CN116227744B - 一种流域水环境中铊污染的预测方法及其*** - Google Patents
一种流域水环境中铊污染的预测方法及其*** Download PDFInfo
- Publication number
- CN116227744B CN116227744B CN202310500403.1A CN202310500403A CN116227744B CN 116227744 B CN116227744 B CN 116227744B CN 202310500403 A CN202310500403 A CN 202310500403A CN 116227744 B CN116227744 B CN 116227744B
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- model
- thallium
- request
- 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
- 229910052716 thallium Inorganic materials 0.000 title claims abstract description 108
- BKVIYDNLLOSFOA-UHFFFAOYSA-N thallium Chemical compound [Tl] BKVIYDNLLOSFOA-UHFFFAOYSA-N 0.000 title claims abstract description 108
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 73
- 238000013508 migration Methods 0.000 claims abstract description 64
- 230000005012 migration Effects 0.000 claims abstract description 64
- 230000009466 transformation Effects 0.000 claims abstract description 60
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 238000011109 contamination Methods 0.000 claims description 59
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 230000020169 heat generation Effects 0.000 claims description 8
- 238000011144 upstream manufacturing Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910052786 argon Inorganic materials 0.000 description 1
- 229910052793 cadmium Inorganic materials 0.000 description 1
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000001095 inductively coupled plasma mass spectrometry Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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
- Y02A20/152—Water filtration
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种流域水环境中铊污染的预测方法及其***,其中,流域水环境中铊污染的预测***,包括:多个监管子***和预测中心;其中,监管子***:用于发送预测请求;接收并执行数据获取指令,发送检测数据;接收预测结果,并根据预测结果进行铊污染的管控和治理;预测中心:用于执行如下步骤:接收预测请求,根据预测请求获得迁徙转化模型;发送数据获取指令,并接收检测数据;利用迁徙转化模型对检测数据进行分析,获得预测结果,并发送。本申请能够利用根据预测流域的特征创建的迁徙转化模型对铊污染迁移至目标节点的时间和浓度进行准确预测,便于根据预测结果对流域中的铊污染进行及时管控和治理。
Description
技术领域
本申请涉及水环境风险预测技术领域,尤其涉及一种流域水环境中铊污染的预测方法及其***。
背景技术
铊是自然界中存在的一种典型稀有分散元素。铊及其化合物都具有剧毒,而且是强蓄积性毒性,对动植物的毒性远大于铅、镉、汞等其他重金属。在当前的涉铊河流污染事故中,通常采用将涉铊河流的样本送往实验室进行分析的方式,或采用地表水中痕量铊的环境应急监测方法进行现场监测的方式对流域中已经产生的铊污染进行分析,因此,现有的监测方式存在以下问题:
(1)大部分流域的上游均是湖库,下游均存在饮用水源,车载ICP-MS(涉及到电源和氩气的使用)在大部分偏远地方不便使用,现场也无快速有效的监测方法。
(2)将采集的样本送往实验室进行分析,耗时长,上游溯源难度大。
(3)各流域的各水层分布不同,当铊污染物进入湖库中随着水体流动后,无法对铊污染迁移到下游敏感水源地的时间和浓度进行准确预测,因此,环境应急处置人员难以采取有效应对措施。
发明内容
本申请的目的在于提供一种流域水环境中铊污染的预测方法及其***,能够利用根据预测流域的特征创建的迁徙转化模型对铊污染迁移至目标节点的时间和浓度进行准确预测,便于根据预测结果对流域中的铊污染进行及时管控和治理。
为达到上述目的,本申请提供一种流域水环境中铊污染的预测***,包括:多个监管子***和预测中心;其中,监管子***:用于发送预测请求;接收并执行数据获取指令,发送检测数据;接收预测结果,并根据预测结果进行铊污染的管控和治理;预测中心:用于执行如下步骤:接收预测请求,根据预测请求获得迁徙转化模型;其中,预测请求至少包括:污染源位置和保护区位置;发送数据获取指令,并接收检测数据;利用迁徙转化模型对检测数据进行分析,获得预测结果,并发送。
如上的,其中,每个监管子***均包括:一个管理端、多个检测节点和至少一个监测端;其中,管理端:用于发送预测请求;接收数据获取指令,并根据数据获取指令向多个检测节点发送检测请求;接收检测数据,并将所有的检测数据发送至预测中心;接收预测中心发送的预测结果,根据预测结果向监测端发送管控指令,并同时根据预测结果下发治理任务,其中,治理任务至少包括:确定治理点、治理时间、治理方式和治理人员;检测节点:接收并执行检测请求,并将获取到的检测数据发送至管理端;监测端:接收并执行管控指令,其中,管控指令包括:停止生产和排放。
如上的,其中,预测中心至少包括:登录单元、模型配置单元、预测单元和存储单元;其中,登录单元:用于对监管子***进行注册,完成监管子***登录;模型配置单元:完成登录后,接收监测子***的预测请求,根据预测请求获得迁徙转化模型;预测单元:用于发送数据获取指令,并接收检测数据;将检测数据输入至迁徙转化模型内,由迁徙转化模型对检测数据进行分析,获得预测结果,并发送;存储单元:用于存储基础信息库、参数信息库和样本数据库。
如上的,其中,模型配置单元至少包括:预分析模块、配置模块和模型优化模块;其中,预分析模块:完成登录后,接收监测子***的预测请求,对预测请求进行预分析,获得归属流域信息,根据预测请求和归属流域信息,获得预测流域数据,并将预测流域数据发送至配置模块;配置模块:根据预测流域数据对初始化模型进行配置,获得迁徙转化模型;模型优化模块:根据新的样本数据对输出精度进行更新,获得新的输出精度,并利用新的输出精度对当前的迁徙转化模型进行优化,获得新的迁徙转化模型。
本申请还提供一种流域水环境中铊污染的预测方法,包括如下步骤:预测中心接收监测子***的预测请求,根据预测请求获得迁徙转化模型;其中,预测请求至少包括:污染源位置和保护区位置;预测中心向监管子***发送数据获取指令,并接收监管子***执行数据获取指令后上传的检测数据;预测中心利用迁徙转化模型对检测数据进行分析,获得预测结果,并将预测结果发送至监管子***,监管子***根据预测结果进行铊污染的管控和治理。
如上的,其中,预测中心接收监测子***的预测请求,根据预测请求获得迁徙转化模型的子步骤如下:对预测请求进行预分析,获得归属流域信息;根据预测请求和归属流域信息,获得预测流域数据;根据预测流域数据对初始化模型进行配置,获得迁徙转化模型。
如上的,其中,根据预测流域数据对初始化模型进行配置,获得迁徙转化模型的子步骤如下:调用初始化模型,根据预测流域数据对初始化模型进行配置,获得运行模型;获取样本数据,根据样本数据计算输出精度,并利用输出精度对运行模型进行精度配置,完成配置后获得迁徙转化模型。
如上的,其中,将本次预测后进行治理时实时采集的治理节点的数据作为新的样本数据,利用新的样本数据对输出精度进行更新,获得新的输出精度,并利用新的输出精度对当前的迁徙转化模型进行优化,获得新的迁徙转化模型。
如上的,其中,新的输出精度的表达式如下:;其中,/>为新的输出精度;/>为第/>个新的样本数据的铊污染预测浓度;/>为第/>个新的样本数据的铊污染实测浓度,/>,/>为新的样本数据的总个数;/>为/>个新的样本数据的铊污染预测浓度的平均值;/>为/>个新的样本数据的铊污染实测浓度的平均值。
如上的,其中,对预测请求进行预分析,获得归属流域信息的子步骤如下:获取与预测请求中的管理端信息所对应的多个管理流域数据,并将每个管理流域数据均作为一个初选数据;根据预测请求中的污染源信息和保护区信息对多个初选数据进行筛选,获得归属流域信息。
本申请能够利用根据预测流域的特征创建的迁徙转化模型对铊污染迁移至目标节点(例如:保护区节点)的时间和浓度进行准确预测,便于根据预测结果对流域中的铊污染进行及时管控和治理。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为流域水环境中铊污染的预测***一种实施例的结构示意图;
图2为流域水环境中铊污染的预测方法一种实施例的流程图。
具体实施方式
下面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做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。
如图1所示,本申请提供一种流域水环境中铊污染的预测***,包括:多个监管子***110和预测中心120。
其中,监管子***110:用于发送预测请求;接收并执行数据获取指令,发送检测数据;接收预测结果,并根据预测结果进行铊污染的管控和治理。
预测中心120:用于执行如下步骤:
接收预测请求,根据预测请求获得迁徙转化模型;其中,预测请求至少包括:污染源位置和保护区位置;
发送数据获取指令,并接收检测数据;
