一种基于压力状态反馈框架的水环境风险预判方法及系统

摘要

本发明涉及水环境风险评价技术领域，具体涉及一种基于压力状态反馈框架的水环境风险预判方法及系统，所述方法包括：收集河网区域水环境风险的历史数据，基于所述历史数据构建具有层次结构关系的河网区域水环境风险的评价指标体系；计算所述风险评价指标体系中各个评价指标的权重，计算所述评价指标体系中各个评价指标对于评价等级的隶属度，基于所述隶属度建立模糊关系矩阵，基于所述模糊关系矩阵确定评价指标的最终评价结果；在压力状态反馈框架下，确定河网区域水环境风险的评价结果，基于所述河网区域水环境风险的评价结果得出风险调控建议，进行情景水环境风险预判，本发明有效的提高了河网区域水环境风险评价预测预判精度。

说明书

技术领域

本发明涉及水环境风险评价技术领域，具体涉及一种基于压力状态反馈框架的水环境风险预判方法及系统。

背景技术

随着社会经济、工农业的迅速发展以及城市化进程的不断加快，各地区环境压力也日益增大，人们的环保意识逐渐增强。随着风险评价概念在各行各业的广泛运行，水环境风险评价逐步进入大众视野。目前，常用水环境风险评价方法有图形叠加方法、信息扩散方法、指标体系方法、模糊数学综合等。其中水环境风险评价指标体系是水环境风险评价的重要步骤，现有的水环境风险评价指标体系多数采用静态的指标体系，缺乏考虑风险动态调控策略下河网水质预测的指标体系。常用的河网水质预测数学模型主要包括两大类：水质机理数学模型和水质数据驱动类数学模型。

现有水环境风险评价采用的河网水质数学模型多数采用单一静态模型进行水质预测，实际应用时的适用性和模拟精度有待提高。

发明内容

本发明目的在于提供一种基于压力状态反馈框架的水环境风险预判方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

为了实现上述目的，本发明提供以下技术方案：

一种基于压力状态反馈框架的水环境风险预判方法，所述方法包括以下步骤：

步骤S100、收集河网区域水环境风险的历史数据，基于所述历史数据构建具有层次结构关系的河网区域水环境风险的评价指标体系；

步骤S200、计算所述评价指标体系中各个评价指标对于评价等级的隶属度，基于所述隶属度建立模糊关系矩阵，基于所述模糊关系矩阵确定评价指标的最终评价结果；

步骤S300、在压力状态反馈框架下，确定河网区域水环境风险的评价结果，基于所述河网区域水环境风险的评价结果得出风险调控建议，进行情景水环境风险预判。

进一步，所述河网区域水环境风险的历史数据包括：样本氨氮、总磷、溶解氧和高锰酸盐指数。

进一步，所述河网区域水环境风险的评价指标体系由目标层、准则层、指标层组成。

进一步，步骤S100中，所述基于所述历史数据构建具有层次结构关系的河网区域水环境风险的评价指标体系包括：

利用层次分析法确定所述风险评价指标体系中各个评价指标的权重，根据各个评价指标的权重和隶属关系构建层次结构关系。

进一步，所述步骤S200包括：

步骤S210、分别对各个评价指标进行隶属度计算，得到各个评价指标的隶属度，其中，所述评价指标分为逆向指标和正向指标两类；

步骤S220、根据指标体系的各层级关系建立指标体系，根据各个评价指标的隶属度建立模糊关系矩阵；

步骤S230、根据各个评价指标的权重及模糊关系矩阵依次进行第一级、第二级评判，根据最大隶属度原则确定的风险等级作为该评价指标的最终评价结果。

进一步，所述步骤S300包括：

步骤S310、确定压力状态反馈框架下的河网区域源强；

步骤S320、采用河网区域水环境风险的预测模型体系预测评价指标体系的指标值；

步骤S330、根据河网区域水环境风险评价主导因素、河网风险等级划分及分区制定风险工程调控措施。

进一步，所述河网区域水环境风险的预测模型体系包括数据驱动模型、组合模型和机理模型。

一种计算机可读存储介质，所述计算机可读存储介质上存储有基于压力状态反馈框架的水环境风险预判程序，所述基于压力状态反馈框架的水环境风险预判程序被处理器执行时实现如上述任意一项所述的基于压力状态反馈框架的水环境风险预判方法的步骤。

一种基于压力状态反馈框架的水环境风险预判系统，所述系统包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一项所述的基于压力状态反馈框架的水环境风险预判方法。

本发明的有益效果是：本发明公开一种基于压力状态反馈框架的水环境风险预判方法及系统，与现有技术相比，本发明通过从河网区域水环境风险评价指标体系指标数据入手，分别从水质监测数据和水环境中污染物运动机理方向，建立河网区域水环境风险的评价指标体系，对不同河网区域水环境风险评价指标体系指标预测，实现将河网区域水环境风险评价系统作为一个由识别、分析、调控有机结合的动态整体，形成全面系统的动态水环境风险评价方法，可以有效的提高河网区域水环境风险评价预测预判精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中基于压力状态反馈框架的水环境风险预判方法的流程示意图；

图2是本发明实施例中水环境风险评价方法的流程示意图；

图3是本发明实施例中河网区域水环境风险的预测模型体系的结构示意图。

具体实施方式

以下将结合实施例和附图对本申请的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本申请的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

参考图1和图2，如图1所示为本申请实施例提供的一种基于压力状态反馈框架的水环境风险预判方法，所述方法包括以下步骤：

步骤S100、收集河网区域水环境风险的历史数据，基于所述历史数据构建具有层次结构关系的河网区域水环境风险的评价指标体系；

步骤S200、计算所述评价指标体系中各个评价指标对于评价等级的隶属度，基于所述隶属度建立模糊关系矩阵，基于所述模糊关系矩阵确定评价指标的最终评价结果；

步骤S300、在压力状态反馈框架下，确定河网区域水环境风险的评价结果，基于所述河网区域水环境风险的评价结果得出风险调控建议，进行情景水环境风险预判。

本发明提供的实施例中，通过在压力状态反馈框架下，根据水环境压力与状态的分析，采用模糊综合评价法，结合水质数据驱动模型和水质机理模型水质预测，将河网区域水环境风险评价系统作为一个由识别、分析、调控有机结合的动态整体，以此构建全面系统的动态水环境风险评价方法，实现区域水环境风险等级的预警，能够通过风险调控策略动态调控地对水环境风险等级的水环境进行风险评价。

在一个优选的实施例中，所述河网区域水环境风险的历史数据包括：样本氨氮、总磷、溶解氧和高锰酸盐指数。

在一个优选的实施例中，所述河网区域水环境风险的评价指标体系由目标层、准则层、指标层组成。

作为上述实施例的改进，步骤S100中，所述基于所述历史数据构建具有层次结构关系的河网区域水环境风险的评价指标体系包括：

利用层次分析法确定所述风险评价指标体系中各个评价指标的权重，根据各个评价指标的权重和隶属关系构建层次结构关系。

具体地，利用层次分析法根据指标体系层次结构关系，同层级指标两两比较，参照1-9标度含义，确定指标之间相对重要性，构建判断矩阵。采用几何平均法计算指标层相对于准则层、准则层相对于目标层的比值，共二级权重值，并以向量形式表示。最后对计算结果进行一致性检验，保证临界比小于0.1，即判断矩阵具有较好传递性、一致性。

作为上述实施例的改进，所述步骤S200包括：

步骤S210、分别对各个评价指标进行隶属度计算，得到各个评价指标的隶属度，其中，所述评价指标分为逆向指标和正向指标两类，所述评价指标的隶属度计算方式为：

对于逆向指标，指标值越小，水环境风险越高：

当x

当c

当x

对于正向指标，指标值越大，水环境风险越高：

当x

当c

当x

其中，x

步骤S220、根据指标体系的各层级关系建立指标体系，根据各个评价指标的隶属度建立模糊关系矩阵；

其中，所述模糊关系矩阵表示为：

步骤S230、根据各个评价指标的权重及模糊关系矩阵依次进行第一级、第二级评判，根据最大隶属度原则确定的风险等级作为该评价指标的最终评价结果。

具体地，根据以下公式计算评价指标的最终评价结果：

B

B＝WR＝(b

其中，b

在一个优选的实施例中，所述步骤S300包括：

步骤S310、确定压力状态反馈框架下的河网区域源强；

步骤S320、采用河网区域水环境风险的预测模型体系预测评价指标体系的指标值；

参考图3，在一个优选的实施例中，所述河网区域水环境风险的预测模型体系包括数据驱动模型、组合模型和机理模型。

在一个优选的实施例中，所述数据驱动模型通过以下方式确定：

数据清洗：对历史数据进行数据清洗；其中，对历史数据进行数据清洗是指利用基本统计学方法、相关性分析，将水质数据清洗，剔除异常数据，掌握风险评价指标体系指标时间序列相关性，从而提高预测精度。

计算相关系数：采用皮尔逊方法计算相关系数；

训练模型：将清洗后的历史数据随机拆分为不均等两份，多的部分数据作为训练集，少的为测试集；在训练集中分别建立的SARIMA、LSTM算法模型；将模型作用于测试集，实时反馈测试结果并进行不断的模型优化。

在一个优选的实施例中，所述组合模型是指基于SARIMA、LSTM算法模型进行优化组合形成组合模型；具体地，所述组合模型通过以下方式确定：

分别计算所述SARIMA算法模型、LSTM算法模型、以及组合模型得到的预测值，将所述预测值与实际值的平均误差率、均方根误差最小的模型作为最优预测模型；

选择最优预测模型是指分别计算所述SARIMA算法模型、LSTM算法模型、以及组合模型得到的预测值，根据所述预测值与实际值的平均误差率、均方根误差选择最优预测模型，模型的预测值与实际值的平均误差率和均方根误差越小，则模型越好。

平均误差率的计算公式为：

均方根误差的计算公式为：

其中：Xi表示模型预测值，Yi表示实际预测值，n表示预测值的总个数。

机理模型是指利用河网地形、水位、流量、水质数据，经过调参验证，建立的一维河网水动力水质模型。

步骤S330、根据河网区域水环境风险评价主导因素、河网风险等级划分及分区制定风险工程调控措施。

本实施例中，最终确定压力状态反馈框架下的压力、状态、反馈。

所述压力根据现状以及风险工程调控措施进行河网区域源强核算得到；

所述状态为：预测在所述压力下河网区域水环境的风险评价指标体系的指标值；

所述反馈为：根据河网区域水环境风险评价主导因素、河网风险等级划分及分区制定风险工程调控措施，所述风险工程调控措施包括提标减排、排口优化、生态补水、闸坝调控。

本实施例中，通过从河网区域水环境风险评价指标体系指标数据入手，分别从水质监测数据和水环境中污染物运动机理方向，建立SARIMA、LSTM算法、组合模型、一维河网水动力水质模型三类模型，对不同河网区域水环境风险评价指标体系指标预测，实现将河网区域水环境风险评价系统作为一个由识别、分析、调控有机结合的动态整体，形成全面系统的动态水环境风险评价方法。针对不同河网区域水环境风险评价指标体系指标(如溶解氧、氮、磷、COD)，运用SARIMA、LSTM算法、组合模型模拟，动态跟踪预测精度，调整指标最优预测模型，建立风险工程调控措施下的一维河网水动力水质模型，可以有效的提高河网区域水环境风险评价预测预判精度。

下面是本发明的一个具体实施案例：

根据常州市某河某监测断面2019年某日的现状水质数据，经水质指标危害以及相关性分析后，水温、PH对河流水环境风险没有明显影响，各指标间没有明显相关性，进行初步指标筛选，然后采用模糊综合评价法，根据《地表水环境质量标准》和水质标准等级偏离度制定无风险(未监测到)、极低风险(偏离度50％)、低风险(偏离度30％))、中度风险(偏离度0))、高风险(偏离度-30％)、极高风险(偏离度-50％)6级风险程度，该断面水质标准为Ⅱ级标准，确定该断面最终水环境风险为极高风险，风险主导因素为粪大肠杆菌和氨氮。

表1：水环境风险评价的指标体系中指标权重及模糊矩阵

根据常州市该河某监测断面2018-2020年的水质数据，将样本氨氮、总磷、溶解氧和高锰酸盐指数等历史数据(日均值)分为训练集300条记录，测试集128条记录；利用训练集，分别建立该监测断面的各评价指标的SARIMA、LSTM算法的预测模型，不断进行模型训练，直到测试预测误差率小于30％；基于测试集进行测试验证，采用最优预测模型选择方法，分别计算SARIMA、LSTM算法模型、组合模型的均方根误差和平均误差率，得到该监测断面特定指标的最优模型；动态跟踪预测精度，分析模型稳定性，在平均误差率不小于30％时，进行新样本的模型训练，动态调整最优预测模型。

根据常州市该河所在河网区域河网地形、同期水位、流量、水质资料，建立一维河网水动力水质模型，模型模拟流量平均误差为10％，水质率定误差在30％内。

在常规源强压力下进行水环境风险预测时，采用SARIMA、LSTM算法模型、组合模型最优模型进行预测，水环境风险评价指标体系指标值动态跟新，预测未来1天该断面水环境风险，风险降为高风险。风险主导因素仍为粪大肠杆菌和氨氮。根据污染物溯源分析，粪大肠杆菌和氨氮超标可能受污水处理厂排污影响，提高对污水处理厂的粪大肠杆菌和氨氮排放标准，经核算，从污水处理厂排入河口处的粪大肠杆菌和氨氮排放量减少。在此风险工程调控措施源强压力下，采用一维河网水动力水质模型进行预测，水环境风险评价指标体系指标值动态更新，预测在此风险工程调控措施下该断面水环境风险预判，确定具体风险工程调控措施。

与图1的方法相对应，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于压力状态反馈框架的水环境风险预判程序，所述基于压力状态反馈框架的水环境风险预判程序被处理器执行时实现如上述任意一实施例所述的基于压力状态反馈框架的水环境风险预判方法的步骤。

与图1的方法相对应，本发明实施例还提供一种基于压力状态反馈框架的水环境风险预判系统，所述系统包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一实施例所述的基于压力状态反馈框架的水环境风险预判方法。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

所述处理器可以是中央处理单元(Central-Processing-Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor，DSP)、专用集成电路(Application-Specific-Integrated-Circuit，ASIC)、现场可编程门阵列(Field-Programmable-Gate-Arr ay，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于压力状态反馈框架的水环境风险预判系统的控制中心，利用各种接口和线路连接整个基于压力状态反馈框架的水环境风险预判系统可运行装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于压力状态反馈框架的水环境风险预判系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart-Media-Card，SMC)，安全数字(Secure-Digital，SD)卡，闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

尽管本申请的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本申请的预定范围。此外，上文以发明人可预见的实施例对本申请进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本申请的非实质性改动仍可代表本申请的等效改动。