引入随迭代次数改变的自适应变异及动态权重对粒子群算法进行改进;
通过改进后的粒子群算法生成各初始布设范围及目标饮用水水源地预设范围内的局部传感器最佳布设位置及全局传感器的最佳布设位置及布设数量;
通过目标饮用水水源地预设范围内布设的传感器对气象进行监测获取气象监测数据,当所述气象监测数据大于预设阈值时,生成自然灾害预警,并唤醒潜在污染因子对应的相关传感器。
本方案中,基于深度学习构建污染预测模型,获取目标饮用水水源地的污染预测信息,具体为:
获取目标饮用水水源地的污染监测数据,对污染监测数据分别进行时间特征及空间特征的提取,生成污染监测数据时空特征序列;
基于RBF神经网络构建污染预测模型,通过历史突发性污染监测数据获取训练数据,利用所述训练数据对污染预测模型进行训练;
将污染监测数据时空特征序列及污染物浓度数据输入训练好的污染预测模型,根据污染预测模型的输出层获取污染预测信息。
本方案中,对污染监测数据分别进行时间特征及空间特征的提取,生成污染监测数据时空特征序列,具体为:
在自然灾害预警后获取目标饮用水水源地的污染监测数据,并根据污染监测指标获取监测正常时对应的指标标准数据,通过所述指标标准数据确定各监测指标的判读数据;
将获取的各监测指标的判读数据与气象数据进行数据匹配,生成各传感器对应的监测数据时序序列,将所述监测数据时序序列输入时间卷积神经网络,根据训练后的时间卷积神经网络获取污染物的浓度变化趋势特征;
根据目标饮用水水源地传感器连接覆盖的拓扑结构通过图形式进行表示,并通过图注意力网络对拓扑结构的图形式表示进行学习,将各传感器节点的浓度变化趋势特征导入图注意力网络;
通过注意力机制获取相邻传感器节点对目标节点的注意力权重,将所述注意力权重分配到各相邻传感器节点,利用图注意力网络的邻居聚合生成特征的聚合表示,生成污染监测数据时空特征序列。
本方案中,根据所述污染预测信息进行目标饮用水水源地的污染预警,并将污染预警信息及污染预测信息进行可视化显示,具体为:
获取目标饮用水水源地的污染预测信息,根据目标饮用水水源地的受污染时间设置污染阈值,通过所述污染预测信息获取不同时间戳的污染峰值浓度及峰值浓度到污染源距离;
根据GIS地理数据及传感器布设点位将所述目标饮用水水源地预设范围划分为若干子区域,获取当前时间戳所述子区域内污染峰值浓度;
判断所述子区域内污染峰值是否大于当前时间戳对应的污染阈值,若大于,则获取污染浓度偏差,根据所述污染浓度偏差获取对应预警等级与子区域进行匹配;
获取目标饮用水水源地预设范围内的分区预警,根据所述GIS地理数据获取目标饮用水水源地的三维可视化模型,将分区预警导及入所述三维可视化模型;
根据当前时间戳的分区预警确定污染物范围,同时基于污染物范围、污染物峰值浓度、峰值浓度到污染源距离的变化特征获取未预警区域的污染物到达时间,为污染应急措施提供依据。
本发明第二方面还提供了一种自然灾害后饮水水源地污染监测预警***,该***包括:存储器、处理器,所述存储器中包括一种自然灾害后饮水水源地污染监测预警方法程序,所述一种自然灾害后饮水水源地污染监测预警方法程序被所述处理器执行时实现如下步骤:
获取目标饮用水水源地的地理位置及水源地类型,根据所述地理位置及水源地类型提取周边的污染特征,通过所述污染特征确定污染因子及潜在污染因子;
基于所述污染因子及潜在污染因子确定污染监测指标及气象监测指标,根据所述污染监测指标及气象监测指标在目标饮用水水源地预设范围内传感器布设,通过气象监测数据进行自然灾害的发生监测;
当所述气象监测指标超出预设阈值范围时,则生成自然灾害预警,通过污染监测指标获取目标饮用水水源地的污染监测数据,基于深度学习构建污染预测模型,获取目标饮用水水源地的污染预测信息;
根据所述污染预测信息进行目标饮用水水源地的污染预警,并将污染预警信息及污染预测信息进行可视化显示。
本发明公开了一种自然灾害后饮水水源地污染监测预警方法及***,包括:获取目标饮用水水源地的地理位置及水源地类型,提取周边的污染特征确定污染因子及潜在污染因子;确定污染监测指标及气象监测指标后在目标饮用水水源地预设范围内进行传感器布设,在自然灾害预警后,通过污染监测指标获取目标饮用水水源地的污染监测数据,基于深度学习构建污染预测模型,获取目标饮用水水源地的污染预测信息;进行目标饮用水水源地的污染预警,并将污染预警信息及污染预测信息进行可视化显示。本发明通过物联网监测进行饮用水水源地在自然灾害等突发式水源地水质污染事件的有效预警,获取污染信息的空间特征及动态特征,保证了污染监测时效性。
附图说明
图1示出了本发明一种自然灾害后饮水水源地污染监测预警方法的流程图;
图2示出了本发明生成污染监测数据时空特征序列的方法流程图;
图3示出了本发明根据污染预测信息进行目标饮用水水源地的污染预警的方法流程图;
图4示出了本发明一种自然灾害后饮水水源地污染监测预警***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种自然灾害后饮水水源地污染监测预警方法的流程图。
如图1所示,本发明第一方面提供了一种自然灾害后饮水水源地污染监测预警方法,包括:
S102,获取目标饮用水水源地的地理位置及水源地类型,根据所述地理位置及水源地类型提取周边的污染特征,通过所述污染特征确定污染因子及潜在污染因子;
S104,基于所述污染因子及潜在污染因子确定污染监测指标及气象监测指标,根据所述污染监测指标及气象监测指标在目标饮用水水源地预设范围内传感器布设,通过气象监测数据进行自然灾害的发生监测;
S106,当所述气象监测指标超出预设阈值范围时,则生成自然灾害预警,通过污染监测指标获取目标饮用水水源地的污染监测数据,基于深度学习构建污染预测模型,获取目标饮用水水源地的污染预测信息;
S108,根据所述污染预测信息进行目标饮用水水源地的污染预警,并将污染预警信息及污染预测信息进行可视化显示。
需要说明的是,通过GIS手段获取目标饮用水水源地预设范围内的GIS地理数据,根据所述GIS地理数据获取水源地地形特征,并识别水源地的水源地类型,水源地类型包括地下水源、地上水源、分散式水源及集中式水源等,设置目标饮用水水源地的标签;获取目标饮用水水源地预设范围内的污染源,包括城镇生活污水排放、工业污水排放、农业污水排放及交通运输事故所引起的污染排放等,通过水源地地形特征分析获取易发生自然灾害的地形位置,如气候突变引发的泥石流等。根据污染源所处位置及水源地地形特征获取风险污染源,根据风险污染源所涉及的污染物提取风险污染源的污染源特征;利用大数据方法获取突发水污染的历史发生数据,通过所述污染源特征在所述突发水污染的历史发生数据中进行统计分析,获取各污染源特征对应的突发性次数对污染源进行筛选,保留突发性次数大于预设阈值的污染源特征,并将自然灾害引起的突发水污染进行单独标记;将筛选后污染源特征进行汇总获取水源地周边的污染特征,根据污染特征确定污染因子,所述污染因子携带污染的位置特征,由于自然灾害造成的水污染历史数据相对较少,将历史自然灾害造成的水污染数据进行分析,同时根据单独标记的突发水污染对应的污染源特征确定潜在污染因子,对于重复的污染因子设置双重标签。
需要说明的是,获取目标饮用水水源地的污染因子及潜在污染因子,根据所述污染因子及潜在污染因子设置污染物监测指标,并根据目标饮用水水源地所在区域的历史自然灾害状况确定气象监测指标,通过所述污染物监测指标和气象监测指标确定对应的传感器类别,优选的,还布置地理形变传感器,监测地震、泥石流等自然灾害,并根据污染因子及潜在污染因子的污染位置特征确定各类别传感器的初始布设范围,在所述初始布设范围中根据污染源的历史突发性次数确定传感器数量;根据各类传感器覆盖的最大距离及待监测污染源的位置确定传感器的综合覆盖率作为适应度函数,所述综合覆盖率表示为,其中,/>为传感器的综合覆盖率,/>为传感器的最大覆盖范围,为目标污染源a到传感器b的距离,/>为预设范围,当传感器设置在传感器的最大覆盖范围外,监测到目标污染源的概率为0,当传感器设置在预设范围内,监测到目标污染源的概率为1;将所有传感器的综合覆盖率进行聚合,获取适应度函数;
引入随迭代次数改变的自适应变异及动态权重对粒子群算法进行改进;所述自适应变异拓展了搜索空间,使得粒子跳出目前搜索到的最优位置,从而在更大的空间内搜索,有利于粒子搜寻更优解,动态权重反映了粒子继承先前速度的比例,随粒子迭代次数进行改变,对粒子搜索进行优化,动态权重计算公式为:/>,为初始动态权重,/>为最终动态权重,/>为迭代次数,/>为最大迭代次数;通过改进后的粒子群算法生成各初始布设范围及目标饮用水水源地预设范围内的局部传感器最佳布设位置及全局传感器的最佳布设位置及布设数量;通过目标饮用水水源地预设范围内布设的传感器对气象进行监测获取气象监测数据,当所述气象监测数据大于预设阈值时,生成自然灾害预警,并唤醒潜在污染因子对应的相关传感器,其中污染因子对应的传感器处于始终开启状态,进行日常污染监测。
图2示出了本发明生成污染监测数据时空特征序列的方法流程图。
根据本发明实施例,对污染监测数据分别进行时间特征及空间特征的提取,生成污染监测数据时空特征序列,具体为:
S202,在自然灾害预警后获取目标饮用水水源地的污染监测数据,并根据污染监测指标获取监测正常时对应的指标标准数据,通过所述指标标准数据确定各监测指标的判读数据;
S204,将获取的各监测指标的判读数据与气象数据进行数据匹配,生成各传感器对应的监测数据时序序列,将所述监测数据时序序列输入时间卷积神经网络,根据训练后的时间卷积神经网络获取污染物的浓度变化趋势特征;
S206,根据目标饮用水水源地传感器连接覆盖的拓扑结构通过图形式进行表示,并通过图注意力网络对拓扑结构的图形式表示进行学习,将各传感器节点的浓度变化趋势特征导入图注意力网络;
S208,通过注意力机制获取相邻传感器节点对目标节点的注意力权重,将所述注意力权重分配到各相邻传感器节点,利用图注意力网络的邻居聚合生成特征的聚合表示,生成污染监测数据时空特征序列。
需要说明的是,通过时间卷积神经网络对各传感器对应的监测数据时序序列进行特征提取,挖掘监测数据时序序列的时间特征,时间卷积神经网络拥有稳定的梯度,不存在梯度消失和梯度***的问题,确保了特征提取的稳定性。根据目标饮用水水源地传感器连接覆盖的拓扑结构通过图形式进行表示,将传感器作为图形式的点结构,根据传感器之间的联系生成图形式中的边结构,通过图注意力网络对图形式进行学习表示,在拓扑结构的图形式中目标传感器节点i及相邻传感器节点j之间注意力值为:
通过目标传感器节点i及相邻传感器节点j之间注意力值与目标传感器节点i及所有相邻传感器节点注意力值的总和的比值确定注意力权重/>,将所述注意力权重进行归一化处理后,利用邻居聚合机制对目标传感器节点的特征进行更新表示,,其中,/>表示目标传感器节点i的最终更新表示,/>表示激活函数,j表示相邻节点项数,/>表示目标传感器节点i的相邻节点集合。
基于深度学习构建污染预测模型,获取目标饮用水水源地的污染预测信息, 获取目标饮用水水源地的污染监测数据,对污染监测数据分别进行时间特征及空间特征的提取,生成污染监测数据时空特征序列;基于RBF神经网络构建污染预测模型,RBF神经网络包括输入层、隐藏层及输出层,通过历史突发性污染监测数据获取训练数据,利用所述训练数据对污染预测模型进行训练;将污染监测数据时空特征序列及污染物浓度数据输入训练好的污染预测模型,根据污染预测模型的输出层获取污染预测信息,根据所述污染预测信息能够得出不同时间的峰值浓度,峰值浓度距污染源的距离,污染物的传播范围,水源地受影响时间和水质超标距离等信息。
图3示出了本发明根据污染预测信息进行目标饮用水水源地的污染预警的方法流程图。
根据本发明实施例,根据所述污染预测信息进行目标饮用水水源地的污染预警,并将污染预警信息及污染预测信息进行可视化显示,具体为:
S302,获取目标饮用水水源地的污染预测信息,根据目标饮用水水源地的受污染时间设置污染阈值,通过所述污染预测信息获取不同时间戳的污染峰值浓度及峰值浓度到污染源距离;
S304,根据GIS地理数据及传感器布设点位将所述目标饮用水水源地预设范围划分为若干子区域,获取当前时间戳所述子区域内污染峰值浓度;
S306,判断所述子区域内污染峰值是否大于当前时间戳对应的污染阈值,若大于,则获取污染浓度偏差,根据所述污染浓度偏差获取对应预警等级与子区域进行匹配;
S308,获取目标饮用水水源地预设范围内的分区预警,根据所述GIS地理数据获取目标饮用水水源地的三维可视化模型,将分区预警导及入所述三维可视化模型;
S310,根据当前时间戳的分区预警确定污染物范围,同时基于污染物范围、污染物峰值浓度、峰值浓度到污染源距离的变化特征获取未预警区域的污染物到达时间,为污染应急措施提供依据。
根据本发明实施例,基于污染预测信息生成目标饮用水水源地的应急措施,具体为:构建突发性水体污染数据库,将历史突发性水体污染的监测数据及对应的应急措施进行匹配后存入所述突发性水体污染数据库;
根据目标饮用水水源地的预警信息分析传感器数据,获取自然灾害类型及自然灾害预警程度,通过所述自然灾害预警程度预测目标饮用水水源地的受损程度及保护措施的实施必要性;
当所述自然灾害预警程度大于等于预设预警程度阈值时,则视为目标饮用水水源地受损严重,危险程度高,不必进行保护措施;
当所述自然灾害预警程度小于预设预警程度阈值时,获取水源地的污染变化趋势特征,根据所述污染变化特征趋势在所述突发性水体污染数据库中进行检索,在数据空间中获取相似度符合预设标准的历史数据,提取历史数据中的应急措施;
根据当前地质灾害的特征及目标饮用水水源地的地形特征对应急措施进行筛选,并根据当前地质灾害的特征进行地质灾害的持续性预测,获取筛选后应急措施的最佳实施时间。
图4示出了本发明一种自然灾害后饮水水源地污染监测预警***的框图。
本发明第二方面还提供了一种自然灾害后饮水水源地污染监测预警***4,该***包括:存储器41、处理器42,所述存储器中包括一种自然灾害后饮水水源地污染监测预警方法程序,所述一种自然灾害后饮水水源地污染监测预警方法程序被所述处理器执行时实现如下步骤:
获取目标饮用水水源地的地理位置及水源地类型,根据所述地理位置及水源地类型提取周边的污染特征,通过所述污染特征确定污染因子及潜在污染因子;
基于所述污染因子及潜在污染因子确定污染监测指标及气象监测指标,根据所述污染监测指标及气象监测指标在目标饮用水水源地预设范围内传感器布设,通过气象监测数据进行自然灾害的发生监测;
当所述气象监测指标超出预设阈值范围时,则生成自然灾害预警,通过污染监测指标获取目标饮用水水源地的污染监测数据,基于深度学习构建污染预测模型,获取目标饮用水水源地的污染预测信息;
根据所述污染预测信息进行目标饮用水水源地的污染预警,并将污染预警信息及污染预测信息进行可视化显示。
需要说明的是,通过GIS手段获取目标饮用水水源地预设范围内的GIS地理数据,根据所述GIS地理数据获取水源地地形特征,并识别水源地的水源地类型,水源地类型包括地下水源、地上水源、分散式水源及集中式水源等,设置目标饮用水水源地的标签;获取目标饮用水水源地预设范围内的污染源,包括城镇生活污水排放、工业污水排放、农业污水排放及交通运输事故所引起的污染排放等,通过水源地地形特征分析获取易发生自然灾害的地形位置,如气候突变引发的泥石流等。根据污染源所处位置及水源地地形特征获取风险污染源,根据风险污染源所涉及的污染物提取风险污染源的污染源特征;利用大数据方法获取突发水污染的历史发生数据,通过所述污染源特征在所述突发水污染的历史发生数据中进行统计分析,获取各污染源特征对应的突发性次数对污染源进行筛选,保留突发性次数大于预设阈值的污染源特征,并将自然灾害引起的突发水污染进行单独标记;将筛选后污染源特征进行汇总获取水源地周边的污染特征,根据污染特征确定污染因子,所述污染因子携带污染的位置特征,由于自然灾害造成的水污染历史数据相对较少,将历史自然灾害造成的水污染数据进行分析,同时根据单独标记的突发水污染对应的污染源特征确定潜在污染因子,对于重复的污染因子设置双重标签。
