CN107091911A - 一种河流水质预测方法 - Google Patents
一种河流水质预测方法 Download PDFInfo
- Publication number
- CN107091911A CN107091911A CN201710250354.5A CN201710250354A CN107091911A CN 107091911 A CN107091911 A CN 107091911A CN 201710250354 A CN201710250354 A CN 201710250354A CN 107091911 A CN107091911 A CN 107091911A
- Authority
- CN
- China
- Prior art keywords
- river
- predicted
- water quality
- time
- model
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明之目的就是提供一种河流水质预测方法，描绘出被预测河流的具体边界；对被预测河流边界的.kml格式文件转化为点；再将点的WGS 1984坐标转化为单位为米的坐标；将转换后的被预测河流边界点位坐标存储；利用CVLGrid1.0软件对被预测河流进行网格划分，将划分好的被预测河流网格导出；在EFDC‑Explorer中导入被预测河流的网格文件；在建立水动力模型的基础上，建立被预测河流的水质模型；将被预测河流流量边界实时监控的流量和水质数据导入水质模型，模拟来一段时间内被预测河流的水质分布情况，实现对被预测河流的水质预测。本发明方法独特，易操作应用，预测效果准确，有利于对河流的生态环境保护，有显著的经济和社会效益。
Description
技术领域
本发明涉及环保，特别是用于河流水质预测的一种河流水质预测方法。
背景技术
水质预测是根据水质实际资料，运用水质模型推断水体或水体某一地点的水质在未来的变化。可为水环境管理提供指导和支撑。
水质模型又称水质数学模型，是水体水质的变化规律的数学描述。它可用于水体水质的预测、研究水体的污染与自净以及排污的控制等。
EFDC模型是由美国环境保护署（EPA）支持，美国弗吉尼亚州海洋研究所根据多个数学模型集成开发研制而成的开源模型。EFDC_Explorer是基于EFDC模型开发的具有可视化操作界面的软件。
由于种种原因，目前水质模型的应用尚不成熟，大多水质模型所需数据类型较多、数据量较大，现有的数据基础往往不能满足，使水质模型在实际应用中受到诸多限制，没有基于成熟水质模型的水质预测方法。
发明内容
针对上述情况，为克服现有技术之缺陷，本发明之目的就是提供一种河流水质预测方法，可有效解决对河流生态环境的保护问题。
本发明解决的技术方案是，基于利用Google Earth、ArcGIS、CVLGrid1.0、EFDC_Explorer4个软件的功能针对具体被预测河流建立一维水动力-水质模型，利用污染源监测数据和河流断面监测数据对水动力和水质模型进行率定和验证，在建立好的模型的基础上，通过输入已有的污染源监测数据进行模拟，以预测未来一段时间内被预测河流的水质变化情况，包括以下具体步骤：
（1）描绘出被预测河流的具体边界，并将该边界导出为.kml格式文件；
（2）将被预测河流边界转化为点；再将点的WGS 1984坐标转化为单位为米的坐标；将转换后的被预测河流边界点位坐标存储；
（3）利用CVLGrid1.0软件对被预测河流进行网格划分，将划分好的被预测河流网格导出；
（4）在EFDC-Explorer中导入被预测河流的网格文件，建立被预测河流的水动力模型；
（5）在建立水动力模型的基础上，进一步建立被预测河流的水质模型；
（6）将被预测河流流量边界实时监控的流量和水质数据导入水质模型，根据所预测的时间，确定模拟开始时间和结束时间，采用动态时间步长进行模拟，得到未来一段时间内被预测河流的水质分布情况，实现对被预测河流的水质预测。
本发明方法独特，易操作应用，预测效果准确，本发明方法充分利用GoogleEarth、ArcGIS、CVLGrid1.0、EFDC_Explorer4个软件的功能针对具体河流建立一维水动力-水质模型，利用污染源和支流监测数据和河流断面监测数据对水动力和水质模型进行率定和验证，在建立好的模型的基础上，通过输入已有的污染源和支流监测数据进行模拟，可快速预测未来一段时间内该河流的水质变化情况，有利于对河流的生态环境保护，有显著的经济和社会效益。
附图说明
图1为本发明的工艺流程图；
图2为本发明实施例河流水系图；
图3为本发明水动力模型率定分析图；
图4为本发明水动力模型验证分析图；
图5为本发明水质模型率定分析图；
图6为本发明位水质模型验证分析图。
具体实施方式
以下结合附图和具体情况对本发明的具体实施方式做详细说明。
由图1给出，本发明方法在具体实施中，包括以下步骤：（1）对被预测河流，利用Google Earth里“添加路径”的功能，描绘出被预测河流的具体边界，并将该边界导出为.kml格式文件；
（2）在ArcGIS软件中导入被预测河流边界的.kml文件，通过“Data Management Tools”中的“Feature Vertices To Points”工具将被预测河流边界转化为点；再通过“Projections and Transformations”工具将点的WGS 1984坐标转化为单位为米的WGS-1984-Alberts坐标；将转换后的被预测河流边界点位坐标存储为.p2d格式的文本文件；
（3）将被预测河流边界的.p2d文件导入CVLGrid1.0软件中，利用该软件对被预测河流进行网格划分，将划分好的被预测河流网格导出为.cvl文件；
（4）在EFDC-Explorer中导入被预测河流的.cvl网格文件，采用以下步骤建立被预测河流的水动力模型：
①按经验值确定被预测河流的初始水深；②利用已知的河底高程点采用插值的方法确定整个被预测河流的河底高程；③利用经验系数法的被预测河道曼宁粗糙系数；④确定被预测河流的各个入流边界的流量时间序列，和出流边界水位的时间序列，入流边界包括上游来水和各污染源以及支流汇入；⑤将各流量时间序列与具体的河流网格关联起来，建立流量边界，将出流边界水位的时间序列与具体的河流网格关联起来，建立开边界；⑥确定模拟的开始和结束时间，采用动态时间步长对水动力模型进行模拟，而后对其进行率定，满足模型误差要求；⑦在率定好的水动力模型的基础上，采用与率定所用数据完全不同的时间序列对模型进行验证，满足误差要求；
（5）在建立水动力模型的基础上，采用以下步骤建立被预测河流的水质模型：方法是：
①设定被测河流水质时间序列，并与流量边界关联起来；②设定模拟的开始和结束时间，采用动态时间步长对水质模型进行模拟，而后调整衰减系数对水质模型进行率定，满足模型误差要求；③在率定好的水质模型的基础上，采用与率定所用数据完全不同的时间序列对模型进行验证，满足误差要求；
（6）将被预测河流流量边界实时监控的流量和水质数据导入水质模型，根据所预测的时间，确定模拟开始时间和结束时间，采用动态时间步长进行模拟，得到未来一段时间内被预测河流的水质分布情况，实现对被预测河流的水质预测。
所述的利用Google Earth里“添加路径”的功能，描绘出被预测河流的具体边界必须为闭合的路径曲线，且与被预测河流最新的卫星地图影像相吻合。
所述的.p2d格式的文本文件是由WGS-1984-Alberts坐标系下的每个被预测河流边界点的坐标构成，每个坐标占一行，左侧为横坐标，右侧为纵坐标，中间为空格。
所述的对被预测河流进行网格划分的方法为：①在“Layer Control”面板中新建“Spline”图层，利用“Draw a New Spline”功能分别沿着被预测河流左右边界进行描线，两条边线不能交叉；②描完被预测河流的左右边界以后，在河流横向分段添加截线，截线要尽可能与两条边垂直，每条截线之间不能交叉；③利用“Generate Grid”功能生成被预测河流网格，其中“I-Cells Number”为被预测河流每2条截线之间的网格数， “J-Cells Number”为被预测河流横向的网格数，定为1。
所述的利用经验系数法设置河道曼宁粗糙系数为下表：
| 河道种类 | 曼宁粗糙系数 |
| 平坦的混凝土 | 0.012 |
| 普通的混凝土涂层 | 0.013 |
| 最优条件下的泥土河道 | 0.017 |
| 直的未衬砌的泥土河道 | 0.020 |
| 天然的河流与河道 | 0.020~0.035 |
| 河床遍布岩石的山间溪流，河道多变与沿岸有植物的河流 | 0.040~0.050 |
| 没有植物的淤积河道 | 0.011~0.035 |
该表河道曼宁粗糙系数是根据季振刚所著«水动力学和水质-河流、湖泊及河口数值模拟»规定作出的。
所述的时间序列是由时间和流量、水质浓度或水位2列数据构成的序列，其时间为“Julian Date”，计算方法由下式给出：
式中：I为年，J为月，K为日。若将某一参考日期的JulianDate设置为0，则其他日期的Julian Date为两个Julian Date之间的差值。
所述的时间序列与具体的河流网格关联起来是指在各边界位置所对应的网格上建立边界条件，流量边界需将该边界的流量设置为对应的流量时间序列，水质设置为对应的水质时间序列，出流边界则只需将其水位设置为对应的水质时间序列。
所述的模拟的开始和结束时间中，结束时间是指实际需要考察的时间段的结束时间，而开始时间需要较实际需要考察的开始时间提前一段时间，以此保证实际需要考察的时间开始时河流达到较为准确的初始状态；所述的动态时间步长是指，在EFDC-Explorer中将时间步长设置为1s以下的参考值，安全系数为0.5以下，则模型计算时会根据计算情况自动调整时间步长，提高模型的适应能力，以防计算出现错误。
所述的满足误差要求是指，模拟值与实测值多组数据的平均相对误差在下表所述的范围内，模拟值见下表：
| 模型参数 | 最高标准 | 中等标准 | 最低标准 |
| 流量 | ＜10 | 10-15 | 15-25 |
| 水质浓度 | ＜15 | 15-25 | 25-35 |
该表符合EPA（美国环境保护署）建议的模型误差控制范围。
所述的将各流量边界实时监控的流量和水质数据导入水质模型是指将当前实时日期及其之前一段时间的流量和水质监测数据导入流量边界，当前实时日期之后的时间序列不做更改；所述的设置模拟开始时间和结束时间中结束时间是指所需预测的时间段的终止时间，开始时间需较当前实时的时间提前一段时间，以保证模拟至当前时间时，河流处于较为准确的状态。
本发明经实地应用和测试，效果非常好，有关具体情况如下：
以贾鲁河郑州段为例，以COD为所要预测的水质因子，应用本发明方法进行水质预测。贾鲁河郑州段的水系构成如图2所示，主要有索须河、运粮河、清河（又名堤里小清河）3条主要支流，和用于从黄河引水的西干渠。中牟陈桥为该段唯一的省责任目标考核断面，位于贾鲁河与中牟县界交界处。本实施例的具体步骤如下：
（1）建立河流网格
采用本发明步骤（1）、（2）、（3）划分贾鲁河郑州段网格。
（2）水动力模型的建立
设置初始水深。水深是模拟前需要输入的初始条件，但对于河流来说准确定义其模拟时间开始时的初始水深往往较为困难，一般采用在实际模拟的时间序列之前外加一段时间以保证到达考核时间时各边界流入河流的水可以覆盖其下游区域。初始水深只需大致设置，贾鲁河设置为1.5米。
设置河底高程。通过调研和数据资料收集，在贾鲁河干流郑州段上收集到2个点位的河底高程，见下表所示，其他位置依据已有点位进行插值。
| 点位名称 | 坐标（X） | 坐标（Y） | 河底高程值（m） |
| 污水河汇入口 | 771189.301885 | 3747125.026173 | 100 |
| 中牟水文站 | 812519.688733 | 3741469.595739 | 73.57 |
设置粗糙系数。实际调查中发现贾鲁河大部分区域河面相对较宽，河岸植被较多，某些河段河漫滩有砂石，依据贾鲁河河道情况，将其粗糙系数定为0.04。
设置边界条件。所有污染源汇入、支流汇入均作为流量边界，利用2014年重点源在线监测数据和支流监测数据定义其流量。河段终点设置为开边界。
模型率定。以2014年1月1日为参考时间，利用前半年数据进行率定（0~180天），采用2014年中牟陈桥断面的流量监测数据，与同时期模型模拟流量进行对比，如图3所示。统计各组数据的误差。前半年模拟值与实测值的平均相对误差为15.79%。在模型误差要求范围内。
模型验证：在不改变任何参数的条件下利用2014年下半年数据进行水动力模型的验证，模拟完成后，分析中牟陈桥断面流量的模拟值与实测值的误差，如图4所示。综合平均相对误差为17.74%。误差在控制范围内，模型精度满足要求，水动力模型通过验证。
（3）水质模型的建立
设置边界条件。利用2014年重点源在线监测数据和支流监测数据将所有污染源汇入、支流汇入的水质时间序列与对应的流量边界关联起来。
模型率定。采用2014年上半年数据进行水质模型的率定，调整衰减系数以降低水质模型误差，经率定在COD衰减系数定为0.13/day的情况下，中牟陈桥断面COD的模拟浓度与实测浓度对比如图5所示，平均相对误差为12.02%，在模型误差控制范围内，水质模型的精度较高。
模型验证。在不改变任何参数的条件下利用2014年下半年数据进行水质模型的验证，得出中牟陈桥断面COD的模拟浓度与实测浓度对比如图6所示。平均相对误差为10.20%，在误差控制范围内。模型模拟值与实测值较为吻合，COD水质模型通过验证。
（4）水质预测
为了可以对模型预测结果进行验证，本实施例选用了以前的时间段进行预测，采用建立好的水质模型，分别预测2016年4月1日和2017年4月1日中牟陈桥断面的COD浓度。
以2016年1月1日为参考时间，将2016年4月1日及其之前10天的监测数据导入模型中对应的时间序列，开始时间定为2016年4月1日前10天，结束时间为2016年4月1日，得出2016年4月1日中牟陈桥断面COD浓度的预测结果为38.943mg/L，实际监测数据为37.90mg/L。误差为2.75%。
以2017年1月1日为参考时间，将2017年4月1日及其之前10天的监测数据导入模型中对应的时间序列，开始时间定为2017年4月1日前10天，结束时间为2017年4月1日，得出2017年4月1日中牟陈桥断面COD浓度的预测结果为40.527mg/L，实际监测数据为35.67mg/L。误差为13.62%。
可知，本发明预测结果准确，并经反复多次不同河流的预测试验和实地测试，均取得了相同和相近似的结果，这里不再一一详述，试验表明，本方法易操作，稳定可靠，可有效用于河流水质的快速预测，利于河流建立良好的生态环境，有很强的实用性，经济和社会效益显著。
Claims (10)
1.一种河流水质预测方法，其特征在于，该方法包括以下具体步骤：
（1）对被预测河流，利用Google Earth里“添加路径”的功能，描绘出被预测河流的具体边界，并将该边界导出为.kml格式文件；
（2）在ArcGIS软件中导入被预测河流边界的.kml文件，通过“Data Management Tools”中的“Feature Vertices To Points”工具将被预测河流边界转化为点；再通过“Projections and Transformations”工具将点的WGS 1984坐标转化为单位为米的WGS-1984-Alberts坐标；将转换后的被预测河流边界点位坐标存储为.p2d格式的文本文件；
（3）将被预测河流边界的.p2d文件导入CVLGrid1.0软件中，利用该软件对被预测河流进行网格划分，将划分好的被预测河流网格导出为.cvl文件；
（4）在EFDC-Explorer中导入被预测河流的.cvl网格文件，采用以下步骤建立被预测河流的水动力模型：
①按经验值确定被预测河流的初始水深；②利用已知的河底高程点采用插值的方法确定整个被预测河流的河底高程；③利用经验系数法确定被预测河道曼宁粗糙系数；④确定被预测河流的各个入流边界的流量时间序列，和出流边界水位的时间序列，入流边界包括上游来水和各污染源以及支流汇入；⑤将各流量时间序列与具体的河流网格关联起来，建立流量边界，将出流边界水位的时间序列与具体的河流网格关联起来，建立开边界；⑥确定模拟的开始和结束时间，采用动态时间步长对水动力模型进行模拟，而后对其进行率定，满足模型误差要求；⑦在率定好的水动力模型的基础上，采用与率定所用数据完全不同的时间序列对模型进行验证，满足误差要求；
（5）在建立水动力模型的基础上，采用以下步骤建立被预测河流的水质模型：方法是：
①设定被测河流水质时间序列，并与流量边界关联起来；②设定模拟的开始和结束时间，采用动态时间步长对水质模型进行模拟，而后调整衰减系数对水质模型进行率定，满足模型误差要求；③在率定好的水质模型的基础上，采用与率定所用数据完全不同的时间序列对模型进行验证，满足误差要求；
（6）将被预测河流流量边界实时监控的流量和水质数据导入水质模型，根据所预测的时间，确定模拟开始时间和结束时间，采用动态时间步长进行模拟，得到未来一段时间内被预测河流的水质分布情况，实现对被预测河流的水质预测。
2.根据权利要求1所述的一种河流水质预测方法，其特征在于：步骤（1）所述的利用Google Earth里“添加路径”的功能，描绘出被预测河流的具体边界必须为闭合的路径曲线，且与被预测河流最新的卫星地图影像相吻合。
3.根据权利要求1所述的一种河流水质预测方法，其特征在于：步骤（2）所述的.p2d格式的文本文件是由WGS-1984-Alberts坐标系下的每个被预测河流边界点的坐标构成，每个坐标占一行，左侧横坐标为WGS 1984坐标系下的经度，右侧纵坐标为WGS 1984坐标系下的纬度，中间为空格。
4.根据权利要求1所述的一种河流水质预测方法，其特征在于：步骤（3）所述的对被预测河流进行网格划分的方法为：①在“Layer Control”面板中新建“Spline”图层，利用“Draw a New Spline”功能分别沿着被预测河流左右边界进行描线，两条边线不能交叉；②描完被预测河流的左右边界以后，在河流横向分段添加截线，截线要尽可能与两条边垂直，每条截线之间不能交叉；③利用“Generate Grid”功能生成被预测河流网格，其中“I-CellsNumber”为被预测河流每2条截线之间的网格数， “J-Cells Number”为被预测河流横向的网格数，定为1。
5.根据权利要求1所述的一种河流水质预测方法，其特征在于：步骤（4）中步骤③所述的利用经验系数法设置河道曼宁粗糙系数为下表：
。
6.根据权利要求1所述的一种河流水质预测方法，其特征在于：步骤（4）中步骤④、⑤和步骤（5）中步骤①所述的时间序列是由时间和流量、水质浓度或水位2列数据构成的序列，其时间为“Julian Date”，计算方法由下式给出：
式中：I为年，J为月，K为日，若将某一参考日期的Julian Date设置为0，则其他日期的Julian Date为两个Julian Date之间的差值。
7.根据权利要求1所述的一种河流水质预测方法，其特征在于：步骤（4）中步骤⑤和步骤（5）中步骤①所述的时间序列与具体的河流网格关联起来是指在各边界位置所对应的网格上建立边界条件，流量边界需将该边界的流量设置为对应的流量时间序列，水质设置为对应的水质时间序列，出流边界则只需将其水位设置为对应的水质时间序列。
8.根据权利要求1所述的一种河流水质预测方法，其特征在于：步骤（4）中步骤⑥和步骤（5）中步骤②所述的模拟的开始和结束时间中，结束时间是指实际需要考察的时间段的结束时间，而开始时间需要较实际需要考察的开始时间提前一段时间，以此保证实际需要考察的时间开始时河流达到较为准确的初始状态；所述的动态时间步长是指，在EFDC-Explorer中将时间步长设置为1s以下的参考值，安全系数为0.5以下，则模型计算时会根据计算情况自动调整时间步长，提高模型的适应能力，以防计算出现错误。
9.根据权利要求1所述的一种河流水质预测方法，其特征在于：步骤（4）中步骤⑥、⑦和步骤（5）中步骤②、③所述的满足误差要求是指，模拟值与实测值多组数据的平均相对误差在下表所述的范围内，模拟值见下表：
。
10.根据权利要求1所述的一种河流水质预测方法，其特征在于：步骤（6）所述的将各流量边界实时监控的流量和水质数据导入水质模型是指将当前实时日期及其之前一段保证涵盖开始时间的流量和水质监测数据导入流量边界，当前实时）日期之后的时间序列不做更改；所述的设置模拟开始时间和结束时间中结束时间是指所需预测的时间段的终止时间，开始时间需较当前实时的时间提前一段时间，以保证模拟至当前时间时，河流处于较为准确的状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710250354.5A CN107091911B (zh) | 2017-04-17 | 2017-04-17 | 一种河流水质预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710250354.5A CN107091911B (zh) | 2017-04-17 | 2017-04-17 | 一种河流水质预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107091911A true CN107091911A (zh) | 2017-08-25 |
| CN107091911B CN107091911B (zh) | 2020-01-31 |
Family
ID=59637417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710250354.5A Active CN107091911B (zh) | 2017-04-17 | 2017-04-17 | 一种河流水质预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107091911B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107991454A (zh) * | 2018-01-17 | 2018-05-04 | 南开大学 | 一种水质污染源分析方法 |
| CN108152468A (zh) * | 2018-01-26 | 2018-06-12 | 中冶华天工程技术有限公司 | 一种基于大数据的水质健康评估方法和装置 |
| CN109034442A (zh) * | 2018-05-25 | 2018-12-18 | 天津大学 | 一种暴雨时期河道干流富营养化状态响应的预测方法 |
| CN109145499A (zh) * | 2018-09-13 | 2019-01-04 | 江苏卓易信息科技股份有限公司 | 基于河道多态计算及Arima模型的权重组合水质预测方法 |
| CN109448124A (zh) * | 2018-11-06 | 2019-03-08 | 北京英视睿达科技有限公司 | 水质模拟方法和装置 |
| CN109523144A (zh) * | 2018-10-25 | 2019-03-26 | 国科创（北京）信息技术有限公司 | 一种流域水环境业务化运行管理系统及方法 |
| CN109558652A (zh) * | 2018-11-15 | 2019-04-02 | 同济大学 | 一种河网水质模型计算结果的辅助校正方法 |
| CN109828091A (zh) * | 2019-02-22 | 2019-05-31 | 广东粤港供水有限公司 | 藻类监控系统及方法 |
| CN110967461A (zh) * | 2019-12-19 | 2020-04-07 | 浙江清华长三角研究院 | 一种基于gis技术实现河流水质动态分布的方法 |
| CN111105061A (zh) * | 2018-10-26 | 2020-05-05 | 光大水务科技发展（南京）有限公司 | 一种河流水质的预测方法、预测装置及终端 |
| CN111310674A (zh) * | 2020-02-20 | 2020-06-19 | 生态环境部卫星环境应用中心 | 基于网格划分技术的河流生态缓冲带遥感监测方法和装置 |
| CN112529240A (zh) * | 2020-09-14 | 2021-03-19 | 桂林电子科技大学 | 一种大气环境数据的预测方法、系统、装置及存储介质 |
| CN114595631A (zh) * | 2022-03-07 | 2022-06-07 | 中电万维信息技术有限责任公司 | 一种基于efdc模型和机器学习算法的水质预测方法 |
| CN117744494A (zh) * | 2023-12-26 | 2024-03-22 | 中国水利水电科学研究院 | 一种基于非嵌入式模态分解算法的河道水质智能模拟方法 |
| CN118225995A (zh) * | 2024-05-22 | 2024-06-21 | 宁波瀚陆海洋科技有限公司 | 一种海湾氮磷污染物监测方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101865689A (zh) * | 2010-06-04 | 2010-10-20 | 中国科学院南海海洋研究所 | 一种流域咸潮预测方法 |
| CN103218485A (zh) * | 2013-04-03 | 2013-07-24 | 郑州大学 | 一种gis技术支持下的小流域环境容量计算方法 |
| CN104750972A (zh) * | 2015-01-30 | 2015-07-01 | 长江水利委员会水文局 | 复杂水网地区楔形水体容积的计算方法 |
| CN106202265A (zh) * | 2016-06-29 | 2016-12-07 | 武汉大学 | 流域大尺度复杂河网海量精细规则网格的绘编方法 |
-
2017
- 2017-04-17 CN CN201710250354.5A patent/CN107091911B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101865689A (zh) * | 2010-06-04 | 2010-10-20 | 中国科学院南海海洋研究所 | 一种流域咸潮预测方法 |
| CN103218485A (zh) * | 2013-04-03 | 2013-07-24 | 郑州大学 | 一种gis技术支持下的小流域环境容量计算方法 |
| CN104750972A (zh) * | 2015-01-30 | 2015-07-01 | 长江水利委员会水文局 | 复杂水网地区楔形水体容积的计算方法 |
| CN106202265A (zh) * | 2016-06-29 | 2016-12-07 | 武汉大学 | 流域大尺度复杂河网海量精细规则网格的绘编方法 |
Non-Patent Citations (2)
| Title |
|---|
| 曹霞等: "贾鲁河郑州段污染源与水质响应关系的模拟研究", 《环境工程》 * |
| 陈弘扬: "基于EFDC模型的淮南市水源水质预警研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107991454A (zh) * | 2018-01-17 | 2018-05-04 | 南开大学 | 一种水质污染源分析方法 |
| CN108152468A (zh) * | 2018-01-26 | 2018-06-12 | 中冶华天工程技术有限公司 | 一种基于大数据的水质健康评估方法和装置 |
| CN109034442A (zh) * | 2018-05-25 | 2018-12-18 | 天津大学 | 一种暴雨时期河道干流富营养化状态响应的预测方法 |
| CN109145499A (zh) * | 2018-09-13 | 2019-01-04 | 江苏卓易信息科技股份有限公司 | 基于河道多态计算及Arima模型的权重组合水质预测方法 |
| CN109145499B (zh) * | 2018-09-13 | 2023-02-10 | 江苏卓易信息科技股份有限公司 | 基于河道多态计算及Arima模型的权重组合水质预测方法 |
| CN109523144A (zh) * | 2018-10-25 | 2019-03-26 | 国科创（北京）信息技术有限公司 | 一种流域水环境业务化运行管理系统及方法 |
| CN109523144B (zh) * | 2018-10-25 | 2021-08-06 | 国科创（北京）信息技术有限公司 | 一种流域水环境业务化运行管理系统及方法 |
| CN111105061A (zh) * | 2018-10-26 | 2020-05-05 | 光大水务科技发展（南京）有限公司 | 一种河流水质的预测方法、预测装置及终端 |
| CN109448124A (zh) * | 2018-11-06 | 2019-03-08 | 北京英视睿达科技有限公司 | 水质模拟方法和装置 |
| CN109448124B (zh) * | 2018-11-06 | 2023-08-18 | 北京英视睿达科技股份有限公司 | 用于河道的水质模拟方法和装置 |
| CN109558652B (zh) * | 2018-11-15 | 2020-11-27 | 同济大学 | 一种河网水质模型计算结果的辅助校正方法 |
| CN109558652A (zh) * | 2018-11-15 | 2019-04-02 | 同济大学 | 一种河网水质模型计算结果的辅助校正方法 |
| CN109828091A (zh) * | 2019-02-22 | 2019-05-31 | 广东粤港供水有限公司 | 藻类监控系统及方法 |
| CN110967461A (zh) * | 2019-12-19 | 2020-04-07 | 浙江清华长三角研究院 | 一种基于gis技术实现河流水质动态分布的方法 |
| CN110967461B (zh) * | 2019-12-19 | 2020-08-25 | 浙江清华长三角研究院 | 一种基于gis技术实现河流水质动态分布的方法 |
| CN111310674A (zh) * | 2020-02-20 | 2020-06-19 | 生态环境部卫星环境应用中心 | 基于网格划分技术的河流生态缓冲带遥感监测方法和装置 |
| CN112529240A (zh) * | 2020-09-14 | 2021-03-19 | 桂林电子科技大学 | 一种大气环境数据的预测方法、系统、装置及存储介质 |
| CN112529240B (zh) * | 2020-09-14 | 2024-05-07 | 桂林电子科技大学 | 一种大气环境数据的预测方法、系统、装置及存储介质 |
| CN114595631A (zh) * | 2022-03-07 | 2022-06-07 | 中电万维信息技术有限责任公司 | 一种基于efdc模型和机器学习算法的水质预测方法 |
| CN114595631B (zh) * | 2022-03-07 | 2024-04-19 | 中电万维信息技术有限责任公司 | 一种基于efdc模型和机器学习算法的水质预测方法 |
| CN117744494A (zh) * | 2023-12-26 | 2024-03-22 | 中国水利水电科学研究院 | 一种基于非嵌入式模态分解算法的河道水质智能模拟方法 |
| CN117744494B (zh) * | 2023-12-26 | 2024-09-17 | 中国水利水电科学研究院 | 一种基于非嵌入式模态分解算法的河道水质智能模拟方法 |
| CN118225995A (zh) * | 2024-05-22 | 2024-06-21 | 宁波瀚陆海洋科技有限公司 | 一种海湾氮磷污染物监测方法和系统 |
| CN118225995B (zh) * | 2024-05-22 | 2024-08-02 | 宁波瀚陆海洋科技有限公司 | 一种海湾氮磷污染物监测方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107091911B (zh) | 2020-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107091911A (zh) | 一种河流水质预测方法 | |
| CN112182866B (zh) | 一种基于水环境耦合模型的水质快速模拟方法和系统 | |
| CN104392111B (zh) | 基于水位样本的洪水预报方法 | |
| Betrie et al. | Linking SWAT and SOBEK using open modeling interface (OPENMI) for sediment transport simulation in the Blue Nile River basin | |
| CN108629055B (zh) | 一种基于饱和输沙原理的沙质内河航道回淤量预报方法 | |
| CN111428972A (zh) | 基于swmm与efdc耦合模型的调蓄工程环境效应评估方法及装置 | |
| CN108986222A (zh) | 无汊河道数字地形生成方法 | |
| Fathi-Moghadam et al. | Physical and numerical modeling of submerged vegetation roughness in rivers and flood plains | |
| Leake et al. | A new capture fraction method to map how pumpage affects surface water flow | |
| CN114881544B (zh) | 一种水库流量调控方法、装置、电子设备及存储介质 | |
| CN111090902B (zh) | 一种基于地下水模型的坎儿井数值模拟方法 | |
| CN106021720A (zh) | 一种大体积混凝土水管冷却温度场的模拟方法 | |
| Refsgaard et al. | An integrated model for the Danubian Lowland–methodology and applications | |
| CN111199298B (zh) | 基于神经网络的洪水预报方法与系统 | |
| CN115689058A (zh) | 一种确定大型水库工程生态调度的方法 | |
| Bittinger et al. | Mathematical simulations for better aquifer management | |
| Chang et al. | Salinity mixing in a tidal multi-branched estuary with huge and variable runoff | |
| Si-min et al. | Water-stage forecasting in a multitributary tidal river using a bidirectional Muskingum method | |
| Sup et al. | Rainfall-runoff modeling using HEC-HMS for Wan river basin | |
| Luo | A distributed surface flow model for watersheds with large water bodies and channel loops | |
| CN115906346A (zh) | 一种适用于城市尺度的内涝防治径流量模拟方法 | |
| CN112967354B (zh) | 一种基于有限固定断面地形与遥感影像资料生成二维地形的方法 | |
| Zhao et al. | Ecological water requirement accounting of the main stream of the Yellow River from the perspective of habitat conservation | |
| Thakur et al. | Exploring CCHE2D and its sediment modelling capabilities | |
| CN114757049A (zh) | 流域污水处理厂提标改造的必要性分析验证方法 |
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 |