CN116539829A - 一种水质监测感知分析方法 - Google Patents
一种水质监测感知分析方法 Download PDFInfo
- Publication number
- CN116539829A CN116539829A CN202310533612.6A CN202310533612A CN116539829A CN 116539829 A CN116539829 A CN 116539829A CN 202310533612 A CN202310533612 A CN 202310533612A CN 116539829 A CN116539829 A CN 116539829A
- Authority
- CN
- China
- Prior art keywords
- water quality
- monitoring
- water
- data
- analysis
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 343
- 238000012544 monitoring process Methods 0.000 title claims abstract description 207
- 238000004458 analytical method Methods 0.000 title claims abstract description 90
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims abstract description 62
- 238000005516 engineering process Methods 0.000 claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 36
- 230000008447 perception Effects 0.000 claims abstract description 36
- 230000006855 networking Effects 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims description 22
- 238000001228 spectrum Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 10
- 238000007619 statistical method Methods 0.000 claims description 10
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 8
- 229930002875 chlorophyll Natural products 0.000 claims description 7
- 235000019804 chlorophyll Nutrition 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000002262 irrigation Effects 0.000 claims description 3
- 238000003973 irrigation Methods 0.000 claims description 3
- 239000008213 purified water Substances 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 239000013049 sediment Substances 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005206 flow analysis Methods 0.000 claims description 2
- 238000010223 real-time analysis Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 230000001186 cumulative effect Effects 0.000 claims 1
- 238000012800 visualization Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003911 water pollution Methods 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- -1 turbidity Chemical compound 0.000 description 1
Classifications
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种水质监测感知分析方法，步骤如下：基于监测水域历史遥感数据时空推演得到该监测水域水质未来变化趋势，综合分析设计合理的监测组网和组网布设点位及各采集点设备占比。基于布设点位和采集点各设备占比构建水质监测LoRa组网；基于LoRa组网监测设备实时获取水质监测状态数据，同步基于RS遥感技术实时监测分析水体状态；将组网获取的实时设备信息与RS感知分析结果基于GPS和GIS技术融合分析与计算，最终得到更精准的水质状态结果。与现有技术相比本发明融合了3S(RS+GPS+GIS)技术、LORa和物联网技术，实现水质的超时空监测，提高了感知速度，并可作为一种统一监测标准一体化监测管控地球水环境。
Description
技术领域
本发明涉及水质监测技术领域，尤其是涉及一种水质监测感知分析方法。
背景技术
水环境受到了较大的污染导致水域环境质量较差。人们基于物联网技术对水质进行监测，可以随时随地了解水体水质变化情况，通过研究水质变化规律，总结出优化水质的较优解决方案，以此改善水环境，提高水质。
LoRa是一种物理层的无线数字通信调制技术，也称扩频连续调频调制技术。其特点是在相同的功耗下比其它无线方式传播的距离更远，实现了低功耗和远距离的统一，在同样的功耗下比传统的无线通信射频通信距离扩大3-5倍。将loRa技术与无线水质传感器技术结合能得到loRa的低功耗无限水质传感器，该传感器大大简化了设备的组成结构，不但可以大大降低成本，更重要的意义在于结构简单，安装维护快，适合大量推广。
中国申请CN108196018A公开了一种基于LoRa技术的水质监测***，其中，采集设备终端包括：温度传感器、浊度传感器、PH值传感器、氧含量传感器、重金属离子传感器以及LoRa通信模块；传感器采集水质参数并通过内部电路发送至中央处理器，中央处理器与LoRa通信模块相连，将数据进行封装后通过LoRa天线发送给远处的LoRa网关；采集设备终端分布于各个采集监测点，多个采集设备终端通过LoRa链路与LoRa网关相连，将采集信息发送给LoRa网关；一个LoRa网关与若干个采集设备终端进行连接，接收与之连接的采集设备终端的信息，进行解析并重新封装后经WiFi链路发送至主控服务器，主控服务器通过WiFi链路与所有的LoRa网关连接。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种水质监测感知分析方法。
本发明的目的可以通过以下技术方案来实现：
一种水质监测感知分析方法，所述监测感知方法采用融合3S技术、LoRa和物联网技术构建水质监测感知***进行水质的感知并通过监测中心进行监测，所述构建、感知和监测的步骤如下：
通过RS遥感技术获取遥感数据，监测水体信息；
基于监测水域的遥感数据时空推演得到的水质未来变化趋势和监测中心提供的相关数据信息，分析判断设置水质监测组网布设点位及各采集点设备类型；
基于布设点位和采集点各设备类型构建水质监测LoRa组网；
基于LoRa组网监测设备实时获取水质监测状态数据，同时基于RS遥感技术获取遥感数据实时监测分析水体状态；
分类、分层对水质监测数据进行边缘计算、数据加权分析、融合分析与计算综合感知得到水质状态结果。
进一步的，所述通过遥感技术获取遥感数据，监测水体信息的具体步骤包括：
通过遥感设备获取的被监测水域环境实时遥感数据；基于纯净水与被污染水体的不同光谱特性，基于历史遥感影像通过水质参数反演模型分析水质参数，得到水体状态信息；
所述遥感数据包括高分辨率影像、高光谱影像和环境专题地图；所述水质参数包括黄色物质、浮游植物、总悬浮物和透明度；所述水体信息包括水体污染源的类型、位置分布以及水体污染的分布范围。
进一步的，所述基于遥感数据时空推演得到的水质未来变化趋势，构建水质监测LoRa组网，具体步骤包括：
基于历史遥感影像通过水质参数反演模型分析水质参数，得到水体状态信息；
对通过分析遥感数据获得的水体状态信息中的时间和空间信息进行分析，推演得到水质未来变化趋势；
依据水质未来变化趋势，设置监测站以及监测点位置和监测点设备类型；
所述监测站安装设备包括LoRaWan网关设备、搭载感知分析模块的中台监测设备和多个终端上位机；
所述监测点布置设备，包括LoRa的无线水质监测传感器、LoRaWan的DTU以及包括叶绿素传感器、PH传感器、氨氮传感器、COD传感器和浊度传感器的感知设备。
进一步的，所述基于监测水域的遥感数据时空推演得到的水质未来变化趋势，具体步骤如下：
获取历史RS遥感数据；
基于历史RS遥感数据通过水质反演模型获得水质反演结果；
依据历史遥感数据水质反演结果，预测未来水质趋势；
按趋势计算均值；
分区计算各区域水质叶绿素、沉淀物要素的浓度占比变化趋势。
