CN117929483B - 一种分布式智能地下水水质监测***及方法 - Google Patents
一种分布式智能地下水水质监测***及方法 Download PDFInfo
- Publication number
- CN117929483B CN117929483B CN202410335941.4A CN202410335941A CN117929483B CN 117929483 B CN117929483 B CN 117929483B CN 202410335941 A CN202410335941 A CN 202410335941A CN 117929483 B CN117929483 B CN 117929483B
- Authority
- CN
- China
- Prior art keywords
- conductivity
- hidden
- water quality
- groundwater
- grid
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 239000007787 solid Substances 0.000 claims abstract description 38
- 238000012937 correction Methods 0.000 claims abstract description 31
- 238000010276 construction Methods 0.000 claims abstract description 5
- 239000003673 groundwater Substances 0.000 claims description 85
- 239000013598 vector Substances 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 3
- 230000000246 remedial effect Effects 0.000 claims 1
- 239000003643 water by type Substances 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 2
- WCUXLLCKKVVCTQ-UHFFFAOYSA-M Potassium chloride Chemical compound [Cl-].[K+] WCUXLLCKKVVCTQ-UHFFFAOYSA-M 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000010612 desalination reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 229910001415 sodium ion Inorganic materials 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- FKNQFGJONOIPTF-UHFFFAOYSA-N Sodium cation Chemical compound [Na+] FKNQFGJONOIPTF-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012482 calibration solution Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 235000010755 mineral Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000001103 potassium chloride Substances 0.000 description 1
- 235000011164 potassium chloride Nutrition 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/06—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a liquid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biochemistry (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及水质监测技术领域,公开了一种分布式智能地下水水质监测***及方法,***包括:地下水水域网格划分模块,将待监测地下水水域进行网格化划分;电导率特征矩阵构建模块,构建第一电导率特征矩阵;电导率校正模块,对第一电导率特征矩阵进行校正获得第二电导率特征矩阵;水质参数预测模块,输入第二电导率特征矩阵到水质参数预测模型中,输出的值表示每个网格的总溶解固体的浓度;本发明通过构建电导率校正模型捕捉地下水的水温、酸碱度值与电导率值之间的非线性映射关系,能够提高电导率校正的精度,此外,通过构建水质参数预测模型综合考虑了地下水在水平方向和垂直方向的电导率值之间的关联关系,从而提高预测水质参数的精度。
Description
技术领域
本发明涉及水质监测技术领域,更具体地说,它涉及一种分布式智能地下水水质监测***及方法。
背景技术
地下水是指自然界中存在于地表以下的水体,其主要由降水渗透到地表以下后形成,地下水被广泛应用于农业、工业和生活供水等领域,是重要的淡水资源之一。现有的地下水水质监测手段主要包括:1.采样分析法,其通过采集地下水样本带回实验室通过液相色谱仪或者化学成分分析法等手段来获得地下水样本中的水质参数;2.原位监测法,其通过在地下水井中设置多个水质参数传感器来实时获取水质参数,并通过阈值判断该地下水是否受到污染;3.水质追踪法,其通过在地下水中加入示踪剂来确定污染源位置。
然而采样分析法通过物理或者化学手段分析获得水质参数的时间与采样时间之间存在较大的时间差,随着地下水的流动,当前时间点的地下水水质情况与采样时间点的地下水水质情况也会产生偏差,无法实时反映地下水水质情况;原位监测法虽然能够实时监测地下水,但是传感器自身存在老化情况,在没有校准的前提下可能导致获取的水质参数与实际的水质参数存在偏差;水质追踪法投放的示踪剂可能会对地下水造成污染。
因此亟须一种地下水水质监测***以解决上述问题。
发明内容
本发明提供一种分布式智能地下水水质监测***及方法,解决上述背景技术中的技术问题。
本发明提供了一种分布式智能地下水水质监测***,包括:
地下水水域网格划分模块,其用于将待监测地下水水域在水平方向上按照等距离间隔划分为M个网格,在垂直方向上按照等距离间隔划分为N个网格;
电导率特征矩阵构建模块,其用于通过电极数量为H的电导率电极阵列获取待监测地下水水域的每个网格的电导率向量,并构建第一电导率特征矩阵;
第一电导率特征矩阵表示为:;
其中分别表示待监测地下水水域在水平方向上第1个网格到第M个网格的电导率向量,/>分别表示待监测地下水水域在垂直方向上第1个网格到第N个网格的电导率向量,/>表示待监测地下水水域在水平方向上第M个网格在垂直方向上第N个网格的电导率向量,所述电导率向量表示为:/>,其中/>分别表示第1个电极对到第K个电极对的电导率值;
电导率校正模块,其用于通过电导率校正模型对第一电导率特征矩阵进行校正获得第二电导率特征矩阵;
第二电导率特征矩阵的表示和第一电导率特征矩阵的表示相同;
水质参数预测模块,其用于获取待监测地下水水域的水质参数预测模型并输入第二电导率特征矩阵到所述水质参数预测模型中,输出的值表示待监测地下水水域的每个网格的总溶解固体的浓度;
水质预警模块,其用于根据待监测地下水水域的每个网格的总溶解固体的浓度采取不同的水质预警措施。
进一步地,M和N通过相关水质专家对待监测地下水水域进行评估设定。
进一步地,电导率值的计算公式如下:,其中E表示电极对的电导率值,I表示电极对之间施加的电流值,V表示电极对之间的电势差,D表示电极对之间的距离。
进一步地,依次对电导率电极阵列中的电极对施加相同大小的电流,并依次获取与该电极对不相邻的电极对之间的电导率值的平均值作为该电极对的电导率值,K个电极对的电导率值形成电导率向量,其中电导率向量的维度数K=H。
进一步地,电导率校正模型通过最小二乘法进行非线性拟合获得,电导率校正模型的计算公式如下:,其中/>表示通过电导率校正模型校正后的电导率值,/>表示通过电导率电极阵列获得的电导率值,/>表示水温值,P表示酸碱度值。
进一步地,水质参数预测模型包括M个隐藏层,每个隐藏层包括N个隐藏单元,其中第i个隐藏层的第j个的隐藏单元输入第二电导率特征矩阵的第i行的第j列的电导率向量,每个隐藏层的每个隐藏单元输出隐藏状态都输入到分类器中,分类器的分类标签表示待监测地下水水域的对应网格的总溶解固体的浓度,其中1≤i≤M,1≤j≤N。
进一步地,水质参数预测模型的计算公式包括:
第u个隐藏层的第v个隐藏单元的重置门的计算公式如下:
;
其中、/>和/>分别表示第u个隐藏层的第v个隐藏单元的重置门对应的第一权重参数、第二权重参数和偏置参数;
第u个隐藏层的第v个隐藏单元的更新门的计算公式如下:
;
其中、/>、/>分别表示第u个隐藏层的第v个隐藏单元的更新门对应的第一权重参数、第二权重参数和偏置参数;
第u个隐藏层的第v个隐藏单元的候选隐藏状态的计算公式如下:
;
其中、/>和/>分别表示第u个隐藏层的第v个隐藏单元的候选隐藏状态对应的第一权重参数、第二权重参数和偏置参数,/>表示第u个隐藏层的第v个隐藏单元的重置门,/>表示逐点相乘;
第u个隐藏层的第v个隐藏单元的隐藏状态的计算公式如下:
;
其中和/>分别表示第u个隐藏层的第v个隐藏单元的更新门和候选隐藏状态,表示逐点相乘;
定义:1≤u≤M,1≤v≤N,表示第u个隐藏层的第v个隐藏单元输入的第二电导率特征矩阵的第u行的第v列的电导率向量,其中/>,其中/>表示第u-1个隐藏层的第v个隐藏单元输出的隐藏状态,/>表示第u个隐藏层的第v-1个隐藏单元输出的隐藏状态,/>和/>均赋值为0,sigmoid表示sigmoid激活函数,tanh表示双曲正切函数。
进一步地,通过采集多组待监测地下水水域每个网格的电导率值,并分别构建第一电导率特征矩阵,再通过电导率校正模型校正获得第二电导率特征矩阵,将第二电导率特征矩阵作为训练水质参数预测模型的训练样本对应的训练数据,将采集的多组待监测地下水水域每个网格的真实的总溶解固体的浓度作为训练水质参数预测模型的训练样本对应的训练标签,真实的总溶解固体的浓度与水质参数预测模型预测的总溶解固体的浓度之间的差作为损失函数,利用梯度下降算法来更新水质参数预测模型的权重参数和偏置参数。
进一步地,将待监测地下水水域的每个网格的总溶解固体的浓度划分为3个等级,优质等级对应的总溶解固体的浓度为0到300毫克/升之间,一般等级对应的总溶解固体的浓度为301到10000毫克/升之间,严重等级对应的总溶解固体的浓度为10001到15000毫克/升之间,对于优质等级采取保护措施,对于一般等级采取加强监测措施,对于严重等级采取治理措施。
本发明提供一种分布式智能地下水水质监测方法,包括以下步骤:
步骤S201,将待监测地下水水域在水平方向上按照等距离间隔划分为M个网格,在垂直方向上按照等距离间隔划分为N个网格;
步骤S202,通过电极数量为H的电导率电极阵列获取待监测地下水水域的每个网格的电导率向量,并构建第一电导率特征矩阵;
步骤S203,通过电导率校正模型对第一电导率特征矩阵进行校正获得第二电导率特征矩阵;
步骤S204,输入第二电导率特征矩阵到水质参数预测模型中,输出的值表示待监测地下水水域的每个网格的总溶解固体的浓度;
步骤S205,根据待监测地下水水域的每个网格的总溶解固体的浓度采取不同的水质预警措施。
本发明的有益效果在于:本发明通过构建电导率校正模型捕捉地下水的水温、酸碱度值与电导率值之间的非线性映射关系,能够提高电导率校正的精度,此外,通过构建水质参数预测模型综合考虑了地下水在水平方向和垂直方向的电导率值之间的关联关系,从而提高预测水质参数的精度,并且存在使用灵活、实时监测、实时校正和无水质污染的优点。
附图说明
图1是本发明的一种分布式智能地下水水质监测***的示意图;
图2是本发明的电导率电极阵列的示意图;
图3是本发明的通过电导率电极阵列获取电导率值的示意图;
图4是本发明的一种分布式智能地下水水质监测方法的流程图。
图中:地下水水域网格划分模块101、电导率特征矩阵构建模块102、电导率校正模块103、水质参数预测模块104、水质预警模块105。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
需要说明的是,除非另外定义,本发明一个或多个实施例使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明的一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如图1-图4所示,一种分布式智能地下水水质监测***,包括:
地下水水域网格划分模块101,其用于将待监测地下水水域在水平方向上按照等距离间隔划分为M个网格,在垂直方向上按照等距离间隔划分为N个网格;
电导率特征矩阵构建模块102,其用于通过电极数量为H的电导率电极阵列获取待监测地下水水域的每个网格的电导率向量,并构建第一电导率特征矩阵;
第一电导率特征矩阵表示为:;
其中分别表示待监测地下水水域在水平方向上第1个网格到第M个网格的电导率向量,/>分别表示待监测地下水水域在垂直方向上第1个网格到第N个网格的电导率向量,/>表示待监测地下水水域在水平方向上第M个网格在垂直方向上第N个网格的电导率向量,所述电导率向量表示为:/>,其中/>分别表示第1个电极对到第K个电极对的电导率值;
电导率校正模块103,其用于通过电导率校正模型对第一电导率特征矩阵进行校正获得第二电导率特征矩阵;
第二电导率特征矩阵的表示和第一电导率特征矩阵的表示相同;
水质参数预测模块104,其用于获取待监测地下水水域的水质参数预测模型并输入第二电导率特征矩阵到所述水质参数预测模型中,输出的值表示待监测地下水水域的每个网格的总溶解固体的浓度;
水质预警模块105,其用于根据待监测地下水水域的每个网格的总溶解固体的浓度采取不同的水质预警措施。
需要说明的是,地下水由于长时间与地下岩石和土壤颗粒接触,容易将其中的可溶性矿物质溶解,导致地下水中的含盐量一般高于地表水的含盐量,并且地下水的含盐量越高,地下水中游离的离子含量(例如钠离子和氯离子等)越高,其电导率值也就越高,因此本发明通过电导率电极阵列能够快速检测出地下水的电导率值。
需要说明的是,如图2所示,所述电导率电极阵列可以理解为将便携式电导率检测仪器中的电极固定在正方形框内,每个电极按照相同间距进行固定排列,以便于采集多组电导率值。
在本发明的一个实施例中,M和N通过相关水质专家对待监测地下水水域进行评估设定,优选的,M设置为10,N设置为5,H设置为8。
在本发明的一个实施例中,电导率值的计算公式如下:
,其中E表示电极对的电导率值,I表示电极对之间施加的电流值,V表示电极对之间的电势差,D表示电极对之间的距离。
在本发明的一个实施例中,如图3所示,依次对电导率电极阵列中的电极对施加相同大小的电流,并依次获取与该电极对不相邻的电极对之间的电导率值的平均值作为该电极对的电导率值,K个电极对的电导率值形成电导率向量,其中电导率向量的维度数K=H;
例如当电导率电极阵列的电极数量为6时,在对1号电极和2号电极之间施加相同大小的电流,则可以分别获取3号电极和4号电极之间的电导率值、4号和5号电极之间的电导率值以及5号电极和6号电极之间的电导率值,将上述3个电极对的电导率值的平均值作为1号电极和2号电极之间的电导率值(第1个电极对的电导率值)。
需要说明的是,地下水的电导率值与温度有很大的相关性,当水温升高时,地下水中的离子迁移速度加快,电导率值也会随之升高,因此传统的水质电导率仪还会配置温度补偿模块以校正电导率值,传统的温度补偿模块的计算公式如下:,其中表示通过传统的温度补偿模块校正后的电导率值,/>表示通过传统的水质电导率仪获取的电导率值,/>表示校正系数,T表示水温值,所述校正系数是通过在标定溶液(氯化钾)中进行多次实验,测量不同温度下的电导率值,再进行线性拟合获得,然而水温值与电导率值通常呈非线性映射,并且电导率值还受到PH(酸碱度)值影响。
因此,在本发明的一个实施例中,电导率校正模型通过最小二乘法进行非线性拟合获得,电导率校正模型的计算公式如下:
;
其中表示通过电导率校正模型校正后的电导率值,/>表示通过电导率电极阵列获得的电导率值,/>表示水温值,P表示酸碱度值。
在本发明的一个实施例中,水质参数预测模型包括M个隐藏层,每个隐藏层包括N个隐藏单元,其中第i个隐藏层的第j个的隐藏单元输入第二电导率特征矩阵的第i行的第j列的电导率向量,每个隐藏层的每个隐藏单元输出隐藏状态都输入到分类器中,分类器的分类标签表示待监测地下水水域的对应网格的总溶解固体的浓度;
其中1≤i≤M,1≤j≤N。
例如M=10,N=5,i=5,j=2,那么第5个隐藏层的第2个隐藏单元输入第二电导率特征矩阵的第5行的第2列的电导率向量,输出待监测地下水水域在水平方向上第5个网格在垂直方向上第2个网格的总溶解固体的浓度。
在本发明的一个实施例中,水质参数预测模型的计算公式包括:
第u个隐藏层的第v个隐藏单元的重置门的计算公式如下:
;
其中、/>和/>分别表示第u个隐藏层的第v个隐藏单元的重置门对应的第一权重参数、第二权重参数和偏置参数;
第u个隐藏层的第v个隐藏单元的更新门的计算公式如下:
;
其中、/>、/>分别表示第u个隐藏层的第v个隐藏单元的更新门对应的第一权重参数、第二权重参数和偏置参数;
第u个隐藏层的第v个隐藏单元的候选隐藏状态的计算公式如下:
;
其中、/>和/>分别表示第u个隐藏层的第v个隐藏单元的候选隐藏状态对应的第一权重参数、第二权重参数和偏置参数,/>表示第u个隐藏层的第v个隐藏单元的重置门,/>表示逐点相乘;
第u个隐藏层的第v个隐藏单元的隐藏状态的计算公式如下:
;
其中和/>分别表示第u个隐藏层的第v个隐藏单元的更新门和候选隐藏状态,表示逐点相乘;
定义:1≤u≤M,1≤v≤N,表示第u个隐藏层的第v个隐藏单元输入的第二电导率特征矩阵的第u行的第v列的电导率向量,其中/>,其中/>表示第u-1个隐藏层的第v个隐藏单元输出的隐藏状态,/>表示第u个隐藏层的第v-1个隐藏单元输出的隐藏状态,/>和/>均赋值为0,sigmoid表示sigmoid激活函数,tanh表示双曲正切函数。
在本发明的一个实施例中,通过采集多组待监测地下水水域每个网格的电导率值,并分别构建第一电导率特征矩阵,再通过电导率校正模型校正获得第二电导率特征矩阵,将第二电导率特征矩阵作为训练水质参数预测模型的训练样本对应的训练数据,将采集的多组待监测地下水水域每个网格的真实的总溶解固体的浓度作为训练水质参数预测模型的训练样本对应的训练标签。
在本发明的一个实施例中,真实的总溶解固体的浓度与水质参数预测模型预测的总溶解固体的浓度之间的差作为损失函数,利用梯度下降算法来更新水质参数预测模型的权重参数和偏置参数。
需要说明的是,通过链式法则计算水质参数预测模型中权重参数和偏置参数的梯度,梯度下降算法根据梯度来更新水质参数预测模型中的权重参数和偏置参数,以使得损失函数最小化,重复以上步骤直到水质参数预测模型收敛或者达到设定的迭代次数,梯度下降算法可以是SGD(随机梯度下降)或者Adam(自适应矩估计优化算法)等。
进一步地,利用上述思想可以通过水质参数预测模型来预测其他水质参数,例如盐度、钠离子含量和氯离子含量等。
在本发明的一个实施例中,将待监测地下水水域的每个网格的总溶解固体的浓度划分为3个等级,优质等级对应的总溶解固体的浓度为0到300毫克/升之间,一般等级对应的总溶解固体的浓度为301到10000毫克/升之间,严重等级对应的总溶解固体的浓度为10001到15000毫克/升之间。
在本发明的一个实施例中,对于优质等级采取保护措施,避免过度开采和污染,对于一般等级采取加强监测措施,也可以适当采取地下水淡化技术以减少盐分入侵和污染源,对于严重等级采取治理措施,例如地下水淡化、水资源调配等。
进一步地,通过可视化软件可以将待监测地下水水域进行可视化,每个网格都通过颜色进行标识,例如优质等级使用绿色标识,一般等级通过黄色标识,严重等级通过红色标识。
在本发明的一个实施例中,如图4所示,提供一种分布式智能地下水水质监测方法,包括以下步骤:
步骤S201,将待监测地下水水域在水平方向上按照等距离间隔划分为M个网格,在垂直方向上按照等距离间隔划分为N个网格;
步骤S202,通过电极数量为H的电导率电极阵列获取待监测地下水水域的每个网格的电导率向量,并构建第一电导率特征矩阵;
步骤S203,通过电导率校正模型对第一电导率特征矩阵进行校正获得第二电导率特征矩阵;
步骤S204,输入第二电导率特征矩阵到水质参数预测模型中,输出的值表示待监测地下水水域的每个网格的总溶解固体的浓度;
步骤S205,根据待监测地下水水域的每个网格的总溶解固体的浓度采取不同的水质预警措施。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (9)
1.一种分布式智能地下水水质监测***,其特征在于,包括:
地下水水域网格划分模块,其用于将待监测地下水水域在水平方向上按照等距离间隔划分为M个网格,在垂直方向上按照等距离间隔划分为N个网格;
电导率特征矩阵构建模块,其用于通过电极数量为H的电导率电极阵列获取待监测地下水水域的每个网格的电导率向量,并构建第一电导率特征矩阵;
第一电导率特征矩阵表示为:;
其中分别表示待监测地下水水域在水平方向上第1个网格到第M个网格的电导率向量,/>分别表示待监测地下水水域在垂直方向上第1个网格到第N个网格的电导率向量,/>表示待监测地下水水域在水平方向上第M个网格在垂直方向上第N个网格的电导率向量,所述电导率向量表示为:/>,其中/>分别表示第1个电极对到第K个电极对的电导率值;
依次对电导率电极阵列中的电极对施加相同大小的电流,并依次获取与该电极对不相邻的电极对之间的电导率值的平均值作为该电极对的电导率值,K个电极对的电导率值形成电导率向量,其中电导率向量的维度数K=H;
电导率校正模块,其用于通过电导率校正模型对第一电导率特征矩阵进行校正获得第二电导率特征矩阵;
第二电导率特征矩阵的表示和第一电导率特征矩阵的表示相同;
所述电导率校正模型为地下水的水温、酸碱度值与电导率值的非线性函数模型;
水质参数预测模块,其用于获取待监测地下水水域的水质参数预测模型并输入第二电导率特征矩阵到所述水质参数预测模型中,输出的值表示待监测地下水水域的每个网格的总溶解固体的浓度;
水质预警模块,其用于根据待监测地下水水域的每个网格的总溶解固体的浓度采取不同的水质预警措施。
2.根据权利要求1所述的一种分布式智能地下水水质监测***,其特征在于,M和N通过相关水质专家对待监测地下水水域进行评估设定。
3.根据权利要求1所述的一种分布式智能地下水水质监测***,其特征在于,电导率值的计算公式如下:,其中E表示电极对的电导率值,I表示电极对之间施加的电流值,V表示电极对之间的电势差,D表示电极对之间的距离。
4.根据权利要求1所述的一种分布式智能地下水水质监测***,其特征在于,电导率校正模型通过最小二乘法进行非线性拟合获得,电导率校正模型的计算公式如下:,其中/>表示通过电导率校正模型校正后的电导率值,/>表示通过电导率电极阵列获得的电导率值,/>表示水温值,P表示酸碱度值。
5.根据权利要求1所述的一种分布式智能地下水水质监测***,其特征在于,水质参数预测模型包括M个隐藏层,每个隐藏层包括N个隐藏单元,其中第i个隐藏层的第j个的隐藏单元输入第二电导率特征矩阵的第i行的第j列的电导率向量,每个隐藏层的每个隐藏单元输出隐藏状态都输入到分类器中,分类器的分类标签表示待监测地下水水域的对应网格的总溶解固体的浓度,其中1≤i≤M,1≤j≤N。
6.根据权利要求5所述的一种分布式智能地下水水质监测***,其特征在于,水质参数预测模型的计算公式包括:
第u个隐藏层的第v个隐藏单元的重置门的计算公式如下:
;
其中、/>和/>分别表示第u个隐藏层的第v个隐藏单元的重置门对应的第一权重参数、第二权重参数和偏置参数;
第u个隐藏层的第v个隐藏单元的更新门的计算公式如下:
;
其中、/>、/>分别表示第u个隐藏层的第v个隐藏单元的更新门对应的第一权重参数、第二权重参数和偏置参数;
第u个隐藏层的第v个隐藏单元的候选隐藏状态的计算公式如下:
;
其中、/>和/>分别表示第u个隐藏层的第v个隐藏单元的候选隐藏状态对应的第一权重参数、第二权重参数和偏置参数,/>表示第u个隐藏层的第v个隐藏单元的重置门,/>表示逐点相乘;
第u个隐藏层的第v个隐藏单元的隐藏状态的计算公式如下:
;
其中和/>分别表示第u个隐藏层的第v个隐藏单元的更新门和候选隐藏状态,/>表示逐点相乘;
定义:1≤u≤M,1≤v≤N,表示第u个隐藏层的第v个隐藏单元输入的第二电导率特征矩阵的第u行的第v列的电导率向量,其中/>,其中/>表示第u-1个隐藏层的第v个隐藏单元输出的隐藏状态,/>表示第u个隐藏层的第v-1个隐藏单元输出的隐藏状态,/>和/>均赋值为0,sigmoid表示sigmoid激活函数,tanh表示双曲正切函数。
7.根据权利要求6所述的一种分布式智能地下水水质监测***,其特征在于,通过采集多组待监测地下水水域每个网格的电导率值,并分别构建第一电导率特征矩阵,再通过电导率校正模型校正获得第二电导率特征矩阵,将第二电导率特征矩阵作为训练水质参数预测模型的训练样本对应的训练数据,将采集的多组待监测地下水水域每个网格的真实的总溶解固体的浓度作为训练水质参数预测模型的训练样本对应的训练标签,真实的总溶解固体的浓度与水质参数预测模型预测的总溶解固体的浓度之间的差作为损失函数,利用梯度下降算法来更新水质参数预测模型的权重参数和偏置参数。
8.根据权利要求1所述的一种分布式智能地下水水质监测***,其特征在于,将待监测地下水水域的每个网格的总溶解固体的浓度划分为3个等级,优质等级对应的总溶解固体的浓度为0到300毫克/升之间,一般等级对应的总溶解固体的浓度为301到10000毫克/升之间,严重等级对应的总溶解固体的浓度为10001到15000毫克/升之间,对于优质等级采取保护措施,对于一般等级采取加强监测措施,对于严重等级采取治理措施。
9.一种分布式智能地下水水质监测方法,其特征在于,采用如权利要求1-8任一项所述的一种分布式智能地下水水质监测***,包括以下步骤:
步骤S201,将待监测地下水水域在水平方向上按照等距离间隔划分为M个网格,在垂直方向上按照等距离间隔划分为N个网格;
步骤S202,通过电极数量为H的电导率电极阵列获取待监测地下水水域的每个网格的电导率向量,并构建第一电导率特征矩阵;
步骤S203,通过电导率校正模型对第一电导率特征矩阵进行校正获得第二电导率特征矩阵;
步骤S204,输入第二电导率特征矩阵到水质参数预测模型中,输出的值表示待监测地下水水域的每个网格的总溶解固体的浓度;
步骤S205,根据待监测地下水水域的每个网格的总溶解固体的浓度采取不同的水质预警措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410335941.4A CN117929483B (zh) | 2024-03-22 | 2024-03-22 | 一种分布式智能地下水水质监测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410335941.4A CN117929483B (zh) | 2024-03-22 | 2024-03-22 | 一种分布式智能地下水水质监测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117929483A CN117929483A (zh) | 2024-04-26 |
CN117929483B true CN117929483B (zh) | 2024-05-24 |
Family
ID=90757783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410335941.4A Active CN117929483B (zh) | 2024-03-22 | 2024-03-22 | 一种分布式智能地下水水质监测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117929483B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482529A (zh) * | 2008-12-22 | 2009-07-15 | 杨贻方 | 管网水质预警预报*** |
CN111122813A (zh) * | 2019-12-23 | 2020-05-08 | 水利部信息中心 | 基于区域地下水流场方向的水质类别评价方法 |
WO2021184479A1 (zh) * | 2020-03-19 | 2021-09-23 | 无锡德林海环保科技股份有限公司 | 一种网格化水质实时监测方法及*** |
CN115389567A (zh) * | 2022-08-31 | 2022-11-25 | 厦门斯坦道科学仪器股份有限公司 | 水质电导率传感器的温度补偿算法 |
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 |
-
2024
- 2024-03-22 CN CN202410335941.4A patent/CN117929483B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482529A (zh) * | 2008-12-22 | 2009-07-15 | 杨贻方 | 管网水质预警预报*** |
CN111122813A (zh) * | 2019-12-23 | 2020-05-08 | 水利部信息中心 | 基于区域地下水流场方向的水质类别评价方法 |
WO2021184479A1 (zh) * | 2020-03-19 | 2021-09-23 | 无锡德林海环保科技股份有限公司 | 一种网格化水质实时监测方法及*** |
CN115389567A (zh) * | 2022-08-31 | 2022-11-25 | 厦门斯坦道科学仪器股份有限公司 | 水质电导率传感器的温度补偿算法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN117929483A (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khaledian et al. | Modeling soil cation exchange capacity in multiple countries | |
Rahmati et al. | Evaluation of different machine learning models for predicting and mapping the susceptibility of gully erosion | |
Imen et al. | Developing the remote sensing-based early warning system for monitoring TSS concentrations in Lake Mead | |
Jiang et al. | Characterising dryland salinity in three dimensions | |
Yin et al. | A novel interpolation method to predict soil heavy metals based on a genetic algorithm and neural network model | |
CN114858221B (zh) | 一种基于水域营养状态预测的水华智能预警***及方法 | |
Abd-Elmaboud et al. | Estimation of groundwater recharge using simulation-optimization model and cascade forward ANN at East Nile Delta aquifer, Egypt | |
Gao et al. | Soil water storage prediction at high space–time resolution along an agricultural hillslope | |
Rezaei et al. | Mapping of the wind erodible fraction of soil by bidirectional gated recurrent unit (BiGRU) and bidirectional recurrent neural network (BiRNN) deep learning models | |
Ghouili et al. | Groundwater vulnerability mapping using the Susceptibility Index (SI) method: Case study of Takelsa aquifer, Northeastern Tunisia | |
Mosavi et al. | Predicting soil electrical conductivity using multi-layer perceptron integrated with grey wolf optimizer | |
Abbasi et al. | Spatial and temporal variation of the aeolian sediment transport in the ephemeral Baringak Lake (Sistan Plain, Iran) using field measurements and geostatistical analyses | |
CN105528523A (zh) | 一种基于遥感数据的土壤厚度反演方法 | |
Liu et al. | Gully erosion susceptibility assessment based on machine learning-A case study of watersheds in Tuquan County in the black soil region of Northeast China | |
CN117929483B (zh) | 一种分布式智能地下水水质监测***及方法 | |
Kumar et al. | Multi-ahead electrical conductivity forecasting of surface water based on machine learning algorithms | |
Guo‐Qiang et al. | Piecewise prediction model for watershed‐scale erosion and sediment yield of individual rainfall events on the Loess Plateau, China | |
Mimendia et al. | Discrimination of soils and assessment of soil fertility using information from an ion selective electrodes array and artificial neural networks | |
Arıman | Determination of inactive water quality variables by MODIS data: A case study in the Kızılırmak Delta-Balik Lake, Turkey | |
Sharaf El Din et al. | Improving the accuracy of extracting surface water quality levels (SWQLs) using remote sensing and artificial neural network: a case study in the Saint John River, Canada | |
CN112529837A (zh) | 基于耦合判别特征自学习网络的遥感图像变化检测算法 | |
Van Leeuwen | Artificial neural networks and geographic information systems for inland excess water classification | |
CN109886991B (zh) | 一种基于邻域强度纹理编码的红外成像河道检测方法 | |
Garcia et al. | Evaluating linear and nonlinear regression models in mapping soil salinity | |
CN116704076A (zh) | 一种河湖地图生成的方法、装置、设备及存储介质 |
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 |