一种水质状态融合感知与预测溯源方法
文献发布时间:2024-05-31 01:29:11
技术领域
本发明涉及水质监测技术领域,具体来说,涉及一种水质状态融合感知与预测溯源方法。
背景技术
在当前的水资源管理和水质监测领域,传统的方法主要依赖于单一或少数几种传感器来收集水体的物理和化学参数数据。这些方法虽然在一定程度上能够提供水质状态的基本信息,但在面对复杂的水体环境和多变的水质条件时,往往显示出其局限性。特别是在渠道输水这一特定场景下,水质监测的复杂性和挑战性更是凸显。渠道输水系统广泛应用于农业灌溉、城市供水和工业用水等多个领域,其水质状态直接影响到水资源的利用效率和安全性。
现有技术的一个主要缺陷是缺乏对水体状态的全面监测。传统方法通常只能监测到有限的水质参数,难以捕捉到更多维度的水体状态变化,如浮游物的出现、水体色泽的变化等视觉信息。这导致在实际应用中,一旦水质发生突变,现有技术往往难以及时发现并准确判断异常的具体类型和原因,从而影响到后续的处理和决策。
此外,当水质异常发生时,现有技术在溯源分析方面也存在明显不足。虽然可以通过采样分析等方法尝试识别污染源,但这些方法通常耗时较长,且难以准确定位污染源的具体位置,特别是在广阔的渠道输水系统中,污染物质可能来自多个源头,其传播和扩散过程复杂多变,给污染源的追踪和定位带来了巨大挑战。
因此,如何提供一种水质状态融合感知与预测溯源方法是本领域技术人员亟需解决的问题。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了水质状态融合感知与预测溯源方法,具备通过采用集成卡尔曼滤波与水质模型数据融合技术,对多源数据进行高效融合处理,能够达到有效处理和分析大量实时数据的目的,进而解决现有技术缺乏对水体状态的全面监测,且在溯源分析方面也存在明显不足的问题。
(二)技术方案
为实现上述水质状态融合感知与预测溯源方法,具备通过采用集成卡尔曼滤波与水质模型数据融合技术,对多源数据进行高效融合处理,够有效处理和分析大量的实时数据的目的,本发明采用的具体技术方案如下:
一种水质状态融合感知与预测溯源方法,该方法包括以下步骤:
S1、获取待监测水体的水质监测数据,并结合从实时水体视频中提取的视觉信息,作为待监测水体的多源数据;
S2、基于动态加权融合模型,将多源数据整合为融合数据;
S3、将融合数据输入至水质模型,预测未来时刻的水质变化趋势;
S4、识别水体监测过程中存在的异常行为;基于异常行为的地理信息,追溯异常来源,并分析异常来源所在地的污染物信息;
S5、整合待监测水体内所有监测点的多源数据及污染物信息,建立可视化的污染时空分布模型,动态展示待监测水体全域的水质状态。
进一步的,获取待监测水体的水质监测数据,并结合从实时水体视频中提取的视觉信息,作为待监测水体的多源数据包括以下步骤:
S11、设定水质监测传感器的初始采集频率,并基于前一时刻的水质变化趋势与环境因素,自适应动态调节下一时刻的采集频率;
S12、基于调节后的采样频率,利用水质监测传感器按时采集待监测水体的水质参数数据,并进行数据校正与时间对齐;
S13、将不同类型的水质参数数据整合为水质监测数据;
S14、拍摄待监测水体的实时水体视频,并基于实时水体视频,分析提取待监测水体的水体视觉信息;
S15、将水质监测数据与水体视觉信息,作为待监测水体监测得到的多源数据。
进一步的,基于实时水体视频,分析与提取待监测水体的水体视觉信息包括以下步骤:
S141、对实时水体视频的视频帧图像进行图像预处理;
S142、利用图像识别模型提取视频帧图像中的视觉图像特征,再基于深度学习模型,将视觉图像特征转换为序列化的特征向量;
S143、利用深度学习模型计算每个特征向量对其他特征向量的注意力权重,并对特征向量进行加权组合,生成全局特征描述符;
S144、基于全局特征描述符,输出每种视觉信息类型的概率分布,并依据概率分布结果,识别水体视觉信息的具体分析结果。
进一步的,基于动态加权融合模型,将多源数据整合为融合数据包括以下步骤:
S21、对多源数据中各类水质指标进行数据格式统一与同步处理;
S22、利用滤波器优化多源数据,并利用动态加权融合模型将多源数据整合为融合数据,其中,动态加权融合模型的表达式为:
,
式中,X
进一步的,将融合数据输入至水质模型,预测未来时刻的水质变化趋势包括以下步骤:
S31、水质模型采用输入的融合数据,模拟待监测水体在当前时刻的动态变化与污染物传播行为,并输出当前时刻的水质指标,作为模型预测结果;
S32、基于历史水质指标与模型预测结果,利用变分数据同化方法优化水质模型的模型参数与状态变量;
S33、基于优化后的水质模型,建立预测模型,预测待监测水体在下一时刻水质指标的预测值,并基于预测值变化,分析待监测水体的水质变化趋势。
进一步的,识别水体监测过程中存在的异常行为;基于异常行为的地理信息,追溯异常来源,并分析异常来源所在地的污染物信息包括以下步骤:
S41、基于自编码器网络,重构水质传感器监测得到的水质参数数据,并设定重构误差阈值,分析水质传感器监测过程中的异常行为;
S42、在捕获异常行为后,收集异常行为发生时刻的目标水体数据;其中,目标水体数据包括水体监测数据、水体视觉信息及环境监测数据;
S43、获取异常行为发生位置的地理位置数据,追溯异常水体的坐标,并基于污染物扩散模型,模拟污染物在异常水体内的对流扩散过程;
S44、基于污染物扩散模拟结果,识别污染物在不同时间和空间分布,并结合实时水体视频分析污染物种类与污染物来源;
S45、基于污染物种类与污染物来源,分析异常水体内污染物的成分、浓度、发生时间及持续周期,再计算异常水体的污染负荷。
进一步的,污染物扩散模型的表达式为:
,
式中,
进一步的,计算异常水体的污染负荷的表达式为:
,
式中,
进一步的,整合待监测水体内所有监测点的多源数据及污染物信息,建立可视化的污染时空分布模型,动态展示待监测水体全域的水质状态包括以下步骤:
S51、获取待监测水体内所有监测点的空间分布信息,并基于贝叶斯统计方法,建立污染时空分布模型,描述污染物在待监测水体内的时空分布;
S52、定义空间相对水平参数与局部相对趋势参数;
S53、分别计算下一时刻时的空间相对水平参数与局部相对趋势参数的后验概率,基于后验概率计算结果标定各个监测点污染等级;
S54、基于污染时空分布模型与污染等级,采用可视化地图展示待监测水体全域的水质状态,并依据采样频率进行实时动态更新;
S55、基于可视化展示结果,评估待监测水体的水质状态的分布规律,并优化与调配污染的处置策略。
进一步的,定义空间相对水平参数与局部相对趋势参数包括以下步骤:
定义空间相对水平参数的表达式为:
,
式中,
,
式中,
(三)有益效果
与现有技术相比,本发明提供了水质状态融合感知与预测溯源方法,具备以下有益效果:
(1)通过利用多种水质监测传感器和视频监控设备,能够实时采集大量水体监测数据及水体视觉信息等多维度的水质信息,确保了监测数据的多元化和综合性;并且通过采用集成卡尔曼滤波与水质模型数据融合技术,对多源数据进行高效融合处理,够有效处理和分析大量的实时数据。
(2)通过引入自编码器用于识别水质监测过程中传感器的异常行为及水质异常信息,提高了系统对异常事件的敏感度和响应速度;同时,利用溯源技术结合地理信息系统技术,能够迅速准确地分析水质异常的地理信息和潜在的污染物质,追踪到污染源头。
(3)通过结合水质模拟结果和历史水质数据,采用变分数据同化方法优化水质模型参数和状态变量,能够准确预测未来短期内水质的变化趋势。
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,下面将对实施例中所需要使用的附图作简单地介绍,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他的附图。
图1是根据本发明实施例的水质状态融合感知与预测溯源方法的流程图。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种水质状态融合感知与预测溯源方法。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的水质状态融合感知与预测溯源方法,该方法包括以下步骤:
S1、获取待监测水体的水质监测数据,并结合从实时水体视频中提取的视觉信息,作为待监测水体的多源数据。
在本发明的描述中,获取待监测水体的水质监测数据,并结合从实时水体视频中提取的视觉信息,作为待监测水体的多源数据包括以下步骤:
S11、设定水质监测传感器的初始采集频率,并基于前一时刻的水质变化趋势与环境因素,自适应动态调节下一时刻的采集频率。
具体的,本发明采用自适应算法动态调整下一时刻的采集频率,公式为:
,
式中,
S12、基于调节后的采样频率,利用水质监测传感器按时采集待监测水体的水质参数数据,并进行数据校正与时间对齐。
其中,水质参数数据包括化学监测数据与物理监测数据,而化学参数数据包括pH值与化学污染物含量等,物理参数数据包括水体温度与浊度等。
具体的,利用水质监测传感器按时采集待监测水体的水质参数数据,并进行数据校正与时间对齐包括以下步骤:
S121、基于环境温度周期性变化的水质温度T测量:
,
式中,
S122、基于光散射强度
,
式中,
S123、通过传感器收集水质的pH值并进行校正:
,
式中,
S124、使用吸光度法测量水中化学污染物含量C,通过测量吸光度A校正:
,
式中,
S13、将不同类型的水质参数数据整合为水质监测数据。
具体的,本发明使用多源数据融合算法整合来自不同水质监测传感器的水质参数数据,多源数据融合D_fused采用深度学习特征提取与融合的公式:
,
其中,
S14、拍摄待监测水体的实时水体视频,并基于实时水体视频,分析提取待监测水体的水体视觉信息。
其中,本发明采用视频监控设备获取待监测水体的实体水体视频,对水体表面进行连续实时视频捕捉,捕获水体浮游物出现和水体色泽变化的视觉信息,即水体视觉信息包括浮游物类型与水体色泽变化。
在本发明的描述中,基于实时水体视频,分析与提取待监测水体的水体视觉信息包括以下步骤:
S141、对实时水体视频的视频帧图像进行图像预处理。
具体的,优先使用图像预处理技术对捕获的视觉信息视频帧进行降噪、对比度增强和色彩校正,进行浮游物识别和色泽变化分析,公式为:
,
式中,
S142、利用图像识别模型(U-Net模型)提取视频帧图像中的视觉图像特征,再基于深度学习模型(Transformer模型),将视觉图像特征转换为序列化的特征向量。
具体的,Transformer模型将U-Net模型提取的浮游物图像特征转化为序列化的输入向量
,
式中,
S143、利用深度学习模型计算每个特征向量对其他特征向量的注意力权重,并对特征向量进行加权组合,生成全局特征描述符。
具体的,Transformer模型通过自注意力机制学习不同区域间的依赖关系,计算每个特征向量对其他特征向量的注意力权重,使模型对浮游物特征理解和分类,公式为:
,
式中,
在学习到的注意力权重基础上,Transformer模型对每个区域特征进行加权组合,生成全局特征描述符,捕获图像中所有区域的综合信息,识别浮游物,公式为:
,
式中,
S144、基于全局特征描述符,输出每种视觉信息类型的概率分布,并依据概率分布结果,识别水体视觉信息的具体分析结果。
具体的,Transformer模型通过多分类器进行最终的浮游物类型识别,分类器输出每种类型的概率分布,对浮游物种类进行分类,公式为:
,
其中,
此外,对于水体色泽变化的分析,采用上述方法分析不同时间序列图像数据中色泽变化的模式,通过对比连续时间点的图像特征,模型识别水体色泽变化。
S15、将水质监测数据与水体视觉信息,作为待监测水体监测得到的多源数据。
S2、基于动态加权融合模型,将多源数据整合为融合数据。
在本发明的描述中,基于动态加权融合模型,将多源数据整合为融合数据包括以下步骤:
S21、对多源数据中各类水质指标进行数据格式统一与同步处理。
其中,多源数据包括水体温度、浊度、pH值、化学污染物含量以及通过视频监控设备捕获的水体浮游物和色泽变化的视觉信息等,然后进行数据格式统一和同步处理。
S22、利用滤波器优化多源数据,并利用动态加权融合模型将多源数据整合为融合数据,其中,动态加权融合模型的表达式为:
,
式中,X
S3、将融合数据输入至水质模型,预测未来时刻的水质变化趋势。
在本发明的描述中,将融合数据输入至水质模型,预测未来时刻的水质变化趋势包括以下步骤:
S31、水质模型采用输入的融合数据,模拟待监测水体在当前时刻的动态变化与污染物传播行为,并输出当前时刻的水质指标,作为模型预测结果。
具体的,水质模型包括构建包含交互项和非线性项的模型:
,
式中,
模型的系数(
,
式中,
S32、基于历史水质指标与模型预测结果,利用变分数据同化方法优化水质模型的模型参数与状态变量。
具体的,变分数据同化方法最小化观测数据和模型预测之间的差异:
,
式中,
S33、基于优化后的水质模型,建立预测模型,预测待监测水体在下一时刻水质指标的预测值,并基于预测值变化,分析待监测水体的水质变化趋势。
具体的,预测模型的公式为:
,
式中,
S4、识别水体监测过程中存在的异常行为。基于异常行为的地理信息,追溯异常来源,并分析异常来源所在地的污染物信息。
在本发明的描述中,识别水体监测过程中存在的异常行为。基于异常行为的地理信息,追溯异常来源,并分析异常来源所在地的污染物信息包括以下步骤:
S41、基于自编码器网络,重构水质传感器监测得到的水质参数数据,并设定重构误差阈值,分析水质传感器监测过程中的异常行为。
具体的,基于自编码器网络,重构水质传感器监测得到的水质参数数据,并设定重构误差阈值,分析水质传感器监测过程中的异常行为包括以下步骤:
S411、部署自编码器网络对从多种水质监测传感器收集的水质参数数据进行实时分析,在通过编码过程学习数据的压缩表示,再通过解码过程重构数据,形成接近原始输入的输出:
,
式中,
其中,原始输入:指的是直接从多种水质监测传感器(温度传感器、pH传感器、浊度传感器和化学污染物含量传感器)收集到的数据。数据未经任何处理,直接反映了水质的各项物理和化学参数。例如,一个原始输入数据点可能包含特定时间和地点的水温度读数、pH值、浊度和特定化学污染物的浓度信息。
S412、自编码器的解码过程重构输入数据,表示为:
,
式中,
S413、自编码器的训练目标是最小化原始输入和重构输出之间的差异,同时引入正则化项防止过拟合:
,
式中,
S414、通过设定阈值
,
。
S42、在捕获异常行为后,收集异常行为发生时刻的目标水体数据;其中,目标水体数据包括水体监测数据、水体视觉信息及环境监测数据。
具体的,本发明在捕获异常行为后,立即出发溯源分析模块,用于收集异常行为发生时刻的目标水体数据。溯源分析模块具备以下特点:
1.快速响应:在水质异常被检测到的一瞬间,能够迅速响应。
2.综合数据分析:通过收集和整理异常发生时刻的所有相关数据,包括水质监测数据、视频监控数据以及其他环境监测数据。
3.污染源定位:利用地理信息系统(GIS)技术结合数据驱动的模型,分析污染物质的可能来源和扩散路径,从而确定污染源的精确位置。
4.污染物质分析:识别污染事件相关联的污染物种类和来源。
S43、获取异常行为发生位置的地理位置数据,追溯异常水体的坐标,并基于污染物扩散模型,模拟污染物在异常水体内的对流扩散过程。
在本发明的描述中,污染物扩散模型的表达式为:
,
式中,
S44、基于污染物扩散模拟结果,识别污染物在不同时间和空间分布,并结合实时水体视频分析污染物种类与污染物来源。
S45、基于污染物种类与污染物来源,分析异常水体内污染物的成分、浓度、发生时间及持续周期,再计算异常水体的污染负荷。
在本发明的描述中,计算异常水体的污染负荷的表达式为:
,
式中,
S5、整合待监测水体内所有监测点的多源数据及污染物信息,建立可视化的污染时空分布模型,动态展示待监测水体全域的水质状态。
在本发明的描述中,整合待监测水体内所有监测点的多源数据及污染物信息,建立可视化的污染时空分布模型,动态展示待监测水体全域的水质状态包括以下步骤:
S51、获取待监测水体内所有监测点的空间分布信息,并基于贝叶斯统计方法,建立污染时空分布模型,描述污染物在待监测水体内的时空分布。
S52、定义空间相对水平参数与局部相对趋势参数。
在本发明的描述中,定义空间相对水平参数与局部相对趋势参数包括以下步骤:
定义空间相对水平参数的表达式为:
,
式中,
定义局部相对趋势参数的表达式为:
,
式中,
S53、分别计算下一时刻时的空间相对水平参数与局部相对趋势参数的后验概率,基于后验概率计算结果标定各个监测点污染等级。
具体的,可按照空间相对水平参数exp(p
S54、基于污染时空分布模型与污染等级,采用可视化地图展示待监测水体全域的水质状态,并依据采样频率进行实时动态更新。
S55、基于可视化展示结果,评估待监测水体的水质状态的分布规律,并优化与调配污染的处置策略。
具体实施例
在某县城,一条重要的农业灌溉渠道“翠水渠”负责输送淡水至数千公顷的农田。近年来,随着周边工业区的迅速发展,翠水渠的水质问题日益凸显,尤其是在干旱季节,水质污染事件频发,严重威胁到农业生产和当地居民的饮水安全。本发明为了验证可行性,应用在“翠水渠”内。首先,水利局在翠水渠沿线安装了多种水质监测传感器,用于实时收集水体温度、浊度、pH值和化学污染物含量等关键参数,如表1所示。
表1:翠水渠水质监测数据变化
此外,在渠道的关键节点安装了高清视频监控设备,用于捕捉水体表面的变化情况,如浮游物的出现和水色的变化。接下来,通过高级数据融合技术,将来自传感器的物理和化学参数数据与视频监控数据进行整合。这一过程中,利用集成卡尔曼滤波技术与先进的水质模型,对翠水渠当前的水质状态进行模拟,并预测短期内的变化趋势。同时,应用自编码器技术识别监测过程中的异常行为,如传感器故障或水质突变事件。
当系统检测到水质异常时,立即启动溯源技术。通过分析异常水质的地理信息和潜在的污染物质,结合地理信息系统(GIS)技术和数据驱动模型,追踪污染源头。此外,基于溯源结果,系统能够自动生成针对性的水质污染控制措施和紧急应对策略,及时向相关部门和公众发布警报。
2023年7月,翠水渠发生一起水质污染事件。通过本方法的应用,水质监测数据显示,渠道入口处的浊度突然从平时的22NTU(浊度单位)上升至156NTU,pH值从7.2下降至5.8,同时化学需氧量(COD)浓度从59mg/L增加到了288mg/L。视频监控数据捕捉到大量异常浮游物出现。通过数据融合分析,系统快速定位了一个位于渠道上游5公里的化工厂作为潜在污染源。结合GIS技术和现场调查,确认该化工厂因设备故障导致未经处理的化学废水泄漏进入翠水渠。得益于快速的响应和准确的污染源头定位,水利局在事件发生后的24小时内协调化工厂采取了紧急控制措施,并部署了清污工作,有效避免了污染事故对下游农田和居民饮水安全的影响。
综上所述,借助于本发明的上述技术方案,通过利用多种水质监测传感器和视频监控设备,能够实时采集大量水体监测数据及水体视觉信息等多维度的水质信息,确保了监测数据的多元化和综合性;并且通过采用集成卡尔曼滤波与水质模型数据融合技术,对多源数据进行高效融合处理,够有效处理和分析大量的实时数据。通过引入自编码器用于识别水质监测过程中传感器的异常行为及水质异常信息,提高了系统对异常事件的敏感度和响应速度。同时,利用溯源技术结合地理信息系统技术,能够迅速准确地分析水质异常的地理信息和潜在的污染物质,追踪到污染源头。通过结合水质模拟结果和历史水质数据,采用变分数据同化方法优化水质模型参数和状态变量,能够准确预测未来短期内水质的变化趋势。
在本发明中,除非另有明确的规定和限定,术语“安装”、“设置”、“连接”、“固定”、“旋接”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
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,凡在本发明的精神和原则之内,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。
- 一种基于状态池网络的水质指标预测方法
- 一种基于多源感知的产品质量特性误差溯源分析方法
- 一种结合水质参数和三维荧光光谱进行污染物溯源的方法
- 异构融合网络应用服务状态感知和故障预测方法
- 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法