李 浩

（濉溪縣生態(tài)環(huán)境保護(hù)綜合行政執(zhí)法大隊(duì)，安徽 濉溪235100）

0 引言

湖泊作為地表生態(tài)系統(tǒng)中的重要一環(huán)，其生態(tài)功能在逐漸退化[1]。由于城市湖泊周邊有大量的人類生活生產(chǎn)活動(dòng)，存在著大量的潛在污染源。因此，有必要建立一個(gè)針對(duì)湖泊污染的監(jiān)測(cè)系統(tǒng)，通過(guò)監(jiān)測(cè)數(shù)據(jù)實(shí)時(shí)上傳與分析掌握湖泊狀況，并通過(guò)溯源算法對(duì)污染湖泊水域的源頭進(jìn)行定位。

隨著物聯(lián)網(wǎng)相關(guān)通信技術(shù)的進(jìn)步，針對(duì)低功耗設(shè)備的通信方式的應(yīng)用。我們依托窄帶物聯(lián)網(wǎng)（Narrow Band Internet of Things，NB-IoT）[2]可以在大范圍內(nèi)建立可靠的通信網(wǎng)絡(luò)，實(shí)現(xiàn)大范圍內(nèi)眾多設(shè)備的數(shù)據(jù)交互。

遺傳算法可以通過(guò)模擬自然界中生物的自然進(jìn)化過(guò)程進(jìn)行最優(yōu)解求取[3]。闞哲等人[4]通過(guò)遺傳算法在網(wǎng)格中插值、擬合，從而實(shí)現(xiàn)對(duì)溫度場(chǎng)的重建。該團(tuán)隊(duì)指出基于遺傳重建算法得出的溫度場(chǎng)與最小二乘法重建算法結(jié)果相比具有更高的精度。劉鵬程和李新利[5]團(tuán)隊(duì)將多種群遺傳算法用于配電網(wǎng)故障定位，提高了系統(tǒng)的收斂效率。

在水污染模型建立方面，吳迪軍等人[6]采用隱格式有限元差分法對(duì)水動(dòng)力方程和污染擴(kuò)散方程進(jìn)行聯(lián)合求解，從而建立水體污染物濃度在時(shí)空范圍內(nèi)的分布模型，并通過(guò)模擬分析驗(yàn)證了模型的有效性。王迎彬[7]團(tuán)隊(duì)研究了基于多節(jié)點(diǎn)數(shù)據(jù)融合通過(guò)擬牛頓法重構(gòu)污染物分布模型的定位方法。

本文基于以窄帶物聯(lián)網(wǎng)為代表的低功耗廣域網(wǎng)技術(shù)設(shè)計(jì)了適用于城市湖泊環(huán)境下的物聯(lián)網(wǎng)監(jiān)控系統(tǒng)，并通過(guò)遺傳算法定位污染源頭。

1 系統(tǒng)架構(gòu)

湖泊污染監(jiān)測(cè)及溯源系統(tǒng)分為邊緣感知層、數(shù)據(jù)傳輸層、云數(shù)據(jù)服務(wù)層和管控應(yīng)用層。

邊緣感知層由水質(zhì)感知浮標(biāo)陣列組成。感知浮標(biāo)搭載有包括pH傳感器、溶解氧傳感器、電導(dǎo)率傳感器、氮磷傳感器在內(nèi)的多種傳感器，可以實(shí)時(shí)采集湖泊水質(zhì)信息。同時(shí)，浮標(biāo)可以通過(guò)二維流速傳感器感知水體的流速信息，為后續(xù)建立湖泊污染物擴(kuò)散場(chǎng)打下基礎(chǔ)。感知浮標(biāo)通過(guò)NB-IoT模組上傳數(shù)據(jù)，浮標(biāo)采用太陽(yáng)能電池供電，并結(jié)合PSM技術(shù)進(jìn)行低功耗設(shè)計(jì)。

數(shù)據(jù)傳輸層為電信運(yùn)營(yíng)商提供的通信基站、核心網(wǎng)等基礎(chǔ)設(shè)施。隨著三大運(yùn)營(yíng)商加速在物聯(lián)網(wǎng)領(lǐng)域的建設(shè)，在全國(guó)范圍內(nèi)NB-IoT網(wǎng)絡(luò)已基本實(shí)現(xiàn)全覆蓋。

云數(shù)據(jù)服務(wù)層主要負(fù)責(zé)匯集系統(tǒng)中的數(shù)據(jù)，并通過(guò)遺傳算法對(duì)異常數(shù)據(jù)進(jìn)行源頭追溯，定位湖泊污染源頭。同時(shí)將數(shù)據(jù)整理、分類提供給管控應(yīng)用層。

