申请/专利权人：水利部交通运输部国家能源局南京水利科学研究院

申请日：2024-01-30

公开（公告）日：2024-04-12

公开（公告）号：CN117649156B

主分类号：G06Q10/0639

分类号：G06Q10/0639;G06Q50/26;G06F18/25;G06F18/23;G06F18/24;G06F18/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2024.03.22#实质审查的生效;2024.03.05#公开

摘要：本发明公开了一种高城镇化河网全自动水环境监测方法及系统，包括采集高城镇区域的研究数据，研究数据至少包括河网数据、水质数据和水动力数据，基于河网数据构建河网水系拓扑；基于研究数据构建高城镇区域的物理模型和数字模型，通过数字模型模拟计算污染物的衰减扩散距离并通过物理模型验证；读取研究数据，分析水质数据并验证污染物衰减扩散距离，提取污染物衰减扩散路径并聚类，根据聚类结果优化水环境监测点位置和巡检路径；布设微型监测站和设置无人机巡检路径，获取实时水环境监测数据并进行数据融合。通过对衰减扩散路径进行分析研究，有效地提高了城镇化河网的水环境监测效率和数据质量，为水质监测和有序引排方案提供技术支撑。

主权项：1.高城镇化河网全自动水环境监测方法，其特征在于，包括如下步骤：步骤S1、采集高城镇区域的研究数据，研究数据至少包括河网数据、水质数据和水动力数据，基于河网数据构建河网水系拓扑；步骤S2、基于研究数据构建高城镇区域的物理模型和数字模型，通过数字模型模拟计算污染物的衰减扩散距离并通过物理模型验证；步骤S3、读取研究数据，分析水质数据并验证污染物衰减扩散距离，提取污染物衰减扩散路径并聚类，根据聚类结果优化水环境监测点位置和巡检路径；步骤S4、布设微型监测站和设置无人机巡检路径，获取实时水环境监测数据并进行数据融合；步骤S1进一步包括：步骤S11、读取高城镇区域的DEM数据，并采用搭载高分辨率相机和激光雷达的无人机对高城镇区域的河网进行遥感拍摄，获取河流的位置、形态、宽度、长度和分支，修正河网的数字高程模型和正射影像，获得符合标准的河网数据；步骤S12、获取高城镇区域各个河网的水质监测数据，并采用搭载水质传感器和水声传感器的无人船对河流水体进行自主采样和监测，获取河流各个深度的水质参数和水动力参数，水质参数包括温度、pH、溶解氧、电导率、浊度、氨氮、总磷和叶绿素，水动力参数包括流速、水深和水位；步骤S13、对研究数据进行优化和修正，并根据河流的水质和水动力参数对河流的属性进行更新和调整，形成河网水系的基础拓扑框架和动态拓扑数据；所述步骤S2进一步为：步骤S21、基于河网水系的动态拓扑数据库，构建高城镇区域的河网水环境的数字模型，包括河流水质模型、河流水动力模型和河流水生态模型，分别描述河流水体的物理、化学和生物过程；步骤S22、采用随机模拟方法生成河网水系拓扑中各点的预定污染浓度的模拟数据；基于河网水环境的数字模型，模拟计算污染物的衰减扩散距离，考虑污染物的来源、性质、浓度、排放量和排放方式，以及河流水体的流速、流量、水深、水温、水质和水生态，得到污染物的衰减扩散曲线和区域；步骤S23、基于相似理论构建预定尺寸缩小的、高城镇区域的河网水环境的物理模型，以用于模拟河流水体的特性和过程；步骤S24、基于河网水环境的物理模型，验证污染物的衰减扩散距离，用不同的污染物材料模拟污染物的排放，观察和测量污染物在物理模型中的衰减扩散过程，与数字模型的结果进行对比和分析；所述步骤S3进一步为：步骤S31、读取无人机、无人船和监测站采集的水质数据，对水质数据进行预处理，包括数据清洗、数据校验、数据插补和数据平滑，消除数据的噪声和误差；步骤S32、利用聚类分析和关联分析从水质数据中提取出污染物的特征和规律，并与数字模型和物理模型的结果进行对比和验证，验证污染物衰减扩散距离，评估污染物的衰减扩散距离的准确性和可信度；步骤S33、从污染物的衰减扩散曲线和区域中提取出污染物的衰减扩散路径，并根据衰减扩散路径的长度、方向和分布，将衰减扩散路径进行聚类，形成不同的污染物衰减扩散路径类别；衰减扩散路径是污染物从排放点到达不同水质等级的河段的平均路径；步骤S34、根据聚类结果优化水环境监测点位置和巡检路径，利用数据挖掘和机器学习的方法，根据污染物衰减扩散路径类别的特征和规律，确定水环境监测点的最优位置，使监测点能够覆盖不同的污染物衰减扩散路径类别，同时考虑监测点的数量、分布和成本，使监测点的布设合理和经济；并根据监测点的位置，规划无人机的巡检路径；所述步骤S4进一步为：步骤S41、根据水环境监测点的最优位置，布设水环境自动监测站；步骤S42、根据无人机和无人船巡检路径，设置无人机的行驶速度、方向、高度和载荷，以及无人机的模式，使无人机能够按照预设的时间间隔，对监测点进行巡检；无人机和无人船在巡检过程中，对河流水环境进行在线采集，并将数据存储在无人机和无人船的内存中；步骤S43、监测站根据设定的时间间隔，对河流水环境的水质、水量和水生态参数进行自动采集，并将数据存储在监测站的内存中；步骤S44、每个监测站和无人机都根据设定的时间间隔，利用4G、5G或卫星通信技术，将内存中的数据实时或定时传输到云端服务器，供后续的数据处理和分析使用；步骤S45、云端服务器利用数据融合算法，将不同来源的数据进行融合，形成对河流水环境的综合监测和评价结果；所述步骤S45中的数据融合的过程包括：步骤S451、确定数据融合后可能出现的所有河流水质等级，构成一个有限的互斥的集合；步骤S452、根据数据源的观测结果和专家知识，给每个河流水质等级赋予一个基本概率分配函数；步骤S453、根据数据源之间的相关性和可靠性，给每个河流水质等级赋予一个信度函数和一个似然函数，并作为分配证据，表示对该河流水质等级的支持程度和相似程度；步骤S454、利用DS证据理论的合成规则，将各个数据源的分配证据进行组合，得到一个综合的信度函数和似然函数，根据它们的大小，决定数据融合的最终结果，即选择信度最大或似然最大的河流水质等级作为数据融合的输出。

全文数据：

权利要求：

百度查询： 水利部交通运输部国家能源局南京水利科学研究院 高城镇化河网全自动水环境监测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD