CN117491585A - 基于时序网络的水生态污染监测方法及装置、*** - Google Patents
基于时序网络的水生态污染监测方法及装置、*** Download PDFInfo
- Publication number
- CN117491585A CN117491585A CN202410002414.1A CN202410002414A CN117491585A CN 117491585 A CN117491585 A CN 117491585A CN 202410002414 A CN202410002414 A CN 202410002414A CN 117491585 A CN117491585 A CN 117491585A
- Authority
- CN
- China
- Prior art keywords
- water
- data
- river reach
- water quality
- monitoring
- 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 308
- 238000012544 monitoring process Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000003745 diagnosis Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 20
- 239000003344 environmental pollutant Substances 0.000 claims description 16
- 238000012806 monitoring device Methods 0.000 claims description 16
- 231100000719 pollutant Toxicity 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 238000011144 upstream manufacturing Methods 0.000 claims description 10
- 238000001556 precipitation Methods 0.000 claims description 8
- 238000003911 water pollution Methods 0.000 claims description 8
- 238000000746 purification Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 230000031018 biological processes and functions Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 239000002689 soil Substances 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 101000872083 Danio rerio Delta-like protein C Proteins 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000011065 in-situ storage Methods 0.000 claims description 3
- 244000005700 microbiome Species 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 238000005728 strengthening Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 15
- 238000011084 recovery Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 5
- 238000005276 aerator Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 241000195628 Chlorophyta Species 0.000 description 1
- 241000192700 Cyanobacteria Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- 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 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000003903 river water pollution Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/32—Biological treatment of water, waste water, or sewage characterised by the animals or plants used, e.g. algae
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F7/00—Aeration of stretches of water
-
- 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
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M10/00—Hydrodynamic testing; Arrangements in or on ship-testing tanks or water tunnels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2103/00—Nature of the water, waste water, sewage or sludge to be treated
- C02F2103/001—Runoff or storm water
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2103/00—Nature of the water, waste water, sewage or sludge to be treated
- C02F2103/007—Contaminated open waterways, rivers, lakes or ponds
-
- 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
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Organic Chemistry (AREA)
- Biophysics (AREA)
- Botany (AREA)
- Biodiversity & Conservation Biology (AREA)
- Fluid Mechanics (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Microbiology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Biotechnology (AREA)
- Food Science & Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于时序网络的水生态污染监测方法及装置、***，包括：获取目标河段的地形测量数据，搭建二维河段模型；确定目标河段的计算区域；对所述目标河段的计算区域进行网格划分；为所述二维河段模型设定相关参数，进行所述目标河段的水动力分析，输出水动力分析结果数据；构建基于时序网络的水质预测模型；根据所述水动力分析结果数据以及历史监测数据生成的污染源数据，得到所述目标河段各排口历史水质指标的时间序列数据集，输入至所述基于时序网络的水质预测模型进行训练和测试，进而预测目标河段的水质监测数据；根据预测的所述水质监测数据生成监测报告数据。该方法能够准确监测水生态水质状况，有利于水生态问题诊断和治理。
Description
技术领域
本发明涉及河流水污染控制与治理技术领域，尤其涉及一种基于时序网络的水生态污染监测方法及装置、***。
背景技术
当前城市基础设施不断建设和增多，在公园等公共设施中通常设置有人工开凿的景观水域，且大多数景观水域的水体来水主要为周边雨水径流汇入，通常是封闭水体。而由于其封闭水体的性质，如果区域降雨面源污染或者污水排口影响，往往会降低整个水体的自净能力，且承载游客的负荷较重，公园水生态遭受污染，水质迅速恶化，景观效果大为降低。传统依赖人工进行生态环境质量的监测和评估的效率低下，也无法实现准确监测公园水域的水质，无法预测并进行问题诊断，对于生态治理带来难题。
发明内容
为解决上述现有技术的缺陷，本发明提供基于时序网络的水生态污染监测方法、装置、智能水质监测***及水生态***的构建方法，本发明能够智能化、准确监测水生态水质状况，有利于水生态问题诊断和治理；同时搭建了“减源-拦截-净化-修复”的四级网络体系，构建了多模式的水生态***。
第一方面，本发明实施例提供的基于时序网络的水生态污染监测方法，包括：
获取目标河段的地形测量数据，搭建二维河段模型；
根据所述二维河段模型，确定目标河段的计算区域；
对所述目标河段的计算区域进行网格划分，得到所述计算区域的划分结果；
为所述二维河段模型设定相关参数，基于所述划分结果进行所述目标河段的水动力分析，输出水动力分析结果数据，其中，相关参数包括边界条件、初始条件及河床糙率参数；所述水动力分析结果数据包括河流水位、河流水深、水流流速、流向、河段区域各排口降水径流信息和汇入量信息；
构建基于时序网络的水质预测模型；
根据所述水动力分析结果数据以及历史监测数据生成的污染源数据，得到所述目标河段各排口历史水质指标的时间序列数据集，并将所述数据集划分为训练集和测试集，输入至所述基于时序网络的水质预测模型进行训练和测试，进而预测目标河段的水质监测数据；
根据预测的所述水质监测数据生成监测报告数据。
可选的，其中，所述构建基于时序网络的水质预测模型，该时序网络定义为：
式中，为当前时间的输出值，/>为历史时间的输出值，k为迟延阶数，f(*)为网络输出函数。
可选的，其中，根据历史监测数据生成污染源数据，其中所述污染源数据包括点污染源和面污染源数据。
可选的，其中，所述水质预测模型用于根据所述污染源数据中的所述点污染源数据和所述面污染源数据生成预测数据；所述水质预测模型还用于根据排水口与其所在河段位置的网格信息，以时间序列的形式将汇入量和污染源数据作为输入。
可选的，其中，所述水质预测模型生成预测数据时，综合利用目标河段的水位监测数据、水质监测数据和生态现状数据，以所述二维河段模型为基础，完成流场计算，获得流速场的时空分布特征数据，根据此数据计算各污染指标的动态变化数据。
可选的，其中，还包括：针对所述目标河段的污染源的危险性进行评估，应用水质预测模型预测目标河段区域各排口污染物浓度的变化：
ΔCi＝Ci-C0
式中ΔCi指该目标河段第i个排口的浓度变化值；C0指在仅有上游来水情况下，运用水质模型模拟的该河段污染物的浓度值；Ci指在整个区域污染负荷仅有上游来水和第i个排口的情况下运用水质模型模拟的该河段污染物的浓度值。
可选的，其中，基于所述监测报告数据中的水质污染现状情况以及问题诊断，制定河段治理决策完成河段水生态***的构建，包括：水体净化、生态***构建、水动力***构建。
第二方面，本发明实施例提供的基于时序网络的水生态污染监测装置，包括：
河段模型搭建模块，用于获取目标河段的地形测量数据，搭建二维河段模型；
计算区域确定模块，用于根据所述二维河段模型，确定目标河段的计算区域；
网络划分模块，用于对所述目标河段的计算区域进行网格划分，得到所述计算区域的划分结果；
水动力分析模块，用于为所述二维河段模型设定相关参数，基于所述划分结果进行所述目标河段的水动力分析，输出水动力分析结果数据，其中，相关参数包括边界条件、初始条件及河床糙率参数；所述水动力分析结果数据包括河流水位、河流水深、水流流速、流向、河段区域各排口降水径流信息和汇入量信息；
预测模型构建模块，用于构建基于时序网络的水质预测模型；
水质预测模块，用于根据所述水动力分析结果数据以及历史监测数据生成的污染源数据，得到所述目标河段各排口历史水质指标的时间序列数据集，并将所述数据集划分为训练集和测试集，输入至所述基于时序网络的水质预测模型进行训练和测试，进而预测目标河段的水质监测数据；
报告生成模块，用于根据预测的所述水质监测数据生成监测报告数据，所述监测报告数据包括河段污染情况、现状情况以及问题诊断。
第三方面，本发明实施例提供的智能水质监测***，包括：云服务器、智能控制终端、水位水质采集终端和如第二方面所述的基于时序网络的水生态污染监测装置；其中，
所述的基于时序网络的水生态污染监测装置，用于执行如第二方面所述的基于时序网络的水生态污染监测方法进行水质监测，得到预测的监测信息数据；
所述水位水质采集终端包括水位监测单元和水质监测单元，
水位监测单元，用于实时监测所述目标河段的水位变化情况；
水质监测单元，用于实时监测所述目标河段的水质变化情况；
智能控制终端，用于接收并显示所述水位水质采集终端实时监测得到的水位变化情况、水质变化情况，以及接收并显示所述基于时序网络的水生态污染监测装置预测的所述水质监测数据和监测报告数据；
所述智能控制终端还用于根据所述预测的监测报告数据结合实时监测得到的水位变化情况、水质变化情况分析得到河段污染情况、现状情况和问题诊断，并且根据所述河段污染情况、现状情况和问题诊断生成决策建议，所述决策建议包括生态改善措施、原位处理、强化处理、水生态***重构；
所述智能控制终端还用于与云服务器进行信息交互。
第四方面，本发明实施例提供的水生态***的构建方法，基于所述的智能水质监测***对所述水生态***的水质污染情况进行智能监测，根据所述决策建议执行以下治理措施中的至少一种：
建立人工湿地、一体化处理站；
沿河建立生态缓冲带，通过植被和土壤的物理、化学和生物作用净化径流雨水，对污染物进行拦截阻断；
运用生态快速重构技术恢复河段的水生态***；
利用微生物***、新模式生态缓冲带净化地表径流及湖区污染水体。
与现有技术相比，本发明取得了以下技术效果：
1、本发明能够智能化、准确监测水生态水质状况，有利于水生态问题诊断和治理；
2、本发明能够针对所述目标河段的污染源的危险性进行评估，及时给出预警信息，便于后续河道的及时治理；
3、本发明智能水质监测******该智能水质监测***通过智能控制终端与基于时序网络的水生态污染监测装置、水位水质采集终端进行联动，预测和实测数据相结合监测水体变化情况，能够调整曝气机状态，实现曝气机的远程智能控制。
4、搭建了“减源-拦截-净化-修复”的四级网络体系，以水质提升及生态恢复为主要治理目标，构建“多模式的水生态***”，以生态修复及污染控制为核心的生态循环发展新模式，实现生态价值转化，打造生态清水空间样板。
附图说明
图1为本发明第一实施例提供的基于时序网络的水生态污染监测方法的流程示意图；
图2为本发明实施例提供的河段的二维模型网格地形图；
图3为本发明实施例提供的基于时序网络的水质预测模型建立的流程示意图；
图4为本发明实施例提供的河段地形图上显示的6个排口的位置；
图5为本发明第二实施例提供的基于时序网络的水生态污染监测装置的模块示意图；
图6为本发明第三实施例提供的智能水质监测***的框架示意图；
图7为本发明第四实施例提供的水生态***的构建方法的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1所示，本发明第一实施例提供的基于时序网络的水生态污染监测方法100的流程示意图，所述方法100包括：
S110：获取目标河段的地形测量数据，搭建二维河段模型；
在本实施例中，建模河段为某公园范围，获取模拟河段地形测量数据，包括坡面数据、总长数据（如750m），本次流场模拟使用Mike21二维非恒定流方法进行计算，计算需要输入下游水位边界，上游产流区流量入流及河段断面等。
S120：根据所述二维河段模型确定目标河段的计算区域；
在得到该目标河段的二维河段模型之后，根据所述二维河段模型确定其计算区域，可以为目标二维河段模型设定排口位置。
S130：对所述目标河段的计算区域进行网格划分，得到划分结果；
其中，模型地形根据本次工程设计坡面进行设定，本次对该区域的地形（含水下地形）进行数字化处理。针对计算区域进行网格划分，网格由三角形单元构成，所建模型网格网格单元14893个，网格最大控制面积15m2，所述河段的二维模型网格地形图参见图2。
S140：对所述二维河段模型设定相关参数，基于所述划分结果进行所述目标河段的水动力分析，输出水动力分析结果数据包括河流水位、河流水深、水流流速、流向、河段区域各排口降水径流信息和汇入量信息（污染物移动的模拟数据），其中相关参数包括边界条件、初始条件及河床糙率参数；
对所述二维河段模型设定相关参数，其中，相关参数包括边界条件、初始条件及河床糙率参数，设置过程如下：
边界条件：以本次模拟旱季水文条件为例，根据相关资料，上游入流分为湿地出水以及排口出水，湿地出水量为1.7万m3/d，排口水量为71.6m3/d，折算流量为0.198m3/s；下边界条件采用公园水系控制水面高程，即为48.9m；初始条件：给定计算区域初始水位48.9m，初始流速为0；河床糙率：参考《天然河段糙率表》，结合河段植被情况，取0.030。
然后进行所述目标河段的水动力分析，输出水动力分析结果数据包括河流水位、河流水深、水流流速、流向、河段区域各排口降水径流信息和汇入量信息（污染物移动的模拟数据）。
旱季：工程河段流速普遍较小，总体而言上游流速明显大于下游流速，上游主河段位置流速能达到0.01~0.025m/s之间，下游流速较低，中段河段由于河槽较宽且无其他突起部分，流速分布相对较为均匀，且流速较低，基本为0.003~0.005m/s，流动性较差，下游主河段流速基本能保持在0.005~0.01m/s之间。雨季：需要与二十年一遇行洪分析成果相结合，对于超过流速0.1m/s区域单独考虑。
S150：构建基于时序网络的水质预测模型；
可选的，在一些实施例实例中，该时序网络定义为如下：
式中，为当前时间的输出值，/>为历史时间的输出值，k为迟延阶数，f(*)为输出函数。
在对该时间序列的预测过程中需要进行不断的迭代训练更新，该预测模型的预测精度高。
如图3所示，是本发明实施例提供的基于时序网络的水质预测模型建立的流程示意图，该模型是通过不断训练和优化得到的，就可以将预测数据导入该模型中进行预测，之后就要根据预测结果进行判断。
S160:根据所述河段区域各排口降水径流信息和汇入量信息以及历史监测数据生成的污染源数据，得到各排口历史水质指标时间序列数据的数据集，并将所述数据集划分为训练集和测试集，输入至所述基于时序网络的水质预测模型进行训练和测试，用于预测目标河段的水质监测数据；
根据所述河段区域各排口降水径流信息和汇入量信息以及历史监测数据生成的原始污染源数据进行数据预处理，得到各排口历史水质指标时间序列数据的数据集，
例如通过该地区1991~2020年历史降雨资料进行分析，选定2015年作为水平年，年降雨量为501.8mm，2年一遇2小时降雨总雨量为42.4mm，20年一遇24小时降雨总雨量175.2mm,降水面积419.2ha，各排口的总汇入量97757.44 m3/d，参见表1。如图4中，示出了本发明实施例提供的河段地形图上显示的6个排口的位置。
表1 各排口的降水面积和汇入量信息
其中，根据历史监测数据生成污染源数据，其中所述污染源数据包括点污染源和面污染源数据，分别如表2和表3所示。
表2旱季点源污染源数据
其中，面源污染计算选取两年一遇2h降雨量“42.4mm”作为计算基础数据，该降雨量涵盖2015年90%以上降雨情况（2次暴雨天气除外）。
表3雨季面源污染源数据
成了上述水质预测模型的构建后，基于上述历史数据，将各排口历史水质指标时间序列数据的数据集划分成训练集和测试集，以1991年1月1日至2020年12月31日6个排口的水质数据，作为模型的训练集，2015年1月1日至12月31日的数据作为测试集。再利用该训练集和测试集对该水质预测模型进行训练。
其中，时序网络中包括6个节点以及节点之间随时间变化间断性出现或消失的连边。按时间相继性将数据按天切分，将时序网络的层数设置为2，其中各层分别对应于1991年1月1日至2020年12月31日6个排口所构成的网络。每一层中包括6个节点以及各层所对应的时刻内节点间的链接关系。
在一些实施例中，输入河流水质时间序列数据，河流水质时间序列数据主要包括在某个时间的化学需氧量、氨氮、溶解氧量指数三个水质指标，为了确保数据运算处理的准确性，需要对所述原始的河流水质时间序列数据集进行预处理，具体包括但不限于：对所述数据集进行剔除异常值、原始数据归一化处理，将归一化处理后的数据，将连续多个时刻的数据作为输入，下一时刻的数据作为输出，得到输入数据集和输出数据集；将输入数据集和输出数据集拆分为训练集和测试集，输入至所述基于时序网络的水质预测模型进行训练和测试，进而预测目标河段的水质监测数。
本实施例中，通过获取历史数据，再对历史数据进行清洗和归一化，生成训练集和测试集，可以显著提高神经网络模型预测结果的准确性。
可选的，在一些实施例中，在得到所述水质预测模型和训练集后，从训练集中选取训练样本，将该训练样本中的历史输入数据输入到所述水质预测模型中，预测目标河段的预测数据与训练样本中的历史真实数据之间的误差对网络权重系数进行校正。由于水质预测模型的预测结果可能会存在偏差，为了提高预测模型预测的准确性，本发明还包括对预测水质数据和真实水质数据进行相关性分析来优化模型。
可选的，在一些实施例中，根据历史监测数据生成污染源数据，其中所述污染源数据包括点污染源和面污染源数据。
所述水质预测模型用于根据所述污染源数据中的所述点污染源数据和所述面污染源数据生成预测数据；所述水质预测模型还用于根据排水口与其所在河段位置的网格信息，以时间序列的形式将汇入量和污染源数据作为输入。
S170：根据所述预测的水质监测数据生成监测报告数据。
所述监测报告数据有助于管理人员及时掌握河段污染情况、现状情况以及问题诊断。
污染分析，例如旱季污水直排：COD：16.06kg/d、TP：0.13kg/d、NH3-N：3.82kg/d；雨季地表径流污染：COD：7820.60kg、TP：29.33kg、NH3-N：1173.09kg。现状情况，例如可以得出：旱季，滞水区水流缓慢，流速低于0.003 m/s，水体基本不流动，叶绿素a易反升、藻类爆发；雨停后，主河道水质开始从上而下的恢复，恢复时间约为7天；滞水区水流缓慢，水质恢复时间远大于7天。问题诊断，例如可以得出：水动力不足、水体透明度低、水体自净能力差、雨季面源污染冲击等。
根据本实施例，基于上述训练得到的水质预测模型能够准确预测该河段的水质，进而根据所述预测的水质监测数据生成监测报告数据，该监测报告数据为构建水生态***，对滞水区进行植被修复，维持水质，提高水体透明度，提升公园整体环境提供依据。
可选的，在一些实施例中，所述水质预测模型生成预测数据时，综合利用目标河段的水位监测数据、水质监测数据和生态现状数据，以所述二维河段模型为基础，完成流场计算，获得流速场的时空分布特征数据，根据此数据计算各污染指标的动态变化数据。
可选的，在一些实施例中，其中，还包括：针对所述目标河段的污染源的危险性进行评估，应用水质预测模型预测目标河段区域各排口污染物浓度的变化：
ΔCi＝Ci-C0
式中，ΔCi指该目标河段第i个排口的浓度变化值；C0指在仅有上游来水情况下，运用水质模型模拟的该河段污染物的浓度值；Ci指在整个区域污染负荷仅有上游来水和第i个排口的情况下运用水质模型模拟的该河段污染物的浓度值。
本实施例中，能够针对所述目标河段的污染源的危险性进行评估，及时给出预警信息，便于后续河道的及时治理。