利用迁徙转化模型对检测数据进行分析,获得预测结果,并发送。
进一步的,每个监管子***110均包括:一个管理端1101、多个检测节点1102和至少一个监测端1103。
其中,管理端1101:用于发送预测请求;接收数据获取指令,并根据数据获取指令向多个检测节点发送检测请求;接收检测数据,并将所有的检测数据发送至预测中心;接收预测中心发送的预测结果,根据预测结果向监测端发送管控指令,并同时根据预测结果下发治理任务,以及时对铊污染进行管控和治理,其中,治理任务至少包括:确定治理点、治理时间、治理方式和治理人员。
具体的,管理端1101为管理多条流域和多个监测端的政府机构/政府单位的终端。
检测节点1102:接收并执行检测请求,并将获取到的检测数据发送至管理端。
具体的,检测节点1102设置有用于对流域(例如:干流和支流等)中不同水层进行取样的设备、用于对样本进行应急检测的设备,以及将检测获得的检测数据发送至管理端的通信设备。一个检测节点对应预测流域中的一个采样点。
监测端1103:接收并执行管控指令,其中,管控指令包括:停止生产和排放。
具体的,监测端1103为位于管理端管理范围内的能够产生铊污染的主体(例如:矿山开采点、冶炼厂和工业园区等)的终端。
进一步的,预测中心至少包括:登录单元、模型配置单元、预测单元和存储单元。
其中,登录单元:用于对监管子***进行注册,完成监管子***登录。
模型配置单元:完成登录后,接收监测子***的预测请求,根据预测请求获得迁徙转化模型。
预测单元:用于发送数据获取指令,并接收检测数据,将检测数据输入至迁徙转化模型内,由迁徙转化模型对检测数据进行分析,获得预测结果,并发送。
存储单元:用于存储基础信息库、参数信息库和样本数据库。
具体的,基础信息库中包括:多个监管数据包,每个监管数据包至少包括:管理端名称、管理端ID、至少一个监测端名称、至少一个监测端ID、多个检测节点和多个管理流域数据。
参数信息库包括:多个参数数据包,每个参数数据包至少包括:河段标记、河段长度、河段宽度、河段含水层分布、河段含水层每层的厚度、铊污染的弥散系数、污染源节点单位体积产生热量的速率和曲面段。
样本数据库至少包括:每个河段的多个样本点的实测数据,其中,实测数据至少包括:铊污染实测浓度、采样点与污染源起始点的距离,以及采样点和污染源起始点共用的曲面段。
进一步的,模型配置单元至少包括:预分析模块、配置模块和模型优化模块。
其中,预分析模块:完成登录后,接收监测子***的预测请求,对预测请求进行预分析,获得归属流域信息,根据预测请求和归属流域信息,获得预测流域数据,并将预测流域数据发送至配置模块。
配置模块:根据预测流域数据对初始化模型进行配置,获得迁徙转化模型。
模型优化模块:根据新的样本数据对输出精度进行更新,获得新的输出精度,并利用新的输出精度对当前的迁徙转化模型进行优化,获得新的迁徙转化模型。
如图2所示,本申请提供一种流域水环境中铊污染的预测方法,包括如下步骤:
S210:预测中心接收监测子***的预测请求,根据预测请求获得迁徙转化模型;其中,预测请求至少包括:管理端信息、污染源信息和保护区信息。
进一步的,预测中心接收监测子***的预测请求,根据预测请求获得迁徙转化模型的子步骤如下:
S2101:对预测请求进行预分析,获得归属流域信息。
进一步的,对预测请求进行预分析,获得归属流域信息的子步骤如下:
S21011:获取与预测请求中的管理端信息所对应的多个管理流域数据,并将每个管理流域数据均作为一个初选数据。
具体的,预测请求中的管理端信息至少包括:管理端名称和管理端ID。一个管理端对应一个管理端名称和一个管理端ID。
进一步的,获取与预测请求中的管理端信息所对应的多个管理流域数据,并将每个管理流域数据均作为一个初选数据的子步骤如下:
U1:根据管理端信息生成第一查询请求,并发送,其中,第一查询请求至少包括:第一访问内容、第一访问位置和管理端信息。
具体的,第一访问位置为基础信息库。第一访问内容为获取管理流域数据。其中,管理流域数据为由管理端进行检测、管理和治理的流域的相关数据。预分析模块根据管理端信息生成第一查询请求后,将第一查询请求发送至存储单元。
U2:接收根据第一查询请求获得的多个管理流域数据,并将每个管理流域数据均作为一个初选数据。
具体的,存储单元根据第一查询请求对基础信息库进行访问,获得基础信息库中与管理端信息一致的监管数据包,并将该监管数据包中所包含的多个管理流域数据发送至预分析模块,预分析模块接收多个管理流域数据,并将每个管理流域数据均作为一个初选数据。
其中,管理流域数据至少包括:流域区域和流域模型。
流域区域表示:一个流域的流经区域。
流域模型为通过已有的3D模型构建的用于展示流域的基础信息的3D模型。流域模型包括:多个河段子模型,每个河段子模型用于展示该河段实际对应的河段长度、河段宽度、河段含水层分布和河段含水层每层的厚度。用于构建河段子模型的河段实际对应的河段长度、河段宽度、河段含水层分布和河段含水层每层的厚度根据实际测量获得,并存储于参数信息库以供3D模型使用。一个河段子模型对应一个河段标记。
S21012:根据预测请求中的污染源信息和保护区信息对多个初选数据进行筛选,获得归属流域信息。
进一步的,根据预测请求中的污染源信息和保护区信息对多个初选数据进行筛选,获得归属流域信息的子步骤如下:
U1’:根据污染源信息对初选数据进行第一次筛选,将每个流经污染源信息对应的污染源的流域所对应的初选数据均作为筛选数据。
具体的,一个污染源信息对应一个污染源。污染源为能够产生铊污染的主体,例如:矿山开采点、冶炼厂和工业园区等。每个污染源信息至少包括:污染源的名称、污染源的类型、污染规模和污染源区域。