需要说明的是,获取目标饮用水水源地的污染因子及潜在污染因子,根据所述污染因子及潜在污染因子设置污染物监测指标,并根据目标饮用水水源地所在区域的历史自然灾害状况确定气象监测指标,通过所述污染物监测指标和气象监测指标确定对应的传感器类别,并根据污染因子及潜在污染因子的污染位置特征确定各类别传感器的初始布设范围,在所述初始布设范围中根据污染源的历史突发性次数确定传感器数量;根据各类传感器覆盖的最大距离及待监测污染源的位置确定传感器的综合覆盖率作为适应度函数,所述综合覆盖率表示为,其中,/>为传感器的综合覆盖率,/>为传感器的最大覆盖范围,/>为目标污染源a到传感器b的距离,/>为预设范围,当传感器设置在传感器的最大覆盖范围外,监测到目标污染源的概率为0,当传感器设置在预设范围内,监测到目标污染源的概率为1;将所有传感器的综合覆盖率进行聚合,获取适应度函数;
引入随迭代次数改变的自适应变异及动态权重对粒子群算法进行改进;所述自适应变异拓展了搜索空间,使得粒子跳出目前搜索到的最优位置,从而在更大的空间内搜索,有利于粒子搜寻更优解,动态权重反映了粒子继承先前速度的比例,随粒子迭代次数进行改变,对粒子搜索进行优化,动态权重计算公式为:/>,为初始动态权重,/>为最终动态权重,/>为迭代次数,/>为最大迭代次数;通过改进后的粒子群算法生成各初始布设范围及目标饮用水水源地预设范围内的局部传感器最佳布设位置及全局传感器的最佳布设位置及布设数量;通过目标饮用水水源地预设范围内布设的传感器对气象进行监测获取气象监测数据,当所述气象监测数据大于预设阈值时,生成自然灾害预警,并唤醒潜在污染因子对应的相关传感器,其中污染因子对应的传感器处于始终开启状态,进行日常污染监测。
根据本发明实施例,对污染监测数据分别进行时间特征及空间特征的提取,生成污染监测数据时空特征序列,具体为:
在自然灾害预警后获取目标饮用水水源地的污染监测数据,并根据污染监测指标获取监测正常时对应的指标标准数据,通过所述指标标准数据确定各监测指标的判读数据;
将获取的各监测指标的判读数据与气象数据进行数据匹配,生成各传感器对应的监测数据时序序列,将所述监测数据时序序列输入时间卷积神经网络,根据训练后的时间卷积神经网络获取污染物的浓度变化趋势特征;
根据目标饮用水水源地传感器连接覆盖的拓扑结构通过图形式进行表示,并通过图注意力网络对拓扑结构的图形式表示进行学习,将各传感器节点的浓度变化趋势特征导入图注意力网络;
通过注意力机制获取相邻传感器节点对目标节点的注意力权重,将所述注意力权重分配到各相邻传感器节点,利用图注意力网络的邻居聚合生成特征的聚合表示,生成污染监测数据时空特征序列。
需要说明的是,通过时间卷积神经网络对各传感器对应的监测数据时序序列进行特征提取,挖掘监测数据时序序列的时间特征,时间卷积神经网络拥有稳定的梯度,不存在梯度消失和梯度***的问题,确保了特征提取的稳定性。根据目标饮用水水源地传感器连接覆盖的拓扑结构通过图形式进行表示,将传感器作为图形式的点结构,根据传感器之间的联系生成图形式中的边结构,通过图注意力网络对图形式进行学习表示,在拓扑结构的图形式中目标传感器节点i及相邻传感器节点j之间注意力值为:
通过目标传感器节点i及相邻传感器节点j之间注意力值与目标传感器节点i及所有相邻传感器节点注意力值的总和的比值确定注意力权重/>,将所述注意力权重进行归一化处理后,利用邻居聚合机制对目标传感器节点的特征进行更新表示,,其中,/>表示目标传感器节点i的最终更新表示,/>表示激活函数,j表示相邻节点项数,/>表示目标传感器节点i的相邻节点集合。
基于深度学习构建污染预测模型,获取目标饮用水水源地的污染预测信息, 获取目标饮用水水源地的污染监测数据,对污染监测数据分别进行时间特征及空间特征的提取,生成污染监测数据时空特征序列;基于RBF神经网络构建污染预测模型,RBF神经网络包括输入层、隐藏层及输出层,通过历史突发性污染监测数据获取训练数据,利用所述训练数据对污染预测模型进行训练;将污染监测数据时空特征序列及污染物浓度数据输入训练好的污染预测模型,根据污染预测模型的输出层获取污染预测信息,根据所述污染预测信息能够得出不同时间的峰值浓度,峰值浓度距污染源的距离,水源地受影响时间和水质超标距离等信息。
根据本发明实施例,根据所述污染预测信息进行目标饮用水水源地的污染预警,并将污染预警信息及污染预测信息进行可视化显示,具体为:
获取目标饮用水水源地的污染预测信息,根据目标饮用水水源地的受污染时间设置污染阈值,通过所述污染预测信息获取不同时间戳的污染峰值浓度及峰值浓度到污染源距离;
根据GIS地理数据及传感器布设点位将所述目标饮用水水源地预设范围划分为若干子区域,获取当前时间戳所述子区域内污染峰值浓度;
判断所述子区域内污染峰值是否大于当前时间戳对应的污染阈值,若大于,则获取污染浓度偏差,根据所述污染浓度偏差获取对应预警等级与子区域进行匹配;
获取目标饮用水水源地预设范围内的分区预警,根据所述GIS地理数据获取目标饮用水水源地的三维可视化模型,将分区预警导及入所述三维可视化模型;
根据当前时间戳的分区预警确定污染物范围,同时基于污染物范围、污染物峰值浓度、峰值浓度到污染源距离的变化特征获取未预警区域的污染物到达时间,为污染应急措施提供依据。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种自然灾害后饮水水源地污染监测预警方法程序,所述一种自然灾害后饮水水源地污染监测预警方法程序被处理器执行时,实现如上述任一项所述的一种自然灾害后饮水水源地污染监测预警方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种自然灾害后饮用水水源地污染监测预警方法,其特征在于,包括以下步骤:
获取目标饮用水水源地的地理位置及水源地类型,根据所述地理位置及水源地类型提取周边的污染特征,通过所述污染特征确定污染因子及潜在污染因子;
基于所述污染因子及潜在污染因子确定污染监测指标,根据目标饮用水水源地所在区域的历史自然灾害情况确定气象监测指标,根据所述污染监测指标及气象监测指标在目标饮用水水源地预设范围内传感器布设,通过气象监测数据进行自然灾害的发生监测;
当所述气象监测指标超出预设阈值范围时,则生成自然灾害预警,通过污染监测指标获取目标饮用水水源地的污染监测数据,基于深度学习构建污染预测模型,获取目标饮用水水源地的污染预测信息;
根据所述污染预测信息进行目标饮用水水源地的污染预警,并将污染预警信息及污染预测信息进行可视化显示;
基于深度学习构建污染预测模型,获取目标饮用水水源地的污染预测信息,具体为:
获取目标饮用水水源地的污染监测数据,对污染监测数据分别进行时间特征及空间特征的提取,生成污染监测数据时空特征序列;
基于RBF神经网络构建污染预测模型,通过历史突发性污染监测数据获取训练数据,利用所述训练数据对污染预测模型进行训练;
将污染监测数据时空特征序列及污染物浓度数据输入训练好的污染预测模型,根据污染预测模型的输出层获取污染预测信息;
对污染监测数据分别进行时间特征及空间特征的提取,生成污染监测数据时空特征序列,具体为:
在自然灾害预警后获取目标饮用水水源地的污染监测数据,并根据污染监测指标获取监测正常时对应的指标标准数据,通过所述指标标准数据确定各监测指标的判读数据;
将获取的各监测指标的判读数据与气象数据进行数据匹配,生成各传感器对应的监测数据时序序列,将所述监测数据时序序列输入时间卷积神经网络,根据训练后的时间卷积神经网络获取污染物的浓度变化趋势特征;
根据目标饮用水水源地传感器连接覆盖的拓扑结构通过图形式进行表示,并通过图注意力网络对拓扑结构的图形式表示进行学习,将各传感器节点的浓度变化趋势特征导入图注意力网络;
通过注意力机制获取相邻传感器节点对目标节点的注意力权重,将所述注意力权重分配到各相邻传感器节点,利用图注意力网络的邻居聚合生成特征的聚合表示,生成污染监测数据时空特征序列。
2.根据权利要求1所述的一种自然灾害后饮用水水源地污染监测预警方法,其特征在于,根据所述地理位置及水源地类型提取周边的污染特征,通过所述污染特征确定污染因子及潜在污染因子,具体为:
通过GIS手段获取目标饮用水水源地预设范围内的GIS地理数据,根据所述GIS地理数据获取水源地地形特征,并识别水源地的水源地类型,设置目标饮用水水源地的标签;
获取目标饮用水水源地预设范围内的污染源,根据污染源所处位置及水源地地形特征获取风险污染源,根据风险污染源所涉及的污染物提取风险污染源的污染源特征;
利用大数据方法获取突发水污染的历史发生数据,通过所述污染源特征在所述突发水污染的历史发生数据中进行统计分析,获取各污染源特征对应的突发性次数对污染源进行筛选,并将自然灾害引起的突发水污染进行单独标记;
将筛选后污染源特征进行汇总获取水源地周边的污染特征,根据污染特征确定污染因子,所述污染因子携带污染的位置特征,同时根据单独标记的突发水污染对应的污染源特征确定潜在污染因子,对于重复的污染因子设置双重标签。
3.根据权利要求1所述的一种自然灾害后饮用水水源地污染监测预警方法,其特征在于,根据所述污染监测指标及气象监测指标在目标饮用水水源地预设范围内传感器布设,通过气象监测数据进行自然灾害的发生监测,具体为:
获取目标饮用水水源地的污染因子及潜在污染因子,根据所述污染因子及潜在污染因子设置污染物监测指标,并根据目标饮用水水源地所在区域的历史自然灾害状况确定气象监测指标;
通过所述污染物监测指标和气象监测指标确定对应的传感器类别,并根据污染因子及潜在污染因子的污染位置特征确定各类别传感器的初始布设范围,在所述初始布设范围中根据污染源的历史突发性次数确定传感器数量;
根据各类传感器覆盖的最大距离及待监测污染源的位置确定传感器的综合覆盖率作为适应度函数,引入随迭代次数改变的自适应变异及动态权重对粒子群算法进行改进;
通过改进后的粒子群算法生成各初始布设范围及目标饮用水水源地预设范围内的局部传感器最佳布设位置及全局传感器的最佳布设位置及布设数量;
通过目标饮用水水源地预设范围内布设的传感器对气象进行监测获取气象监测数据,当所述气象监测数据大于预设阈值时,生成自然灾害预警,并唤醒潜在污染因子对应的相关传感器。
4.根据权利要求1所述的一种自然灾害后饮用水水源地污染监测预警方法,其特征在于,根据所述污染预测信息进行目标饮用水水源地的污染预警,并将污染预警信息及污染预测信息进行可视化显示,具体为:
