CN106777987A - 基于水动力、水质和som的河流水量聚类及水质评价方法 - Google Patents

基于水动力、水质和som的河流水量聚类及水质评价方法 Download PDF

Info

Publication number
CN106777987A
CN106777987A CN201611182874.9A CN201611182874A CN106777987A CN 106777987 A CN106777987 A CN 106777987A CN 201611182874 A CN201611182874 A CN 201611182874A CN 106777987 A CN106777987 A CN 106777987A
Authority
CN
China
Prior art keywords
river
water quality
som
model
water
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201611182874.9A
Other languages
English (en)
Other versions
CN106777987B (zh
Inventor
谢显传
贺辉辉
丁珏
海子彬
程宇
王莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University
Original Assignee
Nanjing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University filed Critical Nanjing University
Priority to CN201611182874.9A priority Critical patent/CN106777987B/zh
Publication of CN106777987A publication Critical patent/CN106777987A/zh
Application granted granted Critical
Publication of CN106777987B publication Critical patent/CN106777987B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16ZINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00Subject matter not provided for in other main groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于水动力、水质和SOM的河流水量聚类及水质评价方法,首先收集河流的各项资料数据,输入水动力模型和水质模型中,得到河流的各节点的水动力数据以及各节点的污染浓度时间序列。然后将每个时刻河流流量数据输入SOM神经网络,得到合理分类的n×n种模式,这n×n种模式组合在一起得到河流流量的拓扑图。然后根据流量的聚类结果,继续利用SOM神经网络对各节点的污染浓度时间序列结果进行特征提取,得到各污染源对于河流污染分布的拓扑图,通过拓扑图得到污染源在一维河道的污染模式分类。本发明可以对一维河流的水量以及水质进行评价,并将结果可视化表示。

Description

基于水动力、水质和SOM的河流水量聚类及水质评价方法
技术领域
本发明涉及一维河流流量及水质评价技术领域,具体是涉及基于水动力、水质和SOM的河流水量聚类及水质评价方法。
背景技术
随着人们对水资源环境的日益重视,水质的评价方法也多种多样,如传统的模糊综合指数法、灰色评价法,以及具有很强的自学习、自适应能力的BP神经网络。传统的模糊综合指数法、灰色评价法需要精确的数学模型来进行描述,针对水系统中存在的复杂非线性关系和不确定性因素,很难真实模拟水环境系统的非线性变化过程;BP神经网络法具有表示任意非线性关系和很强的自学习、自适应能力,可以对简单的非线性作用函数的复合进行映射,在评价水质时可以很好的解决水系统中的非线性关系和不确定因素,但是不适合用于对复杂多变的水环境系统进行评价和分类研究,而且往往没有考虑到河流的污染排放源的位置及排放量对河流水质的影响。由于无法提供非常准确节点的水质信息,使得河流的治理的效率不够高。
而基于水动力、水质模型和SOM神经网络的方法则可以很好地解决这些问题,首先水动力、水质模型可以产生大量的河道流量数据和各节点的污染浓度时间序列结果,可以作为SOM模型的网络训练样本,使得网络输出更加准确。SOM神经网络在无监督、无先验知识的状态下对样本进行自组织、自学习,实现对样本的评价与分类的特点则可以很好的适用于复杂多变的水环境系统。
发明内容
本发明的目的在于提供一种可以很好地评价河流各节点的流量及水质评价的方法,可以得到河流中各节点的水质情况。
本发明的技术方案是:基于水动力、水质和SOM的河流水量聚类及水质评价方法,包括水动力模型、水质模型和SOM神经网络三大部分;
所述水动力模型、水质模型用于构建所研究河流流量及污染浓度时间序列,分别由Sant-Venant方程和对流扩散方程建立,用于分析一位河道的水动力、污染物分布状况,具体包括如下步骤:
1)搜集所研究河流的流量资料、水位资料、河流底高程资料及单位污染负荷资料等数据;
2)将这些资料数据输入水动力模型中,模拟得到河流的水动力情况(河流流量时间序列),并利用现有的水文站资料进行验证,经验证准确后将数据导出;
3)将搜集的单位污染负荷资料输入水质模型,构建一维河道的水质模型,并将模拟的河流各节点的污染浓度时间序列结果导出;将河流的污染排放源的位置及排放量考虑在内;
所述SOM神经网络模型用于将水动力模型、水质模型得到的河流流量时间序列及各节点的污染浓度时间序列进行聚类分析并作出评价,具体为:将水动力模型得到的河流流量数据输入SOM神经网络中,按照每个时刻流量在河道上的分布相似性进行聚类,得到一个合理分类的n×n的SOM拓扑图,总计n2个流量模式,每种模式代表了不同的河流流量模式,该图可以表示河流节点的河床高程及流量;再将水质模型得到的污染浓度时间序列数据用与流量同样的聚类结果进行特征提取,得到河流的各污染源污染分布拓扑图。
进一步地,利用水动力模型及水质模型得到大量的高维度流量数据及污染浓度时间序列。
进一步地,将河流的流量与水质相结合,首先用SOM对水动力(水量序列)的聚类,然后根据这个聚类结果,对相同时间点水质序列进行分类,得到水质时间序列聚类结果,即n×n种;当确定了河道水动力状况的模式之后,可以确定污染源在河道内形成的污染带状态。
进一步地,将河流看作一维的,可以评价河流的污染排放源的位置及排放量对河流水质的影响。
本发明的有益效果是:本发明方法可以得到大量的高维度流量数据及污染浓度时间序列,而且可以评价河流的污染排放源的位置及排放量对河流水质的影响,并且可以在河流的各节点处表示模型所得水质评价结果。所得结果用图的形式进行表示,使得评价结果与可视化达到统一。
附图说明
图1是Abbott格式水位点、流量点交替布置图。
图2是SOM对河流流量序列的空间分类图。
具体实施方式
首先搜集淮河干流的流量资料、水位资料、河流底高程资料及单位污染负荷资料等数据,将所研究河流进行概化,建立河流的动力模型和水质模型,对河流的水动力状况以及各污染源对河流的污染负荷状况进行模拟。
1.水动力模型的建立:该模型使用隐式有限差分法对河流和海岸的不稳定水流进行求解。其控制方程为Sant-Venant方程组:
式中:X–距离;t–时间坐标;A–过水断面面积;Q–流量;h–水位;q–旁侧入流量;n–河床糙率系数;F–水力半径;g–重力加速度。
利用Abbott六点隐式格式离散上述控制方程组,该离散格式在每一个网格节点并不同事计算水位和流量,而是按顺序交替计算水位和流量,分别为称为h点和Q点(如图1所示)。
该格式为无条件稳定,可以在相当大的Courant数下保持计算稳定,可以取较长的时间步长以节省计算时间。
然后根据河床高程、水位和流速等初始条件以及上边界采用进口断面流量过程、下边界采用出口断面水位过程等边界条件求出定解。接下来需要对模型进行水位验证,该步骤可以使用某一节点的水文站资料进行对比验证。
水动力模型的计算结果包括三个方面:干流断面的水位情况、流量情况,以及流速分布情况。
2.水质模型的建立:水质模型对水体中的可溶性物质和悬浮物质对流扩散过程进行模拟的工具,它根据水动力模型产生的水动力条件,应用对流扩散方程进行计算,可以设定一个恒定的衰减常数模拟非保守物质,模拟物质在水体中的对流扩散过程,其基本方程为:
式中:C–污染物浓度,mg/L;D–污染物弥散系数;A–断面过水面积,m2;Q–流量,m3/s;K–降解系数,s-1;C0–污染物的点源浓度,mg/L;q–污染物的点源流量,m3/s;x–空间步长,m;t–时间步长,s。
然后确定研究河流的污染物种类及源强,计算各污染来源下的污染物浓度分布情况。依据此分布情况,可计算各污染源对流域的污染负荷。
水质模型的计算结果为所研究河流的污染物随时间的变化序列。
3.SOM神经网络模型:由输入层、映射层组成。输入层神经元个数为m,本发明中m为流量数据的时间点数。竞争层是由n×n个神经元组成的二维平面阵列,输入层与竞争层各神经元之间实现全连接。n经过具体的对比测试确定,以达到分类最优化。
SOM神经网络模型就是将水动力、水质模型得到的河流流量时间序列及各节点的污染浓度时间序列进行聚类分析并作出评价。
首先将水动力模型得到的大量的高维度的流量时间序列输入SOM中作为初始数据,然后利用SOM的分类技术将这些数据根据它们的主要特征形成一个拓扑图,得到合理分类的几种相似模式,每一类代表一种水动力状况下的流量分布模式。然后继续利用SOM神经网络用与流量同样的聚类结果对将水质模型模拟得到的各节点的污染浓度时间序列结果进行特征提取,得到各污染源对于河流污染分布的拓扑图。SOM神经网络可以得到n×n中河流流量和水质结果。
这n×n种SOM聚类结果,代表了河流的n×n种典型的流量模式,因为原始的流量数据采集时段较长,所以结果具有代表性。在各典型流量模式下,污染源在河流产生的污染分布状态也各不相同。结合水质模型的结果,就可对淮河各流量模式下的污染状况进行分析。根据得到的结果便可以确定污染源在一维河道的污染模式分类,即在此河道的各个水动力状况下,该污染源的污染模式为n×n中的一个。当确定了河道水动力状况的模式之后,可以知道污染源在河道内形成的污染带状态。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。

Claims (4)

1.基于水动力、水质和SOM的河流水量聚类及水质评价方法,其特征在于,包括水动力模型、水质模型和SOM神经网络三大部分;
所述水动力模型和水质模型分别由Sant-Venant方程和对流扩散方程建立,用于分析一位河道的水动力、污染物分布状况,具体包括如下步骤:
1)搜集所研究河流的流量资料、水位资料、河流底高程资料等数据;
2)将这些资料数据输入水动力模型中,模拟得到河流的水动力情况(河流流量时间序列),并利用现有的水文站资料进行验证,经验证准确后将数据导出;
3)将搜集的单位污染负荷资料输入水质模型,构建一维河道的水质模型,并将模拟的河流各节点的污染浓度时间序列结果导出。
所述SOM神经网络用于将水动力模型、水质模型得到的河流流量时间序列及各节点的污染浓度时间序列进行聚类分析并作出评价,具体为:将水动力模型得到的河流流量数据输入SOM神经网络模型中,按照每个时刻流量在河道上的分布相似性进行聚类,得到一个合理分类的n×n的SOM拓扑图,总计n2个流量模式,每种模式代表了不同的河流流量模式,该图可以表示河流节点的河床高程及流量。再将水质模型得到的污染浓度时间序列数据用与流量同样的聚类结果进行特征提取,得到河流的各污染源污染分布拓扑图。
2.根据权利1所述的基于水动力、水质和SOM的河流水量聚类及水质评价,其特征在于:利用水动力模型及水质模型得到大量的高维度流量数据及污染浓度时间序列。
3.根据权利1、2所述的基于水动力、水质和SOM的河流水量聚类及水质评价方法,其特征在于:将河流的流量与水质相结合,首先用SOM对水动力(水量序列)的聚类,然后根据这个聚类结果,对相同时间点水质序列进行分类,得到水质时间序列聚类结果,即n×n种;当确定了河道水动力状况的模式之后,可以确定污染源在河道内形成的污染带状态。
4.根据权利1所述的基于水动力、水质和SOM的河流水量聚类及水质评价方法,其特征在于:将河流看作一维的,可以评价河流的污染排放源的位置及排放量对河流水质的影响。
CN201611182874.9A 2016-12-20 2016-12-20 基于水动力、水质和som神经网络的河流水量聚类及水质评价方法 Active CN106777987B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611182874.9A CN106777987B (zh) 2016-12-20 2016-12-20 基于水动力、水质和som神经网络的河流水量聚类及水质评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611182874.9A CN106777987B (zh) 2016-12-20 2016-12-20 基于水动力、水质和som神经网络的河流水量聚类及水质评价方法

Publications (2)

Publication Number Publication Date
CN106777987A true CN106777987A (zh) 2017-05-31
CN106777987B CN106777987B (zh) 2019-05-10

Family

ID=58891336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611182874.9A Active CN106777987B (zh) 2016-12-20 2016-12-20 基于水动力、水质和som神经网络的河流水量聚类及水质评价方法

Country Status (1)

Country Link
CN (1) CN106777987B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563568A (zh) * 2017-09-20 2018-01-09 福建四创软件有限公司 一种流域运行水位水质效益评估方法及系统
CN107622363A (zh) * 2017-11-02 2018-01-23 中国环境科学研究院 城市水环境质量评估方法
CN110458359A (zh) * 2019-08-13 2019-11-15 河海大学 一种基于未完全截污条件下的平原河网水量水质优化调控方法
CN111382547A (zh) * 2020-03-16 2020-07-07 中国环境科学研究院 一维非稳态河流水动力-水质模拟方法和装置
CN112906285A (zh) * 2021-03-16 2021-06-04 水利部交通运输部国家能源局南京水利科学研究院 一种河湖水系动力重构方法、系统、设备及计算机存储介质
CN113158122A (zh) * 2021-04-29 2021-07-23 东莞理工学院 一种基于动态水系连通度计算的城市水系水质改善方法
CN116187210A (zh) * 2023-05-04 2023-05-30 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150310311A1 (en) * 2012-12-04 2015-10-29 Institute Of Semiconductors, Chinese Academy Of Sciences Dynamically reconstructable multistage parallel single instruction multiple data array processing system
CN105184370A (zh) * 2015-10-26 2015-12-23 中国海洋大学 一种基于som分类技术的河口流域水环境质量评价方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150310311A1 (en) * 2012-12-04 2015-10-29 Institute Of Semiconductors, Chinese Academy Of Sciences Dynamically reconstructable multistage parallel single instruction multiple data array processing system
CN105184370A (zh) * 2015-10-26 2015-12-23 中国海洋大学 一种基于som分类技术的河口流域水环境质量评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李娜娜: "基于SOM算法的城市给水管网水质评价", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
李飞宇: "城市给水管网水质安全性评价体系研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563568A (zh) * 2017-09-20 2018-01-09 福建四创软件有限公司 一种流域运行水位水质效益评估方法及系统
CN107563568B (zh) * 2017-09-20 2020-10-13 四创科技有限公司 一种流域运行水位水质效益评估方法及系统
CN107622363A (zh) * 2017-11-02 2018-01-23 中国环境科学研究院 城市水环境质量评估方法
CN107622363B (zh) * 2017-11-02 2020-10-23 中国环境科学研究院 城市水环境质量评估方法
CN110458359A (zh) * 2019-08-13 2019-11-15 河海大学 一种基于未完全截污条件下的平原河网水量水质优化调控方法
CN110458359B (zh) * 2019-08-13 2022-08-19 河海大学 一种基于未完全截污条件下的平原河网水量水质优化调控方法
CN111382547A (zh) * 2020-03-16 2020-07-07 中国环境科学研究院 一维非稳态河流水动力-水质模拟方法和装置
CN112906285A (zh) * 2021-03-16 2021-06-04 水利部交通运输部国家能源局南京水利科学研究院 一种河湖水系动力重构方法、系统、设备及计算机存储介质
CN113158122A (zh) * 2021-04-29 2021-07-23 东莞理工学院 一种基于动态水系连通度计算的城市水系水质改善方法
CN113158122B (zh) * 2021-04-29 2022-12-13 东莞理工学院 一种基于动态水系连通度计算的城市水系水质改善方法
CN116187210A (zh) * 2023-05-04 2023-05-30 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法
CN116187210B (zh) * 2023-05-04 2023-07-21 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法

Also Published As

Publication number Publication date
CN106777987B (zh) 2019-05-10

Similar Documents

Publication Publication Date Title
CN106777987B (zh) 基于水动力、水质和som神经网络的河流水量聚类及水质评价方法
Muñoz-Mas et al. Assessment of brown trout habitat suitability in the Jucar River Basin (SPAIN): Comparison of data-driven approaches with fuzzy-logic models and univariate suitability curves
CN103810537B (zh) 一种基于水质模型的区域环境风险评估方法
CN107341506A (zh) 一种基于多方面深度学习表达的图像情感分类方法
CN112035584B (zh) 空间规划情景模拟方法及系统
Saadatpour et al. Meta-model assisted 2D hydrodynamic and thermal simulation model (CE-QUAL-W2) in deriving optimal reservoir operational strategy in selective withdrawal scheme
CN111598754B (zh) 基于水质模型的河网区水质断面污染贡献率核算方法
CN111259607B (zh) 一种河湖过渡区水文边界界定方法
CN110533248A (zh) 融合机器学习和lstm的大气污染物浓度预测方法
CN107767011B (zh) 一种轨道车站行人特性采集系统和服务水平动态评价方法
CN103456163B (zh) 城市快速路互通立交通行能力和运行状态判别方法与系统
CN108536908A (zh) 基于非点源氮磷流失风险对流域水环境安全评估的方法
CN107563568B (zh) 一种流域运行水位水质效益评估方法及系统
CN107480141A (zh) 一种基于文本和开发者活跃度的软件缺陷辅助分派方法
CN113191096B (zh) 基于WRF和XFlow耦合的多精细度融合污染物扩散分析方法
CN107273295A (zh) 一种基于文本混乱度的软件问题报告分类方法
CN109598428A (zh) 一种基于行政单元和水系的污染物削减分配方法
Liu et al. Hybrid intelligent algorithm and its application in geological hazard risk assessment
Xu et al. Land-use change modeling with cellular automata using land natural evolution unit
CN114022008A (zh) 一种基于水生态分区理论的河口适宜生态流量评估方法
Yao Application of the ecohydraulic model on hydraulic and water resources engineering
CN113642162B (zh) 一种城市道路交通应急预案仿真综合分析方法
CN110334767A (zh) 一种用于空气质量分类的改进随机森林方法
CN109784771A (zh) 基于时序、pca、聚类的土地评价方法
Chen et al. A novel prediction approach for exploring PM2. 5 spatiotemporal propagation based on convolutional recursive neural networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant