CN113887819A - 一种河口枯水期的咸潮预报方法及预报设备 - Google Patents

一种河口枯水期的咸潮预报方法及预报设备 Download PDF

Info

Publication number
CN113887819A
CN113887819A CN202111221536.2A CN202111221536A CN113887819A CN 113887819 A CN113887819 A CN 113887819A CN 202111221536 A CN202111221536 A CN 202111221536A CN 113887819 A CN113887819 A CN 113887819A
Authority
CN
China
Prior art keywords
intensity
influence
salt tide
salt
variables
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.)
Pending
Application number
CN202111221536.2A
Other languages
English (en)
Inventor
刘丽诗
黄宇铭
邓伟铸
刘斌
王丽
朱远生
黄亮
姜海萍
范利平
傅致远
温志谦
葛晓霞
赵晓晨
周雪欣
杨晓灵
黄晓宇
陈基培
张亚娟
陈雨菲
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.)
Scientific Institute Of Pearl River Water Resources Protection
Original Assignee
Scientific Institute Of Pearl River Water Resources Protection
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 Scientific Institute Of Pearl River Water Resources Protection filed Critical Scientific Institute Of Pearl River Water Resources Protection
Priority to CN202111221536.2A priority Critical patent/CN113887819A/zh
Publication of CN113887819A publication Critical patent/CN113887819A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种河口枯水期的咸潮预报方法及预报设备，该方法包括：确定与任一待预测河口区取水口的咸潮强度相关的多个第一影响变量，基于灰色关联度分析法对多个第一影响变量进行关联度分析，从多个第一影响变量中筛选出与咸潮强度的关联度满足预设阈值的多个第二影响变量；基于主成分分析法对多个第二影响变量进行主成分分析，从多个第二影响变量中筛选出作为影响咸潮强度的主成分的至少一个第三影响变量；以构建的输入为至少一个第三影响变量、输出为取水口的取淡几率的枯水期咸潮预测预报模型，对任一待预测河口区取水口进行咸潮预测，可以量化河口区取水口受咸潮的影响程度、对河口区的含氯度进行准确的预报，可以保证重要取水口的供水。

