CN117517609A - 一种农业面源污染监测*** - Google Patents
一种农业面源污染监测*** Download PDFInfo
- Publication number
- CN117517609A CN117517609A CN202311544729.0A CN202311544729A CN117517609A CN 117517609 A CN117517609 A CN 117517609A CN 202311544729 A CN202311544729 A CN 202311544729A CN 117517609 A CN117517609 A CN 117517609A
- Authority
- CN
- China
- Prior art keywords
- point
- suspected abnormal
- monitoring point
- points
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 363
- 230000002159 abnormal effect Effects 0.000 claims abstract description 236
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 207
- 231100000719 pollutant Toxicity 0.000 claims abstract description 207
- 238000009792 diffusion process Methods 0.000 claims abstract description 22
- 239000000356 contaminant Substances 0.000 claims description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract 1
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 24
- 229910052757 nitrogen Inorganic materials 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 239000012895 dilution Substances 0.000 description 6
- 238000010790 dilution Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 239000011574 phosphorus Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000009360 aquaculture Methods 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 244000144977 poultry Species 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- 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
- 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
- G01N33/1826—Organic contamination in water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理领域,具体涉及一种农业面源污染监测***,该***包括:监测点部署模块、数据采集模块、疑似异常监测点获取模块、异常扩散点获取模块、污染报警模块,设置多个监测点,在每个监测点采集污染物的浓度,构建污染物浓度曲线,根据污染浓度曲线上数据点的斜率获取监测点的异常可能性,进而筛选疑似异常监测点,获取不同疑似异常监测点的同一种污染物浓度曲线之间的错位程度,根据不同疑似异常监测点之间所有污染物浓度曲线的错位程度以及浓度增长差异获取不同疑似异常监测点之间错位程度和浓度增长差异的相关性,进而得到异常扩散点,根据异常扩散点获取可能的污染来源,进行报警。本发明对于农业污染源识别准确。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种农业面源污染监测***。
背景技术
农业面源污染,是指农业生产过程中由于化肥、农药、地膜等化学投入品不合理使用,以及畜禽水产养殖废弃物、农作物秸秆等处理不及时或不当,所产生的氮、磷、有机质等营养物质,以地表、地下径流和土壤侵蚀为载体进入受纳水体,对生态环境造成的污染。
由于农业面源污染来源分散,没有明确的排污口,导致监测困难。目前通常通过设置多个监测点来监测农业面源污染情况,从而识别污染来源,但每个监测点仅能监测局部小范围内的污染情况,无法覆盖大范围的污染监测,导致不同监测点之间的部分污染源无法被及时发现并处置。
发明内容
为了解决上述问题,本发明提供一种农业面源污染监测***,所述***包括:
监测点部署模块,在水体近岸位置等间隔设置多个监测点;
数据采集模块,在每个监测点采集每个时刻不同污染物的浓度,构建每个监测点的每种污染物浓度曲线;
疑似异常监测点获取模块,根据监测点的每种污染浓度曲线上每个数据点的斜率获取监测点的异常可能性,根据异常可能性筛选疑似异常监测点;
异常扩散点获取模块,根据不同疑似异常监测点的同一种污染物浓度曲线上数据点的匹配关系获取不同疑似异常监测点的同一种污染物浓度曲线之间的错位程度;根据每个疑似异常监测点的每种污染物浓度曲线中的最大值以及最小值,获取不同疑似异常监测点之间同一种污染物浓度曲线的浓度增长差异;根据不同疑似异常监测点之间所有污染物浓度曲线的错位程度以及浓度增长差异获取不同疑似异常监测点之间错位程度和浓度增长差异的相关性;根据所述相关性获取异常扩散点;
污染报警模块,根据异常扩散点获取可能的污染来源,进行报警,对可能的污染来源进行排查。
优选的,所述根据监测点的每种污染浓度曲线上每个数据点的斜率获取监测点的异常可能性,包括的步骤为:
根据监测点的每种污染浓度曲线上每个数据点的斜率获取监测点上的增长数据点以及增长组;根据监测点的所有污染物浓度曲线上的所有增长数据点以及增长组获取监测点的异常可能性。
优选的,所述根据监测点的每种污染浓度曲线上每个数据点的斜率获取监测点上的增长数据点以及增长组,包括的步骤为:
获取每种污染物浓度曲线上斜率大于0的所有数据点,将每个斜率大于0的数据点分别作为一个增长数据点,将污染物浓度曲线上连续的增长数据点划分为一组,作为一个增长组,得到多个增长组。
优选的,所述根据监测点的所有污染物浓度曲线上的所有增长数据点以及增长组获取监测点的异常可能性,包括的步骤为:
式中,Di表示第i个监测点的异常可能性,k表示污染物种类,lij表示第i个监测点的第j种污染物浓度曲线上包含的增长数据点的数量,Lij表示第i个监测点的第j种污染物浓度曲线上包含的数据点的数量,nij表示第i个监测点的第j种污染物浓度曲线上包含的增长组的数量,exp()表示以自然常数为底的指数函数,sij表示第i个监测点的第j种污染物浓度曲线上,包含增长数据点最多的增长组中所有增长数据点的斜率的方差,α为超参数,max()为最大值函数。
优选的,所述根据不同疑似异常监测点的同一种污染物浓度曲线上数据点的匹配关系获取不同疑似异常监测点的同一种污染物浓度曲线之间的错位程度,包括的步骤为:
获取第u个疑似异常监测点的第j种污染物浓度曲线中每个数据点在第v个疑似异常监测点的第j种污染物浓度曲线中匹配的数据点个数,将其中最大值作为第v个疑似异常监测点的第j种污染物浓度曲线相对于第u个疑似异常监测点的第j种污染物浓度曲线的滞后数据点数量,记为mv,u,j;获取第v个疑似异常监测点的第j种污染物浓度曲线中每个数据点在第u个疑似异常监测点的第j种污染物浓度曲线中匹配的数据点个数,将其中最大值作为第u个疑似异常监测点的第j种污染物浓度曲线相对于第v个疑似异常监测点的第j种污染物浓度曲线的滞后数据点数量,记为mu,v,j;
根据mv,u,j和mu,v,j,获取第u个疑似异常监测点的第j种污染物浓度曲线与第v个疑似异常监测点的第j种污染物浓度曲线之间的错位程度:
式中,fu,v,j表示第u个疑似异常监测点的第j种污染物浓度曲线与第v个疑似异常监测点的第j种污染物浓度曲线之间的错位程度,mv,u,j表示了第v个疑似异常监测点的第j种污染物浓度曲线相对于第u个疑似异常监测点的第j种污染物浓度曲线的滞后数据点数量,mu,v,j表示了第u个疑似异常监测点的第j种污染物浓度曲线相对于第v个疑似异常监测点的第j种污染物浓度曲线的滞后数据点数量,Δt表示利用监测点部署的传感器采集污染物浓度的采集时间间隔;max()为最大值函数。
优选的,所述获取不同疑似异常监测点之间同一种污染物浓度曲线的浓度增长差异,包括的步骤为:
Δpu,v,j=(pu,j(max)-pu,j(min))-(pv,j(max)-pv,j(min));
其中,Δpu,v,j表示第u个疑似异常监测点的第j种污染物浓度曲线与第v个疑似异常监测点的第j种污染物浓度曲线之间的浓度增长差异;pu,j(max)表示第u个疑似异常监测点的第j种污染物浓度曲线中的最大浓度,pu,j(min)表示第u个疑似异常监测点的第j种污染物浓度曲线中的最小浓度。
10.优选的,所述构建每个监测点的每种污染物浓度曲线,包括的步骤为:
对于每个监测点采集的每种污染物的浓度,以时间为横轴,以该种污染物浓度为纵轴,以采集的该监测点每一时刻该种污染物的浓度为数据样本,绘制该监测点的该种污染物浓度曲线。
优选的,所述获取不同疑似异常监测点之间错位程度和浓度增长差异的相关性,包括的步骤为:
式中,Ru,v表示第u个疑似异常监测点与第v个疑似异常监测点之间的错位程度和浓度增长差异的相关性,fu,v,j表示第u个疑似异常监测点的第j种污染物浓度曲线与第v个疑似异常监测点的第j种污染物浓度曲线之间的错位程度,Δpu,v,j表示第u个疑似异常监测点的第j种污染物浓度曲线与第v个疑似异常监测点的第j种污染物浓度曲线之间的浓度增长差异,k表示污染物种类。
优选的,所述根据所述相关性获取异常扩散点,包括的步骤为:
根据所有疑似异常监测点两两之间错位程度和浓度增长差异的相关性获取距离多个疑似异常监测点都较远的农业污染源存在的可能性:
