首页 > 专利查询

基于汇水单元的流域水污染常规因子快速溯源方法与流程

1.本发明涉及特定计算模型的计算机系统和水域治理科学技术，具体而言，涉及一种基于汇水单元的流域水污染常规因子快速溯源方法。本发明要求同一申请人的申请号为202111617892.6、发明名称为“一种精准识别断面尺度入河污染源类型的方法”；申请号为202111628531.1、发明名称为“一种用于估算入河污染源排放量的方法”的中国发明专利的权益，其全文通过引用结合到本文中。

背景技术：

2.精准溯源需要污染源排放量的科学估算做支撑，然而，目前污染源清单的建立主要依靠工作量大、周期长的实地调查工作，且除少数工业企业有小时排放数据外，大多数点源、面源的污染排放量的估算多为按年计算，忽略了污染物排放的中间过程，但每个月水质问题都不一样，无法做到按照污染源的动态估算，无法满足科学管理需求。
3.根据现有技术的研究可以知道，流域尺度cod、bod5、nh3_h、tn、tp排放量与之前发生的污染有一定联系，即当前时刻污染会影响到未来一段时间。为了能较好模拟这一过程，模型的输入应该是一组时间序列及其对应的污染情况数据，而常见的机器学习回归算法(例如xgboost、随机森林、支持向量机、svr、最近邻算法)很难模拟这一过程，并且污染的影响周期有一定的不确定性。
4.现有技术中，针对突发性污染事件溯源方法较多，累积型监测因子的水环境问题溯源方法则存在污染溯源滞后、溯源时段不动态、溯源区域不精准等问题，鉴于此，需要提出一种溯源及时、溯源时段动态、溯源区域精准的快速溯源方法。

技术实现要素：

5.本发明旨在针对上述问题，针对日常水质监测的化学需氧量、总磷、氨氮等非突发性水污染因子，提出一种基于汇水单元的流域水污染常规因子快速溯源方法，其按照“定段—定区—定型—定清单”的逻辑，将累积性水污染指标溯源的频次提高到日溯源，溯源精度缩小到由流域尺度提升至河段尺度、乡镇尺度、污染源类型尺度及点位尺度，为日常水环境管理决策提供支撑。具体而言，本发明的基于汇水单元的流域水污染常规因子快速溯源方法包括：
6.步骤1：建立溯源业务逻辑，建立流域汇水关系，为精准溯源奠定基础；所述溯源业务逻辑为：将污染溯源按照污染识别—污染定段—污染定镇—污染定类—污染定位，由下游河段往上游逐级溯源；步骤2：估算陆域污染源排放量和日入河量；步骤3：计算污染贡献；步骤4：开展污染源精准溯源。
7.优选地是，所述建立流域汇水关系进一步包括：基于dem，划定河流流域范围，所述dem为数字高层模型；划分河流层级关系，将河流划分为一级河流、二级河流、三级河流等多个层级，并建立河流干支流关系；建立断面—河段对应关系，其根据断面的上下游位置，确定上下游关系并将断面自下而上编号；划定汇水单元，其基于流域内的dem，划分各个断面
的汇水单元；确定汇水单元入河口，为每个汇水单元确定一个或多个主要入河口；确定入河口清单，确定污染源正向排放关系。
8.优选地是，所述估算陆域污染源排放量和日入河量包括：
9.识别污染源类型，将污染源分为工业污染点源、生活污染点源、农业污染点源、面源四个大类；并且其中，工业污染点源包括工业园区、工业企业；所述生活污染点源包括污水处理厂，所述农业污染点源包括畜禽养殖等；所述面源包括：水产养殖、土壤侵蚀、有机肥、化肥、秸秆、农村生活污水、农村生活垃圾、城市面源等；
10.确定污染源日入河量，其包括如下两种计算方式：
11.方式1：当能获取全年每日降雨量时，采用以下方法计算：
12.工业污染点源：有在线监测的工业污染源，日入河量＝在线监测日排放量*入河系数；其余工业污染点源使用年排放数据依据用电量折算为日排放量，日入河量＝日排放量*入河系数；生活污染点源：有在线监测的生活污水处理厂，日入河量＝在线监测日排放量*入河系数；其余使用生活污染点源年排放数据依据季节生产关系折算为日排放量，日入河量＝日排放量*入河系数；
13.方式2：当只能获取某日降雨量，无全年降雨量时，建立基于深度自适应多重可选择循环神经网络模型，模拟计算流域排放量与入河量。
14.优选地是，所述深度自适应多重可选择循环神经网络模型采用lstm网络，其包括点源—畜禽算法、点源—工业废水算法、点源—城市生活污水算法以及8个面源算法模型。
15.优先地是，所述深度自适应多重可选择循环神经网络模型的训练和优化的过程为：根据历史数据，进行数据处理，形成完备的数据库；根据用户的调用请求，系统自动的完成数据的训练；网络模型训练成功以后，自动更新模型数据库，以便对于数据的请求调用；当系统检测到数据计算的请求，首先根据tag来判定应该采用的是哪个算法模型，数据根据深度自适应多重可选择循环神经网络模型采用lstm网络训练好的的模型部署来完成神经网络的前向计算；对计算的结果进行验证，验证成功以后，返回调用。
16.优先地是，所述计算污染贡献步骤包括：
17.计算上游来水污染，所述上游来水污染是指本断面的上游带来污染贡献，其以上游断面的某污染物浓度值经本河段自然削减后的浓度值作为计算值，即：
[0018][0019]c上
：上游断面浓度值，mg/l；c
衰
：上游断面经衰减后到达下游断面的浓度值，mg/l；
[0020]
浓度衰减系数。
[0021]
计算汇水单元污染入河量；以及计算污染贡献度，其中，
[0022]
上游来水贡献＝c
衰
/c0×
100％；本断面自身污染贡献＝c
0-c
衰
/c0×
100％；c0：本断面浓度值，mg/l；c
衰
：上游断面经衰减后到达下游断面的浓度值，mg/l；
[0023]
本断面某污染类型贡献＝本断面该污染类型的污染入河量/本断面汇水单元内的污染入河量；
[0024]
本断面某个点源或地块污染贡献＝本断面该点源或地块的污染入河量/本断面汇水单元内的污染入河量。
[0025]
优选地是，所述计算汇水单元污染入河量包括：
[0026]
本断面汇水单元内的污染日入河量＝汇水单元工业园区日入河量+汇水单元工业
企业日入河量+汇水单元污水处理厂日入河量+汇水单元畜禽养殖日入河量+汇水单元水产养殖日入河量+汇水单元土壤侵蚀日入河量+汇水单元有机肥入河量+汇水单元化肥日入河量+汇水单元秸秆日入河量+汇水单元农村生活污水日入河量+汇水单元农村生活垃圾日入河量+汇水单元城市面源日入河量；
[0027]
汇水单元某污染类型入河量＝汇水单元内所有该类型污染源入河量之和。
[0028]
优先地是，所述开展污染源精准溯源包括：识别问题河段，启动溯源；以问题河段为起点，计算上游来水贡献度、本河段贡献度，因此确定溯源河段范围，实现污染定段；确定溯源重点区域，污染定区；确定河段主导污染类；依据累计入河量占比，实现精准溯源。
[0029]
优选地是，所述上游来水贡献度、本河段贡献度的计算方法如下：
[0030]
若河段对应的下游断面浓度值-上游断面衰减后浓度值》0，则：
[0031]
上游来水贡献度＝上游断面衰减后浓度值/本断面浓度值*100％；
[0032]
本河段贡献度＝(本断面浓度值-上游断面衰减后浓度值)/断面浓度值*100％；
[0033]
若下游断面浓度值-上游断面衰减后浓度值《0，说明是上游污染较大，则应开展上游断面溯源分析：
[0034]
上游来水贡献度＝(上游断面衰减后浓度值-本断面浓度值)/本断面浓度值*100％；
[0035]
本河段贡献度＝1-上游来水贡献度。
[0036]
优先地是，贡献度占85％的汇水单元，为问题河段溯源的重点区域，累计排放量占85％的污染源类型，为本河段的主导污染类型，累计入河量占比85％的源，为本河段的主导疑似污染源清单，根据清单的经纬度，可精准溯源到点上。
附图说明
[0037]
本公开的各种实施例或样例(“示例”)在以下的具体实施方式和附图中得以公开。没必要将附图按比例绘制。一般而言，除非在权利要求中另有规定，否则可以任意顺序执行本发明所公开方法的操作。附图中：
[0038]
图1为根据本发明的基于汇水单元的流域水污染常规因子快速溯源方法的流程图；
[0039]
图2为本发明所采用的深度自适应多重可选择循环神经网络算法流程图；
[0040]
图3为循环神经网络所采用的lstm网络；
[0041]
图4为深度自适应多重可选择循环神经网络模型系统的整体训练和优化操作流程图；
[0042]
图5为本发明的开展污染源精准溯源概略图；
[0043]
图6为本发明的确定河段主导污染类型概略图；
[0044]
图7为本发明的依据累计入河量占比，实现精准溯源的示意图。
具体实施方式
[0045]
在详细解释本公开的一个或多个实施例之前，应当理解，实施例不限于它们具体应用中的构造细节，以及下文实施方式或附图所提出步骤或方法。
[0046]
图1为根据本发明的基于汇水单元的流域水污染常规因子快速溯源方法的流程
图。
[0047]
如图1所示，基于汇水单元的流域水污染常规因子快速溯源方法的流程为：
[0048]
一、建立溯源业务逻辑，建立流域汇水关系，为精准溯源奠定基础
[0049]
溯源业务逻辑为：以流域汇水关系为基础，将污染溯源按照污染识别—污染定段—污染定镇—污染定类—污染定位，最终形成溯源清单的思路，由下游河段往上游逐级溯源，精准及时发现问题。流域汇水关系以如下方式建立：
[0050]
1、基于dem，划定河流流域范围
[0051]
基于dem(数字高层模型)利用水文分析工具提取分水岭、地表水流径流模型的水流方向、汇流累积量、水流长度等，划定河流流域范围。
[0052]
2、划分河流层级关系
[0053]
将河流划分为一级河流、二级河流、三级河流等多个层级，并建立河流干支流关系。
[0054]
3、建立断面—河段对应关系
[0055]
根据断面的上下游位置，确定上下游关系并将断面自下而上编号。以空间叠加方式，用断面将整个河流分割为多个河段，并建立断面与每个河段之间的对应关系。
[0056]
4、划定汇水单元
[0057]
基于流域内的dem(数字高层模型)，划分各个断面的汇水单元(又称断面集水区)，每个汇水单元均设定一个出水口，建立汇水单元之间的输入输出关系；同时建立汇水单元与河段、汇水单元与出水口的对应关系；通过汇水单元的空间范围，出每个汇水单元内的陆地上的污染源，建立陆域污染源—汇水单元的关联关系，从而建立陆域污染源—汇水单元—河段—断面的关联关系。
[0058]
5、确定汇水单元入河口
[0059]
为每个汇水单元确定一个或多个主要入河口，包括主要自然排口、重点污染源直排口。当无重大点源直排口时，选取一个主要自然排口作为汇水单元入河口；当汇水单元内有重点污染源直排口是，除1个自然排口外，还需要包括重点污染源直排口。
[0060]
6、确定逻辑入河口清单，确定污染源正向排放关系
[0061]
汇集所述汇水单元入河口，形成汇水单元入河口清单，最终建立从陆域污染源—》汇水单元—》入河口—》河段—》断面的污染源排放到河流中的正向排放的逻辑关系。
[0062]
二、估算陆域污染源排放量和日入河量
[0063]
1、识别污染源类型
[0064]
将污染源分为工业污染点源、生活污染点源、农业污染点源、面源四个大类。其中，工业污染点源包括工业园区、工业企业等。生活污染点源包括污水处理厂。农业污染点源包括畜禽养殖等。面源包括：水产养殖、土壤侵蚀、有机肥、化肥、秸秆、农村生活污水、农村生活垃圾、城市面源等内容。
[0065]
2、确定污染源日入河量
[0066]
(1)当能获取全年每日降雨量时，采用以下方法计算：
[0067]
工业污染点源：有在线监测的工业污染源，日入河量＝在线监测日排放量*入河系数；其余工业污染点源使用年排放数据依据用电量折算为日排放量，日入河量＝日排放量*入河系数。
[0068]
生活污染点源：有在线监测的生活污水处理厂，日入河量＝在线监测日排放量*入河系数；其余使用生活污染点源年排放数据依据季节生产关系折算为日排放量，日入河量＝日排放量*入河系数。
[0069]
农业污染点源：规模以上畜禽养殖场有在线监测的，日入河量＝在线监测日排放量*入河系数；其余畜禽养殖：日入河量＝年排放数据*入河系数*逐日径流百分比。
[0070]
面源：水产养殖、土壤侵蚀、有机肥、化肥、秸秆、农村生活污水、农村生活垃圾、城市面源，均采用年排放量进行计算，日入河量＝年排放数据*入河系数*逐日径流百分比。
[0071]
(2)当只能获取某日降雨量，无全年降雨量时，建立基于深度自适应多重可选择循环神经网络模型，模拟计算流域排放量与入河量
[0072]
本发明的深度自适应多重可选择循环神经网络模型如图2所示。根据图2，在点源—畜禽的算法分析中，输入为年、月、畜禽存栏量、逐日排污系数处理率、是否直接入河，通过深度自适应多重可选择循环神经网络进行模型训练，并完成tp、tn、cod、bod5、nh3_n等指标排放量与入河量的计算，进一步可计算出入河占比。
[0073]
在点源—工业废水的算法分析中，输入的数据包括月、年、月用电量、所属行业、企业废水年排放量、排放方式、处理率等，通过深度自适应多重可选择循环神经网络完成模型参数训练，并计算tp、tn、cod、bod5、nh3_n的排污量以及入河量，最后计算出入河占比；在点源—城市生活污水的算法分析中，输入指标包括年、月、服务人口、处理率、逐日贡献度等，同样根据相关数据进行模型训练，最后计算出tp、tn、cod、bod5、nh3_n的排污量以及入河量。
[0074]
在面源方面，包括了8个面源，具体为：化肥、秸秆、有机肥、水产养殖、土壤侵蚀、生活污水、生活垃圾以及城市面源。化肥面源的计算，根据年、月、日，乡镇化肥施用折纯tn和tp、乡镇农田面积、农田径流量逐日百分比—地表径流量,壤中流、径流总量、污染物排放系数—tp、tn指标，根据深度自适应多重可选择循环神经网络完成模型的各个模型参数的训练，完成乡镇污染物排放量tn、tp、入河量的tn、tp；秸秆的计算，根据年、月、日、乡镇粮食产量、乡镇农田面积、农田径流量逐日百分比—地表径流量、壤中流、径流总量、百分比、污染物排放系数—tp、tn指标、秸秆产出系数、秸秆利用率、污染物含量等根据深度自适应多重可选择循环神经网络，完成模型参数的训练，最后输出乡镇污染物排放量_tn、tp以及入河量的tn与tp；有机肥的计算中，根据年、月、日、乡镇有机肥施用量、乡镇农田面积、农田径流量逐日百分比—地表径流量、壤中流、径流总量、百分比、有机肥污染物含量等数据根据深度自适应多重可选择循环神经网络完成模型参数的训练，输出乡镇污染物排放量_tn、tp、以及入河量的tn、tp；在水产养殖方面、土壤侵蚀、生活污水、生活垃圾以及城市面源各个方面，同样也是是根据相应的输入指标，分别结合深度自适应多重可选择循环神经网络来完成对完成模型参数的训练，并计算最后的结果。
[0075]
进一步参考图2，网络输入为前t时刻的污染因子序列(即包含了前t时刻的污染因子数据)，其中循环神经网络结构是通过感知当前状态前面时刻的信息来计算当前时刻的信息，这里通过采用多重循环神经网络结构能够增加感知复杂度，就能更加精确地计算出当前时刻的点源及面源输出指标数据。其中循环神经网络单元结构采用如图3所示的lstm网络。与传统的循环神经网络相比，lstm仍然是基于当前时刻输入x
t
和前一时刻输出h
t-1
来计算当前时刻的输出h
t
，只不过对内部的结构进行了更加精心的设计，加入了输入门i
t
、遗忘门f
t
以及输出门o
t
三个门和一个内部记忆单元c
t
。输入门控制当前计算的新状态以多大
程度更新到记忆单元中，遗忘门控制前一步记忆单元中的信息有多大程度被遗忘掉，输出门控制当前的输出有多大程度上取决于当前的记忆单元，lstm中的信息传递公式如下：
[0076]
输入门公式：i
t
＝σ(wix
t
+u
iht-1
+bi)
[0077]
遗忘门公式：f
t
＝σ(wfx
t
+ufh
t-1
+bf)
[0078]
输出门公式：o
t
＝σ(wox
t
+u
oht-1
+bo)
[0079]
候选层公式：
[0080]
记忆单元更新公式：
[0081]
每层输出公式：h
t
＝o
t
■
tanh(c
t
)
[0082]
其中
■
是同或运算，即相同值为1，不同则为0
[0083]
σ是sigmoid激活函数，tanh是双曲正切激活函数。
[0084]
lstm的每一个循环体会向下一个循环体传入两个值：c
t
和h
t
，这里可以理解为长时记忆和短时记忆。该网络可有效地解决循环神经网络梯度消失的问题，该网络具有记忆功能，能较好利用之前的污染监测因子，它能识别出重要的信息传递下去，不重要的信息选择忘记，并且根据训练的损失函数自动进行节点调整与维度调整，缺点是训练代价比较巨大。
[0085]
对于图2和图3所示的深度自适应多重可选择循环神经网络模型，首先根据历史数据，进行数据处理，形成完备的数据库，该数据库中的数据能够进行灵活的调用以及操作。之后根据用户的调用请求，系统自动的完成数据的训练。训练阶段，采用的是深度自适应多重可选择循环神经网络，该网络规定了各个模型的输入数据和输出数据。网络模型训练成功以后，自动更新模型数据库，以便对于数据的请求调用。当系统检测到数据计算的请求，首先根据tag来判定应该采用的是哪个计算模型，数据根据tensorflow serving平台的模型部署来完成神经网络的前向计算。并对计算的结果完成验证，验证成功以后，返回调用。该深度自适应多重可选择循环神经网络模型系统的整体训练和优化操作流程图如图4所示。
[0086]
三、计算污染贡献
[0087]
本断面污染分为上游来水污染、本断面汇水单元污染两类。
[0088]
1、计算上游来水污染
[0089]
上游来水污染是指本断面的上游带来污染贡献，我们以上游断面的某污染物浓度值经本河段自然削减后的浓度值作为计算值。即：
[0090][0091]c上