其中,污染源的类型表示能够产生铊污染的主体的类型,例如:开采类和冶炼类等。污染规模根据污染源在单位时间内能够产生的铊污染的最大浓度判定。一个污染规模对应一个浓度范围,一个污染源在单位时间内能够产生的铊污染的最大浓度所属的浓度范围所对应的污染规模即为该污染源的规模。污染源区域用于表示污染源所处的实际位置区域。
当流域流经该污染源区域,则表示该污染源所产生的铊污染会进入该流域,并随着水体流动进行迁移扩散,因此,将每个流经污染源信息对应的污染源的流域所对应的初选数据均作为筛选数据,并剔除不流经污染源信息对应的污染源的流域所对应的初选数据。
U2’:根据保护区信息对多个筛选数据进行第二次筛选,将流经保护区信息对应的保护区的流域所对应的筛选数据作为归属流域信息。
具体的,一个保护区信息对应一个保护区。保护区为不能被铊污染影响的区域,例如:敏感水源、城市、乡镇和村落等。每个保护区信息至少包括:保护区的名称、保护区的类型、保护区规模和保护区区域。
其中,保护区的类型表示需要避免被铊污染影响的主体的类型,例如:敏感水源类、生活区类(例如:城镇和乡村等)和生产区类(例如:耕地和牧场等)等。保护区规模根据占地面积判定。一个保护区规模对应一个覆盖范围,一个保护区的占地面积所属的覆盖范围所对应的保护区规模即为该保护区的规模。保护区区域用于表示保护区所处的实际位置区域。
当流域流经该保护区区域,则表示该流域内的铊污染会对该保护区造成影响,因此,将流经保护区信息对应的保护区的流域所对应的筛选数据作为归属流域信息,并剔除不流经保护区信息对应的保护区的流域所对应的筛选数据。
S2102:根据预测请求和归属流域信息,获得预测流域数据。
进一步的,根据预测请求和归属流域信息,获得预测流域数据的子步骤如下:
S21021:根据预测请求中的污染源信息对归属流域信息中的流域模型进行上流截面标记,根据预测请求中的保护区信息对归属流域信息中的流域模型进行下流截面标记,并将流域模型中位于上流截面标记和下流截面标记之间的河段子模型作为预测流域模型,将河段子模型的河段标记作为预测流域模型的河段标记。
S21022:根据预测流域模型的河段标记生成第二查询请求,并发送,其中,第二查询请求至少包括:河段标记、第二访问内容和第二访问位置。
具体的,第二访问内容为获取预测参数数据。第二访问位置为参数信息库。
S21023:接收根据第二查询请求获得的预测参数数据,并将预测参数数据和预测流域模型作为预测流域数据。其中,预测参数数据至少包括:铊污染的弥散系数、污染源节点单位体积产生热量的速率和曲面段。
具体的,存储单元根据第二查询请求对参数信息库进行访问,获得参数信息库中与河段标记一致的参数数据包,并将参数数据包中的铊污染的弥散系数、污染源节点单位体积产生热量的速率、曲面段作为预测参数数据。
其中,通过已有的方式获取曲面段时涉及的曲面段内的物质通量、介质渗透率、物质动态粘滞度、流体压力、重力加速度和延迟因子均从参数数据包中获取,参数数据包中的数据(例如:物质通量、介质渗透率、物质动态粘滞度、流体压力、重力加速度和延迟因子等)均是预先通过实测和计算获得的。
S2103:根据预测流域数据对初始化模型进行配置,获得迁徙转化模型。
进一步的,根据预测流域数据对初始化模型进行配置,获得迁徙转化模型的子步骤如下:
S21031:调用初始化模型,根据预测流域数据对初始化模型进行配置,获得运行模型。
进一步的,初始化模型的表达式如下:
;
其中,为污染源节点/>的铊污染迁徙扩散至保护区节点/>,且保护区节点/>的铊污染浓度达到铊污染预测浓度的时间/>的微分;/>为保护区节点/>的空间体积;/>为保护区节点/>的物质质量的微分;/>为保护区节点/>的空间体积和污染源节点/>的空间体积的曲面积分近似离散为两点共用的曲面段;/>为铊污染从污染源节点/>到保护区节点/>的弥散系数;/>为从污染源节点/>到保护区节点/>的铊污染预测浓度;/>为污染源节点/>单位体积产生热量的速率。
其中,;
其中,为从污染源节点/>到保护区节点/>的铊污染预测浓度,/>为预测流域上的第/>个检测节点的铊污染浓度,/>,/>为检测节点的总个数;/>为第/>个检测节点与污染源起始点的距离;/>为/>个检测节点的铊污染浓度的平均值;/>为/>个检测节点与污染源起始点的距离的平均值;/>为污染源节点/>到保护区节点/>的距离;/>为回归常数。
具体的,污染源起始点为距离污染源最近的检测节点。的具体值根据预先做的多次实验的情况设置。
S21032:获取样本数据,根据样本数据计算输出精度,并利用输出精度对运行模型进行精度配置,完成配置后获得迁徙转化模型。
进一步的,输出精度的表达式如下:
;
其中,为输出精度;/>为第/>个样本数据的铊污染预测浓度;/>为第/>个样本数据的铊污染实测浓度,/>,/>为样本数据的总个数;/>为/>个样本数据的铊污染预测浓度的平均值;/>为/>个样本数据的铊污染实测浓度的平均值。
具体的,样本数据为从样本数据库中获取的位于预测流域上的采样点在本次预测前获得的实测数据。
S220:预测中心向监管子***发送数据获取指令,并接收监管子***执行数据获取指令后上传的检测数据,其中,检测数据至少包括:检测时间、检测节点的铊污染浓度和检测节点的位置。
具体的,预测中心向管理端发送数据获取指令,管理端接收数据获取指令,并根据数据获取指令向多个检测节点发送检测请求,检测节点执行检测请求,并将获取到的检测数据发送至管理端,管理端汇总所有的检测数据后,将所有的检测数据发送至预测中心。
S230:预测中心利用迁徙转化模型对检测数据进行分析,获得预测结果,并将预测结果发送至监管子***,监管子***根据预测结果进行铊污染的管控和治理,其中,预测结果至少包括:铊污染预测浓度、预测时间和危害程度。
具体的,预测中心将检测数据输入至迁徙转化模型中,迁徙转化模型对检测数据进行分析,获得预测结果,并将预测结果发送至管理端。管理端根据预测结果向监测端发送管控指令,其中,管控指令包括:停止生产和排放。监测端根据管控指令关闭生产和排放。管理端同时根据预测结果下发治理任务,以及时对铊污染进行管控和治理。其中,治理任务至少包括:确定治理点、治理时间、治理方式和治理人员。
进一步的,当设定输入迁徙转化模型的时,迁徙转化模型输出的时间/>即为污染源节点/>的铊污染迁徙扩散至保护区节点/>,且保护区节点/>的铊污染浓度达到紧急预警浓度的预测时间,设定的/>即为从污染源节点/>到保护区节点/>的铊污染预测浓度,紧急预警等级即为危害程度。其中,/>为保护区节点/>的污染浓度阈值,为保护区节点/>当前的铊污染实测浓度。
进一步的,当设定污染源节点和保护区节点/>之间的一个节点作为治理节点时,将该治理节点作为新的保护区节点m’,迁徙转化模型中输出的/>为从污染源节点/>到保护区节点m’的铊污染预测浓度,输出的时间/>即为污染源节点/>的铊污染迁徙扩散至保护区节点m’,且保护区节点m’的铊污染浓度达到紧急预警浓度的预测时间。通过设定治理节点,并将治理节点作为新的保护区节点m’,能够准确预测出治理人员到达治理节点进行铊污染治理的时间和进行治理的铊污染浓度,从而能够对铊污染进行及时预警和及时处理,避免因铊污染造成重大损害。
进一步的,将本次预测后进行治理时实时采集的治理节点的数据作为新的样本数据,利用新的样本数据对输出精度进行更新,获得新的输出精度,并利用新的输出精度对当前的迁徙转化模型进行优化,获得新的迁徙转化模型,从而提高下一次进行预测的输出精度。
进一步的,新的输出精度的表达式如下:
;
其中,为新的输出精度;/>为第/>个新的样本数据的铊污染预测浓度;/>为第/>个新的样本数据的铊污染实测浓度,/>,/>为新的样本数据的总个数;/>为/>个新的样本数据的铊污染预测浓度的平均值;/>为/>个新的样本数据的铊污染实测浓度的平均值。
进一步的,通过预测流域模型对预测结果进行展示。
本申请能够利用根据预测流域的特征创建的迁徙转化模型对铊污染迁移至目标节点(例如:保护区节点)的时间和浓度进行准确预测,便于根据预测结果对流域中的铊污染进行及时管控和治理。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,本申请的保护范围意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请保护范围及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (9)
1.一种流域水环境中铊污染的预测***,其特征在于,包括:多个监管子***和预测中心;
其中,监管子***:用于发送预测请求;接收并执行数据获取指令,发送检测数据;接收预测结果,并根据预测结果进行铊污染的管控和治理;
预测中心:用于执行如下步骤:
接收预测请求,根据预测请求获得迁徙转化模型;其中,预测请求至少包括:污染源位置和保护区位置;
发送数据获取指令,并接收检测数据;
利用迁徙转化模型对检测数据进行分析,获得预测结果,并发送;
其中,接收预测请求,根据预测请求获得迁徙转化模型的子步骤如下:
对预测请求进行预分析,获得归属流域信息;
根据预测请求和归属流域信息,获得预测流域数据;
根据预测流域数据对初始化模型进行配置,获得迁徙转化模型;
其中,根据预测请求和归属流域信息,获得预测流域数据的子步骤如下:
根据预测请求中的污染源信息对归属流域信息中的流域模型进行上流截面标记,根据预测请求中的保护区信息对归属流域信息中的流域模型进行下流截面标记,并将流域模型中位于上流截面标记和下流截面标记之间的河段子模型作为预测流域模型,将河段子模型的河段标记作为预测流域模型的河段标记;
根据预测流域模型的河段标记生成第二查询请求,并发送,其中,第二查询请求至少包括:河段标记、第二访问内容和第二访问位置;
接收根据第二查询请求获得的预测参数数据,并将预测参数数据和预测流域模型作为预测流域数据;其中,预测参数数据至少包括:铊污染的弥散系数、污染源节点单位体积产生热量的速率和曲面段;
其中,初始化模型的表达式如下:
;
其中,为污染源节点/>的铊污染迁徙扩散至保护区节点/>,且保护区节点/>的铊污染浓度达到铊污染预测浓度的时间/>的微分;/>为保护区节点/>的空间体积;/>为保护区节点/>的物质质量的微分;/>为保护区节点/>的空间体积和污染源节点/>的空间体积的曲面积分近似离散为两点共用的曲面段;/>为铊污染从污染源节点/>到保护区节点/>的弥散系数;/>为从污染源节点/>到保护区节点/>的铊污染预测浓度;/>为污染源节点/>单位体积产生热量的速率。
2.根据权利要求1所述的流域水环境中铊污染的预测***,其特征在于,每个监管子***均包括:一个管理端、多个检测节点和至少一个监测端;
其中,管理端:用于发送预测请求;接收数据获取指令,并根据数据获取指令向多个检测节点发送检测请求;接收检测数据,并将所有的检测数据发送至预测中心;接收预测中心发送的预测结果,根据预测结果向监测端发送管控指令,并同时根据预测结果下发治理任务,其中,治理任务至少包括:确定治理点、治理时间、治理方式和治理人员;
检测节点:接收并执行检测请求,并将获取到的检测数据发送至管理端;
监测端:接收并执行管控指令,其中,管控指令包括:停止生产和排放。
3.根据权利要求2所述的流域水环境中铊污染的预测***,其特征在于,预测中心至少包括:登录单元、模型配置单元、预测单元和存储单元;
其中,登录单元:用于对监管子***进行注册,完成监管子***登录;
模型配置单元:完成登录后,接收监测子***的预测请求,根据预测请求获得迁徙转化模型;
预测单元:用于发送数据获取指令,并接收检测数据;将检测数据输入至迁徙转化模型内,由迁徙转化模型对检测数据进行分析,获得预测结果,并发送;
存储单元:用于存储基础信息库、参数信息库和样本数据库。
4.根据权利要求3所述的流域水环境中铊污染的预测***,其特征在于,模型配置单元至少包括:预分析模块、配置模块和模型优化模块;
其中,预分析模块:完成登录后,接收监测子***的预测请求,对预测请求进行预分析,获得归属流域信息,根据预测请求和归属流域信息,获得预测流域数据,并将预测流域数据发送至配置模块;
配置模块:根据预测流域数据对初始化模型进行配置,获得迁徙转化模型;
模型优化模块:根据新的样本数据对输出精度进行更新,获得新的输出精度,并利用新的输出精度对当前的迁徙转化模型进行优化,获得新的迁徙转化模型。
5.一种流域水环境中铊污染的预测方法,其特征在于,包括如下步骤:
预测中心接收监测子***的预测请求,根据预测请求获得迁徙转化模型;其中,预测请求至少包括:污染源位置和保护区位置;
预测中心向监管子***发送数据获取指令,并接收监管子***执行数据获取指令后上传的检测数据;
预测中心利用迁徙转化模型对检测数据进行分析,获得预测结果,并将预测结果发送至监管子***,监管子***根据预测结果进行铊污染的管控和治理;
其中,预测中心接收监测子***的预测请求,根据预测请求获得迁徙转化模型的子步骤如下:
对预测请求进行预分析,获得归属流域信息;
根据预测请求和归属流域信息,获得预测流域数据;
根据预测流域数据对初始化模型进行配置,获得迁徙转化模型;
其中,根据预测请求和归属流域信息,获得预测流域数据的子步骤如下:
根据预测请求中的污染源信息对归属流域信息中的流域模型进行上流截面标记,根据预测请求中的保护区信息对归属流域信息中的流域模型进行下流截面标记,并将流域模型中位于上流截面标记和下流截面标记之间的河段子模型作为预测流域模型,将河段子模型的河段标记作为预测流域模型的河段标记;
根据预测流域模型的河段标记生成第二查询请求,并发送,其中,第二查询请求至少包括:河段标记、第二访问内容和第二访问位置;
接收根据第二查询请求获得的预测参数数据,并将预测参数数据和预测流域模型作为预测流域数据;其中,预测参数数据至少包括:铊污染的弥散系数、污染源节点单位体积产生热量的速率和曲面段;
其中,初始化模型的表达式如下:
;
其中,为污染源节点/>的铊污染迁徙扩散至保护区节点/>,且保护区节点/>的铊污染浓度达到铊污染预测浓度的时间/>的微分;/>为保护区节点/>的空间体积;/>为保护区节点/>的物质质量的微分;/>为保护区节点/>的空间体积和污染源节点/>的空间体积的曲面积分近似离散为两点共用的曲面段;/>为铊污染从污染源节点/>到保护区节点/>的弥散系数;/>为从污染源节点/>到保护区节点/>的铊污染预测浓度;/>为污染源节点/>单位体积产生热量的速率。
6.根据权利要求5所述的流域水环境中铊污染的预测方法,其特征在于,根据预测流域数据对初始化模型进行配置,获得迁徙转化模型的子步骤如下:
调用初始化模型,根据预测流域数据对初始化模型进行配置,获得运行模型;
获取样本数据,根据样本数据计算输出精度,并利用输出精度对运行模型进行精度配置,完成配置后获得迁徙转化模型。
7.根据权利要求6所述的流域水环境中铊污染的预测方法,其特征在于,将本次预测后进行治理时实时采集的治理节点的数据作为新的样本数据,利用新的样本数据对输出精度进行更新,获得新的输出精度,并利用新的输出精度对当前的迁徙转化模型进行优化,获得新的迁徙转化模型。
8.根据权利要求7所述的流域水环境中铊污染的预测方法,其特征在于,新的输出精度的表达式如下:
;
其中,为新的输出精度;/>为第/>个新的样本数据的铊污染预测浓度;/>为第/>个新的样本数据的铊污染实测浓度,/>,/>为新的样本数据的总个数;/>为/>个新的样本数据的铊污染预测浓度的平均值;/>为/>个新的样本数据的铊污染实测浓度的平均值。
9.根据权利要求8所述的流域水环境中铊污染的预测方法,其特征在于,对预测请求进行预分析,获得归属流域信息的子步骤如下:
获取与预测请求中的管理端信息所对应的多个管理流域数据,并将每个管理流域数据均作为一个初选数据;
根据预测请求中的污染源信息和保护区信息对多个初选数据进行筛选,获得归属流域信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310500403.1A CN116227744B (zh) | 2023-05-06 | 2023-05-06 | 一种流域水环境中铊污染的预测方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310500403.1A CN116227744B (zh) | 2023-05-06 | 2023-05-06 | 一种流域水环境中铊污染的预测方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116227744A CN116227744A (zh) | 2023-06-06 |