式中,G表示距离多个疑似异常监测点都较远的农业污染源存在的可能性,Ru,v表示第u个疑似异常监测点与第v个疑似异常监测点之间的错位程度和浓度增长差异的相关性,H表示疑似异常监测点的数量;
预设存在可能性阈值T2;当距离多个疑似异常监测点都较远的农业污染源存在的可能性G大于存在可能性阈值T2时,对于任意两个疑似异常监测点,将此两个疑似异常监测点的每种污染物浓度曲线之间的错位程度的均值作为农业污染源的污染物流动到此两个疑似异常监测点的时间差;利用农业污染源的污染物流动到此两个疑似异常监测点的时间差与水流的流速相乘,得到农业污染源的污染物流动到两个疑似异常监测点的距离差;根据农业污染源的污染物流动到所有疑似异常监测点两两之间的距离差,获取农业污染源的污染物在水体中开始流动的源头,作为异常扩散点。
本发明实施例至少具有如下有益效果:本发明考虑到农业污染源可能到不同监测点的距离不同,污染物流向不同监测点时,监测点监测到的污染物浓度开始增长的时间存在差异,即污染物浓度曲线之间存在错位,同时在水的稀释作用下,不同监测点污染物浓度增长的程度不同,因此本发明利用不同监测点之间污染物浓度曲线的错位程度与浓度增长差异的相关性衡量存在距离监测点较远的污染源的可能性,进而识别农业面源污染的来源,识别准确且高效。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种农业面源污染监测***的***框图;
图2为监测点示意图;
图3为多个监测点的氮浓度曲线示意图;
图3中(a)为监测点A的氮浓度曲线示意图;
图3中(b)为监测点B的氮浓度曲线示意图;
图3中(c)为监测点C的氮浓度曲线示意图;
图4为图3中(a)和(b)的氮浓度曲线的DTW匹配示意图;
图5为水体中异常扩散点示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种农业面源污染监测***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种农业面源污染监测***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种农业面源污染监测***,该***包括以下模块:
监测点部署模块,用于部署多个监测点。
在水体近岸位置等间隔设置多个监测点,在本实施例中,相邻监测点之间间隔1千米,在其他实施例中,对监测点间隔不做限定,实施人员可根据具体实施情况设置监测点间隔。图2为本实施例的监测点示意图,其中A、B、C分别表示一个监测点。
农业面源污染的污染物为氮、磷、有机质等物质,在每个监测点分别部署用来监测农业面源污染物的传感器,例如监测氮、磷、有机质等浓度的传感器。
至此,实现了多个监测点的部署。
数据采集模块,用于在每个监测点采集监测数据,获取每个监测点的污染物浓度曲线。
利用每个监测点部署的传感器采集每个监测点每个时刻每种污染物的浓度,在本实施例中,采集频率为5分钟一次,在其他实施例中,对采集频率不做限定,实施人员可根据具体实施情况设置采集频率。
对于每个监测点采集的每种污染物的浓度,以时间为横轴,以该种污染物浓度为纵轴,以采集的该监测点每一时刻该种污染物的浓度为数据样本,绘制该监测点的该种污染物浓度曲线。例如图2中监测点A的氮浓度曲线示意图参见图3中的(a),图2中监测点B的氮浓度曲线示意图参见图3中的(b),图2中监测点C的氮浓度曲线示意图参见图3中的(c)。
至此,获取了每个监测点的每种污染物浓度曲线。
疑似异常监测点获取模块,用于根据每个监测点的监测数据获取监测点的异常可能性,根据异常可能性获取疑似异常监测点。
需要说明的是,由于农业面源污染的来源分散,若农业污染源的污染物进入水体的位置恰好靠近监测点,则监测点监测到的污染物浓度会超过排放标准,此时可直接超过排放标准的污染物浓度定位到污染来源。若农业污染源的污染物进入水体的位置在两个监测点之间,且距离两个监测点都较远时,进入水体的污染物流动到监测点的位置时,污染物浓度在水的稀释作用下降低,监测点监测到的污染物浓度可能满足排放标准,此时直接根据监测点监测到的污染物浓度是否超过排放标准无法准确识别到污染。随着进入水体的污染物不断流动到监测点,监测点监测到的污染物浓度是持续增长的,经过一段时间达到平稳状态,虽然在水的稀释作用下污染物浓度可能满足排放标准,但相较正常浓度偏高,因此本实施例根据每个监测点的污染物浓度曲线的趋势分析每个监测点的异常可能性,用来反映每个监测点的污染物的浓度变化情况。
在本实施例中,对于每个监测点,若监测点某一时刻的污染物浓度超过了排放标准,则认为监测点附近存在农业污染源,其中排放标准参考生态环境相关部门发布的数据,也可由实施情况根据实际实施情况自行设置。若监测点所有时刻的污染物浓度都未超过排除标准,则进行进一步分析。
具体的,对于每个监测点,获取监测点每种污染物浓度曲线上每个数据点的斜率,当数据点的斜率大于0时,表示该数据点对应的污染物浓度相较于前一个数据点的污染物浓度为增长的。因此获取每种污染物浓度曲线上斜率大于0的所有数据点,将每个斜率大于0的数据点分别作为一个增长数据点,将污染物浓度曲线上连续的增长数据点划分为一组,作为一个增长组,得到多个增长组。污染物浓度在每个增长组包含的所有数据点对应的时间范围内为持续增长的。
