CN114004172A - 一种基于lspc和iwind-lr的水体月尺度水质预判方法和装置 - Google Patents

一种基于lspc和iwind-lr的水体月尺度水质预判方法和装置 Download PDF

Info

Publication number
CN114004172A
CN114004172A CN202111244742.5A CN202111244742A CN114004172A CN 114004172 A CN114004172 A CN 114004172A CN 202111244742 A CN202111244742 A CN 202111244742A CN 114004172 A CN114004172 A CN 114004172A
Authority
CN
China
Prior art keywords
water
water quality
month
target
water body
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
CN202111244742.5A
Other languages
English (en)
Inventor
邹锐
马文静
任婷玉
黎晓路
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 Yingteliwei Environmental Technology Co ltd
Original Assignee
Beijing Yingteliwei Environmental 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 Yingteliwei Environmental Technology Co ltd filed Critical Beijing Yingteliwei Environmental Technology Co ltd
Priority to CN202111244742.5A priority Critical patent/CN114004172A/zh
Publication of CN114004172A publication Critical patent/CN114004172A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Fluid Mechanics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种基于LSPC和IWIND‑LR的水体月尺度水质预判方法、装置、设备及存储介质，属于水环境管理技术领域，所述方法包括：基于LSPC模型搭建目标水体所在流域的水文水质模型；基于IWIND‑LR搭建目标水体的网格化水动力‑水质‑水生态模型；基于历史气象数据，构建包含未来一个月气象不确定性的逐小时气象预报数据；以气象数据为输入，模拟得到不同可能气象情景下的流域水文水质模拟结果时间序列；以气象数据和流域水文水质模拟结果为输入，模拟得到不同可能气象情景下的目标水体水质模拟结果；利用统计分析，得到未来一个月目标水体可能水质状况的频率分布统计。采用本申请，可以对目标水体未来一个月的水质走向趋势进行预判，帮助管理部门提前准备应对措施。

Description

一种基于LSPC和IWIND-LR的水体月尺度水质预判方法和装置
技术领域
本申请涉及水环境管理技术领域，尤其涉及一种基于LSPC和IWIND-LR的水体月尺度水质预判方法和装置。
背景技术
湖泊、水库等水体接受上游地表径流和污染负荷的汇入，其水质受到入流、气象条件、底泥、水动力流场等多种因素的叠加影响，具有高维、非线性、随机、不确定性等特征，必须在流域-水体的耦合框架下开展系统分析。与此同时，水质又直接关乎水环境、水生态的可持续发展，以及工业、农业、生活的用水安全，有效保护水体水质是开展水环境管理的一项重要任务。
在湖泊、水库等的日常管理中，提前掌握水质的变化趋势对于水环境管理科学决策至关重要。这是因为水质响应相对于管理措施具有滞后性，只有在足够多的时间提前量的条件下识别水质的可能走向，才能够及早采取应对措施，进而使管控措施真正发挥效益，减轻或者消除可能的水质恶化风险，保障水质安全。
在实现本申请的过程中，发明人发现上述技术至少存在以下问题：
