CN109448124B - 用于河道的水质模拟方法和装置 - Google Patents

用于河道的水质模拟方法和装置 Download PDF

Info

Publication number
CN109448124B
CN109448124B CN201811315810.0A CN201811315810A CN109448124B CN 109448124 B CN109448124 B CN 109448124B CN 201811315810 A CN201811315810 A CN 201811315810A CN 109448124 B CN109448124 B CN 109448124B
Authority
CN
China
Prior art keywords
water quality
value
grids
hydrodynamic model
information
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.)
Active
Application number
CN201811315810.0A
Other languages
English (en)
Other versions
CN109448124A (zh
Inventor
廖炳瑜
虞雅璠
郭丙坤
潘玉瑾
范迎春
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.)
Beijing Yingshi Ruida Technology Co ltd
Original Assignee
Beijing Yingshi Ruida Technology Co ltd
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 Beijing Yingshi Ruida Technology Co ltd filed Critical Beijing Yingshi Ruida Technology Co ltd
Priority to CN201811315810.0A priority Critical patent/CN109448124B/zh
Publication of CN109448124A publication Critical patent/CN109448124A/zh
Application granted granted Critical
Publication of CN109448124B publication Critical patent/CN109448124B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • 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)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开水质模拟方法和装置，方法包括：沿河道边界绘制离散点，基于离散点结合河道的地理信息构建三角形网格以作为水动力模型的网格；融合河道的静水状态的多维度信息，映射成水动力模型中各网格的初始值；基于采集的各网格的观测值、水动力模型的模拟值，对水动力模型的预报部分进行动态更新以得到预测值；基于各网格的观测值和预测值分别对各水质指标的控制方程进行参数率定以对水质指标的扩散进行模拟和预测。本申请实施例提供的方案可以将水动力模型使用到水质的模拟中，通过模拟水流的扩散作用，模拟获得河段的水质变化情况。

Description

用于河道的水质模拟方法和装置
技术领域
本发明属于水环境模拟技术领域，尤其涉及用于河道的水质模拟方法和装置。
背景技术
湖泊、河流及河口水质的恶化已经成为我国一个突出的环境问题。在治理水体污染时，必须掌握污染物质随水流是如何掺混、迁移和分布的，以便进行预测及治理，这样才能有的放矢。水动力是关于描述水体的微观运动的研究，而水动力模型则是一种探寻其中物理过程的方法。
相关技术中，水动力模型的基础是计算流体力学(Computational FluidDynamics,CFD)，更深层的就是纳维斯托克斯方程(Navier-Stokes Equations)，如果将CFD运用到真实、自然的水体中便形成了水动力模型。
从1925年世界上第一个S-P模型(斯特里特-费尔普斯模型)提出到现在将近一百年的时间内，水质模型的研究取得了丰硕的成果，模型的功能从最初研究溶解氧的变化关系，发展到今天包含水环境容量计算、水文动力学研究、水环境质量评价和预测在内的一系列功能，研究的水质成分由一种目标物增加到几十种,计算工具从原始的人工计算发展到计算机自动提取数据智能化计算程序，适用范围从简单的一维河流发展到目前几乎涵盖所有类型水体的各类先进水质模型。
一个理想的模型通常可以描述、重复甚至预测自然界水体(河流、湖泊、河口、海岸、水库、湾等)详细的运动过程，如在某事某刻某个地理位置的水流走向、水面高度等信息。而想要准确的模拟出这些物理参量，模型的输入数据的准确性至关重要，如地形数据、气象数据(风、降水、日照、蒸散发等)的空间分辨率、出流、入流、潮/水位的时间分辨率等。但即使这些输入数据足够精准，也未必能够得到理想的结果，通常来说与模型相关的水动力参数也是影响模拟效果的主要因素，对模型参数进行设置以得到最为理想结果的过程成为参数率定(Calibration)；另一方面，上面提到的模型网格剖分以及计算方法也会对结果有着微小的影响。
发明内容
本发明实施例提供一种水质模拟方法和装置，用于至少解决上述技术问题之一。
第一方面，本发明实施例提供一种水质模拟方法，包括：沿河道边界绘制离散点，基于所述离散点结合所述河道的地理信息构建三角形网格以作为水动力模型的网格；融合所述河道的静水状态的多维度信息，映射成所述水动力模型中各网格的初始值，所述多维度信息至少包括水质监测信息、卫星遥感信息、气象信息和地理信息；基于采集的所述各网格的观测值、所述水动力模型的模拟值，对所述水动力模型的预报部分进行动态更新以得到预测值；以及基于所述各网格的观测值和预测值分别对各水质指标的控制方程进行参数率定以对所述水质指标的扩散进行模拟和预测。
第二方面，本发明实施例提供一种水质模拟装置，包括：网格划分模块，配置为沿河道边界绘制离散点，基于所述离散点结合所述河道的地理信息构建三角形网格以作为水动力模型的网格；数据处理模块，配置为融合所述河道的静水状态的多维度信息，映射成所述水动力模型中各网格的初始值，所述多维度信息至少包括水质监测信息、卫星遥感信息、气象信息和地理信息；动态更新模块，配置为基于采集的所述各网格的观测值、所述水动力模型的模拟值，对所述水动力模型的预报部分进行动态更新以得到预测值；以及参数率定模块，配置为基于所述各网格的观测值和预测值分别对各水质指标的控制方程进行参数率定以对所述水质指标的扩散进行模拟和预测。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的水质模拟方法的步骤。
第四方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行本发明任一实施例的水质模拟方法的步骤。
本申请的方法和装置提供的方案通过将水动力模型使用到水质的模拟中，通过模拟水流的扩散作用，模拟获得河段的水质变化情况。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种水质模拟方法的流程图；
图2为本发明一实施例提供的另一种水质模拟方法的流程图；
图3为本发明一实施例提供的又一种水质模拟方法的流程图；
图4为本发明一实施例提供的再一种水质模拟方法的流程图；
图5为本发明一实施例提供的一个具体应用场景的模块框图；
图6为本发明一实施例提供的一个具体应用场景的详细模块框图；
图7为本发明一实施例提供的一个网格划分的具体示例；
图8和图9分别为本发明一实施例提供的指数型权重选取不同半径(R＝5，R＝10)对插值结果的影响示意图；
图10为本发明一实施例提供的一个具体应用场景中观测数据修正预测数据的示意图；
图11为本发明一实施例提供的一种水质模拟装置的框图；
图12为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面，先介绍本申请的实施方式，之后将用实验数据证实本申请的方案与现有技术相比有什么不同，能实现什么有益效果。
请参考图1，其示出了本申请的水质模拟方法一实施例的流程图，本实施例的水质模拟方法可以适用于对河流的水质进行模拟。
如图1所示，在步骤101中，沿河道边界绘制离散点，基于离散点结合河道的地理信息构建三角形网格以作为水动力模型的网格；
在步骤102中，融合河道的静水状态的多维度信息，映射成水动力模型中各网格的初始值，多维度信息至少包括水质监测信息、卫星遥感信息、气象信息和地理信息；
在步骤103中，基于采集的各网格的观测值、水动力模型的模拟值，对水动力模型的预报部分进行动态更新以得到预测值；
在步骤104中，基于各网格的观测值和预测值分别对各水质指标的控制方程进行参数率定以对水质指标的扩散进行模拟和预测。
在本实施例中，对于步骤101，水质模拟装置延采集的河流图的边界绘制离散点，例如可以是预设间隔绘制一个离散点，之后基于该离散点结合河道的地理信息，如河道的高程信息和水文信息，构建三角形网格，并将该三角形网格作为SUNTANS水动力模型的网格；之后，对于步骤102，将河道静水状态的多维度信息作为SUNTANS水动力模型中各网格的初始场，其中，多维度信息至少包括水质监测信息、卫星遥感信息、气象信息和地理信息。之后，对于步骤103，基于采集的各网格的观测值、水动力模型的模拟值(初始的预测值)，对模型的预报部分进行动态更新，以不断地修正预测值，使得预测更加准确。最后，对于步骤104，根据各网格的观测值和预测值分别对各水质指标的控制方程进行参数率定，从而使得对水质指标基于水动力模型的扩散的模拟和预测更加准确。
本申请的实施例通过结合水动力模型对模型的预报部分进行更新，使之更符合实际的情况，进行得到的水质指标的控制方程的参数率定更加准确，进一步地构建的网格为三角形网格，也能更好地模拟实际的水流情况。
在一些可选的实施例中，在基于采集的各网格的观测值、水动力模型的模拟值，对水动力模型的预报部分进行动态更新以得到预测值之前，方法还包括：利用以下公式将观测值插值到各网格上：
其中，xa为插值，xb为背景场，w为观测值对初始值或上一插值的影响权重，obv为观测值；
观测值对初始值或上一插值的影响权重方程为：
其中，i为第i个网格，k为第k个观测值，d为第i个网格到观测值的距离；
调试R的大小，当R使得插值与观测值之差的平方和最小时，w为最佳权重。
进一步参考图2，其示出了本申请一实施例提供的另一种水质模拟方法的流程图。该流程图主要是针对流程图图1中步骤101进一步限定和细化的步骤。
如图2所示，在步骤201中，沿河道边界生成预设间距的离散点；
在步骤202中，连接相邻的两离散点获得线段集E；
在步骤203中，以河道边界为边界生成泰森多边形；
在步骤204中，连接每一个泰森多边形的重心，构建三角形网格，其中，SUNTANS模型预报的经纬度为三角形网格的重心的经纬度。
在本实施例中，对于步骤201，获得了河道的图之后，延河道边界生成预设间隔距离的离散点，之后，在步骤202中，将相邻的两离散点连起来，形成线段集E，之后，对于步骤203，以河道边界为边界生成泰森多边形，然后，对于步骤204，连接每个泰森多边形的重心，构建三角形网格，其中，SUNTANS模型预报的经纬度为三角形网格的重心的经纬度。
本实施例的方法通过引入泰森多边形，之后形成三角形网格，可以使得形成的网格更好地，模拟实际的水流情况。
进一步参考图3，其示出了本申请一实施例提供的又一种水质模拟方法的流程图。该流程图主要是针对图1中步骤103进一步细化的步骤的流程图。
如图3所示，在步骤301中，根据初始值，生成符合高斯分布的样本集合；
之后，在步骤302中，在每一个时间步长开始时，将对应的样本集合带入SUNTANS水动力模型中，运算得到对应于时间步长的预测值；
最后，在步骤303中，基于卡尔曼滤波利用当前时间步长的观测值对当前时间步长的预测值进行修正，更新对下一时间步长的预测值。
在本实施例中，对于步骤301，先根据初始值，生成符合高斯分布的样本集合；之后，在步骤302中，每经过一个时间步长，将对应的样本集合带入到SUNTANS水动力模型中，经过运算得到与该时间步长对应的预测值，最后，对于步骤303，利用卡尔曼滤波，用当前时间步长的观测值对计算得到的当前时间步长的预测值进行修正，更新对下一时间步长的预测值，使得预测值越来越接近观测值。
本实施例的方法通过使用观测值对预测值进行修正，使得预测值越来越接近观测值，从而预测值的预测结果将会更加准确。
进一步参考图4，其示出了本申请一实施例提供的再一种水质模拟方法的流程图。该流程图主要是针对图1中步骤104进一步限定的步骤的流程图。
如图4所示，在步骤401中，对水质指标分别进行数值模拟并判断是否存在某一水质指标对其他水质指标不敏感；
在步骤402中，若存在第一水质指标对其他水质指标不敏感；
在步骤403中，则在其他水质指标保持模型默认值的条件下，仅对第一水质指标在其合理变化范围内进行调整；
在步骤404中，获得第一水质指标的敏感参数集合；
另一方面，在步骤405中，若存在第二水质指标对其他水质指标敏感；
在步骤406中，则获取第二水质指标的控制方程；
在步骤407中，使用蒙特卡洛算法对控制方程进行参数率定。
在本实施例中，对于步骤401，对各水质指标进行数值模拟，并通过判断水质指标是否对其他水质指标敏感来确定后续的处理方式。一方面，在步骤402中，对于水质指标中对其他水质指标不敏感的第一水质指标，可以在步骤403中，通过保持其他水质指标为模型默认值，仅对该不敏感的第一水质指标在其合理变化范围内进行调整，之后，在步骤404中，获得该第一水质指标的敏感参数集合。另一方面，对于步骤405，对于水质指标中对其他水质指标敏感的第二水质指标，可以在步骤406中，获取该第二水质指标的控制方程，之后在步骤407中，使用蒙特卡洛算法对该第二水质指标的控制方程的参数进行参数率定，从而确定参数之后，可以使用控制方程对该第二水质指标的变化情况进行更好地模拟。
在一些可选的实施例中，SUNTANS水动力模型在布辛尼斯克假设下的三维控制方程为：
其中，t为时间，向量u为速度向量，其在x，y，z方向的分量分别为u，v，w，ρ0为参考密度，ρ’为密度扰动量，总密度为ρ0+ρ’，f和b分别为地球旋转所致科氏力参量的垂向分量和水平分量，fi为纬度，g为地球旋转角速度，vH和vv分别为水平和垂向涡粘系数；
密度由海水状态方程确定：
ρ＝ρ(p，s，T)
s和T为水体的盐度和温度，可由对流扩散方程进行求解：
其中γH和γv分别为水平向和垂向质量扩散系数，κH和κV分别为水平向和垂向热扩散系数。
上述三位控制方程纳维斯托克斯方程，是描述粘性不可压缩流体动量守恒的运动方程。根据此方程可以获得速度变量随时间的变化。
以下通过一个具体实施例对本申请的方案进行说明，在以下实施例中出现的具体的数值并不用于限定本申请的保护范围。
首先，本申请的发明目的为：
1.通过本发明，可以将水动力模型使用到水质的模拟中，通过模拟水流的扩散作用，模拟获得河段的水质变化情况，减少通常水质模拟遇到的需要输入参数多、依赖运算资源大、模型运算时间复杂的问题。
2.通过本发明，将各个河段进行网格化划分，相比于传统的网格划分方法，本算法将河段地理信息作为计算维度，网格划分更符合河水实际流动情况，提高对于河水水质的模拟效果。
3.在观测密度已定的情况下，模型预报准确度及精度主要对初始场、观测数据获取频率、控制方程及网格精度等因素较为敏感。本发明结合实际观测数据和初始场数据，通过实际观测数据，动态更新模型模拟算法，提高数据的准确率。
请参考图5，本发明一实施例提供的一个具体应用场景的模块框图。
如图5所示，在具体的实现过程中，设计了以下几个模块：
高精度网格划分模块，用高密度离散点定出河道边界，结合高程信息、水文信息，构建反映河道形态的多边形网格。
数据预处理及插值模块，用于融合水质监测数据、卫星遥感数据、气象数据和水文等多维度数据信息，利用最邻近点映射原则获得符合SUNTANS模型网格设置的初始场。
数据同化模块，用于融合地表径流数据，气象数据，水动力数据，对模型的水动力预报部分进行动态更新。以及参数率定模块，用于对各水质指标分别进行参数率定，用蒙特卡洛算法对控制方程的参数进行率定。
模型模拟步骤：
1、利用观测信息生成模型可读取的初始值，即模拟的各项变量的初始状态；
2、机理模型内部通过各种物理方程，通过积分过程模拟在所需预测的时间点上的各物理量，模拟值即模型初始的预测值；
3、模拟值(模型初始的预测值)由于各种原因可能是不准确的，所以用观测值进行校正，并得到矫正后的预测值。
进一步参考图6，其示出了本发明一实施例提供的一个具体应用场景的详细模块框图。
其中，模型的初边条件：
初始场：模式的初估状态。在本方案中，将初始状态设置为静水状态，即流速的初始场为0；水温初始场为水为观测值在模型网格上的插值场。
边界场：模型为数值模型，对非闭合区域积分求数值解的过程中需要提供边界条件。在本方案中，边界场即为流速，水温，盐度等变量在模型边界上的值的合集。
背景场：是数据同化过程中的一个概念，将由模型得到的解称为背景场。
请参考图7，其示出了本发明一实施例提供的一个网格划分模块的具体示例。由于污染物扩散与水动力密切相关，不规则网格能更精确反映水流细节，以更好地进行污染物溯源与扩散预报，因此结合高程信息、水文信息构建能够反映河道形态的多边形网格。
构建多边形网格的步骤如下：
1)沿河道边界生成间距为100m的离散点；
2)连接相邻两离散点获得线段集E，以河道边界为边界生成泰森多边形网格(由一组由连接两邻点直线的垂直平分线组成的连续多边形组成)；
3)找出每一个泰森多边形的重心，将相邻重心连接，构建三角形；
4)生成的三角形网格(Delaunay三角)即为SUNTANS的网格。模型预报数据的经纬度，取Delaunay三角的重心。
5)将线段集E中的线段进行标记，非闭合边界标记为1，闭合边界标记为2，模型计算时对不同性质的边界采取不同的算法。
进一步地，数据预处理及插值模块的工作原理如下：
1)气象数据的选取：选取可代表流域气象状况的最少个数的气象站，将风，温，长短波辐射及云量降雨等气象要素写入SUNTANS可读取的格式；
2)水文观测数据的插值：
利用以下原理将站点数据插值到格点上(xb为背景场，w为观测点在所有格点上的影响权重，obv为观测值)：
观测值对格点值的影响权重方程(i为第i个格点，k为第k个观测值)：
调试R的大小，获得能较好反应观测数据(插值结果与观测值之差的平方和最小)的最佳权重。请参考图8和图9，其分别示出了本发明一实施例提供的指数型权重选取不同半径(图8中R＝5，图9中R＝10)对插值结果的影响示意图。其中圆点为真实值，虚线为背景场，实线为插值场。
进一步，数据同化模块的工作原理如下：
利用顺序同化在特定时间步长上利用观测值来更新模型，使用卡尔曼滤波的方法。
1)生成初始样本
在同化开始前，根据先验信息，生成符合高斯分布的样本集合；
2)预测步
在每一个时间步长的计算开始时，将所有样本带入SUNTANS模型中，互相独立运行得到预测值；
3)更新步
计算卡尔曼增益K值(Kk)，利用观测值进行修正，更新当前时刻的预报值。
Kk＝CyHT(HCyHT+Cd)-1
预测值有高斯噪声，测量值也有高斯噪声，这两个噪声相互独立，单独的利用任何一个都不能很好的得到真实值，所以在二者之间有个信赖度的问题，应该相信谁更多些，这也就是卡尔曼算法的核心，这个信赖度就是卡尔曼增益。
其中，Kk为卡尔曼增益值，Cy为预测值与真实值之间的误差协方差矩阵，H为状态变量到测量的转化矩阵，HT为H的转置矩阵，Cd为测量噪音的协方差。
图10示出了本发明一实施例提供的一个具体应用场景中观测数据使用卡尔曼滤波的方法修正预测数据的示意图。
最后，参数率定模块的工作原理如下：
1)对重点关注指标(总磷，总氮，COD等)分别进行数值模拟；
2)在其他参数保持模型默认值的条件下，仅对某一参数在其合理变化范围内进行调整，获得该指标的敏感参数(集合)；
3)对于对多个参数敏感的指标，查看其在模型化学模块中的相应控制方程；
4)基于控制方程，使用蒙特卡洛算法(MCMC)对参数进行估计
随机取一组正态分布的参数集合A，计算n个时间步长后的预测值，与观测值进行比较，当误差的平方和小于某一数值时则接受该组参数集合A，重复以上步骤50000次，获得该指标的各个敏感参数的正态分布集合。
以下是以氨氮为例的控制方程组：
对应于每个时间步长的氨氮反应链中物质的变化量(需要对加粗下划线的参数进行MCMC估计)：
Δ[a14NH4 +]i＝kNH4-a 14NH4 +]i-1-ka-NH4 [a14NH4 +]i-1
Δ[14NH4 +]i＝kDRNA [14NO3 -]i-1+kl-NH4 [O14Nl]i-1+ka-NH4 [a14NH4 +]i-1-[kNH4-a +(1+α(NO2) i-1)kNH4-ANAMMOX-N2O +(1+Δ(NO2) i-1)kNH4-ANAMMOX-N2 +kNH3 +kNH4-l +kn-NH4 +kn-NO +kn-N2O ][14NH4 +]i-1
Δ[O14Nl]i＝kNH4-l[14NH4 +]i-1-kl-NH4[O14Nl]i-1
Δ[14NO3 -]i＝kn-NO2 [14NO2 -]i-1+kr-NO3 [O14Nr]i-1-(kDRNA+kNO3-r +kd-NO3 +][14NO3 -]i-1
Δ[14NO2 -]i＝kn-NH4[14NH4 +]i-1+kd-NO3[14NO3 -]i-1-[kn-NO2+kd-NO2 +(1+α(NH4) i-1)kNO2-ANAMMOX-N2O +(1+α(NH4) i-1)
kNO2-ANAMMOX-N2 ][14NO2 -]i-1
Δ[14NO]i＝kn-NH4[14NH4 +]i-1+kd-NO2[14NO2 -]i-1-(kNO+kd-NO )[14NO]i-1
Δ[14N2O]i＝(kn-N2O+kNH4-ANAMMOX-N2O)[14NH4 +]i-1+kd-NO[14NO]i-1+kNO2-ANAMMOX-N2O[14NO2 -]i-1-(kd-N2O +kN2O )[14N2O]i-1
Δ[14N2]i＝kNO2-ANAMMOX-N2[14NO2 -]i-1+kNH4-ANAMMOX-N2[14NH4 +]i-1+kd-N2O[14N2O]i-1-kN2 [14N2]i-1
本申请的方案的技术关键点如下：
1.河道网格划分技术。
2.利用水动力模型描述水质情况，通过模拟水质参数扩散的情况来预测未来水质的情况。
3.高度模块化的算法结构，降低模型间的耦合。
能够实现以下有益效果：
1.本方法各个模块高度模块化，降低了模型对于数据的依赖，降低了模型参数调整和调优的时间维度等方面的难度。
2.本方法使用多边形来描述河道情况，提高了模型对于河道转弯、宽度变化等情况的模拟效果。
3.本方法融合了多种数据类型作为模型运算的输入条件，提高了对于现实水质的拟合效果。
4.本方法使用水动力模型描述水质情况，通过模拟水质参数扩散的情况来预测未来水质的情况，避免了通常化学运算造成的计算资源消耗大、计算时间长的问题，提高了水质模型的运算效率。
请参考图11，其示出了本发明一实施例提供的一种水质模拟装置的框图。如图11所示，水质模拟装置1100包括网格划分模块1110、数据处理模块1120、动态更新模块1130和参数率定模块1140。
其中，网格划分模块1110，配置为沿河道边界绘制离散点，基于离散点结合河道的地理信息构建三角形网格以作为SUNTANS模型和水动力模型的网格；数据处理模块1120，配置为融合河道的静水状态的多维度信息，映射成水动力模型中各网格的初始值，多维度信息至少包括水质监测信息、卫星遥感信息、气象信息和地理信息；动态更新模块1130，配置为基于采集的各网格的观测值、水动力模型的模拟值，对水动力模型的预报部分进行动态更新以得到预测值；以及参数率定模块1140，配置为基于各网格的观测值和预测值分别对各水质指标的控制方程进行参数率定以对水质指标的扩散进行模拟和预测。
应当理解，图11中记载的诸模块与参考图1、图2、图3和图4中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图11中的诸模块，在此不再赘述。