根据每个监测点的所有污染物浓度曲线上的所有增长组获取该监测点的异常可能性:
式中,Di表示第i个监测点的异常可能性,k表示污染物种类,lij表示第i个监测点的第j种污染物浓度曲线上包含的增长数据点的数量,Lij表示第i个监测点的第j种污染物浓度曲线上包含的数据点的数量,表示增长数据点占比,当增长数据点占比越大,说明第i个监测点的第j种污染物浓度曲线整体呈增长趋势,此时第i个监测点的第j种污染物浓度曲线越异常;
式中,nij表示第i个监测点的第j种污染物浓度曲线上包含的增长组的数量,exp()表示以自然常数为底的指数函数,当增长组的数量越少时,说明更多的增长数据点为集中分布,即更多的数据点的污染物浓度持续增长,此时第i个监测点的第j种污染物浓度曲线越异常;
式中,sij表示第i个监测点的第j种污染物浓度曲线上,包含增长数据点最多的增长组中所有增长数据点的斜率的方差,α为超参数,在本实施例中α=0.001,在其他实施例中,具体不做限定,实施人员可根据实际实施情况设置超参数α的值,max()为最大值函数,max(sij,α)用于获取sij和α中的最大值,目的是为了防止方差sij为0时导致分母为0。在进入水体的污染物向监测点流动的阶段,污染物浓度持续增长且相邻时刻增长的程度基本一致,因此包含增长数据点最多的增长组中所有增长数据点的斜率也基本一致,其方差应较小。当方差sij较大或增长组较多时,更可能为污染物浓度采集时的噪声影响导致的波动。由于农业面源的多种污染物通常是同时变化的,因此当所有种污染物浓度曲线上增长数据点占比越大,增长组越少且方差越小时,第i个监测点越异常。
预设一个异常阈值T1,将异常可能性大于异常阈值T1的监测点作为疑似异常监测点,在本实施例中异常阈值T1=0.5,在其他实施例中,对异常阈值不做限制,实施人员可根据具体实施情况设置异常阈值。
至此,获取了每个监测点的异常可能性,筛选出了疑似异常监测点。
异常扩散点获取模块,用于根据不同疑似异常监测点的污染物浓度曲线中数据点之间的匹配关系,获取水体中的异常扩散点。
需要说明的是,疑似异常监测点可能为靠近疑似异常监测点且符合排放标准的农业正常排放,也可能为距离疑似异常监测点较远的超过排放标准的农业异常排放,仅根据单个疑似异常监测点的污染物浓度曲线无法区分以上两种情况。距离疑似异常监测点较远的农业污染源排放的污染物,在水的流动性作用下流向多个监测点,但由于农业污染源到不同的监测点的距离不同,污染物流动到不同监测点的时间不同,使得监测点监测到污染物浓度开始增长的时间不同,且在水的稀释作用下,流动越远,稀释作用越强,对应监测点的污染物浓度增长的程度越低。因此疑似异常监测点污染物浓度开始增长的时间以及增长的程度均与农业污染源到疑似异常监测点的距离相关。本实施例通过比较不同疑似异常监测点污染物浓度开始增长的时间差以及浓度增长程度的差异,来获取距离多个疑似异常监测点都较远的农业污染源存在的可能性。
具体的,对于所有疑似异常监测点,利用动态时间规整DTW算法获取疑似异常监测点两两之间同一种污染物浓度曲线中数据点的匹配关系,DTW算法为公知技术,在此不再详细赘述。图4为图3中(a)和(b)的氮浓度曲线的DTW匹配示意图。
需要说明的是,DTW算法可按照数据点的时间顺序,将两个曲线中相似的数据点匹配到一起,在两个疑似异常监测点的同一种污染物浓度曲线中,在污染物浓度增长之前,两个曲线均较为平稳,此时两个曲线中的数据点较为相似,两个曲线中的数据点可能为一一匹配,当一个曲线中污染物浓度未增长,另一个曲线中同一时刻污染物浓度已开始增长时,未增长污染物浓度对应的数据点更可能匹配到另一个曲线中污染物浓度增长前的一个数据点,当两个曲线中污染物浓度都开始增长时,浓度增长的数据点可能为一一匹配。若两个曲线中污染物浓度不是同时增长,则先增长的曲线中增长前的一个数据点对应另一个曲线中多个数据点,对应的数据点数量反应了先增长的曲线相对于另一个曲线的增长领先数据点数量,即另一个曲线相对于该曲线的增长滞后数据点数量,因此本实施例对所有疑似异常监测点两两之间同一种污染物浓度曲线上数据点之间的匹配关系进行分析,从而获取所有疑似异常监测点两两之间同一种污染物浓度曲线的错位程度,用来反映污染物流动到不同疑似异常监测点的时间差。
具体的,对于第u个疑似异常监测点的第j种污染物浓度曲线中每个数据点,根据此些数据点与第v个疑似异常监测点的第j种污染物浓度曲线中数据点的匹配关系,获取第u个疑似异常监测点的第j种污染物浓度曲线中每个数据点匹配的数据点个数,将其中最大值作为第v个疑似异常监测点的第j种污染物浓度曲线相对于第u个疑似异常监测点的第j种污染物浓度曲线的滞后数据点数量,记为mv,u,j。同理,对于第v个疑似异常监测点的第j种污染物浓度曲线中每个数据点,根据此些数据点与第u个疑似异常监测点的第j种污染物浓度曲线中数据点的匹配关系,获取第v个疑似异常监测点的第j种污染物浓度曲线中每个数据点匹配的数据点个数,将其中最大值作为第u个疑似异常监测点的第j种污染物浓度曲线相对于第v个疑似异常监测点的第j种污染物浓度曲线的滞后数据点数量,记为mu,v,j。
