CN111401529B - 一种基于遥感技术的河流生态流量监管方法 - Google Patents
一种基于遥感技术的河流生态流量监管方法 Download PDFInfo
- Publication number
- CN111401529B CN111401529B CN202010318594.6A CN202010318594A CN111401529B CN 111401529 B CN111401529 B CN 111401529B CN 202010318594 A CN202010318594 A CN 202010318594A CN 111401529 B CN111401529 B CN 111401529B
- Authority
- CN
- China
- Prior art keywords
- river
- water surface
- surface width
- section
- remote sensing
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/002—Measuring the movement of open water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06314—Calendaring for a resource
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Abstract
本发明公开了一种遥感技术的河流生态流量监管方法,包括:基于构建的水面宽水力模型对历史水文数据进行修正,并根据修正后的历史水文数据与遥感所测数据,绘制历史水文数据与遥感所测水面宽关系曲线,并计算得到河流生态流量保障率;同时,将计算得到的河流弯曲系数,结合河流生态流量保障率,监管、评估目标河道河流生态流量的合理性。本发明对全河段生态流量监管,具有实时非接触式、快速地监管河流生态流量,节约成本且监管安全有效。基于历史水文数据和遥感数据进行模型构建,并对历史水文数据进行快速修正,提高其河流生态流量监管的准确性和可操作性。
Description
技术领域
本发明属于生态流量的技术领域,具体涉及一种基于遥感技术的河流生态流量监管方法。
背景技术
生态流量是河流生态环境恢复、维持、发展最重要的条件,也是解决河流生态系统损害最有效的途径之一。2015年联合国通过的《2030年可持续发展议程》中将生态流量作为实现可持续发展目标的重要措施之一。现有的生态流量评估方法相对成熟,很多国家对河流设置生态流量。尽管各国已经意识到河流生态流量的重要性,提出了大量的生态流量方法,也对很多河流设置了生态流量。然而,人们关注较多的是水电工程的经济和社会效益,其生态功能不能获得足够的重视。上游不放水或者不节制从河道引水,导致下游河道生态流量不足,生态流量不能得到保障。随着河流“三生”用水矛盾日益突出,河流的生态流量不足,造成河流生态系统退化,甚至生物灭绝的发生。为保障生态流量,我国也颁布了一系列生态流量监测管理的相关政策,然而传统的监管效果不明显。尽管河道内设置监控系统,但是由于河流沿线抵触高山地区、交通不便、地势险恶,安装的太阳能监管由于其不稳定性,维护成本高,监管效果差。
为此,本发明在建立生态流量与水面宽度之间的关系基础上,通过遥感监测实时监测生态水面宽度,保障河流生态流量。该方法通过河流全河段的非接触式监管、避免工作人员去现场维护和监测,计算简单且快速、节约成本且安全有效地监管。
发明内容
本发明的目的在于针对现有技术中的上述不足,提供一种基于遥感技术的河流生态流量监管方法,以解决现有生态流量监控不准确、费时费力和不安全性不足、难于操作的问题。为达到上述目的,本发明采取的技术方案是:
一种基于遥感技术的河流生态流量监管方法,其包括:
S1、获取水文监测站河道及其上下游若干年的历史流量数据和历史河道水面宽数据,并绘制流量和河道水面宽关系曲线;
S2、对历史流量数据进行预处理,得到关于流量数据的时间序列数据,将时间序列数据作为输入数据进行监督学习,得到训练样本数据和测试样本数据;
S3、根据训练样本数据和测试样本数据构建Bi-LSTM模型,并基于测试样本数据对Bi-LSTM模型进行测试,获取作为预测输出结果的河道流量数据;
S4、根据步骤S3中得到的预测输出结果河道流量数据Q和河道断面水面宽w之间的水力函数关系,构建河道水面宽水力模型:
W=α*Q*β
其中,α、β均为河道水面宽水力模型系数;
S5、基于遥感实时测量提取河道断面水面宽W0,将河道断面水面宽W0作为输出,预测所得的河道流量数据Q作为输入带入河道水面宽水力模型中,进行参数α、β的优化求解,得到优化修正后的河道水面宽水力模型;
S6、根据优化修正后的河道水面宽水力模型,绘制修正后历史河道水面宽与时间关系曲线,并绘制遥感测量河道断面水面宽W0与时间关系曲线;
S7、将同期的历史河道水面宽与时间的关系曲线和遥感测量河道断面水面宽W0与时间的关系曲线进行拟合,得到历史河道水面宽与遥感测量河道断面水面宽的关系曲线;
S8、根据历史河道水面宽与遥感测量河道断面水面宽的关系曲线,计算目标河道河流生态流量保障率;
S9、计算目标河道河流弯曲系数,并根据河道河流生态流量保障率,监管、评估目标河道河流生态流量的合理性。
优选地,步骤S2对历史流量数据进行预处理包括:采用minmaxscaler算法对历史流量数据进行归一化处理,补充流量数据缺失值。
优选地,步骤S2中通过训练样本数据进行Bi-LSTM神经网络训练之前,设置与Bi-LSTM神经网络训练相关的Bi-LSTM神经网络超参数,包括:采用Keras搭建Bi-LSTM神经网络,确定Bi-LSTM的层数包括输入层、Bi-LSTM层、输出层的节点数,并选择MAE作为损失函数,选择adam作为优化器,relu函数作为激活函数。
优选地,步骤S2中训练样本数据和测试样本数据之间的比例为5:2。
优选地,步骤S5中基于遥感采集河道断面水面宽W0包括:
选取河流断面,建设河流标识点作为遥感影像识别特征点以及断面位置标识点;
利用得到的高精度遥感影像并结合地面增强标识点的尺寸辨识河流该断面的水面宽,并沿着被监测河床断面提取河道断面水面宽W0。
优选地,步骤S5进行参数α、β的优化求解,得到优化修正后的河道水面宽水力模型包括:
S5.1、将遥感所测河道断面水面宽W0作为输出,预测所得河道流量数据Q作为输入带入河道水面宽水力模型,得到N组系数αi、βi,其中,αi、βi分别为求解得到的第i组系数,i=1、2、…N,N≥70000;
S5.2、在N组系数αi、βi中随机选取M组系数αj、βj,j=1、2、…M,1000≤M≤N,将M组系数分别带入水面宽水力模型Wj=αj*Q*βj中,并随机选取预测所得的河道流量数据Q作为输入带入Wj=αj*Q*βj中,计算得到河道断面水面宽测试值;
S5.3、将河道断面水面宽测试值与其对应的遥感所测河道断面水面宽进行线性拟合:
y=ax+b
其中,令y为河道断面水面宽测试值,x为河道断面水面宽真实值,设定遥感实时测量监测河道断面水面宽即为河道断面水面真实值,a、b为待定参数;
S5.4、设定河道断面水面宽测试值的偏差加权平方和最小为目标函数D:
其中,yi为第i组计算得到的河道断面水面宽测试值,xi为第i组通过遥感实时测量监测河道断面水面宽,即为河道断面水面宽真实值;
对参数a、b分别求取一阶偏导:
对参数a、b分别求取二阶偏导:
令一阶偏导为0:
解得参数a、b分别为:
其中,为河道断面水面宽真实值的平均值,为河道断面水面宽测试值的平均值;为河道断面水面宽真实值的平均值与河道断面水面宽测试值平均值的乘积,为河道断面水面宽真实值与河道断面水面宽测试值乘积的均值,为河道断面水面宽真实值平方的均值;
S5.5、将参数a、b带入拟合方程,得到河道断面水面宽测试值和遥感实时测量监测河道断面水面宽真实值之间的线性拟合曲线;
S5.6、根据线性拟合曲线,去除河道断面水面宽测试值和遥感所测河道断面水面宽真实值之间相对误差大于0.01对应的河道水面宽水力模型系数α、β;选取相对误差小于等于0.01对应的河道水面宽水力模型系数αk、βk,其中,1≤k≤m;
S5.7、分别计算系数αk、βk的均值系数α’、β’,并将均值系数α’、β’作为最优系数带入,得到优化修正后的河道水面宽水力模型:
W=α’*Q*β’。
优选地,步骤S5.5基于Matlab平台进行拟合曲线的线性拟合,得到河道断面水面宽测试值和遥感实时测量监测河道断面水面宽真实值之间的线性拟合曲线。
优选地,步骤S8根据历史河道水面宽与遥感测量河道断面水面宽的关系曲线,计算目标河道河流生态流量保障率包括:
S8.1、将同一时期遥感测量河道断面水面宽和修正后的历史河道水面宽进行比较;
S8.2、若遥感测量河道断面水面宽大于等于修正后的历史河道水面宽的数值,则目标河道河流满足生态流量;
S8.3、若遥感测量河道断面水面宽小于修正后的历史河道水面宽的数值,则目标河道河流不满足生态流量;
S8.4、定义目标河道河流满足生态流量的时间与全时间段的比值为生态流量保障率p:
其中,t为全时间段T内满足生态流量的时间。
本发明提供的基于遥感技术的河流生态流量监管方法,具有以下有益效果:本发明通过构建的水面宽水力模型对历史水文数据进行修正,并根据修正后的历史水文数据与遥感所测数据,计算得到河流生态流量保障率;同时,将计算得到的河流弯曲系数,结合河流生态流量保障率,可为河道管理部门提供管理决策的依据,进一步监管、评估目标河道河流生态流量的合理性。本发明通过河流全河段的实时非接触式监管,方法计算简单且快速、节约成本且安全有效监管,大尺度、广范围有效地了解河湖生态流量是否满足。基于历史水文数据和遥感数据进行模型构建,并对历史水文数据进行快速修正,提高其河流生态流量监管的准确性和可操作性。
附图说明
图1为本发明流程图。
图2为流量和河道水面宽关系曲线。
图3为修正后历史河道水面宽与时间关系曲线。
图4为遥感测量河道断面水面宽W0与时间关系曲线。
图5为历史河道水面宽与遥感测量河道断面水面宽的关系曲线。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
根据本申请的一个实施例,参考图1,本方案的基于遥感技术的河流生态流量监管方法,包括:
S1、获取水文监测站河道及其上下游若干年的历史流量数据和历史河道水面宽数据,并绘制流量和河道水面宽关系曲线;
S2、对历史流量数据进行预处理,得到关于流量数据的时间序列数据,将时间序列数据作为输入数据进行监督学习,得到训练样本数据和测试样本数据;
S3、根据训练样本数据和测试样本数据构建Bi-LSTM模型,并基于测试样本数据对Bi-LSTM模型进行测试,获取作为预测输出结果的河道流量数据;
S4、根据步骤S3中得到的预测输出结果河道流量数据Q和河道断面水面宽w之间的水力函数关系,构建河道水面宽水力模型:
W=α*Q*β
其中,α、β均为河道水面宽水力模型系数;
S5、基于遥感实时测量提取河道断面水面宽W0,将河道断面水面宽W0作为输出,预测所得的河道流量数据Q作为输入带入河道水面宽水力模型中,进行参数α、β的优化求解,得到优化修正后的河道水面宽水力模型;
S6、根据优化修正后的河道水面宽水力模型,绘制修正后历史河道水面宽与时间关系曲线,并绘制遥感测量河道断面水面宽W0与时间关系曲线;
S7、将同期的历史河道水面宽与时间的关系曲线和遥感测量河道断面水面宽W0与时间的关系曲线进行拟合,得到历史河道水面宽与遥感测量河道断面水面宽的关系曲线;
S8、根据历史河道水面宽与遥感测量河道断面水面宽的关系曲线,计算目标河道河流生态流量保障率;
S9、计算目标河道河流弯曲系数;并根据河道河流生态流量保障率,监管、评估目标河道河流生态流量的合理性。
根据本申请的一个实施例,以下将对上述步骤进行详细描述。
步骤S1、基于水文历史监测数据,绘制流量和河道水面宽关系曲线;
参考图2,获取水文监测站河道及其上下游若干年的历史流量数据和历史河道水面宽数据,绘制流量和河道水面宽关系曲线。
步骤S2、获取关于流量数据的训练样本数据和测试样本数据;
对历史流量数据进行预处理,采用minmaxscaler算法对历史流量数据进行归一化处理,补充流量数据缺失值,得到关于流量数据的时间序列数据。将时间序列数据作为输入数据进行监督学习,得到训练样本数据和测试样本数据。
训练样本数据进行Bi-LSTM神经网络训练之前,需要设置与Bi-LSTM神经网络训练相关的Bi-LSTM神经网络超参数,包括:用Keras搭建Bi-LSTM神经网络,确定Bi-LSTM的层数包括输入层、Bi-LSTM层、输出层的节点数,并选择MAE作为损失函数,选择adam作为优化器,选择relu函数作为激活函数。
其中,训练样本数据和测试样本数据之间的比例可以根据实际使用的需要进行设置,本实施例训练样本数据和测试样本数据的比例为5:2。
步骤S3、构建Bi-LSTM模型,输出河道流量数据;
测试样本数据的作用为训练估计模型,将测试样本数据作为Bi-LSTM模型的输入,得到作为预测输出结果的河道流量数据。
步骤S4、构建河道水面宽水力模型;
基于水文参数关系,河道断面水面宽W、平均流速V、平均水深D和水流量Q之间的水力要素之间的函数关系为:
W=α*Q*β
D=cQ f
V=kQ m
其中,α,c,k,β,f,m均为系数。
故得,河道水面宽水力模型:
W=α*Q*β
其中,α、β均为河道水面宽水力模型系数。
步骤S5、基于遥感实时测量提取河道断面水面宽W0,将河道断面水面宽W0作为输出,预测所得的河道流量数据Q作为输入带入河道水面宽水力模型中,进行参数α、β的优化求解,得到优化修正后的河道水面宽水力模型;其具体包括:
S5.1、将遥感所测河道断面水面宽W0作为输出,预测所得河道流量数据Q作为输入带入河道水面宽水力模型,得到N组系数αi、βi,其中,αi、βi分别为求解得到的第i组系数,i=1、2、…N,N≥70000;
S5.2、在N组系数αi、βi中随机选取M组系数αj、βj,j=1、2、…M,1000≤M≤N,将M组系数分别带入水面宽水力模型Wj=αj*Q*βj中,并随机选取预测所得的河道流量数据Q作为输入带入Wj=αj*Q*βj中,计算得到河道断面水面宽测试值;
S5.3、将河道断面水面宽测试值与其对应的遥感所测河道断面水面宽进行线性拟合:
y=ax+b
其中,令y为河道断面水面宽测试值,x为河道断面水面宽真实值,设定遥感实时测量监测河道断面水面宽即为河道断面水面真实值,a、b为待定参数;
S5.4、设定河道断面水面宽测试值的偏差加权平方和最小为目标函数D:
其中,yi为第i组计算得到的河道断面水面宽测试值,xi为第i组通过遥感实时测量监测河道断面水面宽,即为河道断面水面宽真实值;
对参数a、b分别求取一阶偏导:
对参数a、b分别求取二阶偏导:
令一阶偏导为0:
解得参数a、b分别为:
其中,为河道断面水面宽真实值的平均值,为河道断面水面宽测试值的平均值;为河道断面水面宽真实值的平均值与河道断面水面宽测试值平均值的乘积,为河道断面水面宽真实值与河道断面水面宽测试值乘积的均值,为河道断面水面宽真实值平方的均值;
S5.5、将参数a、b带入拟合方程,得到河道断面水面宽测试值和遥感实时测量监测河道断面水面宽真实值之间的线性拟合曲线;
S5.6、根据线性拟合曲线,去除河道断面水面宽测试值和遥感所测河道断面水面宽真实值之间相对误差大于0.01对应的河道水面宽水力模型系数α、β;选取相对误差小于等于0.01对应的河道水面宽水力模型系数αk、βk,其中,1≤k≤m;
S5.7、分别计算系数αk、βk的均值系数α’、β’,并将均值系数α’、β’作为最优系数带入,得到优化修正后的河道水面宽水力模型:
W=α’*Q*β’。
步骤S6、绘制修正后历史河道水面宽与时间关系曲线,绘制遥感测量河道断面水面宽W0与时间关系曲线:
参考图3和图4,根据优化修正后的河道水面宽水力模型,得到修正后的历史河道水面宽数据,按照时间顺序绘制修正后历史河道水面宽与时间关系曲线;同时,对应绘制遥感测量河道断面水面宽W0与时间关系曲线。
步骤S7、参考图5,将同期的历史河道水面宽与时间的关系曲线和遥感测量河道断面水面宽W0与时间的关系曲线进行拟合,得到历史河道水面宽与遥感测量河道断面水面宽的关系曲线。
步骤S8、计算目标河道河流生态流量保障率,其具体包括:
S8.1、将同一时期遥感测量河道断面水面宽和修正后的历史河道水面宽进行比较;
S8.2、若遥感测量河道断面水面宽大于等于修正后的历史河道水面宽的数值,则目标河道河流满足生态流量;
S8.3、若遥感测量河道断面水面宽小于修正后的历史河道水面宽的数值,则目标河道河流不满足生态流量;
S8.4、定义目标河道河流满足生态流量的时间与全时间段的比值为生态流量保障率p:
其中,t为全时间段T内满足生态流量的时间。
步骤S9、计算目标河道河流弯曲系数,并根据河道河流生态流量保障率,监管、评估目标河道河流生态流量的合理性。
河道的实际长度与该河段直线长度之比,称为该河段的河流弯曲系数:
Ka=L/l
式中,Ka为弯曲系数;L为河段实际长度(公里);l为河段的直线长度(公里)。弯曲系数Ka值越大,河段越弯曲。河流弯曲系数大对航运及排洪不利,但是有利于自身的河流健康。
当河流弯曲系数大于1.3时候,可以视为弯曲河流,河流弯曲系数小于等于1.3时候,可以视为平直河流,有利于河流生态健康。
由图5可知,在1月、2月和3月之间,遥感测量河道断面水面宽小于修正后的历史河道水面宽的数值,则目标河道河流在1-3月内不满足生态流量。
在4月-10月之间,遥感测量河道断面水面宽大于修正后的历史河道水面宽的数值,则目标河道河流在4月-10月内满足生态流量。
在11月、12月之间,遥感测量河道断面水面宽小于修正后的历史河道水面宽的数值,则目标河道河流在11月、12月内不满足生态流量。
故计算得到本实施例目标河道河流生态流量保障率等于0.58,该生态流量合理程度评价为:比较适宜。
本发明通过构建的水面宽水力模型对历史水文数据进行修正,并根据修正后的历史水文数据与遥感所测数据,计算得到河流生态流量保障率;同时,将计算得到的河流弯曲系数,结合河流生态流量保障率,可为河道管理部门提供管理决策的依据,进一步监管、评估目标河道河流生态流量的合理性。本发明通过河流全河段的实时非接触式监管,方法计算简单且快速、节约成本且安全有效监管,大尺度、广范围有效地了解河湖生态流量是否满足。基于历史水文数据和遥感数据进行模型构建,并对历史水文数据进行快速修正,提高其河流生态流量监管的准确性和可操作性。
虽然结合附图对发明的具体实施方式进行了详细地描述,但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内,本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。
Claims (8)
1.一种基于遥感技术的河流生态流量监管方法,其特征在于,包括:
S1、获取水文监测站河道及其上下游若干年的历史流量数据和历史河道水面宽数据,并绘制流量和河道水面宽关系曲线;
S2、对历史流量数据进行预处理,得到关于流量数据的时间序列数据,将时间序列数据作为输入数据进行监督学习,得到训练样本数据和测试样本数据;
S3、根据训练样本数据和测试样本数据构建Bi-LSTM模型,并基于测试样本数据对Bi-LSTM模型进行测试,获取作为预测输出结果的河道流量数据;
S4、根据步骤S3中得到的预测输出结果河道流量数据Q和河道断面水面宽w之间的水力函数关系,构建河道水面宽水力模型:
W=α*Q*β
其中,α、β均为河道水面宽水力模型系数;
S5、基于遥感实时测量提取河道断面水面宽W0,将河道断面水面宽W0作为输出,预测所得的河道流量数据Q作为输入带入河道水面宽水力模型中,进行参数α、β的优化求解,得到优化修正后的河道水面宽水力模型;
S6、根据优化修正后的河道水面宽水力模型,绘制修正后历史河道水面宽与时间关系曲线,并绘制遥感测量河道断面水面宽W0与时间关系曲线;
S7、将同期的历史河道水面宽与时间的关系曲线和遥感测量河道断面水面宽W0与时间的关系曲线进行拟合,得到历史河道水面宽与遥感测量河道断面水面宽的关系曲线;
S8、根据历史河道水面宽与遥感测量河道断面水面宽的关系曲线,计算目标河道河流生态流量保障率;
S9、计算目标河道河流弯曲系数,并根据河道河流生态流量保障率,监管、评估目标河道河流生态流量的合理性。
2.根据权利要求1所述的基于遥感技术的河流生态流量监管方法,其特征在于,所述步骤S2对历史流量数据进行预处理包括:采用minmaxscaler算法对历史流量数据进行归一化处理,补充流量数据缺失值。
3.根据权利要求1所述的基于遥感技术的河流生态流量监管方法,其特征在于,所述步骤S2中通过训练样本数据进行Bi-LSTM神经网络训练之前,设置与Bi-LSTM神经网络训练相关的Bi-LSTM神经网络超参数,包括:采用Keras搭建Bi-LSTM神经网络,确定Bi-LSTM的层数包括输入层、Bi-LSTM层、输出层的节点数,并选择MAE作为损失函数,选择adam作为优化器,relu函数作为激活函数。
4.根据权利要求1所述的基于遥感技术的河流生态流量监管方法,其特征在于,所述步骤S2中训练样本数据和测试样本数据之间的比例为5:2。
5.根据权利要求1所述的基于遥感技术的河流生态流量监管方法,其特征在于,所述步骤S5中基于遥感采集河道断面水面宽W0包括:
选取河流断面,建设河流标识点作为遥感影像识别特征点以及断面位置标识点;
利用得到的高精度遥感影像并结合地面增强标识点的尺寸辨识河流该断面的水面宽,并沿着被监测河床断面提取河道断面水面宽W0。
6.根据权利要求1所述的基于遥感技术的河流生态流量监管方法,其特征在于,所述步骤S5进行参数α、β的优化求解,得到优化修正后的河道水面宽水力模型包括:
S5.1、将遥感所测河道断面水面宽W0作为输出,预测所得河道流量数据Q作为输入带入河道水面宽水力模型,得到N组系数αi、βi,其中,αi、βi分别为求解得到的第i组系数,i=1、2、…N,N≥70000;
S5.2、在N组系数αi、βi中随机选取M组系数αj、βj,j=1、2、…M,1000≤M≤N,将M组系数分别带入水面宽水力模型Wj=αj*Q*βj中,并随机选取预测所得的河道流量数据Q作为输入带入Wj=αj*Q*βj中,计算得到河道断面水面宽测试值;
S5.3、将河道断面水面宽测试值与其对应的遥感所测河道断面水面宽进行线性拟合:
y=a+bx
其中,令y为河道断面水面宽测试值,x为河道断面水面宽真实值,设定遥感实时测量监测河道断面水面宽即为河道断面水面真实值,a、b为待定参数;
S5.4、设定河道断面水面宽测试值的偏差加权平方和最小为目标函数D:
其中,yi为第i组计算得到的河道断面水面宽测试值,xi为第i组通过遥感实时测量监测河道断面水面宽,即为河道断面水面宽真实值;
对参数a、b分别求取一阶偏导:
对参数a、b分别求取二阶偏导:
令一阶偏导为0:
解得参数a、b分别为:
其中,为河道断面水面宽真实值的平均值,为河道断面水面宽测试值的平均值;为河道断面水面宽真实值的平均值与河道断面水面宽测试值平均值的乘积,为河道断面水面宽真实值与河道断面水面宽测试值乘积的均值,为河道断面水面宽真实值平方的均值;
S5.5、将参数a、b带入拟合方程,得到河道断面水面宽测试值和遥感实时测量监测河道断面水面宽真实值之间的线性拟合曲线;
S5.6、根据线性拟合曲线,去除河道断面水面宽测试值和遥感所测河道断面水面宽真实值之间相对误差大于0.01对应的河道水面宽水力模型系数α、β;选取相对误差小于等于0.01对应的河道水面宽水力模型系数αk、βk,其中,1≤k≤m;
S5.7、分别计算系数αk、βk的均值系数α’、β’,并将均值系数α’、β’作为最优系数带入,得到优化修正后的河道水面宽水力模型:
W=α’*Q*β’。
7.根据权利要求6所述的基于遥感技术的河流生态流量监管方法,其特征在于,所述步骤S5.5基于Matlab平台进行拟合曲线的线性拟合,得到河道断面水面宽测试值和遥感实时测量监测河道断面水面宽真实值之间的线性拟合曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010318594.6A CN111401529B (zh) | 2020-04-21 | 2020-04-21 | 一种基于遥感技术的河流生态流量监管方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010318594.6A CN111401529B (zh) | 2020-04-21 | 2020-04-21 | 一种基于遥感技术的河流生态流量监管方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401529A CN111401529A (zh) | 2020-07-10 |
CN111401529B true CN111401529B (zh) | 2021-02-26 |
Family
ID=71437067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010318594.6A Active CN111401529B (zh) | 2020-04-21 | 2020-04-21 | 一种基于遥感技术的河流生态流量监管方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401529B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11566895B2 (en) * | 2021-04-02 | 2023-01-31 | Bureau Of Hydrology, Changjiang Water Resources Commission | Method for continuous measurement of river flow based on satellite big data |
CN114910896B (zh) * | 2022-07-18 | 2022-10-28 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种非法采砂生态环境损害评估系统及使用方法 |
CN116522446B (zh) * | 2023-04-28 | 2023-12-05 | 珠江水利委员会珠江水利科学研究院 | 一种河口湾潮流泥沙主通道划定方法 |
CN117114190A (zh) * | 2023-08-29 | 2023-11-24 | 华中科技大学 | 一种基于混合深度学习的河道径流预测方法及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150233704A1 (en) * | 2014-02-14 | 2015-08-20 | Palo Alto Research Center Incorporated | Spatial modulation of light to determine dimensional characteristics of objects in a flow path |
CN108460483A (zh) * | 2018-02-09 | 2018-08-28 | 中国水利水电科学研究院 | 一种天然河道流量的定量反演方法 |
CN108984771A (zh) * | 2018-07-23 | 2018-12-11 | 河海大学 | 基于河道断面坡度值的Mann-Kendall突变检验的河道宽度提取方法 |
CN109272255A (zh) * | 2018-10-26 | 2019-01-25 | 中国辐射防护研究院 | 一种高放废物地质处置环境影响评价数据信息管理系统 |
CN109344432A (zh) * | 2018-08-24 | 2019-02-15 | 北京师范大学 | 一种基于遥感水面河宽的水文模型校正方法 |
CN110580327A (zh) * | 2019-08-19 | 2019-12-17 | 武汉大学 | 一种河流生态流量计算方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090670B (zh) * | 2017-12-15 | 2021-08-31 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于水流侵蚀能力的堰塞坝形成评估方法 |
CN108645456B (zh) * | 2018-02-09 | 2020-11-03 | 中国水利水电科学研究院 | 一种山区河流流量监测定量反演方法 |
-
2020
- 2020-04-21 CN CN202010318594.6A patent/CN111401529B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150233704A1 (en) * | 2014-02-14 | 2015-08-20 | Palo Alto Research Center Incorporated | Spatial modulation of light to determine dimensional characteristics of objects in a flow path |
CN108460483A (zh) * | 2018-02-09 | 2018-08-28 | 中国水利水电科学研究院 | 一种天然河道流量的定量反演方法 |
CN108984771A (zh) * | 2018-07-23 | 2018-12-11 | 河海大学 | 基于河道断面坡度值的Mann-Kendall突变检验的河道宽度提取方法 |
CN109344432A (zh) * | 2018-08-24 | 2019-02-15 | 北京师范大学 | 一种基于遥感水面河宽的水文模型校正方法 |
CN109272255A (zh) * | 2018-10-26 | 2019-01-25 | 中国辐射防护研究院 | 一种高放废物地质处置环境影响评价数据信息管理系统 |
CN110580327A (zh) * | 2019-08-19 | 2019-12-17 | 武汉大学 | 一种河流生态流量计算方法 |
Non-Patent Citations (3)
Title |
---|
Neural Architecture for Temporal Relation Extraction:A Bi-LSTM Approach for Detecting Narrative Containers;Julien Tourille et al;《Proceedingd of the 55th Annual Meeting of the Association for Computational Linguistics》;20170804;224-230 * |
基于多源雷达遥感技术的河流径流监测系统研究与实现;王宁;《中国优秀硕士学位论文全文数据库 基础科技辑》;20200115(第01期);正文全文 * |
潮白河生态流量估算及恢复保障措施;戴向前等;《南水北调与水利科技》;20120229;第10卷(第1期);72-76 * |
Also Published As
Publication number | Publication date |
---|---|
CN111401529A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401529B (zh) | 一种基于遥感技术的河流生态流量监管方法 | |
CN104061445B (zh) | 一种基于神经网络的管道泄漏检测方法 | |
CN103793853B (zh) | 基于双向贝叶斯网络的架空输电线路运行状态评估方法 | |
CN109359698A (zh) | 基于长短时记忆神经网络模型的漏损识别方法 | |
Eliades et al. | Leakage fault detection in district metered areas of water distribution systems | |
CN111222698A (zh) | 面向物联网的基于长短时记忆网络的积水水位预测方法 | |
CN112149984B (zh) | 一种基于贝叶斯网络的水库调洪多维不确定性风险分析方法 | |
CN104408900A (zh) | 基于动态优化的神经网络洪水预警装置及其方法 | |
CN111275255A (zh) | 一种混凝土坝变形监测预报模型的构建方法 | |
CN106790604B (zh) | 一种高精度的大坝安全远程监测系统 | |
CN109145499B (zh) | 基于河道多态计算及Arima模型的权重组合水质预测方法 | |
CN116595327B (zh) | 水闸变形监测数据预处理系统及方法 | |
CN112836941A (zh) | 一种煤电机组汽轮机高加系统在线健康状况评估方法 | |
Pandit et al. | Accounting for environmental conditions in data-driven wind turbine power models | |
CN106227185A (zh) | 一种电梯风险评估系统 | |
CN111553226B (zh) | 一种基于遥感解译技术提取河流监测断面水面宽度的方法 | |
CN111400973A (zh) | 一种基于水文监测数据构建流量-水面宽的关系曲线的方法 | |
CN111311026A (zh) | 一种顾及数据特征、模型和校正的径流非线性预测方法 | |
Rohaimi et al. | 3 Hours ahead of time flood water level prediction using NNARX structure: Case study pahang | |
CN110851897A (zh) | 一种多因素关联下的渡槽应力应变预测方法 | |
CN110847112B (zh) | 一种基于水力学模拟的河道泄洪预警方法 | |
CN109992868B (zh) | 一种基于异参离散广义Nash汇流模型的河道洪水预报方法 | |
CN116167240A (zh) | 一种大坝结构损伤的多测点联合监控方法 | |
Velasco et al. | Days-ahead water level forecasting using artificial neural networks for watersheds | |
CN115496188A (zh) | 一种基于深度学习卷积神经网络的磨煤机故障预警方法 |
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 |