【上海某景区河道水质检测研究开题报告文献综述4500字】

PAGE2一、选题依据1、选题目的：景区河道水质的研究有利于全面认识景区水质的特点，可以丰富现今社会在景区河道水质的研究。2、选题意义：从目前上海地区4A类及以上景区，可以看到景区内分布大量供游客休息饮食的小吃餐饮，需要了解大量的人类活动是否会对景区河道水质产生影响，河道水质检测对水质质量分析具有绝对的帮助。二、文献综述摘要：近年来，我国经济社会快速发展，城市河道水质污染事故时有发生，水资源短缺面临的压力越来越大,迫切需要建立并完善水质监测系统进行水质动态监测、污染异常检测和自动判别，以减少人工检测劳动程度，提高应急管控能力，保障城市河道水环境安全。但现有的水质监测与判别方法往往基于常规水质指标从理化性质(浊度、电导率、溶解氧)、有机物含量(化学需氧量、氨氮)酸碱度(pH)等角度单一分析水质状况，较少挖掘水质时序数据中隐含的信息，存在水质事件难以快速有效检出等不足。本文即是围绕在线监测数据的挖掘利用，通过梳理国内外学者的相关研究，对基于多指标时序数据的河道水质异常检测方法研究展开叙述，对河道水质在线监测过程中可能存在的异常事件给出预警信息和决策支持。引言水质安全关乎民生,进行有效的水质监控是国内外诸多学者重点关注的研究热点。水质异常事件检测就是利用传感器测量水质监测数据,通过预测水质短期变化等一系列手段检测出水质异常事件，并推断可能出现的污染事件类别，或对污染的演化进行分析，以便制定解决方案辅助应急处理。国内外相关研究也从简单地对水质是否异常做出判断，转而更加具体地进行定性判别。旨在对水质进行趋势预测实时评估，更准确地发出检测信号，并降低污染事件的潜在风险。一.水质异常检测研究现状水质异常检测技术是城市河道水质监测系统的一项核心功能。水质异常检测，即通过一段时间内的水质监测数据，预测水质状态是否符合预期，判断水质是否出现异常,又被称为二值鉴别器[1]。目前关于水质异常检测研究主要分为以下三类:基于机理和水动力模型的方法、基于时间序列数据驱动的方法、基于机器学习的方法。(一)基于机理和水动力模型的方法化学机理和水动力模型的发展主要分为以下几个阶段:第一阶段以一维水质方程为代表的氧平衡方程(S-P)、生化需氧量-溶解氧平衡模型(BOD-DO)、溶解氧衰减模型(DOSAG-1)等[2]。第二阶段以美国环保局(EPA)推出的一系列一维综合水动力模型(QUAL、QUAL-1I、QUAL2K)、三维水质分析模型(WASP)等，以不同的方式组合多个水质变量[3]。第三阶段则以多介质综合模型为主，全面考虑水中各种综合情况，丹麦的水动力研究机构(DHI)研发了河流水质模拟软件MIKEI、MIKEI[4]等,耦合外源污染、底泥运输、流域污染轨迹等多个模块对水质的影响[5]。基于这些模型，将水质动力学基本定律用数学建模的方式加以描述，在一定的水动力学边界条件下对水质变化的解析参数进行数值率定，预测水质参量模拟水体水质变化的运动过程,将模型预测的参照值作为异常判别的基准，进而运用在河流的水质预警中。我国曾经将MIKEII模型应用于长江地区的咸潮入侵预警中，取得了良好的效果[6]。(二)基于时间序列数据驱动的方法随着水质实时监测技术的发展,学者们直接将水质监测数据视为时间序列数据，来检测水质波动模式的异常变化，研究也从机理层面转向数据驱动层面。早期的异常检测方法以阈值法为代表,利用单一水质指标的经验阈值或国标进行异常判定,例如Byerl[7]等人提出将水质指标的监测值和背景的均值之差的三倍统计标准偏差视为阈值,实测值超出该阈值时判定出现水质异常事件，并通过向水质监测系统中注入四种不同浓度的污染物来模拟真实异常事件,验证了算法的检出性能。Arad[8]等人则提出一种动态阈值的方法，利用序贯贝叶斯准则对阈值进行更新，实现水质异常检测。该类“阈值判别”方法实现较为简单，但难以适用于河道这种背景波动较为复杂的水质情况。时间序列预测方法可用于刻画水质背景数据波动,根据历史常规水质指标监.测数据的线性或非线性组合来预测当前时刻水质指标的值，基于统计理论，通过判定新的观测数据的残差是否满足某一假设分布来进行异常判别，相对阈值模型可以取得更好的效果。Mckennal[9]提出利用时间序列递增算法(Timeseriesincrement,TSI)和自回归模型(Auto-Regressive,AR)学习历史水质变化模式，削弱水质基线波动带来的影响，通过对比实际值与预测值的残差是否超出阈值,来判定是否发生水质异常。Zhang等[10]提出了一种基于双时移窗口的水质异常检测算法，利用AR模型的预测值实时更新滑动窗口的方式降低误报率。Oliker等人[11]提出采用序列分析的方法消除单点离群值的误报,但难以避免连续的噪声或水质波动的影响。由于实际场景中水质背景变化容易受环境影响，数据会随着时间的推移而演变，通过单一指标的统计分析模型来刻画水质波动也是困难的。随着水质监测技术的不断完善，能够监测的指标越来越丰富，引入多个指标的波动分析技术，增强对水质异常信息的分析和挖掘能力成为可能。(三)基于机器学习的方法Pani[12]最早将神经网络引入水质预测中，揭示水质时间序列历史数据和受季节等因素引起的周期性变化的隐含关系，对温度，溶解氧，氨氮等指标进行了预测，效果较好。Maol[13]等人引入多层前馈神经网络学习多参数之间的关联关系，通过对水质历史数据进行建模,进行多个水质指标的预测，结合序贯贝叶斯准则，对单变量事件异常概率进行融合，对残差序列进行异常判别而非原始水质指标，降低水质背景波动的影响，有效的检出水质异常事件。随着研究的深入，尽管水质预测的准确性正在提高，但由于相关水质参数在时间序列上呈非平稳非线性，因此更准确的异常检测方法值得被进一步研究。二.污染源判别研究现状(一)基于仪器分析法近年来，众多学者引入气相色谱/质谱(GCMS)、液相色谱!质谱(LC/MS)、三维荧光光谱等光谱质谱分析方法,其原理是利用不同物质的光谱特征曲线或峰位来对河道水体中的重金属、特定污染物等进行检测，尝试推断不同的污染源类别。例如，刘晔[14]等人将GC/MS技术用于水污染应急监测工作中，可以有效检测河道污染源的种类，还可以判定污染范围与污染程度。Lu等人[15]采用三维荧光技术，对不同的污染源样本建立荧光特征指纹库，通过将未知污染源类型水样的水质荧光信号和特征指纹库进行相似性匹配的方法，可以成功识别化工等污染.源。Borisover等人[16]利用荧光技术标记工厂工业废水并建立污染源指纹库，在河道下游进行采样，通过和指纹库进行匹配的方式对工业废水进行污染源溯源。总的来说，上述方法能较为准确地实现对污染源的类型定性与定量判别，但不足之处在于准备过程耗费较长时间,不适于大规模推广至河道水的在线监测和实时预警中。(2)基于常规水质指标的方法常规水质指标具有一定的表征水体质量的能力。依据《地表水环境质量标准》(GB3838-2002)中规定的评价方法，可以基于单个水质指标从单一层面反映河道水质污染情况[17],多个水质指标和污染源之间存在一定的关联[18],利用其对污染源的响应关系，通过水质指标的变化进行识别分类，准确地检测水质事件。随着水质监测指标的多样化和实时化，一系列基于常规水质多参数的主成分分析(PCA)及因子分析[19]、聚类分析[20]、分类判别[21]等算法被学者用于间接判定污染源类别，更好地表征水质污染状况。研究评述纵观国内外近二十年来的研究,在河道水质异常检测方面仍然存在一些问题值得研究和探讨。目前的检测技术存在的局限性主要总结为以下三方面:(1)现阶段的河道水质评价工作大多以人工采样为主,依靠河长人工巡检，定期测量上报的方式不能在异常事件发生之初就及时检出，或只能在污染很严重的情况下检测与处理，存在滞后性;在线监测的方式大多是根据各项常规水质指标根据国标或经验法设置的超限阈值进行报警,在单一时间点进行分析，未能引入水质指标的时序变化信息，常常出现误报、漏报、报警疲劳现象。难以充分发挥水质监测数据的应用价值。(2)基于时间序列的方法往往在固定的时间窗口内对水质进行分析，水质背景受环境的影响发生动态推移演变,河道水的水质背景波动存在非线性非平稳性等特点，会使模型难以准确寻找到监测指标时序变化规律;基于机器学习的研究方法对数据的先验要求过高,对于河道水质环境而言,异常往往是各式各样的，发生频率低,负样本少,无法获取全部未知的样本标签,限制了异常检测的能力，很难用一个统一的分类模型覆盖所有的异常场景，且直接对原始水质指标或预测值进行分类或聚类，受河道水质背景波动和外界噪声干扰时信噪比较低，未能充分挖掘水质波动中隐含的信息，在实际复杂的河道环境中适应性较差。(3)现有的异常检测方法较少挖掘多个参数指标和污染源的联合响应关系，准确识别污染源并辅助水质部门进行决策仍然是值得研究的问题。参考文献：[1]CanterLW.Riverwaterqualitymonitoring[M].CRCPress,2018.[2]MahajanAU,ChalapatiraoCV,GadkariSK.Mathematicalmodeling--Atoolforcoastalwaterqualitymanagement[J].WaterScienceandTechnology,1999,40(2):151-157.[3]彭希珑,朱百鸣,何宗健河流水质预警预报模型的进展[J].江西化工,2004(03):37-42.[4]JhaMK,GuptaAD.ApplicationofMikeBasinforwatermanagementstrategiesinawatershed[J].WaterInternational,2003,28(1):27-35.[5]赵龙舫.河流突发性水污染事件实时预警方法研究及系统实现[D].浙江大学,2013..[6]徐志,马静,王浩,等.长江口影响水资源承载力关键指标与临界条件[].清华大学学报(自然科学版),2019,59(05):364-372.[7]ByerD,CarlsonKH.Real-timedetectionofintentionalchemicalcontaminationinthedistributionsystem[J].Journal-AmericanWaterWorksAssociation,2005,97(7).[8]AradJ,HoushM,PerelmanL,etal.Adynamicthresholdsschemeforcontaminanteventdetectioninwaterdistributionsysterms[J].WaterResearch,2013,47(5):1899-1908.[9]MckennaSA,KliseKA,WilsonMP.Testingwaterqualitychangedetectionalgorithms[C]//EighthWaterDistributionSystemsAnalysisSymposium.Cincinnati,Ohio,August27-30,2006:1-15..[10]ZhangJ,ZhuX,YueY,etal.Areal-timeanomalydetectionalgorithm/orwaterqualitydatausingdualtime-movingwindows[C]/2017SeventhInternationalConferenceonInnovativeComputingTechnology(INTECH).IEEE,2017:36-41.[11]OlikerN,OstfeldA.Minimumvolumeelipsoidclassificationmodelforcontaminationeventdetectioninwaterdistributionsystems[J].EnvironmentalModelling&Software,2014,57:1-12.[12]AradJ,PerelmanL,OstfeldA.AcoupleddecisiontreesBayesianapproachforwaterdistributionsystemseventdetection[C]/WorldEnvironmentalandWaterResourcesCongress2012:CrossingBoundaries.2012:2903-2912.[13]PalaniS,LiongSY,TkalichP.AnANNapplicationforwaterqualityforecasting[J].MarinePollutionBulletin,2008,56(9):1586-1597.[14]刘晔,陈渑尘,王古月.便携式气相色谱-质谱仪在应急监测中的应用[].环境监控与预警,2010,2(03):14-17.[15]LiQ,XusQ,GuJQ,etal.PollutionSourceIdentificationofWaterBodyBasedonAqueousFingerprint-CaseStudy[].Spetroscopy&SpectralAnalysis.2016,36(8):2590-2595.[16]BorisoverM,LaorY,SaadiI,etal.Tracingorganicfootprintsfromindustrialefluentdischargeinrecalcitrantriverinechromophoricdissolvedorganicmatter[J].Water,Air,&SoilPollution,2011,222(1):255-269.[17]宋日文.单因子评价法和改进的灰色关联度在水质评价中的应用[J].陕西水利,2018(03)::103-107.[18]孔海燕,安国安,史淑娟，等.以PCA分析为基础的水环境质量综合评价研究[J].污染防治技术，2019,32(01):6-8.[19]王昱,卢世国,冯起,等.黑河上中游水质时空分异特征及污染源解析[J].中国环境科学,2019,39(10):4194-4204.[20]SmetiEM,GolfinopoulosSK.Charac