管控應(yīng)用層采用B/S架構(gòu)開(kāi)發(fā)。湖泊環(huán)境監(jiān)測(cè)人員可通過(guò)管控應(yīng)用程序查看湖面各個(gè)區(qū)域的實(shí)時(shí)水質(zhì)狀況，從而定位污染源頭推算點(diǎn)。

2 基于遺傳算法的湖泊污染溯源算法

要基于遺傳算法重建湖泊污染擴(kuò)散模型，就要采集出湖面若干點(diǎn)的污染物濃度數(shù)據(jù)。我們首先對(duì)湖面進(jìn)行了網(wǎng)格化劃分，建立基準(zhǔn)坐標(biāo)系。而要完成對(duì)污染源頭的溯源工作，則需要根據(jù)已知污染濃度網(wǎng)格的數(shù)據(jù)推算出未部署水質(zhì)感知浮標(biāo)的網(wǎng)格數(shù)據(jù)。

由于城市湖泊較小，流動(dòng)性不強(qiáng)，水體較為穩(wěn)定。因此，污染物擴(kuò)散受到水體流動(dòng)的干擾較小，其基本符合由高濃度至低濃度的方向進(jìn)行擴(kuò)散。因此，合理推算出監(jiān)測(cè)點(diǎn)之間空白處的污染狀況，建立污染物擴(kuò)散場(chǎng)是一個(gè)尋優(yōu)過(guò)程。

假設(shè)Tn時(shí)刻向水體中（xs，ys）位置投入污染物，其質(zhì)量為M，x，y方向的水流速度分別為vx、vy，水體在各方向的擴(kuò)散系數(shù)均為cd。則在Tn+1時(shí)刻（x，y）處的污染濃度為：

設(shè)我們?cè)诤嫔喜渴鹆薾個(gè)水質(zhì)感知浮標(biāo)，浮標(biāo)的位置記為（x1，y1），（x2，y2）…（xn，yn），各個(gè)節(jié)點(diǎn)的污染物濃度測(cè)量值記為向量CM={cmi｜i∈{1, 2，…，n}}。 則根據(jù)公式（1）可估算出各個(gè)水質(zhì)浮標(biāo)位置的濃度值，記為向量CE={cei｜i∈{1, 2，…，n}}。 由此，我們可以得到各個(gè)水質(zhì)浮標(biāo)的實(shí)際測(cè)量值與理論推算值之間的誤差函數(shù)：

當(dāng)誤差函數(shù)達(dá)到最小值0時(shí)，可計(jì)算出污染物釋放量M、污染源位置（xs，ys），以及已持續(xù)擴(kuò)散時(shí)間t的最優(yōu)解。我們采用遺傳算法進(jìn)行求解。

當(dāng)?shù)谝淮N群產(chǎn)生之后，按照優(yōu)勝劣汰的原理使種群迭代優(yōu)化，在種群中挑選適應(yīng)能力強(qiáng)的個(gè)體，結(jié)合遺傳算子進(jìn)行交叉組合和變異，得出代表解集的種群。遺傳算法可以對(duì)全局進(jìn)行有效搜索，同時(shí)對(duì)各種特殊問(wèn)題有著很強(qiáng)的適應(yīng)性。如圖1所示為算法流程圖。

圖1 遺傳算法基本流程圖

首先，設(shè)污染物釋放量M、釋放時(shí)間t、污染物坐標(biāo)（xs，ys）為個(gè)體的基因組，采用二進(jìn)制編碼表示上述變量。 設(shè)定f（M，t，xs，ys）的值越接近于0，適應(yīng)度越高。適應(yīng)度決定遺傳概率。進(jìn)入下一代種群中的個(gè)體數(shù)量由比例選擇算子確定。我們將水污染誤差函數(shù)轉(zhuǎn)換為適應(yīng)度函數(shù)F（M，t，xs，ys）。

式中，CMAX為預(yù)設(shè)值，它與種群最大值成正比。種群通過(guò)比較適應(yīng)度選擇遺傳的個(gè)體，實(shí)現(xiàn)了優(yōu)勝劣汰。

種群中個(gè)人的遺傳資格采取輪盤賭的方式確定。隨機(jī)選取兩個(gè)獲取遺傳資格個(gè)體的相同染色體位置按單點(diǎn)交叉算子按交叉概率P進(jìn)行交換，從而在種群中產(chǎn)生了具有新基因的個(gè)體。

3 總結(jié)與展望

本文基于LPWAN構(gòu)建了面向城市湖泊的污染監(jiān)測(cè)系統(tǒng)，實(shí)現(xiàn)湖泊水質(zhì)動(dòng)態(tài)監(jiān)測(cè)?；谶z傳算法實(shí)現(xiàn)對(duì)湖泊污染源頭的追溯定位。下一步將針對(duì)算法和系統(tǒng)的實(shí)際測(cè)試結(jié)果進(jìn)行優(yōu)化，并研究不同水體狀況的湖泊對(duì)算法性能的影響。