基于传感器及智能算法的农田径流总氮总磷快速监测方法技术

基于传感器及智能算法的农田径流总氮总磷快速监测方法，该方法先采集总氮/总磷浓度及其对应的、传感器可测的常规水质参数序列数据，再将采集的序列数据作为样本集、通过极端随机树算法构建反演模型，建立总氮/总磷浓度与其对应的、传感器可测的常规水质参数之间的响应关系，然后将基于传感器实时采集的常规水质参数输入构建的反演模型中即可确定总氮/总磷浓度。本设计充分结合了传感器技术及智能算法的优势，实现了农田径流总氮/总磷的原位快速测量，在部分参数缺失的情况下也能保证测量精度，具有普适性。具有普适性。具有普适性。

【技术实现步骤摘要】
基于传感器及智能算法的农田径流总氮总磷快速监测方法


[0001]本专利技术属于环境监测与农业面源污染防治领域，具体涉及一种基于传感器及智能算法的农田径流总氮总磷快速监测方法。

技术介绍

[0002]面源污染，是指溶解的以及固体的污染物从非特定的地点，在降水(或融雪)冲刷作用下，通过径流过程而汇入受纳水体(包括河流、湖泊、水库和海湾等)并引起水体富营养化或其他形式的污染。面源污染发生的分散性、不确定性和时空异质性导致其监测相对于河湖等水量、水质相对稳定的水体而言，更为困难。同时，面源污染发生特点导致地表径流的流量和水质往往在短期内经历快速变化，尤其在降雨初期的前30min时段内，无论是从规律研究和监测预警角度，均对监测频率和实效性等方面提出了更高的要求。
[0003]总氮、总磷是反映水质和水体富营养化的重要指标。目前常规监测径流总氮、总磷浓度主要借助监测装置人工采样后，在实验室采用化学法进行测试。野外原位监测时，地表径流监测方法包括径流池法、人工模拟降雨产流法、流量计法和堰测法；地下淋溶污水收集方法包括渗滤池法、淋溶盘法、淋溶集水槽法、抽滤管法和模拟土柱法。原位监测的采样和测试过程均以人工操作为主，费时费力，效率较低，且采集样品多以次降雨尺度的总混合样为主。鉴于面源污染地表径流流量和浓度短期内变化快速的特点，现有监测技术限制了面源污染发生过程中地表径流时序数据的快速获取。
[0004]随着技术的发展，传感器、遥感反演、自动采样进样等技术手段被逐渐应用于面源污染径流水质监测。目前，国内外已有的水质自动监测技术与装置主要有以下两类：
[0005]1、岸站式水质自动监测站，该系统通过野外自动采样进样、自动测试完成氮磷等水质指标在线监测，虽然精度较高，但是整套系统部署周期长、占地、成本较高、维护复杂且运行过程中会产生大量废液；同时，该方法仍然是采用化学法进行总氮、总磷测试，最高监测频率约为45min一个样品。因此，基于化学法的水质自动监测频率仍不能反映次降雨事件内的径流浓度变化过程。
[0006]2、水质传感器法，该方法采用传感器对水质进行实时连续监测，最常见的监测指标有pH、水温、电导率、溶解氧、氧化还原电位、氨氮、硝氮等。但目前还没有成熟的、可直接用于总氮、总磷快速监测的传感器。

技术实现思路

[0007]本专利技术的目的是针对现有技术存在的上述问题，提供一种基于传感器及智能算法的农田径流总氮总磷快速监测方法。
[0008]为实现以上目的，本专利技术的技术方案如下：
[0009]基于传感器及智能算法的农田径流总氮总磷快速监测方法，依次包括以下步骤：
[0010]步骤一、采集总氮/总磷浓度及其对应的、传感器可测的常规水质参数序列数据；
[0011]步骤二、将采集的序列数据作为样本集、通过智能算法构建反演模型，建立总氮/
总磷浓度与其对应的、传感器可测的常规水质参数之间的响应关系；
[0012]步骤三、通过传感器实时采集常规水质参数，然后将采集的参数输入构建的反演模型中，即可确定总氮/总磷浓度。
[0013]所述总氮浓度所对应的、传感器可测的常规水质参数包括pH、电导率、溶解氧、水温、氧化还原电位、氨氮、硝氮；
[0014]所述总磷浓度所对应的、传感器可测的常规水质参数包括pH、电导率、溶解氧、水温、氧化还原电位、正磷酸盐。
[0015]所述步骤二通过极端随机树算法构建反演模型。
[0016]所述步骤二采用基于Python的Scikit
‑
learn库的极端随机树算法构建反演模型，依次包括以下步骤：
[0017]S1、将所采集样本集中的水质参数序列数据随机拆分成训练样本(S,a)和测试样本(T,b)，其中，S为训练样本集，a为训练样本数据，T为测试样本集，b为测试样本数据；
[0018]S2、随机选定均匀切点若则返回树节点的左分支，若则返回树节点的右分支，其中，节点的右分支，其中，分别为训练样本数据最小、最大值；
[0019]S3、以均方误差MSE作为节点分裂评估标准，对节点的所有特征进行遍历，获得全部特征的分裂值，并选取分裂值最大的特征对该节点进行分裂；
[0020]S4、重复步骤S1
‑
S3迭代V次，建立极端随机树集合；
[0021]S5、计算反演模型的决定系数R2，若R2大于等于设定的阈值，则判定该模型的预测性能满足要求，若R2小于设定的阈值，则根据MSE调整参数后重复S1
‑
S4，直至满足要求。
[0022]步骤S3中，所述MSE通过以下公式计算得到：
[0023][0024]上式中，n为训练样本集中的样本数量，f(x
i
)为第i个样本的总氮/总磷浓度预测值，y
i
为第i个样本中的总氮/总磷浓度实测值；
[0025]步骤S5中，所述R2通过以下公式计算得到：
[0026][0027]上式中，为总氮/总磷浓度实测值的平均值。
[0028]步骤三中，所述常规水质参数通过便携式多参数水质分析仪采集得到。
[0029]步骤二中，所述样本集中的样本数量大于等于50。
[0030]与现有技术相比，本专利技术的有益效果为：
[0031]1、本专利技术基于传感器及智能算法的农田径流总氮总磷快速监测方法先采集总氮/总磷浓度及其对应的、传感器可测的常规水质参数序列数据，再将采集的序列数据作为样本集、通过智能算法构建反演模型，建立总氮/总磷浓度与其对应的、传感器可测的常规水质参数之间的响应关系，然后将实时采集的常规水质参数输入构建的反演模型中即可确定总氮/总磷浓度，该方法不仅能够实现分钟级的测量频率，满足径流过程的动态监测要求，而且在同一区域或类似环境背景下，无需重新构建反演模型。因此，本专利技术不仅显著提高了
总氮/总磷的测量频率，而且具有普适性。
[0032]2、本专利技术基于传感器及智能算法的农田径流总氮总磷快速监测方法通过极端随机树算法构建反演模型，与其它常规算法相比，该算法具有更高的可靠性，在部分参数缺失的情况下仍可实时、不间断地实现总氮/总磷的反演，并保证所需精度，从而弥补野外复杂环境及传感器意外等导致数据缺失或异常的问题。因此，本专利技术在部分参数缺失的情况下也能保证测量精度，可靠性高。
附图说明
[0033]图1为本专利技术的流程图。
具体实施方式
[0034]下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0035]参见图1，基于传感器及智能算法的农田径流总氮总磷快速监测方法，依次包括以下步骤：
[0036]步骤一、采集总氮/总磷浓度及其对应的、传感器可测的常规水质参数序列数据；
[0037]步骤二、将采集的序列数据作为样本集、通过智能算法构建反演模型，建立总氮/总磷浓度与其对应的、传感器可测的常规水质参数之间的响应关系；
[0038]步骤三、通过传感器实时采集常规水质参数，然后将采集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于传感器及智能算法的农田径流总氮总磷快速监测方法，其特征在于：所述监测方法依次包括以下步骤：步骤一、采集总氮/总磷浓度及其对应的、传感器可测的常规水质参数序列数据；步骤二、将采集的序列数据作为样本集、通过智能算法构建反演模型，建立总氮/总磷浓度与其对应的、传感器可测的常规水质参数之间的响应关系；步骤三、通过传感器实时采集常规水质参数，然后将采集的参数输入构建的反演模型中，即可确定总氮/总磷浓度。2.根据权利要求1所述的基于传感器及智能算法的农田径流总氮总磷快速监测方法，其特征在于：所述总氮浓度所对应的、传感器可测的常规水质参数包括pH、电导率、溶解氧、水温、氧化还原电位、氨氮、硝氮；所述总磷浓度所对应的、传感器可测的常规水质参数包括pH、电导率、溶解氧、水温、氧化还原电位、正磷酸盐。3.根据权利要求1所述的基于传感器及智能算法的农田径流总氮总磷快速监测方法，其特征在于：所述步骤二通过极端随机树算法构建反演模型。4.根据权利要求3所述的基于传感器及智能算法的农田径流总氮总磷快速监测方法，其特征在于：所述步骤二采用基于Python的Scikit
‑
learn库的极端随机树算法构建反演模型，依次包括以下步骤：S1、将所采集样本集中的水质参数序列数据随机拆分成训练样本(S,a)和测试样本(T,b)，其中，S为训练样本集，a为训练样本数据，T为测试样本集，b为测试样本数据；S2、随机选定均匀切点若则返回树节点的左分支，若则...

【专利技术属性】
技术研发人员：庄艳华，张亮，李思思，刘宏斌，杜耘，薛怀平，文维嘉，
申请(专利权)人：中国科学院精密测量科学与技术创新研究院，
类型：发明
国别省市：