[发明专利]基于在线光谱识别的水体污染溯源和风险预测评估方法

权利要求书

1.基于在线光谱识别的水体污染溯源和风险预测评估方法，其特征在于：包括如下步骤：

1)调查目标水域出现的污染物质及来源；

2)将浸入式UV水质在线分析仪在需要监测的目标水域中放置一段时间，获取当地河湖水体水质的背景值；

3)构建云计算平台；

4)对受潜在污染源影响的水域布置浸入式UV水质在线分析仪进行实时在线监测，将水质数据实时上传至云计算平台应用服务器进行数据保存及处理；

5)根据实时上传的水质数据，通过云计算平台中嵌入的水体污染识别计算程序进行水体污染在线识别计算，实时判别在当地河湖水质背景浓度下是否存在相应污染物泄露情况；水体污染识别计算程序进行数据筛选过滤，根据光谱数据峰值对应光谱范围确定浓度超标物质种类；

6)当浸入式UV水质在线分析仪检测出异样物质浓度超标，采用云计算平台中嵌入的溯源程序进行污染源定位及释放历史识别，所述的溯源程序是基于卡尔曼滤波法的不确定性优化模型，由卡尔曼滤波优化模块和二维物质输运模块耦合；所述卡尔曼滤波优化模块的抽样算法采用蒙特卡洛随机抽样法，所述二维物质输运模块基于二维对流扩散方程和有限体积差分方法，所述的溯源程序中二维物质输运模块基于如下公式(1)的基本控制方程：

式中：H为水深；C为等深的物质浓度；t为时间；u和v分别为x、y方向上速度；K_xx，K_xy，K_yx以及K_yy为二维扩散系数张量；

对于所述的公式(1)分成如下对流项和扩散项方程：

对流项：

扩散项：

利用有限体积法对上面对流项和扩散项进行差分计算，模拟污染物浓度场；

所述的溯源程序中卡尔曼滤波优化模块流程包括预测、更新两个步骤：

首先，用K表示预测模型的状态变量集合，集合个体由蒙特卡洛随机抽样算法得到，表示集合均值，以K′表示两者之差如公式(4)：

上式(5)中I_N为平均值算子，N为状态变量集合数量；P表示K的误差协方差矩阵，上标f和a分别表示预测值和分析值，则P^f和P^a分别表示状态变量的预测值和分析值误差协方差矩阵；

P^f＝K^f′(K^f′)^T (6)；

P^a＝K^a′(K^a′)^T (7)；

其中，T表示矩阵转置，K^f和K^f分别为状态变量的预测值和分析值；

7)根据溯源结果通过云计算平台中嵌入的风险预警程序进行监测水域附近未来一段时间内的污染风险评估。

2.根据权利要求1所述的基于在线光谱识别的水体污染溯源和风险预测评估方法，其特征在于：步骤1)中，所述的调查目标水域出现的污染物质及来源是调查目标水域附近具备潜在污染性的污染源头，并制作污染指纹图谱方便对照查询判断污染物来源。

3.根据权利要求1所述的基于在线光谱识别的水体污染溯源和风险预测评估方法，其特征在于：所述的步骤2)具体为浸入式UV水质在线分析仪分时段观测目标实体水质，时间间隔为1h；观测期间包括两种对比情形：晴雨不同天气状况、工厂高低峰不同生产状态；根据重复观测结果，分段时取平均值作为该时段的水质本体值。

4.根据权利要求1所述的基于在线光谱识别的水体污染溯源和风险预测评估方法，其特征在于：所述的步骤3)中，所述的云计算平台包括应用服务器和通信服务器；所述应用服务器与所述通信服务器连接，应用服务器用于记录实时上传的水质数据和处理相关业务逻辑，其中业务逻辑包括水体污染识别计算程序、溯源程序、风险预警程序，所述通信服务器用于与移动终端和监控终端与应用终端的通信，其中监控终端为浸入式UV水质在线分析仪。

5.根据权利要求1所述的基于在线光谱识别的水体污染溯源和风险预测评估方法，其特征在于：所述的溯源程序中卡尔曼滤波优化模块流程包括预测、更新两个步骤具体包括如下步骤：

1)预测步骤通过下式来表示

式中：i表示状态变量集合成员序号，表示t时刻第i个集合成员的状态变量的更新值；表示t+1时刻第i个集合成员状态变量的预测值；表示模型算子；e_1i表示模型误差向量，误差服从e_1i～N(0,X)；

2)更新步骤通过下式来表示

其中，S_i,t+1表示t+1时刻第i个集合成员观测状态变量的向量；Q为转换矩阵；e_2i表示观测误差，误差服从e_2i～N(0,Y)；为t+1时刻第i个集合成员的仪器观测的真实状态；

E为观测误差矩阵，如下式：

E＝(ε₁,ε₂,…,ε_N)∈R^m×N (10)；

式中m为观测值数量，N为状态变量集合数量，ε为状态变量观测误差；

R_e为观测误差协方差矩阵，如下式：

R_e＝E′(E′)^T (11)；

其中，

其中，G_t+1表示t+1时刻的增益矩阵，用下式表示：

式中，Y_t+1为t+1时刻所有集合中状态变量的方差Y组成的矩阵；

更新的状态误差协方差矩阵为：

式中，I为单位矩阵。