一种陆源污染物智能综合评价方法及系统与流程

1.本发明涉及河口区污染物监测领域，尤其涉及一种陆源污染物智能综合评价方法及系统。


背景技术：

2.近些年来，随着我国经济的发展，城市化进程的推进以及人民生活水平的提高，工业和农业产生的废水、废液以及生活污水等不断排入河流，致使水环境的污染问题不断加重，河流水生态环境质量下降，对水质造成的不利影响。
3.对于河流的水质要素需要进行定量或定性评价，为后续的治理以及保护工作提供科学依据。目前所采用的水质评价方法主要有单因子评价法、综合污染指数法、层次分析法、模糊综合评价等。由于水环境的多污染因素的复杂性和动态性，且具有模糊与不确定性的特点，则仅依据单因子评价法，将污染物的实测浓度与设置标准逐项对比，以评价最差项目的类别作为水质评价的类别，是不能满足需求的。单因子评价法，仅考虑了污染状况最严重因子的影响，夸大了其对结果的决定性作用，而忽视了其他因子的作用；综合污染指数法没有确定的分析标准，污染指数随评价因子的数量而变化，可比性较差；模糊评判法强调极值作用过强，取值的算法易造成数据信息损失，导致评价结果不理想。
4.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

5.为解决上述技术问题，本发明提供一种陆源污染物智能综合评价方法，包括：
6.s1：获取污染物数据集和河流流量数据集，通过各污染物数据与河流流量数据的相关系数获取各污染物的污染源类型，计算获得各污染物通量；
7.s2：计算获得各所述污染物数据对应的污染因子指数，通过层次分析法获得各所述污染因子指数的权重，根据各所述污染因子指数的权重计算获得综合污染评价级别；
8.s3：将各所述污染物数据对应的污染因子指数和污染物通量作为输入，将所述综合污染评价级别作为输出，训练人工神经网络，将训练好的人工神经网络应用于陆源污染物综合污染评价。
9.优选的，步骤s1具体为：
10.s11：通过t-test获取所述污染物数据与所述河流流量数据的相关系数r，若r《0则表示所述污染物数据的污染源类型为点源污染，否则为面源污染；
11.s12：所述点源污染在估算时间段内的污染物通量w1的计算公式如下：
[0012][0013]
其中，k为估算时间段内的转换系数；n为估算时间段内的采样总数；i为采样的次数编号；ci为第i次采样的瞬时浓度值；qi为第i次采样的瞬时流量值；
[0014]
s13：所述面源污染在估算时间段内的污染物通量w2的计算公式如下：
[0015][0016]
其中，为n次采样的瞬时流量值的均值。
[0017]
优选的，步骤s2具体为：
[0018]
s21：所述污染因子指数的计算公式如下：
[0019][0020]
其中，j为污染物数据中污染物种类的编号；pj为第j类污染物的污染因子指数；mj为第j类污染物的实测含量；sj为第j类污染物的评价标准值；
[0021]
s22：若pj》1则说明水环境质量处于被污染状态，若pj＝1则水环境质量处于临界状态，若pj＜1则说明水环境质量处于清洁状态；
[0022]
s23：计算获得各所述污染因子指数的特征向量的权值；
[0023]
s24：计算获得各所述污染因子指数的一致性检验系数，将各所述污染因子指数的一致性检验系数调节至小于预设值；
[0024]
s25：归一化处理计算获得各所述污染因子指数的权重，计算公式如下：
[0025][0026]
其中，wj为第j类污染物的污染因子指数的权重，νj为特征向量中j污染物对应的权值，m为污染物种类的总数；
[0027]
s26：计算获得所述综合污染评价级别p，计算公式如下：
[0028]
p＝∑wj×
pj。
[0029]
优选的，步骤s23具体为：
[0030]
s231：构建判断矩阵其中，m为污染物种类的总数，a
dj
为污染物d与污染物j重要性的比较，即a
dj
的标度；d和j均为污染物数据中污染物种类的编号；
[0031]
s232：求解等式：将求得的λj作为第j类污染物的最大特征值λ
jmax
，其中i为单位矩阵；
[0032]
s233：通过求解等式：(λ
jmax
i-a
jj
)x＝0，将求得的x作为特征向量中j污染物对应的权值vj。
[0033]
优选的，步骤s24具体为：
[0034]
s241：计算获得所述污染因子指数的一致性指标，计算公式如下：
[0035][0036]
其中，cij为第j类污染物的一致性指标，λ
jmax
为第j类污染物的最大特征值，m为污染物种类的总数；
[0037]
s242：计算获得所述污染因子指数的随机一致性指标，计算公式如下：
[0038][0039]
其中，rij为第j类污染物的随机一致性指标；
[0040]
s243：计算获得所述污染因子指数的一致性检验系数，计算公式如下：
[0041][0042]
其中，crj为第j类污染物的一致性检验系数；
[0043]
将crj的预设值设置为g，将一致性检验系数crj≥g的污染因子指数进行修正，使其一致性检验系数crj＜g。
[0044]
一种陆源污染物智能综合评价系统，包括：
[0045]
污染物通量获取模块，用于获取污染物数据集和河流流量数据集，通过各污染物数据与河流流量数据的相关系数获取各污染物的污染源类型，计算获得各污染物通量；
[0046]
综合污染评价级别获取模块，用于计算获得各所述污染物数据对应的污染因子指数，通过层次分析法获得各所述污染因子指数的权重，根据各所述污染因子指数的权重计算获得综合污染评价级别；
[0047]
陆源污染物综合污染评价获取模块，用于将各所述污染物数据对应的污染因子指数和污染物通量作为输入，将所述综合污染评价级别作为输出，训练人工神经网络，将训练好的人工神经网络应用于陆源污染物综合污染评价。
[0048]
本发明具有以下有益效果：
[0049]
本方法将各评价要素的污染因子指数作为层次分析法后续分级的影响因子，在此基础上训练人工神经网络，可用于预测，以此提高陆源污染物综合评价的精确度和可信度，在未来的河流治理中提供辅助决策。
附图说明
[0050]
图1为本发明实施例方法流程图；
[0051]
图2为ann模型的拓扑结构；
[0052]
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
[0053]
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。
[0054]
参照图1，本发明提供一种陆源污染物智能综合评价方法，包括：
[0055]
s1：获取污染物数据集和河流流量数据集，通过各污染物数据与河流流量数据的相关系数获取各污染物的污染源类型，计算获得各污染物通量；
[0056]
s2：计算获得各所述污染物数据对应的污染因子指数，通过层次分析法获得各所述污染因子指数的权重，根据各所述污染因子指数的权重计算获得综合污染评价级别；
[0057]
s3：将各所述污染物数据对应的污染因子指数和污染物通量作为输入，将所述综合污染评价级别作为输出，训练人工神经网络，将训练好的人工神经网络应用于陆源污染物综合污染评价。
[0058]
本实施例中，步骤s1具体为：
[0059]
s11：通过t-test获取所述污染物数据与所述河流流量数据的相关系数r，若r《0则表示所述污染物数据的污染源类型为点源污染，否则为面源污染；
[0060]
具体的，首先是明确河流主要的污染物数据的污染物类型，通过交集方法找出污染物类型，包括：总磷(mg/l)、氨氮(mg/l)、cod(mg/l)、溶解氧(mg/l)、总氮(mg/l)；
[0061]
s12：所述点源污染在估算时间段内的污染物通量w1的计算公式如下：
[0062][0063]
其中，k为估算时间段内的转换系数(优选的将k设置为1)；n为估算时间段内的采样总数；i为采样的次数编号；ci为第i次采样的瞬时浓度值；qi为第i次采样的瞬时流量值；该方法忽略径流量时均变化的影响，但突出了点源污染；
[0064]
s13：所述面源污染在估算时间段内的污染物通量w2的计算公式如下：
[0065][0066]
其中，为n次采样的瞬时流量值的均值。
[0067]
本实施例中，步骤s2具体为：
[0068]
s21：所述污染因子指数的计算公式如下：
[0069][0070]
其中，j为污染物数据中污染物种类的编号；pj为第j类污染物的污染因子指数；mj为第j类污染物的实测含量；sj为第j类污染物的评价标准值；
[0071]
具体的，污染因子指数采用国家地表水环境质量标准(gb3838-2002)中的ⅲ类水质标准作为标准值，参考表1；
[0072]
表1污染因子标准值(《国家地表水环境质量标准》；gb3838-2002)
[0073][0074]
tp：总磷；tn：总氮；nh4：氨氮；cod：化学需氧量；do：溶解氧；
[0075]
以do的污染因子指数的计算为例：
[0076]
do的的污染因子指数计算采用萘墨罗(n.l.nemerow)的指数公式：
[0077]
[0078]
其中，p
do
为do的污染因子指数；dof为某水温、气压条件下的饱和溶解氧浓度(mg/l)，与海水的温度和盐度有关；do为溶解氧实测值(mg/l)；dos为溶解氧的评价标准限值(mg/l)；
[0079]
dof＝14.161-0.3943t 0.007714t
2-0.0000646t3[0080]-q(0.0841-0.00256t 0.0000374t2)
[0081]
式中，t为水温(单位：开尔文)，q为海水盐度；
[0082]
s22：若pj》1则说明水环境质量处于被污染状态，若pj＝1则水环境质量处于临界状态，若pj＜1则说明水环境质量处于清洁状态；
[0083]
具体的，用单个污染因子指数评价法可以判断水环境质量与水质评价标准之间的关系，一般说来，若pj》1，说明水环境质量已不能满足评价标准的要求；若pj＝1，说明水环境质量处于临界状态；若pj《1，说明水环境质量达到评价标准的要求，单个污染因子指数评价等级划分标准见表2；
[0084]
表2
[0085][0086]
s23：计算获得各所述污染因子指数的特征向量的权值；
[0087]
s24：计算获得各所述污染因子指数的一致性检验系数，将各所述污染因子指数的一致性检验系数调节至小于预设值；
[0088]
s25：归一化处理计算获得各所述污染因子指数的权重，计算公式如下：
[0089][0090]
其中，wj为第j类污染物的污染因子指数的权重，νj为特征向量中j污染物对应的权值，m为污染物种类的总数；
[0091]
s26：计算获得所述综合污染评价级别p，计算公式如下：
[0092]
p＝∑wj×
pj；
[0093]
具体的，根据国家环保总局《地表水环境质量标准：gb 3838-2002》获得各污染物种类各级标准值，将各污染物种类对应的参数代入上述公式，得到代表该污染物污染程度分级临界值的单因子，同级各单因子相加则得到综合污染评价级别的分级临界值，依此划分河流的污染级别(
ⅰ‑ⅴ
级)。
[0094]
本实施例中，步骤s23具体为：
[0095]
s231：构建判断矩阵其中，m为污染物种类的总数，a
dj
为污染物d与污染物j重要性的比较，即a
dj
的标度；d和j均为污染物数据中污染物种类的编号；
[0096]
具体的，判断矩阵a的构建依据流域水文与生化特征，参考北京市水务局《水生态健康评价技术规范：db11/t 1722-2020》，污染物：溶解氧、cod、总磷和氨氮的判断矩阵如表
3所示；
[0097]
表格3层次分析法判断矩阵
[0098][0099]
do：溶解氧；cod：化学需氧量；tp：总磷；nh4：氨氮
[0100]
s232：求解等式：将求得的λj作为第j类污染物的最大特征值λ
jmax
，其中i为单位矩阵；
[0101]
s233：通过求解等式：(λ
jmax
i-a
jj
)x＝0，将求得的x作为特征向量中j污染物对应的权值vj。
[0102]
本实施例中，步骤s24具体为：
[0103]
s241：计算获得所述污染因子指数的一致性指标，计算公式如下：
[0104][0105]
其中，cij为第j类污染物的一致性指标，λ
jmax
为第j类污染物的最大特征值，m为污染物种类的总数；
[0106]
s242：计算获得所述污染因子指数的随机一致性指标，计算公式如下：
[0107][0108]
其中，rij为第j类污染物的随机一致性指标；
[0109]
具体的，随机一致性指标rij和判断矩阵的阶数有关，一般情况下，矩阵阶数越大，则出现一致性随机偏离的可能性也越大，随机一致性指标通过查询表4获得：
[0110]
表4随机一致性指标查询表
[0111][0112]
s243：计算获得所述污染因子指数的一致性检验系数，计算公式如下：
[0113][0114]
其中，crj为第j类污染物的一致性检验系数；
[0115]
将crj的预设值设置为g，将一致性检验系数crj≥g的污染因子指数进行修正，使其一致性检验系数crj＜g；g的值优选的设置为0.1；
[0116]
具体的，调节一致性后建立层次指标总排序，计算最低层(因子层)的所有影响因素对于最高层(总目标)相对重要性的权值，称为层次指标总排序；这一过程是根据所构建的层次结构模型从最高层次到最低层次依次进行的，计算方法就是用高层次对中间层的权重向量乘以中间层对低层次的权重矩阵即可。
[0117]
本实施例中，步骤s3具体为：
[0118]
参考图2，构建ann模型，将各污染物数据对应的污染因子指数和污染物通量作为训练集，用于训练网络，其中，输入层包括4种污染物的监测指标和通量的加权平均值，则输入层节点数为4；隐含层神经元个数按照经验公式取值；
[0119][0120]
其中，v和b分别为输入层和输出层节点数，a∈(1，10)，依次增加神经元个数，根据均方误差和训练步长确定其个数；输出层为综合污染评价级别的5种污染级别，因此输出层选用5个神经元；选用sigmoid作为激活函数，因此，输入层被进行归一化处理，输出层由5
×
1的矩阵表示；
[0121]
在人工神经网络的训练优化中，将陆源污染物综合分级标准值随机的若干组数据样本进行训练，直至训练误差总和e≤0.00001，训练停止，最大训练次数设置为25000。最终，将训练好的ann模型应用于陆源污染物综合污染评价。
[0122]
本发明提供一种陆源污染物智能综合评价系统，包括：
[0123]
污染物通量获取模块，用于获取污染物数据集和河流流量数据集，通过各污染物数据与河流流量数据的相关系数获取各污染物的污染源类型，计算获得各污染物通量；
[0124]
综合污染评价级别获取模块，用于计算获得各所述污染物数据对应的污染因子指数，通过层次分析法获得各所述污染因子指数的权重，根据各所述污染因子指数的权重计算获得综合污染评价级别；
[0125]
陆源污染物综合污染评价获取模块，用于将各所述污染物数据对应的污染因子指数和污染物通量作为输入，将所述综合污染评价级别作为输出，训练人工神经网络，将训练好的人工神经网络应用于陆源污染物综合污染评价。
[0126]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0127]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
[0128]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。