相关实验视频
Updated: Jul 4, 2025

Watershed Planning within a Quantitative Scenario Analysis Framework
Published on: July 24, 2016
一个基于不同进化适应大都市 (DREAM) 的反向模型,用于在河流污染事件中识别持续释放源:定量评估和灵敏度分析
Yinying Zhu1, Hongyi Cao2, Zhenhui Gao3
1State Environmental Protection Key Laboratory of Drinking Water Source Protection, National Engineering Laboratory for Lake Pollution Control and Ecological Restoration, Chinese Research Academy of Environmental Sciences, Beijing, 100012, China; State Environmental Protection Key Laboratory of Drinking Water Source Protection, Chinese Research Academy of Environmental Sciences, Beijing, 100012, China; Department of Building, Civil and Environmental Engineering, Concordia University, Montreal, H3G 1M8, Canada.
这项研究引入了一个新的反向模型,使用差异进化适应大都市 (DREAM) 算法来确定连续的河流污染源. 梦想模型准确地识别源参数,在水污染事件的效率和准确性方面优于其他方法.
科学领域:
- 环境科学 环境科学
- 水资源管理 水资源管理
- 计算建模 计算建模
背景情况:
- 持续的河流污染对水生态系统构成重大风险,需要有效的应急应对策略.
- 现有的研究主要针对瞬间污染源,突出了管理连续排放事件的差距.
- 准确识别持续污染源对于减轻生态损害和告知应对行动至关重要.
研究的目的:
- 提出一种新的反向模型,用于识别河流污染事件中的连续点源.
- 估计关键源参数:强度,位置,释放时间和泄漏时间.
- 量化源参数估计中的不确定性.
主要方法:
- 开发一个反向模型,将差异进化自适应大都市 (DREAM) 算法与前向运输偏向-分散方程集成在一起.
- 推断源参数的后面概率分布以量化不确定性.
- 与基于大都会 - 黑斯廷斯 (MH) 和基因算法 (GA) 的模型进行比较性性能分析.
主要成果:
- 基于DREAM的模型在确定连续污染源时,在假设和现场追踪场景中都表现出高准确度.
- 对比分析揭示了DREAM模型在计算效率,结果准确性和污染物度重建方面的优势.
- 发现观察错误对识别结果的准确性产生了重大影响.
结论:
- 拟议的基于DREAM的反向模型为识别连续河流污染源提供了强大而高效的解决方案.
- 模型性能对分散系数和河流速度敏感,这强调了准确的水文数据的重要性.
- 提高监测网络密度和接近泄漏场所的密度可以进一步提高污染源识别的准确性.
相关概念视频
Steps in Outbreak Investigation
Mechanistic Models: Compartment Models in Individual and Population Analysis
Typical Model Studies
Rapidly Varying Flow

