摘要：近些年来，城乡经济正在迅速发展。对于水质进行全方位的监测，。现阶段的水质监测站运用了自动化技术，依照自动化的基本原理来监测水环境的质量。自动化的水质监测站如果能运用数据挖掘的相关技术措施，那么就能在根源上提升监测水平。对于水质的自动化监测站而言，应当明确数据挖掘的基本技术原理及其特征，探求水质监测运用数据挖掘技术的可行措施。
关键词：数据挖掘技术；水质自动监测站；具体应用
水质自动化监测站最基本的功能就在于监测水环境质量，自动化监测能否获得精确的数值及结论，通常取决于仪器运维、外部环境与其他相关要素。由此可见，技术人员即便运用了新时期的水质监测手段与监测方式，那么受到多样要素的影响也很可能会表现为异常的监测数值[1]。这种状态下，对于现阶段的水质监测亟待引入新型的监测技术措施，其中典型的就是数据挖掘技术。在数据挖掘算法的辅助下，水质自动化监测的监测站就能获得更精确的数值与结论，与此同时也健全了水质监测的流程管理。因此可以得知，自动化水质监测站运用数据挖掘的相关技术有助于提升监测质量，在处理与分析水质的前提下确保监测流程的规范性。
一、技术措施的选择
面对信息化的新形势，各地的水质监测站都普遍运用了自动化监测的模式，通过运用自动化的流程来处理水质信息。如果运用数据挖掘模式，那么前提就在于选择适当的措施与方式。因此从水质预测与水质处理的角度入手，负责水质监测的相关人员有必要选择最适合用于水质监测的数据挖掘方式[2]。
从单个水质监测数据来讲，水质监测首先要给出明确的水质参数。除了突发事故之外，每日监测获得的水质结论并不会相差过大，在这其中也可以剔除复杂度较高的向量等数据。从目前现状来看，多地的自动监测站具体在判断水质时，通常都选择了2条至4条的监测数据用于上传，因此水质监测频率并不会表现为剧烈的波动。相比来看，水质监测运用的聚类分析模式具有更强的实用性与简便性特征，在此基础上获得监测水质的精确结论。
二、具体的技术运用
（一）数据分析方法
在自动化水质监测中，聚类分析指的是依照自动化的流程来划分样本类型，具体在划分时应当密切结合样本关联度。对于划分的同类样本来讲，水质样本之间具有很高的相似性。从基本的分析流程而言，技术人员具体在进行聚类分析之前先要输入相似度较高的某组样本，经过全方位的分析之后再输出多个数据集，而同类的水质数据就可以构成单独的分区结构[3]。此外，运用聚类分析的方式还能表述附加性的综合监测结果，然后以此为根据展开全方位的深入分析。由此可知，水质监测运用聚类分析的模式有利于剔除异常的监测结论及信息，进而保障了自动化水质监测的整体质量提高。
（二）数据分析流程
数据挖掘中的聚类分析具体包含了如下流程：在展开分析之前，先要明确聚类中心点，以此为根据再去筛选水质监测获得的数据。通过自动化水质监测的手段和方式，对于异常度较高的、与中心点距离较远的监测信息可以剔除，与此同时也保障了过滤信息的精确性与规范性。
例如在某次自动化监测水质的具体操作中，对于水质监测选择了氨氮指标与高锰酸盐指标作为最根本的监测指标，这两类指标本身的代表性也是较强的。在去年1月至6月的时间段里，自动化监测站运用了数据挖掘的手段和措施来判断水质结论，在剔除异常信息的前提下可以获得700组的监测结论。依照各月份的监测结论来实现分类，总共可以划分三个聚类数据组。后期在计算时，如果某组的样本总数没有超过10%的当月样本数目，那么对此类数据就应当予以剔除。
期刊文章分类查询,尽在期刊图书馆通过全面改进现阶段的水质监测结论，就能在根源上剔除样本中的异常点，进而获得了规范性更强的监测结论[4]。
三、数据挖掘模式分析
SPSS软件可以运用于实时性的监测信息处理，借助数据挖掘的手段来保障水质监测的精确度。从现阶段的状况来看，SPSS具备更明显的水质监测优势。这是由于，SPSS设置了友好的自动化界面，对于水质监测在进行管理时可以运用窗口操作的模式。同时，SPSS设有人机对话框，通过这种方式来显示可供筛选的水质信息与监测结论。因此可以得知，SPSS辅助的数据挖掘操作模式方便了用户对监测结论的自主选择。自动化水质监测的突出特点就在于综合描述各组的数值特征，在剔除异常数值的前提下获得质量更高的水质分析结论。在任何时间段，用户都不必对系统进行繁杂的编程操作，只要选择相应的界面就能完成全方位的水质监测与信息处理。
例如：某次聚类分析的操作过程中，技术人员对此选择了K-平均算法。具体的监测流程为：对于初始的水质样本而言，分别选择了三个中心样本，在这之后就能依照平均值来进行聚合操作，进而获得精准度更高的自动化监测样本。对于平均值应当进行更新，通过运算获得各组样本中的平均值，进而把计算获得的监测平均值当作样本中的中心点[5]。在水质监测的全过程中，各个监测阶段都可能剔除某一部分的异常监测结论，这种现状来源于复杂的水质监测环境。然而，剔除部分的监测结论通常不能超出30%的当月监测数据。
经过全面分析可知，水体样本中的氨氮与高锰酸盐因子监测结论都具有较强的精准性，在全面监测的前提下就能获得精确度更高的水质结论。相比于手工监测的方式，建立于数据挖掘基础上的自动化监测更有利于全方位的监测管理，与此同时也体现了更小的误差。在现阶段的各类监测指标中，综合判断可知高锰酸盐因子的波动幅度是相对最大的，因此可以判定现阶段的水质状态。与最初的监测信息相比来看，数据挖掘有助于获得更精确的水质信息，同时也在最大限度内保障了监测规范性[6]。此外，运用数据挖掘还能剔除监测中的异常数值，进而反映精确的水质监测状态，在此前提下服务于水质保护工作质量的全面提高。
结论：
相比于传统算法，在水质监测中运用数据挖掘的措施有利于规范自动化监测，通过运用新型的技术措施来保障监测数据的精准性。这是由于，数据挖掘运用自动化水质监测的方式有助于修正原始的监测信息，在此基础上保障了水质监测流程的规范性。同时，数据挖掘技术还可以用来验证监测结论，对于异常的水质监测信息进行了剔除。从水环保的角度来讲，水质自动化监测站运用的数据挖掘措施能反映各地区真实的水质量，进而在最大限度内保障了规范性。未来在实践中，对于水质监测站还应当致力于提升管理水准，在确保科学监测水质的基础上提升整体的水环境质量。
参考文献：
[1]章俊,倪薇. 数据挖掘技术在水质自动监测站管理中的应用[J]. 治淮,2016（01）:7-8.
[2]娄彦兵,冯宗,李昊等. 黄河流域水质监测信息化建设概述[J]. 人民黄河,2014（09）:52-54.
[3]许杨,邱晓国,李浩等. 山东省环境水质自动监测网运行管理系统研究[J]. 环境科学与技术,2015（11）:152-155+161.
[4]王文宝,曹骞. 水质自动监测站的运行管理与水质预警[J]. 环境监控与预警,2012（01）:54-56.
[5]崔长俊,张喜双,王桂荣等. 水质自动监测站建设的要求与管理的思考[J]. 环境科学与管理,2014（02）:18-19.
[6]何瑞娟. 大数据时代下数据挖掘技术在企业中的应用[J]. 网络安全技术与应用,2016（12）:90-91.
论文作者:李伟诚
论文发表刊物:《基层建设》2017年第7期
论文发表时间:2017/7/14
标签：水质论文; 监测站论文; 水质监测论文; 数据挖掘论文; 结论论文; 样本论文; 技术论文; 《基层建设》2017年第7期论文;