水体的水质预判分析高度复杂，一方面需要能够建立起流域来水和污染负荷与水体水质的定量和动态响应关系，另一方面也需要充分考虑未来时段降雨预报的不确定性。在兼顾二者的前提下，考虑到水质管控措施效益发挥的滞后性，还需要尽可能增大水质预判分析的时间提前量，但气象预报的准确度往往随着时间的延长而急剧下降，如何在气象预报不确定的条件下，尽可能增大水质预判结果的时间提前量，是当前开展水质预判面临的关键挑战。
发明内容
为了准确把握湖泊、水库等水体的水质变化趋势，本申请实例提供了一种基于LSPC和IWIND-LR的水体月尺度水质预判方法和装置。所述技术方案如下：
第一方面，本实例提供了一种基于LSPC和IWIND-LR的水体月尺度水质预判方法，所述方法包括：
基于LSPC搭建目标水体所在流域的流域水文水质模型；
基于IWIND-LR搭建目标水体的网格化水动力-水质-水生态模型；
利用流域内最近N年(N≥5)的历史同期月尺度逐小时气象数据，构建未来一个月的逐小时气象预报情景库，生成包括丰、平、枯、丰偏平、平偏枯等5N种降雨情景的月尺度气象预报情景；
以5N种月尺度气象预报情景为输入，利用流域水文水质模型模拟得到未来一个月进入目标水体的5N种水量和污染负荷时间序列情景预测结果；
以未来一个月5N种气象预报情景和5N种流域水文水质模型的模拟结果为输入，利用目标水体的网格化水动力-水质-水生态模型获得目标水体未来一个月的5N种水动力-水质-水生态模拟结果；
利用统计分析方法，对目标水体未来一个月的5N种水动力-水质-水生态模拟结果进行统计分析，得到未来一个月目标水体水质变化趋势的频率分布统计结果。
基于上述技术方案，结合目标水体所在流域的历史气象数据、基于LSPC的流域水文水质模型和基于IWIND-LR的水动力-水质-水生态模型，充分考虑气象预报数据的不确定性，对目标水体未来一个月的水质的频率分布进行统计，得到对应的水质变化趋势。
可选的，所述基于LSPC搭建目标水体所在流域的水文水质模型，包括：
基于LSPC将所述目标水体所在流域划分为若干子汇水区；
基于LSPC和所述子汇水区搭建所述流域的水文模型和水质模型；
基于LSPC和所述子汇水区搭建所述流域的水文水质耦合模型；
基于上述技术方案，基于LSPC模型实现对目标水体所在流域的降雨-径流、入渗、负荷累积-冲刷、灌溉、河道输移等动态过程的数值模拟，得到进入目标水体的水量和污染负荷时间序列。
可选的，所述将目标水体所在流域划分为若干子汇水区，包括：
基于高程、河网、水库、主要道路、行政区划、用地类型等将流域划分为相互联系的子汇水区。
可选的，所述基于IWIND-LR搭建目标水体的网格化水动力-水质-水生态模型，包括：
基于IWIND-LR将所述目标水体离散为若干网格单元；
基于IWIND-LR和所述网格单元搭建所述目标水体的网格化水动力模型、网格化水质模型和网格化水生态模型；
基于IWIND-LR对所述网格化水动力模型、网格化水质模型和网格化水生态模型进行耦合，生成所述目标水体的网格化水动力-水质-水生态模型。
基于上述技术方案，基于IWIND-LR模型实现对水体内部动力学、水质与水生态的动态过程的数值再现，对于水体内部的动态变化进行全方位跟踪，以便于建立各种工程与水体内部的水动力、水质与水生态响应的定量关系，为水体管理提供科学的决策依据。
可选的，所述将目标水体离散为若干网格单元，包括：
在水平和垂直方向上，将所述目标水体划分为若干个网格单元；
根据所述目标水体的底部地形数据，对所述网格单元进行地形插值。
基于上述技术方案，利用曲线网格可以更好地匹配水体的边界形状，可以在保证空间精度的情况下提高模型的计算效率。
可选的，所述将构建目标水体所在流域未来一个月的5N种气象预报情景，包括：
收集获取目标流域过去N年(N≥5)的逐小时气象数据；
统计流域过去N年中每月实际总降雨量Rmn(1≤m≤12，1≤n≤N)，对于未来一个月对应的月份f，将历史同期月份的N个实际总降雨量Rfn(1≤n≤N)按照大小进行排序，得到与未来一个月月份对应的历史同期月份总降雨量最大值Rf-max(丰水)、最小值Rf-min(枯水)、中位值Rf-median(平水)；
根据丰水和平水情景的月降雨量值，计算得到未来一个月丰偏平情景的降雨量值Rf-max-median；
根据平水和枯水情景的月降雨量值，计算得到未来一个月平偏枯情景的降雨量值Rf-median-min；