根据第u个疑似异常监测点的第j种污染物浓度曲线相对于第v个疑似异常监测点的第j种污染物浓度曲线的滞后数据点数量以及第v个疑似异常监测点的第j种污染物浓度曲线相对于第u个疑似异常监测点的第j种污染物浓度曲线的滞后数据点数量,获取第u个疑似异常监测点的第j种污染物浓度曲线与第v个疑似异常监测点的第j种污染物浓度曲线之间的错位程度:
式中,fu,v,j表示第u个疑似异常监测点的第j种污染物浓度曲线与第v个疑似异常监测点的第j种污染物浓度曲线之间的错位程度,反应了第j种污染物流动到第u个疑似异常监测点与第v个疑似异常监测点的时间差,mv,u,j表示了第v个疑似异常监测点的第j种污染物浓度曲线相对于第u个疑似异常监测点的第j种污染物浓度曲线的滞后数据点数量,mu,v,j表示了第u个疑似异常监测点的第j种污染物浓度曲线相对于第v个疑似异常监测点的第j种污染物浓度曲线的滞后数据点数量,Δt表示利用监测点部署的传感器采集污染物浓度的采集时间间隔,例如采集频率为5分钟一次时,采集时间间隔Δt为5分钟。max( )为最大值函数。当mu,v,j≥mv,u,j时,错位程度小于或等于0,表示第j种污染物流动到第u个疑似异常监测点的时间落后于流动到第v个疑似异常监测点的时间,当mu,v,j<mv,u,j时,错位程度大于0,表示第j种污染物流动到第u个疑似异常监测点的时间早于流动到第v个疑似异常监测点的时间。
同理,获取所有疑似异常监测点两两之间同一种污染物浓度曲线的错位程度。
根据每个疑似异常监测点的每种污染物浓度曲线中的最大值以及最小值,获取所有疑似异常监测点两两之间每种污染物浓度曲线的浓度增长差异:
Δpu,v,j=(pu,j(max)-pu,j(min))-(pv,j(max)-pv,j(min));
其中,Δpu,v,j表示第u个疑似异常监测点的第j种污染物浓度曲线与第v个疑似异常监测点的第j种污染物浓度曲线之间的浓度增长差异;pu,j(max)表示第u个疑似异常监测点的第j种污染物浓度曲线中的最大浓度,pu,j(min)表示第u个疑似异常监测点的第j种污染物浓度曲线中的最小浓度,(pu,j(max)-pu,j(min))表示了第u个疑似异常监测点的第j种污染物浓度曲线中的浓度增长值。pv,j(max)表示第v个疑似异常监测点的第j种污染物浓度曲线中的最大浓度,pv,j(min)表示第v个疑似异常监测点的第j种污染物浓度曲线中的最小浓度。
需要说明的是,两个疑似异常监测点的同一种污染物浓度曲线之间的错位程度与农业污染源到疑似异常监测点的距离相关,同时两个疑似异常监测点的同一种污染物浓度曲线之间的浓度增长差异也与农业污染源到疑似异常监测点的距离相关,因此两个疑似异常监测点的同一种污染物浓度曲线之间的错位程度与浓度增长差异具有相关性,因此本实施例对错位程度与浓度增长差异之间的相关性进行分析。
具体的,根据任意两个疑似异常监测点之间的错位程度以及浓度增长差异获取此两个疑似异常监测点之间错位程度和浓度增长差异的相关性:
式中,Ru,v表示第u个疑似异常监测点与第v个疑似异常监测点之间的错位程度和浓度增长差异的相关性,fu,v,j表示第u个疑似异常监测点的第j种污染物浓度曲线与第v个疑似异常监测点的第j种污染物浓度曲线之间的错位程度,Δpu,v,j表示第u个疑似异常监测点的第j种污染物浓度曲线与第v个疑似异常监测点的第j种污染物浓度曲线之间的浓度增长差异,k表示污染物种类。Ru,v的取值范围在[-1,1]之间,当Ru,v越接近于1,错位程度和浓度增长差异越相关,此时更符合污染物向第u个疑似异常监测点与第v个疑似异常监测点流动的特征。当Ru,v越接近于-1或0时,错位程度和浓度增长差异越为负相关或不相关,此时不符合污染物向第u个疑似异常监测点与第v个疑似异常监测点流动的特征。
根据所有疑似异常监测点两两之间错位程度和浓度增长差异的相关性获取距离多个疑似异常监测点都较远的农业污染源存在的可能性:
式中,G表示距离多个疑似异常监测点都较远的农业污染源存在的可能性,Ru,v表示第u个疑似异常监测点与第v个疑似异常监测点之间的错位程度和浓度增长差异的相关性,H表示疑似异常监测点的数量,表示所有疑似异常监测点两两之间错位程度和浓度增长差异的相关性的均值,当该均值越接近于1,所有疑似异常监测点两两之间错位程度和浓度增长差异都越相关,此时更可能存在一个农业污染源距离各个疑似异常监测点都较远,且该污染源的进入水体的污染物向各个疑似异常监测点流动。
预设一个存在可能性阈值T2,在本实施例中存在可能性阈值T2=0.9,在其他实施例中,对存在可能性阈值不做限制,实施人员可根据具体实施情况设置存在可能性阈值。当距离多个疑似异常监测点都较远的农业污染源存在的可能性G小于或等于存在可能性阈值T2时,认为不存在距离多个疑似异常监测点都较远的农业污染源,每个疑似异常监测点污染物浓度的波动均为靠近疑似异常监测点且符合排放标准的农业正常排放引起。当距离多个疑似异常监测点都较远的农业污染源存在的可能性G大于存在可能性阈值T2时,认为存在距离多个疑似异常监测点都较远的农业污染源,需要进行农业污染源位置的进一步分析。
错位程度反映了每种污染物流动到不同疑似异常监测点的时间差,因此本实施例对于任意两个疑似异常监测点,将此两个疑似异常监测点的每种污染物浓度曲线之间的错位程度的均值作为农业污染源的污染物流动到此两个疑似异常监测点的时间差。
在同一水体不同位置水流流速差异相差较小,因此本实施例在水体中间设置速度传感器,监测每一时刻水流的流速。利用农业污染源的污染物流动到两个疑似异常监测点的时间差与水流的流速相乘,得到农业污染源的污染物流动到两个疑似异常监测点的距离差。根据农业污染源的污染物流动到所有疑似异常监测点两两之间的距离差,即可推测出农业污染源的污染物在水体中开始流动的源头,将该位置作为异常扩散点。图5为本实施例一个异常扩散点示意图。
需要说明的是,根据农业污染源的污染物流动到所有疑似异常监测点两两之间的距离差,推测农业污染源的污染物在水体中开始流动的源头,为公知的数学几何知识,在此不再详细赘述。
至此,获取了异常扩散点。
污染报警模块,用于根据异常扩散点获取可能污染来源,进行污染报警。
获取水体中异常扩散点距离最近的农田或畜禽水产养殖厂,作为可能的污染来源。并产生相关报警,通知相关人员前往可能的污染来源进行排查。
至此,实现了污染报警。
综上所述,本发明的***包括监测点部署模块、数据采集模块、疑似异常监测点获取模块、异常扩散点获取模块、污染报警模块,本发明考虑到农业污染源可能到不同监测点的距离不同,污染物流向不同监测点时,监测点监测到的污染物浓度开始增长的时间存在差异,即污染物浓度曲线之间存在错位,同时在水的稀释作用下,不同监测点污染物浓度增长的程度不同,因此本发明利用不同监测点之间污染物浓度曲线的错位程度与浓度增长差异的相关性衡量存在距离监测点较远的污染源的可能性,进而识别农业面源污染的来源,识别准确且高效。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种农业面源污染监测***,其特征在于,所述***包括:
监测点部署模块,在水体近岸位置等间隔设置多个监测点;
数据采集模块,在每个监测点采集每个时刻不同污染物的浓度,构建每个监测点的每种污染物浓度曲线;
疑似异常监测点获取模块,根据监测点的每种污染浓度曲线上每个数据点的斜率获取监测点的异常可能性,根据异常可能性筛选疑似异常监测点;
异常扩散点获取模块,根据不同疑似异常监测点的同一种污染物浓度曲线上数据点的匹配关系获取不同疑似异常监测点的同一种污染物浓度曲线之间的错位程度;根据每个疑似异常监测点的每种污染物浓度曲线中的最大值以及最小值,获取不同疑似异常监测点之间同一种污染物浓度曲线的浓度增长差异;根据不同疑似异常监测点之间所有污染物浓度曲线的错位程度以及浓度增长差异获取不同疑似异常监测点之间错位程度和浓度增长差异的相关性;根据所述相关性获取异常扩散点;
污染报警模块,根据异常扩散点获取可能的污染来源,进行报警,对可能的污染来源进行排查。
2.根据权利要求1所述的一种农业面源污染监测***,其特征在于,所述根据监测点的每种污染浓度曲线上每个数据点的斜率获取监测点的异常可能性,包括的步骤为:
根据监测点的每种污染浓度曲线上每个数据点的斜率获取监测点上的增长数据点以及增长组;根据监测点的所有污染物浓度曲线上的所有增长数据点以及增长组获取监测点的异常可能性。
3.根据权利要求2所述的一种农业面源污染监测***,其特征在于,所述根据监测点的每种污染浓度曲线上每个数据点的斜率获取监测点上的增长数据点以及增长组,包括的步骤为:
获取每种污染物浓度曲线上斜率大于0的所有数据点,将每个斜率大于0的数据点分别作为一个增长数据点,将污染物浓度曲线上连续的增长数据点划分为一组,作为一个增长组,得到多个增长组。
4.根据权利要求2所述的一种农业面源污染监测***,其特征在于,所述根据监测点的所有污染物浓度曲线上的所有增长数据点以及增长组获取监测点的异常可能性,包括的步骤为:
式中,Di表示第i个监测点的异常可能性,k表示污染物种类,lij表示第i个监测点的第j种污染物浓度曲线上包含的增长数据点的数量,Lij表示第i个监测点的第j种污染物浓度曲线上包含的数据点的数量,nij表示第i个监测点的第j种污染物浓度曲线上包含的增长组的数量,exp()表示以自然常数为底的指数函数,sij表示第i个监测点的第j种污染物浓度曲线上,包含增长数据点最多的增长组中所有增长数据点的斜率的方差,α为超参数,max()为最大值函数。
5.根据权利要求1所述的一种农业面源污染监测***,其特征在于,所述根据不同疑似异常监测点的同一种污染物浓度曲线上数据点的匹配关系获取不同疑似异常监测点的同一种污染物浓度曲线之间的错位程度,包括的步骤为:
获取第u个疑似异常监测点的第j种污染物浓度曲线中每个数据点在第v个疑似异常监测点的第j种污染物浓度曲线中匹配的数据点个数,将其中最大值作为第v个疑似异常监测点的第j种污染物浓度曲线相对于第u个疑似异常监测点的第j种污染物浓度曲线的滞后数据点数量,记为mv,u,j;获取第v个疑似异常监测点的第j种污染物浓度曲线中每个数据点在第u个疑似异常监测点的第j种污染物浓度曲线中匹配的数据点个数,将其中最大值作为第u个疑似异常监测点的第j种污染物浓度曲线相对于第v个疑似异常监测点的第j种污染物浓度曲线的滞后数据点数量,记为mu,v,j;
根据mv,u,j和mu,v,j,获取第u个疑似异常监测点的第j种污染物浓度曲线与第v个疑似异常监测点的第j种污染物浓度曲线之间的错位程度:
式中,fu,v,j表示第u个疑似异常监测点的第j种污染物浓度曲线与第v个疑似异常监测点的第j种污染物浓度曲线之间的错位程度,mv,u,j表示了第v个疑似异常监测点的第j种污染物浓度曲线相对于第u个疑似异常监测点的第j种污染物浓度曲线的滞后数据点数量,mu,v,j表示了第u个疑似异常监测点的第j种污染物浓度曲线相对于第v个疑似异常监测点的第j种污染物浓度曲线的滞后数据点数量,Δt表示利用监测点部署的传感器采集污染物浓度的采集时间间隔;max()为最大值函数。
6.根据权利要求1所述的一种农业面源污染监测***,其特征在于,所述获取不同疑似异常监测点之间同一种污染物浓度曲线的浓度增长差异,包括的步骤为:
Δpu,v,j=(pu,j(max)-pu,j(min))-(pv,j(max)-pv,j(min));
其中,Δpu,v,j表示第u个疑似异常监测点的第j种污染物浓度曲线与第v个疑似异常监测点的第j种污染物浓度曲线之间的浓度增长差异;pu,j(max)表示第u个疑似异常监测点的第j种污染物浓度曲线中的最大浓度,pu,j(min)表示第u个疑似异常监测点的第j种污染物浓度曲线中的最小浓度。
7.根据权利要求1所述的一种农业面源污染监测***,其特征在于,所述构建每个监测点的每种污染物浓度曲线,包括的步骤为:
对于每个监测点采集的每种污染物的浓度,以时间为横轴,以该种污染物浓度为纵轴,以采集的该监测点每一时刻该种污染物的浓度为数据样本,绘制该监测点的该种污染物浓度曲线。
8.根据权利要求1所述的一种农业面源污染监测***,其特征在于,所述获取不同疑似异常监测点之间错位程度和浓度增长差异的相关性,包括的步骤为:
式中,Ru,v表示第u个疑似异常监测点与第v个疑似异常监测点之间的错位程度和浓度增长差异的相关性,fu,v,j表示第u个疑似异常监测点的第j种污染物浓度曲线与第v个疑似异常监测点的第j种污染物浓度曲线之间的错位程度,Δpu,v,j表示第u个疑似异常监测点的第j种污染物浓度曲线与第v个疑似异常监测点的第j种污染物浓度曲线之间的浓度增长差异,k表示污染物种类。
9.根据权利要求1所述的一种农业面源污染监测***,其特征在于,所述根据所述相关性获取异常扩散点,包括的步骤为:
根据所有疑似异常监测点两两之间错位程度和浓度增长差异的相关性获取距离多个疑似异常监测点都较远的农业污染源存在的可能性:
式中,G表示距离多个疑似异常监测点都较远的农业污染源存在的可能性,Ru,v表示第u个疑似异常监测点与第v个疑似异常监测点之间的错位程度和浓度增长差异的相关性,H表示疑似异常监测点的数量;
预设存在可能性阈值T2;当距离多个疑似异常监测点都较远的农业污染源存在的可能性G大于存在可能性阈值T2时,对于任意两个疑似异常监测点,将此两个疑似异常监测点的每种污染物浓度曲线之间的错位程度的均值作为农业污染源的污染物流动到此两个疑似异常监测点的时间差;利用农业污染源的污染物流动到此两个疑似异常监测点的时间差与水流的流速相乘,得到农业污染源的污染物流动到两个疑似异常监测点的距离差;根据农业污染源的污染物流动到所有疑似异常监测点两两之间的距离差,获取农业污染源的污染物在水体中开始流动的源头,作为异常扩散点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311544729.0A CN117517609B (zh) | 2023-11-20 | 2023-11-20 | 一种农业面源污染监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311544729.0A CN117517609B (zh) | 2023-11-20 | 2023-11-20 | 一种农业面源污染监测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117517609A true CN117517609A (zh) | 2024-02-06 |
CN117517609B CN117517609B (zh) | 2024-06-21 |
Family
ID=89752690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311544729.0A Active CN117517609B (zh) | 2023-11-20 | 2023-11-20 | 一种农业面源污染监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117517609B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004138591A (ja) * | 2002-10-16 | 2004-05-13 | Fukuhara Co Ltd | 洩れ検知装置 |
KR20140016031A (ko) * | 2012-07-30 | 2014-02-07 | 서울대학교산학협력단 | 오염원 확인 시스템 및 방법 |
CN109765337A (zh) * | 2018-12-28 | 2019-05-17 | 北京英视睿达科技有限公司 | 一种污染源识别方法及其*** |
CN111855945A (zh) * | 2020-07-28 | 2020-10-30 | 王艳捷 | 一种智慧型流域水质污染溯源的船载监测技术及方法 |
