Processing math: 2%
    • EI
    • CSA
    • CABI
    • 卓越期刊
    • CA
    • Scopus
    • CSCD
    • 核心期刊

三峡库区农业面源污染风险评估及治理清单

管孝艳, 陶园, 陈皓锐, 常晓敏

管孝艳,陶园,陈皓锐,等. 三峡库区农业面源污染风险评估及治理清单[J]. 农业工程学报,2023,39(20):200-210. DOI: 10.11975/j.issn.1002-6819.202304097
引用本文: 管孝艳,陶园,陈皓锐,等. 三峡库区农业面源污染风险评估及治理清单[J]. 农业工程学报,2023,39(20):200-210. DOI: 10.11975/j.issn.1002-6819.202304097
GUAN Xiaoyan, TAO Yuan, CHEN Haorui, et al. Assessing risk and governing of agricultural non-point source pollution in Three Gorges Reservoir Areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(20): 200-210. DOI: 10.11975/j.issn.1002-6819.202304097
Citation: GUAN Xiaoyan, TAO Yuan, CHEN Haorui, et al. Assessing risk and governing of agricultural non-point source pollution in Three Gorges Reservoir Areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(20): 200-210. DOI: 10.11975/j.issn.1002-6819.202304097

三峡库区农业面源污染风险评估及治理清单

基金项目: 国家社科基金重大项目(19ZDA090);水利部政府性基金预算项目(12630100100021J002);北京市科协青年人才托举工程项目(BYESS2023198)
详细信息
    作者简介:

    管孝艳,博士,教授级高级工程师,研究方向为农业水土资源与环境方面的研究。Email:guanxy@iwhr.com

    通讯作者:

    陶园,博士,高级工程师,研究方向为农田灌排及农业水土资源与环境方面的研究。Email:taoyuanss.good@163.com

  • 中图分类号: X501

Assessing risk and governing of agricultural non-point source pollution in Three Gorges Reservoir Areas

  • 摘要:

    针对三峡库区农业面源污染风险评估指标体系不完善、个别指标计算时基础数据获取难度大的问题,该研究充分考虑农业面源污染产生、形成及调控全过程因素,构建了基于层次分析法的三峡库区面源污染风险评价指标体系,以更易获取的数据为基础参数、应用韦伯-费希纳定律克服个别风险指标过大的问题,给定了三峡库区面源污染风险评估指标计算方法,评估了三峡库区农业面源污染风险,并提出了三峡库区县域单元的纵向和横向污染治理清单。研究结果表明,三峡库区各县域农业面源污染总体处于中风险,库区内湖北省夷陵区、重庆市南岸区风险值最高,其次是重庆市大渡口区、沙坪坝区等市辖区、巫溪县以及湖北省兴山县和秭归区,之后是开州区、万州区、丰都县、云阳县等区域;化肥强度指数、畜禽养殖强度指数、降雨侵蚀指数、环保投资指数是三峡库区农业面源污染风险的主要影响指标;三峡库区各县域化肥强度指数以及畜禽养殖强度指数风险值之和占总压力指数风险值的比例平均为79%,巫溪县、巴东县、巫山县甚至达到90%;重庆市南岸区、大渡口区以及湖北省各县域化肥施用强度较高,建议开展茶果树施肥技术提升,畜禽养殖强度相对较大的区域主要集中在重庆市云阳县、开州区、巫溪县、巫山县以及湖北省各县区,建议更多开展猪和羊畜禽废污处理能力提升,此外还应加大环保投入以及合理调整种植结构;从纵向管控来看,三峡库区农业面源污染治理应以南岸区和夷陵区为优先管控区域,河流水质优先治理区域为大渡口区、九龙坡区以及湖北省的各县区,从横向管控来看,大部分县域的主要污染防控因素为化肥减量和畜禽养殖治理,其中三峡库区上游和下游地区应当更多关注化肥减量,中游则应更多关注畜禽养殖的污染防控。该研究成果可为三峡库区农业面源污染政策制定提供有力参考。

    Abstract:

    Non-point source pollution is required to consider the whole process factors of generation, formation, and regulation. In this study, the risk assessment system was constructed to evaluate the non-point source pollution in the Three Gorges Reservoir Area using an analytic hierarchy process. Taking the availability of data as an essential source, an operable index system was then proposed to overcome the excessive indicators of individual risk using Weber-Fechner. Finally, the horizontal and vertical lists of pollution control were determined for the decision-making. The result showed that agricultural non-point source pollution was predicted as the middle-risk level in the study area. The higher scores of risks were found in the Yiling District in Hubei Province and Nanan District in Chongqing Municipality. The next high-risk scores were distributed in Dadukou District, Shapingba District, Wuxi County in Chongqing Municipality and Xingshan County, Zigui County in Hubei Province, and the following were Kaizhou District, Wanzhou District, Fengdu County, and Yunyang County in Chongqing Municipality. The influencing indexes were obtained as fertilizer intensity, livestock/poultry breeding intensity, rainfall erosion, and environmental protection investment index in the risk system of agricultural non-point source pollution. The ratio between the risk scores of fertilizer intensity and livestock/poultry breeding intensity index accounted for 79% of the total risk scores of press indexes. By contrast, the ratios were more than 90% in Wuxi, Badong, and Wushan County. The average ratios of risk score were 32%, 25%, 24%, and 19%, respectively, for the stress, transformation, state, and governance index to the comprehensive one. Among them, the stress index still occupied the largest proportion of the risk score. Fertilizer intensity was higher in Nanan District, Dadukou District of Chongqing Municipality, and the counties in Hubei Province. Some suggestions were then proposed to improve the fertilization of fruit trees. The relatively high intensity of livestock and poultry breeding was concentrated mainly in Yunyang County, Kaizhou District, Wuxi County, Wushan County in Chongqing Municipality, and the counties in Hubei Province. Particularly, it was necessary to improve the waste treatment of pigs and sheep. In addition, the planting structure was required to adjust reasonably to increase the investment in environmental protection. In the vertical lists of pollution control, Yiling and Nanan District should be given priority to the agricultural non-point source pollution control, where the priority areas of river water quality control were Dadukou, Jiulongpo District, and the counties in Hubei Province. In the horizontal lists of pollution control, the pollution control factors in most counties were fertilizer reduction and livestock breeding control. More attention should be paid to fertilizer reduction in the upstream and downstream areas, while the pollution prevention and control caused by livestock and poultry breeding in the middle reaches. Furthermore, the slope length index of each county was evaluated, according to the average value of 0.026. Soil erodibility of each county was chosen from 0.015 to 0.019 ·hm2·h/(MJ·mm·hm2) for the better performance of risk assessment. This finding can provide a strong reference for the policy formulation of agricultural non-point source pollution in the Three Gorges reservoir area.

  • 随着农业装备不断向现代化、智能化和规模化发展[1],工业机器人的应用范围扩展至农业装备领域是必然趋势。旋转矢量(rotate vector,RV)减速器具有体积小、传动比范围大、质量轻、精度保持稳定、效率高等特点,农业机械经常需要大比例减速的情况,常选用RV减速器[2]。RV减速器作为农业机器人及农业机械的核心传动部件,其健康状况直接决定了传动精度、可靠性、生产效率和农机寿命。然而,由于RV减速器结构复杂,且在实际工作中工况多变,作业环境恶劣,随时发生故障[3]。RV减速器故障严重时会导致生产停滞,造成巨大的经济损失。因此,研究农业机器人RV减速器的故障诊断方法,及早发现并处理故障,缩短维护时间,对保障机器人安全运行、提高企业生产效率和经济效益具有重大意义。

    振动信号能够有效反映部件的健康状态,在故障诊断中得到广泛应用[4]。近年来,许多学者对此开展了研究,提出了神经网络[5]、深度学习[6]、时频分析[7]、盲反卷积[8]等方法。汪久根等[9]采用残差网络提高了RV减速器不同故障的分类准确率。YIN等[10]开发了一种基于知识和数据双驱动的传输网络用于RV减速器故障诊断。彭鹏等[11]提出了一种抗干扰的 RV 减速器故障识别卷积神经网络模型。韩特等[12]在深度特征嵌入空间下构建特征图,通过标签传播算法生成伪标签,利用信息熵评估健康状态概率的分布。上述关于RV减速器的故障诊断精度较高,主要采用神经网络、深度学习、机械学习等算法,但是此类算法的实现需要大量不同类型的数据支撑。而基于时域、频域或时频域的分析方法能够在少量数据的支撑下完成故障诊断。XIE等[13]提出了一种基于电流信号的瞬时频率趋势图与参数自适应变分模态分解算法相结合的RV减速器故障诊断方法,实现了RV减速器太阳轮故障特征提取。GUO等[14]将计算阶跟踪和同步平均相结合识别了RV减速器行星齿轮齿根裂纹故障。雷亚国等[15]利用脊线提取完成RV减速器振动信号的平稳数据截取,有效提取了RV减速器行星轮的故障信息。由于RV减速器因润滑、制造误差和不合理受力会引起各种机械故障,使得实际运行中裂纹、点蚀等故障往往同时或先后出现,传感器采集的信号往往是多个故障源相互耦合的结果,使故障诊断变得非常困难。文献[13-15]提出的故障诊断方法适于单一故障诊断,对RV减速器复合故障检测能力下降甚至失效。因此,如何在复合故障相互耦合以及往复运动、时变转速工况下,精确分离提取耦合故障特征是RV减速器故障诊断领域亟待攻克的难题。盲源分离(blind source separation,BSS)技术可以在传输通道未知的情况下,从混合信号中把多个信号源分离出来。独立成分分析(independent component analysis,ICA) [16]和稀疏分量分析(sparse component analysis,SCA) [17] 是常用的以信号处理技术求解BSS问题。ICA算法的前提是源信号是统计独立的,且每个独立分量必须符合非高斯分布。而现代机械设备难以满足统计独立性的假设,但SCA方法的稀疏性假设相对容易满足。

    SCA算法中,聚类方法是混合矩阵估计的首选。WANG等[18]提出了一种两阶段的聚类算法,从而提高了混合矩阵的估计精度。NORSALINA等[19]引入自适应时频阈值提高混合矩阵估计的精度。DING等[20]利用同步压缩S变换估计含谐波传输阻抗的混合矩阵。密度峰值聚类算法(density peak clustering,DPC)考虑局部密度和相对距离绘制决策图,快速识别簇中心并完成聚类。 DPC具有唯一输入参数,无需先验知识和迭代[21]。在解决振动源数目估计方面有一定的潜力。SCA算法还包括了源信号的恢复,主流方法有两类:一是通过优化逼近L0范数的函数恢复源信号。BU等[22]使用光滑的连续函数来近似L0范数。ZHANG等[23]用复三角函数逼近L0范数。但是上述方法具有源信号射入方向越近恢复精度越低。二是压缩感知(compressed sensing,CS)重构算法[24],该方法使用L1范数优化取代L0范数优化恢复源信号,避免了L0范数优化的NP-Hard问题。正交匹配追踪算法(orthogonal matching pursuit,OMP)克服匹配追踪算法的缺陷,在算法迭代过程中,残差能够与已经选择的原子正交,保证相同索引不会被重复选择,迭代过程在有限的次数内收敛[25],在重构信号算法的研究中发挥了重要作用。

    结合上述分析,本文提出一种基于时频图像脊线提取与改进稀疏分量分析相结合的RV减速器复合故障盲提取方法,旨在实现往复运动、时变转速、故障源数目未知工况下的RV减速器复合故障诊断。首先使用时频图像脊线提取(ridge extraction from time-frequency images,RETF)从时频图中提取脊线,完成对平稳信号的同步截取,然后利用sinC函数改进形态滤波(sinC-morphological filtering,SMF)、DPC和OPM相结合的盲源分离方法(SMF-DPC-OMP)实现平稳信号复合故障的分离提取,采用SMF对观测信号进行滤波降噪处理,在提高信噪比的同时突出信号的冲击分量,并对滤波后的信号进行密度峰值聚类处理,得到聚类中心,构建传感矩阵;接着将滤波后的信号转换到频域以满足SCA的稀疏性要求;最后利用OMP算法在频域重构源信号,在提高计算速度和适应性的同时,实现复合故障特征的提取。

    盲源分离是指在源信号和信号传输通道均未知的情况下,仅依赖传感器拾取的观测信号恢复和估计源信号的技术[26]。含噪声SCA的数学模型为

    {{\boldsymbol{X}}_{m \times t}} = {{\boldsymbol{A}}_{m \times n}}{{\boldsymbol{S}}_{n \times t}} + {{\boldsymbol{V}}_{m \times t}} (1)

    式中 {\boldsymbol{X}} 为观测矩阵,即采集到的振动信号; {\boldsymbol{A}} 为混合矩阵; {\boldsymbol{S}} 是具有稀疏性的未知源信号; {\boldsymbol{V}} 为噪声或其他随机干扰成分; m 为传感器数量; n 为源信号数量; t 为观测时间,s。

    短时傅里叶变换(short-time fourier transform,STFT)是有效捕获时变频率的方法之一,其定义为[27]

    Q\left( {t,f} \right) = \int\limits_R {x\left( \tau \right){h_\sigma }\left( {\tau - t} \right){{\text{e}}^{ - {j}_0 2{\text{π }}f\tau }}{\text{d}}\tau } (2)

    式中x\left( \tau \right) 为多分量信号;Q\left( {t,f} \right)是信号的时频表达(time frequency representation,TFR);{h_\sigma }\left( {\tau - t} \right)是长度为\tau 的高斯窗;R为实数集;t为时间;f为频率;j表示复数。

    从TFR中提取时频脊线估计瞬时频率(instantaneous frequency,IF)是完全非参数的,并且能适应不同的情况。有效的脊线提取方法是寻找TFR的最大位置[27],其定义如下:

    \overline {{D}} (t) = \mathop {\arg \max }\limits_{f \in J} \left| {Q(t,f)} \right|,{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} t = {t_0}, \ldots ,{t_{N - 1}} (3)

    式中 \overline {{D}} (t) 表示得到的脊线,是理论 {{D}}(t) 的估计, J 是频率的集合,N 为信号截止时间。RETF算法的具体实现步骤如下:

    1)初始化参数,并创建一个预存矩阵{{\boldsymbol{K}}_i}

    2)对时域信号x\left( t \right)进行STFT变换,得到其时频分布Q\left( {t,f} \right)

    3)寻找并标记最大能量点\left[ \begin{gathered} {t_0} \\ {f_0} \\ \end{gathered} \right],将该点存储为{\boldsymbol{K}}矩阵的第一列;

    4)使Q\left( {{t_0},f} \right)在最大值点{t_0}附近时刻归0,即Q\left( {{t_0},f} \right) = 0f \in \left[ {{f_0} - \Delta f,{f_0} + \Delta f} \right],其中\Delta f为滤波带宽惩罚参数,控制滤波带宽;

    5)在Q\left( {{t_0},f} \right)的邻域内寻找下一个最大能量点 \left[ \begin{gathered} t_{0}' \\ f_{0}' \\ \end{gathered} \right] = \ {\mathrm{\max}} _{\left( {{t_\alpha },{f_\alpha }} \right)}Q\left( {t,f} \right) {t_\alpha } \in \left[ {{t_0} - 1,{t_0} + 1} \right] {f_\alpha } \in \left[ {f_0} -F,{f_0} + F \right]H为选定的窗参数,控制迭代中 \overline {{D}} (t) 增量的平滑程度,H越小, \overline {{D}} (t) 增量越平滑;

    6)将 \left[ \begin{gathered} t_0' \\ f_0' \\ \end{gathered} \right] 存储为{\boldsymbol{K}}矩阵的下一列;

    7)使Q\left( {t_0',f} \right)在最大值点t_0'附近时刻归0,即Q\left( {t_0',f} \right) = 0f \in \left[ {{f_0} - \Delta f,{f_0} + \Delta f} \right]

    8)如果时间指标{t_\alpha }和频率指标{f_\alpha }未达到TFR矩阵的边界,返回步骤5);否则返回步骤1),并创建一个新的预存矩阵{{\boldsymbol{K}}_{i + 1}}

    9)当剩余TFR能量小于阈值\varepsilon 时停止算法(每一个预存矩阵,即是一条时频脊线)。

    \sin C函数又称辛格函数,定义如下:

    \sin C\left( x \right) = \frac{{\sin \left( {{\text{π}}x} \right)}}{{{\text{π}}x}} (4)

    本文选取 \sin C 函数作为结构元素时主要定义长度L和主瓣比p。长度是指整个图像的长度,主瓣比是指从中间截取整个图像的百分比。图1L = 20 p = 50\text{%} {\mathrm{sin}} C 结构元素。

    图  1  sinC函数参数图
    Figure  1.  Parameter diagram of sinC function

    形态滤波器的构建主要包括结构元素和形态算子。结构元素的选择包括结构元素的形状、长度、高度(振幅)等。在处理一维信号时 ,结构元素的形状一般有线形、三角形、半圆形、正弦等,本文选择 sin C函数作为结构元素 ,结合形态算子腐蚀Θ、膨胀\oplus 、形态开○和形态闭●,构建基于sinC函数的SMF平均组合滤波器。

    设原信号f\left( n \right)和结构元素g\left( m \right)为分别定义在F\left( {1,2, \ldots ,n - 1} \right)G = \left( {1,2, \ldots, m - 1} \right)上的离散函数, N \geqslant M。则f\left( n \right)关于g\left( m \right)的腐蚀运算、膨胀运算、开运算和闭运算[28]分别为

    (f\Theta g)(n) = \min[f(n + m) - g(m)] (5)
    (f \oplus g)(n) = \max [f(n - m) + g(m)] (6)
    (f \circ g){\kern 1pt} (n) = (f\Theta g \oplus g)(n) (7)
    (f \bullet g){\kern 1pt} (n) = (f \oplus g\Theta g)(n) (8)

    通常使用形态开和形态闭的级联形式去除信号中的正、负噪声。TANG[28]为了去除信号中的正、负噪声,定义了形态闭-开(closing-opening,CO)和开-闭(opening-closing,OC)滤波器:

    {\mathrm{CO}}{\kern 1pt} (f(n)) = (f \bullet g \circ g)(n) (9)
    {\mathrm{OC}}{\kern 1pt} (f(n)) = (f \circ g \bullet g)(n) (10)

    为了抑制统计偏倚,本文采用结合OC和CO的平均组合滤波器[28]:

    y(n) = [{\mathrm{OC}}(f(n) + {\mathrm{CO}}(f(n)]/2 (11)

    为了验证基于{\mathrm{sin}}\; C 函数的SMF滤波效果,生成模拟轴承外圈故障的仿真信号并添加信噪比(signal-to-noise ratio,SNR)为−3 dB的白噪声。图2为含噪声的仿真信号及滤波后的时域波形图,SMF降噪后的信噪比为0.7 dB,说明SMF较好的滤除干扰噪声,突显了信号的冲击特性。

    图  2  滤波前后信号波形对比
    Figure  2.  Comparison of signal waveforms before and after filtering

    将本文的SMF滤波器与文献[29]中的直线型滤波器(幅值为0,长度为10)进行对比,滤波器参数及滤波效果如图3所示。分析图3可知无论滤波器的参数如何选择,SMF的滤波后的信噪比总是要优于直线型滤波器。

    图  3  滤波参数及滤波效果对比
    Figure  3.  Comparison of filtering parameters and filtering effect

    DPC算法主要基于2个假设:1)聚类中心周围是低密度的点;2)聚类中心与密度较高的样本点之间的距离较大。设数据集U{{ = }}\left\{ {{u_1},{u_2}, \cdots, {u_R}} \right\} {u_i}{{ = }}{\left( {{u_{i1}},{u_{i2}}, \cdots, {u_{io}}} \right)^{\mathrm{T}}} ,其中i = 1,2, \cdots ,R{u_{ij}}表示数据点ij维属性,j = 1,2, \cdots ,OR为总体样本数。

    1)计算局部密度\rho

    对于每个数据点{u_i}i = 1,2, \cdots ,R,局部密度{\rho _i}可以被认为是距离点{u_i}较近的点的数量,{\rho _i}的定义如下[30]

    {\rho _i} = \sum\limits_{j,j \ne i} {\chi \left( {{d_{ij}} - {d_c}} \right)} (12)

    式中\chi \left( x \right)为分段函数,x < 0时,\chi \left( x \right){\text{ = }}1,否则\chi \left( x \right){\text{ = 0}}{d_{ij}}表示ij之间的距离(通常为欧氏距离),{d_c}表示截断距离。

    2)计算最近邻距离\delta

    每个点的最近邻距离{\delta _i}

    {\delta _i} = \left\{ \begin{gathered} \mathop {\min \left( {{d_{ij}}} \right)}\limits_{j:{\rho_j} > {\rho_i}} ,{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\rho _i} < \max \left( \rho \right) \\ \mathop {\max \left( {{d_{ij}}} \right)}\limits_j ,{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\rho _i} = \max \left( \rho \right) \\ \end{gathered} \right. (13)

    对于密度较低的样本点,计算该样本点与高于其密度的最近样本点之间的距离;而对于密度最高的样本点,则计算该点与最远样本点之间的距离。

    3)选取聚类中心 V

    聚类中心定义为同时具有高密度{\rho _i}和较大距离{\delta _i}的点{x_i},令{V_i} = {\rho _i}{\delta _i},取 V > \dfrac{2}{N}\displaystyle\sum\limits_{i = 1}^N {{V_i}} 为聚类中心。由于聚类对象为RV故障信号,{V_i}大多为0。为保证不遗漏正确的聚类中心,因此选取大于均值2倍的数据点为聚类中心。

    利用压缩感知重构算法中的OMP算法对源信号进行重构。将 m 个长度为 t 的观测信号表示为 {\boldsymbol{y}} = ({y_{11}}, {y_{12}}, \cdots {y_{1\;t}}, \cdots ,{y_{m1}},{y_{m2}}, \cdots {y_{mt}})^{\mathrm{T}}

    利用聚类中心 {\boldsymbol{V}}(m \times n) 构造传感矩阵 {\boldsymbol{W}} 。根据压缩感知模型,当混合信号长度为 mt \times 1 ,其传感矩阵 {\boldsymbol{W}} 的长度为 mt \times nt 。利用傅里叶变换正交矩阵 {{\boldsymbol{E}}_{t \times t}} 扩充矩阵 {\boldsymbol{V}} 的元素值,变换关系为 {{\boldsymbol{B}}_{ij}} = {{\boldsymbol{E}}_{t \times t}}{{\boldsymbol{V}}_{ij}} ,具体变换如式(14)所示。

    {\boldsymbol{y}} = \left[ \begin{gathered} {{\boldsymbol{{\boldsymbol{B}}}}_{11}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {{\boldsymbol{B}}_{12}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \cdots {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {{\boldsymbol{B}}_{1n}} \\ {{\boldsymbol{B}}_{21}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {{\boldsymbol{B}}_{21}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \cdots {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {{\boldsymbol{B}}_{2n}} \\ {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \vdots {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \vdots {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \vdots {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \vdots \\ {{\boldsymbol{B}}_{m1}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {{\boldsymbol{B}}_{m2}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \cdots {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {{\boldsymbol{B}}_{mn}} \\ \end{gathered} \right]{\boldsymbol{x}} (14)

    {\boldsymbol{x}} = {({x_{11}},{x_{12}}, \cdots ,{x_{1\;t}}, \cdots ,{x_{n1}},{x_{n2}}, \cdots ,{x_{nt}})^{\mathrm{T}}} 的长度是 (nt \times 1) 。至此,盲源分离的重构模型构建完成。

    OMP是一种常用的压缩感知重构算法。首先在每次迭代过程中对所有选定的原子进行Schmidt正交化,以确保每次迭代的结果都是最优解。利用OMP算法进行重构的核心思想是构造频域感知矩阵。具体算法步骤如下:

    1)初始化残差 {r_0} ,迭代次数 \ell ,傅立叶正交变换矩阵 {{\boldsymbol{E}}_{t \times t}} ,并根据 {{\boldsymbol{B}}_{ij}} = {{\boldsymbol{E}}_{t \times t}}{{\boldsymbol{V}}_{ij}} 构造传感矩阵 {\boldsymbol{W}}{\kern 1pt} {\kern 1pt} {\text{ = }}{\kern 1pt} {\kern 1pt} {\kern 1pt} \left[ \begin{gathered} {{\boldsymbol{B}}_{11}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {{\boldsymbol{B}}_{12}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \cdots {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {{\boldsymbol{B}}_{1n}} \\ {{\boldsymbol{B}}_{21}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {{\boldsymbol{B}}_{21}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \cdots {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {{\boldsymbol{B}}_{2n}} \\ {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \vdots {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \vdots {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \vdots {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \vdots \\ {{\boldsymbol{B}}_{m1}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {{\boldsymbol{B}}_{m2}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \cdots {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {{\boldsymbol{B}}_{mn}} \\ \end{gathered} \right]

    2)使用内积法计算传感矩阵 {\boldsymbol{W}} 的列向量与残差{r_i}的投影系数,并记录最大投影系数相对应的位置 {{\boldsymbol{\beta}} _i} ,随后将最大投影系数所对应的传感矩阵 {\boldsymbol{W}} 的列置0;

    3)使用最小二乘法计算本次迭代的重构信号的估计值 {x_i} = {({{\boldsymbol{\beta}} _i}^{\mathrm{T}} \cdot {{\boldsymbol{\beta}} _i})^{ - 1}} \cdot {{\boldsymbol{\beta}} _i}^{\mathrm{T}} \cdot {{\boldsymbol{r}}_i}

    4)更新残差 {r_{i + 1}} = {r_i} - {x_i} ,并重复步骤2),直到迭代结束;

    5)使用 {E_{t \times t}} 做逆傅立叶变换得到维数为 (kt \times 1) 的时域信号 x ,并根据聚类中心的维数k,将维数为 (kt \times 1) 的时域信号 x 分割为k个维数为\left( {t \times 1} \right)的时域信号,从而完成信号的盲源分离。

    1)平稳阶段截取:提取一组观测信号x\left( t \right)并进行STFT得到其时频表达Q\left( {t,f} \right)。随后提取时频脊线并截取恒速时段信号,获得平稳信号{x_1}\left( t \right)

    2)信号预处理:构造基于 \sin C 结构元素的平均组合滤波器,并对平稳信号{x_1}\left( t \right)进行滤波降噪,得到滤波信号{x_2}\left( t \right)

    3)估计混合矩阵:对滤波信号{x_2}\left( t \right)进行DPC得到聚类中心,即混合矩阵;

    4)源信号重构:利用步骤3)的混合矩阵构造传感矩阵,使用OMP算法在频域重构源信号;

    5)故障识别:对重构源信号进行快速傅里叶变换(fast Fourier transform,FFT)处理,根据分离信号频谱中的频率进行故障识别。

    本文算法的总体流程图如图4所示。

    图  4  RETF-SMF-DPC-OMP算法流程图
    Figure  4.  Flowchart of RETF-SMF-DPC-OMP algorithm

    试验信号来自于模拟农业机器人单关节臂往复运动的RV减速器试验台,如图5所示。将2个型号为333B30的PCB加速度传感器相互垂直安装于减速器保持架上拾取信号。水平方向为传感器1,垂直方向为传感器2。其中,试验台基座7上安装减速器保持架4,通过减速器保持架4装RV减速器5,型号为SV-X2MH100C-B2 LN的电机6输出轴通过RV减速器5连接关节臂1。图6为故障齿轮的实物图,图6a为太阳轮磨损图,图6b为行星轮磨损图。

    图  5  试验台及传感器位置示意图
    1. 关节臂 2. 加速度传感器1 3. 加速度传感器2 4. 减速器保持架 5. RV减速器 6. 电机 7. 基座
    Figure  5.  Diagram of position of test platform and sensor
    1. Articulated arm 2. Acceleration sensor 1 3. Acceleration sensor 2 4. Reducer cage 5. RV reducer 6. Motor 7. Test stand base
    图  6  故障齿轮
    Figure  6.  Faulty gear

    试验选用RV40E型减速器并以针轮固定的方式固定于试验台,减速比121、行星齿轮数目为2,太阳轮齿数{Z_1} = 12,行星轮齿数{Z_2} = 42,摆线轮齿数{Z_3} = 39,针轮齿数{Z_4} = 40。采集系统包括NI-USB9234采集卡与单向加速度传感器,采样频率为25.6 kHz。试验预设摆臂运动范围为0°~90°(单次抬升或下降90°),运行速度为100°/s。RV减速器的各个特征频率计算式见表1

    表  1  RV减速器各零件的工作频率
    Table  1.  Working frequency of each part of RV reducer
    名称Name 计算公式Calculation formula
    电机主轴转速
    Motor spindle speed {n_1}/(r·min−1)
    {n_1} = 60f/P
    太阳轮转频
    Sun gear rotation frequency {f_1}/Hz
    {f_1} = {n_1}/60
    行星轮转频
    Planetary gear rotation frequency {f_2}/Hz
    {f_2} = \dfrac{{{z_1}{z_4}}}{{({z_3} - {z_4})\left( {{z_1} + {z_2}{z_4}} \right)}}{f_1}
    一级啮合频率
    First stage engagement frequency {f_{1c}}/Hz
    {f_{1c}} = \dfrac{{{z_1}{z_2}{z_4}}}{{{z_1} + {z_2}{z_4}}}{f_1}
    注:P为伺服电机磁极对数,{{\textit{z}}_1}为太阳轮齿数,{{\textit{z}}_2}为行星轮齿数,{{\textit{z}}_3} 为摆线轮齿数,{{\textit{z}}_4} 为针轮齿数。
    Note: P is the number of magnetic poles of the servo moto, {{\textit{z}}_1} is the number of solar gear, {{\textit{z}}_2} is the number of planetary gear, {{\textit{z}}_3} is the number of cycloidal gear, and {{\textit{z}}_4} is the number of needle gear.
    下载: 导出CSV 
    | 显示表格

    行星轮故障频率{f_p}为行星轮相对于行星架的旋转频率,{f_p} = {f_2} - {f_3};太阳轮故障频率{f_s}为太阳轮相对于行星架的旋转频率,{f_s} = {f_1} + {f_3}。由于摆臂转速=100(°)/s =0.27 Hz,即支撑盘转频{f_3}=0.27 Hz。根据表1及太阳轮故障频率计算式计算可得太阳轮故障频率{f_s}为38.34 Hz,行星轮故障频率{f_p}为10.83 Hz。

    由传感器1和传感器2采集的2组信号都具有相同的运动状态,即同时加速或同时减速。因此本文在平稳阶段选取水平方向传感器1的振动信号用以分析机械臂的运动状态。图7为选取的振动信号进行STFT获得的时频图。可以看出,由于RV减速器的瞬时冲击过大,无法通过时频图区分出机械臂的3种运动状态,即启动加速阶段,恒速运动阶段以及减速停滞阶段。

    图  7  基于STFT的时频图
    Figure  7.  Time-frequency diagram based on STFT

    时频图中的脊线对应时频域中能量最大的路径,可以近似看作设备瞬时频率的时频轨迹。对时频图进行脊线提取,结果如图8所示。分析脊线走势能够较为清楚地区分机械臂的不同运行阶段,包括启动加速阶段,平稳运行阶段以及减速停滞阶段(后续分析均为此阶段)。图9a为水平方向传感器1采集信号的时域波形,图9b为垂直方向传感器2采集信号的时域波形。图9时域波形体现了机械臂启动、平稳到停止整个工作过程幅值的变化。依据图8中脊线的平稳阶段区间,在图9中标注同步截取相应时段的时域振动信号(后续分析皆是截取后的振动信号)。

    图  8  基于时频图像提取的时频脊线
    Figure  8.  Time-frequency ridges extracted from TFR

    图10a为截取平稳阶段传感器1的信号波形,图10b为截取平稳阶段传感器2信号波形。对图10振动信号进行SMF处理,对图10振动信号进行SMF处理,传感器2的滤波前后的信号波形对比如图11所示,从图11b中能够观测到故障所导致的冲击更加明显。

    图  9  基于时频脊线的传感器信号同步截取
    Figure  9.  Synchronous sensor signal interception based on time-frequency ridge
    图  10  恒速阶段的时域波形
    Figure  10.  Time domain waveform of constant velocity phase
    图  11  传感器2的滤波前后信号波形对比
    Figure  11.  Comparison of signal waveforms of sensor 2 before and after filtering

    对滤波后的信号进行包络谱分析,如图12所示,传感器1和传感器2滤波信号的频谱分别如图12a、12b所示。分析图12a、12b发现,太阳轮与行星轮的故障特征频率成分完全混合在一起,故障类型判断困难。

    图  12  恒速阶段的频域波形
    Figure  12.  Frequency domain waveform of constant velocity phase

    经SMF-DPC-OMP算法处理的频谱如图13所示,图13a的频率谱线集中在37.5 Hz及其倍频,与太阳轮理论计算故障频率38.34 Hz接近,故可推断图13a为太阳轮故障。图13b的频率谱线分布在10.94 Hz及其倍频,与行星轮理论计算故障频率10.83 Hz逼近,故识别其为行星轮故障。相比图12图13中的频率混合现象已经完全被消除,说明本文方法可实现复合故障的完全分离。采用文献[29]提出的结合形态滤波与稀疏分量分析(MF-SCA)的盲分离算法进行对比进一步验证本文方法的有效性,结果如图14所示,分析可见,图14a、14b均存在太阳轮和行星轮故障特征频率,说明MF-SCA方法无法有效实现RV减速器复合故障的分离。与MF-SCA方法相比,SMF-DPC-OMP算法能够节省约75%的时间运行成本。

    图  13  复合故障频谱SMF-DPC-OMP分离结果
    注:fs为太阳轮故障频率,fp为行星轮故障频率,Hz。
    Figure  13.  Separation composite faults spectrum by SMF-DPC-OMP
    Note: fs is the Sun gear fourlty frequency, fp is the planetary gear fourlty frequency, Hz.
    图  14  复合故障频谱MF- SCA分离结果
    Figure  14.  Separation composite faults spectrum by MF-SCA

    本文结合时频图像脊线提取、\sin C函数改进形态滤波和密度峰值聚类改进的稀疏分量分析各算法的优点,提出一种新的往复运动、变转速工况的RV减速器复合故障盲分离方法。通过RETE算法提取的脊线解决旋转机械变转速的问题,利用SMF-DPC-OMP实现了RV减速器复合故障的分离提取。试验台采集的RV减速器的太阳轮和行星轮磨损复合故障信号的分析结果显示,本文方法能够有效地完成复合故障的盲分离任务,主要结论如下:

    1)RETE算法能够在变转速工况导致时频图较为模糊的情况下,识别出RV减速器的运动状态;

    2)SMF-DPC-OMP算法能够在故障源数目未知的情况下,有效完成复合故障的盲分离任务;

    3)与MF-SCA方法比较,SMF-DPC-OMP算法能够节省约75%的时间运行成本,使得频谱更为简洁,抑制精细侧频和干扰分量。

    本文今后的工作将重点放在欠定条件下的故障提取上,或者进一步将该算法推广到旋转机械声信号的故障诊断中。

  • 图  1   三峡库区农业面源污染风险综合评分值和风险等级

    Figure  1.   Risk comprehensive score and risk level of agricultural non-point source pollution in the Three Gorges Reservoir Area

    图  2   三峡库区农业面源污染风险评价体系二级指标风险评分值

    Figure  2.   Risk score of second level index of agricultural non-point source pollution assessment system in the Three Gorges Reservoir Area

    图  3   三峡库区畜禽养殖强度评分值超过0.25的县区养殖特点

    Figure  3.   Characteristics of livestock and poultry breeding with more than 0.25 risk score in Three Gorges reservoir area

    图  4   三峡库区面源污染风险评价二级指标占风险综合评分值的比例

    Figure  4.   Proportion of second level index of the comprehensive risk score of non-point source pollution in Three Gorges Reservoir area

    表  1   三峡库区农业面源污染风险评估指标体系

    Table  1   Risk assessment index system of agricultural non-point source pollution in the Three Gorges Reservoir Area

    一级指标
    The first level index
    二级指标
    The second level index
    三级指标
    The third level index
    三峡库区农业面源污染风险评估综合指数Comprehensive index of agricultural non-point source pollution risk assessment in Three Gorges Reservoir Area 压力指数 化肥强度指数I11
    农药强度指数I12
    地膜强度指数I13
    畜禽养殖强度指数I14
    转化指数 降雨侵蚀指数I21
    坡长坡度指数I22
    土壤可蚀性指数I23
    坡耕地指数I24
    状态指数 水环境质量指数I31
    水环境容量指数I32
    水网密度指数I33
    水田滞留指数I34
    治理指数 环保投资指数I41
    下载: 导出CSV

    表  2   三峡库区农业面源污染风险评估指标权重

    Table  2   Weight of agricultural non-point source pollution in the Three Gorges Reservoir Area

    一级指标
    The first level index
    二级指标
    The second level index
    三级指标
    The third level index
    指标名称
    Index name
    权重
    Weight
    指标名称
    Index name
    权重
    Weight
    三峡库区农业
    面源污染风险
    评估综合指数
    Comprehensive
    index of
    agricultural
    non-point source
    pollution risk
    assessment in
    Three Gorges
    Reservoir Area
    压力指数 0.378 化肥强度指数I11 0.370
    农药强度指数I12 0.229
    地膜强度指数I13 0.077
    畜禽养殖强度指数I14 0.324
    转化指数 0.203 降雨侵蚀指数I21 0.396
    坡长坡度指数I22 0.134
    土壤可蚀性指数I23 0.248
    坡耕地指数I24 0.222
    状态指数 0.297 水环境质量指数I31 0.347
    水环境容量指数I32 0.293
    水网密度指数I33 0.153
    水田滞留指数I34 0.207
    治理指数 0.122 环保投资指数I41 1
    下载: 导出CSV

    表  3   风险分级

    Table  3   Grading of the risk

    级别Level 风险类别Risk description 评分值Score
    无风险或者可接受风险 (0,0.7]
    低风险 (0.7,1.0]
    中风险 (1.0,3.0]
    高风险 (3.0,5.0]
    极高风险 (5.0,∞)
    下载: 导出CSV

    表  4   主要数据来源

    Table  4   Source of main data

    序号No. 数据名称Data name 数据来源Data source
    1 农作物播种面积 统计年鉴或经济统计
    年鉴或政府工作报告
    2 化肥施用量
    3 农药施用量
    4 地膜使用量、地膜覆盖面积
    5 畜禽养殖量和种类
    6 县域面积
    7 GDP及人口
    8 节能环保投资
    9 多年平均降雨量 水资源公报
    10 地表径流量
    11 坡耕地面积 第三次国土调查数据
    12 水田面积
    13 湖库沟渠面积
    14 河流水质 生态环境厅环境公开数据
    下载: 导出CSV

    表  5   河流水质数据分布

    Table  5   Distribution of water quality data

    序号
    No.
    县域名称
    County name
    断面数量
    Number
    of sections
    河流名称
    Rivers name
    序号
    No.
    县域名称
    County name
    断面数量
    Number of
    sections
    河流名称
    Rivers name
    1 江津区 8 长江、临江河、塘河、璧南河、綦江河、笋溪河 15 忠县 7 长江、渠溪河、黄金河、汝溪河、玉溪河、 东溪河
    2 巴南区 7 蒲河、一品河、花溪河、五步河、长江 16 石柱 5 普子河、龙河、磨刀溪、龙河、官渡河
    3 大渡口区 1 长江 17 万州区 8 长江、新田河、浦里河、磨刀溪、石桥河、瀼渡河、五桥河、苎溪河
    4 九龙坡区 1 长江 18 开州区 5 澎溪河(小江)、江里河、浦里河
    5 沙坪坝区 2 嘉陵江、梁滩河 19 云阳县 6 长江、澎溪河(小江)、汤溪河、长滩河
    6 渝中区 1 嘉陵江 20 巫溪县 7 汤溪河、梅溪河、大宁河、长溪河、巴岩子河、柏杨河
    7 南岸区 2 长江 21 奉节县 6 长江、长滩河 、朱衣河、梅溪河、大溪河、草堂河
    8 江北区 4 长江、栋梁河 22 巫山县 6 长江、大宁河、神女溪、抱龙河、三溪河、冷水溪
    9 北碚区 5 嘉陵江、璧北河、梁滩河、黑水 23 巴东县 2 神农溪
    10 渝北区 7 长江、后河、栋梁河、桥溪河、御临河、 大洪河 24 兴山县 2 香溪河
    11 长寿区 8 御临河、大洪河、桃花溪、龙溪河、长江 25 秭归县 9 长江、青干河、叱溪河、童庄河、九畹溪
    12 涪陵区 8 长江、乌江、麻溪河、碧溪河、黎香溪、清溪河 26 夷陵区 4 太平溪、黄柏河
    13 武隆区 6 乌江、木棕河、芙蓉江、大溪河、石梁河 27 宜昌市区 1 黄柏河
    14 丰都县 7 长江、渠溪河、碧溪河、龙河、赤溪河
    下载: 导出CSV

    表  6   三级指标风险评估分值表

    Table  6   Risk assessment scores for the third level indicators

    县域名称
    County name
    化肥强
    度指数
    Fertilizer
    intensity
    index
    农药强
    度指数
    Pesticide
    intensity
    index
    地膜强
    度指数
    Mulch
    intensity
    index
    畜禽养殖
    强度指数
    Livestock
    breeding
    intensity
    index
    降雨侵
    蚀指数
    Rainfall
    erosion
    index
    坡长坡
    度指数
    Slope gradient
    index
    土壤可蚀
    性指数
    Soil
    erodibility
    index
    坡耕地
    指数
    Terraced
    farmland
    index
    水环境质
    量指数
    Water
    environmental
    quality index
    水环境
    容量指数
    Water
    environmental
    capacity index
    水网密
    度指数
    Density
    index of
    water
    network
    水田滞
    留指数
    Retention
    index of
    paddy field
    环保投
    资指数
    Environment-al
    protection
    investment
    index
    江津区Jiangjin 0.18 0.08 0.04 0.15 0.27 0.02 0.08 0.03 0.08 0.07 0.03 0.05 0.71
    巴南区Banan 0.12 0.03 0.03 0.06 0.27 0.03 0.08 0.03 0.06 0.07 0.04 0.05 0.54
    大渡口区Dadukou 0.55 0.10 0.03 0.01 0.21 0.02 0.08 0.01 0.10 0.11 0.02 0.12 0.32
    九龙坡区Jiulongpo 0.14 0.16 0.03 0.04 0.20 0.01 0.08 0.01 0.10 0.11 0.03 0.04 0.57
    沙坪坝区Shapingba 0.26 0.06 0.03 0.02 0.21 0.02 0.08 0.01 0.09 0.11 0.05 0.09 0.71
    渝中区Yuzhong
    南岸区Nan'an 0.74 0.10 0.03 0.02 0.21 0.05 0.07 0.01 0.08 0.10 0.02 0.09 0.51
    江北区Jiangbei 0.22 0.08 0.03 0.02 0.21 0.07 0.07 0.01 0.06 0.10 0.02 0.07 0.76
    北碚区Beibei 0.24 0.11 0.04 0.03 0.23 0.06 0.08 0.02 0.10 0.09 0.05 0.10 0.34
    渝北区Yubei 0.17 0.02 0.02 0.05 0.22 0.03 0.08 0.03 0.07 0.09 0.06 0.08 0.72
    长寿区Changshou 0.26 0.04 0.02 0.19 0.20 0.02 0.08 0.03 0.08 0.11 0.02 0.08 0.23
    涪陵区Fuling 0.12 0.08 0.03 0.16 0.24 0.04 0.08 0.03 0.07 0.08 0.04 0.06 0.12
    武隆区Wulong 0.10 0.03 0.03 0.21 0.30 0.01 0.07 0.02 0.08 0.06 0.12 0.15 0.10
    丰都县Fengdu 0.14 0.03 0.03 0.19 0.24 0.04 0.08 0.03 0.09 0.07 0.06 0.10 0.15
    忠县Zhongxian 0.16 0.06 0.03 0.16 0.24 0.03 0.08 0.04 0.08 0.08 0.04 0.08 0.16
    石柱Shizhu 0.17 0.08 0.02 0.13 0.28 0.01 0.03 0.02 0.11 0.06 0.09 0.07 0.06
    万州区Wanzhou 0.13 0.07 0.03 0.15 0.24 0.03 0.08 0.03 0.09 0.07 0.04 0.08 0.24
    开州区Kaizhou 0.17 0.05 0.03 0.26 0.27 0.02 0.08 0.03 0.07 0.06 0.08 0.10 0.20
    云阳县Yunyang 0.11 0.05 0.03 0.32 0.23 0.03 0.08 0.02 0.08 0.08 0.04 0.09 0.15
    巫溪县Wuxi 0.17 0.01 0.03 0.31 0.37 0.02 0.08 0.02 0.09 0.03 0.22 0.27 0.13
    奉节县Fengjie 0.12 0.05 0.03 0.21 0.23 0.02 0.07 0.02 0.09 0.06 0.08 0.15 0.08
    巫山县Wushan 0.12 0.02 0.02 0.24 0.27 0.03 0.07 0.02 0.08 0.05 0.07 0.26 0.05
    巴东县Badong 0.20 0.02 0.02 0.15 0.32 0.02 0.07 0.02 0.10 0.05 0.05 0.31 0.16
    兴山县Xingshan 0.15 0.06 0.02 0.30 0.24 0.01 0.07 0.01 0.10 0.08 0.19 0.23 0.22
    秭归县Zigui 0.36 0.14 0.02 0.33 0.26 0.02 0.08 0.01 0.10 0.07 0.04 0.28 0.18
    夷陵区Yiling 0.34 0.13 0.01 0.29 0.26 0.01 0.08 0.01 0.10 0.07 0.06 0.09 0.61
    宜昌市区Yichang 0.34 0.15 0.02 0.27 0.25 0.01 0.08 0.01 0.05 0.06 0.13 0.11 0.11
    下载: 导出CSV

    表  7   污染纵向管控优先级

    Table  7   Vertical priorities of pollution control

    县域名称
    County name
    总体治理
    Overall
    governmentality
    化肥减量
    Fertilizer
    reduction
    农药减量
    Pesticide
    reduction
    地膜减量
    Mulch
    reduction
    畜禽养殖治理
    Management of livestock
    and poultry breeding
    河流水质提升
    Water quality
    improvement
    增加环保投资
    Increase investment in
    environmental protection
    江津区Jiangjin *   * **     *
    巴南区Banan       *     *
    大渡口区Dadukou * ** * *   ** *
    九龙坡区Jiulongpo *   ** *   ** *
    沙坪坝区Shapingba * *   *   * *
    渝中区Yuzhong              
    南岸区Nan'an ** ** * *     *
    江北区Jiangbei * * * *     **
    北碚区Beibei * * * **   * *
    渝北区Yubei *           **
    长寿区Changshou   *     * *  
    涪陵区Fuling     * * *    
    武隆区Wulong       * *    
    丰都县Fengdu       * * *  
    忠县Zhongxian       * *    
    石柱Shizhu     *     **  
    万州区Wanzhou     * *   *  
    开州区Kaizhou       * *    
    云阳县Yunyang       * **    
    巫溪县Wuxi *     * * *  
    奉节县Fengjie       * * *  
    巫山县Wushan         *    
    巴东县Badong * *       **  
    兴山县Xingshan *       * **  
    秭归县Zigui * * *   ** **  
    夷陵区Yiling ** * *   * ** *
    宜昌市区Yichang * * **   *    
    注: **代表优先管控、*代表次优先管控,空白为一般管控
    Note: ** stands for priority control, * stands for secondarypriority control and the blank is for conventional control
    下载: 导出CSV

    表  8   污染横向管控优先级

    Table  8   Horizontal priorities of pollution control

    区县名称
    County name
    化肥减量
    Fertilizer
    reduction
    农药减量
    Pesticide
    reduction
    地膜减量
    Mulch
    reduction
    畜禽养殖治理
    Management of
    livestock and
    poultry breeding
    河流水
    质提升
    Water
    quality
    improvement
    江津区Jiangjin
    巴南区Banan
    大渡口区Dadukou
    九龙坡区Jiulongpo
    沙坪坝区Shapingba
    渝中区Yuzhong
    南岸区Nan'an
    江北区Jiangbei
    北碚区Beibei
    渝北区Yubei
    长寿区Changshou
    涪陵区Fuling
    武隆区Wulong
    丰都县Fengdu
    忠县Zhongxian
    石柱Shizhu
    万州区Wanzhou
    开州区Kaizhou
    云阳县Yunyang
    巫溪县Wuxi
    奉节县Fengjie
    巫山县Wushan
    巴东县Badong
    兴山县Xingshan
    秭归县Zigui
    夷陵区Yiling
    宜昌市区Yichang
    注:圆圈中黑色面积越大,管控优先级别越高。
    Note: The larger the black area of circles, the higher the control priority.
    下载: 导出CSV
  • [1] 王春,青静娴,文传浩,等. 三峡库区农业生态化发展障碍,原因及对策分析[J]. 长江技术经济,2022,6(3):32-36.

    WANG Chun, QING Jingxian, WEN Chuanhao, et al. Obstacles, causes and countermeasures of agricultural ecologicalization development in the Three Gorges Reservoir Area[J]. Technology and Economy of Changjiang, 2022, 6(3): 32-36. (in Chinese with English abstract)

    [2] 重庆市生态环境局. 2021重庆市生态环境状况公报[EB/OL]. 重庆:重庆市生态环境局,2022-05-30[2023-03-13].https://sthjj.cq.gov.cn/hjzl_249/hjzkgb/202205/t20220530_10763282_wap.html.
    [3] 刘建昌,严岩,刘峰,等. 基于多因子指数集成的流域面源污染风险研究[J]. 环境科学,2008,29(3):599-606.

    LIU Jianchang, YAN Yan, LIU Feng, et al. Risk assessment and safety evaluation using system normative indexes integration method for non-point source pollution on watershed scale[J]. Environmental Science, 2008, 29(3): 599-606. (in Chinese with English abstract)

    [4] 荆延德,张华美. 基于LUCC的南四湖流域面源污染输出风险评估[J]. 自然资源学报,2019,34(1):128-139. doi: 10.31497/zrzyxb.20190111

    JING Yande, ZHANG Huamei. Risk assessment of non-point source pollution output in Nansihu Lake basin based on LUCC[J]. Journal of Natural Resources, 2019, 34(1): 128-139. (in Chinese with English abstract) doi: 10.31497/zrzyxb.20190111

    [5] 任晓强,李娜,管孝艳,等. 白洋淀上游河流水环境风险评价[J]. 中国农村水利水电,2022(2):27-33.

    REN Xiaoqiang, LI Na, GUAN Xiaoyan, et al. Water environment risk assessment of the upper reaches of baiyangdian lake[J]. China Rural Water and Hydropower, 2022(2): 27-33. (in Chinese with English abstract)

    [6] 方广玲,香宝,杜加强,等. 拉萨河流域非点源污染输出风险评估[J]. 农业工程学报,2015,31(1):247-254.

    FANG Guangling, XIANG Bao, DU Jiaqiang, et al. Risk assessment of non-point source pollution export in Lasahe basin[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(1): 247-254. (in Chinese with English abstract)

    [7] 陈祥义,肖文发,黄志霖,等. 空间数据对分布式水文模型SWAT流域水文模拟精度的影响[J]. 中国水土保持科学,2016,14(1):138-143.

    CHEN Xiangyi, XIAO Wenfa, HUANG Zhilin, et al. Impact of spatial data on the accuracy of watershed hydrological simulation of SWAT model[J]. Science of Soil and Water Conservation, 2016, 14(1): 138-143. (in Chinese with English abstract)

    [8]

    DING X, SHEN Z, QIAN H, et al. Development and test of the export coefficient model in the upper reach of the Yangtze River[J]. Journal of Hydrology, 2010, 383(3-4): 233-244. doi: 10.1016/j.jhydrol.2009.12.039

    [9] 李艳苓,朱昌雄,李红娜,等. 基于层次分析法的农业面源污染防治技术评价[J]. 环境工程技术学报,2019,9(4):355-361.

    LI Yanling, ZHU Changxiong, LI Hongna, et al. Evaluation of agricultural non-point source pollution control technologies based on analytic hierarchy process[J]. Journal of Environmental Engineering Technology, 2019, 9(4): 355-361. (in Chinese with English abstract)

    [10]

    GUAN X, REN X, TAO Y, et al. Study of the water environment risk assessment of the upper reaches of the Baiyangdian Lake, China[J]. Water, 2022(14): 2557.

    [11] 刘方谊,范先鹏,夏颖,等. 三峡库区典型流域农业面源氮素输出特征[J]. 湖北农业科学,2018,57(10):31-35.

    LIU Fangyi, FAN Xianpeng, XIA Ying, et al. Characteristics of nitrogen output from agricultural non-point source in typical watershed of Three Gorges Reservoir Area[J]. Hubei Agricultural Sciences, 2018, 57(10): 31-35. (in Chinese with English abstract)

    [12] 杨志敏,陈玉成,魏世强,等. 重庆市农业面源污染影响因子的系统分析[J]. 农业环境科学学报,2009,28(5):999-1004.

    YANG Zhimin, CHEN Yucheng, WEI Shiqiang, et al. Systems analysis of factors affecting agricultural non-point source pollution in Chongqing[J]. Journal of Agro-Environment Science, 2009, 28(5): 999-1004. (in Chinese with English abstract)

    [13] 王家,夏颖,陈琼星,等. 兴山县香溪河流域农业面源污染现状分析[J]. 湖北农业科学,2014,53(23):5724-5730.

    WANG Jia, XIA Ying, CHEN Qiongxing, et al. Situation of agricultural non-point source pollution of the Xiangxi Brook Watershed in Xingshan County[J]. Hubei Agricultural Sciences, 2014, 53(23): 5724-5730. (in Chinese with English abstract)

    [14] 刘志欣,邵景安,李阳兵. 重庆市农业面源污染源的EKC实证分析[J]. 西南师范大学学报(自然科学版),2015,40(11):94-101.

    LIU Zhixin, SHAO Jing'an, LI Yangbing. The empirical analysis of EKC on agricultural non-point source pollution in Chongqing[J]. Journal of Southwest Normal University (Natural Science Edition), 2015, 40(11): 94-101. (in Chinese with English abstract)

    [15] 李乐,刘常富. 三峡库区面源污染研究进展[J]. 生态科学,2020,39(2):215-226.

    LI Le, LIU Changfu. A review of non-point source pollution in the Three Gorges Reservoir Area[J]. Ecological Science, 2020, 39(2): 215-226. (in Chinese with English abstract)

    [16] 重庆市市场监督管理局:DB50/T 931-2019. 重庆市农业面源污染风险评估技术规范[S]. 重庆,2019.
    [17] 汪嘉杨,翟庆伟,郭倩,等. 太湖流域水环境承载力评价研究[J]. 中国环境科学,2017,37(5):1979-1987

    WANG Jiayang, ZHAI Qingwei, GUO Qian, et al. Study on water environmental carrying capacity evaluation in Taihu lake Basin[J]. China Environmental Science, 2017, 37(5): 1979-1987. (in Chinese with English abstract)

    [18] 中华人民共和国农业农村部. 农业部办公厅关于印发《畜禽粪污土地承载力测算技术指南》的通知[EB/OL]. 2018-1-22[2023-3-23]. http://www.moa.gov.cn/gk/tzgg_1/tfw/201801/t20180122_6135486.htm.
    [19] 耿维,胡林,崔建宇,等. 中国区域畜禽粪便能源潜力及总量控制研究[J]. 农业工程学报,2013,29(1):171-179.

    GENG Wei, HU Lin, CUI Jianyu, et al. Biogas energy potential for livestock manure and gross control of animal feeding in region level f China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(1): 171-179. (in Chinese with English abstract)

    [20] 朱建春,张增强,樊志民,等. 中国畜禽粪便的能源潜力与氮磷耕地负荷及总量控制[J]. 农业环境科学学报,2014,33(3):435-445.

    ZHU Jianchun, ZHANG Zengqiang, FAN Zhimin, et al. Biogas potential, cropland load and total amount control of animal manure in China[J]. Journal of Agro-Environment Science, 2014, 33(3): 435-445. (in Chinese with English abstract)

    [21] 李祚泳,彭荔红. 基于韦伯—费希纳拓广定律的环境空气质量标准[J]. 中国环境监测,2003(4):17-19.

    LI Zuoyong, PENG Lihong. Environmental air quality standard based on weber-fischna's law[J]. Environmental Monitoring In China, 2003(4): 17-19. (in Chinese with English abstract)

    [22] 信桂新,杨朝现,杨庆媛,等. 用熵权法和改进TOPSIS模型评价高标准基本农田建设后效应[J]. 农业工程学报,2017,33(1):238-249.

    XIN Guixin, YANG Chaoxian, YANG Qingyuan, et al. Post-evaluation of well-facilitied capital farmland construction based on entropy weight method and improved TOPSIS model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(1): 238-249. (in Chinese with English abstract)

    [23] 董爱红,张文倩,张二信,等. 滴头堵塞程度分级和评价及堵塞风险预测方法[J]. 农业工程学报,2022,38(5):56-64.

    DONG Aihong, ZHANG Wenqian, ZHANG Erxin, et al. Classification and evaluation of emitter clogging degree and prediction method of emitter clogging risk[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(5): 56-64. (in Chinese with English abstract)

    [24] 杨柳,王晨颖,冯畅,等. 考虑水系演变的湘江流域洪水风险四维评价体系构建[J]. 农业工程学报,2023,39(3):92-101.

    YANG Liu, WANG Chenying, FENG Chang, et al. Four-dimensional assessment system for flood risks with the river network system evolution in Xiangjiang River Basin in Hunan of China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(3): 92-101. (in Chinese with English abstract)

    [25] 冯琳,张婉婷,张钧珂,等. 三峡库区面源污染的时空特征及EKC分析[J]. 中国环境科学,2022(7):3325-3333

    FENG Lin, ZHANG Wanting, ZHANG Junke, et al. Analysis on spatial-temporal characteristics and Environmental Kuznets Curve of non-point source pollution in the Three Gorges Reservoir Area[J]. China Environmental Science, 2022(7): 3325-3333. (in Chinese with English abstract)

    [26] 赵尧尧,夏颖,范先鹏,等. 湖北三峡库区农业面源污染负荷、评价及预警系统[J]. 湖北农业科学,2016,55(23):6244-6249.

    ZHAO Yaoyao, XIA Ying, FAN Xianpeng, et al. Agricultural non-point source pollution load, evaluation and early warning system in Hubei Three Gorges Reservoir Area[J]. Hubei Agricultural Sciences, 2016, 55(23): 6244-6249. (in Chinese with English abstract)

    [27] 宜昌市统计局. 宜昌统计年鉴2021[M]. 北京:中国统计出版社,2021.
    [28] 宜昌市统计局. 宜昌统计年鉴2017[M]. 北京:中国统计出版社,2017.
    [29] 胡文杰,王晓荣,付甜,等. 三峡库区兰陵溪小流域农业面源污染排放特征解析[J]. 环境污染与防治,2021(5):568-573.

    HU Wenjie, WANG Xiaorong, FU Tian, et al. Analysis of agricultural non-point source pollution emission characteristics of Lanlingxi small watershed in Three Gorges Reservoir Area[J]. Environmental Pollution & Control, 2021(5): 568-573. (in Chinese with English abstract)

    [30] 陈成龙,高明,倪九派,等. 三峡库区小流域稻田空间格局对氮磷流失影响[J]. 环境科学,2017,38(5):1889-1897.

    CHEN Chenglong, GAO Ming, NI Jiupai, et al. Influence of spatial pattern of paddy field on the losses of nitrogen and phosphorus in Three Gorges Reservoir Area[J]. Environmental Science, 2017, 38(5): 1889-1897. (in Chinese with English abstract)

    [31] 冉娇娇,黄平,陈成龙,等. “稻转旱”对低山丘陵区氮素流失通量的影响——以三峡库区渠溪小流域为例[J]. 水土保持研究,2022,29(2):70-75.

    RAN Jiaojiao, HUANG Ping, CHEN Chenglong, et al. Conversion of rice paddy into dry land and its influence on nitrogen fluxes in the low hilly area-a case study of the Quxi Basin in the Three Gorges Reservoir Area[J]. Research of Soil and Water Conservation, 2022, 29(2): 70-75. (in Chinese with English abstract)

    [32] 李露,马啸. 香溪河流域农业面源污染现状及其控制管理[J]. 湖北理工学院学报,2017,33(4):12-18.

    LI Lu, MA Xiao. Current situation and control management of agriculture non-point source pollution of Xiangxi River Watershed[J]. Journal of Hubei Polytechnic University, 2017, 33(4): 12-18. (in Chinese with English abstract)

    [33] 杨彦兰,申丽娟,谢德体,等. 基于输出系数模型的三峡库区(重庆段)农业面源污染负荷估算[J]. 西南大学学报(自然科学版),2015,37(3):112-119.

    YANG Yanlan, SHEN Lijuan, XIE Deti, et al. Estimation of pollution loads from agricultural nonpoint sources in Three Gorges Reservoir Area(Chongqing) based on the export coefficient modeling approach[J]. Journal of Southwest University (Natural Science Edition), 2015, 37(3): 112-119. (in Chinese with English abstract)

    [34] 张广纳,邵景安,王金亮,等. 三峡库区重庆段农村面源污染时空格局演变特征[J]. 自然资源学报,2015(7):1197-1209.

    ZHANG Guangna, SHAO Jing'an, WANG Jinliang, et al. Spatial and temporal variations of agricultural non-point source pollution in the Three Gorges Reservoir Area of Chongqing[J]. Journal of Natural Resources, 2015(7): 1197-1209. (in Chinese with English abstract)

    [35] 丁恩俊,谢德体,魏朝富,等. 基于MUSLE模型的三峡库区重庆段农业非点源污染危险性评价[J]. 西南大学学报(自然科学版),2010(5):96-101.

    DING Enjun, XIE Deti, WEI Chaofu, et al. MUSLE-Based agricultural nonpoint source pollution risk assessment in the Three Gorges Reservoir Area of Chongqing[J]. Journal of Southwest University (Natural Science Edition), 2010(5): 96-101. (in Chinese with English abstract)

    [36] 吴昌广,曾毅,周志翔,等. 三峡库区土壤可蚀性K值研究[J]. 中国水土保持科学,2010,8(3):8-12.

    WU Changguang, ZENG Yi, ZHOU Zhixiang, et al. Soil erodibility K value in Three Gorges Reservoir Area[J]. Science of Soil and Water Conservation, 2010, 8(3): 8-12. (in Chinese with English abstract)

  • 期刊类型引用(4)

    1. 郭俊杰,郭正红. 基于深度置信网络的旋转机械在线故障诊断. 计算机测量与控制. 2025(01): 60-68 . 百度学术
    2. 刘喜庆,张文豪,潘真真. 基于DAL的工业机器人RV齿轮箱故障识别分析. 现代工业经济和信息化. 2024(09): 217-219 . 百度学术
    3. 高国泽,郭瑜,赵博涵,王红伟. 基于瞬时角速度信号窄带解调的RV减速器针齿故障检测. 振动与冲击. 2024(22): 155-161+208 . 百度学术
    4. 孙长胜,曹浩男. 基于VMD和CNN方法的电机传动系统故障诊断研究. 机械管理开发. 2024(12): 75-77 . 百度学术

    其他类型引用(1)

图(4)  /  表(8)
计量
  • 文章访问数:  192
  • HTML全文浏览量:  42
  • PDF下载量:  53
  • 被引次数: 5
出版历程
  • 收稿日期:  2023-04-12
  • 修回日期:  2023-10-26
  • 网络出版日期:  2023-11-27
  • 刊出日期:  2023-10-29

目录

/

返回文章
返回