获取目标饮用水水源地的污染预测信息,根据目标饮用水水源地的受污染时间设置污染阈值,通过所述污染预测信息获取不同时间戳的污染峰值浓度及峰值浓度到污染源距离;
根据GIS地理数据及传感器布设点位将所述目标饮用水水源地预设范围划分为若干子区域,获取当前时间戳所述子区域内污染峰值浓度;
判断所述子区域内污染峰值是否大于当前时间戳对应的污染阈值,若大于,则获取污染浓度偏差,根据所述污染浓度偏差获取对应预警等级与子区域进行匹配;
获取目标饮用水水源地预设范围内的分区预警,根据所述GIS地理数据获取目标饮用水水源地的三维可视化模型,将分区预警导及入所述三维可视化模型;
根据当前时间戳的分区预警确定污染物范围,同时基于污染物范围、污染物峰值浓度、峰值浓度到污染源距离的变化特征获取未预警区域的污染物到达时间,为污染应急措施提供依据。
5.一种自然灾害后饮用水水源地污染监测预警***,其特征在于,该***包括:存储器、处理器,所述存储器中包括一种自然灾害后饮水水源地污染监测预警方法程序,所述一种自然灾害后饮水水源地污染监测预警方法程序被所述处理器执行时实现如下步骤:
获取目标饮用水水源地的地理位置及水源地类型,根据所述地理位置及水源地类型提取周边的污染特征,通过所述污染特征确定污染因子及潜在污染因子;
基于所述污染因子及潜在污染因子确定污染监测指标,根据目标饮用水水源地所在区域的历史自然灾害情况确定气象监测指标,根据所述污染监测指标及气象监测指标在目标饮用水水源地预设范围内传感器布设,通过气象监测数据进行自然灾害的发生监测;
当所述气象监测指标超出预设阈值范围时,则生成自然灾害预警,通过污染监测指标获取目标饮用水水源地的污染监测数据,基于深度学习构建污染预测模型,获取目标饮用水水源地的污染预测信息;
根据所述污染预测信息进行目标饮用水水源地的污染预警,并将污染预警信息及污染预测信息进行可视化显示;
基于深度学习构建污染预测模型,获取目标饮用水水源地的污染预测信息,具体为:
获取目标饮用水水源地的污染监测数据,对污染监测数据分别进行时间特征及空间特征的提取,生成污染监测数据时空特征序列;
基于RBF神经网络构建污染预测模型,通过历史突发性污染监测数据获取训练数据,利用所述训练数据对污染预测模型进行训练;
将污染监测数据时空特征序列及污染物浓度数据输入训练好的污染预测模型,根据污染预测模型的输出层获取污染预测信息;
对污染监测数据分别进行时间特征及空间特征的提取,生成污染监测数据时空特征序列,具体为:
在自然灾害预警后获取目标饮用水水源地的污染监测数据,并根据污染监测指标获取监测正常时对应的指标标准数据,通过所述指标标准数据确定各监测指标的判读数据;
将获取的各监测指标的判读数据与气象数据进行数据匹配,生成各传感器对应的监测数据时序序列,将所述监测数据时序序列输入时间卷积神经网络,根据训练后的时间卷积神经网络获取污染物的浓度变化趋势特征;
根据目标饮用水水源地传感器连接覆盖的拓扑结构通过图形式进行表示,并通过图注意力网络对拓扑结构的图形式表示进行学习,将各传感器节点的浓度变化趋势特征导入图注意力网络;
通过注意力机制获取相邻传感器节点对目标节点的注意力权重,将所述注意力权重分配到各相邻传感器节点,利用图注意力网络的邻居聚合生成特征的聚合表示,生成污染监测数据时空特征序列。
6.根据权利要求5所述的一种自然灾害后饮用水水源地污染监测预警***,其特征在于,根据所述污染预测信息进行目标饮用水水源地的污染预警,并将污染预警信息及污染预测信息进行可视化显示,具体为:
获取目标饮用水水源地的污染预测信息,根据目标饮用水水源地的受污染时间设置污染阈值,通过所述污染预测信息获取不同时间戳的污染峰值浓度及峰值浓度到污染源距离;
根据GIS地理数据及传感器布设点位将所述目标饮用水水源地预设范围划分为若干子区域,获取当前时间戳所述子区域内污染峰值浓度;
判断所述子区域内污染峰值是否大于当前时间戳对应的污染阈值,若大于,则获取污染浓度偏差,根据所述污染浓度偏差获取对应预警等级与子区域进行匹配;
获取目标饮用水水源地预设范围内的分区预警,根据所述GIS地理数据获取目标饮用水水源地的三维可视化模型,将分区预警导及入所述三维可视化模型;
根据当前时间戳的分区预警确定污染物范围,同时基于污染物范围、污染物峰值浓度、峰值浓度到污染源距离的变化特征获取未预警区域的污染物到达时间,为污染应急措施提供依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310378865.0A CN116109462B (zh) | 2023-04-11 | 2023-04-11 | 一种自然灾害后饮水水源地污染监测预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310378865.0A CN116109462B (zh) | 2023-04-11 | 2023-04-11 | 一种自然灾害后饮水水源地污染监测预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116109462A CN116109462A (zh) | 2023-05-12 |
CN116109462B true CN116109462B (zh) | 2023-07-07 |
Family
ID=86258261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310378865.0A Active CN116109462B (zh) | 2023-04-11 | 2023-04-11 | 一种自然灾害后饮水水源地污染监测预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109462B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384754B (zh) * | 2023-06-02 | 2023-08-04 | 北京建工环境修复股份有限公司 | 一种基于深度学习的在产化工园区环境污染风险评估方法 |
CN116385689B (zh) * | 2023-06-02 | 2023-08-04 | 北京建工环境修复股份有限公司 | 一种场地污染数据的可视化信息管理方法、***及介质 |
CN116609500B (zh) * | 2023-06-02 | 2023-12-22 | 无锡点创科技有限公司 | 一种基于物联网的水质数据监测方法 |
CN116403092B (zh) * | 2023-06-02 | 2023-08-18 | 北京建工环境修复股份有限公司 | 一种基于图像学习的地下水napl污染程度判定方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109142233A (zh) * | 2018-08-08 | 2019-01-04 | 安徽汇泽通环境技术有限公司 | 一种饮用水源地水质突变预警与监测***和方法 |
CN112949167A (zh) * | 2021-02-03 | 2021-06-11 | 南京信息工程大学 | 饮用水水源地动态监测预警***及其监测预警方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7866204B2 (en) * | 2007-01-31 | 2011-01-11 | The United States Of America As Represented By The Administrator Of The United States Environmental Protection Agency | Adaptive real-time contaminant detection and early warning for drinking water distribution systems |
CN103282769B (zh) * | 2010-10-18 | 2015-09-30 | Mikasa商事株式会社 | 水质监视装置 |
SE537489C2 (sv) * | 2014-02-03 | 2015-05-19 | Metod och anordning för online-monitorering av vattenkvalitet | |
CN112966409A (zh) * | 2021-02-03 | 2021-06-15 | 南京信息工程大学 | 供水管网污染物动态监测***及其监测和预警方法 |
CN113156075B (zh) * | 2021-03-25 | 2022-04-08 | 北京市环境保护科学研究院 | 饮用水水源地信息管理*** |
CN115270632A (zh) * | 2022-08-02 | 2022-11-01 | 天津天滨瑞成环境技术工程有限公司 | 饮用水水源地水华风险预测***和方法 |
-
2023
- 2023-04-11 CN CN202310378865.0A patent/CN116109462B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109142233A (zh) * | 2018-08-08 | 2019-01-04 | 安徽汇泽通环境技术有限公司 | 一种饮用水源地水质突变预警与监测***和方法 |
CN112949167A (zh) * | 2021-02-03 | 2021-06-11 | 南京信息工程大学 | 饮用水水源地动态监测预警***及其监测预警方法 |
Non-Patent Citations (2)
Title |
---|
中国环境风险预警现状及发展趋势;毕军;曲常胜;黄蕾;;环境监控与预警(01);全文 * |
张家港市饮用水源地水质立体化监测***研究;卫臻;周密;朱元龙;张磊;陈颖俊;;水资源保护(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116109462A (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116109462B (zh) | 一种自然灾害后饮水水源地污染监测预警方法及*** | |
Musa et al. | A review of geospatial-based urban growth models and modelling initiatives | |
Huang et al. | Predicting monthly high-resolution PM2. 5 concentrations with random forest model in the North China Plain | |
Aburas et al. | Land suitability analysis of urban growth in Seremban Malaysia, using GIS based analytical hierarchy process | |
CN116385689B (zh) | 一种场地污染数据的可视化信息管理方法、***及介质 | |
CN113222283A (zh) | 一种基于数字孪生的山洪预报预警方法及*** | |
CN115035256B (zh) | 一种尾矿库事故隐患及风险演化方法及*** | |
Li et al. | Firefly algorithm-based cellular automata for reproducing urban growth and predicting future scenarios | |
Guo et al. | Monitoring and simulation of dynamic spatiotemporal land use/cover changes | |
CN115983522B (zh) | 一种乡村生境质量评估及预测方法 | |
CN114067535B (zh) | 基于人工智能的地质灾害预警方法、装置及存储介质 | |
Moayedi et al. | Spatial assessment of landslide risk using two novel integrations of neuro-fuzzy system and metaheuristic approaches; Ardabil Province, Iran | |
Chen et al. | The optimization of ecological service function and planning control of territorial space planning for ecological protection and restoration | |
Wang et al. | Evaluating future habitat quality responding to land use change under different city compaction scenarios in Southern China | |
CN114898138A (zh) | 一种基于地形地貌及遥感数据进行森林火灾预测的方法 | |
Zhang et al. | Quantitative risk assessment of typhoon storm surge for multi-risk sources | |
CN112233381B (zh) | 一种基于机理和机器学习耦合的泥石流预警方法与*** | |
CN116233865B (zh) | 一种新污染物监测设备的布点方法及*** | |
Zhou | Application of artificial intelligence in geography | |
Ibrahim et al. | Landslide’s analysis and Hazard mapping based on ANALYTIC HIERARCHY PROCESS (AHP) using GIS, in Lawas, Sabah-Sarawak | |
Wang et al. | The architecture and application of an automatic operational model system for basin scale water environment management and design making supporting | |
Wu et al. | Determination and projection of flood risk based on multi-criteria decision analysis (MCDA) combining with CA-Markov model in Zhejiang Province, China | |
CN117151499A (zh) | 一种国土空间规划的监测评估方法及*** | |
Zhang et al. | Urban waterlogging prediction and risk analysis based on rainfall time series features: A case study of Shenzhen | |
CN115169718A (zh) | 基于元胞自动机的区域滑坡危险性动态预测方法及装置 |
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 |