環保工程中地下水污染源在線監測及阻截方法研究

文章編號：1674-6139（2025）05-0161-06

中圖分類號：X832文獻標志碼：B

Online Monitoring and Interception Methods for Groundwater Pollution Sources in Environmental Protection Engineering

Chen Sisi，YangHaofeng，Zhang Jianzhong，Qin Wen，Yu Lijun （Huadong Engineering Corporation Limited，Hangzhou ，China）

Abstract：Inodertoimprovetheauracyofonlinemonitoringofgoundwaterpolutionsoures，amethdforolinemoitoringand interceptionofgoundaterpolutionsurcesinviroentalprtectionngineingisproosdUsingtesiulationodelasaalityconstraintandminimizingthedeviationbetwnthesimulatedoutputvalueandtheactualobservationvalueastheobjectivefunction， asubstutemodelforthenumericalsimulationmodelisconstructedusingaBPneuralnetworkTemodelissoledusingandaptive weightparticleswaroptimzationlgorittoidentifygroudwaterpolltionsourcesBasedontheselfispectionmethodoftie/space continuousimageifomation，thecollctedwaterodyimagesareanalednline，andintellgentvisionechnologyisusdtochieve onlinemonitoringofgroundwaterpolltionsources.CorespondnginterceptionshemesareprovidedbasedontemonitoringesultsThe experimentalresultsshowthattheproposedmethodcanfectivelyimprovetheacuracyofonlinemonitoringofgroundwaterpolution sources and provide the best interception scheme.

Key words：environmental enginering；groundwater；polution sources；online monitoring；interception method

前言

工業化和城市化的迅猛推進，地下水污染問題越發凸顯，對生態環境和人類健康造成了巨大威脅。環保工程作為維護環境質量以及生態平衡的重要手段，對于環保工程中地下水污染源在線監測[1-2]的研究和應用就顯得十分重要。為此，開發和應用在線監測技術，實現對環保工程中地下水污染源的實時、連續和高效監測，對于提升污染防控能力以及保障水資源安全具有十分重要的意義。

相關研究者針對環保工程中地下水污染源在線監測方面的內容展開大量研究，林曉昇等[3]通過衛星遙感技術可以對整個區域的環境變化展開連續監測，得到常規監測手段無法得到的環境信息，實現水污染監測。該方法在植被茂密或者地表覆蓋物復雜的區域，利用衛星遙感技術會受到比較大的干擾，最終造成監測結果準確性偏低。陳杰等[4]利用船舶作為平臺的水質自動監測系統展開巡航檢測，能夠實現高效率的樣品收集與檢測，并且確保數據的實時傳輸，從而實現對水質狀況的全面、精準掌握。該方法在海洋等開闊領域，信號傳輸會受到干擾或者限制，造成數據無法實時且穩定地傳輸至數據中心，會影響數據的時效性以及完整性，導致監測結果出現偏差。

在上述幾種研究方法的基礎上，提出一種環保工程中地下水污染源在線監測及阻截方法。

1環保工程中地下水污染源在線監測及阻截方法

1.1 環保工程中地下水污染源辨識

采用模擬與優化相結合的策略，將模擬模型轉化為等式約束，主要目的在于獲取最小化模擬輸出與實際觀測值之間的偏差，構建出精準的優化模型。為了提升效率，利用BP神經網絡構建一個替代模型，以模擬數值模型的功能。采用自適應權重的粒子群優化算法對模型展開高效求解，完成環保工程中地下水污染源的精確辨識[5-6]。將地下水溶質遷移模擬模型設定為優化模型中的等式約束條件，隨后，利用自適應權重粒子群優化算法對整合后的模型展開求解，這一步驟不僅提升了求解的效率和準確性，而且有助于在環保工程中更精準地辨識[-8]地下水污染源。

拉丁超立方方法的工作原理為：首先確定所需的抽樣數量，隨后將變量的概率密度函數精細劃分為若干等距的子區間。在每個子區間內，隨機選取一個代表性值，并對這些值展開隨機排序，從而完成抽樣處理。滲透系數對模擬模型結果的影響顯著，這是先驗知識所強調的。因此，在污染源辨識的過程中，對滲透系數的識別同樣至關重要。為了構建一個模擬模型的替代模型，采用拉丁超立方方法完成待識別變量的抽樣處理。在模擬－優化算法中，頻繁調用模擬模型展開迭代求解會導致計算負荷加重，限制在反演識別中的應用。為應對此挑戰，替代模型被提出，它能以較小的計算負荷實現與模擬模型相似的輸入-輸出響應關系。近年來，替代模型的研究備受關注。利用BP神經網絡構建替代模型，可以精確擬合模擬模型的輸出結果，為環保工程中地下水污染源的辨識提供有效支持。BP神經網絡的基本操作思想為：

（1）優先處理每一層的狀態與激活值，直至抵

達最后一層，確保計算的順序性和準確性。;（2）從最后一層開始逐步向前計算誤差；（3）展開參數更新，同時不斷地迭代步驟（1）和

步驟（2），直至滿足最終的終止準則。以下給出具體的求解過程：（1）在正向傳播過程中，將第 l 層神經元的狀態

c^（l） 以及激活值 b^（l） 表示為式（1）的形式： 式（1）式（1）中， W^（l） 代表第 l 層的權重矩陣； a^（l） 代表

第 ξ_l 層的偏置； g 代表神經元編號。

（2）反向傳播：

設定訓練數據為 ，共計包含 ?NG 個，將隨機一個訓練數據 的代價函數表示為式（2）的形式：

式（2）中， nL 代表第 L 層的神經元數量； y^（i） 代表期望輸出； p^（i） 代表神經網絡對輸人 x^（i） 的實際輸出； E_（i） 代表代價函數。為了達到網絡性能的最優化，采用列文伯格－馬夸爾特法來求解最小總體誤差，從而精準地調整各神經元的權重和偏置，確保網絡性能達到最優。基于前述分析，構建優化模型，旨在最小化模擬輸出與實際觀測值之間的偏差。同時，利用 BP 神經網絡構建數值模擬模型的

式（3）中， ω_max 和 ω_min 代表事先給定的最大和最小慣性系數 代表適應度均值 代表最小適應度 Ω_N（X（Ω_t）） 代表第 Ψ_t 次迭代時樣本的適應度。當粒子達到最佳位置時，隨著迭代次數的增加，計算效率會逐漸降低。因此，采用自動退出迭代循環的策略可以實現環保工程中地下水污染源辨識。

1.2地下水污染源在線監測及阻截

完成環保工程中地下水污染源辨識后[9-10]，利用時/空連續圖像信息自檢方法對采集的地下水體圖像展開分析，具體的分析步驟見圖1。

地下水體圖像分析主要分為三個階段，分別為地下水體圖像灰度處理、圖像擾動信號濾波處理和像素光強信息分析：

1.2.1地下水體圖像灰度處理

在環保工程地下水污染源在線監測中，有色金屬礦物的多樣性和伴隨的金屬元素導致污染特性異常復雜。流動性水體所引發的隨機擾動對傳統固定權值灰度處理方法構成了挑戰，導致在抗干擾方面存在局限性，從而影響污染信息的精確分析。為了

替代模型，以提升計算效率。同時引入自適應權重粒子群優化算法對模型求解。粒子群優化算法（PSO）借鑒鳥類覓食行為，將優化問題解釋為搜索空間中的“粒子”（即鳥）。為了更好地對上述模型求解，在PSO中引入自適應權重因子，以實現環保工程中地下水污染源辨識。通過式（3）給出自適應權重 ω（t） 計算式：

突破這一困境，引入受限玻爾茲曼機（RBM）學習算法。通過訓練圖像灰度權重分配模型，成功實現灰度處理權重的動態調整與優化，進而顯著提升系統的穩定性與適應性，為污染信息的精確分析提供了有力支持。

將采集到的地下水污染源彩色圖像利用加權平均值法對其展開灰度化處理，在地下水污染源彩色圖像的像素值含有三個顏色分量值： R，G，B ；利用權值 和 ω_B 展開加權平均計算，權值集合為具體的計算式如式（4）所述：

式（4）中， θ 代表模型參數集，對 θ 展開計算，并且設定可視層節點數量為 m ，第 j 個節點的輸入采用u_j 表示，第 i 個節點的輸入采用 h_j 表示，隱含向量采用 r 表示。

1.2.2 圖像擾動信號濾波處理

在環保工程實踐中，地下水污染源的監測常面臨水流流速、懸浮物等多重因素的挑戰，這些因素易導致動態圖像中出現隨機擾動信號。因此，對圖像噪聲展開濾波處理顯得尤為關鍵。采用分區域噪聲檢測的方法，根據各區域受噪聲影響的程度，靈活調整濾波窗口大小，實現精準濾波。在數據處理過程中，充分利用二進制圖像中噪聲點的分布特征，精準鎖定噪聲中心點，并圍繞其劃定一個矩形濾波區域;然后，深入分析每一個被標識為噪聲的點，一旦判定為空間連續的噪聲點，將采用灰度值替換策略，即用周邊像素的灰度值來替代中心點的灰度值，從而優化圖像的處理效果。然而，對于時間上連續的噪聲點，由于原始灰度值難以準確估計，需要適當擴大濾波窗口范圍。通過這一系列的精細處理，能夠更有效地識別和處理地下水污染源動態圖像中的噪聲，為后續的監測和阻截工作提供更為堅實的數據支撐。

1.2.3像素光強信息分析

利用時/空連續圖像信息自檢方法深入分析圖像中各個像素點的灰度值。針對給定的標準樣本，需要對測試樣本的透光以及反光強度展開計算，同時在展開色度監測的過程中引入背部光源技術統計光強信息值，并選取最低透光強度作為關鍵指標。

經過對光強信息的深入分析發現，水體波動和系統噪聲經常導致圖像異常。為確保圖像信息的準確性至關重要，需要從時間和空間兩個角度全面評估圖像的異常情況。同時，還會對多張圖像的連續偏差展開深人統計，一旦發現連續多幅圖像在相同位置出現一致的噪聲或灰度值異常波動，且這種偏差程度超過預設的閾值，將采用深度學習技術，精確校準灰度和光源信息的權重分配，從而確保圖像質量的持久穩定與高度可靠。

結合上述分析，結合智能視覺技術給出地下水污染源在線監測的詳細步驟：

（1）對采集的地下水污染源彩色圖像展開智能灰度化處理;

（2）對獲取的灰度圖像濾波處理后，引入時/空連續圖像信息自檢方法展開像素光強信息分析，確定污染源的類型；

（3）基于先進的視覺智能技術，能夠實時地收集并分析連續圖像的像素數據，以精確評估圖像質量是否滿足系統預先設定的標準。一旦發現圖像質量不符合預期要求，系統會立即對這些圖像展開過濾，并自動調整圖像監測的相關參數以及灰度處理權重，旨在保證地下水污染源在線監測的精確度和穩定性。如果圖像質量符合標準，則系統會自動跳轉至步驟（2）。

完成地下水污染源在線監測后，根據獲取的監測結果，給出對應的地下水污染源阻截措施：

（1）污染源定位與隔離：通過監測數據精確定位污染源的位置和范圍，立即隔離污染源，有效防止污染物進一步擴散到水體中，同時有效阻斷污染物向地下水的遷移路徑。

（2）污染物抽取和處理：對于已經污染的地下水體，利用抽取井和泵站展開抽取，對抽取的污染水展開物理或者化學處理，有效去除其中的污染物。

（3）地下水體修復：在污染源得到有效遏制之后，對于已受污染的地下水體，主要采用的修復技術包括生物修復和化學氧化等多元化的方法。這些手段的運用，旨在全面恢復地下水體的健康狀態，保障水資源的可持續利用。

1.2.4加強管理和監測

制定嚴格的環境管理制度，規范工業和農業等活動的排污行為，進一步加強執法力度，對違規排放行為展開有效處罰。

2 實驗分析

為了驗證所提環保工程中地下水污染源在線監測及阻截方法的有效性，選取H環保工程作為研究對象，設置給水度為0.25；縱向彌散度為40.00;橫向彌散度為9.00;含水層厚度為 40.00m 應力期為5.5a;污染源釋放強度為 0～55g?d^-1 滲透系數為 20～60m?d^-1 ;水流流速單位為0.50m/s ；懸浮物濃度為 80.00mg/L ；迭代次數為100次；學習率為0.01。在設定的研究區域內采用所提方法對環保工程中地下水污染源展開辨識處理，獲取的實驗結果見圖2。