Description

一种河口枯水期的咸潮预报方法及预报设备
技术领域
本发明涉及河流枯水期水量调度技术领域，特别是涉及一种河口枯水期的咸潮预报方法及预报设备。
背景技术
咸潮是河口最复杂的物理现象之一，它受径流、潮汐、波浪、风、地形地貌等诸多因素的驱动、影响和制约。在地形地貌不变的条件下，咸潮的主要影响因子还因时段和位置的不同而改变。
目前，对于河口咸潮研究，主要采用实用盐度(Practical salinity units，PSU)值来反映咸潮强度，用于对河口区的含氯度进行预报。虽然，PSU值可以反映氯化物含量水平，但不能直观反映河口区取水口取淡时间，比如，取水口处含氯度浓度超过250mg/L(国家饮用水含氯度标准)时，取水口不能取水。
可见，采用PSU值用于对河口区的含氯度进行预报时，不能量化取水口受咸潮的影响程度，从而无法对河口区的含氯度进行准确的预报，不能保证重要取水口的供水。
因此，亟需设计一种可以用于量化取水口受咸潮的影响程度的方法。
发明内容
基于此，本发明提供一种河口枯水期的咸潮预报方法及预报设备，用于量化河口区取水口受咸潮的影响程度，从而可以对河口区的含氯度进行准确的预报，可以保证重要取水口的供水。
第一方面，本发明实施例提供一种河口枯水期的咸潮预报方法，所述方法包括：
以任一待预测河口区取水口的咸潮强度为目标变量，确定与所述咸潮强度相关的多个第一影响变量；
基于灰色关联度分析法对多个所述第一影响变量进行关联度分析，确定多个所述第一影响变量与所述咸潮强度的关联度，并从多个所述第一影响变量中筛选出与所述咸潮强度的关联度满足预设阈值的多个第二影响变量；
基于主成分分析法对多个所述第二影响变量进行主成分分析，从多个所述第二影响变量中筛选出作为影响所述咸潮强度的主成分的至少一个第三影响变量；
构建输入为至少一个所述第三影响变量、输出为取水口的取淡几率的枯水期咸潮预测预报模型；
基于所述枯水期咸潮预测预报模型，对所述任一待预测河口区取水口进行咸潮预测，获得所述任一待预测河口区取水口的预报结果。
在一种可能的设计中，基于灰色关联度分析法对多个所述第一影响变量进行关联度分析，确定多个所述第一影响变量与所述咸潮强度的关联度，包括：
获取所述任一待预测河口区取水口在历史时间段内的逐日历史咸潮强度值，以及多个所述第一影响变量各自在所述历史时间段内的逐日历史值；
将所述逐日历史咸潮强度值确定为参考系列，分别将多个所述第一影响变量在所述历史时间段内的逐日历史值确定为比较系列，获得与多个所述第一影响变量一一对应的多个比较系列；
基于所述参考系列和多个所述比较系列，计算得到任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数；
基于任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数，计算得到任一所述第一影响变量与所述咸潮强度的关联度。
在一种可能的设计中，基于所述参考系列和多个所述比较系列，计算得到任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数，包括：
对所述参考系列和多个所述比较系列进行均值化处理，获得均值化处理后的参考系统和多个均值化处理后的比较系列；
基于所述均值化处理后的参考系统和多个所述均值化处理后的比较系列，按照第一预设公式计算得到任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数；
所述第一预设计算公式为：
Figure BDA0003312825940000031
其中，ζ0i(K)表示为任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数，X0(K)表示为所述第i个历史咸潮强度值，Xi(K)表示为任一所述比较系列的所述第i个历史值，
Figure BDA0003312825940000032
表示为所述第i个历史咸潮强度与所述第i个历史值之间的最小差值，
Figure BDA0003312825940000033
表示为所述第i个历史咸潮强度与所述第i个历史值之间的最大差值，η为分辨系数。
在一种可能的设计中，基于任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数，计算得到任一所述第一影响变量与所述咸潮强度的关联度，包括：
基于任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数，采用第二预设计算公式计算得到任一所述第一影响变量与所述咸潮强度的关联度；
所述第二预设计算公式为：
Figure BDA0003312825940000041
其中，ζave表示为任一所述第一影响变量与所述咸潮强度的关联度，n表示为所述参考系列包含的所述历史咸潮强度值的个数。
在一种可能的设计中，基于主成分分析法对多个所述第二影响变量进行主成分分析，从多个所述第二影响变量中筛选出作为影响所述咸潮强度的主成分的至少一个第三影响变量，包括：
获取所述任一待预测河口区取水口的N组样本数据；任一组所述样本数据包括多个所述第二影响变量各自对应的样本数值；
基于多个所述第二影响变量对应的数量值P和所述N组样本数据，构建N*P阶的原始数据矩阵；
对所述原始数据矩阵进行标准化处理，获得N*P阶的第一数据矩阵；
基于多个所述第二影响变量和所述第一数据矩阵，构建N*P阶的所述第一数据矩阵的相关系数矩阵，并基于所述相关系数矩阵，计算得到所述相关系数矩阵的P个特征值和P个所述特征值对应的特征向量；
基于P个所述特征值和P个所述特征向量对应的特征向量，计算得到多个所述第二影响变量的累计贡献率，并从多个所述第二影响变量中筛选出累计贡献率在预设范围内的至少一个所述第三影响变量，作为影响所述咸潮强度的主成分。
在一种可能的设计中，基于P个所述特征值和P个所述特征向量对应的特征向量，计算得到多个所述第二影响变量的累计贡献率，包括：
基于P个所述特征值和P个所述特征向量对应的特征向量，按照第三预设公式计算得到多个所述第二影响变量的累计贡献率；
所述第三预设公式表示为：
Figure BDA0003312825940000051
其中，L表示为任一所述第二影响变量的累计贡献率，1≤i≤P，λk表示为第k个所述特征值。
在一种可能的设计中，构建输入为至少一个所述第三影响变量、输出为取水口的取淡几率的枯水期咸潮预测预报模型，包括：
采用半月潮周期线性回归模式，构建所述任一待预测河口区取水口在枯水期逐个农历月半月潮周期的平均取淡几率，与所述任一待预测河口区取水口所在的河流的平均流量之间的线性相关关系，形成所述枯水期咸潮预测预报模型。
第二方面，本发明实施例提供一种预报设备，包括：
