本發(fā)明涉及水質(zhì)監(jiān)測(cè)和模擬分析領(lǐng)域，具體涉及一種河流水質(zhì)監(jiān)測(cè)數(shù)據(jù)插補(bǔ)和加密方法。
背景技術(shù)：
：水環(huán)境的污染與破壞是當(dāng)今世界面臨的主要問(wèn)題之一，對(duì)水質(zhì)進(jìn)行監(jiān)測(cè)是掌握河流水環(huán)境質(zhì)量的基本手段，但受限于當(dāng)前水質(zhì)監(jiān)測(cè)手段的技術(shù)經(jīng)濟(jì)水平，水質(zhì)常規(guī)監(jiān)測(cè)頻率通常為1-3次/月，其中1月/次占絕大多數(shù)。1-3次/月的實(shí)測(cè)水質(zhì)數(shù)據(jù)序列，由于數(shù)據(jù)點(diǎn)之間的時(shí)間跨度大、分布離散，因而僅能反映河流水質(zhì)的宏觀變化趨勢(shì)，難以反映水質(zhì)的真實(shí)變化過(guò)程。因此，在開(kāi)展污染負(fù)荷通量精確計(jì)算、水量水質(zhì)耦合模擬中需要對(duì)低頻次的實(shí)測(cè)水質(zhì)數(shù)據(jù)序列進(jìn)行插補(bǔ)和加密。如何使加密后的水質(zhì)數(shù)據(jù)序列能更真實(shí)的反映實(shí)際的水質(zhì)變化過(guò)程，是其中的重點(diǎn)和難點(diǎn)。目前，對(duì)實(shí)測(cè)水質(zhì)數(shù)據(jù)序列進(jìn)行加密的方法主要有線性插補(bǔ)和相關(guān)模型插補(bǔ)2類，其中線性插補(bǔ)是最簡(jiǎn)單也是最常用的方法。線性插補(bǔ)加密法認(rèn)為2個(gè)實(shí)測(cè)數(shù)據(jù)點(diǎn)之間的水質(zhì)狀況服從線性變化規(guī)律，無(wú)需用到實(shí)測(cè)水質(zhì)數(shù)據(jù)以外的其它數(shù)據(jù)，因此非常簡(jiǎn)單；這種處理方法對(duì)于人類活動(dòng)干擾不大、水質(zhì)過(guò)程變化緩慢的河流是適用的。但是對(duì)于水資源高度開(kāi)發(fā)下的流域，人類活動(dòng)干擾大，河流水質(zhì)過(guò)程變化劇烈，由于線性變化的假設(shè)嚴(yán)重偏離實(shí)際情況，因而基于此法加密出的水質(zhì)序列無(wú)法刻畫出2個(gè)實(shí)測(cè)點(diǎn)之間水質(zhì)過(guò)程的波動(dòng)變化特性，會(huì)導(dǎo)致河流污染負(fù)荷通量計(jì)算、水量水質(zhì)耦合模擬出現(xiàn)很大偏差，相關(guān)成果難以支撐水環(huán)境管理與決策。為彌補(bǔ)線性插補(bǔ)法的不足，相關(guān)模型插補(bǔ)法被提出，即通過(guò)建立河流水質(zhì)與可高頻次監(jiān)測(cè)的河流因子(通常為流量)之間的相關(guān)關(guān)系，據(jù)此利用高頻次的流量監(jiān)測(cè)數(shù)據(jù)來(lái)插補(bǔ)2個(gè)實(shí)測(cè)水質(zhì)點(diǎn)之間的水質(zhì)濃度，從而獲得與流量監(jiān)測(cè)頻次一樣高的水質(zhì)序列數(shù)據(jù)。通過(guò)相關(guān)模型插補(bǔ)法加密的水質(zhì)序列可一定程度刻畫出2個(gè)實(shí)測(cè)點(diǎn)之間水質(zhì)過(guò)程的波動(dòng)變化特性；但由于數(shù)據(jù)不完備、模型參數(shù)非最優(yōu)等影響，利用相關(guān)模型估算出的水質(zhì)與實(shí)測(cè)值之間不可避免存在誤差，很多情況下誤差較大，這同樣會(huì)導(dǎo)致河流污染負(fù)荷通量計(jì)算、水量水質(zhì)耦合模擬出現(xiàn)較大偏差，相關(guān)成果難以支撐水環(huán)境管理與決策。技術(shù)實(shí)現(xiàn)要素：發(fā)明目的：本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足，提供了一種河流水質(zhì)監(jiān)測(cè)數(shù)據(jù)序列加密方法，將loadest污染負(fù)荷估算模型和卡爾曼濾波校正模型相結(jié)合，對(duì)河流水質(zhì)監(jiān)測(cè)數(shù)據(jù)序列進(jìn)行插補(bǔ)和加密。技術(shù)方案：本發(fā)明提供了一種河流水質(zhì)監(jiān)測(cè)數(shù)據(jù)序列加密方法，包括以下步驟：(1)基于loadest污染通量模型的水質(zhì)加密數(shù)據(jù)預(yù)估：以河流污染物濃度監(jiān)測(cè)數(shù)據(jù)及同步的流量數(shù)據(jù)為輸入，運(yùn)行l(wèi)oadest模型優(yōu)選出污染物通量與流量之間最佳的回歸方程；基于優(yōu)選出的通量回歸方程，loadest模型根據(jù)輸入的日流量數(shù)據(jù)估算污染物的日通量，將污染物日通量除以日流量即得到加密后的日水質(zhì)濃度預(yù)估值；(2)基于卡爾曼濾波模型的水質(zhì)加密數(shù)據(jù)校正：以實(shí)測(cè)水質(zhì)數(shù)據(jù)及同步的基于loadest模型預(yù)估的水質(zhì)數(shù)據(jù)為輸入，按照卡爾曼濾波遞推算法計(jì)算經(jīng)過(guò)校正的實(shí)測(cè)時(shí)刻水質(zhì)最優(yōu)估計(jì)值，最優(yōu)估計(jì)值與實(shí)測(cè)值之差即為實(shí)測(cè)時(shí)刻的誤差校正值；基于誤差線性分布的假設(shè)，將實(shí)測(cè)誤差校正值插值拓展至每日從而獲得日水質(zhì)誤差校正值，將日水質(zhì)濃度預(yù)估值加上日水質(zhì)誤差校正值即得到經(jīng)過(guò)校正的高精度日水質(zhì)數(shù)據(jù)序列。進(jìn)一步，步驟(1)loadest模型污染物通量回歸方程中的參數(shù)a0、aj采用以下參數(shù)估值方法：當(dāng)污染物通量殘差服從正態(tài)分布時(shí)，刪失型水質(zhì)數(shù)據(jù)采用漸進(jìn)極大似然估計(jì)法amle：非刪失型水質(zhì)數(shù)據(jù)采用最小方差無(wú)偏估計(jì)法mvue：當(dāng)污染物通量殘差不服從正態(tài)分布時(shí)，無(wú)論水質(zhì)數(shù)據(jù)是否刪失均采用最小絕對(duì)偏差方法lad：式中，分別為利用amle、mvue、lad估算的污染物通量，xj為回歸方程中第j個(gè)變量，nv為回歸方程變量的總數(shù)，a0、aj為通過(guò)不同方法計(jì)算出的回歸方程參數(shù)；h(a，b，s2，α，κ)為無(wú)窮級(jí)數(shù)的似然逼近函數(shù)，gm(m，s2，v)為bessel函數(shù)，α，κ為gamma分布的函數(shù)，a，b，v為自變量函數(shù)，m為自由度，s2為殘差方差，ek為殘差誤差，n為用于方程率定的數(shù)據(jù)中刪失型數(shù)據(jù)的個(gè)數(shù)。進(jìn)一步，步驟(1)對(duì)loadest模型回歸方程中的參數(shù)a0、aj采用以下方法檢驗(yàn)有效性：a、利用判定系數(shù)r2檢驗(yàn)回歸方程的擬合性，方程的回歸判定系數(shù)r2＞80％說(shuō)明擬合程度較好，r2＞90％則擬合程度非常好；b、利用殘差序列相關(guān)系數(shù)(serialcorrelationofresiduals，scr)檢驗(yàn)殘差是否存在序列相關(guān)性，scr值越小，則方程各殘差之間相對(duì)越獨(dú)立；對(duì)于非刪失型水質(zhì)數(shù)據(jù)，用概率曲線相關(guān)系數(shù)(probabilityplotcorrelationcoefficient，ppcc)來(lái)檢驗(yàn)優(yōu)化出的回歸方程殘差是否符合正態(tài)分布，ppcc值大于0.9表明殘差服從正態(tài)分布；對(duì)于刪失型水質(zhì)數(shù)據(jù)，則利用turnbull-weissstatistic法檢驗(yàn)優(yōu)化出的回歸方程殘差是否符合正態(tài)分布，p值小于0.05表明殘差服從正態(tài)分布。進(jìn)一步，步驟(1)loadest模型回歸方程通過(guò)aic準(zhǔn)則和sppc準(zhǔn)則進(jìn)行優(yōu)選：對(duì)回歸方程進(jìn)行優(yōu)選時(shí)，首先通過(guò)aic信息準(zhǔn)則和sppc準(zhǔn)則表達(dá)方程式，求出每個(gè)回歸方程的aic值和sppc值，其中aic值和sppc值最小的方程即為最優(yōu)的污染物通量回歸方程：式中，ssr為殘差平方和，ko為方程參數(shù)個(gè)數(shù)，mo為用于方程參數(shù)估值的數(shù)據(jù)組數(shù)。進(jìn)一步，步驟(2)針對(duì)水質(zhì)數(shù)據(jù)的校正，構(gòu)建如下的預(yù)估一校正過(guò)程來(lái)實(shí)現(xiàn)水質(zhì)加密數(shù)據(jù)的校正：①預(yù)估：x0＝axl+wxk＝axk-1+w(6)式中，x0為基于loadest模型水質(zhì)預(yù)估值的卡爾曼濾波迭代初始值；xl是經(jīng)loadest模型預(yù)估的水質(zhì)濃度；a為狀態(tài)轉(zhuǎn)換參數(shù)，取水質(zhì)實(shí)測(cè)值與loadest模型預(yù)估值的線性相關(guān)系數(shù)；w為模型噪聲，其服從均值為0、方差為d的正態(tài)分布，d依據(jù)基于loadest的水質(zhì)預(yù)估值誤差的方差給定；xk為第k迭代步的水質(zhì)預(yù)估值；xk-1為第k-1迭代步的水質(zhì)校正值；②校正：狀態(tài)預(yù)估誤差協(xié)方差更新：pk＝apk-1at+d(7)式中，pk為第k迭代步的預(yù)估協(xié)方差；pk-1為第k-1迭代步的校正協(xié)方差，其迭代初始值p0可參考loadest的水質(zhì)預(yù)估值誤差的方差給定，一般不取0；卡爾曼增益計(jì)算：式中，kk為第k迭代步的卡爾曼增益；h是為1的量測(cè)轉(zhuǎn)換參數(shù)矩陣；b為量測(cè)噪聲的方差，依據(jù)水質(zhì)因子測(cè)驗(yàn)分析手冊(cè)給定；濾波校正：xk＝xk+kk(y-hxk)(9)式中，xk為第k迭代步的水質(zhì)校正值；y為實(shí)測(cè)水質(zhì)。狀態(tài)濾波誤差協(xié)方差更新：pk＝(i-kkh)pk(10)式中，i為1的矩陣；按式(6)～(10)依次執(zhí)行自回歸迭代計(jì)算，pk收斂為常值后即獲得經(jīng)過(guò)校正的實(shí)測(cè)時(shí)刻水質(zhì)最優(yōu)估計(jì)值，其與基于loadest的實(shí)測(cè)時(shí)刻水質(zhì)預(yù)估值之差即為實(shí)測(cè)時(shí)刻誤差校正值。假定誤差的時(shí)間分布服從線性變化規(guī)律，從而插補(bǔ)出加密時(shí)刻的水質(zhì)誤差校正值；將基于loadest的水質(zhì)加密數(shù)據(jù)預(yù)估值加上誤差校正值即獲得最終加密的水質(zhì)數(shù)據(jù)序列。有益效果：本發(fā)明首先通過(guò)loadest模型優(yōu)選出污染物通量與流量之間的回歸方程，通過(guò)高頻次的流量監(jiān)測(cè)數(shù)據(jù)預(yù)估出初次加密的水質(zhì)序列，將流量過(guò)程的波動(dòng)特性通過(guò)回歸方程傳遞給水質(zhì)過(guò)程，從而彌補(bǔ)線性插補(bǔ)法不能刻畫水質(zhì)變化過(guò)程波動(dòng)特性的不足；再通過(guò)卡爾曼濾波校正模型對(duì)初次加密的水質(zhì)序列進(jìn)行校正，將水質(zhì)實(shí)測(cè)值與基于loadest模型的水質(zhì)預(yù)估值進(jìn)行數(shù)據(jù)同化，因而可有效減小最終估算值與實(shí)測(cè)值之間的誤差，從而彌補(bǔ)相關(guān)模型插補(bǔ)法誤差較大的不足；最終獲得的水質(zhì)加密數(shù)據(jù)序列既能刻畫出2個(gè)實(shí)測(cè)點(diǎn)之間水質(zhì)過(guò)程的波動(dòng)變化特性，同時(shí)也能有效減小估算值與實(shí)測(cè)值之間的誤差，彌補(bǔ)了現(xiàn)有方法的缺陷。附圖說(shuō)明圖1為本發(fā)明方法的流程圖；圖2為日流量數(shù)據(jù)與常規(guī)水質(zhì)監(jiān)測(cè)數(shù)據(jù)的變化圖；圖3為預(yù)估日水質(zhì)/校正日水質(zhì)/常規(guī)實(shí)測(cè)水質(zhì)對(duì)比圖；圖4為效果對(duì)比圖。具體實(shí)施方式下面對(duì)本發(fā)明技術(shù)方案進(jìn)行詳細(xì)說(shuō)明，但是本發(fā)明的保護(hù)范圍不局限于所述實(shí)施例。實(shí)施例：一種河流水質(zhì)監(jiān)測(cè)數(shù)據(jù)序列加密方法，如圖1所示，具體操作如下：步驟1，數(shù)據(jù)收集。收集某河流監(jiān)測(cè)斷面2012年的日流量數(shù)據(jù)、1次/月的常規(guī)水質(zhì)監(jiān)測(cè)數(shù)據(jù)(高錳酸鹽指數(shù))，如圖2所示。步驟2，污染物通量回歸方程優(yōu)選。以收集到的日流量數(shù)據(jù)、1次/月的高錳酸鹽指數(shù)監(jiān)測(cè)數(shù)據(jù)為輸入，運(yùn)行l(wèi)oadest模型對(duì)內(nèi)置的11個(gè)通量回歸方程進(jìn)行參數(shù)估值與檢驗(yàn)，并依據(jù)aic信息準(zhǔn)則和sppc準(zhǔn)則，優(yōu)選出該監(jiān)測(cè)斷面最佳的高錳酸鹽指數(shù)通量回歸方程，如下：式中，l為污染物通量，q為流量。上述方程的參數(shù)檢驗(yàn)結(jié)果為：r2＝0.9967，ppcc＝0.9655，scr＝-0.1098；表明方程擬合效果好，殘差不存在序列相關(guān)性、并服從正態(tài)分布。因而，loadest模型優(yōu)選出的污染物通量回歸方程能夠用于該站高錳酸鹽指數(shù)通量的估算。步驟3，水質(zhì)加密數(shù)據(jù)預(yù)估。基于步驟2優(yōu)選出的通量回歸方程，loadest模型根據(jù)輸入的日流量數(shù)據(jù)估算出該站2012年高錳酸鹽指數(shù)的日通量；將污染物日通量除以日流量即得到該站逐日的高錳酸鹽指數(shù)預(yù)估值，如圖3虛線所示。步驟4，水質(zhì)加密數(shù)據(jù)校正。以該站1次/月的高錳酸鹽指數(shù)實(shí)測(cè)濃度(表1)以及同步的基于loadest模型預(yù)估的高錳酸鹽指數(shù)濃度(表1)為輸入，按照卡爾曼濾波遞推算法(式6-式10)計(jì)算實(shí)測(cè)時(shí)刻該站高錳酸鹽指數(shù)的校正值(表1)；校正值與基于loadest模型的預(yù)估值之差即為實(shí)測(cè)時(shí)刻的誤差校正值(表1)，基于誤差線性分布的假設(shè)將1次/月的實(shí)測(cè)誤差校正值插值拓展至每日，從而獲得該站2012年逐日的高錳酸鹽指數(shù)誤差校正值；將逐日的誤差校正值與基于loadest模型預(yù)估的逐日高錳酸鹽指數(shù)濃度相加即得到最終加密的該站2012年逐日的高錳酸鹽指數(shù)濃度，如圖3實(shí)線所示。本例中：a＝1.05，d＝0.48，b＝0.5，p0＝1。表1預(yù)估水質(zhì)的校正時(shí)間實(shí)測(cè)水質(zhì)預(yù)估水質(zhì)校正水質(zhì)誤差校正值2012/1/113.503.373.460.092012/2/83.603.253.550.302012/3/193.003.253.07-0.182012/4/133.003.253.04-0.212012/5/93.503.253.460.212012/6/63.303.253.280.032012/7/113.804.193.88-0.312012/8/84.204.314.23-0.082012/9/125.905.545.840.302012/10/113.403.253.380.132012/11/73.103.403.13-0.272012/12/123.303.263.290.03為說(shuō)明本發(fā)明的效果，將本法加密得到的高錳酸鹽指數(shù)值(圖4實(shí)線)與1周/次的聯(lián)防監(jiān)測(cè)高錳酸鹽指數(shù)值(圖4點(diǎn))進(jìn)行對(duì)比，可見(jiàn)采用本發(fā)明計(jì)算的水質(zhì)過(guò)程與實(shí)測(cè)水質(zhì)過(guò)程吻合較好，總體平均偏差為9.92％；說(shuō)明采用本發(fā)明進(jìn)行水質(zhì)監(jiān)測(cè)數(shù)據(jù)序列的加密，既能反映水質(zhì)過(guò)程的波動(dòng)特性，同時(shí)精度也較高。此外，本例也與傳統(tǒng)的線性插補(bǔ)法和相關(guān)模型法進(jìn)行了對(duì)比：線性插補(bǔ)法(圖4點(diǎn)虛線)總體平均偏差為10.68％，但其完全無(wú)法反映實(shí)測(cè)點(diǎn)之間水質(zhì)過(guò)程的波動(dòng)特性；相關(guān)模型法(圖4長(zhǎng)虛線)總體平均偏差為11.16％，能一定程度反映實(shí)測(cè)點(diǎn)之間水質(zhì)過(guò)程的波動(dòng)特性。對(duì)比結(jié)果表明，本發(fā)明提出的方法既能提高水質(zhì)加密數(shù)據(jù)的精度，同時(shí)也能更好的反映水質(zhì)過(guò)程的波動(dòng)特性。如上，盡管參照特定的優(yōu)選實(shí)施例已經(jīng)表示和表述了本發(fā)明，但其不得解釋為對(duì)本發(fā)明自身的限制。在不脫離所附權(quán)利要求定義的本發(fā)明精神和范圍前提下，可對(duì)其在形式上和細(xì)節(jié)上做出各種變化。當(dāng)前第1頁(yè)12