根据丰水、枯水、平水、丰偏平、平偏枯5种情景降雨量值和历史同期月份的实际总降雨量Rfn，计算5种情景降雨量值相对于历史同期实际总降雨量的折算系数λ丰水＝Rf-max/Rfn、λ枯水＝Rf-min/Rfn、λ平水＝Rf-median/Rfn、λ丰偏平＝Rf-max-median/Rfn、λ平偏枯＝Rf-median-min/Rfn；
将过去N年中每年的月份f的实际逐小时降雨时间序列分别乘以5种降雨情景对应的折算系数，即得到目标水体所在流域未来一个月的5N种降雨预报情景时间序列。
基于上述技术方案，利用目标水体所在流域的历史气象数据，可以得到流域未来一个月的5N种(每年5种)降雨预报情景时间序列，降雨预报情景时间序列将作为目标水体所在流域的水文水质模型和目标水体网格化水动力-水质-水生态模型的输入数据。
可选的，所述将以未来一个月5N种降雨预报情景为输入，模拟得到目标水体未来一个月的水动力-水质-水生态模拟结果，包括：
以未来一个月的5N种逐小时降雨情景时间序列为输入，利用LSPC模型分别开展流域水文水质模型模拟分析，得到未来一个月的5N种进入目标水体的逐小时流量和污染负荷时间序列情景结果；
以未来一个月的5N种逐小时降雨情景时间序列和进入目标水体的逐小时流量和污染负荷时间序列情景结果为输入，利用IWIND-LR模型分别开展目标水体的网格化模拟分析，得到目标水体未来一个月的5N种逐小时水动力一水质-水生态模拟结果。
基于上述技术方案，可以根据生成的流域未来一个月降雨预报情景，通过流域水文水质模型和目标水体网格化水动力-水质-水生态模型的耦合模拟分析，得到目标水体在5N种降雨预报情景下每个网格各自的逐小时水质模拟结果。
可选的，所述将对目标水体未来一个月的水动力-水质-水生态模拟结果进行统计分析，得到目标水体未来一个月水质变化趋势的频率分布统计，包括：
汇总目标水体所有网格的5N种逐小时水动力-水质-水生态模拟结果；
设置水质指标浓度变化间隔区间，统计每个浓度间隔区间里水质指标浓度模拟结果出现的频率，得到各个水质指标浓度的频率分布直方图。
基于上述技术方案，可以对目标水体未来一个月多种气象情景下的水质预判结果进行统计，计算各种水质指标浓度的频率分布直方图，帮助管理部门直观掌握目标水体未来一个月的水质走向。
第二方面，本申请实施例还提供了一种基于LSPC和IWIND-LR的水体月尺度水质预判模拟装置，所述装置包括：
流域水文水质模拟模块：用于基于LSPC搭建目标水体所在流域的流域水文水质模型；
水动力-水质-水生态模拟模块：用于基于IWIND-LR搭建目标水体的网格化水动力-水质-水生态模型；
气象预报情景生成模块：用于基于目标水体所在流域的历史气象数据生成未来一个月的气象预报情景；
预判模拟模块：用于基于气象预报情景、流域水文水质模拟模块、水动力-水质-水生态模拟模块，得到未来一个月的目标水体多气象情景水质模拟结果；
预判结果统计模块：用于汇集目标水体多气象情景水质模拟结果，生成未来一个月各水质指标浓度变化趋势的频率分布直方图。
第三方面，提供了一种水质预判分析设备，所述水质预判分析设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如第一方面所述的基于LSPC和IWIND-LR的水质预判模拟方法。
第四方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如第一方面所述的基于LSPC和IWIND-LR的水质预判模拟方法。
综上所述，本申请具有以下有益效果：
采用本申请公开的基于LSPC和IWIND-LR的水体月尺度水质预判方法，通过LSPC搭建目标水体所在流域的水文水质模型，通过IWIND-LR搭建目标水体的网格化水动力-水质-水生态模型，基于流域的历史气象数据构建未来一个月的气象预报情景，以气象预报情景为输入，开展流域-水体耦合模拟分析，得到目标水体各个网格未来一个月的水质预判时间序列，并通过统计分析得到目标水体未来一个月的水质指标浓度频率分布直方图。以本申请公开的水质预判方法，能够在充分考虑气象预报不确定性的前提下，将目标水体的水质预判时间提前量扩大到一个月。同时，通过水质指标浓度频率直方图的形式，直观展示未来一个月的目标水体水质走向。以本申请公开的水质预判方法，能够帮助管理部门更早识别水质变化的不利趋势，提前采取应对措施，进而减少或者消除水质恶化风险。
附图说明