圖2展示了在測試區域中，所提方法在辨識污染源方面展現出高度的準確性，這一突破為環保工程中地下水污染源的在線監測與阻截工作提供了堅實的技術支撐，同時也可以更加精準地定位污染源，為后續的環境保護工程提供有力的數據支撐和決策依據。

為了更進一步驗證所提方法對于環保工程中地下水污染源辨識性能，選取決定系數作為測試指標展開實驗分析，將傳統的地下水污染源辨識方法作為對比方法，詳細的實驗測試結果見圖3。

通過分析圖3可以看出，所提方法的決定系數取值更加接近1，且明顯高于傳統方法。由此可見，所提方法在環保工程中地下水污染源辨識中的性能更優。

為了驗證所提方法在環保工程中地下水污染源的監測性能，實驗分別從多個不同方面監測處理，詳細的實驗測試結果見圖4。

通過分析圖4可以比較直觀的看出，當分別采用不同的方法對各項污染指標硝酸鹽、 Cl^- 和 Mn⁺ 展開監測處理后，采用所提方法獲取的監測結果和真實值基本吻合，而另外兩種方法獲取的監測值和真實值之間偏差比較大，主要是因為沒有在展開污染源監測前期實施環保工程中地下水污染源辨識處理，直接展開監測，這樣會出現監測結果不準確的情況。由此可見，相比于其它監測方法，所提方法的環保工程中地下水污染源在線監測結果準確性更高，監測性能更優，可以為污染源的有效阻截提供一定的理論依據。

3 結束語

地下水污染具有隱蔽性、復雜性和長期性的特點，傳統的監測方法難以及時發現并且無法準確判斷污染源。在環保工程的征程中，地下水污染源的在線監測與阻截方法的研究與實踐，是守護綠水青山、實現可持續發展的重要一環。為此，提出一種環保工程中地下水污染源在線監測及阻截方法。采用模擬－優化算法，將模擬模型作為等式約束條件，建立目標函數。采用BP神經網絡建立數值模擬模型，并采用粒子群算法進行求解，結合智能視覺技術實現地下水污染源的在線監測。通過實驗分析表明，在測試區域內，采用所提方法可以有效辨識污染源，同時還可以精準實現地下水污染源的在線監測，提供有效且可行的地下水污染源阻截方案，為地球的綠色發展做出積極貢獻。

參考文獻：

[1]張帥，謝飛，王向華，等.化工園區地下水環境狀況調查監測布點研究[J].環境監測管理與技術，2022，34（6）：60-63.

[2]朱冰清，操慶，蔣林惠，等.基于微生物指標的水生態系統健康監測及評價研究進展[J].環境科技，2023，36（1）：73-76.

[3]林曉昇，楊亮亮.衛星影像遙感技術在水污染監測的應用[J].四川環境，2023，42（1）：306-314.

[4]陳杰，張輝，婁保鋒，等.船載自動監測系統在水質監測中的應用[J].中國環境監測，2023，39（2）：33-40.

[5]羅成明，盧文喜，潘紫東，等.基于替代模型和流向算法的地下水污染源反演識別[J].中國環境科學，2023，43（11）：5823-5832.

[6]王琦，郭學茹，段小剛，等.南水回補區地下水水質敏感指標識別及關聯性研究[J].北京師范大學學報（自然科學版），2023，59（2）：288-298.

[7]李錦錦，楊海東.基于IPSO-DE－MH算法的突發水污染事件預測模型參數識別[J].環境工程，2022，40（6）：70-76;115.

[8]顏雪松，周正琛，胡成玉.基于貝葉斯的地下水污染源識別方法綜述[J」.華中科技大學學報（自然科學版），2022，50（10）：104-114.

[9]劉慧，孫思奧，王晶，等.黃河流域城市集中式生活飲用水水源地水質超標空間特征與因子識別[J].地理研究，2023，42（12）：3264-3277.

[10]陳慶，湯斌，繆俊鋒，等.基于熒光光譜的水體分類與熒光組分識別方法[J].光學學報，2023，43（6）：326-336.