突发性流域水污染事故监测方法及装置

摘要

本发明提供一种突发性流域水污染事故监测方法及装置，该方法包括：获取监测区域的水文数据；将基础流域数据，输入预设的水质分析模型，输出预测时间段的水质数据；预设的水质分析模型，基于3DCNNs构建并以水流数值模拟模型的输出数据作为标签，对应的基础流域数据作为样本训练得到。该方法解决了MIKE 21等模拟模型计算时间太长的问题，对流域水质环境实现快速预测，有效分析未来变化趋势，减少时间损耗，从而可提高当地环境部门响应速度，最终对流域水污染事故做出快速有效精准的治理。此外，该方法利用3DCNNs的时间序列属性，能够分析水质数据在时间上的变化,同时加入残差网络单元，分析水质数据在空间特征上的变化。

说明书

技术领域

本发明涉及计算机图形技术领域，尤其涉及一种突发性流域水污染事故监测方法及装置。

背景技术

近年来，流域水污染重大突发事件层出不穷，生态环境面临严重的威胁，相关环境部门对水环境污染事故采取实时监测方案，大多使用无线传感器网络系统，自动地监测流域水质指标如氨氮、五日生化需氧量(BOD

具体而言，现有的MIKE 21等水流数值模拟模型，功能强大，耗费大量的时间，在水污染突发应急情况出现时不能快速的分析水质未来的变化趋势。

发明内容

针对现有技术存在的问题，本发明提供一种突发性流域水污染事故监测方法及装置。

本发明提供一种突发性流域水污染事故监测方法，包括：获取监测区域的水文数据和气象数据作为基础流域数据，增加水质数据在时间和空间上的粒度；将基础流域数据，输入预设的水质分析模型，输出预测时间段的水质数据；其中，所述基础流域数据包括预设时间段的水文数据、预设时间段的气象数据以及监测区域的地形数据；所述预设的水质分析模型，基于3DCNNs和残差网络构建，并以水流数值模拟模型的输出数据作为标签，对应的基础流域数据作为样本训练得到。

根据本发明一个实施例的突发性流域水污染事故监测方法，所述将基础流域数据，输入预设的水质分析模型之前，还包括：获取基础流域数据样本，将所述基础流域数据样本输入水流数值模拟模型，得到预测的水质数据；

基于3DCNNs网络和残差网络构建初始水质分析模型，以预测的水质数据作为标签，所述基础流域数据样本作为输入，对所述初始水质分析模型进行训练，得到所述预设的水质分析模型。

根据本发明一个实施例的突发性流域水污染事故监测方法，得到所述预设的水质分析模型之后，还包括：使用均方根误差和平均绝对误差评估水质分析模型，若均方根误差和平均绝对误差值不满足预设条件，则重新选取输入样本进行训练。

根据本发明一个实施例的突发性流域水污染事故监测方法，所述基础流域数据包括，监测区域的地形数据、水文数据和气象数据。

根据本发明一个实施例的突发性流域水污染事故监测方法，所述地形数据包括经纬度和高程数据，所述水文数据包括水流量、曼宁系数和水质数据，所述气象数据包括风速数据和风向数据。

根据本发明一个实施例的突发性流域水污染事故监测方法，所述持续获取监测区域的水质数据，具体为：边缘计算网关持续获取监测区域的水质数据；相应地，所述将基础流域数据，输入预设的水质分析模型，具体为：将基础流域数据，输入边缘计算网关中预设的水质分析模型。

根据本发明一个实施例的突发性流域水污染事故监测方法，输出预测时间段的水质数据之后，还包括：对预测时间段的水质数据进行分析，得到水质分析结果。

根据本发明一个实施例的突发性流域水污染事故监测方法，输出预测时间段的水质数据之后，还包括：将所述预测时间段的水质数据和\或水质分析结果，发送至云端服务器进行存储。本发明还提供一种突发性流域水污染事故监测装置，包括：数据采集模块，用于获取监测区域的水文数据和气象数据；水质预测模块，用于将基础流域数据，输入预设的水质分析模型，输出预测时间段的水质数据；其中，所述基础流域数据包括预设时间段的水文数据、预设时间段的气象数据以及监测区域的地形数据；所述预设的水质分析模型，基于3DCNNs和残差网络构建，并以水流数值模拟模型的输出数据作为标签，对应的基础流域数据作为样本训练得到。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述突发性流域水污染事故监测方法的步骤。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述突发性流域水污染事故监测方法的步骤。

本发明提供的突发性流域水污染事故监测方法及装置，通过3DCNNs方法构建替代模型，解决了如MIKE 21等水流数值模拟模型计算时间太长的问题。该方法对流域水质环境实现快速预测，有效分析其未来变化趋势，减少时间的损耗，从而可提高当地环境部门响应速度，最终对流域水污染事故做出快速有效精准的治理。此外，该方法利用3DCNNs的时间序列属性，能够分析水质数据在时间上的变化,同时加入残差网络单元，用于分析水质数据在空间特征上的变化。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的突发性流域水污染事故监测方法的流程示意图之一；

图2是本发明提供的突发性流域水污染事故监测方法的流程示意图之二；

图3是本发明提供的突发性流域水污染事故监测装置的结构示意图；

图4是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

现有的水质数据粒度较小，不能很好的反映出流域水质情况，因此，地方相关环境部门使用MIKE 21根据现有的基础水质数据集构造水流数值模拟模型，来扩大水质数据的粒度，时间上能以半小时为单位得出数据，空间上能观测某个子区域的水质变化情况。但现有的MIKE 21水流数值模拟模型功能虽强大，但运行速度慢，需要专业人员操作，在水污染紧急情况下不能快速地进行分析。

下面结合图1-图4描述本发明的突发性流域水污染事故监测方法及装置。图1是本发明提供的突发性流域水污染事故监测方法的流程示意图之一，如图1所示，本发明提供突发性流域水污染事故监测方法，包括：

101、获取监测区域的水文数据。

首先收集流域的基础流域数据，基础流域数据包括水文数据和气象数据。根据监测区域内监测站点的无线网络传感器等获取水文数据。水文数据包括，流域的水流量数据及监测站点监测到的水质数据，如DO、BOD

102、将基础流域数据，输入预设的水质分析模型，输出预测时间段的水质数据；所述预设的水质分析模型，基于3DCNNs和残差网络构建，并以水流数值模拟模型的输出数据作为标签，对应的基础流域数据作为样本训练得到。

基础流域数据还包括监测区域的地形数据，地形数据可以从流域的卫星地形图获得，包括高程数据和经纬度，也可根据地理数据库获得气象数据和地形数据作为基础流域数据的一部分。

在本发明中，通过获取区域中传感器采集的水质数据以及水流量数据，实现了整个流域在不同监测站点水质的监控分析。根据获得的基础数据集可以通过如MIKE 21水流数值模拟模型获得整个流域的不同地点在未来不同时刻的水质值，增大数据的粒度。然后，基于未来不同时刻的水质值作为标签，训练水质分析模型，得到水质分析模型来代替MIKE21等水流数值模拟模型。

流域水质数据是一种既有时间属性又有空间属性的数据，目前已有的仿真替代模型有径向基函数模型、Kriging模型、小波神经网络模型等，只能模拟某一时刻水质的变化趋势，不具有时间序列属性，不能分析水质数据既在时间上的变化，又在空间上的相关性，这样的替代模型在代替MIKE 21水流数值模型分析水质环境时不够全面，误差较大，不能精确地根据实时环境数据进行模拟分析。

本发明提供的突发性流域水污染事故监测方法，通过3DCNNs方法和残差网络构建替代模型，解决了MIKE 21水流数值模拟模型计算时间太长的问题。该方法对流域水质环境实现快速预测，有效分析其未来变化趋势，减少时间的损耗，从而可提高当地环境部门响应速度，最终对流域水污染事故做出快速有效精准的治理。此外，该方法利用3DCNNs的时间序列属性，能够分析水质数据在时间上的变化。

在一个实施例中，将基础流域数据，输入预设的水质分析模型之前，还包括：获取基础流域数据样本，将所述基础流域数据样本输入水流数值模拟模型，得到预测的水质数据；基于3DCNNs网络和残差网络构建初始水质分析模型，以预测的水质数据作为标签，所述基础流域数据样本作为输入，对所述初始水质分析模型进行训练，得到所述预设的水质分析模型。

模型训练之前，首先同样收集流域的基础流域数据，根据监测站点的无线网络传感器等获取水质数据，根据地理数据库获得气象数据和地形数据作为基础流域数据。

然后将基础流域数据输入MIKE 21搭建水流数值模拟模型，得到MIKE 21的输出，即预测的水质数据，将MIKE 21的输出数据和基础流域数据作为样本集，使用3DCNNs方法和残差网络构建替代模型，训练验证。

搭建水流数值MIKE 21模型包括，根据流域地形数据将基础地图划分为N个网格进行计算，得到每个网格的曼宁系数，每个网格为一个带有经纬度的地点。输入气象数据、水流量数据，曼宁系数及监测站点的水质数据，经MIKE 21计算，分别得到每个网格在未来某个时间段的水质值。

具体地，可将基础地图划分为39078个网格，经过MIKE 21模型计算，得到39078个网格的水质数据，这些水质数据差异不大，且一部分网格的经纬度是一致的，在构建替代模型时首先对数据进行预处理，删除空数据以及经纬度重复的数据。水质数据集可以称为时空数据，既有时间属性(Temporal)又有空间属性(Spatial)。时空数据也是多个时间序列，每个时间序列是由不同的空间产生的，每个时间序列自身有时间上的关联，这些时间序列之间也有空间上的关联，在进行预测时，先把序列进行时间上的划分，在每个时间点上进行空间的预测，再在时间上进行预测融合。本发明提出3DCNNs和残差网络的方法，即空间维度上，将研究区域划分为长宽等距的栅格区域，时间维度上切片，即预测某个位置点的值，这个值不仅和它当前空间维度有关系，还和它过去不同时间段不同位置点有关。经过3DCNNs卷积运算，时间信息已经充分挖掘，之后采用残差网络来进一步探索空间信息。残差网络由两次激活和2D卷积结合，再叠加到3D卷积层上。在时间上，以3个小时为间隔，即12：00、15：00、18：00、21：00、00：00、3：00、6：00、9：00，则一天有8个时间段，时间维度以8为周期进行预测。

3D CNNs主要运用在视频分类、动作识别等领域，它是在2DCNN的基础上改变而来的，若采用2D CNN对时空数据进行操作，一般都是对数据的每一帧时序利用CNN来进行识别，对于一个滤波器，输出为一张二维的特征图，多通道的信息被压缩了，这种方式的识别没有考虑到时间维度的帧间运动信息，不能很好的捕获时序信息。因此采用3D CNNs，它通过堆叠多个连续的帧组成一个立方体，然后在立方体中运用3D卷积核。在这个结构中，卷积层中每一个特征map都会与上一层中多个邻近的连续帧相连，因此捕捉运动信息。这样就能将序列中时序信息进行很好的利用，3D卷积的输出仍然为3D的特征图。也就是说，使用3DCNNs能更好的捕获数据的时间和空间的特征信息。

本发明的突发性流域水污染事故监测方法，通过3DCNNs网络和残差网络构建初始水质分析模型，可解决水流数值模拟模型的数据分析的延迟问题。

在一个实施例中，得到所述预设的水质分析模型之后，还包括：使用均方根误差(RMSE)和平均绝对误差(MAE)评估模型，若均方根误差和平均绝对误差值不满足预设条件，则重新选取输入样本进行训练，具体定义如下：

式中，y

在一个实施例中，所述基础流域数据包括，监测区域的地形数据、水文数据和气象数据。其中，所述地形数据包括经纬度和高程数据，所述水文数据包括水流量、曼宁系数和水质数据，所述气象数据包括风速数据和风向数据。图2是本发明提供的突发性流域水污染事故监测方法的流程示意图之二，具体应用可参见上述实施例和图2。

在一个实施例中，所述持续获取监测区域的水质数据，具体为：边缘计算网关持续获取监测区域的水质数据；相应地，所述将基础流域数据，输入预设的水质分析模型，具体为：将基础流域数据，输入边缘计算网关中预设的水质分析模型。

在一个实施例中，输出预测时间段的水质数据之后，还包括：对预测时间段的水质数据进行分析，得到水质分析结果。例如，通过边缘计算网关对预测得到的水质数据进行分析，得到未来的水质状态。

在一个实施例中，输出预测时间段的水质数据之后，还包括：将所述预测时间段的水质数据和\或水质分析结果，发送至云端服务器进行存储。

考虑到目前的无线网络传感器监测系统需要传输海量数据，而数据中心在云端，数据经过打包和网络传输耗费了大量时间，传输成本高，数据处理不能体现实效性。

在完成MIKE 21模型模拟后，将其输出数据和输入数据作为样本集来训练替代模型网络，将训练好的替代模型传输到监测站点的边缘计算网关模块，边缘计算网关可以进行低功耗高性能AI算法，以及数据的上行和下行，和云端服务器进行通信。通过边缘计算网关和传感器采集的数据，预测水质的未来变化趋势，将水质数据和分析结果中任意一个，或者两个都返回到云端，在水污染紧急情况发生时快速分析不同区域的水质变化趋势，提高当地环境部门的响应速度。

边缘计算网关搭建的实现方式：集成NVIDIA公司的人工智能板Jetson Xavier和基于全志A64处理器的主板，可以嵌入摄像头等设备，拼装为PAD使用，提高运算速度。Jetson Xavier带有Tensorflow设备，可以进行大量图像识别等AI算法；基于全志A64的主板用于数据获取、无线网络连接、数据的上行和下行以及与云端通信。

基于全志A64的主板主要接口：USB接口，TF卡接口，OTG接口以及串口；提供MIPI接口，最大可支持1900x1200分辨率LCD屏幕；提供CSI摄像头接口，最高500w像素的高清摄像头输入，支持定焦或者自动对焦；板卡集成了Wifi和蓝牙4.0模块，耳麦接口，扬声器接口，独立供电接口，和micro USB数据接口。尺寸小巧，性能稳定。主要模块有：

1)AXP803，一种高度集成的PMIC，针对锂电池应用，需要多通道功率转换输出。它为处理器提供了一个简单而灵活的电源管理解决方案，以满足日益复杂和准确的电源控制要求。

2)2个4GB DDR3LSDRAM。

3)NCEFBS98-16G存储器芯片IC FORESEE。

4)Ameba CS RTL8721CSM(QFN68)，一款高集成度、低功耗的物联网单片机。结合了ARM的新架构Armv8M KM4 MCU、Wi-Fi、蓝牙，并提供了一组可配置的GPIOs，这些GPIOs被配置为数字外设，应用于不同的应用程序和控制使用。

5)GL850G USB HUB控制器芯片，拥有低耗电、温度低及接脚数减少等特性。

本发明的突发性流域水污染事故监测方法，减少了云数据中心设备的计算压力，提高计算的实效性，通过边缘计算网关，实现在数据源边缘对数据处理、分析、以及各种AI算法，解决了云端数据分析的延迟问题，节约了传输成本，提高了数据质量，加快了运算速度，降低时间成本。

下面对本发明提供的突发性流域水污染事故监测装置进行描述，下文描述的突发性流域水污染事故监测装置与上文描述的突发性流域水污染事故监测方法可相互对应参照。

图3是本发明提供的突发性流域水污染事故监测装置的结构示意图，如图3所示，该突发性流域水污染事故监测装置包括：数据采集模块301和水质预测模块302。其中，数据采集模块301用于获取监测区域的水文数据；水质预测模块302用于将基础流域数据，输入预设的水质分析模型，输出预测时间段的水质数据；其中，所述基础流域数据包括预设时间段的水文数据、预设时间段的气象数据以及监测区域的地形数据；所述预设的水质分析模型，基于3DCNNs和残差网络构建，并以水流数值模拟模型的输出数据作为标签，对应的基础流域数据作为样本训练得到。

本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。

本发明实施例提供的突发性流域水污染事故监测装置，通过3DCNNs方法构建替代模型，解决了如MIKE 21等水流数值模拟模型计算时间太长的问题。该方法对流域水质环境实现快速预测，有效分析其未来变化趋势，减少时间的损耗，从而可提高当地环境部门响应速度，最终对流域水污染事故做出快速有效精准的治理。

图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令，以执行突发性流域水污染事故监测方法，该方法包括：获取监测区域的水文数据；将基础流域数据，输入预设的水质分析模型，输出预测时间段的水质数据；其中，所述基础流域数据包括预设时间段的水文数据、预设时间段的气象数据以及监测区域的地形数据；所述预设的水质分析模型，基于3DCNNs和残差网络构建，并以水流数值模拟模型的输出数据作为标签，对应的基础流域数据作为样本训练得到。

此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的突发性流域水污染事故监测方法，该方法包括：获取监测区域的水文数据；将基础流域数据，输入预设的水质分析模型，输出预测时间段的水质数据；其中，所述基础流域数据包括预设时间段的水文数据、预设时间段的气象数据以及监测区域的地形数据；所述预设的水质分析模型，基于3DCNNs和残差网络构建，并以水流数值模拟模型的输出数据作为标签，对应的基础流域数据作为样本训练得到。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的突发性流域水污染事故监测方法，该方法包括：获取监测区域的水文数据；将基础流域数据，输入预设的水质分析模型，输出预测时间段的水质数据；其中，所述基础流域数据包括预设时间段的水文数据、预设时间段的气象数据以及监测区域的地形数据；所述预设的水质分析模型，基于3DCNNs和残差网络构建，并以水流数值模拟模型的输出数据作为标签，对应的基础流域数据作为样本训练得到。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。