图1为本申请实施例中的一种基于LSPC和IWIND-LR的水体月尺度水质预判模拟方法的流程示意图；
图2为本申请实施例中的一种基于LSPC的目标水体所在流域的水文水质模拟方法的流程示意图；
图3为本申请实施例中的一种对目标水体所在流域进行子汇水区划分的原理示意图；
图4为本申请实施例中的一种基于IWIND-LR的目标水体网格化水动力-水质-水生态模拟方法的流程示意图；
图5为本申请实施例中的一种基于目标水体所在流域的历史气象监测数据构建未来一个月气象预报情景数据库的流程示意图；
图6为本申请实施例中的一种基于LSPC和IWIND-LR的水体月尺度水质预判模拟方法得到的未来一个月水质指标浓度频率分布直方图示例；
图7为本申请实施例中的一种基于LSPC和IWIND-LR的水体月尺度水质预判模拟装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图1-7及实施例，对本申请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用以解释本申请，并不用于限定本申请。
本申请实施例提供了一种基于LSPC和IWIND-LR的水体月尺度水质预判方法，该方法的执行主体可以是加载有LSPC和IWIND-LR计算平台的模拟分析设备，该模拟分析设备可以具备数据处理、存储和收发功能，如可以是计算机、服务器，主要可以用于流域-水体耦合系统的模拟分析，并具体可以用于对水体水质进行定量模拟。其中，流域可以是通过河流、沟渠、散流等形式汇入目标水体的面积汇总；水体可以是池塘、湖泊、河流、水库、内海等；上述模拟分析设备可以归属于水体管理机构方，也可以归属于技术评估服务方。也可以是在模拟和评估过程中，工作人员可以将流域和水体相关数据输入LSPC和IWIND-LR计算平台，模拟分析设备可以利用LSPC计算平台构建流域的数据模型，利用IWIND-LR计算平台构建水体的数据模型，并结合气象预报数据模型和结果统计数据模型来模拟预判未来月尺度水质变化趋势。本实施例中以水体为湖泊，模拟分析设备归属于技术评估服务方为例进行说明，其它情况与之类似，本实施例中不再赘述。
下面将结合具体实施方式，对图1所示的处理流程进行详细的说明，内容可以如下：
步骤101，基于LSPC搭建目标水体所在流域的水文水质模型。
其中，目标湖泊可以是任一需要开展月尺度水质预判的湖泊，目标湖泊所在流域是通过河流、沟渠、散流等形式汇入目标湖泊的面积汇总。
在实施中，在需要对目标湖泊开展月尺度水质预判时，管理机构方可以委托技术评估服务方首先对未来月尺度入湖水量和污染负荷进行预判分析。技术评估服务方可以在模拟分析设备上部署地理信息系统和LSPC计算平台，并基于LSPC搭建目标湖泊所在流域的水文水质模型。其中，地理信息系统(Geographic Information System)是用于输入、存储、查询、分析和显示地理数据的计算机程序，可以对空间信息进行分析和处理；LSPC(LoadSimulation Program C++，负荷计算程序)以水文模拟程序(HSPF)作为计算内核，可以对流域中的透水地面、不透水地面、河道与水库等要素中的水文水质过程分别进行模拟分析。水文方面，LSPC中的透水地面模拟模块考虑降水、截留、蒸腾、蒸发、地表径流、渗透、壤中流、地下水流等过程，不透水地面模拟模块考虑降水、截留、蒸发、地表径流等过程，河道与水库考虑蓄滞、蒸发、输移等过程。水质方面，LSPC能够模拟污染物进入水体的几种方式：污染物溶解于降雨形成的地表径流，并被冲刷至水体中；污染物吸附于泥沙，随泥沙被地表径流冲刷至水体中；污染物通过淋溶的方式进入土壤，在通过壤中流或者地下水进入水体；污染物通过大气沉降直接进入水体。其中，透水地面和不透水地面的泥沙产生和搬迁主要采用SEDMNT模块模拟，其冲刷过程可以分为两个部分：泥沙与土壤基质之间的吸附与解吸过程，以及泥沙在透水地面上的搬运过程。透水地面的泥沙模拟包括堆积、分离、传输、冲刷过程，不透水地面上的泥沙模拟主要包括堆积和传输过程。
可选的，目标湖泊所在流域的水文水质模型的建立过程具体可以如下：如图2所示，基于GIS将目标湖泊所在流域划分为子汇水区；基于GIS将目标湖泊所在流域划分为水文响应单元；基于LSPC整理目标湖泊所在流域的气象边界文件；基于LSPC构建目标湖泊所在流域的水文水质模型，并以气象边界文件为驱动，模拟得到目标水体所在流域的地表径流水量和污染负荷时间序列。
在实施中，在构建目标湖泊所在流域的水文水质模型的过程中，模拟分析设备可以先在GIS的水文分析模式下，将目标湖泊所在流域划分为若干子汇水区，每个子汇水区即为相对独立的汇水单元，具备坡度、面积、透水面积、不透水面积、上下游河道等信息。进一步，模拟分析设备可以在GIS的图层分析模式下，确定目标湖泊所在流域的水文响应单元类别，水文响应单元是流域里水文特性相似的地块的总体分类，包含用地类型、土壤类型、坡度等信息。之后，模拟分析设备可以基于LSPC，设置各个子汇水区内的水文响应单元信息以及河段信息，并依次搭建目标湖泊所在流域的水文模型和水质模型。
具体的，目标湖泊所在流域的水文水质模型的搭建可以包括针对流域设置边界条件、初始条件以及水文水质参数等步骤。其中，边界条件为气象边界条件(包含降雨、光照、温度、风速、气压、湿度等)。初始条件是模拟开始时刻的土壤湿度、河道水深、调蓄设施水深等。其它参数可以包括模型模拟步长、模拟起始时间和模拟终止时间。模拟分析设备在获取目标湖体所在流域的上述数据后，即可以构建流域水文水质模型。
可选的，在上述模型构建过程中，子汇水区的划分过程具体可以如下：按照高程和河网水系自然边界对目标湖体所在流域进行初步划分；根据流域内的主要道路、行政区划、用地类型等，对初步划分的子汇水区进行细化，得到整个流域的子汇水区划分结果。
在实施中，工作人员可以将目标湖泊所在流域的高程、河网、水库、行政区划、主要道路、用地类型、土壤等数据存入地理信息系统(GIS)中。这样，模拟分析设备可以根据高程、河流自然汇水边界等进行子汇水区划分，如图3所示，最终得到按照上下游关系连接的子汇水区划分结果。
步骤102，基于IWIND-LR搭建目标湖泊的网格化水动力-水质-水生态模型。
其中，目标湖泊可以是任一需要开展月尺度水质预判的湖泊。
在实施中，在需要对目标湖泊开展月尺度水质预判时，管理机构方可以委托技术评估服务方基于未来月尺度气象数据、未来月尺度入湖水量和污染负荷预判结果开展湖泊水质预判。技术评估服务方可以在模拟分析设备上部署IWIND-LR计算平台，并基于IWIND-LR搭建目标湖泊的网格化水动力-水质-水生态模型。其中，IWIND(Intelligent watershedintegrated decision，智能流域综合决策)系统集成有用于实施智能流域管理所需的数值模拟工具，为各种湖泊水库和河流系统的智能管理和工程规划设计提供定量决策分析支持。IWIND-LR是IWIND系列软件中的湖泊模型，以环境流体力学代码(EFDC)作为计算内核，可用于一维、二维及三维河流、湖泊及水库等水体的水动力、水质和水生态的模拟。IWIND-LR包括水动力、水质、水生态等模块，可以模拟水动力场、温度、盐度、泥沙运输、水质、有毒污染物质。其中，水动力模块主要采用CH3D水力学模型的原理，在2阶有限微分的基础上对垂向、自由表面和扰动平均进行数值求解，从而给出湖流场、水位和水温场；水质模块中包含多个变量，可以模拟各变量在水动力条件下的迁移转化、风力风向对水体水动力特征的影响、硝化作用、反硝化作用、泥沙吸附、沉降、有机物水解矿化、复氧作用等；水生态模块可以用于模拟水体中的藻类生长、代谢、捕食和死亡等过程。
可选的，网格化水动力-水质-水生态模型的建立过程具体可以如下：基于IWIND-LR将目标湖泊离散为若干网格单元；基于IWIND-LR和网格单元搭建目标湖泊的网格化水动力模型、网格化水质模型和网格化水生态模型；基于IWIND-LR对网格化水动力模型、网格化水质模型和网格化水生态模型进行耦合，生成目标湖泊的网格化水动力-水质-水生态模型。
在实施中，在构建网格化水动力-水质-水生态模型的过程中，模拟分析设备可以先在IWIND-LR的水动力建模模式下，将目标湖泊在三维空间中离散为若干网格单元，每个网格单元即为目标湖泊中的一块三维空间单元，该网格单元是后续建模的基础，可以用于展示湖泊的地形、水深、坡度等地貌状况。之后，模拟分析设备可以基于IWIND-LR，在离散得到的网格单元上依次搭建目标湖泊的网格化水动力模型、网格化水质模型和网格化水生态模型。
具体的，网格化水动力模型的搭建可以包括针对网格单元设置边界条件、初始条件以及其它参数等步骤，其中，边界条件是施加到模型系统上的外部驱动力，可以包括气象边界条件(包含降雨、光照、温度、风速、气压、湿度等)和出入流边界条件(包含流入湖泊或流出湖泊的水流)以及初始条件；初始条件是湖泊模拟的起点，可以设定目标湖泊的初始水位、水温，以及设定三维空间坐标方向上的初始水流速为0m/s；其它参数可以包括模型更新周期、科氏力参数、涡流粘度。这样，模拟分析设备在获取了上述内容对应的目标湖泊的实际数据后，即可以构建网格化水动力模型。