：上游断面浓度值，mg/l；
[0092]c衰
：上游断面经衰减后到达下游断面的浓度值，mg/l；
[0093]
浓度衰减系数。
[0094]
2、计算汇水单元污染入河量
[0095]
以日污染贡献为例，阐述污染贡献的计算。
[0096]
本断面汇水单元内陆域各类型污染源的某污染物日入河量之和，即：
[0097]
本断面汇水单元内的污染日入河量＝汇水单元工业园区日入河量+汇水单元工业企业日入河量+汇水单元污水处理厂日入河量+汇水单元畜禽养殖日入河量+汇水单元水产养殖日入河量+汇水单元土壤侵蚀日入河量+汇水单元有机肥入河量+汇水单元化肥日入河
量+汇水单元秸秆日入河量+汇水单元农村生活污水日入河量+汇水单元农村生活垃圾日入河量+汇水单元城市面源日入河量
[0098]
汇水单元某污染类型入河量＝汇水单元内所有该类型污染源入河量之和。
[0099]
3、计算污染贡献度
[0100]
上游来水贡献＝c
衰
/c0×
100％；
[0101]
本断面自身污染贡献＝c
0-c
衰
/c0×
100％；
[0102]
c0：本断面浓度值，mg/l；
[0103]c衰
：上游断面经衰减后到达下游断面的浓度值，mg/l；
[0104]
本断面某污染类型贡献＝本断面该污染类型的污染入河量/本断面汇水单元内的污染入河量。
[0105]
本断面某个点源或地块污染贡献＝本断面该点源或地块的污染入河量/本断面汇水单元内的污染入河量。
[0106]
四、开展污染源精准溯源
[0107]
1、识别问题河段，启动溯源
[0108]
通过自动监测断面的日监测值、月监测值，开展断面超标分析，根据河段—断面对应关系，计算得出超标的问题河段清单。选取任一问题河段，启动溯源。
[0109]
2、以问题河段为起点，确定溯源河段范围，实现污染定段
[0110]
以问题河段为起点，向河流来水方向向上溯出污染来源的河段。某河段的溯源范围应根据贡献为正的河段为溯源的起点，依次向河流上游溯源，直至上游断面浓度值比下游断面浓度值低为止或溯到发源地为止，判断关系如图5所示。凡是被到的河段即为溯出的污染贡献较大的污染来源河段。
[0111]
其中，每个河段贡献需扣减上游来水影响。
[0112]
【1】若河段对应的下游断面浓度值-上游断面衰减后浓度值》0，则：
[0113]
上游来水贡献度＝上游断面衰减后浓度值/本断面浓度值*100％；
[0114]
本河段贡献度＝(本断面浓度值-上游断面衰减后浓度值)/断面浓度值*100％。
[0115]
【2】若下游断面浓度值-上游断面衰减后浓度值《0，说明是上游污染较大，则应开展上游断面溯源分析：
[0116]
上游来水贡献度＝(上游断面衰减后浓度值-本断面浓度值)/本断面浓度值*100％；
[0117]
本河段贡献度＝1-上游来水贡献度。
[0118]
3、确定溯源重点区域，污染定区
[0119]
涉及河段对应的汇水单元，均为溯源区域。在溯源区域上，依据汇水单元入河量的排放对本河段的贡献度，进行排序，累计贡献度占85％的汇水单元，为问题河段溯源的重点区域。
[0120]
4、确定河段主导污染类型
[0121]
根据某核算溯源的重点汇水单元清单，选择污染因子，对空间区域内点源、面源排放量大小排序，出累计排放量占85％的污染源类型，确定本河段的主导污染类型，如图6所示。一旦定位到污染源类型，可用列表方式展示分析得出的污染源类型排放量及占比。
[0122]
5、依据累计入河量占比，实现精准溯源
[0123]
在确定本河段的主导污染类型前提下，根据该类型下主要的污染源清单，对累计入河量占比85％的源，即为本河段的主导疑似污染源清单，根据清单的经纬度，可精准溯源到点上。其中，点源按照本类型排放量累计占比85％的单个工业企业、污水厂、畜禽清单进行排序计算；面源按照乡镇为最小单元计算，分析得出具体污染源数量及占比，如图7所示。

技术特征：

1.一种基于汇水单元的流域水污染常规因子快速溯源方法，所述常规因子包括包括：cod、bod5、nh3_h、tn、tp，所述快速精准溯源方法包括如下步骤：步骤1：建立溯源业务逻辑，建立流域汇水关系，为精准溯源奠定基础；所述溯源业务逻辑为：将污染溯源按照污染识别—污染定段—污染定镇—污染定类—污染定位，由下游河段往上游逐级溯源；步骤2：估算陆域污染源排放量和日入河量；步骤3：计算污染贡献；步骤4：开展污染源精准溯源。2.根据权利要求1所述的流域水污染常规因子快速精准溯源方法，其特征在于，所述建立流域汇水关系进一步包括：基于dem，划定河流流域范围，所述dem为数字高层模型；划分河流层级关系，将河流划分为一级河流、二级河流、三级河流等多个层级，并建立河流干支流关系；建立断面—河段对应关系，其根据断面的上下游位置，确定上下游关系并将断面自下而上编号；以空间叠加方式，用断面将整个河流分割为多个河段，并建立断面与每个河段之间的对应关系；划定汇水单元，其基于流域内的dem，划分各个断面的汇水单元，每个汇水单元均设定一个出水口，建立汇水单元之间的输入输出关系；同时建立汇水单元与河段、汇水单元与出水口的对应关系；通过汇水单元的空间范围，出每个汇水单元内的陆地上的污染源，建立陆域污染源—汇水单元的关联关系，从而建立陆域污染源—汇水单元—河段—断面的关联关系；确定汇水单元入河口，为每个汇水单元确定一个或多个主要入河口，包括主要自然排口、重点污染源直排口；确定逻辑入河口清单，确定污染源正向排放关系。3.根据权利要求1所述的流域水污染常规因子快速精准溯源方法，其特征在于，所述估算陆域污染源排放量和日入河量包括：识别污染源类型，将污染源分为工业污染点源、生活污染点源、农业污染点源、面源四个大类；并且其中，工业污染点源包括工业园区、工业企业；所述生活污染点源包括污水处理厂，所述农业污染点源包括畜禽养殖等；所述面源包括：水产养殖、土壤侵蚀、有机肥、化肥、秸秆、农村生活污水、农村生活垃圾、城市面源等；确定污染源日入河量，其包括如下两种计算方式：方式1：当能获取全年每日降雨量时，采用以下方法计算：工业污染点源：有在线监测的工业污染源，日入河量＝在线监测日排放量*入河系数；其余工业污染点源使用年排放数据依据用电量折算为日排放量，日入河量＝日排放量*入河系数；生活污染点源：有在线监测的生活污水处理厂，日入河量＝在线监测日排放量*入河系数；其余使用生活污染点源年排放数据依据季节生产关系折算为日排放量，日入河量＝日排放量*入河系数；方式2：当只能获取某日降雨量，无全年降雨量时，建立基于深度自适应多重可选择循环神经网络模型，模拟计算流域排放量与入河量。
4.根据权利要求3所述的流域水污染常规因子快速精准溯源方法，其特征在于，所述深度自适应多重可选择循环神经网络模型采用lstm网络，其包括点源—畜禽算法、点源—工业废水算法、点源—城市生活污水算法以及8个面源算法模型。5.根据权利要求4所述的流域水污染常规因子快速精准溯源方法，其特征在于，所述深度自适应多重可选择循环神经网络模型的训练和优化的过程为：根据历史数据，进行数据处理，形成完备的数据库；根据用户的调用请求，系统自动的完成数据的训练；网络模型训练成功以后，自动更新模型数据库，以便对于数据的请求调用；当系统检测到数据计算的请求，首先根据tag来判定应该采用的是哪个算法模型，数据根据深度自适应多重可选择循环神经网络模型采用lstm网络训练好的的模型部署来完成神经网络的前向计算；对计算的结果进行验证，验证成功以后，返回调用。6.根据权利要求1所述的流域水污染常规因子快速精准溯源方法，其特征在于，所述计算污染贡献步骤包括：计算上游来水污染，所述上游来水污染是指本断面的上游带来污染贡献，其以上游断面的某污染物浓度值经本河段自然削减后的浓度值作为计算值，即：c
上
：上游断面浓度值，mg/l；c
衰
：上游断面经衰减后到达下游断面的浓度值，mg/l；浓度衰减系数。计算汇水单元污染入河量；以及计算污染贡献度，其中，上游来水贡献＝c
衰
/c0×
100％；本断面自身污染贡献＝c
0-c
衰
/c0×
100％；c0：本断面浓度值，mg/l；c
衰
：上游断面经衰减后到达下游断面的浓度值，mg/l；本断面某污染类型贡献＝本断面该污染类型的污染入河量/本断面汇水单元内的污染入河量；本断面某个点源或地块污染贡献＝本断面该点源或地块的污染入河量/本断面汇水单元内的污染入河量。7.根据权利要求6所述的流域水污染常规因子快速精准溯源方法，其特征在于，所述计算汇水单元污染入河量包括：本断面汇水单元内的污染日入河量＝汇水单元工业园区日入河量+汇水单元工业企业日入河量+汇水单元污水处理厂日入河量+汇水单元畜禽养殖日入河量+汇水单元水产养殖日入河量+汇水单元土壤侵蚀日入河量+汇水单元有机肥入河量+汇水单元化肥日入河量+汇水单元秸秆日入河量+汇水单元农村生活污水日入河量+汇水单元农村生活垃圾日入河量+汇水单元城市面源日入河量；汇水单元某污染类型入河量＝汇水单元内所有该类型污染源入河量之和。8.根据权利要求1所述的流域水污染常规因子快速精准溯源方法，其特征在于，所述开展污染源精准溯源包括：识别问题河段，启动溯源；以问题河段为起点，计算上游来水贡献度、本河段贡献度，因此确定溯源河段范围，实现污染定段；确定溯源重点区域，污染定区；确定河段主导污染类；依据累计入河量占比，实现精准溯源。9.根据权利要求8所述的流域水污染常规因子快速精准溯源方法，其特征在于，所述上游来水贡献度、本河段贡献度的计算方法如下：
若河段对应的下游断面浓度值-上游断面衰减后浓度值>0，则：上游来水贡献度＝上游断面衰减后浓度值/本断面浓度值*100％；本河段贡献度＝(本断面浓度值-上游断面衰减后浓度值)/断面浓度值*100％；若下游断面浓度值-上游断面衰减后浓度值<0，说明是上游污染较大，则应开展上游断面溯源分析：上游来水贡献度＝(上游断面衰减后浓度值-本断面浓度值)/本断面浓度值*100％；本河段贡献度＝1-上游来水贡献度。10.根据权利要求9所述的流域水污染常规因子快速精准溯源方法，其特征在于，贡献度占85％的汇水单元，为问题河段溯源的重点区域，累计排放量占85％的污染源类型，为本河段的主导污染类型，累计入河量占比85％的源，为本河段的主导疑似污染源清单，根据清单的经纬度，可精准溯源到点上。

技术总结

本发明针对日常水质监测的化学需氧量、总磷、氨氮等非突发性水污染因子，提出一种基于汇水单元的流域水污染常规因子快速溯源方法，其按照“定段—定区—定型—定清单”的逻辑，将累积性水污染指标溯源的频次提高到日溯源，溯源精度缩小到由流域尺度提升至河段尺度、乡镇尺度、污染源类型尺度及点位尺度，为日常水环境管理决策提供支撑。境管理决策提供支撑。境管理决策提供支撑。