CN113533445A (zh) * | 2021-06-17 | 2021-10-22 | 北京工业大学 | 一种考虑参数不确定性的二维水污染溯源方法 |
CN116381160A (zh) * | 2023-05-08 | 2023-07-04 | 河北先河环保科技股份有限公司 | 基于监测数据的大气污染综合溯源方法及终端 |
-
2023
- 2023-11-20 CN CN202311544729.0A patent/CN117517609B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004138591A (ja) * | 2002-10-16 | 2004-05-13 | Fukuhara Co Ltd | 洩れ検知装置 |
KR20140016031A (ko) * | 2012-07-30 | 2014-02-07 | 서울대학교산학협력단 | 오염원 확인 시스템 및 방법 |
CN109765337A (zh) * | 2018-12-28 | 2019-05-17 | 北京英视睿达科技有限公司 | 一种污染源识别方法及其*** |
CN111855945A (zh) * | 2020-07-28 | 2020-10-30 | 王艳捷 | 一种智慧型流域水质污染溯源的船载监测技术及方法 |
CN113533445A (zh) * | 2021-06-17 | 2021-10-22 | 北京工业大学 | 一种考虑参数不确定性的二维水污染溯源方法 |
CN116381160A (zh) * | 2023-05-08 | 2023-07-04 | 河北先河环保科技股份有限公司 | 基于监测数据的大气污染综合溯源方法及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN117517609B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101790B (zh) | 一种水体监测视频及数据联动预警方法及*** | |
CN114444259B (zh) | 一种雨污管网溯源追踪***及方法 | |
CN114943917B (zh) | 一种视觉识别污水厂好氧池曝气量的算法 | |
US20070078610A1 (en) | System enabling remote analysis of fluids | |
Brion et al. | A neural network approach to identifying non-point sources of microbial contamination | |
CN102902240A (zh) | 一种基于物联网的水产智能监控*** | |
CN112418737A (zh) | 一种区域水环境管理平台 | |
CN116298159B (zh) | 一种工业污水厂污染物溯源方法、装置、存储介质和计算机设备 | |
US20220307967A1 (en) | Automatic spore trap | |
CN117517609B (zh) | 一种农业面源污染监测*** | |
CN116929454A (zh) | 一种河流水质污染监测方法、介质及*** | |
CN110849938A (zh) | 一种超标排污自动预警和留样方法及装置 | |
JPH05332915A (ja) | 水圏監視装置及び浄化装置 | |
CN202771221U (zh) | 一种基于物联网的水产智能监控*** | |
CN116882850B (zh) | 一种基于大数据的园林数据智能管理方法以及*** | |
CN112083132A (zh) | 一种污水污染溯源方法 | |
CN117420283A (zh) | 一种一体化多通道水质监测方法及*** | |
CN116913047A (zh) | 一种流域农业面源污染物溯源方法和预警*** | |
CN114757601B (zh) | 一种基于人工智能的水环境异常排放监测方法及*** | |
CN116310771A (zh) | 一种耦合遥感的面源污染源识别方法 | |
Mabunga et al. | Development of Sanitary Landfill's Groundwater Contamination Detection Model Based on Machine Learning Algorithms | |
JP2001027634A (ja) | 水質監視システム | |
CN111855946B (zh) | 基于鱼类行为解析的水质分析方法 | |
CN116401557B (zh) | 一种农业面源污染遥感监测与预警方法及*** | |
US20070134800A1 (en) | Method of monitoring a predetermined type of molecule conveyed through a gaseous medium |
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 |