CN110887790A - 基于fvcom和遥感反演的城市湖泊富营养化模拟方法和系统 - Google Patents
基于fvcom和遥感反演的城市湖泊富营养化模拟方法和系统 Download PDFInfo
- Publication number
- CN110887790A CN110887790A CN201911064784.3A CN201911064784A CN110887790A CN 110887790 A CN110887790 A CN 110887790A CN 201911064784 A CN201911064784 A CN 201911064784A CN 110887790 A CN110887790 A CN 110887790A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- eutrophication
- model
- sensing inversion
- lake
- 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
- 238000012851 eutrophication Methods 0.000 title claims abstract description 140
- 238000004088 simulation Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 47
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 62
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000010801 machine learning Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000008878 coupling Effects 0.000 claims description 18
- 238000010168 coupling process Methods 0.000 claims description 18
- 238000005859 coupling reaction Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 18
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000004220 aggregation Methods 0.000 abstract 1
- 230000002776 aggregation Effects 0.000 abstract 1
- 229930002875 chlorophyll Natural products 0.000 description 9
- 235000019804 chlorophyll Nutrition 0.000 description 9
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 9
- 238000011160 research Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012800 visualization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000008235 industrial water Substances 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于FVCOM和遥感反演的城市湖泊富营养化模拟方法和系统，属于湖泊水环境模拟领域，该方法包括：利用遥感影像数据和多种机器学习算法构建多个遥感反演模型，并对多个遥感反演模型进行组合；通过集合得到的遥感反演模型对富营养化指标进行遥感反演；基于FVCOM模型对湖泊富营养化指标进行模拟和预测；对FVCOM模型参数和输出结果进行校正，实现FVCOM模型预测结果与遥感反演结果的同化；采用经过校正和同化的FVCOM模型对待模拟湖泊富营养化过程进行动态连续模拟和富营养化预测。本发明利用集合建模技术有效了提高水质遥感反演结果的精度，同时将水质遥感反演优化值与FVCOM模型进行同化，有效提高了湖泊富营养化的模拟与预报精度。
Description
技术领域
本发明属于湖泊水环境模拟领域，更具体地，涉及一种基于FVCOM和遥感反演的城市湖泊富营养化模拟方法。
背景技术
城市湖泊，作为承载着城镇供水、工业用水、土地灌溉、渔业养殖、景点观赏、蓄洪纳污等多重功能的重要水源之一，由于粗放型经济发展模式、污水处理系统运转不合理，水体自净能力差等原因，富营养化污染日益加重。湖泊的富营养化会造成许多危害，破坏生态景观、降低水体生态系统的物种多样性和稳定性、威胁人体健康、造成经济损失等，因此，结合水体富营养化的因素，选择最合适的研究方法，针对城市湖泊水体富营养化进行研究是十分必要的。
城市湖泊富营养化的形成受水域各种生物和非生物因素的影响，当前主要的研究方法包括地面观测、遥感反演、模型模拟三种方式。地面观测取样成本高、空间代表性差；遥感反演方法普遍存在时间连续性差，且精度依赖于遥感卫星传感器性能的缺点；随着数据同化方法、数字流域、高性能数值模拟等现代信息技术的不断进步、渐趋实用化和多学科的交叉融合，湖泊富营养化研究总的趋势表现为从传统的单点直接观测，转向借助空间探测技术的大面积同步遥感反演、再朝着模拟与观测统一的数据同化发展方向。水质参数遥感反演是湖泊富营养化水平遥感监测的主要手段，相对于传统的反演模型，机器学习反演模型可以更好的模拟遥感影像波段反射率与实测水质数据间复杂的非线性关系，但在内陆湖泊反演研究中，由于水体光学特征复杂，单一反演模型的应用会因为模型存在的局限性致使反演结果体现出极大的不确定特征；现有湖泊富营养化模型存在参数获取不易、复杂边界处理困难、物理机制描述不准确、数值计算方法精度不高等局限性。
因此，目前这三种方式都无法精准表达湖泊富营养化演变变量的连续性、非线性、高度时空异质性和不确定性特征，直接影响富营养化模拟结果的精确性。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于FVCOM和遥感反演的城市湖泊富营养化模拟方法和系统，其目的在于解决，现有湖泊富营养化研究方法不能精确表达湖泊富营养化演变变量的真实特性，造成模拟结果精确性低的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于FVCOM和遥感反演的城市湖泊富营养化模拟方法，包括：
(1)利用遥感影像数据和多种机器学习算法构建多个遥感反演模型，利用熵权法对多个遥感反演模型进行有机组合，得到最优遥感反演模型；
(2)将待模拟湖泊的遥感影像数据输入所述最优遥感反演模型，得到富营养化指标遥感反演值；
(3)将待模拟湖泊对应的边界条件、水文气象数据、水体参数和富营养化指标初始测量值输入FVCOM三维水动力水质耦合模型，得到富营养化预测值；所述FVCOM三维水动力水质耦合模型由FVCOM模型中的湖泊三维水动力模块和湖泊三维水质模块耦合得到；
(4)根据所述富营养化预测值和富营养化指标遥感反演值之间误差，利用卡尔曼滤波算法对所述FVCOM模型参数进行更新并对输出的富营养化预测值进行校正，实现所述FVCOM模型输出与所述最优遥感反演模型输出的同化；
(5)采用经过校正和同化的FVCOM模型对待模拟湖泊富营养化过程进行动态连续模拟和富营养化预测。
进一步地，步骤(1)具体包括：
(1.1)对待模拟湖泊的富营养化指标与遥感影像数据进行相关性分析，并对相关性最高的波段及波段组合进行标准化处理后，作为用于反演各富营养化指标的最佳波段及波段组合；
(1.2)利用多种机器学习算法构建最佳波段及波段组合数据与实测富营养化指标之间的遥感反演模型，得到不同机器学习算法对应的多个遥感反演模型；
(1.3)通过以下公式对不同机器学习算法对应的多个遥感反演模型进行组合，得到最优遥感反演模型：
其中，
为第i个遥感反演模型模拟结果中第k个富营养化指标的反演值，Wi为第i个遥感反演模型权重，
N为遥感反演模型总个数，Di＝1-Hi，Hi为各模型熵值，
Pi(k)为第i个遥感反演模型相对误差权重，
ei(k)为第i个遥感反演模型误差，
y(k)为第k个富营养化指标的实测数据。
进一步地，所述多种机器学习算法包括多元回归、随机森林K值近邻、人工神经网络、支持向量机回归和随机森林回归。
进一步地，步骤(4)所述卡尔曼滤波算法采用的增益矩阵为：
其中，
为k+1时刻状态变量预测集合的方差，H为观测算子，Rk+1为k+1时刻观测误差协方差矩阵，
tr[]为对矩阵主对角线上的元素求和，N(k)＝V0(k)-H(k)V(k)Q(k-1)HT(k)-βR(k)，M(k)＝H(k)B(k)P(k-1)BT(k)HT(k)，V(k)为k时刻富营养化预测值与遥感反演最优值之间差值；H(k)为k时刻观测算子，Q(k-1)为模型误差协方差矩阵，β≥1；B(k)为系统状态转移矩阵。
按照本发明的另一方面提供了一种基于FVCOM和遥感反演的城市湖泊富营养化模拟系统，包括：
最优遥感反演模型构建模块，用于根据遥感影像数据和多种机器学习算法构建多个遥感反演模型，利用熵权法对多个遥感反演模型进行有机组合，得到最优遥感反演模型；
富营养化指标遥感反演模块，用于将待模拟湖泊的遥感影像数据输入所述最优遥感反演模型，得到富营养化指标遥感反演值；
富营养化指标FVCOM预测模块，用于将待模拟湖泊对应的边界条件、水文气象数据、水体参数和富营养化指标初始测量值输入FVCOM三维水动力水质耦合模型，得到富营养化预测值；所述FVCOM三维水动力水质耦合模型由FVCOM模型中的湖泊三维水动力模块和湖泊三维水质模块耦合得到；
同化模拟模块，根据所述富营养化预测值和富营养化指标遥感反演值之间误差，利用卡尔曼滤波算法对所述FVCOM模型参数进行更新并对输出的富营养化预测值进行校正，实现所述FVCOM模型输出与所述最优遥感反演模型输出的同化；
湖泊富营养化模拟模块，采用经过校正和同化的FVCOM模型对待模拟湖泊富营养化过程进行动态连续模拟和富营养化预测。
进一步地，所述最优遥感反演模型构建模块具体包括：
相关性分析单元，用于对待模拟湖泊的富营养化指标与遥感影像数据进行相关性分析，并对相关性最高的波段及波段组合进行标准化处理后，作为用于反演各富营养化指标的最佳波段及波段组合；
遥感反演模型集构建单元，利用多种机器学习算法构建最佳波段及波段组合数据与实测富营养化指标之间的遥感反演模型，得到不同机器学习算法对应的多个遥感反演模型；
遥感反演模型集组合单元，通过以下公式对不同机器学习算法对应的多个遥感反演模型进行组合，得到最优遥感反演模型：
其中，
为第i个遥感反演模型模拟结果中第k个富营养化指标的反演值，Wi为第i个遥感反演模型权重，
N为遥感反演模型总个数，Di＝1-Hi，Hi为各模型熵值，
Pi(k)为第i个遥感反演模型相对误差权重，
ei(k)为第i个遥感反演模型误差，
y(k)为第k个富营养化指标的实测数据。
进一步地，所述多种机器学习算法包括多元回归、随机森林K值近邻、人工神经网络、支持向量机回归和随机森林回归。
进一步地，所述卡尔曼滤波算法采用的增益矩阵为：
其中，
为k+1时刻状态变量预测集合的方差，H为观测算子，Rk+1为k+1时刻观测误差协方差矩阵，
tr[]为对矩阵主对角线上的元素求和，N(k)＝V0(k)-H(k)V(k)Q(k-1)HT(k)-βR(k)，M(k)＝H(k)B(k)P(k-1)BT(k)HT(k)，V(k)为k时刻富营养化预测值与遥感反演最优值之间差值；H(k)为k时刻观测算子，Q(k-1)为模型误差协方差矩阵，β≥1；B(k)为系统状态转移矩阵。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明引入水文预报中集合建模的思想，在考虑不同模型误差信息的基础上，集成多种水质遥感反演模型，获取水质参数反演结果的最优解，减少单模式水质遥感反演的不确定性影响，提高模型的稳定性、普适性以及水质遥感反演结果的精度，增加了水质遥感反演结果在湖泊富营养化精细化模拟中的可利用性。
(2)本发明首次将集合水质遥感反演优化值与FVCOM模型通过集合卡尔曼滤波改进算法进行耦合，用于城市湖泊的三维水动力水质模拟，实现数据在时间和空间上的扩展，为FVCOM数值计算提供具有时空一致性、连续性和更为精确的水质观测数据，修正FVCOM模型模拟结果，很好地解决了模型算子和观测算子的非线性、不连续性问题，有效提升无资料、信息不完全情况下富营养化演变动态过程的模拟与预报精度，为减少水环境数值模拟的不确定性提供了有效的途径。
附图说明
图1是本发明的一种基于FVCOM和遥感反演的城市湖泊富营养化模拟方法流程图；
图2是东湖现场采样布置图；
图3是东湖三维温度场可视化模拟图；
图4是东湖三维TP浓度场可视化模拟图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
参考图1，本发明实施例提供了一种基于FVCOM和遥感反演的城市湖泊富营养化模拟方法，包括：
(1)利用遥感影像数据和多种机器学习算法构建多个遥感反演模型，利用熵权法对多个遥感反演模型进行有机组合，得到最优遥感反演模型；
具体地，步骤(1)包括：
(1.1)对待模拟湖泊的富营养化指标与遥感影像数据进行相关性分析，并对相关性最高的波段及波段组合进行标准化处理后，作为用于反演各富营养化指标的最佳波段及波段组合；
进一步具体地，分析水温、叶绿素、总氮、总磷等湖泊富营养化指标的特征光谱，基于统计分析选择出Landsat8遥感数据中用于反演各指标浓度的最佳波段及波段组合。
(1.2)利用多种机器学习算法构建最佳波段及波段组合数据与实测富营养化指标之间的遥感反演模型，得到不同机器学习算法对应的多个遥感反演模型；
进一步具体地，本发明实施例利用多元回归、随机森林K值近邻(KNN)、人工神经网络(ANN)、支持向量机回归(SVR)和随机森林回归(RF)构建最佳波段及波段组合数据与实测富营养化指标之间的遥感反演模型。采用上述五种机器学习算法可以不断地学习模型校正过程中的反馈误差，完善自变量与因变量之间复杂的映射关系，是解决内陆水体反演时水质参数与波段反射率间复杂非线性关系的有效方法。
(1.3)通过以下公式对不同机器学习算法对应的多个遥感反演模型进行组合，得到最优遥感反演模型：
其中，
为第i个遥感反演模型模拟结果中第k个富营养化指标的反演值，Wi为第i个遥感反演模型权重，
N为遥感反演模型总个数，Di＝1-Hi，Hi为各模型熵值，
Pi(k)为第i个遥感反演模型相对误差权重，
ei(k)为第i个遥感反演模型误差，
y(k)为第k个富营养化指标的实测数据。
(2)将待模拟湖泊的遥感影像数据输入最优遥感反演模型，得到富营养化指标遥感反演值；
(3)将待模拟湖泊对应的边界条件、水文气象数据、水体参数和富营养化指标初始测量值输入FVCOM三维水动力水质耦合模型，得到富营养化预测值；所述FVCOM三维水动力水质耦合模型由FVCOM模型中的湖泊三维水动力模块和湖泊三维水质模块耦合得到；
具体地，FVCOM是具有非结构网格的三维有限体积海岸海洋模型，结合了有限单元法和有限差分法的优点，采用有限体积法离散方程，采用模式分裂技术和改进的半隐格式，发展高效稳定的时间推进计算方法，解决摩阻项可能引起的刚性问题，在小尺度问题、拟合复杂岸线边界、并行计算、节省计算花销等方面优势十分明显，已经在国内外河口、港湾、海域、湖泊的水动力水质模拟中得到应用，但是该模型用于内陆城市湖泊研究的案例极少。本发明首次将集合水质遥感反演优化值与FVCOM模型通过集合卡尔曼滤波改进算法进行耦合，用于城市湖泊的三维水动力水质模拟，实现数据在时间和空间上的扩展，为FVCOM数值计算提供具有时空一致性、连续性和更为精确的水质观测数据，修正FVCOM模型模拟结果，很好地解决了模型算子和观测算子的非线性、不连续性问题。
本发明实施例收集东湖水下地形DEM数据、水文、气象资料等模型计算所需要的边界条件，运用SMS软件生成自适应非结构网格；将水文气象数据作为驱动数据；湖泊水体参数作为模型输入参数；选取叶绿素、水温为状态变量，以k时刻对应的叶绿素和水温观测数据作为状态变量的初始值；将伪随机噪声(任意扰动)加入状态变量的初始值，产生状态变量的初始集合；基于增长模繁殖法计算最优扰动场，将最优扰动场叠加到状态变量，计算得初始扰动场；基于初始扰动场及其它文件，运用FVCOM模型，分别计算叶绿素和水温在k+1时刻的预测值；本发明基于增长模繁殖法(BGM)计算初始扰动场，代替传统集合卡尔曼滤波中蒙特卡罗方法，大大减小了误差增长率。
(4)根据富营养化预测值和富营养化指标遥感反演值之间误差，利用卡尔曼滤波算法对FVCOM模型参数进行更新并对输出的富营养化预测值进行校正，实现FVCOM模型输出与所述最优遥感反演模型输出的同化；
具体地，同化观测值(集合遥感反演数据)与状态变量(叶绿素、水温)，基于方差最小化原理调整模型状态变量，同时考虑模型预报误差和观测值误差，利用优化卡尔曼增益算法对模拟结果进行校正，最终得到优化的模型状态变量，进而更新状态变量；将同化更新的状态变量重新初始化模型参数，进入下一时刻的状态变量模拟，如此推进实现模拟轨迹的调整，最终得到状态变量集合的最优模拟值。
本发明对卡尔曼滤波算法中标准增益矩阵进行改进，添加次优渐消因子，实时调整增益矩阵，对历史模拟数据误差进行渐消，以降低历史误差对当前滤波值的影响程度，提高滤波精度。k+1时刻的改进滤波增益矩阵Kk+1公式如下：
其中，
为k+1时刻状态变量预测集合的方差，
为k+1时刻状态变量预测集合的平均值，
H为观测算子，Rk+1为k+1时刻观测误差协方差矩阵，λ(k+1)为k+1时刻的次优渐消因子，
tr[]为对矩阵主对角线上的元素求和，N(k)＝V0(k)-H(k)V(k)Q(k-1)HT(k)-βR(k)，M(k)＝H(k)B(k)P(k-1)BT(k)HT(k)，V(k)为k时刻富营养化预测值与遥感反演最优值之间差值；H(k)为k时刻观测算子，Q(k-1)为模型误差协方差矩阵，β≥1是为使状态估计值更平滑而引入的一个弱化因子；B(k)为系统状态转移矩阵，本发明实施例选择diag[]，对角矩阵。
(5)采用经过校正和同化的FVCOM模型对待模拟湖泊富营养化过程进行动态连续模拟和富营养化预测。
为验证本发明方法有效性，本发明实施例利用2017～2018年5次东湖野外叶绿素实测数据、同步东湖区域Landsat8遥感反射率和气象水文数据构建基于集合卡尔曼滤波的东湖叶绿素同化模型，并开展了基于扰动场生成方法的集合卡尔曼滤波东湖叶绿素同化研究。同时利用已开发的基于3D GIS湖泊富营养化同化模拟系统具有的多源异构数据的一体化管理功能、湖泊富营养化同化模拟模型的可视化前处理和后处理功能，对模拟与预测结果进行三维动态展示。具体方法如下：利用MATLAB程序对基于FVCOM的水动力水质模型生成的东湖流场、叶绿素浓度等状态变量的NetCDF格式数据进行预处理，将NetCDF格式数据转化可被ArcGIS等数据分析及图表绘制软件调用的4D数组文件，以ArcGIS的Geodatabase格式存储和管理，实现多源异构数据的一体化管理、综合查询；将预处理后的状态变量数据送入湖泊三维水动力水质可视化模拟系统，利用空间信息管理与分析技术辅助完成空间数据插值、空间分析，得到湖泊富营养化情况和演变规律，并输出东湖富营养化各状态变量的全湖分布图和动态变化图。现场采样布置图如图2所示，模拟与预测动态可视化结果如图3、图4所示，将本方法的模拟结果与实测流场和富营养指标的记录比较，结果证明，总体水位符合东湖西高东低的地形走势，基本符合东湖表面自由流动的实际情况，富营养指标也比较接近；同时从模拟结果可以看出，东湖整体呈现为轻度、中度富营养化状态，且表现出明显的子湖差异性，结合东湖周边点源污染的分布现状，发现东湖点源污是造成东湖富营养化的主要原因。
本发明实施例的另一方面提供了一种基于FVCOM和遥感反演的城市湖泊富营养化模拟系统，包括：最优遥感反演模型构建模块，用于根据遥感影像数据和多种机器学习算法构建多个遥感反演模型，利用熵权法对多个遥感反演模型进行有机组合，得到最优遥感反演模型；富营养化指标遥感反演模块，用于将待模拟湖泊的遥感影像数据输入所述最优遥感反演模型，得到富营养化指标遥感反演值；富营养化指标FVCOM预测模块，用于将待模拟湖泊对应的边界条件、水文气象数据、水体参数和富营养化指标初始测量值输入FVCOM三维水动力水质耦合模型，得到富营养化预测值；所述FVCOM三维水动力水质耦合模型由FVCOM模型中的湖泊三维水动力模块和湖泊三维水质模块耦合得到；同化模拟模块，根据所述富营养化预测值和富营养化指标遥感反演值之间误差，利用卡尔曼滤波算法对所述FVCOM模型参数进行更新并对输出的富营养化预测值进行校正，实现所述FVCOM模型输出与所述最优遥感反演模型输出的同化；湖泊富营养化模拟模块，采用经过校正和同化的FVCOM模型对待模拟湖泊富营养化过程进行动态连续模拟和富营养化预测。
其中，最优遥感反演模型构建模块具体包括：相关性分析单元，用于对待模拟湖泊的富营养化指标与遥感影像数据进行相关性分析，并对相关性最高的波段及波段组合进行标准化处理后，作为用于反演各富营养化指标的最佳波段及波段组合；遥感反演模型集构建单元，利用多种机器学习算法构建最佳波段及波段组合数据与实测富营养化指标之间的遥感反演模型，得到不同机器学习算法对应的多个遥感反演模型；遥感反演模型集组合单元，通过以下公式对不同机器学习算法对应的多个遥感反演模型进行组合，得到最优遥感反演模型：
其中，
为第i个遥感反演模型模拟结果中第k个富营养化指标的反演值，Wi为第i个遥感反演模型权重，
N为遥感反演模型总个数，Di＝1-Hi，Hi为各模型熵值，
Pi(k)为第i个遥感反演模型相对误差权重，
ei(k)为第i个遥感反演模型误差，
y(k)为第k个富营养化指标的实测数据。
卡尔曼滤波算法采用的增益矩阵为：
其中，
为k+1时刻状态变量预测集合的方差，H为观测算子，Rk+1为k+1时刻观测误差协方差矩阵，
tr[]为对矩阵主对角线上的元素求和，N(k)＝V0(k)-H(k)V(k)Q(k-1)HT(k)-βR(k)，M(k)＝H(k)B(k)P(k-1)BT(k)HT(k)，V(k)为k时刻富营养化预测值与遥感反演最优值之间差值；H(k)为k时刻观测算子，Q(k-1)为模型误差协方差矩阵，β≥1；B(k)为系统状态转移矩阵。系统各模块的具体实施方式与上述方法对应，本发明不再赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于FVCOM和遥感反演的城市湖泊富营养化模拟方法，其特征在于，包括：
(1)利用遥感影像数据和多种机器学习算法构建得到多个遥感反演模型，利用熵权法对多个遥感反演模型进行有机组合，得到最优遥感反演模型；
(2)将待模拟湖泊的遥感影像数据输入所述最优遥感反演模型，得到富营养化指标遥感反演值；
(3)将待模拟湖泊对应的边界条件、水文气象数据、水体参数和富营养化指标初始测量值输入FVCOM三维水动力水质耦合模型，得到富营养化预测值；所述FVCOM三维水动力水质耦合模型由FVCOM模型中的湖泊三维水动力模块和湖泊三维水质模块耦合得到；
(4)根据所述富营养化预测值和富营养化指标遥感反演值之间误差，利用卡尔曼滤波算法对所述FVCOM模型参数进行更新并对输出的富营养化预测值进行校正，实现所述FVCOM模型输出与所述最优遥感反演模型输出的同化；
(5)采用经过校正和同化的FVCOM模型对待模拟湖泊富营养化过程进行动态连续模拟和富营养化预测。
2.根据权利要求1所述的一种基于FVCOM和遥感反演的城市湖泊富营养化模拟方法，其特征在于，步骤(1)具体包括：
(1.1)对待模拟湖泊的富营养化指标与遥感影像数据进行相关性分析，并对相关性最高的波段及波段组合进行标准化处理后，作为用于反演各富营养化指标的最佳波段及波段组合；
(1.2)利用多种机器学习算法构建最佳波段及波段组合数据与实测富营养化指标之间的遥感反演模型，得到不同机器学习算法对应的多个遥感反演模型；
(1.3)通过以下公式对不同机器学习算法对应的多个遥感反演模型进行组合，得到最优遥感反演模型：
其中，
为第i个遥感反演模型模拟结果中第k个富营养化指标的反演值，Wi为第i个遥感反演模型权重，
N为遥感反演模型总个数，Di＝1-Hi，Hi为各模型熵值，
Pi(k)为第i个遥感反演模型相对误差权重，
ei(k)为第i个遥感反演模型误差，
y(k)为第k个富营养化指标的实测数据。
3.根据权利要求2所述的一种基于FVCOM和遥感反演的城市湖泊富营养化模拟方法，其特征在于，所述多种机器学习算法包括多元回归、随机森林K值近邻、人工神经网络、支持向量机回归和随机森林回归。
4.根据权利要求1-3任一项所述的一种基于FVCOM和遥感反演的城市湖泊富营养化模拟方法，其特征在于，步骤(4)所述卡尔曼滤波算法采用的增益矩阵为：
其中，
为k+1时刻状态变量预测集合的方差，H为观测算子，Rk+1为k+1时刻观测误差协方差矩阵，
tr[]为对矩阵主对角线上的元素求和，N(k)＝V0(k)-H(k)V(k)Q(k-1)HT(k)-βR(k)，M(k)＝H(k)B(k)P(k-1)BT(k)HT(k)，V(k)为k时刻富营养化预测值与遥感反演最优值之间差值；H(k)为k时刻观测算子，Q(k-1)为模型误差协方差矩阵，β≥1；B(k)为系统状态转移矩阵。
5.一种基于FVCOM和遥感反演的城市湖泊富营养化模拟系统，其特征在于，包括：
最优遥感反演模型构建模块，用于根据遥感影像数据和多种机器学习算法构建多个遥感反演模型，利用熵权法对多个遥感反演模型进行有机组合，得到最优遥感反演模型；
富营养化指标遥感反演模块，用于将待模拟湖泊的遥感影像数据输入所述最优遥感反演模型，得到富营养化指标遥感反演值；
富营养化指标FVCOM预测模块，用于将待模拟湖泊对应的边界条件、水文气象数据、水体参数和富营养化指标初始测量值输入FVCOM三维水动力水质耦合模型，得到富营养化预测值；所述FVCOM三维水动力水质耦合模型由FVCOM模型中的湖泊三维水动力模块和湖泊三维水质模块耦合得到；
同化模拟模块，根据所述富营养化预测值和富营养化指标遥感反演值之间误差，利用卡尔曼滤波算法对所述FVCOM模型参数进行更新并对输出的富营养化预测值进行校正，实现所述FVCOM模型输出与所述最优遥感反演模型输出的同化；
湖泊富营养化模拟模块，采用经过校正和同化的FVCOM模型对待模拟湖泊富营养化过程进行动态连续模拟和富营养化预测。
6.根据权利要求5所述的一种基于FVCOM和遥感反演的城市湖泊富营养化模拟系统，其特征在于，所述最优遥感反演模型构建模块具体包括：
相关性分析单元，用于对待模拟湖泊的富营养化指标与遥感影像数据进行相关性分析，并对相关性最高的波段及波段组合进行标准化处理后，作为用于反演各富营养化指标的最佳波段及波段组合；
遥感反演模型集构建单元，利用多种机器学习算法构建最佳波段及波段组合数据与实测富营养化指标之间的遥感反演模型，得到不同机器学习算法对应的多个遥感反演模型；
遥感反演模型集组合单元，通过以下公式对不同机器学习算法对应的多个遥感反演模型进行组合，得到最优遥感反演模型：
其中，
为第i个遥感反演模型模拟结果中第k个富营养化指标的反演值，Wi为第i个遥感反演模型权重，
N为遥感反演模型总个数，Di＝1-Hi，Hi为各模型熵值，
Pi(k)为第i个遥感反演模型相对误差权重，
ei(k)为第i个遥感反演模型误差，
y(k)为第k个富营养化指标的实测数据。
7.根据权利要求6所述的一种基于FVCOM和遥感反演的城市湖泊富营养化模拟系统，其特征在于，所述多种机器学习算法包括多元回归、随机森林K值近邻、人工神经网络、支持向量机回归和随机森林回归。
8.根据权利要求1-7任一项所述的一种基于FVCOM和遥感反演的城市湖泊富营养化模拟系统，其特征在于，所述卡尔曼滤波算法采用的增益矩阵为：
其中，
为k+1时刻状态变量预测集合的方差，H为观测算子，Rk+1为k+1时刻观测误差协方差矩阵，
tr[]为对矩阵主对角线上的元素求和，N(k)＝V0(k)-H(k)V(k)Q(k-1)HT(k)-βR(k)，M(k)＝H(k)B(k)P(k-1)BT(k)HT(k)，V(k)为k时刻富营养化预测值与遥感反演最优值之间差值；H(k)为k时刻观测算子，Q(k-1)为模型误差协方差矩阵，β≥1；B(k)为系统状态转移矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911064784.3A CN110887790B (zh) | 2019-11-04 | 2019-11-04 | 基于fvcom和遥感反演的城市湖泊富营养化模拟方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911064784.3A CN110887790B (zh) | 2019-11-04 | 2019-11-04 | 基于fvcom和遥感反演的城市湖泊富营养化模拟方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110887790A true CN110887790A (zh) | 2020-03-17 |
| CN110887790B CN110887790B (zh) | 2020-12-29 |
Family
ID=69746817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911064784.3A Active CN110887790B (zh) | 2019-11-04 | 2019-11-04 | 基于fvcom和遥感反演的城市湖泊富营养化模拟方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110887790B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111584014A (zh) * | 2020-05-26 | 2020-08-25 | 自然资源部第二海洋研究所 | 一种基于高分辨率水动力模式的桑沟湾水质分析方法 |
| CN111783361A (zh) * | 2020-07-07 | 2020-10-16 | 中国人民解放军国防科技大学 | 基于三重多层感知机的数值天气预报混合资料同化方法 |
| CN111814371A (zh) * | 2020-06-28 | 2020-10-23 | 青岛哈船海智科技有限公司 | 一种基于船载实测数据的海水温度场构建方法 |
| CN111898314A (zh) * | 2020-07-15 | 2020-11-06 | 中国科学院空天信息创新研究院 | 湖泊水体参数检验方法、装置、电子设备及存储介质 |
| CN112881353A (zh) * | 2021-01-11 | 2021-06-01 | 江西师范大学 | 一种测定水体中溶解性有机碳浓度的方法和装置 |
| CN112949167A (zh) * | 2021-02-03 | 2021-06-11 | 南京信息工程大学 | 饮用水水源地动态监测预警系统及其监测预警方法 |
| CN113343601A (zh) * | 2021-06-17 | 2021-09-03 | 黄河勘测规划设计研究院有限公司 | 一种复杂水系湖泊水位和污染物迁移的动态模拟方法 |
| CN115641696A (zh) * | 2022-09-28 | 2023-01-24 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于多源信息的网格化洪水预报模型构建及实时校正方法 |
| CN115935626A (zh) * | 2022-11-25 | 2023-04-07 | 河南大学 | 基于vae-pinn算法的河水-地下水垂向瞬态交互水流通量的反演方法 |
| CN116976185A (zh) * | 2023-03-06 | 2023-10-31 | 聊城市茌平区润德勘察测绘有限公司 | 一种基于物联网云平台的地质灾害大数据预警评估系统 |
| EP4303581A1 (de) * | 2022-07-05 | 2024-01-10 | China Three Gorges Co., Ltd. | System und verfahren zur intelligenten frühwarnung vor wasserblüten basierend auf der vorhersage des ernährungszustands von gewässern |
| CN117637054A (zh) * | 2023-11-22 | 2024-03-01 | 北京师范大学 | 一种流域全尺度水生态系统动态模拟方法及装置 |
| CN118332444A (zh) * | 2024-06-14 | 2024-07-12 | 广东工业大学 | 基于气候与社会经济指标的城市湖泊营养水平预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408744A (zh) * | 2014-11-17 | 2015-03-11 | 电子科技大学 | 一种用于目标跟踪的强跟踪容积卡尔曼滤波方法 |
| CN107036974A (zh) * | 2016-11-18 | 2017-08-11 | 中国水利水电科学研究院 | 基于确定性集合建模的水质参数多模型协同反演方法 |
| CN107885909A (zh) * | 2017-10-18 | 2018-04-06 | 中国水利水电科学研究院 | 一种水质遥感多模型协同反演的权重集结优化方法及装置 |
| CN108169744A (zh) * | 2017-12-08 | 2018-06-15 | 中国船舶重工集团公司第七二四研究所 | 一种地波雷达与卫星海洋动力反演信息融合处理方法 |
| CN109086948A (zh) * | 2018-09-17 | 2018-12-25 | 中国水利水电科学研究院 | 基于数据同化的湖库富营养化预警方法 |
| CN109871638A (zh) * | 2019-03-06 | 2019-06-11 | 南京林业大学 | 一种湖泊湿地富营养化评价模型构建方法 |
-
2019
- 2019-11-04 CN CN201911064784.3A patent/CN110887790B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408744A (zh) * | 2014-11-17 | 2015-03-11 | 电子科技大学 | 一种用于目标跟踪的强跟踪容积卡尔曼滤波方法 |
| CN107036974A (zh) * | 2016-11-18 | 2017-08-11 | 中国水利水电科学研究院 | 基于确定性集合建模的水质参数多模型协同反演方法 |
| CN107885909A (zh) * | 2017-10-18 | 2018-04-06 | 中国水利水电科学研究院 | 一种水质遥感多模型协同反演的权重集结优化方法及装置 |
| CN108169744A (zh) * | 2017-12-08 | 2018-06-15 | 中国船舶重工集团公司第七二四研究所 | 一种地波雷达与卫星海洋动力反演信息融合处理方法 |
| CN109086948A (zh) * | 2018-09-17 | 2018-12-25 | 中国水利水电科学研究院 | 基于数据同化的湖库富营养化预警方法 |
| CN109871638A (zh) * | 2019-03-06 | 2019-06-11 | 南京林业大学 | 一种湖泊湿地富营养化评价模型构建方法 |
Non-Patent Citations (10)
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111584014A (zh) * | 2020-05-26 | 2020-08-25 | 自然资源部第二海洋研究所 | 一种基于高分辨率水动力模式的桑沟湾水质分析方法 |
| CN111814371B (zh) * | 2020-06-28 | 2023-12-12 | 青岛哈船海智科技有限公司 | 一种基于船载实测数据的海水温度场构建方法 |
| CN111814371A (zh) * | 2020-06-28 | 2020-10-23 | 青岛哈船海智科技有限公司 | 一种基于船载实测数据的海水温度场构建方法 |
| CN111783361A (zh) * | 2020-07-07 | 2020-10-16 | 中国人民解放军国防科技大学 | 基于三重多层感知机的数值天气预报混合资料同化方法 |
| CN111783361B (zh) * | 2020-07-07 | 2021-03-12 | 中国人民解放军国防科技大学 | 基于三重多层感知机的数值天气预报混合资料同化方法 |
| CN111898314A (zh) * | 2020-07-15 | 2020-11-06 | 中国科学院空天信息创新研究院 | 湖泊水体参数检验方法、装置、电子设备及存储介质 |
| CN111898314B (zh) * | 2020-07-15 | 2024-03-08 | 中国科学院空天信息创新研究院 | 湖泊水体参数检验方法、装置、电子设备及存储介质 |
| CN112881353A (zh) * | 2021-01-11 | 2021-06-01 | 江西师范大学 | 一种测定水体中溶解性有机碳浓度的方法和装置 |
| CN112881353B (zh) * | 2021-01-11 | 2022-11-15 | 江西师范大学 | 一种测定水体中溶解性有机碳浓度的方法和装置 |
| CN112949167A (zh) * | 2021-02-03 | 2021-06-11 | 南京信息工程大学 | 饮用水水源地动态监测预警系统及其监测预警方法 |
| CN113343601A (zh) * | 2021-06-17 | 2021-09-03 | 黄河勘测规划设计研究院有限公司 | 一种复杂水系湖泊水位和污染物迁移的动态模拟方法 |
| EP4303581A1 (de) * | 2022-07-05 | 2024-01-10 | China Three Gorges Co., Ltd. | System und verfahren zur intelligenten frühwarnung vor wasserblüten basierend auf der vorhersage des ernährungszustands von gewässern |
| CN115641696B (zh) * | 2022-09-28 | 2023-09-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于多源信息的网格化洪水预报模型构建及实时校正方法 |
| CN115641696A (zh) * | 2022-09-28 | 2023-01-24 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于多源信息的网格化洪水预报模型构建及实时校正方法 |
| CN115935626B (zh) * | 2022-11-25 | 2023-09-08 | 河南大学 | 河水-地下水垂向瞬态交互水流通量的反演方法 |
| CN115935626A (zh) * | 2022-11-25 | 2023-04-07 | 河南大学 | 基于vae-pinn算法的河水-地下水垂向瞬态交互水流通量的反演方法 |
| CN116976185A (zh) * | 2023-03-06 | 2023-10-31 | 聊城市茌平区润德勘察测绘有限公司 | 一种基于物联网云平台的地质灾害大数据预警评估系统 |
| CN116976185B (zh) * | 2023-03-06 | 2024-05-28 | 中国建筑材料工业地质勘查中心甘肃总队 | 一种基于物联网云平台的地质灾害大数据预警评估系统 |
| CN117637054A (zh) * | 2023-11-22 | 2024-03-01 | 北京师范大学 | 一种流域全尺度水生态系统动态模拟方法及装置 |
| CN118332444A (zh) * | 2024-06-14 | 2024-07-12 | 广东工业大学 | 基于气候与社会经济指标的城市湖泊营养水平预测方法 |
| CN118332444B (zh) * | 2024-06-14 | 2024-08-20 | 广东工业大学 | 基于气候与社会经济指标的城市湖泊营养水平预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110887790B (zh) | 2020-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110887790B (zh) | 基于fvcom和遥感反演的城市湖泊富营养化模拟方法和系统 | |
| GB2547816B (en) | Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation | |
| CN111859800A (zh) | 用于pm2.5浓度分布的时空估算和预测的方法 | |
| CN102004856B (zh) | 高频观测资料实时数据的快速集合卡曼滤波同化方法 | |
| CN113283095A (zh) | 一种进化式数字孪生流域构建方法 | |
| CN114117848B (zh) | 一种基于多模型耦合的流域水环境模拟预测的方法及装置 | |
| CN113569438B (zh) | 基于多源降雨融合和实时校正的城市洪涝模型构建方法 | |
| CN109558973A (zh) | 一种水质与水生态一体化预警系统、控制设备和存储介质 | |
| CN112765912A (zh) | 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法 | |
| CN116609860B (zh) | 基于集成学习算法的水文模型实时校正方法和系统 | |
| CN107526880B (zh) | 一种基于河流水质观测推算上游入河污染通量的方法 | |
| Hu | A review of the models for Lake Taihu and their application in lake environmental management | |
| CN110727923B (zh) | 一种短期潮位预报方法 | |
| CN107944111A (zh) | 基于改进图论和水文模拟的河网水系连通度计算方法 | |
| CN112699959A (zh) | 基于能量泛函模型的多源多尺度降水数据融合方法和装置 | |
| CN117491585A (zh) | 基于时序网络的水生态污染监测方法及装置、系统 | |
| CN108733952B (zh) | 一种基于序贯模拟的土壤含水量空间变异性三维表征方法 | |
| CN114186723A (zh) | 一种基于时空关联的分布式光伏功率网格虚拟预测系统 | |
| CN115879498A (zh) | 一种基于图神经网络的海洋环境参数快速精细化预报方法 | |
| CN107919983A (zh) | 一种基于数据挖掘的天基信息网络效能评估系统及方法 | |
| CN116929454A (zh) | 一种河流水质污染监测方法、介质及系统 | |
| CN110580377A (zh) | 一种基于响应曲面法的植草沟设计参数优化方法 | |
| CN112699287A (zh) | 可配置的模型数据自动预处理与分发方法和系统 | |
| Jebastina et al. | Spatial prediction of nitrate concentration using GIS and ANFIS modelling in groundwater | |
| CN116202575A (zh) | 一种水土保持土壤流失率监测系统及方法 |
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 |