值得注意的是，本公开的实施例中的模块并不用于限制本公开的方案，例如参数率定模块可以描述为基于各网格的观测值和预测值分别对各水质指标的控制方程进行参数率定以对水质指标的扩散进行模拟和预测的模块。另外，还可以通过硬件处理器来实现相关功能模块，例如参数率定模块也可以用处理器实现，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的水质模拟方法；
作为一种实施方式，本发明的非易失性计算机存储介质存储有计算机可执行指令，计算机可执行指令设置为：
沿河道边界绘制离散点，基于所述离散点结合所述河道的地理信息构建三角形网格以作为水动力模型的网格；
融合所述河道的静水状态的多维度信息，映射成所述水动力模型中各网格的初始值，所述多维度信息至少包括水质监测信息、卫星遥感信息、气象信息和地理信息；
基于采集的所述各网格的观测值、所述水动力模型的模拟值，对所述水动力模型的模拟预报部分进行动态更新以得到预测值；
基于所述各网格的观测值和预测值分别对各水质指标的控制方程进行参数率定以对所述水质指标的扩散进行模拟和预测。
作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的水质模拟方法对应的程序指令/模块。一个或者多个程序指令存储在非易失性计算机可读存储介质中，当被处理器执行时，执行上述任意方法实施例中的水质模拟方法。
非易失性计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据水质模拟装置的使用所创建的数据等。此外，非易失性计算机可读存储介质可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，非易失性计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至水质模拟装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明实施例还提供一种计算机程序产品，计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，使计算机执行上述任一项水质模拟方法。
图12是本发明实施例提供的电子设备的结构示意图，如图12所示，该设备包括：一个或多个处理器1210以及存储器1220，图12中以一个处理器1210为例。水质模拟方法的设备还可以包括：输入装置1230和输出装置1240。处理器1210、存储器1220、输入装置1230和输出装置1240可以通过总线或者其他方式连接，图12中以通过总线连接为例。存储器1220为上述的非易失性计算机可读存储介质。处理器1210通过运行存储在存储器1220中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例水质模拟方法。输入装置1230可接收输入的数字或字符信息，以及产生与信息投放装置的用户设置以及功能控制有关的键信号输入。输出装置1240可包括显示屏等显示设备。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于河流水质模拟的设备中，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
沿河道边界绘制离散点，基于所述离散点结合所述河道的地理信息构建三角形网格以作为水动力模型的网格；
融合所述河道的静水状态的多维度信息，映射成所述水动力模型中各网格的初始值，所述多维度信息至少包括水质监测信息、卫星遥感信息、气象信息和地理信息；
基于采集的所述各网格的观测值、所述水动力模型的模拟值，对所述水动力模型的预报部分进行动态更新以得到预测值；
基于所述各网格的观测值和预测值分别对各水质指标的控制方程进行参数率定以对所述水质指标的扩散进行模拟和预测。
本申请实施例的电子设备以多种形式存在，包括但不限于：
(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。
(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种用于河道的水质模拟方法，包括：
沿河道边界按照预设间隔绘制离散点，基于所述离散点结合所述河道的地理信息构建三角形网格以作为水动力模型的网格，其中，所述地理信息包括高程信息和水文信息；
融合所述河道的静水状态的多维度信息，映射成所述水动力模型中各网格的初始值，所述多维度信息至少包括水质监测信息、卫星遥感信息、气象信息和地理信息；
基于采集的所述各网格的观测值、所述水动力模型的模拟值，对所述水动力模型的预报部分进行动态更新以得到预测值；
基于所述各网格的观测值和预测值分别对各水质指标的控制方程进行参数率定以对所述水质指标的扩散进行模拟和预测；
在所述基于采集的所述各网格的观测值、所述水动力模型的模拟值，对所述水动力模型的预报部分进行动态更新以得到预测值之前，所述方法还包括：
利用以下公式将观测值插值到各网格上：
其中，xa为插值，xb为背景场，w为观测值对初始值或上一插值的影响权重，obv为观测值；
观测值对初始值或上一插值的影响权重方程为：
其中，i为第i个网格，k为第k个观测值，d为第i个网格到观测值的距离；
调试R的大小，当R使得插值与观测值之差的平方和最小时，w为最佳权重；
所述基于采集的所述各网格的观测值、所述水动力模型的模拟值，对所述水动力模型的预报部分进行动态更新以得到预测值，包括：
根据所述初始值，生成符合高斯分布的样本集合；
在每一个时间步长开始时，将对应的样本集合带入SUNTANS模型中，运算得到对应于所述时间步长的预测值；
基于卡尔曼滤波利用当前时间步长的观测值对所述当前时间步长的预测值进行修正，更新对下一时间步长的预测值。
2.根据权利要求1所述的方法，其中，所述沿河道边界绘制离散点，基于所述离散点结合所述河道的地理信息构建三角形网格以作为水动力模型的网格包括：
沿河道边界生成预设间距的离散点；
连接相邻的两离散点获得线段集E；
以河道边界为边界生成泰森多边形；
连接每一个泰森多边形的重心，构建三角形网格，其中，水动力模型预报的经纬度为三角形网格的重心的经纬度。
3.根据权利要求1的方法，其中，所述基于所述各网格的观测值和预测值分别对各水质指标的控制方程进行参数率定以对所述水质指标的扩散进行模拟和预测包括：
对水质指标分别进行数值模拟，判断是否存在某些水质指标对其他水质指标敏感；
若存在第一水质指标对其他水质指标不敏感；
则在其他水质指标保持模型默认值的条件下，仅对所述第一水质指标在其合理变化范围内进行调整；
获得所述第一水质指标的敏感参数集合；
若存在第二水质指标对其他水质指标敏感；
则获取所述第二水质指标的控制方程；
使用蒙特卡洛算法对所述控制方程进行参数率定。
4.根据权利要求1-3中任一项所述的方法，其中，所述水动力模型在布辛尼斯克假设下的三维控制方程为：
其中，t为时间，向量u为速度向量，其在x，y，z方向的分量分别为u，v，w，ρ0为参考密度，ρ’为密度扰动量，总密度为ρ0+ρ’，f和b分别为地球旋转所致科氏力参量的垂向分量和水平分量，fi为纬度，g为地球旋转角速度，vH和vv分别为水平和垂向涡粘系数；
密度由海水状态方程确定：
ρ＝p(p，s，T)
s和T为水体的盐度和温度，可由对流扩散方程进行求解：
其中γH和γv分别为水平向和垂向质量扩散系数，κH和κV分别为水平向和垂向热扩散系数。
5.一种用于河道的水质模拟装置，包括：
网格划分模块，配置为沿河道边界按照预设间隔绘制离散点，基于所述离散点结合所述河道的地理信息构建三角形网格以作为SUNTANS模型和水动力模型的网格，其中，所述地理信息包括高程信息和水文信息；
数据处理模块，配置为融合所述河道的静水状态的多维度信息，映射成所述水动力模型中各网格的初始值，所述多维度信息至少包括水质监测信息、卫星遥感信息、气象信息和地理信息；
动态更新模块，配置为基于采集的所述各网格的观测值、所述水动力模型的模拟值，对所述水动力模型的预报部分进行动态更新以得到预测值；
参数率定模块，配置为基于所述各网格的观测值和预测值分别对各水质指标的控制方程进行参数率定以对所述水质指标的扩散进行模拟和预测；
在所述基于采集的所述各网格的观测值、所述水动力模型的模拟值，对所述水动力模型的预报部分进行动态更新以得到预测值之前，所述动态更新模块，还被配置为：
利用以下公式将观测值插值到各网格上：
其中，xa为插值，xb为背景场，w为观测值对初始值或上一插值的影响权重，obv为观测值；
观测值对初始值或上一插值的影响权重方程为：
其中，i为第i个网格，k为第k个观测值，d为第i个网格到观测值的距离；
调试R的大小，当R使得插值与观测值之差的平方和最小时，w为最佳权重；
所述基于采集的所述各网格的观测值、所述水动力模型的模拟值，对所述水动力模型的预报部分进行动态更新以得到预测值，包括：
根据所述初始值，生成符合高斯分布的样本集合；
在每一个时间步长开始时，将对应的样本集合带入SUNTANS模型中，运算得到对应于所述时间步长的预测值；
基于卡尔曼滤波利用当前时间步长的观测值对所述当前时间步长的预测值进行修正，更新对下一时间步长的预测值。
6.根据权利要求5所述的装置，其中，所述网格划分模块配置为：
沿河道边界生成预设间距的离散点；
连接相邻的两离散点获得线段集E；
以河道边界为边界生成泰森多边形；
连接每一个泰森多边形的中心，构建三角形网格，其中，SUNTANS模型预报的经纬度为三角形网格的重心的经纬度。
7.一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至4任一项所述方法的步骤。
8.一种存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至4任一项所述方法的步骤。
CN201811315810.0A 2018-11-06 2018-11-06 用于河道的水质模拟方法和装置 Active CN109448124B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811315810.0A CN109448124B (zh) 2018-11-06 2018-11-06 用于河道的水质模拟方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811315810.0A CN109448124B (zh) 2018-11-06 2018-11-06 用于河道的水质模拟方法和装置

Publications (2)

Publication Number Publication Date
CN109448124A CN109448124A (zh) 2019-03-08
CN109448124B true CN109448124B (zh) 2023-08-18

Family

ID=65552365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811315810.0A Active CN109448124B (zh) 2018-11-06 2018-11-06 用于河道的水质模拟方法和装置

Country Status (1)

Country Link
CN (1) CN109448124B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135080B (zh) * 2019-05-17 2020-04-21 中科三清科技有限公司 水污染的模拟方法及装置
CN110120083B (zh) * 2019-05-17 2020-03-06 中科三清科技有限公司 水质预报分布图绘制方法、装置和电子设备
CN110765676B (zh) * 2019-07-18 2023-09-29 成都信息工程大学 一种基于稳定流场的流域水质模拟方法
CN110969556B (zh) * 2019-09-30 2023-11-21 上海仪电（集团）有限公司中央研究院 机器学习多维度多模型融合河道水质异常检测方法及装置
CN113792367B (zh) * 2021-09-07 2022-08-05 清华大学 基于PySWMM的排水系统多来源入流入渗和出渗量动态估算方法
CN115062874B (zh) * 2022-08-16 2022-11-18 成都禀证科技有限责任公司 一种水体污染物监测预测分析方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976380A (zh) * 2010-09-14 2011-02-16 华北电力大学 一种水环境实时调控与数字化管理方法
CN102609898A (zh) * 2012-02-09 2012-07-25 武汉大学 一种顾及地理特征的溺谷海岸线化简方法
CN106354940A (zh) * 2016-08-30 2017-01-25 天津大学 基于水质模型不确定性输入的景观水水质模拟与预警方法
CN107091911A (zh) * 2017-04-17 2017-08-25 郑州大学环境技术咨询工程有限公司 一种河流水质预测方法
CN107563139A (zh) * 2017-09-06 2018-01-09 郑州大学 一种点源突发性水污染源事故溯源贡献程度计算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8775140B2 (en) * 2012-02-16 2014-07-08 Seiko Epson Corporation Time and space scaled S-model for turbulent fluid flow simulations

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976380A (zh) * 2010-09-14 2011-02-16 华北电力大学 一种水环境实时调控与数字化管理方法
CN102609898A (zh) * 2012-02-09 2012-07-25 武汉大学 一种顾及地理特征的溺谷海岸线化简方法
CN106354940A (zh) * 2016-08-30 2017-01-25 天津大学 基于水质模型不确定性输入的景观水水质模拟与预警方法
CN107091911A (zh) * 2017-04-17 2017-08-25 郑州大学环境技术咨询工程有限公司 一种河流水质预测方法
CN107563139A (zh) * 2017-09-06 2018-01-09 郑州大学 一种点源突发性水污染源事故溯源贡献程度计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"大气污染资料同化与应用综述";朱江 等;《大气科学》;20180531;第610-611页第3节 *

Also Published As

Publication number Publication date
CN109448124A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
CN109448124B (zh) 用于河道的水质模拟方法和装置
Knoben et al. Modular Assessment of Rainfall–Runoff Models Toolbox (MARRMoT) v1. 2: an open-source, extendable framework providing implementations of 46 conceptual hydrologic models as continuous state-space formulations
Foglia et al. Evaluating model structure adequacy: The case of the Maggia Valley groundwater system, southern Switzerland
US10439594B2 (en) Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation
Noh et al. Applying sequential Monte Carlo methods into a distributed hydrologic model: lagged particle filtering approach with regularization
Gross et al. Evaluation of advective schemes for estuarine salinity simulations
CN111045046B (zh) 一种基于narx的短期电离层预报方法及装置
US8949096B2 (en) Three-dimensional tracer dispersion model
CN104112079A (zh) 一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法
Schneider et al. A data assimilation system combining CryoSat-2 data and hydrodynamic river models
CN110232471A (zh) 一种降水传感网节点布局优化方法及装置
CN106815473B (zh) 水文模拟不确定性分析方法及装置
Shamir et al. Flood forecasting in regulated basins using the ensemble extended Kalman filter with the storage function method
Sørensen et al. Efficient Kalman filter techniques for the assimilation of tide gauge data in three‐dimensional modeling of the North Sea and Baltic Sea system
Karspeck An ensemble approach for the estimation of observational error illustrated for a nominal 1 global ocean model
Mahpeykar et al. Numerical modelling the effect of wind on Water Level and Evaporation Rate in the Persian Gulf
Chen et al. A high speed method of SMTS
Smith et al. Variational data assimilation for parameter estimation: application to a simple morphodynamic model
Liu et al. On selection of the optimal data time interval for real-time hydrological forecasting
Ailliot et al. Long term object drift forecast in the ocean with tide and wind
CN112949944A (zh) 一种基于时空特征的地下水位智能预测方法及系统
Augustin et al. Predicting river flows for future climates using an autoregressive multinomial logit model
CN113158556B (zh) 一种区域水位短时高精度预报方法
Ojha et al. Assessing GCM convergence for India using the variable convergence score
CN109870146B (zh) 一种气候变化情景下的洪水频率计算方法和装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100070 Beijing Fengtai Auto Museum West Road No. 8 Courtyard 1 Building 6 Floor 606

Applicant after: Beijing Yingshi Ruida Technology Co.,Ltd.

Address before: 809-1, 8th floor, No. 15 Information Road, Haidian District, Beijing 100085

Applicant before: BEIJING INSIGHTS VALUE TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant