【技术实现步骤摘要】
本专利技术涉及水体检测
,特别是指一种地下水型饮用水水源地污染源解析方法。
技术介绍
近年来,就全国范围而言,我国地下水质量下降趋势明显,不宜作为饮用水水源的比例逐渐增大,即使存在地下水水源地饮用水指标并不一定受到直接污染而超标现象,但其水质可能已经不同程度承受污染风险,且水质同时受地下水运动演化影响,因此考虑选择反映水质演化的地下水水化学类型常规指标,进行污染来源解析。地下水水质指标在取样与分析过程中,由于取样和样品处理、试剂和水纯度、仪器量度和仪器洁净、采用的分析方法、测定过程以及数据处理等过程均会产生测量误差(系统误差,随机误差,过失误差)。从取样到分析结果计算误差都绝对存在,虽然在各个过程中进行质量控制,但无法完全消除不确定性的影响。
技术实现思路
本专利技术要解决的技术问题是提供一种地下水型饮用水水源地污染源解析方法,能够有效消除测量检测的消除不确定性。为解决上述技术问题,本专利技术的实施例提供一种地下水型饮用水水源地污染源解析方法,所述地下水型饮用水水源地污染源解析方法包括:对采样数据进行预处理,所述预处理包括缺失值处理、不确定性处理和数据合理性分析中的至少一种;计算预处理后的采样数据的特征值和特征向量,得到特征值矩阵和特征向量矩阵;利用所述特征值矩阵和特征向量矩阵求得因子载荷矩阵和因子得分矩阵;对所述因子载荷矩阵和因子得分矩阵进行非负约束的旋转;使用最小二乘 ...
【技术保护点】
一种地下水型饮用水水源地污染源解析方法,其特征在于,所述地下水型饮用水水源地污染源解析方法包括:对采样数据进行预处理,所述预处理包括缺失值处理、不确定性处理和数据合理性分析中的至少一种;计算预处理后的采样数据的特征值和特征向量,得到特征值矩阵和特征向量矩阵;利用所述特征值矩阵和特征向量矩阵求得因子载荷矩阵和因子得分矩阵;对所述因子载荷矩阵和因子得分矩阵进行非负约束的旋转;使用最小二乘方法进行迭代运算重复所述对所述因子载荷矩阵和因子得分矩阵进行非负约束的旋转,确定因子载荷矩阵和因子得分矩阵,所述因子载荷矩阵对应污染源指纹图谱,所述因子得分矩阵对应主要污染源贡献。
【技术特征摘要】
1.一种地下水型饮用水水源地污染源解析方法,其特征在于,所述地下水型饮用水水
源地污染源解析方法包括:
对采样数据进行预处理,所述预处理包括缺失值处理、不确定性处理和数据合理性分
析中的至少一种;
计算预处理后的采样数据的特征值和特征向量,得到特征值矩阵和特征向量矩阵;
利用所述特征值矩阵和特征向量矩阵求得因子载荷矩阵和因子得分矩阵;
对所述因子载荷矩阵和因子得分矩阵进行非负约束的旋转;
使用最小二乘方法进行迭代运算重复所述对所述因子载荷矩阵和因子得分矩阵进行
非负约束的旋转,确定因子载荷矩阵和因子得分矩阵,所述因子载荷矩阵对应污染源指纹
图谱,所述因子得分矩阵对应主要污染源贡献。
2.根据权利要求1所述的地下水型饮用水水源地污染源解析方法,其特征在于,对采样
数据进行缺失值处理包括:
丢弃采样数据中含缺失数据的记录;
用全局变量或属性的平均值代替缺失数据;
先根据欧式距离或相关分析来确定距离缺失数据样本最近的K个样本,将这K个值加权
平均来估计该样本的缺失数据,其中k为大于零的整数;
采用神经网络模型预测每一个缺失数据;
对低于数据检测限的数据用数据检测限值或1/2检测限代替。
3.根据权利要求1所述的地下水型饮用水水源地污染源解析方法,其特征在于,对采样
数据进行不确定性处理包括:
利用下式计算采样数据的不确定性:
其中,s为误差百分数;c为指标浓度值;l为因子数据检出限。
4.根据权利要求1所述的地下水型饮用水水源地污染源解析方法,其特征在于,对采样
数据进行数据合理性分析,包括:
采用下式对采样数据进行筛选:
其中,S/N为信噪比,xij表示第i采样点第j个样品的浓度,sij表示第i采样点第j个样品
的标准偏差。
5.根据权利要求1所述的地下水型饮用水水源地污染源解析方法,其特征在于,所述计
算预处理后采样数据的特征值和特征向量,得到特征值矩阵和特征向量矩阵,包括:
对预处理后的采样数据进行无量纲化;
计算无量纲化后采样数据的协方差矩阵;
利用雅各布方法计算协方差矩阵的特征值和特征向量,得到特征值矩阵和特征向量矩
阵。
6.根据权利要求5所述的地下水型饮用水水源地污染源解析方法,其特征在于,所述计
算无量纲化后采样数据的协方差矩阵,包括:
利用下式计算无量纲化...
【专利技术属性】
技术研发人员:左锐,张宏凯,王金生,滕彦国,杨洁,翟远征,
申请(专利权)人:北京师范大学,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。