CN117522653A - 基于三维荧光和市政管网bim模型的雨污混接溯源分析方法 - Google Patents
基于三维荧光和市政管网bim模型的雨污混接溯源分析方法 Download PDFInfo
- Publication number
- CN117522653A CN117522653A CN202410016831.1A CN202410016831A CN117522653A CN 117522653 A CN117522653 A CN 117522653A CN 202410016831 A CN202410016831 A CN 202410016831A CN 117522653 A CN117522653 A CN 117522653A
- Authority
- CN
- China
- Prior art keywords
- mixed
- pipe network
- sewage
- dimensional fluorescence
- spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000010865 sewage Substances 0.000 title claims abstract description 75
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000001228 spectrum Methods 0.000 claims abstract description 42
- 238000001506 fluorescence spectroscopy Methods 0.000 claims abstract description 22
- 238000002189 fluorescence spectrum Methods 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 9
- 231100000719 pollutant Toxicity 0.000 claims abstract description 9
- 230000004044 response Effects 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 65
- 238000011144 upstream manufacturing Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 20
- 238000011835 investigation Methods 0.000 claims description 17
- 238000007689 inspection Methods 0.000 claims description 15
- 239000002351 wastewater Substances 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 239000012528 membrane Substances 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000000862 absorption spectrum Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010252 digital analysis Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000000491 multivariate analysis Methods 0.000 claims description 3
- 239000011148 porous material Substances 0.000 claims description 3
- 239000010453 quartz Substances 0.000 claims description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 3
- 235000020681 well water Nutrition 0.000 claims description 3
- 239000002349 well water Substances 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000011065 in-situ storage Methods 0.000 claims description 2
- 235000020679 tap water Nutrition 0.000 claims description 2
- 239000008399 tap water Substances 0.000 claims description 2
- 238000005374 membrane filtration Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000002156 mixing Methods 0.000 description 16
- 239000010842 industrial wastewater Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010016807 Fluid retention Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Biochemistry (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Immunology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
Abstract
发明公开了基于三维荧光和市政管网BIM模型的雨污混接溯源分析方法；本发明使用三维荧光光谱技术作为数据基础，通过差减法消除样品间共同荧光的本底影响获取光谱残差矩阵，聚焦光谱局部特征，突出两者之间的荧光响应差异，利用最小二乘法对光谱残差矩阵进行分析，能够更加准确地判断是否有外源污水混入并推理混接比例，并使用机器学习的方式识别可能的污染物类型，与构建的多源异质三维荧光数据知识图谱进行相似度比对。同时市政地下管网BIM模型的使用，相较于传统的二维模型，可以更加准确地表现出管道网络的实际结构，包括地理位置、走向、连接节点等信息。结合从BIM中提取的管网坐标信息，可以更快捷准确地找到雨污混接点位，提高溯源效率。
Description
技术领域
发明涉及市政排水管网雨污混接排查的技术领域，尤其涉及一种基于三维荧光和市政管网BIM模型的雨污混接污水溯源方法。
背景技术
城市排水管网雨污混接是指在城市雨水排水系统和污水排水系统之间发生的非法或非正常的混合现象，通常是由于管道老化、破损、错接、管理维护不当等原因引起的。这种现象会导致城市河道水质恶化，形成黑臭水体，影响市民健康和城市形象，也会造成污水处理厂的运行负荷增加，增加能耗和成本，甚至危及污水处理厂的安全运行。因此，探究排水管网雨污混接点位的快速诊断和精准溯源的有效方法，对于优化城市排水系统，提高城市污水处理效率，消除黑臭水体，改善我国水环境质量具有重大意义。
由于排水管网的复杂性和污染源的多变性，对城市排水管网雨污混接进行检测和监测的工作面临着巨大的挑战。基于眼、耳、鼻的感官评价方法是最为方便和广泛采用的，但多在已造成严重污染的情况下做定性判断；利用视、声、温、光、电等物理信号传播特点，搭载设备在管内获取相关数据也是一类常用的方法，但其成本高昂，实施难度大，并且往往需要结合多种技术才能获得更详细的信息；而基于水量、水质参数，结合蒙特卡洛等模型运算的方法难点则在于选择合适的特征因子，这是准确追溯的关键。相比之下，有机物的荧光特性能有效区分不同类型污废水，神经网络和机器学习等概念的引入更拓展了三维荧光技术的应用前景。
此外，在目前的地下工程中，地下管线的数据主要以表格和图纸的方式展现，这是对各类信息的汇总，却只能看到局部信息，展现形式不直观，难以反映管线网络的实际结构和空间位置，为实际工程中雨污混接点位的确定和溯源带来困难。而随着水务行业数字化转型、智慧化管控的推进，BIM模型的应用将会越来越广泛，及时有效利用BIM模型，将有助于攻克雨污混接的排查和溯源工作的技术难题和管理痛点。
发明内容
本发明旨在提供一种基于三维荧光光谱和市政管网BIM模型的雨污混接溯源方法。该方法通过多维刻画可疑混接点位前后水样的特征，实现了对监测数据的简化运用。此方法仅需对局部管段或相邻节点进行评估，具有工作量小、操作简单的特点。
为了实现上述目的，发明采用了如下技术方案：
基于三维荧光和市政管网BIM模型的雨污混接溯源分析方法，方法如下：
步骤S1:获取多源异质三维荧光数据，根据特征物类别对矩阵、图像信息进行有效存储，并通过增加扰动数据增强方式训练特征物识别的机器学习模型；
步骤S2:对城市水体水质出现异常的区域进行雨污混接问题排查，根据市政管网三维BIM模型，导出通用数据交换格式IFC文件，其中包含了区域管网系统中管道的几何尺寸、连接关系、空间位置信息；
步骤S3:对区域的雨污混接现象进行初步筛查，基于市政管网三维BIM模型计算管网交点中心性，评估区域连通性和工厂密度因素后，粗设少量采样点，对样品进行氨氮浓度测定，根据结果缩小排查范围；
步骤S4: 对于初筛后可能存在混接的区域，在Python中采用逐级查询的方法，提取IFC文件中的管道相关信息，得到每一根管道长度、端点坐标、延伸方向信息，以此为基础建立管网的虚拟管线模型；根据管线平面相交原则，利用三维立体视角检查雨污管网相近或与自来水管相交、与污染排放源相近的雨水管网管段，整理出需要进行检查的可能混接点，并制定计划细采样方案，对区域内需要进行采样的井点进行细部水样采集；
步骤S5:采集市政地下管网可能混接点位前后检查井水样，滤膜过滤，进行紫外-可见吸收光谱检测，三维荧光光谱检测获取可能混接点位前后检查井水样的三维荧光数据，即EEM矩阵，并对所得的EEM矩阵进行数据预处理；
步骤S6:将水样三维荧光数据处理后上传到已搭建的数字化分析平台对应点位上，便于在系统中直观查看三维荧光光谱；按需要选取异常管段点位及周边污染源光谱数据，进行运算与解析；
步骤S7:针对每一个可能发生混接的位置进行分析，选择一条主干管道，将位于交错点两侧最近井水样经过预处理的EEM矩阵作差，得到突出样品间荧光响应差异的光谱残差矩阵，消除样品间的共同背景影响，聚焦局部的光谱特征，提取关键信息；
步骤S8:若光谱残差矩阵存在显著的差异，将其放入机器学习模型进行识别，判断污染源的特征，计算区域相似度，并基于区域相似度计算结果，在谱图库中与不同数据进行比对，分析污染来源；
步骤S9:以主管道下游EEM矩阵为目标函数，将主管道上游EEM矩阵与其他各管道交错点上游EEM矩阵为变量，进行最优化问题的最小二乘法求解，得到最佳可能的组合比例，使用相似度计算进行验证，推断出可能包含的污染物比例，判断存在何种外源污、废水混入，根据污水的混接情况制定治理措施；
步骤S10:以此为基础，按照实验计划对交错点逐一进行自动化混接数据检测，有效地实现污染物溯源，对区域管线系统有更全面的信息掌握，不仅确定管网混接的具体位置，还实现从采样点向上游溯源至目标工厂。
优选地，所述步骤S1中，多源异质三维荧光数据可来源于实地样本的测试数据、实验室不同比例混合废水样品的测试数据和从已经发表的相关论文中提取的数据。
优选地，所述步骤S4中，通过Python实现BIM模型IFC文件管道参数的自动提取，结合图论空间拓扑分析的方式精确重建管道平面模型，并实施自动化的模型参数提取、优化和重建。
优选地，包括一个可视化的检测分析系统，将Python提取出的信息及重建平面模型可视化地展示在平台之上，并标注出可能的混接点，为三维荧光数据的存储及溯源分析结果的展示提供基础。
优选地，所述S5步骤中，所述EEM矩阵是指三维荧光或者称为激发-发射矩阵，通过3D扫描，得到一幅激发波长-发射波长-荧光强度的光谱图，该方法用于各种需要进行多变量分析的应用场合，通常用来为许多不同组分的样品提供指纹图谱。
优选地，所述S5步骤中，所述滤膜过滤的预处理使用孔径为0.22 μm-0.45 μm的过滤膜；紫外-可见吸收光谱测定波段为200-550 nm，步长为2 nm；三维荧光光谱检测应采用石英比色皿，设置电压为400 V，激发波长范围为200-450 nm，发射波长范围为250-550 nm，狭缝宽度为2 nm。
优选地，所述S9步骤中，所述污水的混接情况，具体定义如下：0-5%视为未混接、5%-20%为轻度混接，20%-40%中度混接，40%-100%为重度混接，根据混接的程度指导排查工作，确定具体排查的优先级。
优选地，所述S8步骤中，基于区域相似度计算结果的输出与其周边、管道上游附近相似度最高或超过50%的5-10类废水信息，以此为基础继续分析污染来源。
优选地，所述相似度计算仅是荧光光谱比较的一种手段和依据，用于减少数据比对工作量，但非必须步骤；计算采用的相似度不限于区域百分比相似度，根据需要择优选取合适公式；并且，相似度计算主要针对光谱残差矩阵的特征峰所在的局部范围，根据污、废水荧光特征进行灵活调整。
优选地，所述步骤S9中，所述最小二乘法是基于三维荧光三线性特征而采取的逆向拟合溯源思维的一种具象化体现，通过迭代使拟合光谱矩阵与目标光谱矩阵残差特征最小。
与现有技术相比，发明的有益效果是：
1、本发明充分结合市政管网三维BIM模型，有机地与地下数字管网发展趋势结合起来，通过智能化的手段提升混接问题的检测效率和精度，相较于目前检测方法，通过BIM模型实现了空间位置的具体定位，并且实现了模块化运行，可以适用于更为广泛和复杂的场景，且可以减少采样次数和分析时间；
2、本发明将传统人工多点位具体分析的方式转变为更为智能的混接点评估，使用三维荧光技术分析，基于市政管网三维BIM模型制定最优化的采样方案，结合粗采样与细采样，高效地搜索到可能的混接点，分阶段缩小采样范围，提升检测效率，避免重复和无效工作。三维荧光技术将样本迅速转化为多维度数字化信息，使其能够在计算机平台实现快速的分析与运维；
3、本发明通过建立数字化分析平台，集成BIM模型提取出的平面管线模型、三维荧光数据处理模块、采样模块、推理模型模块等，使得各可能混接点及各采样点的三维荧光数据能够准确地反映在数字化平台上，更直观地展示分析结果。这种功能模块与数字化平台的集成有助于实现自动化推理分析混接问题，为具体核查及施工任务提供更有效的指导；
4、本发明构建了三维荧光数据知识图谱，并拓展了数据的获取途径，包括但不限于试验数据、实地样品数据、论文提取数据等，有效地实现多源异质三维荧光数据的存储。这一多样化的数据增强方式在提高数据可信度和丰富数据集的同时，为机器学习模型提供了更为全面的训练，增强了对污染物类别判断的准确性；
5、本发明采用针对差减后的残差矩阵进行局部的相似度计算，可以显著提升可能污染源的检索效率，更好地完成污染物匹配分析，同时采用以最小二乘法为代表的逆向拟合思维计算混接比例，并对混接程度进行定级，高效地完成混接识别与分析，为工程实践提供了量化的评估结果。
综上所述，本发明使用三维荧光光谱技术作为数据基础，通过差减法消除样品间共同荧光的本底影响获取光谱残差矩阵，聚焦光谱局部特征，突出两者之间的荧光响应差异，通过最小二乘法对光谱残差矩阵进行分析，能够更加准确地判断是否有外源污水混入并推理混接比例。同时市政地下管网BIM模型的使用，相较于传统的二维模型，可以更加准确地表现出管道网络的实际结构，包括地理位置、走向、连接节点等信息。结合从BIM中提取的管网坐标信息，可以更快捷准确地找到雨污混接点位，提高溯源效率。
附图说明
图1：本发明实施例1的区域管线BIM模型示意图；
图2：本发明实施例1的Python虚拟管线模型示意图；
图3：本发明实施例1的主管（雨）可能混接处上游检查井水样三维荧光光谱图；
图4：本发明实施例1的主管（雨）可能混接处下游检查井水样三维荧光光谱图；
图5：本发明实施例1的上下游水样三维荧光残差光谱图；
图6：本发明实施例1的支管1（污）上游检查井水样三维荧光光谱图；
图7：本发明实施例1的支管1（雨）上游检查井水样三维荧光光谱图；
图8：本发明实施例1的支管2（雨）上游检查井水样三维荧光光谱图；
图9：本发明实施例1的支管2（污）上游检查井水样三维荧光光谱图；
图10：本发明实施例1的数据库比对结果最佳的污水三维荧光光谱图；
图11：本发明实施例2的模拟混接试验场景示意图；
图12：本发明实施例2的入水口输入水样的三维荧光光谱图；
图13：本发明的光谱数据库中几种污水的三维荧光光谱图；
图14：本发明实施例2的混合后出水口样品三维荧光光谱图；
图15：本发明实施例3的局部混接点BIM示意图；
图16：本发明实施例3的上游水样ZY-28三维荧光光谱图;
图17：本发明实施例3的下游水样ZY-29三维荧光光谱图;
图18：本发明实施例3的上下游水样三维荧光残差光谱图。
具体实施方式
下面将结合发明实施例中的附图，对发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是发明一部分实施例，而不是全部的实施例。
如图1至图10所示，为本发明提供的基于三维荧光和市政管网BIM模型的雨污混接溯源分析方法，具体方法如下：
S1: 获取多源异质三维荧光数据，根据特征物类别对矩阵、图像等信息进行有效存储，并通过增加扰动等数据增强方式训练特征物识别的机器学习模型。
进一步，多源异质三维荧光数据可来源于实地样本的测试数据、实验室不同比例混合废水样品的测试数据、从已经发表的相关论文中提取的数据。
S2:对城市水体水质出现异常的区域进行雨污混接问题排查，根据市政管网三维BIM模型，导出通用数据交换格式IFC文件，其中包含了区域管网系统中管道的几何尺寸、连接关系、空间位置等信息。
进一步，通过Python实现BIM模型IFC文件管道参数的自动提取，结合图论空间拓扑分析的方式精确重建管道平面模型，并实施自动化的模型参数提取、优化和重建。
进一步，包括一个可视化的检测分析系统，将Python提取出的信息及重建平面模型可视化地展示在平台之上，并标注出可能的混接点，为三维荧光数据的存储及溯源分析结果的展示提供基础。
S3:对区域的雨污混接现象进行初步筛查，基于BIM模型计算管网交点中心性，评估区域连通性和工厂密度等因素后，粗设少量采样点，对样品进行氨氮浓度测定，根据结果缩小排查范围。
S4: 对于初筛后可能存在混接的区域，在Python中采用逐级查询的方法，提取IFC文件中的管道相关信息，得到每一根管道长度、端点坐标、延伸方向等信息，以此为基础建立管网的虚拟管线模型；根据管线平面相交原则，利用三维立体视角检查雨污管网相近或与自来水管相交、与污染排放源相近的雨水管网管段，整理出需要进行检查的可能混接点，并制定计划细采样方案，对区域内需要进行采样的井点进行细部水样采集。
S5:采集市政地下管网可能混接点位前后检查井水样，滤膜过滤，进行紫外-可见吸收光谱检测，三维荧光光谱检测获取可能混接点位前后检查井水样的三维荧光数据，即EEM矩阵，并对所得的EEM矩阵进行数据预处理。
进一步，EEM是指三维荧光或者称为激发-发射矩阵，通过3D扫描，得到一幅激发波长-发射波长-荧光强度的光谱图。该方法用于各种需要进行多变量分析的应用场合，通常用来为许多不同组分的样品提供指纹图谱。
进一步，过滤预处理使用孔径为0.22 μm-0.45 μm的过滤膜；紫外-可见吸收光谱测定波段为200-550 nm，步长为2 nm；三维荧光光谱检测应采用石英比色皿，设置电压为400 V，激发波长范围为200-450 nm，发射波长范围为250-550 nm，狭缝宽度为2 nm。
S6:将水样三维荧光数据处理后上传到已搭建的数字化分析平台对应点位上，便于在系统中直观查看三维荧光光谱。按需要选取异常管段点位及周边污染源光谱数据，进行运算与解析。
S7: 针对每一个可能发生混接的位置进行分析，选择一条主干管道，将位于交错点两侧最近井水样经过预处理的EEM矩阵作差，得到突出样品间荧光响应差异的光谱残差矩阵，消除样品间的共同背景影响，聚焦局部的光谱特征，提取关键信息。
S8:若光谱残差矩阵存在显著的差异，将其放入机器学习模型进行识别，判断污染源的特征，并基于区域相似度计算，在谱图库中与不同数据进行比对，输出与其周边、管道上游附近相似度最高或超过50%的5-10类废水信息，以此为基础继续分析污染来源。
S9:以主管道下游EEM矩阵为目标函数，将主管道上游EEM矩阵与其他各管道交错点上游EEM矩阵为变量，进行最优化问题的最小二乘法求解，得到最佳可能的组合比例，使用相似度计算进行验证，推断出可能包含的污染物比例，判断存在何种外源污、废水混入，根据混接情况制定治理措施。
进一步，污水的混接程度具体定义如下：0-5%视为未混接、5%-20%为轻度混接，20%-40%中度混接，40%-100%为重度混接，根据混接的程度指导排查工作，确定具体排查的优先级。
进一步，相似度计算仅是荧光光谱比较的一种手段和依据，用于减少数据比对工作量，但非必须步骤；计算采用的相似度不限于区域百分比相似度，可以根据需要择优选取合适公式；并且，相似度计算主要针对光谱残差矩阵的特征峰所在的局部范围，可以根据污、废水荧光特征进行灵活调整。
进一步，所述最小二乘法是基于三维荧光三线性特征而采取的逆向拟合溯源思维的一种具象化体现，通过迭代使拟合光谱矩阵与目标光谱矩阵残差特征最小。
S10:以此为基础，按照实验计划对交错点逐一进行自动化混接数据检测，可以有效地实现污染物溯源，对区域管线系统有更全面的信息掌握，不仅可以确定管网混接的具体位置，还可以实现从采样点向上游溯源至目标工厂。
进一步，该方法具备了自动化混接数据检测能力，简化了雨污混接排查工作，在管网混接问题定位的基础上，实现了从采样点向上游追溯混接来水的源头。
下面结合具体实施例进行详细描述：
实施例1
步骤一：对某区域雨污混接问题进行检验，根据已有市政管网三维BIM模型，如图1所示，在Python中采用逐级查询的方法，提取IFC文件中的管道相关信息，建立如图2所示管网的虚拟管线模型；
步骤二：本实施例已完成区域初筛，接下来主要完成细部检查，根据管线平面相交原则，对每一个可能存在混接的管道交错点进行判别，标注在图2当中，制定区域采集水样的方案，获取三维荧光数据，即EEM矩阵，并对所得的EEM矩阵进行数据预处理；
步骤三：针对每一个可能发生混接的位置进行分析，选择一条主干管道，这里选取纵向雨水管道为主管，将来自两个采样点、经过预处理的EEM矩阵作差；主管（雨）下游EEM矩阵（图4）与主管（雨）上游EEM矩阵（图3）相减后的EEM残差矩阵如图5所示，明显展示出污水对应的三维荧光特征和信息；
步骤四：将残差结果进行机器学习特征物及相似结果识别，输出相似度最大或超过50%的3-5种污染来源，图6至图9所示共计4个可能的混接来水；聚焦可能的具体污水，采用最小二乘法求解相交错的管道得到对应的各类水可能的混合比例；
步骤五：根据计算出的混接比例对混接程度进行衡量，比较之下，图6至图9所示的4个支管上游来水分别与图3、图5进行最小二乘法拟合所得的混接比例中，图6所示的管道以22%的比例混接，计算结果最大，拟合结果与主管（雨）下游实际水质情况最为接近，这说明图6所示的管道支管1（污）参与混接的可能性最大，在已建立的光谱数据库中也有图10所示污水与之对应。由此可见，该混接点处于中度混接，主管（雨）与支管1（污）具有较高的可信度存在混接现象，应及时进行现场实地检查和处理。
实施例2
步骤一：基于市政管网具体情况模拟了一个试验场景，示意图如图11所示，以进一步验证方法的可行性。图中右侧为入水口（即靠近雨水管网起始端），左侧为出水口（即连接受纳水体），中间共有5根支管与主管道相交，模拟可能的雨污混接点，水流从右向左流动，支管的水流逐步汇入主管；
步骤二：为了更好地模拟雨污混接情况，按比例控制入水口及5根支管的水量，右侧入水口输入水样的三维荧光光谱如图12所示，代表管内的滞留水，5根支管分别接收不同的工业废水和生活污水等水流并汇入主管；如表1所示，C支管接收工业废水KS，D支管接收工业废水LB，其余支管虽分别对应SGB、JX和FES三种工业废水，但其流量设置为零；各支管对应接收水样的三维荧光已提前纳入光谱库，为已知数据，谱库的部分三维荧光光谱如图13所示；
表1 模拟管网的实际多源混接类型和比例
步骤三：流水混合后，采集出水口的样本No.24，测定其三维荧光如图14所示，异于进水口样本（图12）。该区域靠近模拟管段的起始端，污染源总量较少，仅有KS、LB、SGB、JX、FES等5种工业废水可能导致混接，可省略EEM矩阵差减比较程序，直接以No.24的EEM矩阵（图14）为目标值，结合进水口River的EEM矩阵（图12），对以上5种工业废水进行多污染源最小二乘法解析，选取特征荧光区域的子矩阵范围Ex/Em = 250-450/250-550 nm，计算得到的结果如下表2所示；
表2 基于最小二乘法的多源污水混接比例计算结果
步骤四：对计算结果进行分析，最小二乘法整体准确率较为理想，对最为关键的两种污染源KS和LB，都实现了准确预测，根据各支管上游的流经区域，推断出KS来自C管，LB来自D管；计算所得FES和SGB两类污水的最小二乘法系数较小，甚至为负，意味着这两类废水混入的概率极小，也与实际相符，表明利用特征荧光区域的子矩阵进行多污染源混接溯源的方法是可行的。
对于工业废水JX，虽然在模拟试验过程中并没有混入，但是计算结果仍然达到了0.15，出现了一定的误判，但这一情况不影响排查优先级，且截距值0.09也给结果可信度提供了一定的弹性空间。实际工程中，我们不必找全所有混接污水源，只需找到并处理对水质影响最严重的一两个源头即可很大程度上改善城市水环境质量，或降低水体被污染的风险，而本申请已证实可以实现这一目标。
实施例3
步骤一：针对某市的实际市政管网开展雨污混接排查调研，导入BIM图纸，构建虚拟模型，并针对可能的混接点进行采样分析，局部混接点BIM如图15所示，左侧纵向管道表示雨水主管，存在一根支管从左侧汇入，因此该区域可能发生混接；
步骤二：上游水样ZY-28的三维荧光如图16所示，下游水样ZY-29的三维荧光如图17所示。差减结果如图18所示，将差减结果与数据库比对，检测出其残差荧光峰与生活污水类别的W3的荧光峰相近似，因此判断该点可能发生了生活污水混接，应当进行更具体的检修工作。
对ZY-29、ZY-28、W3进行最小二乘法解析，选择子矩阵范围Ex/Em=250-400/250-500 nm，计算结果为[ZY-29]≈0.92×[ZY-28]+0.05×[W3]+0.02，评估其属于轻度混接。计算结果与现场实际检查结果相符，充分体现了本方法在真实场景中的应用效果。
本发明基于市政地下管网BIM模型，通过Python逐级查询构建出虚拟管线模型，在已搭建的数字化分析平台上进行可视化展示；通过图论模型分析推断出可能的雨污混接点，制定采样计划进行数据采集；对样本进行分析化验得到三维荧光矩阵；将可能混接点前后的三维荧光矩阵相减，消除共同背景影响提取荧光信息，得到残差光谱；基于已有知识图谱构建的机器学习模型进行特征物识别，并根据相似度计算输出接近的内容，作为辅助推理；在残差矩阵中选出核心区域，与族库比对筛选污染源类型；使用最小二乘法，对混接点其他管道上游三维荧光信息进行匹配，拟合出合理的多管道雨污混接比例；结合地下管网BIM模型构建的图论模型，推理雨污混接发生的位置及混接比例，指导具体的工程作业。本发明以三维荧光为分析依据，拟合求解出可能的混接情况，基于地下管网BIM模型推理出雨污混接的发生位置及混接比例，进行及时施工作业，指导具体雨污混接治理，具有高效、准确、灵活的特点，对分流制城市排水系统改造有重要意义。
以上所述，仅为发明较佳的具体实施方式，但发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在发明揭露的技术范围内，根据发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在发明的保护范围之内。
Claims (10)
1.基于三维荧光和市政管网BIM模型的雨污混接溯源分析方法，其特征在于,方法如下：
步骤S1:获取多源异质三维荧光数据，根据特征物类别对矩阵、图像信息进行有效存储，并通过增加扰动数据增强方式训练特征物识别的机器学习模型；
步骤S2:对城市水体水质出现异常的区域进行雨污混接问题排查，根据市政管网三维BIM模型，导出通用数据交换格式IFC文件，其中包含了区域管网系统中管道的几何尺寸、连接关系、空间位置信息；
步骤S3:对区域的雨污混接现象进行初步筛查，基于市政管网三维BIM模型计算管网交点中心性，评估区域连通性和工厂密度因素后，粗设少量采样点，对样品进行氨氮浓度测定，根据结果缩小排查范围；
步骤S4: 对于初筛后可能存在混接的区域，在Python中采用逐级查询的方法，提取IFC文件中的管道相关信息，得到每一根管道长度、端点坐标、延伸方向信息，以此为基础建立管网的虚拟管线模型；根据管线平面相交原则，利用三维立体视角检查雨污管网相近或与自来水管相交、与污染排放源相近的雨水管网管段，整理出需要进行检查的可能混接点，并制定计划细采样方案，对区域内需要进行采样的井点进行细部水样采集；
步骤S5:采集市政地下管网可能混接点位前后检查井水样，滤膜过滤，进行紫外-可见吸收光谱检测，三维荧光光谱检测获取可能混接点位前后检查井水样的三维荧光数据，即EEM矩阵，并对所得的EEM矩阵进行数据预处理；
步骤S6:将水样三维荧光数据处理后上传到已搭建的数字化分析平台对应点位上，便于在系统中直观查看三维荧光光谱；按需要选取异常管段点位及周边污染源光谱数据，进行运算与解析；
步骤S7:针对每一个可能发生混接的位置进行分析，选择一条主干管道，将位于交错点两侧最近井水样经过预处理的EEM矩阵作差，得到突出样品间荧光响应差异的光谱残差矩阵，消除样品间的共同背景影响，聚焦局部的光谱特征，提取关键信息；
步骤S8:若光谱残差矩阵存在显著的差异，将其放入机器学习模型进行识别，判断污染源的特征，计算区域相似度，并基于区域相似度计算结果，在谱图库中与不同数据进行比对，分析污染来源；
步骤S9:以主管道下游EEM矩阵为目标函数，将主管道上游EEM矩阵与其他各管道交错点上游EEM矩阵为变量，进行最优化问题的最小二乘法求解，得到最佳可能的组合比例，使用相似度计算进行验证，推断出可能包含的污染物比例，判断存在何种外源污、废水混入，根据污水的混接情况制定治理措施；
步骤S10:以此为基础，按照实验计划对交错点逐一进行自动化混接数据检测，有效地实现污染物溯源，对区域管线系统有更全面的信息掌握，不仅确定管网混接的具体位置，还实现从采样点向上游溯源至目标工厂。
2.根据权利要求1所述的基于三维荧光和市政管网BIM模型的雨污混接溯源分析方法，其特征在于，所述步骤S1中，多源异质三维荧光数据可来源于实地样本的测试数据、实验室不同比例混合废水样品的测试数据和从已经发表的相关论文中提取的数据。
3.根据权利要求1所述的基于三维荧光和市政管网BIM模型的雨污混接溯源分析方法，其特征在于，所述步骤S4中，通过Python实现BIM模型IFC文件管道参数的自动提取，结合图论空间拓扑分析的方式精确重建管道平面模型，并实施自动化的模型参数提取、优化和重建。
4.根据权利要求1或3任一项所述的基于三维荧光和市政管网BIM模型的雨污混接溯源分析方法，其特征在于，包括一个可视化的检测分析系统，将Python提取出的信息及重建平面模型可视化地展示在平台之上，并标注出可能的混接点，为三维荧光数据的存储及溯源分析结果的展示提供基础。
5.根据权利要求1所述的基于三维荧光和市政管网BIM模型的雨污混接溯源分析方法，其特征在于，所述步骤S5中，所述EEM矩阵是指三维荧光或者称为激发-发射矩阵，通过3D扫描，得到一幅激发波长-发射波长-荧光强度的光谱图，该方法用于各种需要进行多变量分析的应用场合，通常用来为许多不同组分的样品提供指纹图谱。
6.根据权利要求1所述的基于三维荧光和市政管网BIM模型的雨污混接溯源分析方法，其特征在于，所述步骤S5中，所述滤膜过滤的预处理使用孔径为0.22 μm-0.45 μm的过滤膜；紫外-可见吸收光谱测定波段为200-550 nm，步长为2 nm；三维荧光光谱检测应采用石英比色皿，设置电压为400 V，激发波长范围为200-450 nm，发射波长范围为250-550 nm，狭缝宽度为2 nm。
7.根据权利要求1所述的基于三维荧光和市政管网BIM模型的雨污混接溯源分析方法，其特征在于，所述步骤S9中，所述污水的混接情况，具体定义如下：0-5%视为未混接、5%-20%为轻度混接，20%-40%中度混接，40%-100%为重度混接，根据混接的程度指导排查工作，确定具体排查的优先级。
8.根据权利要求1所述的基于三维荧光和市政管网BIM模型的雨污混接溯源分析方法，其特征在于，所述步骤S8中，基于区域相似度计算结果的输出与其周边、管道上游附近相似度最高或超过50%的5-10类废水信息，以此为基础继续分析污染来源。
9.根据权利要求1所述的基于三维荧光和市政管网BIM模型的雨污混接溯源分析方法，其特征在于，所述相似度计算仅是荧光光谱比较的一种手段和依据，用于减少数据比对工作量，但非必须步骤；计算采用的相似度不限于区域百分比相似度，根据需要择优选取合适公式；并且，相似度计算主要针对光谱残差矩阵的特征峰所在的局部范围，根据污、废水荧光特征进行灵活调整。
10.根据权利要求1所述的基于三维荧光和市政管网BIM模型的雨污混接溯源分析方法，其特征在于，所述步骤S9中，所述最小二乘法是基于三维荧光三线性特征而采取的逆向拟合溯源思维的一种具象化体现，通过迭代使拟合光谱矩阵与目标光谱矩阵残差特征最小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410016831.1A CN117522653B (zh) | 2024-01-05 | 2024-01-05 | 基于三维荧光和市政管网bim模型的雨污混接溯源分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410016831.1A CN117522653B (zh) | 2024-01-05 | 2024-01-05 | 基于三维荧光和市政管网bim模型的雨污混接溯源分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117522653A true CN117522653A (zh) | 2024-02-06 |
| CN117522653B CN117522653B (zh) | 2024-03-26 |
Family
ID=89755377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410016831.1A Active CN117522653B (zh) | 2024-01-05 | 2024-01-05 | 基于三维荧光和市政管网bim模型的雨污混接溯源分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117522653B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118396428A (zh) * | 2024-06-26 | 2024-07-26 | 同济大学 | 一种基于便携式设备的具体污水管道诊断方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107561046A (zh) * | 2017-08-28 | 2018-01-09 | 常州大学 | 一种基于荧光水纹的污水厂尾水排放实时监测方法与系统 |
| CN110609021A (zh) * | 2019-08-15 | 2019-12-24 | 成都市环境保护科学研究院 | 一种基于三维荧光光谱的江河流域污染物特征分析方法 |
| CN111562242A (zh) * | 2020-05-09 | 2020-08-21 | 同济大学 | 一种城市排水系统的雨天溢流污水来源的快速识别方法 |
| WO2021056160A1 (zh) * | 2019-09-23 | 2021-04-01 | 广州禾信仪器股份有限公司 | 一种VOCs污染的溯源方法 |
| CN114594055A (zh) * | 2022-03-25 | 2022-06-07 | 同济大学 | 一种基于光谱的雨水管道混接点位非开挖诊断方法 |
| US20230195979A1 (en) * | 2022-06-20 | 2023-06-22 | Zhengzhou University | Intelligent decision-making method and system for maintaining urban underground sewer network |
| CN116858817A (zh) * | 2023-07-24 | 2023-10-10 | 同济大学 | 一种基于荧光光谱的工业废水混接点位诊断方法 |
| CN117181801A (zh) * | 2023-09-11 | 2023-12-08 | 西北工业大学 | 一种应用于Fenton原位氧化的固相可循环铁的制备方法 |
| CN117309831A (zh) * | 2023-09-25 | 2023-12-29 | 浙江清华长三角研究院 | 一种基于三维荧光lpp-svm的河道有机物的污染的溯源方法 |
| CN117309838A (zh) * | 2023-11-16 | 2023-12-29 | 浙江清华长三角研究院 | 一种基于三维荧光特征数据的工业园区水体污染溯源方法 |
| CN117331913A (zh) * | 2023-09-28 | 2024-01-02 | 大连理工大学 | 一种工业园区水污染源荧光指纹数据库的构建方法 |
-
2024
- 2024-01-05 CN CN202410016831.1A patent/CN117522653B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107561046A (zh) * | 2017-08-28 | 2018-01-09 | 常州大学 | 一种基于荧光水纹的污水厂尾水排放实时监测方法与系统 |
| CN110609021A (zh) * | 2019-08-15 | 2019-12-24 | 成都市环境保护科学研究院 | 一种基于三维荧光光谱的江河流域污染物特征分析方法 |
| WO2021056160A1 (zh) * | 2019-09-23 | 2021-04-01 | 广州禾信仪器股份有限公司 | 一种VOCs污染的溯源方法 |
| CN111562242A (zh) * | 2020-05-09 | 2020-08-21 | 同济大学 | 一种城市排水系统的雨天溢流污水来源的快速识别方法 |
| CN114594055A (zh) * | 2022-03-25 | 2022-06-07 | 同济大学 | 一种基于光谱的雨水管道混接点位非开挖诊断方法 |
| US20230195979A1 (en) * | 2022-06-20 | 2023-06-22 | Zhengzhou University | Intelligent decision-making method and system for maintaining urban underground sewer network |
| CN116858817A (zh) * | 2023-07-24 | 2023-10-10 | 同济大学 | 一种基于荧光光谱的工业废水混接点位诊断方法 |
| CN117181801A (zh) * | 2023-09-11 | 2023-12-08 | 西北工业大学 | 一种应用于Fenton原位氧化的固相可循环铁的制备方法 |
| CN117309831A (zh) * | 2023-09-25 | 2023-12-29 | 浙江清华长三角研究院 | 一种基于三维荧光lpp-svm的河道有机物的污染的溯源方法 |
| CN117331913A (zh) * | 2023-09-28 | 2024-01-02 | 大连理工大学 | 一种工业园区水污染源荧光指纹数据库的构建方法 |
| CN117309838A (zh) * | 2023-11-16 | 2023-12-29 | 浙江清华长三角研究院 | 一种基于三维荧光特征数据的工业园区水体污染溯源方法 |
Non-Patent Citations (4)
| Title |
|---|
| 吕永鹏;: "城镇污水处理提质增效"十步法"研究与应用", 中国给水排水, no. 10, 17 May 2020 (2020-05-17) * |
| 徐祖信;王诗婧;尹海龙;李怀正;: "污水管网中雨水混接来源的高效诊断方法", 同济大学学报(自然科学版), no. 03 * |
| 白小梅;李悦昭;姚志鹏;孟凡生;陈海洋;: "三维荧光指纹谱在水体污染溯源中的应用进展", 环境科学与技术, no. 01, 15 January 2020 (2020-01-15) * |
| 肖涛;滕严婷;汪维;陶涛;: "基于水量水质分析的雨水管网状态诊断研究", 给水排水, no. 02, 10 February 2020 (2020-02-10) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118396428A (zh) * | 2024-06-26 | 2024-07-26 | 同济大学 | 一种基于便携式设备的具体污水管道诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117522653B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117522653B (zh) | 基于三维荧光和市政管网bim模型的雨污混接溯源分析方法 | |
| CN112001610A (zh) | 农业面源污染的处理方法及装置 | |
| CN102156100A (zh) | 基于多光谱的多点采样多参数水质在线分析系统 | |
| CN103278616B (zh) | 一种土壤腐蚀性快速评价的多因子方法 | |
| CN111562242A (zh) | 一种城市排水系统的雨天溢流污水来源的快速识别方法 | |
| CN117195135B (zh) | 一种水污染异常溯源检测方法及系统 | |
| CN108760642A (zh) | 全光谱实时水质分析仪 | |
| CN105675838B (zh) | 基于数据驱动的a2/o流程出水总磷智能检测方法 | |
| CN112097125B (zh) | 一种基于自适应校核的供水管网爆管侦测及定位方法 | |
| CN117974404B (zh) | 一种水陆协同的陆域污染源分析方法及系统 | |
| CN118380066A (zh) | 基于梯度提升集成学习算法与三维荧光的水质氨氮快速检测方法及设备 | |
| CN202002881U (zh) | 一种基于多光谱的多点采样多参数水质在线分析系统 | |
| CN111914339A (zh) | 基于景观绩效评价的风景园林景观设计方法及系统 | |
| CN116402389A (zh) | 一种混合用地类型的流域水体污染源解析方法 | |
| CN114755387B (zh) | 基于假设检验法的水体监测点位优化方法 | |
| CN111007220B (zh) | 一种生猪养殖污水水质敏捷监测的方法 | |
| CN106198433A (zh) | 基于lm‑ga算法的红外光谱定性分析方法 | |
| CN115188436A (zh) | 一种复杂河网区微塑料通量计算方法 | |
| CN114324800A (zh) | 一种排水管道来水监测方法及其系统、存储介质 | |
| Yang et al. | Simulation System of Lake Eutrophication Evolution based on RS & GIS Technology—a Case Study in Wuhan East Lake | |
| CN118658550B (zh) | 一种基于网格搜索和lgbm的城市河道水质预测方法 | |
| CN113686823B (zh) | 基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法 | |
| CN118521043B (zh) | 水生态调查评估方法、装置、设备及存储介质 | |
| CN118858564A (zh) | 一种地下水污染溯源方法 | |
| CN116628121A (zh) | 一种河流环境因子与微生物群落结构关联性测度方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |