本发明专利技术提供了一种水质监测方法、装置、系统和可读存储介质。其中，水质监测方法包括：获取起始时间、结束时间和起始时间对应的第一水文数据；将起始时间、结束时间和第一水文数据输入至第一预设模型中，生成结束时间对应的第二水文数据；获取目标区域内多个监测点的监测数据和污染物参数；将起始时间、结束时间、监测数据、第一水文数据、第二水文数据和污染物参数输入至第二预设模型中，生成目标区域对应的水质监测结果。本发明专利技术提供的技术方案通过神经网络模型预测水文数据，以当前水文数据和预测的水文数据作为水质监测的率定参数，对目标区域内水体的水质进行监测，提高了水质监测结果的精准度。的精准度。的精准度。
【技术实现步骤摘要】
水质监测方法、装置、系统和可读存储介质
[0001]本专利技术涉及水质监测
，具体而言，涉及一种水质监测方法、一种水质监测装置、一种水质监测系统和一种可读存储介质。
技术介绍
[0002]相关技术中，采用Delft3D水动力
‑
水质模型对河流水质进行监测、预测，其中，模型参数是使用历史水文数据进行率定的，然而水文数据每年都有较大变化，使用历史水文数据率定水动力会有较大误差，从而导致水质监测误差变大。
技术实现思路
[0003]本专利技术旨在至少解决现有技术或相关技术中存在的技术问题。
[0004]为此，本专利技术的第一方面提供了一种水质监测方法。
[0005]本专利技术的第二方面还提供了一种水质监测装置。
[0006]本专利技术的第三方面还提供了一种水质监测系统。
[0007]本专利技术的第四方面还提供了一种可读存储介质。
[0008]有鉴于此，本专利技术的第一方面提出了一种水质监测方法，包括：获取起始时间、结束时间和起始时间对应的第一水文数据；将起始时间、结束时间和第一水文数据输入至第一预设模型中，生成结束时间对应的第二水文数据；获取目标区域内多个监测点的监测数据和污染物参数；将起始时间、结束时间、监测数据、第一水文数据、第二水文数据和污染物参数输入至第二预设模型中，生成目标区域对应的水质监测结果。
[0009]本专利技术提供的水质监测方法，获取水质监测的起始时间和结束时间，其中，起始时间可以为当前时间，结束时间可以为未来时间。获取起始时间对应的第一水文数据，具体地，第一水文数据为水质监测目标对应的水位数据和/或流量数据。
[0010]进一步地，将起始时间、结束时间和第一水文数据输入至第一预设模型中，其中，第一预设模型为水文预测模型，通过水文预测模型对未来水文数据进行预测，得到结束时间对应的第二水文数据，即为预测的水文数据结果。
[0011]进一步地，获取目标区域内多个监测点的监测数据和污染参数，其中，监测点为部署在目标监测区域内整个水体的上游、下游以及支流的监测站点。将起始时间、结束时间、监测点的监测数据、污染物参数、第一水文数据以及由第一预设模型预测得到的第二水文数据这些离散的数据输入至第二预设模型的中，其中，第二预设模型可以为Delft3D模型，Delft3D模型可以通过这些离散的数据，对目标区域内的整个水体的未来水质进行模拟、预测，进而得到目标区域对应的水质监测结果。
[0012]本专利技术提供的水质监测方法，相较于现有技术中仅使用历史水文数据作为Delft3D模型参数，然而水文数据实时变化较大，使用历史水文数据率定水动力会有较大误差，进而导致水质模拟误差较大的技术问题，提出了通过神经网络模型得到预测水文数据，进而以实时采集到的水文数据和预测的水文数据，作为Delft3D模型的参数，对目标区域内
整个水体的水质进行监测。能够精准把握当前时间受哪一数据变量影响更大，对未来水质状况进行有效预测，提高了水质监测结果的精准度。
[0013]根据本专利技术提供的上述的水质监测方法，还可以具有以下附加技术特征：
[0014]在上述技术方案中，进一步地，第二预设模型包括水动力模型和水质模型，将起始时间、结束时间、监测数据、第一水文数据、第二水文数据和污染物参数输入至第二预设模型中，生成目标区域对应的水质监测结果的步骤，具体包括：将起始时间、结束时间、监测数据、第一水文数据和第二水文数据输入至水动力模型中，生成多个预设时间点对应的第三水文数据；将第三水文数据和污染物参数输入至水质模型中，生成多个预设时间点对应的水质污染结果；根据第三水文数据和水质污染结果，生成水质监测结果。
[0015]在该技术方案中，第二预设模型可以为Delft3D模型，Delft3D模型包括水动力模型和水质模型，通过输入上游、下游以及支流的监测点的水文数据、监测数据以及污染物参数这些离散数据，对目标区域内整个水体的水动力场和水质场进行模拟、预测。
[0016]具体地，利用水文预测模型得到预测的水文数据后，将当前时间对应的水文数据、预测的水文数据、起始时间、结束时间以及监测点的监测数据输入至水动力模型中，得到在多个预设时间点对应的各网格点的第三水文数据，即为目标区域内整个水体的水位模拟结果和/或流量模拟结果。进一步地，每生成水动力模型一个预设时间点对应的各网格点的水位数据和/或流量数据的输出值，立即输入到该预设时间点的水质模型中，结合污染物参数，得到目标区域内污染物因子的模拟结果。将生成的水位模拟结果和/或流量模拟结果以及污染物因子的模拟结果进行汇总，即为目标区域内的水质监测结果。利用水动力模型和水质模型的同步紧密耦合，实现了对目标区域内整个水体未来水质进行监测，以及对整个水体污染因子的监控和预测，为水生态保护提供理论依据，为制定出科学有效的水污染控制、治理方案提供强有力的支撑。
[0017]可以理解的是，多个预设时间点为设定的提取水质监测数据的时间点，可以根据起始时间和结束时间设定，例如，根据起始时间和结束时间，确定水质监测时间为3天，可以设定提取水质监测结果的预设时间点为每小时提取一次。
[0018]在上述任一技术方案中，进一步地，水质监测方法还包括：基于神经网络模型建立第一预设模型；获取预设时间段内的历史水文数据；对历史水文数据中的缺失数据采用拉格朗日插值法进行填充，得到填充后的完整水文数据；根据完整水文数据训练第一预设模型，并优化第一预设模型的参数。
[0019]在该技术方案中，基于神经网络模型建立第一预设模型，即水文预测模型。在历史水质监测数据中，获取预设时间段内的历史水文数据，对历史水文数据中的缺失数据采用拉格朗日插值法进行填充，得到完整的历史水文数据，并对数据进行归一化处理。将填充后的水文数据划分为训练集、验证集和测试集，根据训练集和验证集训练第一预设模型，以及优化第一预设模型的参数，并根据测试集评估第一预设模型的准确率，以确保第一预设模型对研究水环境的可信度，得到最终合理、精确的水文预测结果。
[0020]在上述任一技术方案中，进一步地，神经网络模型包括：长短期记忆神经网络模型、循环神经网络模型、反向传播神经网络模型或卷积神经网络模型。
[0021]在该技术方案中，可以通过多种神经网络模型，例如长短期记忆神经网络模型、循环神经网络模型、反向传播神经网络模型以及卷积神经网络模型建立第一预设模型，有效
提高了水文预测模型构建的灵活性和适用性。
[0022]在上述任一技术方案中，进一步地，生成目标区域对应的水质监测结果之后，还包括：将水质监测结果可视化展示。
[0023]在该技术方案中，得到目标区域内整个水体的水质监测结果后，输出整个水体的可视化图层，展示水体监测断面结果，支持水质模拟监测结果的定位查询。通过水质监测结果与可视化技术相结合，在三维空间上实时动态展现目标区域内整个水体水质的分级状况和污染情况，便于对水质现状实时评价，提高对目标区域的水质状况的整体认知和把握，为水污染防治提供决策支持。...
【技术保护点】
【技术特征摘要】
1.一种水质监测方法，其特征在于，包括：获取起始时间、结束时间和所述起始时间对应的第一水文数据；将所述起始时间、所述结束时间和所述第一水文数据输入至第一预设模型中，生成所述结束时间对应的第二水文数据；获取目标区域内多个监测点的监测数据和污染物参数；将所述起始时间、所述结束时间、所述监测数据、所述第一水文数据、所述第二水文数据和所述污染物参数输入至第二预设模型中，生成所述目标区域对应的水质监测结果。2.根据权利要求1所述的水质监测方法，其特征在于，所述第二预设模型包括水动力模型和水质模型，所述将所述起始时间、所述结束时间、所述监测数据、所述第一水文数据、所述第二水文数据和所述污染物参数输入至第二预设模型中，生成所述目标区域对应的水质监测结果的步骤，具体包括：将所述起始时间、所述结束时间、所述监测数据、所述第一水文数据和所述第二水文数据输入至所述水动力模型中，生成多个预设时间点对应的第三水文数据；将所述第三水文数据和所述污染物参数输入至所述水质模型中，生成所述多个预设时间点对应的水质污染结果；根据所述第三水文数据和所述水质污染结果，生成所述水质监测结果。3.根据权利要求1所述的水质监测方法，其特征在于，还包括：基于神经网络模型建立第一预设模型；获取预设时间段内的历史水文数据；对所述历史水文数据中的缺失数据采用拉格朗日插值法进行填充，得到填充后的完整水文数据；根据所述完整水文数据训练所述第一预设模型，并优化所述第一预设模型的参数。4.根据权利要求3所述的水质监测方法，其特征在于：所述神经网络模型包括：长短期记忆神经...
【专利技术属性】
技术研发人员：曾志辉，陈瑞斌，许文龙，廖海滨，邢军华，罗安华，
申请(专利权)人：深圳中兴网信科技有限公司，
类型：发明
国别省市：
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。