可选的，在一些实施例中，其中，基于所述监测报告数据中的河段水质污染现状情况以及问题诊断，制定河段治理决策完成河段水生态***的构建，包括：水体净化、生态***构建、水动力***构建。
本实施例中，水生态污染监测和预测的水质污染数据进行诊断后，针对存在的问题：（1）水体透明度低风险：水体浑浊发绿，存在蓝绿藻爆发现象；（2）水体自净能力不足：水体缺乏沉水植物、浮游及底栖动物等，自净能力差，水域水生态***有待优化；（3）面源污染：初雨污染入河缺乏净化手段；（4）水体流动性：本河段水面宽度＞30米，枯水期水体流速慢，雨季行洪流速较快等，制定河段治理决策，完成河段水生态***的构建，给出如水体净化、生态***构建、水动力***构建的治理方案，有效恢复水生态。
进一步的，在恢复水生态措施之后还包括对水生态恢复状况以及治理方案体系进行评估，首先构建评估项目体系的指标并确定各评估指标的权重，按照水生态***恢复状况算法公式计算生态***恢复的评估值，最后根据生态***恢复的评估值来评估水生态***治理方案体系的有效性。
水生态***恢复状况算法公式为：
式中，P为水生态***恢复状况的评估值；Xi为第i项评估指标数值； Ki为与第i项评估指标对应的权重值，可以设置为小于1的正数；n为指标个数；i为当前评估指标的序列号。
由于各评估指标的类型有所不同，为了更直接反映水生态环境恢复状况和量化对比，以步骤S130中针对河段计算区域划分出的网格单元为水生态评估单元，对各水生态网格下的恢复评估值按照如下算法进行处理：
式中，Sjh为第j年第h个水生态网格恢复评估指标对应的评估值处理后的数值，数值范围为[0,10]；Pjh表示第j年第h个水生态网格恢复评估指标对应的评估值；Pmax表示多年来全部水生态网格恢复评估指标历史最大值；Pmin表示多年来全部水生态网格恢复评估指标历史最小值。
如图5所示，是本发明第二实施例提供的基于时序网络的水生态污染监测装置500的模块示意图，所述装置500包括：
河段模型搭建模块510，用于获取目标河段的地形测量数据，搭建二维河段模型；
计算区域确定模块520，用于根据所述二维河段模型，确定目标河段的计算区域；
网络划分模块530，用于对所述目标河段的计算区域进行网格划分，得到所述计算区域的划分结果；
水动力分析模块540，用于为所述二维河段模型设定相关参数，基于所述划分结果进行所述目标河段的水动力分析，输出水动力分析结果数据，其中，相关参数包括边界条件、初始条件及河床糙率参数；所述水动力分析结果数据包括河流水位、河流水深、水流流速、流向、河段区域各排口降水径流信息和汇入量信息；
预测模型构建模块550，用于构建基于时序网络的水质预测模型；
水质预测模块560，用于根据所述水动力分析结果数据以及历史监测数据生成的污染源数据，得到所述目标河段各排口历史水质指标的时间序列数据集，并将所述数据集划分为训练集和测试集，输入至所述基于时序网络的水质预测模型进行训练和测试，进而预测所述目标河段的水质监测数据；
报告生成模块570，用于根据预测的所述水质监测数据生成监测报告数据。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，本发明实施例中基于时序网络的水生态污染监测装置500所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，以及与方法实施例相同的部分及有益效果，在此不再赘述。
如图6所示，是本发明第三实施例提供的智能水质监测***600的框架示意图，包括：云服务器610、智能控制终端620、水位水质采集终端630和如第二实施例所述的基于时序网络的水生态污染监测装置500；其中，
所述的基于时序网络的水生态污染监测装置500，用于执行如第一实施例所述的基于时序网络的水生态污染监测方法进行水质监测，得到预测的监测信息数据；
所述水位水质采集终端630包括水位监测单元6301和水质监测单元6302，
水位监测单元6301，用于实时监测所述目标河段的水位变化情况；
水质监测单元6302，用于实时监测所述目标河段的水质变化情况；
智能控制终端620，用于接收并显示所述水位水质采集终端实时监测得到的水位变化情况、水质变化情况，以及接收并显示所述基于时序网络的水生态污染监测装置预测的所述水质监测数据和监测报告数据；
所述智能控制终端620还用于根据所述预测的监测报告数据结合实时监测得到的水位变化情况、水质变化情况分析得到河段污染情况、现状情况和问题诊断，并且根据所述河段污染情况、现状情况和问题诊断生成决策建议，所述决策建议包括生态改善措施、原位处理、强化处理、水生态***重构；
所述智能控制终端620还用于与所述云服务器610进行信息交互。
在本实施例中，该智能水质监测***600***通过智能控制终端620与第二实施例中所述的基于时序网络的水生态污染监测装置500、水位水质采集终端630进行联动，结合水体监测数据，调整曝气机状态，能够实现曝气机的远程智能控制。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，本发明该第三实施例中智能水质监测***600的具体工作过程，可以参考前述第一、第二实施例中的对应过程，以及与前述实施例相同的部分及有益效果，在此不再赘述。
该智能控制终端600可以是各种形式的数字计算机，还可以是各种形式的移动装置，如智能手机、可穿戴设备和其它类似的计算装置。该智能控制终端包括：至少一个处理单元、与所述至少一个处理单元通信连接的存储单元、ROM、总线、输入单元（例如键盘、鼠标等）、输出单元（例如各种类型的显示器、扬声器等）、用户接口、通信单元，各单元、接口连接至总线。其中，所述存储单元存储有可被所述至少一个处理单元执行的指令，所述指令被所述至少一个处理单元执行，以使所述至少一个处理单元能够执行前述方法的步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
如图7所示，是本发明第四实施例提供的水生态***的构建方法的流程示意图，基于第三实施例中所述的智能水质监测***对所述水生态***的水质污染情况进行智能监测，根据所述决策建议执行以下治理措施中的至少一种：
建立人工湿地、一体化处理站；
沿河建立生态缓冲带，通过植被和土壤的物理、化学和生物作用净化径流雨水，对污染物进行拦截阻断；
运用生态快速重构技术恢复河段的水生态***；
利用微生物***、新模式生态缓冲带净化地表径流及湖区污染水体。
根据本实施例，搭建了“减源-拦截-净化-修复”的四级网络体系，以水质提升及生态恢复为主要治理目标，构建“多模式的水生态***”，以生态修复及污染控制为核心的生态循环发展新模式，实现生态价值转化，打造生态清水空间样板。具体，通过人工湿地、一体化处理站等措施，从源头减少河道的污染负荷。沿河建立生态缓冲带，通过植被和土壤的物理、化学和生物作用净化径流雨水，对污染物进行拦截阻断，使其不能直接排入河道。利用微生物***、新模式生态缓冲带净化地表径流及湖区污染水体，净化后水体作为河道补水排入退水明渠。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，本发明该水生态***的构建方法的具体工作过程，可以参考前述各实施例中的对应过程，以及与前述实施例相同的部分及有益效果，在此不再赘述。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***实施例中陈述的多个单元或***也可以由一个单元或***通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.基于时序网络的水生态污染监测方法，包括：
获取目标河段的地形测量数据，搭建二维河段模型；
根据所述二维河段模型，确定目标河段的计算区域；
对所述目标河段的计算区域进行网格划分，得到所述计算区域的划分结果；
对所述二维河段模型设定相关参数，基于所述划分结果进行所述目标河段的水动力分析，输出水动力分析结果数据，其中，相关参数包括边界条件、初始条件及河床糙率参数；所述水动力分析结果数据包括河流水位、河流水深、水流流速、流向、河段区域各排口降水径流信息和汇入量信息；
构建基于时序网络的水质预测模型；
根据所述水动力分析结果数据以及历史监测数据生成的污染源数据，得到所述目标河段各排口历史水质指标的时间序列数据集，并将所述数据集划分为训练集和测试集，输入至所述基于时序网络的水质预测模型进行训练和测试，进而预测目标河段的水质监测数据；
根据预测的所述水质监测数据生成监测报告数据。
2.根据权利要求1的所述方法，其特征在于，其中，所述构建基于时序网络的水质预测模型，该时序网络定义为：
；
式中，为当前时间的输出值，/>为历史时间的输出值，k为迟延阶数，f(*)为输出函数。
3.根据权利要求1的所述方法，其特征在于，根据历史监测数据生成污染源数据，其中所述污染源数据包括点污染源和面污染源数据。
4.根据权利要求3的所述方法，其特征在于，所述水质预测模型用于根据所述污染源数据中的所述点污染源数据和所述面污染源数据生成预测数据；所述水质预测模型还用于根据排水口与其所在河段位置的网格信息，以时间序列的形式将汇入量和污染源数据作为输入。
5.根据权利要求1的所述方法，其特征在于，所述水质预测模型生成预测数据时，综合利用目标河段的水位监测数据、水质监测数据和生态现状数据，以所述二维河段模型为基础，完成流场计算，获得流速场的时空分布特征数据，根据此数据计算各污染指标的动态变化数据。
6.根据权利要求1的所述方法，其特征在于，其中，还包括：针对所述目标河段的污染源的危险性进行评估，应用水质预测模型预测目标河段区域各排口污染物浓度的变化：
ΔCi＝Ci-C0；
式中ΔCi指该目标河段第i个排口的浓度变化值；C0指在仅有上游来水情况下，运用水质模型模拟的该河段污染物的浓度值；Ci指在整个区域污染负荷仅有上游来水和第i个排口的情况下运用水质模型模拟的该河段污染物的浓度值。
7.根据权利要求1的所述方法，其特征在于，其中，基于所述监测报告数据中的河段水质污染现状情况以及问题诊断，制定河段治理决策完成河段水生态***的构建，包括：水体净化、生态***构建、水动力***构建。
8.基于时序网络的水生态污染监测装置，包括：
河段模型搭建模块，用于获取目标河段的地形测量数据，搭建二维河段模型；
计算区域确定模块，用于根据所述二维河段模型，确定目标河段的计算区域；
网络划分模块，用于对所述目标河段的计算区域进行网格划分，得到所述计算区域的划分结果；
水动力分析模块，用于为所述二维河段模型设定相关参数，基于所述划分结果进行所述目标河段的水动力分析，输出水动力分析结果数据，其中，相关参数包括边界条件、初始条件及河床糙率参数；所述水动力分析结果数据包括河流水位、河流水深、水流流速、流向、河段区域各排口降水径流信息和汇入量信息；
预测模型构建模块，用于构建基于时序网络的水质预测模型；
水质预测模块，用于根据所述水动力分析结果数据以及历史监测数据生成的污染源数据，得到所述目标河段各排口历史水质指标的时间序列数据集，并将所述数据集划分为训练集和测试集，输入至所述基于时序网络的水质预测模型进行训练和测试，进而预测所述目标河段的水质监测数据；
报告生成模块，用于根据预测的所述水质监测数据生成监测报告数据。
9.智能水质监测***，其特征在于，包括：云服务器、智能控制终端、水位水质采集终端和如权利要求8所述的基于时序网络的水生态污染监测装置；其中，
所述的基于时序网络的水生态污染监测装置，用于执行如权利要求1-6任一项所述的基于时序网络的水生态污染监测方法进行水质监测，得到预测的监测信息数据；
所述水位水质采集终端包括水位监测单元和水质监测单元，
水位监测单元，用于实时监测所述目标河段的水位变化情况；
水质监测单元，用于实时监测所述目标河段的水质变化情况；
智能控制终端，用于接收并显示所述水位水质采集终端实时监测得到的水位变化情况、水质变化情况，以及接收并显示所述基于时序网络的水生态污染监测装置预测的所述水质监测数据和监测报告数据；
所述智能控制终端还用于根据所述预测的监测报告数据结合实时监测得到的水位变化情况、水质变化情况分析得到河段污染情况、现状情况和问题诊断，并且根据所述河段污染情况、现状情况和问题诊断生成决策建议，所述决策建议包括生态改善措施、原位处理、强化处理、水生态***重构；
所述智能控制终端还用于与云服务器进行信息交互。
10.水生态***的构建方法，其特征在于，基于权利要求9所述的智能水质监测***对所述水生态***的水质污染情况进行智能监测，根据所述决策建议执行以下治理措施中的至少一种：
建立人工湿地、一体化处理站；
沿河建立生态缓冲带，通过植被和土壤的物理、化学和生物作用净化径流雨水，对污染物进行拦截阻断；
运用生态快速重构技术恢复河段的水生态***；
利用微生物***、新模式生态缓冲带净化地表径流及湖区污染水体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410002414.1A CN117491585A (zh) | 2024-01-02 | 2024-01-02 | 基于时序网络的水生态污染监测方法及装置、*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410002414.1A CN117491585A (zh) | 2024-01-02 | 2024-01-02 | 基于时序网络的水生态污染监测方法及装置、*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117491585A true CN117491585A (zh) | 2024-02-02 |
Family
ID=89683366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410002414.1A Pending CN117491585A (zh) | 2024-01-02 | 2024-01-02 | 基于时序网络的水生态污染监测方法及装置、*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117491585A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118136146A (zh) * | 2024-05-08 | 2024-06-04 | 芯视界（北京）科技有限公司 | 汛期污染的溯源方法、装置及电子设备、存储介质 |
| CN118245958A (zh) * | 2024-05-28 | 2024-06-25 | 东营市生态环境局垦利生态环境监控中心 | 一种水生态环境实时监控装置的布置方法及*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007072753A (ja) * | 2005-09-07 | 2007-03-22 | Geosphere Environmental Technology Corp | 陸水汚染の危険度の算定方法 |
| CN109886477A (zh) * | 2019-01-25 | 2019-06-14 | 平安科技（深圳）有限公司 | 水污染的预测方法、装置及电子设备 |
| CN114897791A (zh) * | 2022-04-15 | 2022-08-12 | 桂林电子科技大学 | 基于烛台理论的水质预测方法 |
| CN115034497A (zh) * | 2022-06-27 | 2022-09-09 | 武汉理工大学 | 多站点日水位预测方法、装置、电子设备及计算机介质 |
| CN115062874A (zh) * | 2022-08-16 | 2022-09-16 | 成都禀证科技有限责任公司 | 一种水体污染物监测预测分析方法及*** |
| CN115169702A (zh) * | 2022-07-12 | 2022-10-11 | 淮阴工学院 | 一种基于EEMD-LSTNet的水质参数预测方法及*** |
| CN115809947A (zh) * | 2021-09-14 | 2023-03-17 | 中国科学院沈阳计算技术研究所有限公司 | 一种水污染时序数据连续缺失值填补方法 |
| CN117055451A (zh) * | 2023-10-12 | 2023-11-14 | 浙江大学 | 污水处理智能监控***及其方法 |
| CN117195059A (zh) * | 2023-11-06 | 2023-12-08 | 上海炯测环保技术有限公司 | 一种供水管网水体污染快速检测方法 |
-
2024
- 2024-01-02 CN CN202410002414.1A patent/CN117491585A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007072753A (ja) * | 2005-09-07 | 2007-03-22 | Geosphere Environmental Technology Corp | 陸水汚染の危険度の算定方法 |
| CN109886477A (zh) * | 2019-01-25 | 2019-06-14 | 平安科技（深圳）有限公司 | 水污染的预测方法、装置及电子设备 |
| CN115809947A (zh) * | 2021-09-14 | 2023-03-17 | 中国科学院沈阳计算技术研究所有限公司 | 一种水污染时序数据连续缺失值填补方法 |
| CN114897791A (zh) * | 2022-04-15 | 2022-08-12 | 桂林电子科技大学 | 基于烛台理论的水质预测方法 |
| CN115034497A (zh) * | 2022-06-27 | 2022-09-09 | 武汉理工大学 | 多站点日水位预测方法、装置、电子设备及计算机介质 |
| CN115169702A (zh) * | 2022-07-12 | 2022-10-11 | 淮阴工学院 | 一种基于EEMD-LSTNet的水质参数预测方法及*** |