分析单元，用于以任一待预测河口区取水口的咸潮强度为目标变量，确定与所述咸潮强度相关的多个第一影响变量；基于灰色关联度分析法对多个所述第一影响变量进行关联度分析，确定多个所述第一影响变量与所述咸潮强度的关联度，并从多个所述第一影响变量中筛选出与所述咸潮强度的关联度满足预设阈值的多个第二影响变量；基于主成分分析法对多个所述第二影响变量进行主成分分析，从多个所述第二影响变量中筛选出作为影响所述咸潮强度的主成分的至少一个第三影响变量；
构建单元，用于构建输入为至少一个所述第三影响变量、输出为取水口的取淡几率的枯水期咸潮预测预报模型；
预测单元，用于基于所述枯水期咸潮预测预报模型，对所述任一待预测河口区取水口进行咸潮预测，获得所述任一待预测河口区取水口的预报结果。
在一种可能的设计中，所述分析单元，具体用于：
获取所述任一待预测河口区取水口在历史时间段内的逐日历史咸潮强度值，以及多个所述第一影响变量各自在所述历史时间段内的逐日历史值；
将所述逐日历史咸潮强度值确定为参考系列，分别将多个所述第一影响变量在所述历史时间段内的逐日历史值确定为比较系列，获得与多个所述第一影响变量一一对应的多个比较系列；
基于所述参考系列和多个所述比较系列，计算得到任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数；
基于任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数，计算得到任一所述第一影响变量与所述咸潮强度的关联度。
在一种可能的设计中，所述分析单元具体用于：
对所述参考系列和多个所述比较系列进行均值化处理，获得均值化处理后的参考系统和多个均值化处理后的比较系列；
基于所述均值化处理后的参考系统和多个所述均值化处理后的比较系列，按照第一预设公式计算得到任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数；
所述第一预设计算公式为：
Figure BDA0003312825940000071
其中，ζ0i(K)表示为任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数，X0(K)表示为所述第i个历史咸潮强度值，Xi(K)表示为任一所述比较系列的所述第i个历史值，
Figure BDA0003312825940000072
表示为所述第i个历史咸潮强度与所述第i个历史值之间的最小差值，
Figure BDA0003312825940000073
表示为所述第i个历史咸潮强度与所述第i个历史值之间的最大差值，η为分辨系数。
在一种可能的设计中，所述分析单元具体用于：
基于任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数，采用第二预设计算公式计算得到任一所述第一影响变量与所述咸潮强度的关联度；
所述第二预设计算公式为：
Figure BDA0003312825940000074
其中，ζave表示为任一所述第一影响变量与所述咸潮强度的关联度，n表示为所述参考系列包含的所述历史咸潮强度值的个数。
在一种可能的设计中，所述分析单元具体用于：
获取所述任一待预测河口区取水口的N组样本数据；任一组所述样本数据包括多个所述第二影响变量各自对应的样本数值；
基于多个所述第二影响变量对应的数量值P和所述N组样本数据，构建N*P阶的原始数据矩阵；
对所述原始数据矩阵进行标准化处理，获得N*P阶的第一数据矩阵；
基于多个所述第二影响变量和所述第一数据矩阵，构建N*P阶的所述第一数据矩阵的相关系数矩阵，并基于所述相关系数矩阵，计算得到所述相关系数矩阵的P个特征值和P个所述特征值对应的特征向量；
基于P个所述特征值和P个所述特征向量对应的特征向量，计算得到多个所述第二影响变量的累计贡献率，并从多个所述第二影响变量中筛选出累计贡献率在预设范围内的至少一个所述第三影响变量，作为影响所述咸潮强度的主成分。
在一种可能的设计中，所述分析单元具体用于：
基于P个所述特征值和P个所述特征向量对应的特征向量，按照第三预设公式计算得到多个所述第二影响变量的累计贡献率；
所述第三预设公式表示为：
Figure BDA0003312825940000081
其中，L表示为任一所述第二影响变量的累计贡献率，1≤i≤P，λk表示为第k个所述特征值。
在一种可能的设计中，所述构建单元具体用于：
采用半月潮周期线性回归模式，构建所述任一待预测河口区取水口在枯水期逐个农历月半月潮周期的平均取淡几率，与所述任一待预测河口区取水口所在的河流的平均流量之间的线性相关关系，形成所述枯水期咸潮预测预报模型。
第三方面，本发明实施例提供一种预报设备，所述预报设备包括：至少一个存储器和至少一个处理器；
所述至少一个存储器用于存储一个或多个程序；
当所述一个或多个程序被所述至少一个处理器执行时，实现上述第一方面中任一种可能设计所涉及的方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个程序；当所述至少一个程序被处理器执行时，实现上述第一方面中任一种可能设计所涉及的方法。
本发明的有益效果如下：
在本发明提供的技术方案中，以任一待预测河口区取水口的咸潮强度为目标变量，确定与咸潮强度相关的多个第一影响变量，基于灰色关联度分析法对多个第一影响变量进行关联度分析，确定多个第一影响变量与咸潮强度的关联度，并从多个第一影响变量中筛选出与咸潮强度的关联度满足预设阈值的多个第二影响变量；基于主成分分析法对多个第二影响变量进行主成分分析，从多个第二影响变量中筛选出作为影响咸潮强度的主成分的至少一个第三影响变量；构建输入为至少一个第三影响变量、输出为取水口的取淡几率的枯水期咸潮预测预报模型；基于枯水期咸潮预测预报模型，对任一待预测河口区取水口进行咸潮预测，获得任一待预测河口区取水口的预报结果。通过这种方式，可以量化河口区取水口受咸潮的影响程度，从而可以对河口区的含氯度进行准确的预报，可以保证重要取水口的供水。
附图说明
图1为本发明实施例提供的一种河口枯水期的咸潮预报方法的流程示意图；
图2为本发明实施例提供的一种预报设备的结构示意图；
图3为本发明实施例提供的一种预报设备的结构示意图。
具体实施方式
为了便于理解本发明实施例提供的技术方案，下面结合附图详细说明本发明的技术方案。
以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如本发明的一些方面相一致的方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。还应理解，本文中使用的术语“至少一个”包括一个或多个，“多个”包括两个及两个以上。
除非有相反的说明，本发明实施例提及“第一”至“第三”等序数词用于对多个对象进行区分，不用于限定多个对象的顺序、时序、优先级或者重要程度。
本发明实施例所涉及的关联度，是对于与目标变量相关的影响变量而言，其随目标变量的时间变化的关联性大小的亮度。若影响变量与目标变量的趋势具有一致性，即同步变化的程度较高，那么说明影响变量与目标变量的关联度较高；或者，若影响变量与目标变量同步变化的程度较低，那么说明影响变量与目标变量的关联度较低。
本发明实施例所涉及的灰色关联分析方法，是以相似程度或相异程度(灰色关联度)，作为衡量变量因素之间的关联程度的一种方法。
本发明实施例所涉及的主成分分析方法，是一种数学变换的方法，是把原来多个变量划为少数几个综合指标,且尽可能多保留原来较多变量所反映信息,实质上是一种降维处理技术。各主成分没有明确的物理意义，但通过各影响变量在各主成分的贡献率可以分析目标变量的主要影响变量，越处于前列的主成分(贡献率较大的主成分)对目标变量的影响就越大。
下面将结合图1对本发明实施例提供的一种河口枯水期的咸潮预报方法进行具体阐述。
如图1所示，以预报设备为执行主体为例，本发明实施例提供的一种河口枯水期的咸潮预报方法的流程可以包括以下步骤：
S101、以任一待预测河口区取水口的咸潮强度为目标变量，确定与咸潮强度相关的多个第一影响变量。
在一些实施例中，径流强度、潮汐强度、风强度、波浪强度等可以影响咸潮强度。即多个第一影响变量可以包括但不限于：径流强度、潮汐强度、风强度、波浪强度。
S102、基于灰色关联度分析法对多个第一影响变量进行关联度分析，确定多个第一影响变量与咸潮强度的关联度，并从多个第一影响变量中筛选出与咸潮强度的关联度满足预设阈值的多个第二影响变量。
在一些实施例中，预报设备可以获取任一待预测河口区取水口在历史时间段内的逐日历史咸潮强度值，以及多个第一影响变量各自在历史时间段内的逐日历史值。之后，预报设备可以将任一待预测河口区取水口在历史时间段内的逐日历史咸潮强度值确定为参考系列，分别将多个第一影响变量在历史时间段内的逐日历史值确定为比较系列，即可获得与多个第一影响变量一一对应的比较系列。
示例性的，可以将参考系列记为X0(K)＝{X0(1)，X0(2)，…，X0(n)}；可以将与多个第一影响变量一一对应的比较系列记为：
X1(K)＝{X1(1)，X1(2)，…，X1(n)}
……
Xi(K)＝{Xi(1)，Xi(2)，…，Xi(n)}；
其中，K为整数，K的取值范围可以为1≤K≤n。
在一些实施例中，预报设备可以基于参考系列和多个比较系列，计算得到任一比较系列的第i个历史值对参考系列的第i个历史咸潮强度值在K时刻的关联系数。
在具体的实现过程中，预报设备可以对参考系列和多个比较系列进行均值化处理，获得均值化处理后的参考系统和多个均值化处理后的比较系列。由于参考系列中的逐日历史咸潮强度值、每个比较系列中的逐日历史值对应的物理意义不同，导致数据的量纲不一定相同，不便于比较，或者在比较时难以得到正确的结论，预报设备通过对参考系列和多个比较系列进行均值化处理，可以获得无量纲的参考系列和无量纲的比较系列，可以确保比较参考系列和比较系列时能够得到正确的结论。
在具体的实现过程中，预报设备可以基于均值化处理后的参考系统和多个均值化处理后的比较系列，按照如下第一预设公式(1)计算得到任一比较系列的第i个历史值对参考系列的第i个历史咸潮强度值在K时刻的关联系数。
示例性的，第一预设计算公式可以为：
Figure BDA0003312825940000121
其中，ζ0i(K)可以表示为任一比较系列的第i个历史值对参考系列的第i个历史咸潮强度值在K时刻的关联系数，X0(K)可以表示为第i个历史咸潮强度值，Xi(K)可以表示为任一比较系列的第i个历史值，
Figure BDA0003312825940000131
可以表示为第i个历史咸潮强度与第i个历史值之间的最小差值，
Figure BDA0003312825940000132
可以表示为第i个历史咸潮强度与第i个历史值之间的最大差值，η为分辨系数。
在具体的实现过程中，η一般可以取值为0.5。
在一些实施例中，预报设备可以基于任一比较系列的第i个历史值对参考系列的第i个历史咸潮强度值在K时刻的关联系数，计算得到任一第一影响变量与咸潮强度的关联度，可以用于衡量任一第一影响变量与咸潮强度的相似或相异程度。比如，预报设备可以基于任一比较系列的第i个历史值对参考系列的第i个历史咸潮强度值在K时刻的关联系数，按照如下第二预设计算公式(2)，计算得到任一第一影响变量与咸潮强度的关联度。可以理解为，通过求平均值，将任一比较系列的第i个历史值对参考系列的第i个历史咸潮强度值在各个时刻的关联系数集中为一个值，用于表示关联度。
示例性的，第二预设计算公式可以为：
Figure BDA0003312825940000133
其中，ζave可以表示为任一第一影响变量与咸潮强度的关联度，n可以表示为参考系列包含的历史咸潮强度值的个数。
示例性的，任一第一影响变量与咸潮强度的关联度大于0.5，可以表示为任一第一影响变量与咸潮强度有关联，任一第一影响变量与咸潮强度的关联度大于0.7，可以表示为任一第一影响变量与咸潮强度关联密切。
在一些实施例中，计算得到任一第一影响变量与咸潮强度的关联度后，可以从多个第一影响变量中筛选出与咸潮强度的关联度满足预设阈值的多个第二影响变量，从而可以获得任一待预测河口区取水口的咸潮强度的主要影响变量。
在具体的实现过程中，该预设阈值可以根据实际需求进行设置，例如，可以设置为0.5，也可以设置为0.7，本发明实施例不限定。
为了便于理解本发明实施例中预报设备获得多个第二影响变量的具体过程，下面通过举例进行阐述说明。
以珠海平岗泵站在历史时间段内的逐日咸潮强度值为参考系列，在影响变量相关性统计分析的基础上，可以选择以下与咸潮强度相关性最高的3个第一影响变量指标作为比较系列：A、压咸流量(即径流强度)，由于平岗泵站位于珠江三角洲感潮区，枯水期绝大多数时段为往复流，因此压咸流量以珠江三角洲上游流量控制站梧州(西江)与石角(北江)之和为计，并可以考虑二者组合到达河口形成压咸效果的时间；B、三灶日最低潮位(即潮汐强度)，可以代表磨刀门河口潮汐情况；C、横澜岛风级(即风强度)，可以代表磨刀门河口风力情况。通过采用SPSS软件按照上述第一预设计算公式(1)和第二预设计算公式(2)对这三个第一影响变量进行关联度分析，可以确定这三个第一影响变量与咸潮强度的关联度均大于0.5，说明这三个第一影响变量均对咸潮强度产生影响，若预设阈值设置为0.5，可以将这三个第一影响变量作为咸潮强度的主要影响变量即第二影响变量。
S103、基于主成分分析法对多个第二影响变量进行主成分分析，从多个所述第二影响变量中筛选出作为影响所述咸潮强度的主成分的至少一个第三影响变量。
在一些实施例中，预报设备可以获取任一待预测河口区取水口的N组样本数据。其中，任一组样本数据包括多个第二影响变量各自对应的样本数值。预报设备可以基于多个第二影响变量对应的数量值P和N组样本数据，构建N*P阶的原始数据矩阵X。其中，N、P为大于等于2的整数。示例性的，该原始数据矩阵X可以表示为：
Figure BDA0003312825940000151
其中，Xuv可以表示第u组样本的第v项第二影响变量的值，u取值范围可以为1≤u≤N，v的取值范围可以为1≤v≤P。
