一种基于卡尔曼滤波的土壤污染物监测方法

1.本发明属于环境治理领域，涉及一种基于卡尔曼滤波的土壤污染物监测方法。


背景技术：

2.土壤原位修复过程中，土壤污染程度的不同，处理的程度也不同。比如热脱附修复中，不同浓度，不同类型的污染物，加热所需的温度和加热时间都不相同。此外，随着修复的进行，土壤中所含污染物逐渐减少，在这个过程中，为了确定土壤被修复的程度，需要对土壤污染物进行实时监测。
3.传统监测手段往往是对土壤进行间断监测，即每修复一段时间，进行一次检测，检测频率较高。这大大影响了土壤修复效率，同时也加大了能源损耗。因此，土壤污染物的实时监测成为土壤原位修复技术中亟需解决的问题。


技术实现要素：

4.针对现有技术中存在的问题，本发明的目的在于提供一种基于卡尔曼滤波的土壤污染物监测方法，至少部分解决上述技术问题。
5.本发明实施例提供了一种基于卡尔曼滤波的土壤污染物监测方法，包括：
6.获取待修复土壤的可测量数据；
7.将所述待修复土壤的可测量数据输入土壤污染物监测模型，进行实时估计，得到所述待修复土壤的污染物浓度；所述土壤污染物监测模型以输出土壤污染物浓度为目标与以可测量数据为输入数据，并基于卡尔曼滤波算法构建。
8.进一步地，所述土壤污染物监测模型的构建过程，包括：
9.获取已修复土壤样本的历史数据；所述已修复土壤样本与所述待修复土壤具有相同或者相似的污染源；所述历史数据包括土壤不同污染物浓度数据和所述可测量数据；
10.对所述已修复土壤样本的历史数据进行主成分分析，建立土壤污染物浓度与可测量的数据相关性方程；
11.将所述数据相关性方程转换为状态观测方程；
12.将所述状态观测方程的输出数据作为卡尔曼滤波算法的参数，构建所述土壤污染物监测模型。
13.进一步地，对所述已修复土壤样本的历史数据进行主成分分析，建立土壤污染物浓度与可测量的数据相关性方程，包括：
14.对所述已修复土壤样本的历史数据进行主成分分析，得到不相关主成分数据；
15.利用pearson相关系数对所述不相关主成分数据进行相关性强弱衡量，得到相关性强弱数据；
16.根据所述相关性强弱数据，建立土壤污染物浓度与可测量的数据相关性方程。
17.进一步地，所述数据相关性方程的计算表达式，包括：假设土壤污染物浓度与可测量的数据之间的关系是线性的，设所述数据相关性方程为线性回归方程；
18.c＝a1x1+b119.c＝a2x2+b220.式中，c为某种污染物浓度；a1和a2为不同相关系数；x1和x2为土壤不同可测量数据；b1和b2为所述不同可测量数据下某种污染物浓度的初始浓度。
21.进一步地，所述状态观测方程的计算表达式为：
[0022][0023]
式中，v为观测噪声向量，服从零均值高斯分布。
[0024]
本发明实施例提供的一种基于卡尔曼滤波的土壤污染物监测方法，与现有技术相比较，通过卡尔曼滤波算法，对土壤污染物浓度进行实时迭代更新，使得在修复过程中，便于根据更新后的污染物浓度，调整土壤修复的进程；同时对土壤污染物浓度的实时监测，有助于提高土壤修复效率。
[0025]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
[0026]
图1为本发明实施例提供的一种基于卡尔曼滤波的土壤污染物监测方法流程示意图。
具体实施方式
[0027]
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅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做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。
[0028]
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0029]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“内接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0030]
本发明实施例提供的一种基于卡尔曼滤波的土壤污染物监测方法，包括：
[0031]
获取待修复土壤的可测量数据；
[0032]
将待修复土壤的可测量数据输入土壤污染物监测模型，进行实时估计，得到待修复土壤的污染物浓度；土壤污染物监测模型以输出土壤污染物浓度为目标与以可测量数据为输入数据，并基于卡尔曼滤波算法构建。
[0033]
本发明实施例提供的一种基于卡尔曼滤波的土壤污染物监测方法，与现有技术相比较，通过卡尔曼滤波算法，对土壤污染物浓度进行实时迭代更新，使得在修复过程中，便于根据更新后的污染物浓度，调整土壤修复的进程；同时对土壤污染物浓度的实时监测，有助于提高土壤修复效率。通过pca主成分分析，建立了土壤污染物浓度与可观测变量的数据相关性方程，有利于对土壤进行长期监测。
[0034]
对于不同污染源的土壤，如金属、有机物、无机物等污染源，可以针对性的检测可观测数据(如表1所示)，然后通过卡尔曼滤波算法实时估计污染物浓度。
[0035]
表1
[0036][0037]
下面将结合具体实施例进行说明，如图1所示，具体工作流程为：
[0038]
取过去已修复的与待修复土壤区域有同样或者类似污染的土壤样本a，例如美国某地区河岸的污染源历史数据集。该地区存在大量放射性污染物。如氚、碘和铀。以该样本种的氚和铀的历史数据集进行主成成分分析(pca)。pca将样本a中的多元数据转换为一组不相关主成分(pc)，这是所有原始变量的线性组合。
[0039]
对样本a进行pca后，对不同污染物浓度与土壤可测量变量之间的相关性进行量化，采用pearson相关系数衡量相关性强弱。其中，样本a中氚和铀的浓度与样本ph值和电导率(sc)相关性最大。
[0040]
根据相关性强弱，建立样本a中土壤污染物浓度与ph值和sc的数据相关方程。本发明假设浓度与变量之间的关系是线性的，因此设数据相关方程为线性回归方程，即
[0041]
c1＝a1x1+b1[0042]
c2＝a2x2+b2[0043]
式中，c1和c2为氚和铀的浓度，a1和a2为不同可测量变量与污染物的相关系数，x1和x2为ph值和电导率，b1和b2氚和铀的初始浓度。
[0044]
将数据相关方程转化为状态观测方程，即
[0045][0046]
式中，v为观测噪声向量，服从零均值高斯分布。
[0047]
假设样本a的历史数据足够充分，能够确认数据相关方程中各项参数为恒定的。确定了数据相关方程的各项参数后，采用卡尔曼滤波算法，在对被污染土壤进行修复的过程
中，对土壤中的污染物浓度进行实时监测，即基于上一时步的污染物浓度以及状态观测方程实时更新污染物浓度。
[0048]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。