基于大模型的上游水质监测预警方法及系统与流程

摘要: 本发明属于水质预警,具体的说是基于大模型的上游水质监测预警方法及系统。背景技术:1、随着流域工业排放、农业面源排放及突发性污染事件的增加,河流上游水质变化可能沿...
基于大模型的上游水质监测预警方法及系统与流程

本发明属于水质预警,具体的说是基于大模型的上游水质监测预警方法及系统。

背景技术:

1、随着流域工业排放、农业面源排放及突发性污染事件的增加,河流上游水质变化可能沿河道向下游取水口、水库入口或重点监测断面传播,因此,对上游水质进行连续监测并在污染物到达目标断面之前发出预警,成为流域水环境管理的重要技术环节。

2、大模型及其他机器学习模型被用于水质趋势预测、异常识别和污染来源分析,现有方案通常将多个监测节点的历史数据输入模型,由模型输出污染类别、异常概率或目标断面的预测浓度。此类方案多侧重于监测数据之间的统计关联,模型生成的污染来源可能受到数据缺失、支流汇入及偶然同步变化的影响,且缺少对候选污染事件的独立验证过程,当模型输出多个候选来源时,难以判断目标断面的预测变化是否确由其中某一候选污染事件引起;在生成预警时,也通常依据预测浓度是否达到固定阈值进行整体判断,未将候选污染事件的因果可信度与预测浓度曲线中的不同变化时段分别对应。

技术实现思路

1、针对现有技术的不足,本发明提出了基于大模型的上游水质监测预警方法及系统,对不同监测节点的水质数据按照污染物传播过程进行重排,保留水质变化在河网中的路径传递关系,并通过正向传播场景与反事实传播场景的比较,对候选污染事件进行验证后生成水质预警信息。

2、为实现上述目的,本发明提供如下技术方案:

3、基于大模型的上游水质监测预警方法,包括:

4、获取目标断面及其上游多个监测节点的水质监测数据和水文数据,确定各监测节点至目标断面的污染物传播时延,并生成河网水质状态数据;

5、将所述河网水质状态数据输入水质分析大模型,获得候选污染事件,所述候选污染事件包括候选污染源位置、污染物类别、释放时间及所述目标断面的预测浓度变化曲线;

6、分别构建保留所述候选污染事件的正向传播场景和消除候选污染事件的反事实传播场景,计算所述正向传播场景与反事实传播场景在目标断面的响应差异,确定所述候选污染事件的因果可信度;

7、根据候选污染事件的因果可信度及预测浓度变化曲线生成水质预警信息。

8、具体的,所述确定各监测节点至目标断面的污染物传播时延,并生成河网水质状态数据,包括:

9、根据河网和河水流向,确定各监测节点至目标断面的通水路径,并以汇流位置、分流位置和水利设施所在位置为分界,将通水路径划分为依次连接的多个传播单元;

10、从各传播单元对应的水质监测数据中提取多个水质指标按照预设次序发生变化的水质指纹片段,并记录各水质指纹片段的出现时刻;

11、沿所述通水路径,将相邻传播单元中的水质指纹片段进行匹配,根据相匹配的水质指纹片段的出现时刻确定污染物经过各传播单元的传播时长;

12、根据污染物经过各传播单元期间的水利设施运行状态和支流汇入状态,对各传播单元的传播时长进行修正,并按照传播单元的排列次序确定各监测节点至目标断面的污染物传播时延;

13、基于污染物传播时延,将各监测节点的水质监测数据重排至目标断面的预计到达时刻,并将重排后的水质监测数据与对应的通水路径和水质指纹片段进行关联,生成河网水质状态数据。

14、具体的,所述将重排后的水质监测数据与对应的通水路径和水质指纹片段进行关联,生成河网水质状态数据,包括:

15、根据各监测节点的水质监测数据的采集时刻及对应的污染物传播时延,确定水质监测数据到达目标断面的预计到达时刻,并将具有相同预计到达时段的水质监测数据归为一组;

16、按照各监测节点在对应通水路径中的上下游次序,对各组水质监测数据进行排列,并依据水质指纹片段之间的匹配关系,生成水质指纹传递序列;

17、在同一预计到达时段对应多条通水路径时,按照各通水路径的汇入位置,将不同通水路径的水质指纹传递序列与汇入后的水质监测数据进行关联,生成路径汇流数据;

18、按照预计到达时刻的先后次序,将各组水质监测数据、水质指纹传递序列及路径汇流数据进行关联,生成河网水质状态数据。

19、具体的,将所述河网水质状态数据输入水质分析大模型,获得候选污染事件,包括:

20、按照预计到达时刻,将河网水质状态数据划分为多个到达时间窗,并按照河水流向排列各到达时间窗内的水质监测数据;

21、比较相邻到达时间窗内的水质监测数据,提取沿通水路径连续出现的水质指纹变化,并将水质指纹变化首次出现的位置和时刻确定为事件种子;

22、将所述事件种子输入所述水质分析大模型,按照水质信息仅沿相互连通的通水路径传递的河网因果规则,由目标断面向上游回溯所述水质指纹变化,确定候选来源路径、污染物类别和释放时段;

23、依次遮蔽各候选来源路径中的监测节点数据,并将遮蔽后的河网水质状态数据重新输入水质分析大模型,根据遮蔽前后的候选来源路径变化,确定对应的路径依赖关系;

24、根据所述路径依赖关系,将具有相同来源河段、污染物类别和释放时段的候选来源路径进行归并,生成候选污染事件。

25、具体的,所述根据遮蔽前后的候选来源路径变化,确定对应的路径依赖关系,包括:

26、按照候选来源路径中各监测节点的上下游次序,确定待遮蔽监测节点,并将未遮蔽时获得的候选来源路径确定为基准来源路径;

27、选取对应到达时间窗内不包含水质指纹变化的水质监测数据,按照待遮蔽监测节点的预计到达时刻进行重排,并替换待遮蔽监测节点的水质监测数据,生成节点遮蔽状态数据;

28、将所述节点遮蔽状态数据输入水质分析大模型,获得遮蔽来源路径,并将所述遮蔽来源路径与基准来源路径进行比较,确定待遮蔽监测节点对应的路径变化结果;

29、按照各监测节点的上下游次序汇集路径变化结果,将对应相同路径变化结果的连续监测节点划分为依赖区段,并根据各依赖区段在候选来源路径中的排列关系,生成路径依赖关系。

30、具体的,计算所述正向传播场景与反事实传播场景在目标断面的响应差异,确定所述候选污染事件的因果可信度,包括:

31、基于候选污染事件,从河网水质状态数据中提取对应的事件数据及通水路径;

32、从历史河网水质状态数据中选取水文状态相近且不包含对应水质指纹的数据,生成来源河段的背景数据;

33、分别将事件数据和背景数据作为所述来源河段的输入,按照通水路径和污染物传播时延进行传播,获得正向传播场景和反事实传播场景在目标断面的响应数据;

34、比较所述正向传播场景与反事实传播场景在各传播单元及目标断面的响应数据,生成由来源河段延伸至目标断面的差异传递链;

35、将所述差异传递链与所述候选污染事件对应的水质指纹传递序列进行匹配,并根据二者在来源河段、传播次序和到达时段上的对应关系,确定候选污染事件的因果可信度。

36、具体的,比较所述正向传播场景与反事实传播场景在各传播单元及目标断面的响应数据,生成由来源河段延伸至目标断面的差异传递链,包括:

37、按照污染物传播时延,对齐正向传播场景和反事实传播场景在各传播单元内的响应数据,提取两种传播场景之间的差异片段,并记录所述差异片段对应的传播单元和持续时段;

38、按照各传播单元的上下游次序,将当前传播单元的差异片段顺延至下游传播单元,并将持续时段相交且水质指标变化方向对应的差异片段建立差异接续关系;

39、当所述差异接续关系经过汇流位置时,将汇流前各通水路径中的差异片段与汇流后的差异片段进行对应,根据水质指标的变化次序确定汇流后差异片段对应的上游通水路径;

40、从来源河段对应的差异片段开始,沿所述差异接续关系连接至目标断面,并按照各差异片段的传播次序生成差异传递链。

41、具体的,所述根据二者在来源河段、传播次序和到达时段上的对应关系,确定候选污染事件的因果可信度,包括:

42、按照传播单元,将差异传递链中的差异片段与水质指纹传递序列中的水质指纹片段进行对应;

43、从来源河段向目标断面依次匹配处于同一传播单元且到达时段相交的差异片段和水质指纹片段,生成正向匹配序列;

44、从目标断面向来源河段反向匹配差异片段和水质指纹片段,并将反向匹配结果与正向匹配序列进行核对,生成连接来源河段与目标断面的闭合匹配链;

45、根据所述闭合匹配链的连续情况、配对中断位置及到达时段对应情况,确定候选污染事件的因果可信度。

46、具体的,所述根据候选污染事件的因果可信度及预测浓度变化曲线生成水质预警信息,包括:

47、根据预测浓度变化曲线中的变化时刻和变化方向,将所述预测浓度变化曲线划分为多个浓度变化区段,并确定各浓度变化区段对应的到达时段;

48、将所述候选污染事件的因果可信度与各浓度变化区段对应的差异传递链进行关联,根据所述差异传递链在相应到达时段内的连续情况,对各浓度变化区段进行标记;

49、按照到达时段排列经标记后保留的浓度变化区段,并将时间连续且变化方向相同的浓度变化区段合并为预警时带;

50、将所述预警时带与所述候选污染事件的来源河段、污染物类别和因果可信度进行关联,生成所述水质预警信息。

51、基于大模型的上游水质监测预警系统,用于实现所述的基于大模型的上游水质监测预警方法,包括:状态数据生成模块、事件获得模块、可信度确定模块和水质预警模块;

52、所述状态数据生成模块,用于获取目标断面及其上游多个监测节点的水质监测数据和水文数据,确定各监测节点至目标断面的污染物传播时延,并生成河网水质状态数据;

53、所述事件获得模块,用于将所述河网水质状态数据输入水质分析大模型,获得候选污染事件,所述候选污染事件包括候选污染源位置、污染物类别、释放时间及所述目标断面的预测浓度变化曲线;

54、所述可信度确定模块,用于分别构建保留所述候选污染事件的正向传播场景和消除候选污染事件的反事实传播场景,计算所述正向传播场景与反事实传播场景在目标断面的响应差异,确定所述候选污染事件的因果可信度;

55、所述水质预警模块,用于根据候选污染事件的因果可信度及预测浓度变化曲线生成水质预警信息。

56、与现有技术相比,本发明的有益效果是:

57、本发明依据河网拓扑及污染物传播时延,对各监测节点的水质监测数据进行到达时刻重排,保留水质指纹沿通水路径的传递关系,并利用水质分析大模型回溯候选来源路径;进一步构建保留候选污染事件的正向传播场景和以背景数据替换该事件的反事实传播场景,通过差异传递链与水质指纹传递序列的双向匹配确定因果可信度,并据此对预测浓度变化曲线进行分段筛选和预警时带组合。由此,可减少固定传播时延、支流汇流及偶然数据关联对污染来源判断的干扰,使污染来源、传播过程和目标断面浓度变化形成连续对应关系,并使生成的水质预警信息同时包含来源河段、污染物类别及预计到达时段。