在一些实施例中，为了消除量纲的影响以及各个指标在数据级上的差别，预报设备可以对原始数据矩阵进行标准化处理，获得N*P阶的第一数据矩阵。之后，预报设备可以基于多个第二影响变量和第一数据矩阵，构建N*P阶N*P阶的第一数据矩阵的相关系数矩阵R。示例性的，该相关系数矩阵R可以表示为：
Figure BDA0003312825940000152
其中，Ruv可以表示第u组样本的第v项第二影响变量的相关系数。
在一些实施例中，预报设备可以基于该相关系数矩阵，计算得到该相关系数矩阵的P个特征值和P个特征值对应的特征向量。示例性的，第i个第二影响变量的特征值可以表示为λi，此时，i的取值范围为1≤i≤P。
在一些实施例中，预报设备可以基于P个特征值和P各特征值对应的特征向量，计算得到多个第二影响变量的累计贡献率。在具体的实现过程中，一包设备可以基于P个所述特征值和P个所述特征向量对应的特征向量，按照如下第三预设公式(5)，计算得到多个第二影响变量的累计贡献率。
示例性的，第三预设公式表示为：
Figure BDA0003312825940000161
其中，L表示为任一第二影响变量的累计贡献率，1≤i≤P，λk表示为第k个所述特征值。
在一些实施例中，预报设备从多个第二影响变量中筛选出累计贡献率在预设范围内的至少一个第三影响变量，作为影响咸潮强度的主成分。其中，高预设范围可以根据实际需求进行设置，例如可以设置为大于或等于85％，小于或等于95％，本发明实施例不限定。
在具体的实现过程中，预报设备可以按照累计贡献率从大到小的顺序，对至少一个第三影响变量进行排序，可以确定排序最前的第三影响变量作为主要影响因子，其它的第三影响变量可以作为次要影响因子。例如，若排序最前的第三影响变量为径流强度，可以确定径流强度为咸潮强度的主要影响因子。
本发明实施例中，通过计算多个第二影响变量的累计贡献率，可以确定咸潮强度的主要影响因子和影响因子的主要贡献度。
S104、构建输入为至少一个第三影响变量、输出为取水口的取淡几率的枯水期咸潮预测预报模型。
在一些实施例中，取淡几率(可取水时间/总时间)可以作为咸潮强度的指标，用于量化取水口受咸潮的影响程度。
在一些实施例中，预报设备可以采用半月潮周期线性回归模式，构建任一待预测河口区取水口在枯水期逐个农历月(例如农历9月、10月、11月、第12月和1月)半月潮周期的平均取淡几率，与任一待预测河口区取水口所在的河流的平均流量之间的线性相关关系，形成枯水期咸潮预测预报模型，可以将复杂的咸潮变化过程转化为主要影响变量的线性回归关系，可以高效预测任一待预测河口区取水口的咸潮，从而可以量化河口区取水口受咸潮的影响程度，可以对河口区的含氯度进行准确的预报，可以保证重要河口区取水口的供水。
在具体的实现过程中，由于不同农历月份的潮汐强度不同，各个河口区取水口在不同农历月份可以采用系数不同的线性回归模式。
示例性的，为了便于理解本发明实施例中预报设备获得枯水期咸潮预测预报模型的具体过程，下面通过举例进行阐述说明。
采用2005-2021年枯水期联石湾水闸、平岗泵站、竹洲头泵站逐月平均取淡几率与梧州+石角平均流量实测数据建立线性关系，具体公式可以参见下述公式(6)、公式(7)、公式(8)。
联石湾水闸：T＝a1i*Q*10-4+b1i+CP+CL (6)
平岗泵站：T＝a2i*Q*10-4+b2i+CP+CL (7)
竹洲头泵站：T＝a3i*Q*10-4+b3i+CP+CL (8)
上述公式(6)、公式(7)和公式(8)中，T表示为潮周期平均取淡几率，Q表示为梧州+石角潮周期平均流量，CP、CL分别表示为根据前期径流强度、风力风向、潮汐强度的综合修正系数。其中，CP、CL可以通过相似潮周期对比分析、统计分析判断得出。
表1逐月线性回归模式系数表
Figure BDA0003312825940000181
通过对比联石湾水闸、平岗泵站、竹洲头泵站的预测值与实测值，可以检验河口枯水期的咸潮预报方法的准确性。比如，结合上述公式(6)-公式(8)结合表1，采用半月潮周期线性回归模式，可以获得联石湾水闸、平岗泵站、竹洲头泵站的预测取淡几率与实测取淡几率的平均绝对误差分别为9.49％、6.78％、4.67％，误差较小，枯水期咸潮预测预报模型预测准确率较高。
S105、基于枯水期咸潮预测预报模型，对任一待预测河口区取水口进行咸潮预测，获得任一待预测河口区取水口的预报结果。
示例性的，以2020-2021年珠江枯水期水量调度为例，2020年10月～2021年2月，梧州+石角实测平均流量为4090m3/s，通过采用本发明实施例提供的河口枯水期的咸潮预报方法，参照表1所示，预测到磨刀门河口区联石湾水闸、平岗泵站、竹洲头泵站2020年10月～2021年2月平均取淡几率分别为42％、71％、81％。联石湾水闸、平岗泵站、竹洲头泵站2020年10月～2021年2月实测平均取淡几率分别为37％、64％、85％。与实测的取淡几率比较，联石湾水闸、平岗泵站、竹洲头泵站预测结果的平均误差分别5％、7％、4％，误差较小。可见，采用本发明实施例提供的河口枯水期的咸潮预报方法，预测得到的磨刀门河口区的取水口(即联石湾水闸、平岗泵站、竹洲头泵站)受咸潮的影响程度的准确性较高，可以量化联石湾水闸、平岗泵站、竹洲头泵站受咸潮的影响程度，从而可以对磨刀门河口区的含氯度进行准确的预报，可以保证联石湾水闸、平岗泵站、竹洲头泵站的供水。
表1 2020-2021年枯水期半月潮周期平均取淡几率
Figure BDA0003312825940000191
通过以上描述内容可知，在本发明实施例提供的技术方案中，以任一待预测河口区取水口的咸潮强度为目标变量，确定与咸潮强度相关的多个第一影响变量，基于灰色关联度分析法对多个第一影响变量进行关联度分析，确定多个第一影响变量与咸潮强度的关联度，并从多个第一影响变量中筛选出与咸潮强度的关联度满足预设阈值的多个第二影响变量；基于主成分分析法对多个第二影响变量进行主成分分析，从多个第二影响变量中筛选出作为影响咸潮强度的主成分的至少一个第三影响变量；构建输入为至少一个第三影响变量、输出为取水口的取淡几率的枯水期咸潮预测预报模型；基于枯水期咸潮预测预报模型，对任一待预测河口区取水口进行咸潮预测，获得任一待预测河口区取水口的预报结果。通过这种方式，可以量化河口区取水口受咸潮的影响程度，从而可以对河口区的含氯度进行准确的预报，可以保证重要取水口的供水。
基于同一发明构思，本发明实施例还提供一种预报设备，如图2所示，预报设备200可以包括：
分析单元201，用于以任一待预测河口区取水口的咸潮强度为目标变量，确定与所述咸潮强度相关的多个第一影响变量；基于灰色关联度分析法对多个所述第一影响变量进行关联度分析，确定多个所述第一影响变量与所述咸潮强度的关联度，并从多个所述第一影响变量中筛选出与所述咸潮强度的关联度满足预设阈值的多个第二影响变量；基于主成分分析法对多个所述第二影响变量进行主成分分析，从多个所述第二影响变量中筛选出作为影响所述咸潮强度的主成分的至少一个第三影响变量；
构建单元202，用于构建输入为至少一个所述第三影响变量、输出为取水口的取淡几率的枯水期咸潮预测预报模型；
预测单元203，用于基于所述枯水期咸潮预测预报模型，对所述任一待预测河口区取水口进行咸潮预测，获得所述任一待预测河口区取水口的预报结果。
在一种可能的设计中，所述分析单元201，具体用于：
获取所述任一待预测河口区取水口在历史时间段内的逐日历史咸潮强度值，以及多个所述第一影响变量各自在所述历史时间段内的逐日历史值；
将所述逐日历史咸潮强度值确定为参考系列，分别将多个所述第一影响变量在所述历史时间段内的逐日历史值确定为比较系列，获得与多个所述第一影响变量一一对应的多个比较系列；
基于所述参考系列和多个所述比较系列，计算得到任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数；
基于任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数，计算得到任一所述第一影响变量与所述咸潮强度的关联度。
在一种可能的设计中，所述分析单元201具体用于：
对所述参考系列和多个所述比较系列进行均值化处理，获得均值化处理后的参考系统和多个均值化处理后的比较系列；
基于所述均值化处理后的参考系统和多个所述均值化处理后的比较系列，按照第一预设公式计算得到任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数；
所述第一预设计算公式为：
Figure BDA0003312825940000211
其中，ζ0i(K)表示为任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数，X0(K)表示为所述第i个历史咸潮强度值，Xi(K)表示为任一所述比较系列的所述第i个历史值，
Figure BDA0003312825940000212
表示为所述第i个历史咸潮强度与所述第i个历史值之间的最小差值，
Figure BDA0003312825940000221
表示为所述第i个历史咸潮强度与所述第i个历史值之间的最大差值，η为分辨系数。
在一种可能的设计中，所述分析单元201具体用于：
基于任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数，采用第二预设计算公式计算得到任一所述第一影响变量与所述咸潮强度的关联度；
所述第二预设计算公式为：
Figure BDA0003312825940000222
其中，ζave表示为任一所述第一影响变量与所述咸潮强度的关联度，n表示为所述参考系列包含的所述历史咸潮强度值的个数。
在一种可能的设计中，所述分析单元201具体用于：
获取所述任一待预测河口区取水口的N组样本数据；任一组所述样本数据包括多个所述第二影响变量各自对应的样本数值；
基于多个所述第二影响变量对应的数量值P和所述N组样本数据，构建N*P阶的原始数据矩阵；
对所述原始数据矩阵进行标准化处理，获得N*P阶的第一数据矩阵；
基于多个所述第二影响变量和所述第一数据矩阵，构建N*P阶的所述第一数据矩阵的相关系数矩阵，并基于所述相关系数矩阵，计算得到所述相关系数矩阵的P个特征值和P个所述特征值对应的特征向量；
基于P个所述特征值和P个所述特征向量对应的特征向量，计算得到多个所述第二影响变量的累计贡献率，并从多个所述第二影响变量中筛选出累计贡献率在预设范围内的至少一个所述第三影响变量，作为影响所述咸潮强度的主成分。
在一种可能的设计中，所述分析单元201具体用于：
基于P个所述特征值和P个所述特征向量对应的特征向量，按照第三预设公式计算得到多个所述第二影响变量的累计贡献率；
所述第三预设公式表示为：
Figure BDA0003312825940000231
其中，L表示为任一所述第二影响变量的累计贡献率，1≤i≤P，λk表示为第k个所述特征值。
在一种可能的设计中，所述构建单元202具体用于：
采用半月潮周期线性回归模式，构建所述任一待预测河口区取水口在枯水期逐个农历月半月潮周期的平均取淡几率，与所述任一待预测河口区取水口所在的河流的平均流量之间的线性相关关系，形成所述枯水期咸潮预测预报模型。
本发明实施例中的预报设备200与上述图1所示的河口枯水期的咸潮预报方法是基于同一构思下的发明，通过前述对河口枯水期的咸潮预报方法的详细描述，本领域技术人员可以清楚的了解本实施例中预报设备200的实施过程，所以为了说明书的简洁，在此不再赘述。
基于同一发明构思，本发明实施例还提供一种预报设备，如图3所示，预报设备300可以包括：至少一个存储器301和至少一个处理器302。其中：
至少一个存储器301用于存储一个或多个程序。
当一个或多个程序被至少一个处理器302执行时，实现上述图1所示的河口枯水期的咸潮预报方法。
预报设备300还可以可选地包括通信接口(图3中未示出)，通信接口用于与外部设备进行通信和数据交互传输。
需要说明的是，存储器301可能包含高速RAM存储器，也可能还包括非易失性存储器(nonvolatile memory)，例如至少一个磁盘存储器。
在具体的实现过程中，如果存储器、处理器及通信接口集成在一块芯片上，则存储器、处理器及通信接口可以通过内部接口完成相互间的通信。如果存储器、处理器和通信接口独立实现，则存储器、处理器和通信接口可以通过总线相互连接并完成相互间的通信。
基于同一发明构思，本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质可以存储有至少一个程序，当至少一个程序被处理器执行时，实现上述图1所示的河口枯水期的咸潮预报方法。
应当理解，计算机可读存储介质为可存储数据或程序的任何数据存储设备，数据或程序其后可由计算机系统读取。计算机可读存储介质的示例包括：只读存储器、随机存取存储器、CD-ROM、HDD、DVD、磁带和光学数据存储设备等。
计算机可读存储介质还可分布在网络耦接的计算机系统中使得计算机可读代码以分布式方式来存储和执行。
计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、射频(Radio Frequency，RF)等，或者上述的任意合适的组合。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种河口枯水期的咸潮预报方法，其特征在于，包括：
以任一待预测河口区取水口的咸潮强度为目标变量，确定与所述咸潮强度相关的多个第一影响变量；
基于灰色关联度分析法对多个所述第一影响变量进行关联度分析，确定多个所述第一影响变量与所述咸潮强度的关联度，并从多个所述第一影响变量中筛选出与所述咸潮强度的关联度满足预设阈值的多个第二影响变量；
基于主成分分析法对多个所述第二影响变量进行主成分分析，从多个所述第二影响变量中筛选出作为影响所述咸潮强度的主成分的至少一个第三影响变量；
构建输入为至少一个所述第三影响变量、输出为取水口的取淡几率的枯水期咸潮预测预报模型；