CN116227744B true CN116227744B (zh) | 2023-08-01 |
Family
ID=86579067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310500403.1A Active CN116227744B (zh) | 2023-05-06 | 2023-05-06 | 一种流域水环境中铊污染的预测方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116227744B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563139A (zh) * | 2017-09-06 | 2018-01-09 | 郑州大学 | 一种点源突发性水污染源事故溯源贡献程度计算方法 |
CN110909484A (zh) * | 2019-12-03 | 2020-03-24 | 中国环境科学研究院 | 一种流域灰水足迹评估方法及水环境治理策略制定方法 |
CN113267607A (zh) * | 2021-05-11 | 2021-08-17 | 浙江大学 | 一种场地有机污染物迁移过程的特征参数识别*** |
JP6980242B1 (ja) * | 2021-03-22 | 2021-12-15 | 国立研究開発法人国立環境研究所 | 汚染物質流出による環境影響の予測方法、及び汚染物質流出による環境影響の予測プログラム |
CN114169266A (zh) * | 2021-12-13 | 2022-03-11 | 桂林理工大学 | 一种河流污染源解析和污染物运移计算方法及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200322A (zh) * | 2014-09-01 | 2014-12-10 | 北京科技大学 | 一种流域综合管理*** |
CN104392100B (zh) * | 2014-10-29 | 2017-05-17 | 南京南瑞集团公司 | 基于水质在线监测***的污染源扩散预警方法 |
CN115587667A (zh) * | 2022-11-04 | 2023-01-10 | 深圳市生态环境智能管控中心 | 智慧环保平台水环境管理***的污染分析管理模块及方法 |
-
2023
- 2023-05-06 CN CN202310500403.1A patent/CN116227744B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563139A (zh) * | 2017-09-06 | 2018-01-09 | 郑州大学 | 一种点源突发性水污染源事故溯源贡献程度计算方法 |
CN110909484A (zh) * | 2019-12-03 | 2020-03-24 | 中国环境科学研究院 | 一种流域灰水足迹评估方法及水环境治理策略制定方法 |
JP6980242B1 (ja) * | 2021-03-22 | 2021-12-15 | 国立研究開発法人国立環境研究所 | 汚染物質流出による環境影響の予測方法、及び汚染物質流出による環境影響の予測プログラム |
CN113267607A (zh) * | 2021-05-11 | 2021-08-17 | 浙江大学 | 一种场地有机污染物迁移过程的特征参数识别*** |
CN114169266A (zh) * | 2021-12-13 | 2022-03-11 | 桂林理工大学 | 一种河流污染源解析和污染物运移计算方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116227744A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shah et al. | Proposed formulation of surface water quality and modelling using gene expression, machine learning, and regression techniques | |
Birkel et al. | Assessing the value of high‐resolution isotope tracer data in the stepwise development of a lumped conceptual rainfall–runoff model | |
CN112883644B (zh) | 一种动态水环境管理方法 | |
CN110646867A (zh) | 一种城市排水监测预警方法和*** | |
Ding et al. | Water quality safety prediction model for drinking water source areas in Three Gorges Reservoir and its application | |
CN112434076A (zh) | 土壤污染物迁移与预警模拟方法及*** | |
Sun et al. | Urban storm flood simulation using improved SWMM based on K‐means clustering of parameter samples | |
Song et al. | Research on drinking-groundwater source safety management based on numerical simulation | |
Zhang et al. | Rainfall runoff and dissolved pollutant transport processes over idealized urban catchments | |
Snoun et al. | A comprehensive review of Gaussian atmospheric dispersion models: current usage and future perspectives | |
Kumar et al. | Study of solute dispersion with source/sink impact in semi-infinite porous medium | |
CN116227744B (zh) | 一种流域水环境中铊污染的预测方法及其*** | |
Tobin et al. | Quantifying concentrated and diffuse recharge in two marble karst aquifers: Big Spring and Tufa Spring, Sequoia and Kings Canyon National Parks, California, USA | |
Somaratne | Pitfalls in application of the conventional chloride mass balance (CMB) in karst aquifers and use of the generalised CMB method | |
Nemati et al. | A novel approach using hybrid fuzzy vertex method-MATLAB framework based on GMS model for quantifying predictive uncertainty associated with groundwater flow and transport models | |
Yao et al. | Estimation of phosphorus flux into the sea through one reversing river using continuous turbidities and water quality modeling | |
Cadini et al. | Modeling the release and transport of 90 Sr radionuclides from a superficial nuclear storage facility | |
Zhou et al. | Application of water quality control charts to spring monitoring in karst terranes | |
Kumar et al. | Temporal simulation of sediment yield using WEPP model in dal catchment of temperate region of Kashmir Valley, India: Case study | |
Keppel et al. | Modelling size constraints on carbonate platform formation in groundwater upwelling zones | |
Martín et al. | Using dispersion models at microscale to assess long-term air pollution in urban hot spots: A FAIRMODE joint intercomparison exercise for a case study in Antwerp | |
Hao et al. | Intra‐event concentration–discharge relationships affected by hydrological connectivity in a karst catchment | |
Huang et al. | Experimental investigation of solute transport in unsaturated fractured rock | |
Clark et al. | Investigating the Response of a Small Urbanized Watershed to Acute Toxicity Events via Analysis of High-frequency Environmental Data. | |
Bettel | Sediment Transport Investigation in a Karst Basin Defines Governing Transport Processes and Explains Hysteresis Patterns |
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 |