| CN115062874A (zh) * | 2022-08-16 | 2022-09-16 | 成都禀证科技有限责任公司 | 一种水体污染物监测预测分析方法及*** |
| CN117055451A (zh) * | 2023-10-12 | 2023-11-14 | 浙江大学 | 污水处理智能监控***及其方法 |
| CN117195059A (zh) * | 2023-11-06 | 2023-12-08 | 上海炯测环保技术有限公司 | 一种供水管网水体污染快速检测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118136146A (zh) * | 2024-05-08 | 2024-06-04 | 芯视界（北京）科技有限公司 | 汛期污染的溯源方法、装置及电子设备、存储介质 |
| CN118245958A (zh) * | 2024-05-28 | 2024-06-25 | 东营市生态环境局垦利生态环境监控中心 | 一种水生态环境实时监控装置的布置方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108664647B (zh) | 一种集成水环境模型的流域精细化管理*** | |
| CN112001610B (zh) | 农业面源污染的处理方法及装置 | |
| CN117491585A (zh) | 基于时序网络的水生态污染监测方法及装置、*** | |
| CN110887790B (zh) | 基于fvcom和遥感反演的城市湖泊富营养化模拟方法和*** | |
| CN108536908B (zh) | 基于非点源氮磷流失风险对流域水环境安全评估的方法 | |
| CN114443982A (zh) | 一种大区域土壤重金属检测与时空分布特征分析方法及*** | |
| CN110646867A (zh) | 一种城市排水监测预警方法和*** | |
| Wan et al. | A novel model for water quality prediction caused by non-point sources pollution based on deep learning and feature extraction methods | |
| CN110533258B (zh) | 一种稻麦轮作农田涝渍预警评估方法及*** | |
| Chen et al. | Artificial neural network modelling of concentrations of nitrogen, phosphorus and dissolved oxygen in a non‐point source polluted river in Zhejiang Province, southeast China | |
| CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
| CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及*** | |
| CN115471065A (zh) | 一种独流入海河流的健康评价指标***及其评价方法 | |
| Rounds | Development of a neural network model for dissolved oxygen in the Tualatin River, Oregon | |
| Rui et al. | Impact assessment of climate change on algal blooms by a parametric modeling study in Han River | |
| CN114881345A (zh) | 气候变化下暴雨疾风复合灾害的社会经济暴露度预估方法 | |
| Kovács et al. | The role of annual periodic behavior of water quality parameters in primary production–Chlorophyll-a estimation | |
| CN116227390A (zh) | 一种河道水环境整治与水生态修复方法及*** | |
| CN115204688A (zh) | 排水***健康性综合评价方法 | |
| CN114818324A (zh) | 流域尺度的水量水质自动调控方法、装置、介质和设备 | |
| Li et al. | Investigating the downstream sediment load change by an index coupling effective rainfall information with reservoir sediment trapping capacity | |
| CN117807392A (zh) | 一种雨水管网雨污混接程度评估方法、***和存储介质 | |
| Velasco et al. | Days-ahead water level forecasting using artificial neural networks for watersheds | |
| Cui et al. | A secondary modal decomposition ensemble deep learning model for groundwater level prediction using multi-data | |
| Kang et al. | Hydro-environmental runoff projection under GCM scenario downscaled by Artificial Neural Network in the Namgang Dam watershed, Korea |
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 |