CN107451682A - 一种基于神经网络的城市感潮河段生态需水量预测方法 - Google Patents
一种基于神经网络的城市感潮河段生态需水量预测方法 Download PDFInfo
- Publication number
- CN107451682A CN107451682A CN201710568577.6A CN201710568577A CN107451682A CN 107451682 A CN107451682 A CN 107451682A CN 201710568577 A CN201710568577 A CN 201710568577A CN 107451682 A CN107451682 A CN 107451682A
- Authority
- CN
- China
- Prior art keywords
- monthly
- city
- tidal reach
- water requirement
- reach
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 154
- 230000007935 neutral effect Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 26
- 150000003839 salts Chemical class 0.000 claims abstract description 58
- 239000010865 sewage Substances 0.000 claims abstract description 29
- 239000013535 sea water Substances 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims abstract description 5
- 238000011068 loading method Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000001556 precipitation Methods 0.000 claims description 11
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000002351 wastewater Substances 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 2
- 230000032696 parturition Effects 0.000 claims 1
- 238000011160 research Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010297 mechanical methods and process Methods 0.000 description 2
- 230000005226 mechanical processes and functions Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000004457 water analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于神经网络的城市感潮河段生态需水量预测方法，属于生态水文领域。该方法首先统计近若干年城市感潮河段入海口的每月海水盐度和入海水量，得到该河段每月盐平衡需水量，建立城市感潮河段每月盐平衡需水量预测网络；然后分别获取该河段每月的平均降雨量，平均海表温度，污水排放总量和生态需水量，建立城市感潮河段每月生态需水量预测网络；分别获取未来某年每月该河段污水排放总量预测值，每月入海水量预测值和每月平均降雨量预测值，输入生态需水量预测网络，输出不同条件下城市感潮河段的生态需水量预测结果。本发明综合考虑城市感潮河段的特殊性质，符合实际情况，预测河段生态需水量在未来的变化情况，为决策部门提供参考。
Description
技术领域
本发明属于生态水文领域，具体涉及一种基于神经网络的城市感潮河段生态需水量预测方法。
背景技术
随着经济的迅猛发展，人们对水资源的需求量越来越大，使得水量不断减少，水质不断恶化，生态系统遭到破坏，从而影响了人们的生活质量，阻碍了经济的持续发展，区域生态安全受到威胁。生态环境需水问题研究对于改善区域生态系统状况，促进地区人与自然和谐相处有重要的意义。
但是，目前关于生态环境需水量的研究还处于初级阶段，确定生态环境需水量的方法还很不成熟，计算得到的生态环境需水量存在比较大的偏差，这就给在水资源配置过程中合理的分配生态环境需水量，造成了不小的困难，因此有必要对生态环境的需水规律、计算方法进行研究，为治理生态环境恶化提供必要条件。
河流常被人们称为地球的动脉，是地球陆地表面因流水作用而形成的典型地貌类型。河流可以汇集和接纳地表径流，连通内陆和大海，是自然界能量流动和物质循环的一个重要途径。近几年在河流整治过程中，发现河流生态环境恶化严重，因而对河流生态环境状况的改善深感忧虑。
随着城市人口的集中和工农业的高度发展，人们利用城市河流的频率越来越高，生态需求量越来越大；另一方面由于人们自然改造能力的增强，在自然资源的开发利用的过程中，产生了三废：废水、废气、废渣，通过不同的渠道进入河流，严重损坏了城市河流生态系统。受到对河流追求最大功利性原理的驱动，人们只看到河流的经济功能，而忽视河流生态环境功能：其结果是使得河流水量日益减少，污染严重，环境质量日益下降。
以往生态环境需水研究的河流基本是有上游和沿途汇集的天然来水来满足需水要求；而城市河流由于人工控制设施多，天然来流少，国内对城市河流的生态环境需水研究还比较少，特别是针对城市感潮河段(感潮河段指的是河口至潮区界的河段)生态环境需水的研究更是处于起步阶段，对城市感潮河段生态环境需水特点、需水变化的影响因素的研究还没有。
城市感潮河段生态环境需水主要受两类因素的影响：一类是河道生态系统本身的结构特征，如植被类型、空间结构等，如感潮河流受潮汐作用影响等；另一类是影响河道生态系统的外界环境因子，如气候、降水、蒸发、以及城市河道沿岸排污口均会对河道的生态环境需水产生影响。在上述两类影响因素中以外界排入河道的污水和感潮河段生态系统本身空间结构对河道生态环境需水影响最大。
目前的城市感潮河段生态需水分析方法具有很大的局限性。不论是使用水文学法(又称为标准设定法，其计算依据是各类水文要素对流量的设定范围，比较具有代表性的方法包括设定平均流量的百分比或自然流量的保证率等)还是水力定额法(如果将河流平均深度、平均流速和湿周长度等作为反映生物栖息地质量的水力学指标,且在浅滩栖息地能够使这些指标保持在相当满意的水平上,那么也足以维护生物体和水生生境健康)进行生态需水量的计算，都没有考虑到城市感潮河段的自身特性：首先，上述方法没有将城市污水纳入影响河段生态需水的范畴中；其次，上述方法没有考虑到潮汐的顶托作用对感潮河段生态需水的影响，故所计算出的生态需水量并不能反映实际情况。此外，目前也并没有相关的预测模型用来预测城市感潮河段的生态需水。
BP神经网络是目前应用最为广泛的神经网络模型，作为一种智能信息处理系统，在许多领域已经开始发挥重要的作用。BP神经网络被引入水文领域以来，补充了传统的数学方法的弊端，为水文预测提供了新的手段。但目前该网络在生态领域的运用并不多，更没有将BP神经网络用于某一个特定生态环境区域生态需水量研究的例子。
发明内容
本发明的目的是为克服已有技术的不足之处，提出一种基于神经网络的城市感潮河段生态需水量预测方法。本发明考虑了城市化和感潮河段潮汐作用的影响，对城市感潮河段的生态需水进行了预测分析，对城市河流的生态环境需水研究有很高的实用价值。
本发明提出的一种基于神经网络的城市感潮河段生态需水量预测方法，其特征在于，包括以下步骤：
1)统计近N年待分析城市感潮河段入海口盐度测站的每月海水盐度和入海口的每月入海水量，根据城市感潮河段主要生物类型及其耐盐度，计算近N年的该城市感潮河段每月盐平衡需水量，表达如下：
式中，A为城市感潮河段每月盐平衡需水量，S为入海口盐度测站所测每月海水盐度，O为城市感潮河段主要生物耐盐度，R为入海口每月入海水量；
2)构建一个BP神经网络，该神经网络的输入为城市感潮河段入海口的每月入海水量R，输出为城市感潮河段每月盐平衡需水量A；将步骤1)的得到的近N年的每月数据，包括：城市感潮河段入海口的每月入海水量R和感潮河段每月盐平衡需水量A，按时间顺序平均分成4组，任意选取其中3组作为训练数据用来训练该神经网络，第4组数据作为测试数据用来检测该神经网络的预测效果，并利用相关系数r1来评价该神经网络预测的效果：当r1小于设定阈值L1时，则重新训练该神经网络，得到新的相关系数r1；若r1大于等于设定阈值L1时，则保存该神经网络，该神经网络即为城市感潮河段每月盐平衡需水量预测网络；
相关系数r1的表达式如下：
式中，X1为输入测试数据中城市感潮河段入海口的每月入海水量后通过感潮河段每月盐平衡需水量预测网络得到的城市感潮河段每月盐平衡需水量的预测值，Y1为步骤1)计算得到的测试数据中感潮河段每月盐平衡需水量的实际值；Cov(X1，Y1)为X1，Y1的协方差，Var[X1]为X1的方差，Var[Y1]为Y1的方差；
3)选取该城市感潮河段具有代表性的M个雨量站；统计每个雨量站近N年每月降雨量；
4)计算步骤3)选取的M个雨量站的近N年每月降雨量的平均值，作为近N年该城市感潮河段每月平均降雨量B；
5)统计近N年该城市感潮河段入海口的每月最高海表温度和最低海表温度；
6)根据步骤5)统计得到的近N年的每月最高海表温度和最低海表温度，计算每月最高海表温度和最低海表温度的平均值，得到近N年的每月平均海表温度C；
7)统计近N年该城市感潮河段周围每月排入主河段的污水量，得到近N年每月污水排放总量D；
8)统计该城市感潮河段每月入海口输沙量，得到近5年每月城市感潮河段输沙量E；
9)根据步骤1)得到的近N年入海口每月入海水量R，将各月入海水量的10％作为每月生态需水量Z；
10)重复步骤2)，运用BP神经网络建立城市感潮河段每月生态需水量预测网络；该神经网络的输入为每月平均降雨量B、每月平均海表温度C、城市感潮河段每月盐平衡需水量A、每月污水排放总量D和每月城市感潮河段输沙量E，输出为每月生态需水量Z；
利用相关系数r2评价该神经网络预测的效果：当r2小于设定阈值L2时，则重新训练该BP神经网络，得到新的相关系数r2；当r2大于等于设定阈值L2时，则保存该神经网络，该神经网络即为城市感潮河段每月生态需水量的预测网络；
相关系数r2的表达式如下：
式中，X2为输入测试数据中每月平均降雨量B、每月平均海表温度C、城市感潮河段每月盐平衡需水量A、每月污水排放总量D和每月城市感潮河段输沙量E后通过城市感潮河段生态需水量预测网络得到的城市感潮河段每月生态需水量的预测值，Y2为步骤9)计算得到的测试数据中每月生态需水量的实际值；Cov(X2，Y2)为X2，Y2的协方差，Var[X2]为X2的方差，Var[Y2]为Y2的方差；
11)利用步骤10)得到的城市感潮河段每月生态需水量预测网络，预测城市感潮河段的生态需水量；具体方法如下：
11-1)得到未来某年每月该城市感潮河段主要排污口的污水排放量作为每月污水排放总量的预测值D′，并分别计算近N年每月平均降雨量的平均值、每月平均海表温度的平均值、城市感潮河段每月盐平衡需水量的平均值和每月城市感潮河段输沙量的平均值；将上述各平均值和D′输入步骤10)得到的城市感潮河段生态需水量预测网络，得到城市建设影响下城市感潮河段在未来某年每月的生态需水量的预测结果；
11-2)通过未来某年每月入海水量的预测值，输入步骤2)得到的城市感潮河段每月盐平衡需水量预测网络，得到未来某年每月城市感潮河段每月盐平衡需水量的预测值A′；分别计算近N年每月平均降雨量的平均值、每月平均海表温度的平均值、每月污水排放总量的平均值和每月城市感潮河段输沙量的平均值；将上述各平均值和A′输入步骤10)得到的城市感潮河段生态需水量预测网络，得到城市感潮河段盐平衡影响下城市感潮河段生态需水量的预测结果；
11-3)收集气候变化条件下未来某年每月的平均降雨量预测值B′，分别计算近N年每月平均海表温度的平均值、每月污水排放总量的平均值、城市感潮河段每月盐平衡需水量的平均值和每月城市感潮河段输沙量的平均值；将上述各平均值和B′输入城市感潮河段生态需水量预测网络，得到气候变化影响下城市感潮河段生态需水量的预测结果。
本发明的特点及有益效果在于：
(1)本发明综合考虑了城市感潮河段的特殊性质，将降雨资料、海表温度、感潮河段盐平衡需水量、污水排放总量和输沙量作为影响生态需水量的影响因素，符合城市感潮河段的实际情况。
(2)本发明通过建立的感潮河段盐平衡需水量预测网络，可以预测感潮河段的盐平衡需水量；通过建立的城市感潮河段生态需水量预测网络，并根据规划资料预测未来生态需水量，供决策部门参考。
具体实施方式
本发明提出的一种基于神经网络的城市感潮河段生态需水量预测方法，下面结合具体实施例，对本发明做进一步说明。
本发明提出的一种基于神经网络的城市感潮河段生态需水量预测方法，包括以下步骤：
1)统计近N年(N的取值范围为5-10年，本实施例为5年)待分析城市感潮河段入海口盐度测站的每月海水盐度和入海口的每月入海水量，根据城市感潮河段主要生物类型,查阅相关生物文献，确定其适应盐度的能力，计算近N年的该感潮河段每月盐平衡需水量A，表达如下：
式中，A为城市感潮河段每月盐平衡需水量，S为入海口盐度测站所测每月海水盐度，O为城市感潮河段主要生物耐盐度，R为入海口每月入海水量；
2)根据步骤1)统计的近N年城市感潮河段入海口的每月入海水量R和计算得到的近N年的城市感潮河段每月盐平衡需水量A，运用BP神经网络建立城市感潮河段每月盐平衡需水量的预测网络，该网络的输入为城市感潮河段入海口的每月入海水量R，输出为城市感潮河段每月盐平衡需水量A；具体方法如下：
构建一个BP神经网络，将步骤1)的得到的近N年(本实施例为5年)的每月数据(包括：城市感潮河段入海口的每月入海水量R和感潮河段每月盐平衡需水量A)按时间按顺序平均分成4组，任意选取其中3组作为训练数据用来训练该神经网络，第4组数据作为测试数据用来检测该神经网络的预测效果，并利用相关系数r1来评价该神经网络预测的效果：当r1小于设定阈值L1时(阈值L1的取值范围0.80-0.90，本实施例为0.85)，则重新训练该神经网络，得到新的相关系数r1(重新训练神经网络时，训练数据和测试数据保持不变)；若r1大于等于设定阈值L1时，则保存该神经网络，该神经网络即为城市感潮河段每月盐平衡需水量预测网络；相关系数r1的表达式如下：
式中，X1为输入测试数据中城市感潮河段入海口的每月入海水量后通过感潮河段每月盐平衡需水量预测网络得到的城市感潮河段每月盐平衡需水量的预测值，Y1为步骤1)计算得到的测试数据中感潮河段每月盐平衡需水量的实际值；Cov(X1，Y1)为X1，Y1的协方差，Var[X1]为X1的方差，Var[Y1]为Y1的方差；
3)选取该城市感潮河段具有代表性的M个(3-5个雨量站)(本实施例为3个)雨量站；代表性的雨量站位于所分析城市感潮河段所在流域，并且其降雨资料代表性好；统计每个雨量站近N年(本实施例为5年)每月降雨量；
4)计算步骤3)选取的M个雨量站的近N年每月降雨量的平均值，作为近N年该城市感潮河段每月平均降雨量B；
5)根据该城市感潮河段入海口的海表温度监测资料，统计近N年(本实施例为近5年)的每月最高海表温度和最低海表温度；
6)根据步骤5)统计得到的近N年的每月最高海表温度和最低海表温度，计算每月最高海表温度和最低海表温度的平均值，得到近N年的每月平均海表温度C；
7)统计近N年所分析城市感潮河段周围每月排入主河段的污水量，得到近N年每月污水排放总量D；
8)统计该城市感潮河段每月入海口输沙量，得到近5年每月感潮河段输沙量E；
9)根据步骤1)得到的近N年入海口每月入海水量R，将各月入海水量的10％作为每月生态需水量Z；
10)重复步骤2)，运用BP神经网络建立城市感潮河段每月生态需水量预测网络；该神经网络的输入为每月平均降雨量B、每月平均海表温度C、城市感潮河段每月盐平衡需水量A、每月污水排放总量D和每月感潮河段输沙量E，输出为每月生态需水量Z；具体方法如下：
构建一个BP神经网络，将近N年(本实施例为5年)的每月数据(包括：每月平均降雨量B、每月平均海表温度C、城市感潮河段每月盐平衡需水量A、每月污水排放总量D、每月城市感潮河段输沙量E和的每月生态需水量Z按时间顺序平均分成4组，选取其中任意3组数据作为训练数据用来训练该BP神经网络，第4组数据作为测试数据用于检测该神经网络的预测效果，并利用相关系数r2来评价该神经网络预测的效果：当r2小于设定阈值L2时，则重新训练该BP神经网络，得到新的相关系数r2；当r2大于等于设定阈值L2(阈值L2的取值范围为0.80-0.90，本实施例设定的阈值为0.85)时，则保存该神经网络，该神经网络为城市感潮河段每月生态需水量预测网络；
相关系数r2的表达式如下：
式中，X2为输入测试数据中每月平均降雨量B、每月平均海表温度C、城市感潮河段每月盐平衡需水量A、每月污水排放总量D和每月城市感潮河段输沙量E后通过城市感潮河段生态需水量预测网络得到的城市感潮河段每月生态需水量的预测值，Y2为步骤9)计算得到的测试数据中每月生态需水量的实际值；Cov(X2，Y2)为X2，Y2的协方差，Var[X2]为X2的方差，Var[Y2]为Y2的方差；
11)利用步骤10)得到的城市感潮河段每月生态需水量预测网络，预测城市感潮河段的生态需水量；
城市感潮河段生态环境需水主要受两类因素的影响：一类是河道生态系统本身的结构特征，如感潮河流受潮汐作用影响等；另一类是影响河道生态系统的外界环境因子，特别是城市河道沿岸排污口会对河道的生态环境需水产生影响。本发明可以提供给城市感潮河段生态需水量分析和预测有效的参考信息。具体来说，通过建立的城市感潮河段生态需水量分析预测网络，将降雨量、输沙量的均值或极值情况输入分析预测网络，其他输入取近5年平均，可以分析降雨量、输沙量对城市感潮河段生态需水量的影响；通过收集城市规划中河段排污量的预测资料，其他输入取近5年平均，可以预测城市建设影响下未来的河段生态需水量，通过预测感潮河段盐平衡需水量，其他输入取近5年平均，可以预测感潮河段影响下未来的河段生态需水量。
本发明通过三种不同的方式对城市感潮河段的生态需水量进行预测，具体方法如下：
11-1)通过收集该地区城市建设规划资料，得到未来某年每月该城市感潮河段
主要排污口的污水排放量作为每月污水排放总量的预测值D′，并分别计算近N年(本实施例为5年)每月平均降雨量的平均值、每月平均海表温度的平均值、城市感潮河段每月盐平衡需水量的平均值和每月城市感潮河段输沙量的平均值；将上述各平均值和D′输入步骤10)得到的城市感潮河段生态需水量预测网络，得到城市建设影响下城市感潮河段在未来某年每月的生态需水量的预测结果，供规划参考；
11-2)通过未来某年每月入海水量的预测值，输入步骤2)得到的城市感潮河段每月盐平衡需水量预测网络，得到未来某年每月城市感潮河段每月盐平衡需水量的预测值A′；分别计算近N年(本实施例为5年)每月平均降雨量的平均值、每月平均海表温度的平均值、每月污水排放总量的平均值和每月城市感潮河段输沙量的平均值；将上述各平均值和A′输入步骤10)得到的城市感潮河段生态需水量预测网络，得到城市感潮河段盐平衡影响下城市感潮河段生态需水量的预测结果，供规划参考；
11-3)收集气候变化条件下未来某年每月的平均降雨量预测值B′，分别计算近N年(本实施例为5年)每月平均海表温度的平均值、每月污水排放总量的平均值、城市感潮河段每月盐平衡需水量的平均值和每月城市感潮河段输沙量的平均值；将上述各平均值和B′输入城市感潮河段生态需水量预测网络，得到气候变化影响下城市感潮河段生态需水量的预测结果，供规划参考。
在实际操作过程中，可以根据需要重点研究降雨、盐平衡需水量或排污量某一个因素主要影响下未来的生态需水量，也可以在城市规划过程中综合分析降雨、盐平衡需水量和排污量影响下的不同生态需水量，为规划提供参考依据。
在实际操作过程中，可通过MATLAB中的神经网络工具箱实现建立BP神经网络模型，也可根据vb、c语言等编程语言实现建立BP神经网络模型。
上面结合实施例对本发明进行了示例性的描述，显然本发明的实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。
Claims (1)
1.一种基于神经网络的城市感潮河段生态需水量预测方法，其特征在于，包括以下步骤：
1)统计近N年待分析城市感潮河段入海口盐度测站的每月海水盐度和入海口的每月入海水量，根据城市感潮河段主要生物类型及其耐盐度，计算近N年的该城市感潮河段每月盐平衡需水量，表达如下：
<mrow>
<mi>A</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>O</mi>
<mo>&CenterDot;</mo>
<mi>R</mi>
</mrow>
<mi>S</mi>
</mfrac>
</mrow>
式中，A为城市感潮河段每月盐平衡需水量，S为入海口盐度测站所测每月海水盐度，O为城市感潮河段主要生物耐盐度，R为入海口每月入海水量；
2)构建一个BP神经网络，该神经网络的输入为城市感潮河段入海口的每月入海水量R，输出为城市感潮河段每月盐平衡需水量A；将步骤1)的得到的近N年的每月数据，包括：城市感潮河段入海口的每月入海水量R和感潮河段每月盐平衡需水量A，按时间顺序平均分成4组，任意选取其中3组作为训练数据用来训练该神经网络，第4组数据作为测试数据用来检测该神经网络的预测效果，并利用相关系数r1来评价该神经网络预测的效果：当r1小于设定阈值L1时，则重新训练该神经网络，得到新的相关系数r1；若r1大于等于设定阈值L1时，则保存该神经网络，该神经网络即为城市感潮河段每月盐平衡需水量预测网络；
相关系数r1的表达式如下：
<mrow>
<mi>r</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mn>1</mn>
<mo>,</mo>
<mi>Y</mi>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>C</mi>
<mi>o</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mn>1</mn>
<mo>,</mo>
<mi>Y</mi>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<mi>V</mi>
<mi>a</mi>
<mi>r</mi>
<mo>&lsqb;</mo>
<mi>X</mi>
<mn>1</mn>
<mo>&rsqb;</mo>
<mi>V</mi>
<mi>a</mi>
<mi>r</mi>
<mo>&lsqb;</mo>
<mi>Y</mi>
<mn>1</mn>
<mo>&rsqb;</mo>
</mrow>
</msqrt>
</mfrac>
</mrow>
式中，X1为输入测试数据中城市感潮河段入海口的每月入海水量后通过感潮河段每月盐平衡需水量预测网络得到的城市感潮河段每月盐平衡需水量的预测值，Y1为步骤1)计算得到的测试数据中感潮河段每月盐平衡需水量的实际值；Cov(X1，Y1)为X1，Y1的协方差，Var[X1]为X1的方差，Var[Y1]为Y1的方差；
3)选取该城市感潮河段具有代表性的M个雨量站；统计每个雨量站近N年每月降雨量；
4)计算步骤3)选取的M个雨量站的近N年每月降雨量的平均值，作为近N年该城市感潮河段每月平均降雨量B；
5)统计近N年该城市感潮河段入海口的每月最高海表温度和最低海表温度；
6)根据步骤5)统计得到的近N年的每月最高海表温度和最低海表温度，计算每月最高海表温度和最低海表温度的平均值，得到近N年的每月平均海表温度C；
7)统计近N年该城市感潮河段周围每月排入主河段的污水量，得到近N年每月污水排放总量D；
8)统计该城市感潮河段每月入海口输沙量，得到近5年每月城市感潮河段输沙量E；
9)根据步骤1)得到的近N年入海口每月入海水量R，将各月入海水量的10％作为每月生态需水量Z；
10)重复步骤2)，运用BP神经网络建立城市感潮河段每月生态需水量预测网络；该神经网络的输入为每月平均降雨量B、每月平均海表温度C、城市感潮河段每月盐平衡需水量A、每月污水排放总量D和每月城市感潮河段输沙量E，输出为每月生态需水量Z；
利用相关系数r2评价该神经网络预测的效果：当r2小于设定阈值L2时，则重新训练该BP神经网络，得到新的相关系数r2；当r2大于等于设定阈值L2时，则保存该神经网络，该神经网络即为城市感潮河段每月生态需水量的预测网络；
相关系数r2的表达式如下：
<mrow>
<mi>r</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mn>2</mn>
<mo>,</mo>
<mi>Y</mi>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>C</mi>
<mi>o</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mn>2</mn>
<mo>,</mo>
<mi>Y</mi>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<mi>V</mi>
<mi>a</mi>
<mi>r</mi>
<mo>&lsqb;</mo>
<mi>X</mi>
<mn>2</mn>
<mo>&rsqb;</mo>
<mi>V</mi>
<mi>a</mi>
<mi>r</mi>
<mo>&lsqb;</mo>
<mi>Y</mi>
<mn>2</mn>
<mo>&rsqb;</mo>
</mrow>
</msqrt>
</mfrac>
</mrow>
式中，X2为输入测试数据中每月平均降雨量B、每月平均海表温度C、城市感潮河段每月盐平衡需水量A、每月污水排放总量D和每月城市感潮河段输沙量E后通过城市感潮河段生态需水量预测网络得到的城市感潮河段每月生态需水量的预测值，Y2为步骤9)计算得到的测试数据中每月生态需水量的实际值；Cov(X2，Y2)为X2，Y2的协方差，Var[X2]为X2的方差，Var[Y2]为Y2的方差；
11)利用步骤10)得到的城市感潮河段每月生态需水量预测网络，预测城市感潮河段的生态需水量；具体方法如下：
11-1)得到未来某年每月该城市感潮河段主要排污口的污水排放量作为每月污水排放总量的预测值D′，并分别计算近N年每月平均降雨量的平均值、每月平均海表温度的平均值、城市感潮河段每月盐平衡需水量的平均值和每月城市感潮河段输沙量的平均值；将上述各平均值和D′输入步骤10)得到的城市感潮河段生态需水量预测网络，得到城市建设影响下城市感潮河段在未来某年每月的生态需水量的预测结果；
11-2)通过未来某年每月入海水量的预测值，输入步骤2)得到的城市感潮河段每月盐平衡需水量预测网络，得到未来某年每月城市感潮河段每月盐平衡需水量的预测值A′；分别计算近N年每月平均降雨量的平均值、每月平均海表温度的平均值、每月污水排放总量的平均值和每月城市感潮河段输沙量的平均值；将上述各平均值和A′输入步骤10)得到的城市感潮河段生态需水量预测网络，得到城市感潮河段盐平衡影响下城市感潮河段生态需水量的预测结果；
11-3)收集气候变化条件下未来某年每月的平均降雨量预测值B′，分别计算近N年每月平均海表温度的平均值、每月污水排放总量的平均值、城市感潮河段每月盐平衡需水量的平均值和每月城市感潮河段输沙量的平均值；将上述各平均值和B′输入城市感潮河段生态需水量预测网络，得到气候变化影响下城市感潮河段生态需水量的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710568577.6A CN107451682B (zh) | 2017-07-13 | 2017-07-13 | 一种基于神经网络的城市感潮河段生态需水量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710568577.6A CN107451682B (zh) | 2017-07-13 | 2017-07-13 | 一种基于神经网络的城市感潮河段生态需水量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107451682A true CN107451682A (zh) | 2017-12-08 |
| CN107451682B CN107451682B (zh) | 2020-07-07 |
Family
ID=60488658
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710568577.6A Expired - Fee Related CN107451682B (zh) | 2017-07-13 | 2017-07-13 | 一种基于神经网络的城市感潮河段生态需水量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107451682B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107886160A (zh) * | 2017-10-25 | 2018-04-06 | 河北工程大学 | 一种bp神经网络区间需水预测方法 |
| CN108460519A (zh) * | 2018-01-31 | 2018-08-28 | 扬州大学 | 污染源重心概化下小型河道纳污能力风险估计方法 |
| CN108764473A (zh) * | 2018-05-23 | 2018-11-06 | 河北工程大学 | 一种基于相关分析的bp神经网络用水量预测方法 |
| CN109544397A (zh) * | 2018-12-05 | 2019-03-29 | 北京师范大学 | 耦合栖息地适应性与生态系统健康计算生态需水的方法 |
| CN110110890A (zh) * | 2019-03-28 | 2019-08-09 | 杭州电子科技大学 | 基于elman神经网络的日污水量预测方法 |
| CN110648030A (zh) * | 2019-10-31 | 2020-01-03 | 吉林大学 | 海水温度的预测方法及装置 |
| CN112966221A (zh) * | 2021-03-04 | 2021-06-15 | 江西省水利科学院 | 一种南方丰水地区考核年份用水总量折算方法 |
| CN113065713A (zh) * | 2021-04-14 | 2021-07-02 | 中国水利水电科学研究院 | 分段链式城市河湖生态补水预测方法 |
| CN115408934A (zh) * | 2022-08-17 | 2022-11-29 | 中国水利水电科学研究院 | 一种快速预测坝下游河道对水库出库水量和沙量变化响应的方法 |
| CN117520718A (zh) * | 2024-01-05 | 2024-02-06 | 长江水利委员会水文局长江中游水文水资源勘测局 | 一种感潮河流水文数据的处理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0814592A (ja) * | 1994-06-30 | 1996-01-19 | Noritz Corp | シャワー装置 |
| CN101308552A (zh) * | 2008-07-15 | 2008-11-19 | 沈阳建筑大学 | 新息递补多层非线性映射神经网络模型需水预测方法 |
| US20130319294A1 (en) * | 2010-09-13 | 2013-12-05 | Construction Research & Technology Gmbh | Use Of Compounds Containing Aluminium Oxide And Silicon Oxide For Producing A Hydrophilic Building Product |
| CN103679285A (zh) * | 2013-11-29 | 2014-03-26 | 河海大学 | 改善江湖关系的水库群联合运行调度系统及方法 |
| CN105243438A (zh) * | 2015-09-23 | 2016-01-13 | 天津大学 | 一种考虑径流不确定性的多年调节水库优化调度方法 |
| CN105512832A (zh) * | 2015-12-29 | 2016-04-20 | 杭州电子科技大学 | 基于时变权最小方差的城市需水量组合预测方法 |
-
2017
- 2017-07-13 CN CN201710568577.6A patent/CN107451682B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0814592A (ja) * | 1994-06-30 | 1996-01-19 | Noritz Corp | シャワー装置 |
| CN101308552A (zh) * | 2008-07-15 | 2008-11-19 | 沈阳建筑大学 | 新息递补多层非线性映射神经网络模型需水预测方法 |
| US20130319294A1 (en) * | 2010-09-13 | 2013-12-05 | Construction Research & Technology Gmbh | Use Of Compounds Containing Aluminium Oxide And Silicon Oxide For Producing A Hydrophilic Building Product |
| CN103679285A (zh) * | 2013-11-29 | 2014-03-26 | 河海大学 | 改善江湖关系的水库群联合运行调度系统及方法 |
| CN105243438A (zh) * | 2015-09-23 | 2016-01-13 | 天津大学 | 一种考虑径流不确定性的多年调节水库优化调度方法 |
| CN105512832A (zh) * | 2015-12-29 | 2016-04-20 | 杭州电子科技大学 | 基于时变权最小方差的城市需水量组合预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 聂思雨: "城市需水量模拟及不确定性分析方法研究", 《干旱区地理》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107886160B (zh) * | 2017-10-25 | 2021-03-26 | 河北工程大学 | 一种bp神经网络区间需水预测方法 |
| CN107886160A (zh) * | 2017-10-25 | 2018-04-06 | 河北工程大学 | 一种bp神经网络区间需水预测方法 |
| CN108460519A (zh) * | 2018-01-31 | 2018-08-28 | 扬州大学 | 污染源重心概化下小型河道纳污能力风险估计方法 |
| CN108460519B (zh) * | 2018-01-31 | 2021-09-24 | 扬州大学 | 污染源重心概化下小型河道纳污能力风险估计方法 |
| CN108764473A (zh) * | 2018-05-23 | 2018-11-06 | 河北工程大学 | 一种基于相关分析的bp神经网络用水量预测方法 |
| CN109544397A (zh) * | 2018-12-05 | 2019-03-29 | 北京师范大学 | 耦合栖息地适应性与生态系统健康计算生态需水的方法 |
| CN109544397B (zh) * | 2018-12-05 | 2021-05-25 | 北京师范大学 | 耦合栖息地适应性与生态系统健康计算生态需水的方法 |
| CN110110890A (zh) * | 2019-03-28 | 2019-08-09 | 杭州电子科技大学 | 基于elman神经网络的日污水量预测方法 |
| CN110648030A (zh) * | 2019-10-31 | 2020-01-03 | 吉林大学 | 海水温度的预测方法及装置 |
| CN112966221A (zh) * | 2021-03-04 | 2021-06-15 | 江西省水利科学院 | 一种南方丰水地区考核年份用水总量折算方法 |
| CN113065713A (zh) * | 2021-04-14 | 2021-07-02 | 中国水利水电科学研究院 | 分段链式城市河湖生态补水预测方法 |
| CN115408934A (zh) * | 2022-08-17 | 2022-11-29 | 中国水利水电科学研究院 | 一种快速预测坝下游河道对水库出库水量和沙量变化响应的方法 |
| CN115408934B (zh) * | 2022-08-17 | 2023-04-18 | 中国水利水电科学研究院 | 一种快速预测坝下游河道对水库出库水量和沙量变化响应的方法 |
| CN117520718A (zh) * | 2024-01-05 | 2024-02-06 | 长江水利委员会水文局长江中游水文水资源勘测局 | 一种感潮河流水文数据的处理方法及系统 |
| CN117520718B (zh) * | 2024-01-05 | 2024-03-19 | 长江水利委员会水文局长江中游水文水资源勘测局 | 一种感潮河流水文数据的处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107451682B (zh) | 2020-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107451682A (zh) | 一种基于神经网络的城市感潮河段生态需水量预测方法 | |
| Xu et al. | Intergenerational equity based optimal water allocation for sustainable development: A case study on the upper reaches of Minjiang River, China | |
| Loucks et al. | Probabilistic models for predicting stream quality | |
| CN103218485B (zh) | 一种gis技术支持下的小流域环境容量计算方法 | |
| Yan et al. | Estimation of water environmental capacity and pollution load reduction for urban lakeside of Lake Taihu, eastern China | |
| Al Bakri et al. | Sources and management of urban stormwater pollution in rural catchments, Australia | |
| CN109754025A (zh) | 一种结合水文模拟和连续遥感影像的无资料小水库参数识别方法 | |
| KR20180116820A (ko) | 다중 가중치 산정 및 topsis를 이용한 단위유역별 수자원 취약성 평가 방법 | |
| CN105303007B (zh) | 一种采用融合技术建立尼尔基水库水生态风险预警模型的方法 | |
| CN106096253A (zh) | 一种划定湖泊缓冲带范围的方法 | |
| CN112215389A (zh) | 一种确定河流环境流量过程区间的方法 | |
| CN111861193A (zh) | 一种平原河网水环境承载力评估及预警指标体系构建方法 | |
| CN110765419A (zh) | 一种基于多源数据耦合的重要水功能区水质风险测评方法 | |
| CN114595631A (zh) | 一种基于efdc模型和机器学习算法的水质预测方法 | |
| Xia et al. | Urban water system theory and its model development and application | |
| CN109886553A (zh) | 一种水污染负荷公平性评价与分配方法 | |
| Fang et al. | Zero increase in peak discharge for sustainable development | |
| Ji et al. | A water quality assessment model for Suya Lake Reservoir | |
| CN105760665B (zh) | 一种受干扰平原区河网生态需水计算方法 | |
| Tamaddun et al. | Reservoir Regulations of the Indus River Basin under Different Flow Conditions | |
| Wu et al. | Status quo and change characteristics of groundwater resources pollution in the Hami region based on sustainable development strategies | |
| Miller et al. | Prediction of the seasonal changes of the chloride concentrations in urban water reservoir | |
| Berggren | Urban stormwater systems in future climates: assessment and management of hydraulic overloading | |
| Verma et al. | Evaluation of water quality index of Damodar river for drinking purpose using computer programming | |
| CN117216468B (zh) | 基于深度学习及联合概率分布的湖泊生态缺水预警方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200707 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |