一种基于贝叶斯推理的地表水体污染溯源方法及系统与流程

摘要: 本发明涉及污染溯源,尤其是涉及一种基于贝叶斯推理的地表水体污染溯源方法及系统。背景技术:1、突发性水污染事件具有隐蔽性强、危害范围广、应急响应时间短等特点。在污...
一种基于贝叶斯推理的地表水体污染溯源方法及系统与流程

本发明涉及污染溯源,尤其是涉及一种基于贝叶斯推理的地表水体污染溯源方法及系统。

背景技术:

1、突发性水污染事件具有隐蔽性强、危害范围广、应急响应时间短等特点。在污染事件发生后,快速准确地追溯污染源的位置、排放起始时刻和排放量,对于判定事故责任、实施源头控制和制定应急处置方案具有重要意义。现有溯源方法主要分为确定性方法和不确定性方法两大类。确定性方法包括正则化方法和优化方法,通过构建优化模型将模拟浓度与观测浓度的差异最小化以求解污染源参数,但此类方法通常只能给出单一最优解,难以量化反演结果的不确定性。基于贝叶斯推理的不确定性方法将溯源问题转化为参数后验概率密度的采样问题,能够提供污染源参数的后验概率分布及不确定性区间,在地表水污染溯源领域得到广泛应用。其中,马尔可夫链蒙特卡罗(mcmc)及其改进算法(如微分进化mcmc,即de-mcmc)是常用的后验采样手段。

2、然而,现有基于贝叶斯-mcmc框架的溯源方法仍存在以下不足。其一,似然函数普遍建立在观测浓度与模拟浓度的逐点残差平方和之上,仅利用了浓度观测值本身,完全忽略了浓度的时间梯度信息。在水质传感器观测精度较低、噪声较大的实际应急场景中,逐点浓度偏差易被噪声主导,导致后验分布发散、溯源结果不稳定。其二,多数方法仅针对单一污染源进行反演,当河流中存在多个污染源时,下游监测断面的浓度时间序列是多源贡献的叠加,直接套用单源反演模型会因参数维度爆炸导致mcmc采样收敛困难、多解性严重。部分多源方法虽采用高维联合反演,但各污染源的参数搜索空间相互重叠,容易产生“标签切换”问题,即不同源的参数在采样过程中互换身份,导致后验统计量失去物理意义。其三,现有方法在反演前通常需要预设污染源数目,而实际应急场景中污染源数目往往是未知的,预设错误将直接导致溯源失败。因此,亟需一种能够在低精度观测条件下保持鲁棒性、能够高效处理多污染源场景、且能自动确定污染源数目的水污染溯源方法。

技术实现思路

1、针对现有技术中的缺陷,本发明提供一种基于贝叶斯推理的地表水体污染溯源方法及系统。

2、为了实现上述目的,第一方面,本发明提供了一种基于贝叶斯推理的地表水体污染溯源方法,所述方法包括如下步骤:获取待溯源河流的污染物浓度时间序列并进行预处理和浓度梯度提取,得到污染物的平滑浓度时间序列和一阶浓度梯度时间序列;根据所述平滑浓度时间序列和所述一阶浓度梯度时间序列判断初始污染源数目,并确定污染源参数的物理约束先验空间;基于ade方程获取污染物浓度和一阶浓度梯度的理论值,结合所述平滑浓度时间序列和所述一阶浓度梯度时间序列构建似然函数;在所述物理约束先验空间内,基于所述似然函数和贝叶斯定理,对所述污染源参数的后验概率分布进行采样,进而获得初步溯源结果;对所述初始污染源数目进行调整得到多个候选污染源数目,并基于dic准则确定最佳污染源数目以调整所述初步溯源结果,得到最终溯源结果。本发明通过将浓度梯度引入似然函数构建并利用污染物浓度峰值时刻的解析物理约束引导先验分布,实现了多污染源参数的精准反演,提升了低精度观测条件下的溯源鲁棒性。

3、可选地,所述获取待溯源河流的污染物浓度时间序列并进行预处理和浓度梯度提取,得到污染物的平滑浓度时间序列和一阶浓度梯度时间序列,包括如下步骤:

4、在待溯源河流的下游监测断面以固定时间间隔采集污染物浓度并进行预处理,得到污染物浓度时间序列;

5、采用sg卷积平滑滤波器完成对所述污染物浓度时间序列的浓度平滑和一阶梯度计算,得到所述平滑浓度时间序列和所述一阶浓度梯度时间序列。

6、可选地,所述污染源参数包括污染物的排放位置、排放起始时刻以及排放量。

7、可选地,所述根据所述平滑浓度时间序列和所述一阶浓度梯度时间序列判断初始污染源数目,并确定污染源参数的物理约束先验空间,包括如下步骤:

8、对所述一阶浓度梯度时间序列进行过零检测,以识别污染物浓度的局部峰值;

9、若所述局部峰值对应的平滑浓度大于浓度阈值,则将所述局部峰值和对应的时刻分别记为目标峰值和峰值时刻,所述目标峰值的数量即所述初始污染源数目;

10、对ade方程关于输移时间求导并令导数为零,得到峰值输移时间满足的二次方程,进而求得峰值输移时间的解析表达式;

11、根据待溯源河段的上下游地理边界确定所述排放位置的物理约束先验空间,同时根据所述峰值时刻和所述解析表达式计算所述排放起始时刻;

12、利用所述排放位置的物理约束先验空间确定所述排放起始时刻的上限和下限,进而确定所述排放起始时刻的物理约束先验空间;

13、使用所述平滑浓度时间序列计算污染物浓度的零阶矩,并根据所述零阶矩计算污染物的排放量估计值;

14、对所述排放量估计值进行缩放以确定所述排放量的上限和下限,进而得到所述排放量的物理约束先验空间。

15、可选地,所述输移时间为当前时刻与所述排放起始时刻之差。

16、可选地,所述基于ade方程获取污染物浓度和一阶浓度梯度的理论值,结合所述平滑浓度时间序列和所述一阶浓度梯度时间序列构建似然函数,包括如下步骤:

17、对所述ade方程的输移时间求导,得到浓度梯度解析表达式;

18、通过ade方程计算污染物浓度理论值,进而获得监测时段的污染物浓度理论值时间序列;

19、将通过所述浓度梯度解析表达式计算的污染物浓度梯度作为一阶浓度梯度理论值,进而获得监测时段的一阶浓度梯度理论值时间序列;

20、根据所述平滑浓度时间序列和所述污染物浓度理论值时间序列计算监测时段的总浓度残差,同时根据所述一阶浓度梯度时间序列和所述一阶浓度梯度理论值时间序列计算监测时段的总梯度残差;

21、利用所述总浓度残差和所述总梯度残差构建浓度梯度加权联合误差函数,进而基于所述浓度梯度加权联合误差函数构造似然函数。

22、可选地,所述根据所述物理约束先验空间和所述似然函数,通过贝叶斯反演获得污染源的初步溯源结果,包括如下步骤:

23、在所述物理约束先验空间内,基于所述似然函数和贝叶斯定理,对所述污染源参数进行de-mcmc采样,并输出全迭代周期样本序列;

24、对所述全迭代周期样本序列进行燃烧处理,得到有效后验样本;

25、基于所述有效后验样本分别计算各个所述污染源参数的后验均值,获得所述初步溯源结果。

26、可选地,所述对所述初始污染源数目进行调整得到多个候选污染源数目,并基于dic准则确定最佳污染源数目以调整所述初步溯源结果,得到最终溯源结果,包括如下步骤:

27、对所述初始污染源数目进行调整得到多个候选污染源数目,并基于dic准则计算所述初始污染源数目下的dic值;

28、若所述候选污染源数目小于所述初始污染源数目,则剔除最小的所述目标峰值并重新进行贝叶斯反演,进而计算所述候选污染源数目下的dic值;

29、若所述候选污染源数目大于所述初始污染源数目,则获取下游监测断面处的梯度残差序列;

30、在所述梯度残差序列中寻找次显著峰值,将其作为一个新增污染源并重新进行贝叶斯反演,进而计算所述候选污染源数目下的dic值;

31、将最小的所述dic值对应的初始污染源数目或者候选污染源数目作为最终污染源数目,相应的溯源结果即为所述最终溯源结果。

32、可选地,所述若所述候选污染源数目大于所述初始污染源数目,则获取下游监测断面处的梯度残差序列,包括如下步骤:

33、在已知下游监测断面位置和各个初始污染源的所述初步溯源结果的情况下,根据所述浓度梯度解析表达式计算出各个初始污染源的所述一阶浓度梯度理论值时间序列;

34、针对预测时段内的任意时刻,计算所有初始污染源的所述一阶浓度梯度理论值之和,并记为该时刻的理论浓度梯度和,进而得到监测时段的理论浓度梯度和时间序列;

35、将一阶浓度梯度与相应时刻的理论浓度梯度和之差作为该时刻的梯度残差,进而使用所述一阶浓度梯度时间序列和所述理论浓度梯度和时间序列获取所述梯度残差序列。

36、综上所述,本方法至少具有以下有以下有益效果:

37、1、本方法通过引入浓度梯度作为增广观测信息,提升了低精度观测条件下的溯源鲁棒性;

38、2、本方法通过确定污染源参数的物理约束先验空间,大幅压缩了污染源参数搜索空间并有效规避了多源反演的“标签切换”问题;

39、3、本方法利用总浓度残差和总梯度残差构建浓度梯度加权联合误差函数,进而基于浓度梯度加权联合误差函数构造似然函数,低噪声时以浓度匹配为主,高噪声或多峰融合时以梯度匹配为主,这种似然函数的构造方式既赋予了浓度和梯度各自独立的约束作用,又通过权重系数的灵活配置适应了不同监测条件下的实际需求;

40、4、本方法基于偏差信息准则的源数目自动确定机制,使本方案无需预设污染源数目即可完成多源反演,提升了方法的实用性和自动化程度;

41、5、本方法仅需单监测断面的一维浓度时间序列,无需多断面协同观测、无需信号预分解、无需神经网络后训练,结构简洁且便于应急部署。

42、第二方面,本发明提供了一种基于贝叶斯推理的地表水体污染溯源系统,所述的一种基于贝叶斯推理的地表水体污染溯源系统包括:数据采集设备、数据输出设备、处理器和储存器,所述储存器包括一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被所述处理器执行时使所述处理器实现本发明提供的一种基于贝叶斯推理的地表水体污染溯源方法。