CN116168771B - 一种基于物联网的河流中全氟化合物污染监测方法及*** - Google Patents
一种基于物联网的河流中全氟化合物污染监测方法及*** Download PDFInfo
- Publication number
- CN116168771B CN116168771B CN202310459247.9A CN202310459247A CN116168771B CN 116168771 B CN116168771 B CN 116168771B CN 202310459247 A CN202310459247 A CN 202310459247A CN 116168771 B CN116168771 B CN 116168771B
- Authority
- CN
- China
- Prior art keywords
- pollution
- monitoring
- water body
- data
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 262
- 150000001875 compounds Chemical class 0.000 title claims abstract description 195
- 238000000034 method Methods 0.000 title claims abstract description 41
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 259
- 239000010865 sewage Substances 0.000 claims abstract description 89
- 230000008859 change Effects 0.000 claims abstract description 58
- 238000009792 diffusion process Methods 0.000 claims abstract description 53
- 238000004088 simulation Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 17
- -1 perfluoro compound Chemical class 0.000 claims description 46
- 238000012795 verification Methods 0.000 claims description 31
- 238000007599 discharging Methods 0.000 claims description 11
- 239000003657 drainage water Substances 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims description 2
- 230000002265 prevention Effects 0.000 abstract description 5
- 150000002222 fluorine compounds Chemical class 0.000 description 9
- 238000012937 correction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000003905 agrochemical Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000004817 gas chromatography Methods 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 238000004128 high performance liquid chromatography Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000011954 pollution control method Methods 0.000 description 2
- 238000002798 spectrophotometry method Methods 0.000 description 2
- 239000004753 textile Substances 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 238000006065 biodegradation reaction Methods 0.000 description 1
- ABDBNWQRPYOPDF-UHFFFAOYSA-N carbonofluoridic acid Chemical compound OC(F)=O ABDBNWQRPYOPDF-UHFFFAOYSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- UQSQSQZYBQSBJZ-UHFFFAOYSA-N fluorosulfonic acid Chemical compound OS(F)(=O)=O UQSQSQZYBQSBJZ-UHFFFAOYSA-N 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000033116 oxidation-reduction process Effects 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 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
- G01N33/18—Water
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- 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)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Game Theory and Decision Science (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Analytical Chemistry (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于物联网的河流中全氟化合物污染监测方法及***,通过在历史时间段内获取每个水体子区域中的全氟化合物含量,并得到全氟化合物监测数据,基于不同的水体子区域,将全氟化合物监测数据导入污染监测模型进行多种全氟化合物的浓度变化特征分析与污染扩散模拟训练,基于物联网,实时监测并获取多个水体子区域中的污水排放时间信息与当前全氟化合物监测数据,将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型进行污染变化预测模拟,得到每个水体子区域的污染预测数据,根据污染预测数据实时生成污染预警信息。通过本发明,能够提高河流污染的实时预警能力,实现对河流的科学监测与科学防治。
Description
技术领域
本发明涉及河流污染检测领域,更具体的,涉及一种基于物联网的河流中全氟化合物污染监测方法及***。
背景技术
全氟化合物是一类新型有机污染物,主要包括全氟羧酸、全氟磺酸、调聚醇等。目前,全氟化合物已普遍存在于全球各地区水环境中,国内已有大量的报道证实了全氟化合物在地表水中的存在。长江、黄河、珠江等七大水系及几大重要湖泊水体中均有全氟化合物检出。而全氟化合物的对水生生态及人体健康均存在较大风险,因此,如何精准监测全氟化合物的污染情况,成为当下河流环境保护的重要课题。
发明内容
本发明克服了现有技术的缺陷,提出了一种基于物联网的河流中全氟化合物污染监测方法及***。
本发明第一方面提供了一种基于物联网的河流中全氟化合物污染监测方法,包括:
在目标河流水域中划分多个水体子区域;
在历史时间段内获取每个水体子区域中的全氟化合物含量,并得到全氟化合物监测数据;
基于不同的水体子区域,将全氟化合物监测数据导入污染监测模型进行多种全氟化合物的浓度变化特征分析与污染扩散模拟训练;
基于物联网,实时监测并获取多个水体子区域中的污水排放时间信息与当前全氟化合物监测数据;
将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型进行污染变化预测模拟,得到每个水体子区域的污染预测数据;
根据污染预测数据实时生成污染预警信息。
本方案中,所述在目标河流水域中划分多个水体子区域,具体为:
基于目标河流水域的空间模型与周边建筑构造,构建河流地图模型;
获取目标河流水域中预设范围内的工业厂区分布信息,居民住宅区域信息;
将工业厂区分布信息,居民住宅区域分布信息导入河流地图模型进行工厂点与居民点标记,得到多个工业厂区点与多个居民集中点;
基于多个工业厂区点与多个居民集中点进行区域划分,得到多个水体子区域,每个水体子区域保证存在一个工业厂区点或一个居民集中点。
本方案中,所述在历史时间段内获取每个水体子区域中的全氟化合物含量,并得到全氟化合物监测数据,具体为:
所述历史时间段包括多个监测周期,一个监测周期对应一次全氟化合物监测信息;
所述一次全氟化合物监测信息包括全部水体子区域中的全氟化合物种类与浓度信息;
基于多个监测周期,将所有全氟化合物监测信息进行信息汇总得到全氟化合物监测数据。
本方案中,所述基于不同的水体子区域,将全氟化合物监测数据导入污染监测模型进行多种全氟化合物的浓度变化特征分析与污染扩散模拟训练,具体为:
根据全氟化合物监测数据,获取一个水体子区域对应的全氟化合物监测信息;
以监测周期作为时间自变量,以全氟化合物监测信息中全氟化合物的浓度作为因变量进行浓度变化特征分析,得到单个水体子区域的全氟化合物浓度变化特征;
分析其余水体子区域对应的全氟化合物监测信息并得到全部水体子区域对应的全氟化合物浓度变化特征;
根据全部水体子区域对应的全氟化合物浓度变化特征,结合水体子区域地理位置进行全氟化合物污染扩散分析,得到扩散模拟数据;
构建污染监测模型;
将扩散模拟数据导入污染监测模型进行扩散模拟训练。
本方案中,所述基于物联网,实时监测并获取多个水体子区域中的污水排放时间信息与当前全氟化合物监测数据,具体为:
基于物联网,通过排放监测模块,实时获取排污水体子区域与对应污水排放时间信息;
在排污水体子区域排放污水后的第一个监测周期内,检测所有水体子区域中的全氟化合物种类与浓度信息并将所述信息进行整合得到当前全氟化合物监测数据。
本方案中,所述将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型进行污染变化预测模拟,得到每个水体子区域的污染预测数据,具体为:
将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型;
基于排污水体子区域所在位置,结合污水排放时间信息与当前全氟化合物监测数据进行全氟化合物污染扩散预测,得到未来N个监测周期内的总体污染预测数据;
所述总体污染预测数据包括所有水体子区域的全氟化合物预测数据;
获取第二个监测周期内的总体污染预测数据;
获取排污水体子区域相邻的M个水体子区域;
根据总体污染预测数据,获取对应M个水体子区域中的全氟化合物预测数据;
基于M个水体子区域中的全氟化合物预测数据,计算出全氟化合物浓度变化波动值,得到对应M个全氟化合物污染波动值;
从M个水体子区域中筛选出全氟化合物污染波动值大于预设波动值的子区域并标记为验证水体子区域。
本方案中,所述根据污染预测数据实时生成污染预警信息,具体为:
在第二个检测周期内获取验证水体子区域中的实际氟化合物监测数据;
根据总体污染预测数据,获取验证水体子区域中的全氟化合物预测数据,基于所述预测数据提取对应的数据值预测范围;
判断所有验证水体子区域中的实际氟化合物监测数据是否符合数据值预测范围;
若存在不符合数据值预测范围的情况,则将对应不符合数据值预测范围所对应的验证水体子区域标记为污染预警水体子区域;
将污染预警水体子区域对应的实际氟化合物监测数据作为污染状况信息;
将污染预警水体子区域、污染状况信息、排污水体子区域进行信息整合得到污染预警信息;
将所述污染预警信息发送至预设终端设备。
本发明第二方面还提供了一种基于物联网的河流中全氟化合物污染监测***,该***包括:存储器、处理器,所述存储器中包括基于物联网的河流中全氟化合物污染监测程序,所述基于物联网的河流中全氟化合物污染监测程序被所述处理器执行时实现如下步骤:
在目标河流水域中划分多个水体子区域;
在历史时间段内获取每个水体子区域中的全氟化合物含量,并得到全氟化合物监测数据;
基于不同的水体子区域,将全氟化合物监测数据导入污染监测模型进行多种全氟化合物的浓度变化特征分析与污染扩散模拟训练;
基于物联网,实时监测并获取多个水体子区域中的污水排放时间信息与当前全氟化合物监测数据;
将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型进行污染变化预测模拟,得到每个水体子区域的污染预测数据;
根据污染预测数据实时生成污染预警信息。
本方案中,所述在目标河流水域中划分多个水体子区域,具体为:
基于目标河流水域的空间模型与周边建筑构造,构建河流地图模型;
获取目标河流水域中预设范围内的工业厂区分布信息,居民住宅区域信息;
将工业厂区分布信息,居民住宅区域分布信息导入河流地图模型进行工厂点与居民点标记,得到多个工业厂区点与多个居民集中点;
基于多个工业厂区点与多个居民集中点进行区域划分,得到多个水体子区域,每个水体子区域保证存在一个工业厂区点或一个居民集中点。
本方案中,所述在历史时间段内获取每个水体子区域中的全氟化合物含量,并得到全氟化合物监测数据,具体为:
所述历史时间段包括多个监测周期,一个监测周期对应一次全氟化合物监测信息;
所述一次全氟化合物监测信息包括全部水体子区域中的全氟化合物种类与浓度信息;
基于多个监测周期,将所有全氟化合物监测信息进行信息汇总得到全氟化合物监测数据。
本发明公开了一种基于物联网的河流中全氟化合物污染监测方法及***,通过在历史时间段内获取每个水体子区域中的全氟化合物含量,并得到全氟化合物监测数据,基于不同的水体子区域,将全氟化合物监测数据导入污染监测模型进行多种全氟化合物的浓度变化特征分析与污染扩散模拟训练,基于物联网,实时监测并获取多个水体子区域中的污水排放时间信息与当前全氟化合物监测数据,将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型进行污染变化预测模拟,得到每个水体子区域的污染预测数据,根据污染预测数据实时生成污染预警信息。通过本发明,能够提高河流污染的实时预警能力,实现对河流的科学监测与科学防治。
附图说明
图1示出了本发明一种基于物联网的河流中全氟化合物污染监测方法的流程图;
图2示出了本发明获取水体子区域流程图;
图3示出了本发明获取全氟化合物监测数据流程图;
图4示出了本发明一种基于物联网的河流中全氟化合物污染监测***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示出了本发明一种基于物联网的河流中全氟化合物污染监测方法的流程图。
如图1所示,本发明第一方面提供了一种基于物联网的河流中全氟化合物污染监测方法,包括:
S102,在目标河流水域中划分多个水体子区域;
S104,在历史时间段内获取每个水体子区域中的全氟化合物含量,并得到全氟化合物监测数据;
S106,基于不同的水体子区域,将全氟化合物监测数据导入污染监测模型进行多种全氟化合物的浓度变化特征分析与污染扩散模拟训练;
S108,基于物联网,实时监测并获取多个水体子区域中的污水排放时间信息与当前全氟化合物监测数据;
S110,将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型进行污染变化预测模拟,得到每个水体子区域的污染预测数据;
根据污染预测数据实时生成污染预警信息。
图2示出了本发明获取水体子区域流程图。
根据本发明实施例,所述在目标河流水域中划分多个水体子区域,具体为:
S202,基于目标河流水域的空间模型与周边建筑构造,构建河流地图模型;
S204,获取目标河流水域中预设范围内的工业厂区分布信息,居民住宅区域信息;
S206,将工业厂区分布信息,居民住宅区域分布信息导入河流地图模型进行工厂点与居民点标记,得到多个工业厂区点与多个居民集中点;
S208,基于多个工业厂区点与多个居民集中点进行区域划分,得到多个水体子区域,每个水体子区域保证存在一个工业厂区点或一个居民集中点。
需要说明的是,所述多个工业厂区点与居民集中点中,一个工业厂区点代表一种工业工厂范围的中心点,该点在河流地图模型中进行标记,基于该点可划分出一个水体子区域,通过分析对应水体子区域种的全氟化合物含量情况,能够分析出对应工业厂区点的全氟污染排放情况。工业厂区种类一般有纺织业、重金属业工厂、农业化工厂等,不同的工业厂区对应排放的全氟化合物种类也有差异。一个居民集中点代表在一定预设范围内居民区域的中心点,且所述一定预设范围内不包含工业厂区,一个居民集中点可划分出一个水体子区域,通过分析该水体子区域的全氟污染情况,能够得到居民污水的全氟化合物排放情况。
图3示出了本发明获取全氟化合物监测数据流程图。
根据本发明实施例,所述在历史时间段内获取每个水体子区域中的全氟化合物含量,并得到全氟化合物监测数据,具体为:
S302,所述历史时间段包括多个监测周期,一个监测周期对应一次全氟化合物监测信息;
S304,所述一次全氟化合物监测信息包括全部水体子区域中的全氟化合物种类与浓度信息;
S306,基于多个监测周期,将所有全氟化合物监测信息进行信息汇总得到全氟化合物监测数据。
需要说明的是,所述监测周期一般有人为设定。所述全氟化合物监测信息中,具体为对水体子区域进行水样抽取与检测,检测全氟化合物的方法包括基于可见光、紫外和红外的分光光度法、高效液相色谱法、气相色谱法等,所述全氟化合物种类包括含有全氟烷基磺酸以及全氟烷基羧酸等多种全氟化合物。所述历史时间段内具体为人为选定的一个时间段,该时间段满足河流处在稳定状态与气候条件处在一般情况下(即非恶劣天气状况下),进而有利于对河流中全氟化合物进行一般性扩散分析,具有较高的参考对比性。
根据本发明实施例,所述基于不同的水体子区域,将全氟化合物监测数据导入污染监测模型进行多种全氟化合物的浓度变化特征分析与污染扩散模拟训练,具体为:
根据全氟化合物监测数据,获取一个水体子区域对应的全氟化合物监测信息;
以监测周期作为时间自变量,以全氟化合物监测信息中全氟化合物的浓度作为因变量进行浓度变化特征分析,得到单个水体子区域的全氟化合物浓度变化特征;
分析其余水体子区域对应的全氟化合物监测信息并得到全部水体子区域对应的全氟化合物浓度变化特征;
根据全部水体子区域对应的全氟化合物浓度变化特征,结合水体子区域地理位置进行全氟化合物污染扩散分析,得到扩散模拟数据;
构建污染监测模型;
将扩散模拟数据导入污染监测模型进行扩散模拟训练。
需要说明的是,所述扩散模拟数据具体为全氟化合物在各子区域间的扩散趋势、扩散范围、扩散速率等信息。所述污染监测模型具体为一种基于深度学习的预测模型,能够用于河流污染程度的预测分析,所述污染监测模型中涉及RNN、LSTM、WaveNet等算法模型。
根据本发明实施例,所述基于物联网,实时监测并获取多个水体子区域中的污水排放时间信息与当前全氟化合物监测数据,具体为:
基于物联网,通过排放监测模块,实时获取排污水体子区域与对应污水排放时间信息;
在排污水体子区域排放污水后的第一个监测周期内,检测所有水体子区域中的全氟化合物种类与浓度信息并将所述信息进行整合得到当前全氟化合物监测数据。
需要说明的是,污水排放时间信息包括排放开始时间、结束时间、持续时间。所述排污水体子区域一般为多个。
根据本发明实施例,所述将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型进行污染变化预测模拟,得到每个水体子区域的污染预测数据,具体为:
将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型;
基于排污水体子区域所在位置,结合污水排放时间信息与当前全氟化合物监测数据进行全氟化合物污染扩散预测,得到未来N个监测周期内的总体污染预测数据;
所述总体污染预测数据包括所有水体子区域的全氟化合物预测数据;
获取第二个监测周期内的总体污染预测数据;
获取排污水体子区域相邻的M个水体子区域;
根据总体污染预测数据,获取对应M个水体子区域中的全氟化合物预测数据;
基于M个水体子区域中的全氟化合物预测数据,计算出全氟化合物浓度变化波动值,得到对应M个全氟化合物污染波动值;
从M个水体子区域中筛选出全氟化合物污染波动值大于预设波动值的子区域并标记为验证水体子区域。
需要说明的是,所述第二个监测周期即排污水体子区域排放污水后的第二个监测周期,所述全氟化合物预测数据包括各种全氟化合物的预测浓度信息。所述计算出全氟化合物浓度变化波动值具体为将第二个监测周期内的全氟化合物预测数据与第一个监测周期内的全氟化合物监测数据进行浓度变化计算分析,所述全氟化合物污染波动值越大,则代表对应的水体子区域内全氟化合物污染程度变化越剧烈。所述得到未来N个监测周期内的总体污染预测数据中,N一般为3~4,即3到4个监测周期,一个监测周期对应一个总体污染预测数据。监测周期越往后,对应的总体污染预测数据误差越大。本发明通过生成总体污染预测数据,能够对排污水体子区域进行污水排放后的全氟化合物污染扩散情况进行精准评估与可视化展示,从而对河流污染情况进行更为直观与方便地研究。所述总体污染预测数据可通过河流地图模型进行可视化数据展示。
另外,在水体子区域排放污水后,排污水体子区域邻近的水体子区域污染受波动影响较大,波动特征较为明显,进一步,本发明对排污水体子区域相邻的M个水体子区域进行全氟化合物浓度波动分析,进一步筛选出验证水体子区域,从而能够提高后续对实际数据与预测数据验证的效率与精确度,进一步提高河流污染的实时预警能力,实现对河流的科学监测与科学防治。所述M的大小具体由排污水体子区域的地理位置决定。
根据本发明实施例,所述根据污染预测数据实时生成污染预警信息,具体为:
在第二个检测周期内获取验证水体子区域中的实际氟化合物监测数据;
根据总体污染预测数据,获取验证水体子区域中的全氟化合物预测数据,基于所述预测数据提取对应的数据值预测范围;
判断所有验证水体子区域中的实际氟化合物监测数据是否符合数据值预测范围;
若存在不符合数据值预测范围的情况,则将对应不符合数据值预测范围所对应的验证水体子区域标记为污染预警水体子区域;
将污染预警水体子区域对应的实际氟化合物监测数据作为污染状况信息;
将污染预警水体子区域、污染状况信息、排污水体子区域进行信息整合得到污染预警信息;
将所述污染预警信息发送至预设终端设备。
需要说明的是,在进行验证水体子区域中实际数据和预测数据的比较中,若存在不符合数据值预测范围的情况,则代表对应的验证水体子区域中全氟化合物超出当前预测范围内,且对应的排污水体子区域超出预期排污量,本发明通过实时数据对比,生成相应预警信息,能够在后续实现对河流污染的精准调控。
根据本发明实施例,还包括:
获取第二个监测周期内的总体污染预测数据;
选定一个水体子区域,从总体污染预测数据中获取对应子区域的全氟化合物预测数据;
根据全氟化合物预测数据,判断全氟化合物的浓度,筛选出大于预设污染浓度值的全氟化合物种类,并标记为待处理全氟化合物;
根据全氟化合物预测数据,获取待处理全氟化合物对应的浓度值,基于待处理全氟化合物与所述浓度值进行全氟化合物污染调控方法分析,得到选定水体子区域对应的全氟污染调控方案;
选取其余水体子区域进行污染调控分析,得到不同水体子区域对应的全氟污染调控方案。
需要说明的是,不同种类的全氟化合物对应所适用的污染调控方法存在差异,且不同浓度对应的调控时间也有所差异,所述污染调控方法包括物理、化学和生物等多种技术手段,其中,物理调控包括采用吸附、膜分离、氧化还原等方法,对全氟化合物进行分离和去除,化学调控包括氧化、还原等方法,使污染物分解,生物调控包括加入微生物进行生物降解方法。所述得到不同水体子区域对应的全氟污染调控方案,每个水体子区域均有对应的调控方案。
根据本发明实施例,还包括:
实时获取目标河流水域的气候数据;
基于所述气候数据进行气候变化分析,得到天气变化信息、气温变化信息;
获取目标河流水域中水温变化信息;
获取历史河流平均流速;
将所述历史河流平均流速、天气变化信息、气温变化信息、水温变化信息导入污染监测模型进行河流污染扩散速率修正计算,得到自适应的扩散速率修正参数;
在进行全氟化合物污染扩散预测时,提前导入扩散速率修正参数,对模型扩散分析进行扩散速率修正干预。
需要说明的是,在河流气候发生变化时,河流中水体流速与水体活性也会受到一定影响,从而影响了水体污染物的扩散速率,本发明通过对气候与水温的变化分析,进一步对河流污染扩散速率进行变化分析,从而得到自适应的扩散速率修正参数,在进行全氟化合物污染扩散预测时,提前导入扩散速率修正参数,对模型扩散分析进行扩散速率修正干预,能够大大提高数据预测的准确性,使模型能够满足不同气候环境下的预测要求。
图4示出了本发明一种基于物联网的河流中全氟化合物污染监测***的框图。
本发明第二方面还提供了一种基于物联网的河流中全氟化合物污染监测***4,该***包括:存储器41、处理器42,所述存储器中包括基于物联网的河流中全氟化合物污染监测程序,所述基于物联网的河流中全氟化合物污染监测程序被所述处理器执行时实现如下步骤:
在目标河流水域中划分多个水体子区域;
在历史时间段内获取每个水体子区域中的全氟化合物含量,并得到全氟化合物监测数据;
基于不同的水体子区域,将全氟化合物监测数据导入污染监测模型进行多种全氟化合物的浓度变化特征分析与污染扩散模拟训练;
基于物联网,实时监测并获取多个水体子区域中的污水排放时间信息与当前全氟化合物监测数据;
将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型进行污染变化预测模拟,得到每个水体子区域的污染预测数据;
根据污染预测数据实时生成污染预警信息。
根据本发明实施例,所述在目标河流水域中划分多个水体子区域,具体为:
基于目标河流水域的空间模型与周边建筑构造,构建河流地图模型;
获取目标河流水域中预设范围内的工业厂区分布信息,居民住宅区域信息;
将工业厂区分布信息,居民住宅区域分布信息导入河流地图模型进行工厂点与居民点标记,得到多个工业厂区点与多个居民集中点;
基于多个工业厂区点与多个居民集中点进行区域划分,得到多个水体子区域,每个水体子区域保证存在一个工业厂区点或一个居民集中点。
需要说明的是,所述多个工业厂区点与居民集中点中,一个工业厂区点代表一种工业工厂范围的中心点,该点在河流地图模型中进行标记,基于该点可划分出一个水体子区域,通过分析对应水体子区域种的全氟化合物含量情况,能够分析出对应工业厂区点的全氟污染排放情况。工业厂区种类一般有纺织业、重金属业工厂、农业化工厂等,不同的工业厂区对应排放的全氟化合物种类也有差异。一个居民集中点代表在一定预设范围内居民区域的中心点,且所述一定预设范围内不包含工业厂区,一个居民集中点可划分出一个水体子区域,通过分析该水体子区域的全氟污染情况,能够得到居民污水的全氟化合物排放情况。
根据本发明实施例,所述在历史时间段内获取每个水体子区域中的全氟化合物含量,并得到全氟化合物监测数据,具体为:
所述历史时间段包括多个监测周期,一个监测周期对应一次全氟化合物监测信息;
所述一次全氟化合物监测信息包括全部水体子区域中的全氟化合物种类与浓度信息;
基于多个监测周期,将所有全氟化合物监测信息进行信息汇总得到全氟化合物监测数据。
需要说明的是,所述监测周期一般有人为设定。所述全氟化合物监测信息中,具体为对水体子区域进行水样抽取与检测,检测全氟化合物的方法包括基于可见光、紫外和红外的分光光度法、高效液相色谱法、气相色谱法等,所述全氟化合物种类包括含有全氟烷基磺酸以及全氟烷基羧酸等多种全氟化合物。所述历史时间段内具体为人为选定的一个时间段,该时间段满足河流处在稳定状态与气候条件处在一般情况下(即非恶劣天气状况下),进而有利于对河流中全氟化合物进行一般性扩散分析,具有较高的参考对比性。
根据本发明实施例,所述基于不同的水体子区域,将全氟化合物监测数据导入污染监测模型进行多种全氟化合物的浓度变化特征分析与污染扩散模拟训练,具体为:
根据全氟化合物监测数据,获取一个水体子区域对应的全氟化合物监测信息;
以监测周期作为时间自变量,以全氟化合物监测信息中全氟化合物的浓度作为因变量进行浓度变化特征分析,得到单个水体子区域的全氟化合物浓度变化特征;
分析其余水体子区域对应的全氟化合物监测信息并得到全部水体子区域对应的全氟化合物浓度变化特征;
根据全部水体子区域对应的全氟化合物浓度变化特征,结合水体子区域地理位置进行全氟化合物污染扩散分析,得到扩散模拟数据;
构建污染监测模型;
将扩散模拟数据导入污染监测模型进行扩散模拟训练。
需要说明的是,所述扩散模拟数据具体为全氟化合物在各子区域间的扩散趋势、扩散范围、扩散速率等信息。所述污染监测模型具体为一种基于深度学习的预测模型,能够用于河流污染程度的预测分析,所述污染监测模型中涉及RNN、LSTM、WaveNet等算法模型。
根据本发明实施例,所述基于物联网,实时监测并获取多个水体子区域中的污水排放时间信息与当前全氟化合物监测数据,具体为:
基于物联网,通过排放监测模块,实时获取排污水体子区域与对应污水排放时间信息;
在排污水体子区域排放污水后的第一个监测周期内,检测所有水体子区域中的全氟化合物种类与浓度信息并将所述信息进行整合得到当前全氟化合物监测数据。
需要说明的是,污水排放时间信息包括排放开始时间、结束时间、持续时间。所述排污水体子区域一般为多个。
根据本发明实施例,所述将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型进行污染变化预测模拟,得到每个水体子区域的污染预测数据,具体为:
将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型;
基于排污水体子区域所在位置,结合污水排放时间信息与当前全氟化合物监测数据进行全氟化合物污染扩散预测,得到未来N个监测周期内的总体污染预测数据;
所述总体污染预测数据包括所有水体子区域的全氟化合物预测数据;
获取第二个监测周期内的总体污染预测数据;
获取排污水体子区域相邻的M个水体子区域;
根据总体污染预测数据,获取对应M个水体子区域中的全氟化合物预测数据;
基于M个水体子区域中的全氟化合物预测数据,计算出全氟化合物浓度变化波动值,得到对应M个全氟化合物污染波动值;
从M个水体子区域中筛选出全氟化合物污染波动值大于预设波动值的子区域并标记为验证水体子区域。
需要说明的是,所述第二个监测周期即排污水体子区域排放污水后的第二个监测周期,所述全氟化合物预测数据包括各种全氟化合物的预测浓度信息。所述计算出全氟化合物浓度变化波动值具体为将第二个监测周期内的全氟化合物预测数据与第一个监测周期内的全氟化合物监测数据进行浓度变化计算分析,所述全氟化合物污染波动值越大,则代表对应的水体子区域内全氟化合物污染程度变化越剧烈。所述得到未来N个监测周期内的总体污染预测数据中,N一般为3~4,即3到4个监测周期,一个监测周期对应一个总体污染预测数据。监测周期越往后,对应的总体污染预测数据误差越大。本发明通过生成总体污染预测数据,能够对排污水体子区域进行污水排放后的全氟化合物污染扩散情况进行精准评估与可视化展示,从而对河流污染情况进行更为直观与方便地研究。所述总体污染预测数据可通过河流地图模型进行可视化数据展示。
另外,在水体子区域排放污水后,排污水体子区域邻近的水体子区域污染受波动影响较大,波动特征较为明显,进一步,本发明对排污水体子区域相邻的M个水体子区域进行全氟化合物浓度波动分析,进一步筛选出验证水体子区域,从而能够提高后续对实际数据与预测数据验证的效率与精确度,进一步提高河流污染的实时预警能力,实现对河流的科学监测与科学防治。所述M的大小具体由排污水体子区域的地理位置决定。
根据本发明实施例,所述根据污染预测数据实时生成污染预警信息,具体为:
在第二个检测周期内获取验证水体子区域中的实际氟化合物监测数据;
根据总体污染预测数据,获取验证水体子区域中的全氟化合物预测数据,基于所述预测数据提取对应的数据值预测范围;
判断所有验证水体子区域中的实际氟化合物监测数据是否符合数据值预测范围;
若存在不符合数据值预测范围的情况,则将对应不符合数据值预测范围所对应的验证水体子区域标记为污染预警水体子区域;
将污染预警水体子区域对应的实际氟化合物监测数据作为污染状况信息;
将污染预警水体子区域、污染状况信息、排污水体子区域进行信息整合得到污染预警信息;
将所述污染预警信息发送至预设终端设备。
需要说明的是,在进行验证水体子区域中实际数据和预测数据的比较中,若存在不符合数据值预测范围的情况,则代表对应的验证水体子区域中全氟化合物超出当前预测范围内,且对应的排污水体子区域超出预期排污量,本发明通过实时数据对比,生成相应预警信息,能够在后续实现对河流污染的精准调控。
本发明公开了一种基于物联网的河流中全氟化合物污染监测方法及***,通过在历史时间段内获取每个水体子区域中的全氟化合物含量,并得到全氟化合物监测数据,基于不同的水体子区域,将全氟化合物监测数据导入污染监测模型进行多种全氟化合物的浓度变化特征分析与污染扩散模拟训练,基于物联网,实时监测并获取多个水体子区域中的污水排放时间信息与当前全氟化合物监测数据,将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型进行污染变化预测模拟,得到每个水体子区域的污染预测数据,根据污染预测数据实时生成污染预警信息。通过本发明,能够提高河流污染的实时预警能力,实现对河流的科学监测与科学防治。
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 (7)
1.一种基于物联网的河流中全氟化合物污染监测方法,其特征在于,包括:
在目标河流水域中划分多个水体子区域;
在历史时间段内获取每个水体子区域中的全氟化合物含量,并得到全氟化合物监测数据;
基于不同的水体子区域,将全氟化合物监测数据导入污染监测模型进行多种全氟化合物的浓度变化特征分析与污染扩散模拟训练;
基于物联网,实时监测并获取多个水体子区域中的污水排放时间信息与当前全氟化合物监测数据;
将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型进行污染变化预测模拟,得到每个水体子区域的污染预测数据;
根据污染预测数据实时生成污染预警信息;
其中,所述基于物联网,实时监测并获取多个水体子区域中的污水排放时间信息与当前全氟化合物监测数据,具体为:
基于物联网,通过排放监测模块,实时获取排污水体子区域与对应污水排放时间信息;
在排污水体子区域排放污水后的第一个监测周期内,检测所有水体子区域中的全氟化合物种类与浓度信息并将所述全氟化合物种类与浓度信息进行整合得到当前全氟化合物监测数据;
其中,所述将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型进行污染变化预测模拟,得到每个水体子区域的污染预测数据,根据污染预测数据实时生成污染预警信息,包括:
将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型;
基于排污水体子区域所在位置,结合污水排放时间信息与当前全氟化合物监测数据进行全氟化合物污染扩散预测,得到未来N个监测周期内的总体污染预测数据;
所述总体污染预测数据包括所有水体子区域的全氟化合物预测数据;
获取第二个监测周期内的总体污染预测数据;
获取排污水体子区域相邻的M个水体子区域;
根据总体污染预测数据,获取对应M个水体子区域中的全氟化合物预测数据;
基于M个水体子区域中的全氟化合物预测数据,计算出全氟化合物浓度变化波动值,得到对应M个全氟化合物污染波动值;
从M个水体子区域中筛选出全氟化合物污染波动值大于预设波动值的子区域并标记为验证水体子区域;
在第二个检测周期内获取验证水体子区域中的实际全氟化合物监测数据;
根据总体污染预测数据,获取验证水体子区域中的全氟化合物预测数据,基于所述全氟化合物预测数据提取对应的数据值预测范围;
判断所有验证水体子区域中的实际全氟化合物监测数据是否符合数据值预测范围;
若存在不符合数据值预测范围的情况,则将对应不符合数据值预测范围所对应的验证水体子区域标记为污染预警水体子区域;
将污染预警水体子区域对应的实际全氟化合物监测数据作为污染状况信息;
将污染预警水体子区域、污染状况信息、排污水体子区域进行信息整合得到污染预警信息;
将所述污染预警信息发送至预设终端设备。
2.根据权利要求1所述的一种基于物联网的河流中全氟化合物污染监测方法,其特征在于,所述在目标河流水域中划分多个水体子区域,具体为:
基于目标河流水域的空间模型与周边建筑构造,构建河流地图模型;
获取目标河流水域中预设范围内的工业厂区分布信息,居民住宅区域分布信息;
将工业厂区分布信息,居民住宅区域分布信息导入河流地图模型进行工厂点与居民点标记,得到多个工业厂区点与多个居民集中点;
基于多个工业厂区点与多个居民集中点进行区域划分,得到多个水体子区域,每个水体子区域保证存在一个工业厂区点或一个居民集中点。
3.根据权利要求1所述的一种基于物联网的河流中全氟化合物污染监测方法,其特征在于,所述在历史时间段内获取每个水体子区域中的全氟化合物含量,并得到全氟化合物监测数据,具体为:
所述历史时间段包括多个监测周期,一个监测周期对应一次全氟化合物监测信息;
所述一次全氟化合物监测信息包括全部水体子区域中的全氟化合物种类与浓度信息;
基于多个监测周期,将所有全氟化合物监测信息进行信息汇总得到全氟化合物监测数据。
4.根据权利要求1所述的一种基于物联网的河流中全氟化合物污染监测方法,其特征在于,所述基于不同的水体子区域,将全氟化合物监测数据导入污染监测模型进行多种全氟化合物的浓度变化特征分析与污染扩散模拟训练,具体为:
根据全氟化合物监测数据,获取一个水体子区域对应的全氟化合物监测信息;
以监测周期作为时间自变量,以全氟化合物监测信息中全氟化合物的浓度作为因变量进行浓度变化特征分析,得到单个水体子区域的全氟化合物浓度变化特征;
分析其余水体子区域对应的全氟化合物监测信息并得到全部水体子区域对应的全氟化合物浓度变化特征;
根据全部水体子区域对应的全氟化合物浓度变化特征,结合水体子区域地理位置进行全氟化合物污染扩散分析,得到扩散模拟数据;
构建污染监测模型;
将扩散模拟数据导入污染监测模型进行扩散模拟训练。
5.一种基于物联网的河流中全氟化合物污染监测***,其特征在于,该***包括:存储器、处理器,所述存储器中包括基于物联网的河流中全氟化合物污染监测程序,所述基于物联网的河流中全氟化合物污染监测程序被所述处理器执行时实现如下步骤:
在目标河流水域中划分多个水体子区域;
在历史时间段内获取每个水体子区域中的全氟化合物含量,并得到全氟化合物监测数据;
基于不同的水体子区域,将全氟化合物监测数据导入污染监测模型进行多种全氟化合物的浓度变化特征分析与污染扩散模拟训练;
基于物联网,实时监测并获取多个水体子区域中的污水排放时间信息与当前全氟化合物监测数据;
将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型进行污染变化预测模拟,得到每个水体子区域的污染预测数据;
根据污染预测数据实时生成污染预警信息;
其中,所述基于物联网,实时监测并获取多个水体子区域中的污水排放时间信息与当前全氟化合物监测数据,具体为:
基于物联网,通过排放监测模块,实时获取排污水体子区域与对应污水排放时间信息;
在排污水体子区域排放污水后的第一个监测周期内,检测所有水体子区域中的全氟化合物种类与浓度信息并将所述全氟化合物种类与浓度信息进行整合得到当前全氟化合物监测数据;
其中,所述将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型进行污染变化预测模拟,得到每个水体子区域的污染预测数据,根据污染预测数据实时生成污染预警信息,包括:
将污水排放时间信息与当前全氟化合物监测数据导入污染监测模型;
基于排污水体子区域所在位置,结合污水排放时间信息与当前全氟化合物监测数据进行全氟化合物污染扩散预测,得到未来N个监测周期内的总体污染预测数据;
所述总体污染预测数据包括所有水体子区域的全氟化合物预测数据;
获取第二个监测周期内的总体污染预测数据;
获取排污水体子区域相邻的M个水体子区域;
根据总体污染预测数据,获取对应M个水体子区域中的全氟化合物预测数据;
基于M个水体子区域中的全氟化合物预测数据,计算出全氟化合物浓度变化波动值,得到对应M个全氟化合物污染波动值;
从M个水体子区域中筛选出全氟化合物污染波动值大于预设波动值的子区域并标记为验证水体子区域;
在第二个检测周期内获取验证水体子区域中的实际全氟化合物监测数据;
根据总体污染预测数据,获取验证水体子区域中的全氟化合物预测数据,基于所述全氟化合物预测数据提取对应的数据值预测范围;
判断所有验证水体子区域中的实际全氟化合物监测数据是否符合数据值预测范围;
若存在不符合数据值预测范围的情况,则将对应不符合数据值预测范围所对应的验证水体子区域标记为污染预警水体子区域;
将污染预警水体子区域对应的实际全氟化合物监测数据作为污染状况信息;
将污染预警水体子区域、污染状况信息、排污水体子区域进行信息整合得到污染预警信息;
将所述污染预警信息发送至预设终端设备。
6.根据权利要求5所述的一种基于物联网的河流中全氟化合物污染监测***,其特征在于,所述在目标河流水域中划分多个水体子区域,具体为:
基于目标河流水域的空间模型与周边建筑构造,构建河流地图模型;
获取目标河流水域中预设范围内的工业厂区分布信息,居民住宅区域分布信息;
将工业厂区分布信息,居民住宅区域分布信息导入河流地图模型进行工厂点与居民点标记,得到多个工业厂区点与多个居民集中点;
基于多个工业厂区点与多个居民集中点进行区域划分,得到多个水体子区域,每个水体子区域保证存在一个工业厂区点或一个居民集中点。
7.根据权利要求5所述的一种基于物联网的河流中全氟化合物污染监测***,其特征在于,所述在历史时间段内获取每个水体子区域中的全氟化合物含量,并得到全氟化合物监测数据,具体为:
所述历史时间段包括多个监测周期,一个监测周期对应一次全氟化合物监测信息;
所述一次全氟化合物监测信息包括全部水体子区域中的全氟化合物种类与浓度信息;
基于多个监测周期,将所有全氟化合物监测信息进行信息汇总得到全氟化合物监测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310459247.9A CN116168771B (zh) | 2023-04-26 | 2023-04-26 | 一种基于物联网的河流中全氟化合物污染监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310459247.9A CN116168771B (zh) | 2023-04-26 | 2023-04-26 | 一种基于物联网的河流中全氟化合物污染监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116168771A CN116168771A (zh) | 2023-05-26 |
CN116168771B true CN116168771B (zh) | 2023-06-30 |
Family
ID=86411787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310459247.9A Active CN116168771B (zh) | 2023-04-26 | 2023-04-26 | 一种基于物联网的河流中全氟化合物污染监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116168771B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116773465B (zh) * | 2023-08-25 | 2023-10-27 | 北京建工环境修复股份有限公司 | 一种全氟化合物污染在线监测方法及*** |