网格化水质模型可以基于IWIND-LR中内置的用来描述湖泊水体中污染物迁移转化、扩散的水质状态变量方程来构建，可以包括参数设置与初始条件设置等步骤，其中，参数设置可以包含水流在三维空间坐标方向上的扩散系数；初始条件可以包含网格化水动力模型的初始条件和实测的多项污染物的浓度值，以及基于网格化水动力模型模拟得出的目标湖泊的水体流速。参数设定完成后，网格化水质模型即建立完成。
网格化水生态模型可以在网格化水质模型的基础上进行建立，可以包括边界条件和初始条件以及参数的设定，其中边界条件和初始条件可以沿用上述网格化水动力模型和网格化水质模型的数值，以及目标湖泊和出入流中不同藻类的初始浓度，设定的参数可以包括不同藻类的生产率、代谢率、捕食率和沉降率等。基于上述数据，模拟分析设备可以实现网格化水生态模型的建立。
进一步的，模拟分析设备可以基于IWIND-LR对上述三个模型进行耦合，耦合过程可以是先求解网格化水动力模型得到目标湖泊的水流流速，并将水流流速在水平面的坐标方向上的均值作为网格化水质模型的初始条件，得到耦合后的网格化水动力-水质模型；再通过网格化水动力-水质模型求解目标湖泊的水流流速/流量、污染物氮磷浓度等，并将这些数值作为网格化水生态模型的初始条件，从而可以耦合得到网格化水动力-水质-水生态模型。
进一步的，以耦合的网格化水动力-水质-水生态模型为基础，以基于LSPC获得的入湖水量和污染负荷时间序列以及出流监测数据为出入流边界、以气象预报数据作为气象边界、以目标湖泊当前水位和水温为初始条件，即可以开展气象预报数据对应时段目标湖泊水质的连续模拟分析，得到目标湖泊网格中的水质指标浓度时间序列。
可选的，在上述模型构建过程中，网格单元的离散过程具体可以如下：在水平方向上，将目标湖泊划分为若干个正交曲线网格；对于每个正交曲线网格，在垂直方向上按西格玛坐标切割为若干个网格单元；根据目标湖泊的边缘地形数据，对网格单元进行地形插值。
在实施中，工作人员可以将目标湖泊的边缘地形数据存入IWIND-LR中，该边缘地形数据可以至少包括目标湖泊的湖岸线、湖底地形。这样，模拟分析设备可以采用曲线网格法对目标湖泊进行离散处理，可以根据上述边缘地形数据先在水平方向上，将目标湖泊划分为M个正交曲线网格，再在垂直方向上按西格玛坐标，将每个正交曲线网格切割成Z个网格单元，从而可以将目标湖泊的整个湖泊水体划分为M×Z个网格单元。最后，可以根据目标湖泊的边缘地形数据，对网格单元进行地形插值，以使网格单元更精准地匹配目标湖泊的边界形状。
步骤103，基于历史气象数据构建目标湖泊未来一个月的气象预报情景库。
在实施中，模拟分析设备可以提取目标湖泊所在流域历史多年逐小时气象监测数据，提取得到未来一个月对应的历史同期月份的总降雨量值，并对其进行排序，计算得到丰水、平水、枯水、丰偏平、平偏枯5种典型降雨情景的降雨量值。在具有气象监测数据的年份，逐年根据未来一个月对应月份的历史同期降雨量值，计算其相对于5种典型降雨情景的折算系数，再以折算系数乘以未来一个月对应月份的历史同期逐小时降雨时间序列，即得到基于该年实际降雨数据的未来一个月5种降雨情景预报情景，分别辅以对应降雨情景的历史光照、温度、风速、气压、湿度等监测数据，即可得到基于该年实际气象数据的未来一个月5种气象预报情景。对所有具有实际气象数据的年份重复以上步骤，即可得到未来一个月的气象预报情景库。
具体的，所选择的目标湖泊所在流域的历史逐小时降雨数据记录的年份长度建议不少于5年(N≥5)，统计N年中每个月的实际降雨量值Rmn(1≤m≤12，1≤n≤N)。对于未来一个月所对应的月份f，将历史同期月份的N个实际总降雨量Rfn(1≤n≤N)按照大小进行排序，得到与未来一个月月份f对应的历史同期月份总降雨量最大值Rf-max(丰水)、最小值Rf-min(枯水)、中位值Rf-median(平水)，计算丰偏平情景的降雨量值Rf-max-median＝(Rf-max+Rf-median)/2，计算平偏枯情景的降雨量值Rf-median-min＝(Rf-median+Rf-min)/2。
进一步的，根据丰水、枯水、平水、丰偏平、平偏枯5种典型情景降雨量值和历史同期月份的实际总降雨量Rfn，计算5种典型情景降雨量值相对于历史同期月份实际总降雨量的折算系数，分别为：λ丰水＝Rf-max/Rfn、λ枯水＝Rf-min/Rfn、λ平水＝Rf-median/Rfn、λ丰偏平＝Rf-max-median/Rfn、λ平偏枯＝Rf-median-min/Rfn；将过去N年中每年的月份f的实际逐小时降雨时间序列分别乘以5种降雨情景对应的折算系数，即得到月份f的5N种降雨预报情景时间序列。再辅以对应情景的历史光照、温度、风速、气压、湿度等监测数据，即得到月份f的5N种气象预报情景组成的气象预报情景库。
可选的，如果目标湖泊所在流域的气象和雨量站点超过一个，则针对每个气象和雨量站点的历史数据进行上述折算系数计算，得到每个气象和雨量站点对应的未来一个月气象预报情景库，再按照泰森多边形法等方法将气象和雨量站点的结果与子汇水区进行匹配。
为了便于理解，图5示意性地给出了上述目标湖泊未来一个月的气象预报情景库的完整生成过程。
步骤104，利用目标湖泊的流域-水体耦合模型开展未来一个月的水体水质预判模拟分析。
在实施中，模拟分析设备以构建的未来一个月气象预报情景库为边界输入，利用LSPC开展目标湖泊所在流域的未来一个月水文水质模拟分析，得到进入目标湖泊的对应于5N种气象情景的水量和污染负荷时间序列。模拟分析设备以未来一个月气象预报情景库、LSPC模拟得到的入湖水量和污染负荷时间序列、目标湖泊出流量估计值(可以参考历史同期出流量)为输入，利用IWIND-LR开展目标湖泊的网格化水动力-水质-水生态模型模拟分析，得到目标湖泊未来一个月对应于5N种气象情景的网格逐小时水质模拟结果时间序列。
步骤105，对目标湖泊未来一个月的水质预判模拟分析结果进行统计分析，得到水质指标浓度频率分布直方图。
在实施中，模拟分析设备提取目标湖泊未来一个月对应于5N种气象情景的网格逐小时水质模拟结果时间序列，并对各个水质指标的模拟结果进行排序。对于任一水质指标，设定x1，x2，…，xn为排序后的浓度模拟结果集合，其最小值记为a，最大值记为b，将浓度变化区间[a，b]等分成m个小区间，即每个区间的长度均为Δx＝(b-a)/m，且区间边界为：
[a，a1]，(a1，a2]，…，(am-1，b]
模拟分析设备将目标湖泊未来一个月对应于5N种气象情景的网格逐小时水质指标浓度模拟结果时间序列与上述区间进行匹配，计算水质指标浓度模拟结果落入各个小区间的频数fi，并以水质指标浓度为x轴，以落入各个小区间的频数fi为y轴，绘制水质指标浓度频率分布直方图。
为了便于理解，图6示意性地给出了以总磷为例的月尺度水质预判结果的浓度频率分布直方图。图中x轴为总磷的浓度值，根据预测值的上下限范围等分为若干个小区间，y轴为水质指标浓度预测结果落在每个小区间的频数。图中根据《地表水环境质量标准》(GB3838-2002)中依据总磷指标的水质类别标准，标示了II类水和III类水的界限。以图中展示的水体为例，其未来一个月以总磷为指标的水质类别有较大可能是III类水。
采用本申请公开的基于LSPC和IWIND-LR的水体月尺度水质预判方法，通过LSPC搭建目标水体所在流域的水文水质模型，通过IWIND-LR搭建目标水体的网格化水动力-水质-水生态模型，基于流域的历史气象数据构建未来一个月的气象预报情景，以气象预报情景为输入，开展流域-水体耦合模拟分析，得到目标水体各个网格未来一个月的水质预判时间序列，并通过统计分析得到目标水体未来一个月的水质指标浓度频率分布直方图。以本申请公开的水质预判方法，能够在充分考虑气象预报不确定性的前提下，将目标水体的水质预判时间提前量扩大到一个月。同时，通过水质指标浓度频率直方图的形式，直观展示未来一个月的目标水体水质走向。以本申请公开的水质预判方法，能够帮助管理部门更早识别目标水体水质变化的不利趋势，提前采取应对措施，进而减少或者消除水质恶化风险。
基于相同的技术构思，本申请实施例还提供了一种基于LSPC和IWIND-LR的水体月尺度水质预判方法和装置，如图7所示，所述装置包括：
流域水文水质模型搭建模块，用于基于LSPC搭建目标水体所在流域的水文水质模型；
水体网格化水动力-水质-水生态模型搭建模块，用于基于IWIND-LR搭建目标水体的网格化水动力-水质-水生态模型；
月尺度气象预报模块，用于基于目标水体所在流域的历史气象监测数据构建流域未来一个月的气象预报情景库；
模型耦合模块，用于利用目标水体所在流域未来一个月的气象预报情景库，开展目标水体所在流域的水文水质以及目标水体网格的水动力-水质-水生态模型耦合模拟分析；