基于所述枯水期咸潮预测预报模型，对所述任一待预测河口区取水口进行咸潮预测，获得所述任一待预测河口区取水口的预报结果。
2.如权利要求1所述的方法，其特征在于，基于灰色关联度分析法对多个所述第一影响变量进行关联度分析，确定多个所述第一影响变量与所述咸潮强度的关联度，包括：
获取所述任一待预测河口区取水口在历史时间段内的逐日历史咸潮强度值，以及多个所述第一影响变量各自在所述历史时间段内的逐日历史值；
将所述逐日历史咸潮强度值确定为参考系列，分别将多个所述第一影响变量在所述历史时间段内的逐日历史值确定为比较系列，获得与多个所述第一影响变量一一对应的多个比较系列；
基于所述参考系列和多个所述比较系列，计算得到任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数；
基于任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数，计算得到任一所述第一影响变量与所述咸潮强度的关联度。
3.如权利要求2所述的方法，其特征自在于，基于所述参考系列和多个所述比较系列，计算得到任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数，包括：
对所述参考系列和多个所述比较系列进行均值化处理，获得均值化处理后的参考系统和多个均值化处理后的比较系列；
基于所述均值化处理后的参考系统和多个所述均值化处理后的比较系列，按照第一预设公式计算得到任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数；
所述第一预设计算公式为：
Figure FDA0003312825930000021
其中，ζ0i(K)表示为任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数，X0(K)表示为所述第i个历史咸潮强度值，Xi(K)表示为任一所述比较系列的所述第i个历史值，
Figure FDA0003312825930000022
表示为所述第i个历史咸潮强度与所述第i个历史值之间的最小差值，
Figure FDA0003312825930000023
表示为所述第i个历史咸潮强度与所述第i个历史值之间的最大差值，η为分辨系数。
4.如权利要求3所述的方法，其特征在于，基于任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数，计算得到任一所述第一影响变量与所述咸潮强度的关联度，包括：
基于任一所述比较系列的第i个历史值对所述参考系列的第i个历史咸潮强度值在K时刻的关联系数，采用第二预设计算公式计算得到任一所述第一影响变量与所述咸潮强度的关联度；
所述第二预设计算公式为：
Figure FDA0003312825930000031
其中，ζave表示为任一所述第一影响变量与所述咸潮强度的关联度，n表示为所述参考系列包含的所述历史咸潮强度值的个数。
5.如权利要求1-4任一项所述的方法，其特征在于，基于主成分分析法对多个所述第二影响变量进行主成分分析，从多个所述第二影响变量中筛选出作为影响所述咸潮强度的主成分的至少一个第三影响变量，包括：
获取所述任一待预测河口区取水口的N组样本数据；任一组所述样本数据包括多个所述第二影响变量各自对应的样本数值；
基于多个所述第二影响变量对应的数量值P和所述N组样本数据，构建N*P阶的原始数据矩阵；
对所述原始数据矩阵进行标准化处理，获得N*P阶的第一数据矩阵；
基于多个所述第二影响变量和所述第一数据矩阵，构建N*P阶的所述第一数据矩阵的相关系数矩阵，并基于所述相关系数矩阵，计算得到所述相关系数矩阵的P个特征值和P个所述特征值对应的特征向量；
基于P个所述特征值和P个所述特征向量对应的特征向量，计算得到多个所述第二影响变量的累计贡献率，并从多个所述第二影响变量中筛选出累计贡献率在预设范围内的至少一个所述第三影响变量，作为影响所述咸潮强度的主成分。
6.如权利要求5所述的方法，其特征在于，基于P个所述特征值和P个所述特征向量对应的特征向量，计算得到多个所述第二影响变量的累计贡献率，包括：
基于P个所述特征值和P个所述特征向量对应的特征向量，按照第三预设公式计算得到多个所述第二影响变量的累计贡献率；
所述第三预设公式表示为：
Figure FDA0003312825930000041
其中，L表示为任一所述第二影响变量的累计贡献率，1≤i≤P，λk表示为第k个所述特征值。
7.如权利要求6所述的方法，其特征在于，构建输入为至少一个所述第三影响变量、输出为取水口的取淡几率的枯水期咸潮预测预报模型，包括：
采用半月潮周期线性回归模式，构建所述任一待预测河口区取水口在枯水期逐个农历月半月潮周期的平均取淡几率，与所述任一待预测河口区取水口所在的河流的平均流量之间的线性相关关系，形成所述枯水期咸潮预测预报模型。
8.一种预报设备，其特征在于，包括：
分析单元，用于以任一待预测河口区取水口的咸潮强度为目标变量，确定与所述咸潮强度相关的多个第一影响变量；基于灰色关联度分析法对多个所述第一影响变量进行关联度分析，确定多个所述第一影响变量与所述咸潮强度的关联度，并从多个所述第一影响变量中筛选出与所述咸潮强度的关联度满足预设阈值的多个第二影响变量；基于主成分分析法对多个所述第二影响变量进行主成分分析，从多个所述第二影响变量中筛选出作为影响所述咸潮强度的主成分的至少一个第三影响变量；
构建单元，用于构建输入为至少一个所述第三影响变量、输出为取水口的取淡几率的枯水期咸潮预测预报模型；
预测单元，用于基于所述枯水期咸潮预测预报模型，对所述任一待预测河口区取水口进行咸潮预测，获得所述任一待预测河口区取水口的预报结果。
9.一种预报设备，所述预报设备包括：至少一个存储器和至少一个处理器；
所述至少一个存储器用于存储一个或多个程序；
当所述一个或多个程序被所述至少一个处理器执行时，实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个程序；当所述至少一个程序被处理器执行时，实现如权利要求1-7任一项所述的方法。
CN202111221536.2A 2021-10-20 2021-10-20 一种河口枯水期的咸潮预报方法及预报设备 Pending CN113887819A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111221536.2A CN113887819A (zh) 2021-10-20 2021-10-20 一种河口枯水期的咸潮预报方法及预报设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111221536.2A CN113887819A (zh) 2021-10-20 2021-10-20 一种河口枯水期的咸潮预报方法及预报设备

Publications (1)

Publication Number Publication Date
CN113887819A true CN113887819A (zh) 2022-01-04

Family

ID=79003708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111221536.2A Pending CN113887819A (zh) 2021-10-20 2021-10-20 一种河口枯水期的咸潮预报方法及预报设备

Country Status (1)

Country Link
CN (1) CN113887819A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114841417A (zh) * 2022-04-18 2022-08-02 珠江水利委员会珠江水利科学研究院 一种高精度咸潮预报方法、系统和可读存储介质
CN117113854A (zh) * 2023-10-18 2023-11-24 珠江水利委员会珠江水利科学研究院 一种基于ConvLSTM和三维数值模拟的咸潮预报方法
CN117313376A (zh) * 2023-09-29 2023-12-29 黑龙江省水利科学研究院 一种实现取水口整改精细化管理的方法和系统
CN117709603A (zh) * 2024-02-06 2024-03-15 珠江水利委员会珠江水利科学研究院 一种河口咸潮预警等级划分方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101824807A (zh) * 2010-04-16 2010-09-08 同济大学 一种潮汐河流地区取水口咸潮短期预测方法
CN101865689A (zh) * 2010-06-04 2010-10-20 中国科学院南海海洋研究所 一种流域咸潮预测方法
CN103617306A (zh) * 2013-10-23 2014-03-05 广东省水文局佛山水文分局 一种基于潮汐和径流的河口咸潮预报方法
CN108914875A (zh) * 2018-07-06 2018-11-30 河海大学 一种用于河口咸潮防治的水下水幕方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101824807A (zh) * 2010-04-16 2010-09-08 同济大学 一种潮汐河流地区取水口咸潮短期预测方法
CN101865689A (zh) * 2010-06-04 2010-10-20 中国科学院南海海洋研究所 一种流域咸潮预测方法
CN103617306A (zh) * 2013-10-23 2014-03-05 广东省水文局佛山水文分局 一种基于潮汐和径流的河口咸潮预报方法
CN108914875A (zh) * 2018-07-06 2018-11-30 河海大学 一种用于河口咸潮防治的水下水幕方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘斌: "基于主成份分析的磨刀门水道咸潮影响因素研究", 《人民珠江》 *
孙昭华: "长江口北支倒灌影响区盐度预测经验模型", 《水科学进展》 *
李琰: "《社会物流成本效率及发展趋势》", 31 October 2019 *
王夏晖: "《村镇环境综合整治技术模式与产业化推广机制》", 31 December 2017 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114841417A (zh) * 2022-04-18 2022-08-02 珠江水利委员会珠江水利科学研究院 一种高精度咸潮预报方法、系统和可读存储介质
CN114841417B (zh) * 2022-04-18 2022-11-22 珠江水利委员会珠江水利科学研究院 一种高精度咸潮预报方法、系统和可读存储介质
CN117313376A (zh) * 2023-09-29 2023-12-29 黑龙江省水利科学研究院 一种实现取水口整改精细化管理的方法和系统
CN117113854A (zh) * 2023-10-18 2023-11-24 珠江水利委员会珠江水利科学研究院 一种基于ConvLSTM和三维数值模拟的咸潮预报方法
CN117113854B (zh) * 2023-10-18 2024-02-02 珠江水利委员会珠江水利科学研究院 一种基于ConvLSTM和三维数值模拟的咸潮预报方法
CN117709603A (zh) * 2024-02-06 2024-03-15 珠江水利委员会珠江水利科学研究院 一种河口咸潮预警等级划分方法
CN117709603B (zh) * 2024-02-06 2024-05-17 珠江水利委员会珠江水利科学研究院 一种河口咸潮预警等级划分方法

Similar Documents

Publication Publication Date Title
CN113887819A (zh) 一种河口枯水期的咸潮预报方法及预报设备
CN109376953B (zh) 一种中长期电量预测方法及系统
CN102183621B (zh) 水产养殖溶解氧浓度在线预测方法及系统
CN113126019B (zh) 一种智能电表误差远程估计方法、系统、终端和存储介质
CN116304962B (zh) 一种用于水表计量数据的智能异常监测方法
CN108920427B (zh) 一种月尺度水文模型时变参数的动态估计方法
CN113849763A (zh) 冬小麦-夏玉米干旱灾害风险评估方法、存储介质及终端
CN114862032B (zh) 一种基于XGBoost-LSTM的电网负荷预测方法及装置
CN113743673A (zh) 一种台风期间的电力负荷预测方法
CN110781167A (zh) 一种基于聚类压缩感知的用户缺失电量数据修复方法
CN109272144B (zh) 基于bpnn的中国北方草原地区ndvi的预测方法
CN117331705B (zh) 一种基于大数据的数据预测分析方法及系统
Eide et al. Bayesian model averaging for wind speed ensemble forecasts using wind speed and direction
CN115375014A (zh) 一种源荷组合概率预测方法、装置及存储介质
CN114691661B (zh) 一种基于同化的云导风、温湿廓线预处理分析方法及系统
CN115344815A (zh) 考虑植被空间变化的天然径流变化归因分析方法和系统
CN114357737B (zh) 针对大尺度水文模型时变参数的代理优化率定方法
CN118442676A (zh) 冷站温度控制方法、装置、电子设备及可读存储介质
Abbas et al. Assessment of the impacts of climate change on the construction of homogeneous climatic regions and ensemble climate projections using CMIP6 data over Pakistan
Sternberg et al. Biogeographic determinants of A ustralian freshwater fish life‐history indices assessed within a spatio‐phylogenetic framework
CN115856259B (zh) 基于区域差异特征的水源涵养功能遥感评估方法和系统
Giannetto et al. Proposed empirical standard weight equation for brook chub Squalius lucumonis
Stanton et al. Estimating regions’ relative vulnerability to climate damages in the CRED model
CN115860468A (zh) 水旱灾害的动态评估预测方法和装置
Thupeng et al. Changepoint analysis: A practical tool for detecting abrupt changes in rainfall and identifying periods of historical droughts: A case study of Botswana

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220104

RJ01 Rejection of invention patent application after publication