水是生命之源，水环境安全关乎人类的生存和健康、生态环境的和谐与稳定。

有毒污染物是指能对生物体产生毒害影响的污染物，可能会导致生物体生存、生长、发育、繁殖、生理改变等一些列危害。

基于有毒物质污染应激下生物体死亡、行为响应和生理生化等生物学指标变化来识别毒物的生物监测原理，利用生物传感器监测水环境内受试生物在不同水平上的生物学指标变化，从而表征综合毒性的变化，实现预警的方法称为生物预警。

用于描述水质好坏的理化指标，比如COD、BOD、氨氮、TP、TN以及常规五参数和九参数等水质指标是用来间接反映水质好坏的。理化水质指标用来表示水中杂质的种类和数量，它是判断水污染程度的具体衡量尺度。同时针对水中存在的具体杂质或污染物，提出了相应的很低数量或很低浓度的限制和要求。

理化监测设备包括：1、五参数水质分析仪；2、高锰酸盐在线分析仪；3、氨氮在线分析仪；4、总磷在线分析仪；5、总氮在线分析仪；6、常规九参数微型站六种。

基于水生生物的水质在线生物安全预警系统在生物回避行为与水生态毒理科学原理基础上，开发便携式水质生物应急预警系统，该系统集成于便携式箱体内，可以快速携带至事故现场； 本系统通过电信号生物行为传感器，实现连续实时监测水生物行为变化趋势，结合水环境毒性数据库、生物行为解析模型、环境胁迫阈值模型、本底智能先验等模式识别和人工智能技术对水质变化实时解析，实现对水环境综合毒性风险的应急监测。。

水是生命之源，水环境安全关乎人类的生存和健康、生态环境的和谐与稳定；水是生命之源，是人类不可或缺的资源,被用于人类生活和生产活动中;水为生命之源，对于社会及经济发展具有举足轻重的作用，水质的好坏直接关系着人类的健康。

因此，由水源中的污染物质以及水质净化过程中产生的有毒有害物质等引起的自来水水质污染和饮用水安全问题已成为一个全球关注的问题。随着社会经济发展、科学进步和人民生活水平的提高，人们对生活用水的水质要求不断提高。水质检测是保证水质安全的重要手段之一。水质检验（Water quality inspection）的目的有考察环境质量、研究水质是否合宜或合用、考察水的污染性或受污染的程度、检查水处理过程的效率等。水样的检验项目（可称水质参数）随检验目的和水样的性质而定，所得数据应作综合性评价以说明水质情况。可根据不同客户要求，对地表水、饮用水、污水等的水质进行检测。

水环境水质关系到人类的生命健康，水源中的污染物质以及水质净化过程中产生的有毒有害物质等引起的自来水水质污染和饮用水安全问题是一个全球关注的问题。目前对水质检测和评价主要依靠化学分析方法，相应的水质指标为单一物质的浓度指标。由于饮用水中污染物种类繁多，毒性作用机制复杂，低浓度下长期暴露有可能对人体健康产生威胁，并且存在多种污染物同时暴露可能引起的危害等，仅依靠化学分析不能从准确反映水质优劣，很可能低估水体的不利影响。采用生物测试能够直接获取水体中有毒有害污染物的毒性危害信息，并且能够检测复合污染效应，因此采用生物毒性测试作为化学分析的补充手段是评价水质发现水质问题的有效方案。

生物毒性检测包括离体检测和活体检测。离体检测包括1、急性毒性检测；2、内分泌干扰物效应；3、遗传毒性效应；4、芳烃受体效应。活体检测包括1、生物鱼毒性检测试验；2、水溞毒性检测；3、藻类毒性检测等。

新型污染物是指水环境中浓度低,潜在影响大且现有水质指标并不能很好反映其实际污染状况的一大类物质。由于新型污染物种类较多,水处理设施对其去除效果具有不确定性,导致其对水生态系统及人体健康产生潜在影响。综述了这类污染物在给水、污水处理及回用领域的存在现状和处理工艺。

水体新型污染物检出率和检出种类日益增多,其对生态系统所带来的潜在危害进一步加剧了人们对水质安全的担忧。因此新型污染物检测在环境检测中至关重要且受到广泛重视。

我国是世界上污水排放量最大、增加速度最快的国家之一。全国90％以上的城市水域受到了不同程度的污染，近70％的饮用水水源不符合国家规定的水源水制标准。水体突发性污染事故是指在瞬间或短时间内大量排放污染物质，对水环境造成严重污染和破坏，给人民的生命和国家财产造成重大损失的恶性事故。监察部2012年统计显示：中国水污染事故近年每年都在1700起以上。所以饮用水健康风险评价至关重要，且受到广泛关注。

饮用水健康风险评价包括1、定性健康风险评估技术，2、定量健康风险评估技术。通过对饮用水健康风险评估，最终提供污染物对一定人群暴露的致癌风险或非致癌风险水平，进而为管理部门提出饮用水安全保障的科学建议与决策依据。

我国是世界上污水排放量最大、增加速度最快的国家之一。全国90％以上的城市水域受到了不同程度的污染，近70％的饮用水水源不符合国家规定的水源水制标准。水体突发性污染事故是指在瞬间或短时间内大量排放污染物质，对水环境造成严重污染和破坏，给人民的生命和国家财产造成重大损失的恶性事故。监察部2012年统计显示：中国水污染事故近年每年都在1700起以上。所以生态健康风险评价至关重要，且受到广泛关注。

生态风险评价是利用生态学、环境化学及毒理学的知识，定量地确定危害对人 类和生物的负效应的概率及其强度的过程，也即是对风险进行测度，给出某一危害发生的概率及其后果的性质。因而，这一阶段的主要任务是确定其特定事件发生的概率，受时间影响的范围及危害的人群和生物种群，根据事件的特征分析影响的持续性、可测性、可控性及风险的调控机理，明确一定时间段内可能发生的一系列不同 强度的事件所造成的后果。

中科水质采用实验室研发有毒污染物筛选技术，可以同时对环境样品中731种有毒有机污染物进行定性筛查、对280余种有机污染物进行定量分析的方法。结合标准中需要检测污染物的定量分析和对未列入标准的潜在毒性污染物进行定性和定量分析和风险预评估，可以形成具有地方特点的优先控制污染物清单，采用定制方式为用户建立标准数据库和检索系统。

以智能测试策略(ITS)为核心的化学品毒性效应筛选与评估技术，集成了环境持久性（P），生物富集性（B），生物毒性（T），生物标记物（CMR），虚拟筛选技术等手段，对新化学品的环境危害做出准确评估。综合采用高通量离体生物测试、活体生物测试、毒性甄别方法，风险评估方法等高新技术在内的综合技术体系，评估化学品的生态风险。

以智能测试策略(ITS)为核心的化学品毒性效应筛选与评估技术，集成了环境持久性（P），生物富集性（B），生物毒性（T），生物标记物（CMR），虚拟筛选技术等手段，对新化学品的环境危害做出准确评估。综合采用高通量离体生物测试、活体生物测试、毒性甄别方法，风险评估方法等高新技术在内的综合技术体系，评估化学品的生态风险。

模型预测趋势（模型驱动）

综合采用水环境数值模拟和机器学习技术，预测流域水文、水体水质未来变化趋势，帮助制定水库/湖泊的水质长效精细化管理方案。

模拟系统采用以下六类模型，针对机理模型的驱动数据，包括气象、水文时间序列，采用机器学习进行预报，作为机理模型的输入数据。同时，针对考核断面水质，也利用机器学习算法预报断面水质，并与机理模型预报结果结合开展断面水质的集合预报。

1、模型类型:机理模型     2、预测指标:水动力水质    3、空间尺度:空间区域

4、模型维度:二/三维     5、建模方法:数值模拟     6、多模型联合预测

数据发现规律（数据驱动）

综合采用深度学习技术中的多种时间序列算法，对水文、水质历史数据进行时间序列预测训练和验证，建立时间序列预测模型，提供边界处未来水文、水质预测结果，为水动力、水质模型提供合理的边界条件，提高模型驱动预测的精度。

智慧改变未来（平台驱动）

水环境质量改善为核心，以流域水污染突出问题为导向，以水污染防治工作目标为引领，通过建立面源污染模拟和水体水质模拟相耦合的多模型数值集合预报系统,坚持业务实践与服务管理相统筹,在实现水环境质量多模型集合预测功能基础上,为水污染防治提供科学的决策支撑服务。面向流域水环境综合管理,研发水环境风险评估、污染物追因溯源、流域控制单元管理支持、水环境容量评估等水环境管理决策支持产品,同时集成河流突发水污染事故应急模拟功能,并实现系统自动化运行。

要想了解大数据的数据采集过程，首先要知道大数据的数据来源，目前大数据的主要数据来源有三个途径，分别是物联网系统、Web系统和传统信息系统，所以数据采集主要的渠道就是这三个。

大数据建设划分为四个阶段：1、大数据存储，2、大数据处理，3、大数据分析，4、大数据可视化。数据是无价的，分析数据并非易事，因为结果越准确，成本就越高。鉴于数据急剧增长，需要一个过程来提供有意义的信息，最终变成实用的洞察力。数据挖掘是指这个过程：在庞大数据集当中发现模式，将它转换成有效的信息。该技术利用特定的算法、统计分析、人工智能和数据库系统，从庞大数据集中提取信息，并转换成易于理解的形式。

“大数据” 通常指的是那些数量巨大、难于收集、处理、分析的数据集，亦指那些在传统基础设施中长期保存的数据。大数据存储是将这些数据集持久化到计算机中。

这里的“大”有几层含义，它可以形容组织的大小，而更重要的是，它界定了企业中IT基础设施的规模。业内对大数据应用寄予了无限的期望 – 商业信息积累的越多价值也越大 – 只不过我们需要一个方法把这些价值挖掘出来。随着大数据应用的爆发性增长，它已经衍生出了自己独特的架构，而且也直接推动了存储、网络以及计算技术的发展。毕竟处理大数据这种特殊的需求是一个新的挑战。硬件的发展最终还是由软件需求推动的，就这个例子来说，我们很明显的看到大数据分析应用需求正在影响着数据存储基础设施的发展。

在传统关系型数据领域，由于大数据规模也出现了真正的分布式关系型数据库，如GreenPlum、TiDB、OceanBase。为了多维分析，也出现了专门的列式数据库，如HBase。而本团队的数据存储也是基于HBase展开。

高性能计算集群(HPCC-High Performance Computing Cluster)是计算机科学的一个分支，以解决复杂的科学计算或数值计算问题为目的，是由多台节点机（服务器）构成的一种松散耦合的计算节点集合。为用户提供高性能计算、网络请求响应或专业的应用程序(包括并行计算、数据库、Web)等服务。相比起传统的小型机，集群系统有极强的伸缩性，可通过在集群中增加或删减节点的方式，在不影响原有应用与计算任务的情况下，随时增加和降低系统的处理能力。还可以通过人为分配的方式，将一个大型集群系统分割为多个小型集群分给多个用户使用，运行不同的业务与应用。集群系统中的多台节点服务器系统通过相应的硬件及高速网络互连，由软件控制着，将复杂的问题分解开来，分配到各个计算节点上去，每个集群节点独立运行自己的进程，这些进程之间可以彼此通信(通常是利用MPI－消息传递接口)，共同读取统一的数据资源，协同完成整个计算任务，以多台计算节点共同运算的模式来换取较小的计算时间。

根据不同的计算模式与规模，构成集群系统的节点数可以从几个到上千个。对于环保机构和中小型公司来讲，节点数目可以达到数千甚至上万。而随着HPCC应用的普及，中小规模的高性能计算集群也慢慢走进中小型用户的视野，高性能计算集群系统的部署，极大地满足了此类用户对复杂运算的能力的需求，大大拓展了其业务范围，为中小型用户的成长提供支持。大数据计算框架：在大数据处理领域，目前当红炸子鸡是：Spark、Storm、Flink。

大数据＝海量数据+复杂类型的数据。大数据具有大量化、多样化、快速化和价值化的特征，也称“4V”。其中：

大量化（volume）指数据量庞大，即数据存储量大、计算量大。

多样化（variety）指大数据不但包含结构化的数据表和半结构化的文本、视频、图像等信息，而且数据之间的交互也非常频繁和广泛。

快速化（velocity）指数据不断更新，增长速度快，同时数据存储、传输等的处理速度也非常快。

价值化（value）指数据正在成为一种新型资产、一种竞争力的重要基础。基于大量数据的分析和计算，可以产生更大的价值。

有研究表明，大数据的应用十分广泛，不仅能产生巨大的产业空间，也能产生巨大的社会价值。用大数据服务管理决策，将会在决策主体、决策方法、决策过程等方面发生革命性的改变，从而大大提高管理者的决策能力。

大数据建设划分为四个阶段：1、大数据存储，2、大数据处理，3、大数据分析，4、大数据可视化。团队目前大多项目主要集中在大数据可视化。

团队开发大数据平台包括1、水环境模拟大数据平台；2、空间建模系统；3、水污染应急处理处置系统；4、博斯腾湖水环境模拟大数据平台；5、河湖长制大数据决策管理平台等。