进一步的，其特征在于，所述水质参数反演模型具体如下：
通过RS遥感技术获取遥感数据；
对遥感数据进行预处理，包括辐射标定与大气校正；
基于光谱影像测量水面光谱，并采集水样；
基于测量的水面光谱与采集的水样，进行水质指标测试；
基于采样点的GPS导出光谱影像中对应的像素值；
基于预处理后的RS遥感数据预导出的像素值，进行点位检测并提取对应波谱；
对提取波谱进行统计分析，并对监测水域进行范围裁剪；
在裁剪后的范围内进行波段计算，得到水质反演结果。
进一步的，所述基于LoRa组网获取水质监测数据，对水质监测数据进行感知分析的具体步骤包括：
所述中台监测设备通过LoRa组网获取各监测点的水质监测数据；
所述中台监测设备通过感知分析模块对水质监测数据进行边缘计算得到感知分析结果；
进行数据清洗；
将LoRa组网感知数据与采集到的其它基础数据一起传送到云端；
所述边缘计算步骤包括：
基于DTU即时分析联动控制信号；
分析过滤多余数据；
将各监测点的水质监测数据与设置的监测项目阈值进行实时比对。
进一步的，所述水质监测感知***还设置有非LoRa感知设备，包括无人机和摄像头；
所述监测中心下达无人机指令，利用无人机对监测水域进行采水和水质分析作业，并依据上传结果进行综合分析与处理；
所述监测中心通过摄像头，实时监控分析监测区域水质变化情况，通过图像分析得出水质趋势变化。
进一步的，所述监测中心设置有水质监测实时感知分析模型进行水质综合分析，具体如下：
定义水质分析模型规则，基于不同的水质分析模型规则进行遍历计算；
对于水质遥感监测、水质基础数据监测、图像监控与水质采样，分别获取监测指标值；
根据监测要素类别判断模型与各监测指标值的关联性；
依据关联性选择4项监测中的m项进行分析与判断，获取m项等级与权重比以及模型规则公式，m满足2≤m≤4；
基于模型规则对各监测采集上传的数据进行判断，并基于GIS统一空间坐标系；
基于RS数据最小周期，设置合理的时间区段；
基于设置好的最小时间区段，选择相关联的RS数据与采集到的数据统一设定成同一个时间轴数据；
将同时间同坐标系GPS位置监测到的要素数据与RS实时监测到的同要素数据进行配准比对；
基于数据变化趋势、均值、加权值判断分析，基于不同要素数据特性，综合判断最终监测结果。
进一步的，所述监测中心采用3DGIS***，基于监测点GPS位置及监测数据对监测水域水质进行空间可视化展示，实时展示监测数据包括水量、水质和实时图像信息；
所述水量信息展示各渠道监测的水位、流量实时监测信息和水位流量过程线；
所述水质信息展示水质自动监测站采集的水质指标信息，并与水质标准比较，判断水质类别、是否超标、超标物及超标倍数；
所述实时图像信息实时展示拍摄的排污口图片，展示图片分析结果、监督分类图和遥感数据。
进一步的，所述监测中心对采集监测数据进行流量趋势、累计流量和水质分析：
所述流量趋势分析包括展示长时段水位流量过程线，通过水位流量变化趋势及历史同期对比分析，结合灌区作物需水规律，对未来需水量作判断；
所述累计流量分析包括展示各渠道流量统计数据，统计类型包括年、月、日，通过柱状图或饼图的形式展示取水总量、历年对比分析情况；
所述水质分析分析包括展示各项水质指标详情，按照指定时间段对水质状况进行统计分析，统计类别包括按水质类别统计和按是否合格统计。
与现有技术相比，本发明具有以下有益效果：
1)本发明采用3S技术(RS+GIS+GPS)、LoRa、物联网多技术融合，通过遥感技术实现了水库、河流、湖泊等超时空大面积水质状态感知监测与分析，依据遥感历史影像数据与其它多维数据混合推演水质变化的过去与未来。通过监测出水体污染源的类型、位置分布以及水体污染的分布范围状态变化、未来变化趋势，基于遥感数据对监测站、监测点和监测设备的种类进行设置，水体监测效果更加敏锐。遥感影像及其相关空间位置信息可作为检测标准的统一位置信息标准。
2)本发明基于边缘算法感知分析水质变化状态，将获取到的数据通过区域中台传至云平台，将相关联数据进行快速分析与关联处理，以此达到物联网快速感知与分析的效果。
3)本发明构建LoRaMESH融合网络整由中心网关、节点网关、低功耗LoRa接入点组成，以中心网关和节点网关组成的LoRaMesh骨干网络，扩展了LoRa低功耗远距离点对多点通信的星型网络，具有部署快、低功耗、低成本等优势。将LoRa星型组网与骨干网络融合，能够降低网络复杂度，降低网络成本，解决海量节点接入、传输距离远、干扰较大等系列问题。
附图说明
图1为本发明水质检测感知方法的流程示意图；
图2为本发明水质监测指数反演分析示意图；
图3为本发明水质反演模型示意图；
图4为本发明水质时空推演步骤流程图；
图5为本发明水质监测实时感知分析模型示意图；
图6为本发明水质数据采集与边缘计算流程图；
图7为本发明水质图像分析流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
作为本发明的其中一种实施方式，提供一种水质监测感知方法，该方法融合3S技术、LoRa技术、物联网技术进行水质监测***中的构建，通过构建的水质监测感知***进行水质的感知监测。基于遥感技术快速监测出水体污染源的类型、位置分布以及水体污染的分布范围等，以此设计监测站以及监测点位置和监测点设备类型，安装LoRa的低功耗无线水质监测传感器、LoRa Wan网关设备、感知设备，构建LoRa组网，能远距离获取高可靠数据信息，并基于边缘算法感知分析水质变化状态，将获取到的数据通过区域中台传至云平台，供监测中心实时多角度监测与管理。综合管理平台包含综合监控、设备控制、基础信息、统计分析、智能预警、视频监控、智能感知、监测站等功能。与传统水质监测方法相比，本发明拥有智能感知敏捷预判能力，且突破传统物联网低功耗和远距离限制，可一体化监测管控地球水环境。从部署、应用、经济等多方面较好的解决了水质监测感知方案高成本低性能、统一标准等现状问题。
如图1所示为本发明感知分析方法的实施步骤，包括：
S1：通过遥感技术监测水体信息；
S2：基于遥感数据时空推演得到的水质未来变化趋势，构建水质监测LoRa组网；
S3：基于LoRa组网获取水质监测数据；并对水质监测数据感知分析得到水质状态；
S4：基于LoRa组网监测设备实时获取水质监测状态数据，同时选用RS遥感技术实时监测分析水体状态；分类、分层对水质监测数据进行边缘计算、数据加权分析、融合分析与计算、综合感知得到水质状态结果
依据被测水域环境建设多个监测站，在监测站中安装多个终端上位机、综合监测设备、构建LoRa组网、安装LoRa Wan网关设备与LoRa Wan终端DTU，依据遥感数据及监管部门提供的信息分析合适的位置，安装LoRa低功耗无线水质监测设备(含叶绿素传感器、PH传感器、氨氮传感器、COD传感器、浊度传感器、浮标等)到合适的监测点。同步设计研发监测综合管理平台，获取实时水质监测数据和感知分析数据，综合判断管理监测水域环境，当发现异常时及时预警，并生成可用于参考的解决方案，辅助水质监管部门快速响应管理相关水域水质环境。支持多个监测机构同时监测，云平台数据支持不同等级权限供多个监测机构应用。
实施方式的详细步骤为：
依据被监测水域环境获取实时遥感数据(含高分辨率影像、高光谱影像、环境专题地图等)，基于纯净水与被污染水体的不同光谱特性，分析该区域水质参数浓度，如黄色物质、浮游植物(叶绿素a)、总悬浮物、透明度等，以此实现该区域的水质遥感监测。
进一步的，如图2所示，被监测水域区域水质参数的分析过程为：基于遥感数据建立水质参数反演模型；对实时遥感影像采用水质参数反演模型进行反演；基于水质反演结果分析水质参数空间分布。
进一步的，如图3所示，水质反演模型具体如下：通过RS遥感技术获取遥感数据；对遥感数据进行包括辐射标定与大气校正的预处理；测量水面光谱，并采集水样；基于测量的水面光谱与采集的水样，进行水质指标测试；基于采样点的GPS导出遥感影像中对应的像素值；基于预处理后的RS遥感数据预导出的像素值，进行点位检测并提取对应波谱；对提取波谱进行统计分析；基于统计分析结果，对监测水域进行范围裁剪；在裁剪后的范围内进行波段计算，得到水质反演结果。
进一步的，如图4所示，基于监测水域的遥感数据反演时空推演得到的水质未来变化趋势，具体步骤如下：首先获取历史RS遥感数据；再基于历史RS遥感数据通过水质反演模型获得水质反演结果；依据历史遥感数据水质反演结果，预测未来水质趋势；按趋势计算均值，并分区计算得到各区域水质叶绿素、沉淀物要素的浓度占比变化趋势。
进一步的，构建水质监测LoRa组网的过程具体如下：依据被测水域环境建设多个监测站，在监测站中安装中台监测设备(含综合感知分析预警模块)，依据遥感数据及监管部门提供的信息综合分析布设合适的监测点，构建LoRa组网，将LoRa低功耗无线水质监测设备及其它相关监测设备(如视频设备、浮标、雷达水位计等)安装到预先规划好的监测点位置。以下为本发明的水质监测LoRa组网核心组成结构，LoRaMESH融合网络。
进一步的，LoRaMESH融合网络是以中心网关和节点网关组成的LoRaMesh骨干网络，它扩展了LoRa/FSK低功耗远距离点对多点通信的星型网络，整个网络由中心网关、节点网关、低功耗LoRa/FSK接入点组成，具有部署快、低功耗、低成本等优势。
基于LoRa组网监测设备实时获取水质监测状态数据，同时选用RS遥感技术实时监测分析水体状态；分类、分层对水质监测数据进行边缘计算、数据加权分析、融合分析与计算、综合感知得到水质状态结果。
如图5所示，为本实施例的水质监测实时感知分析模型：首先定义水质分析模型规则；基于不同的水质分析模型规则进行遍历计算；分别对水质遥感监测、LoRa组网获得的水质基础数据监测、图像监控与水质采样获取监测指标值；判断模型与获取的各监测指标值的关联性；依据关联性选择4项监测中的多项进行分析与判断；获取m项等级与权重比以及模型规则公式；m满足2≤m≤4。
基于模型规则对各监测采集上传的数据进行判断；基于GIS统一空间坐标系；基于RS数据最小周期，设置合理的时间区段；基于设置好的最小时间区，选择相关联的RS数据与采集到的数据统一设定成同一个时间轴数据；将同时间同坐标系GPS位置监测到的要素数据与RS实时监测到的同要素数据进行配准比对；基于数据变化趋势、均值、加权值判断分析，基于不同要素数据特性，综合判断最终监测结果。
进一步的，水质监测实时感知分析模型包括以下部分：
1、数据采集与边缘计算：
如图6所示，为基于边缘计算感知分析过程：基于LoRa组网获取监测点水质监测数据，具体包含叶绿素、PH、化学需氧量(Chemical Oxygen Demand，COD)电导率、余氯、浊度、氨氮、温度、水位、GPS等传感器数据；设置监测项目阈值；进行边缘计算包括：基于DTU即时分析联动控制信号、分析过滤多余数据和实时比对阈值；进行数据清洗；通过LoRa组网与采集到的其它基础数据一起传送到云端。
2、水质采样：
依据监测中心要求对监测水域进行采水和水质分析作业，通过含无人机采水也可采取人工取水等，对水质进行分析作业后将结果上传到监控中心进行综合分析与处理。
3、水质图像分析：
在污水排放口等水质变化大的地方安装摄像头，实时监控分析该监测区域水质变化情况，图像分析标出水质趋势变化等，如图7所示，通过摄像头采集的图像数据先通过滤波器进行去噪处理；在进行图像预处理，首先进行灰度直方图均衡化，再由otsu算法进行二值化分割，再由边缘检测算法进行边缘检测；提取预处理后图像中特征；将提取特征与设定阈值进行对比。
4、综合感知与分析：
设计水质监测感知分析模型，分模块监测各监测点，设置监测项目阈值，实时比对阈值，将比对结果上传到服务器中。将相关联数据进行快速分析与关联处理，以此达到物联网快速感知与分析的效果。
5、综合监控预警：
将感知分析结果快速传送到监控中心平台，平台实时显示监测水质状态，实时对监测到的异常状态进行不同等级报警，并提供可供参考的管控方案，以此辅助监测中心。
6、水质监测感知综合管理平台：
监控中心平台选用java+IDL语言研发，数据库选用Oracle，交互实时数据存储在Redis和kafka中，平台引用3DGIS引擎二次研发，可二三维展示感兴趣区域水质监控场景。
进一步的，监控中心3DGIS***，基于监测点GPS位置及监测数据对监测水域水质进行空间可视化展示，实时展示各监测站水量、水质、视频图像等信息：水量信息展示各渠道监测的水位、流量实时监测信息和水位流量过程线；水质信息展示水质自动监测站采集的水质常规五项指标信息，并与水质标准比较，判断水质类别、是否超标、超标物及超标倍数；实时图像展示拍摄的排污口图片，可查看图片分析结果，可点击图片放大查看监督分类图，特殊条件下需引入遥感数据做进一步分析判断。支持测站定位、历史监测信息查询、统计分析等操作。
进一步的，监控中心对采集监测数据进行统计分析，具体包括流量趋势、累计流量和水质分析：其中，流量趋势通过展示长时段水位流量过程线，通过水位流量变化趋势及历史同期对比分析，结合灌区作物需水规律，对未来需水量作初步判断。累计流量通过展示各渠道流量统计数据，统计类型包括年、月、日，通过柱状图、饼图等多种形式展示取水总量、历年对比分析情况。水质分析通过展示各项水质指标详情，按照指定时间段对水质状况进行统计分析，统计类别包括按水质类别统计、按是否合格统计等。
进一步的，监控中心能够可对水量、水质超阈值情况进行预警。存储有联系人及手机号，设置超警阈值，一旦出现流量、水质超标等情况，将分级别发送固定格式的预警手机短信至相关人员手机上。在软件平台上通过闪烁、声音等方式同步预警。
本发明融合了3S技术、LoRa技术、物联网技术进行水质监测***中的构建，通过构建的水质监测感知***进行水质的感知监测。通过遥感技术实现了水库、河流、湖泊等超时空大面积水质状态感知监测与分析。LoRa技术提升了传统水质监测方案数据传输效率、扩大了监测范围、降低了整体能耗。感知技术的应用，解决了人们因水质监测数据量大感知错误或感知不及时等问题。从水质监测方案迫切需要解决的价格、性能的应用现状出发，实现了低能耗低成本高性能的水质监测感知***，该方案从部署、应用、经济等多方面较好的解决了水质监测感知***高成本低性能的现状问题。同时可作为一种统一监测标准一体化监测管控地球水环境。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种水质监测感知分析方法，其特征在于，所述监测感知方法采用融合3S技术、LoRa和物联网技术构建水质监测感知***进行水质的感知并通过监测中心进行监测，所述构建、感知和监测的步骤如下：
通过RS遥感技术获取遥感数据，监测水体信息；
基于监测水域的遥感数据时空推演得到的水质未来变化趋势和监测中心提供的相关数据信息，分析判断设置水质监测组网布设点位及各采集点设备类型；
基于布设点位和采集点各设备类型构建水质监测LoRa组网；
基于LoRa组网监测设备实时获取水质监测状态数据，同时基于RS遥感技术获取遥感数据实时监测分析水体状态；
分类、分层对水质监测数据进行边缘计算、数据加权分析、融合分析与计算综合感知得到水质状态结果。
2.根据权利要求1所述的一种水质监测感知分析方法，其特征在于，所述通过遥感技术获取遥感数据，监测水体信息的具体步骤包括：
通过遥感设备获取的被监测水域环境实时遥感数据；基于纯净水与被污染水体的不同光谱特性，基于历史遥感影像通过水质参数反演模型分析水质参数，得到水体状态信息；
所述遥感数据包括高分辨率影像、高光谱影像和环境专题地图；所述水质参数包括黄色物质、浮游植物、总悬浮物和透明度；所述水体信息包括水体污染源的类型、位置分布以及水体污染的分布范围。
3.根据权利要求1所述的一种水质监测感知分析方法，其特征在于，所述基于遥感数据时空推演得到的水质未来变化趋势，构建水质监测LoRa组网，具体步骤包括：
基于历史遥感影像通过水质参数反演模型分析水质参数，得到水体状态信息；
对通过分析遥感数据获得的水体状态信息中的时间和空间信息进行分析，推演得到水质未来变化趋势；
依据水质未来变化趋势，设置监测站以及监测点位置和监测点设备类型；
所述监测站安装设备包括LoRaWan网关设备、搭载感知分析模块的中台监测设备和多个终端上位机；
所述监测点布置设备，包括LoRa的无线水质监测传感器、LoRaWan的DTU以及包括叶绿素传感器、PH传感器、氨氮传感器、COD传感器和浊度传感器的感知设备。
4.根据权利要求3所述的一种水质监测感知分析方法，其特征在于，所述基于监测水域的遥感数据时空推演得到的水质未来变化趋势，具体步骤如下：
获取历史RS遥感数据；
基于历史RS遥感数据通过水质反演模型获得水质反演结果；
依据历史遥感数据水质反演结果，预测未来水质趋势；
按趋势计算均值；
分区计算各区域水质叶绿素、沉淀物要素的浓度占比变化趋势。
5.根据权利要求2或3或4所述的一种水质监测感知分析方法，其特征在于，所述水质参数反演模型具体如下：
通过RS遥感技术获取遥感数据；
对遥感数据进行预处理，包括辐射标定与大气校正；
基于光谱影像测量水面光谱，并采集水样；
基于测量的水面光谱与采集的水样，进行水质指标测试；
基于采样点的GPS导出光谱影像中对应的像素值；
基于预处理后的RS遥感数据预导出的像素值，进行点位检测并提取对应波谱；
对提取波谱进行统计分析，并对监测水域进行范围裁剪；
在裁剪后的范围内进行波段计算，得到水质反演结果。
6.根据权利要求3所述的一种水质监测感知分析方法，其特征在于，所述基于LoRa组网获取水质监测数据，对水质监测数据进行感知分析的具体步骤包括：
所述中台监测设备通过LoRa组网获取各监测点的水质监测数据；
所述中台监测设备通过感知分析模块对水质监测数据进行边缘计算得到感知分析结果；
进行数据清洗；
将LoRa组网感知数据与采集到的其它基础数据一起传送到云端；
所述边缘计算步骤包括：
基于DTU即时分析联动控制信号；
分析过滤多余数据；
将各监测点的水质监测数据与设置的监测项目阈值进行实时比对。
7.根据权利要求1所述的一种水质监测感知分析方法，其特征在于，所构建的水质监测感知***还设置有非LoRa感知设备，包括无人机和摄像头；
所述监测中心下达无人机指令，利用无人机对监测水域进行采水和水质分析作业，并依据上传结果进行综合分析与处理；
所述监测中心通过摄像头，实时监控分析监测区域水质变化情况，通过图像分析得出水质趋势变化。
8.根据权利要求1所述的一种水质监测感知分析方法，其特征在于，所述监测中心设置有水质监测实时感知分析模型进行水质综合分析，具体如下：
定义水质分析模型规则，基于不同的水质分析模型规则进行遍历计算；
对于水质遥感监测、水质基础数据监测、图像监控与水质采样，分别获取监测指标值；
根据监测要素类别判断模型与各监测指标值的关联性；
依据关联性选择4项监测中的m项进行分析与判断，获取m项等级与权重比以及模型规则公式，m满足2≤m≤4；
基于模型规则对各监测采集上传的数据进行判断，并基于GIS统一空间坐标系；
基于RS数据最小周期，设置合理的时间区段；
基于设置好的最小时间区段，选择相关联的RS数据与采集到的数据统一设定成同一个时间轴数据；
将同时间同坐标系GPS位置监测到的要素数据与RS实时监测到的同要素数据进行配准比对；
基于数据变化趋势、均值、加权值判断分析，基于不同要素数据特性，综合判断最终监测结果。
9.根据权利要求1所述的一种水质监测感知分析方法，其特征在于，所述监测中心采用3DGIS***，基于监测点GPS位置及监测数据对监测水域水质进行空间可视化展示，实时展示监测数据包括水量、水质和实时图像信息；
所述水量信息展示各渠道监测的水位、流量实时监测信息和水位流量过程线；
所述水质信息展示水质自动监测站采集的水质指标信息，并与水质标准比较，判断水质类别、是否超标、超标物及超标倍数；
所述实时图像信息实时展示拍摄的排污口图片，展示图片分析结果、监督分类图和遥感数据。
10.根据权利要求1所述的一种水质监测感知分析方法，其特征在于，所述监测中心对采集监测数据进行流量趋势、累计流量和水质分析：
所述流量趋势分析包括展示长时段水位流量过程线，通过水位流量变化趋势及历史同期对比分析，结合灌区作物需水规律，对未来需水量作判断；
所述累计流量分析包括展示各渠道流量统计数据，统计类型包括年、月、日，通过柱状图或饼图的形式展示取水总量、历年对比分析情况；
所述水质分析分析包括展示各项水质指标详情，按照指定时间段对水质状况进行统计分析，统计类别包括按水质类别统计和按是否合格统计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310533612.6A CN116539829A (zh) | 2023-05-12 | 2023-05-12 | 一种水质监测感知分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310533612.6A CN116539829A (zh) | 2023-05-12 | 2023-05-12 | 一种水质监测感知分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116539829A true CN116539829A (zh) | 2023-08-04 |
Family
ID=87444924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310533612.6A Pending CN116539829A (zh) | 2023-05-12 | 2023-05-12 | 一种水质监测感知分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116539829A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117092309A (zh) * | 2023-10-16 | 2023-11-21 | 深圳市利源水务设计咨询有限公司 | 基于大数据的社区供水水质监测方法及*** |
| CN117147974A (zh) * | 2023-10-19 | 2023-12-01 | 北京江云智能科技有限公司 | 一体化温度水位电导率地下水采集水质分析装置 |
| CN117192057A (zh) * | 2023-09-08 | 2023-12-08 | 湛蓝之源(广东)环保技术有限公司 | 一种水质检测方法、装置及存储介质 |
| CN117437553A (zh) * | 2023-12-21 | 2024-01-23 | 贵州省环境工程评估中心 | 一种用于入河排污口监测的遥感影像数据处理方法及装置 |
| CN117800425A (zh) * | 2024-03-01 | 2024-04-02 | 宜宾科全矿泉水有限公司 | 基于人工智能的***控制方法及*** |
| CN117893177A (zh) * | 2024-03-15 | 2024-04-16 | 山东得和明兴生物科技有限公司 | 一种利用弹性填料进行池塘水质调控的方法 |
| CN118070234A (zh) * | 2024-04-22 | 2024-05-24 | 河北工程大学 | 一种水质状态融合感知与预测溯源方法 |
-
2023
- 2023-05-12 CN CN202310533612.6A patent/CN116539829A/zh active Pending
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117192057A (zh) * | 2023-09-08 | 2023-12-08 | 湛蓝之源(广东)环保技术有限公司 | 一种水质检测方法、装置及存储介质 |
| CN117192057B (zh) * | 2023-09-08 | 2024-05-28 | 湛蓝之源(广东)环保技术有限公司 | 一种水质检测方法、装置及存储介质 |
| CN117092309B (zh) * | 2023-10-16 | 2023-12-29 | 深圳市利源水务设计咨询有限公司 | 基于大数据的社区供水水质监测方法及*** |
| CN117092309A (zh) * | 2023-10-16 | 2023-11-21 | 深圳市利源水务设计咨询有限公司 | 基于大数据的社区供水水质监测方法及*** |
| CN117147974B (zh) * | 2023-10-19 | 2024-05-10 | 北京江云智能科技有限公司 | 一体化温度水位电导率地下水采集水质分析装置 |
| CN117147974A (zh) * | 2023-10-19 | 2023-12-01 | 北京江云智能科技有限公司 | 一体化温度水位电导率地下水采集水质分析装置 |
| CN117437553A (zh) * | 2023-12-21 | 2024-01-23 | 贵州省环境工程评估中心 | 一种用于入河排污口监测的遥感影像数据处理方法及装置 |
| CN117437553B (zh) * | 2023-12-21 | 2024-02-23 | 贵州省环境工程评估中心 | 一种用于入河排污口监测的遥感影像数据处理方法及装置 |
| CN117800425A (zh) * | 2024-03-01 | 2024-04-02 | 宜宾科全矿泉水有限公司 | 基于人工智能的***控制方法及*** |
| CN117800425B (zh) * | 2024-03-01 | 2024-06-07 | 宜宾科全矿泉水有限公司 | 基于人工智能的***控制方法及*** |
| CN117893177A (zh) * | 2024-03-15 | 2024-04-16 | 山东得和明兴生物科技有限公司 | 一种利用弹性填料进行池塘水质调控的方法 |
| CN117893177B (zh) * | 2024-03-15 | 2024-06-07 | 山东得和明兴生物科技有限公司 | 一种利用弹性填料进行池塘水质调控的方法 |
| CN118070234A (zh) * | 2024-04-22 | 2024-05-24 | 河北工程大学 | 一种水质状态融合感知与预测溯源方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116539829A (zh) | 一种水质监测感知分析方法 | |
| CN111047099B (zh) | 一种区域性山洪风险预测方法及*** | |
| CN110081930B (zh) | 一种陆海空一体化生态环境监测*** | |
| CN112734694A (zh) | 一种基于大数据的水质监测方法 | |
| CN111928888A (zh) | 一种水域污染智能监控分析方法及*** | |
| CN111854847A (zh) | 基于景感生态学的生态环境物联网监测方法及*** | |
| CN105300909A (zh) | 基于直接光谱法的全天候长流域水质监测与预警*** | |
| CN109784752A (zh) | 一种三峡库区水体富营养化风险评估预警***及其分析方法 | |
| CN103235098A (zh) | 地下水在线水质监测*** | |
| CN114518143A (zh) | 一种智能环境感知*** | |
| CN105791022A (zh) | 一种拥挤度检测预警*** | |
| CN110111539B (zh) | 一种融合多元信息的物联网云预警方法、装置及*** | |
| CN113970627B (zh) | 一种水质监测及预警方法、*** | |
| CN111339092A (zh) | 一种基于深度学习的多尺度空气质量预报方法 | |
| CN107071716B (zh) | 基于td-lte专网的水环境监测***及方法 | |
| CN112437116A (zh) | 一种基于物联网和云平台的污水处理智慧运营*** | |
| CN115372571A (zh) | 一种水环境智能监测*** | |
| CN114638441B (zh) | 一种基于卫星遥感影像的洋流监测及预警*** | |
| CN116109462A (zh) | 一种自然灾害后饮水水源地污染监测预警方法及*** | |
| CN113593191A (zh) | 一种基于大数据的可视化城市内涝监测预警*** | |
| CN115060311A (zh) | 水质智能监测***及方法 | |
| CN117538503A (zh) | 一种实时智能的土壤污染监测***及方法 | |
| CN210865032U (zh) | 城市内涝监测预警*** | |
| CN114659993A (zh) | 一种基于卫星遥感的温室气体排放检测*** | |
| CN113706871A (zh) | 一种城市交通大数据处理中多源数据融合*** |
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 |