CN117011717B (zh) * | 2023-10-07 | 2023-12-19 | 北京建工环境修复股份有限公司 | 一种基于物联网的全氟化合物污染评价方法及*** |
CN117911878B (zh) * | 2024-03-20 | 2024-06-07 | 江西三思检测技术有限公司 | 用于智慧环保管家的污染物预警方法及装置 |
CN118071118B (zh) * | 2024-04-18 | 2024-07-05 | 深圳市中科云驰环境科技有限公司 | 一种多节点污水排放管理方法、装置及*** |
CN118275640A (zh) * | 2024-05-31 | 2024-07-02 | 安徽景艺生态科技有限责任公司 | 一种基于物联网的水环境监测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768038A (zh) * | 2020-06-30 | 2020-10-13 | 平安国际智慧城市科技股份有限公司 | 污染物监控方法、装置、终端设备及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460611A (zh) * | 2020-03-02 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 水环境污染分析方法、装置、设备及存储介质 |
CN113988348A (zh) * | 2020-07-10 | 2022-01-28 | 中国科学院沈阳计算技术研究所有限公司 | 一种网格化监测的空气质量预测方法 |
CN112505282A (zh) * | 2020-12-25 | 2021-03-16 | 生态环境部南京环境科学研究所 | 一种环境水体污染实时精准溯源预警方法及其*** |
CN113868347A (zh) * | 2021-08-26 | 2021-12-31 | 中国环境科学研究院 | 一种基于数字流域时空模型的污染排放确定方法和装置 |
WO2023039773A1 (zh) * | 2021-09-16 | 2023-03-23 | 同济大学 | 河道排污口网格化溯源排查方法、***及可存储介质 |
CN114742183B (zh) * | 2022-06-15 | 2023-04-18 | 广东中浦科技有限公司 | 基于深度学习的水污染预警方法、***、设备及存储介质 |
CN115545678A (zh) * | 2022-11-29 | 2022-12-30 | 浙江贵仁信息科技股份有限公司 | 一种基于水环境画像与污染物溯源的水质监测方法 |
-
2023
- 2023-04-26 CN CN202310459247.9A patent/CN116168771B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768038A (zh) * | 2020-06-30 | 2020-10-13 | 平安国际智慧城市科技股份有限公司 | 污染物监控方法、装置、终端设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116168771A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116168771B (zh) | 一种基于物联网的河流中全氟化合物污染监测方法及*** | |
CN116186566B (zh) | 基于深度学习的扩散预测方法及*** | |
CN116773781B (zh) | 一种用于土壤中全氟化合物的污染分析方法、***及介质 | |
Sattari et al. | Estimation of water quality parameters with data‐driven model | |
CN116307268B (zh) | 一种基于污染场地修复过程中的碳排放预测方法及*** | |
CN115308101B (zh) | 水质监测管理方法及*** | |
CN116990479B (zh) | 一种基于Zigbee技术的水质监测方法、***、设备及介质 | |
CN116384776B (zh) | 基于模糊评价的场地污染评估方法、***及存储介质 | |
CN116702047A (zh) | 一种地下水实时监测方法、***及介质 | |
CN116485202B (zh) | 一种基于物联网工业污染实时监测方法及*** | |
CN114184750A (zh) | 地下水污染物的监控方法、装置、设备及存储介质 | |
CN117172996B (zh) | 一种用于生态环境修复的微生物活性识别监测方法及*** | |
CN109019717B (zh) | 一种火电厂脱硫废水智能处理方法及*** | |
CN117973613A (zh) | 一种水环境监测与智能预警*** | |
CN117172995A (zh) | 基于微生物的污染评估分析方法、***及存储介质 | |
CN117332261A (zh) | 一种滤芯的效能评价方法、***及存储介质 | |
CN115605781A (zh) | 臭气减少***及臭气减少方法 | |
CN117171675B (zh) | 基于多源数据的水环境微生物检测方法、***及介质 | |
CN117557970B (zh) | 基于数字孪生的智能建筑管理方法、***及存储介质 | |
CN116819046A (zh) | 一种农田污染智能监测方法、***及存储介质 | |
CN117172990B (zh) | 一种地下水环境中抗生素污染迁移预测方法及*** | |
CN113990407B (zh) | 对多氯萘及其同系物的含量及来源进行解析的解析方法 | |
CN117909913B (zh) | 一种农业面源污染数据管理方法、***、设备及介质 | |
CN117972593B (zh) | 一种典型重污染历史案例库分析的长期预报预警方法 | |
Muhammad et al. | Artificial Intelligence in Waste Management/Wastewater Treatment |
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 |