预判结果统计模块，用于对目标水体未来一个月的水质预判模拟结果进行统计分析，生成水质指标浓度频率分布直方图。
可选的，所述流域水文水质模型搭建模块701，具体用于：
基于GIS将目标水体所在流域划分为若干子汇水区，确定目标水体所在流域内的水文响应单元类别；
基于LSPC和所述子汇水区及水文响应单元搭建所述目标水体所在流域的水文水质模型。
可选的，所述水体网格化水动力-水质-水生态模型搭建模块702，具体用于：
在水平方向上，将所述目标水体划分为若干个正交曲线网格；
对于每个正交曲线网格，在垂直方向上按西格玛坐标切割为若干个网格单元；
根据所述目标水体的边缘地形数据，对所述网格单元进行地形插值；
根据设定的初始条件、出入流边界条件、气象条件，开展水体网格的水动力-水质-水生态模拟分析。
可选的，所述月尺度气象预报模块703，具体用于：
基于历史气象监测数据统计每月的实际监测降雨量；
对未来一个月对应月份的历史实际监测降雨量值进行排序，统计计算丰水、平水、枯水、丰偏平、平偏枯5种典型降雨情景的降雨量；
根据未来一个月对应月份的历史同期实际监测降雨量以及5种典型降雨情景的降雨量，通过折算系数将未来一个月对应月份的历史实际逐小时监测降雨量转换为5种典型降雨情景的降雨量，并分别匹配5种典型降雨情景的光照、温度、风速、气压、湿度等，得到未来一个月对应月份的5种气象预报情景。在具有历史监测降雨量的每一年份重复本步骤，得到未来一个月5N种气象预报情景。
可选的，所述模型耦合模块704，具体用于：
根据目标水体未来一个月的5N种气象预报情景，基于LSPC开展目标水体所在流域的水文水质模拟，获得进入目标水体的水量和污染负荷时间序列；
根据目标水体未来一个月的5N种气象预报情景、进入目标水体的水量和污染负荷时间序列、目标水体出流量估计值(参考历史同期出流量)，基于IWIND-LR开展目标水体的网格化水动力-水质-水生态模拟分析，得到未来一个月对应于5N种气象情景的网格逐小时水质模拟结果时间序列。
可选的，所述预判结果统计模块705，具体用于：
根据未来一个月对应于5N种气象情景的网格逐小时水质模拟结果时间序列，提取水质指标浓度预判结果的上下限值，将限值区间等分为若干小区间，统计水质指标浓度落入各个小区间的频率，并绘制水质指标浓度频率分布直方图。
本申请实施例还提供了一种模拟分析设备，所述模拟分析设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如步骤101-步骤105的处理。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，本说明书(包括摘要和附图)中公开的任一特征，除非特别叙述，均可被其它等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

Claims (11)

1.一种基于LSPC和IWIND-LR的水体月尺度水质预判方法，其特征在于，所述方法包括：
基于LSPC搭建目标水体所在流域的流域水文水质模型；
基于IWIND-LR搭建目标水体的网格化水动力-水质-水生态模型；
利用流域内最近N年(N≥5)的历史同期月尺度逐小时气象数据，构建未来一个月的逐小时气象预报情景库，生成包括丰、平、枯、丰偏平、平偏枯等5N种降雨情景的月尺度气象预报情景；
以流域内未来一个月的气象预报情景库为输入，利用流域水文水质模型和目标水体网格化水动力-水质-水生态模型开展耦合模拟，获得目标水体网格未来一个月的5N种水动力-水质-水生态模拟结果；
利用统计分析方法，对目标水体未来一个月的5N种水动力-水质-水生态模拟结果进行统计分析，得到未来一个月目标水体水质变化趋势的频率分布统计结果。
2.根据权利要求1所述的方法，其特征在于，所述基于LSPC搭建目标水体所在流域的流域水文水质模型，包括：
基于LSPC将目标水体所在流域划分为若干个子汇水区；
基于LSPC搭建目标水体所在流域的水文模型和水质模型；
基于LSPC对目标水体所在流域的水文模型和水质模型进行耦合，得到目标水体的水文水质模型。
3.根据权利要求2所述的方法，其特征在于，所述将目标水体所在流域划分为若干子汇水区，包括：
基于高程、河网、水库、主要道路、行政区划、用地类型等将流域划分为相互联系的子汇水区。
4.根据权利要求1所述的方法，其特征在于，所述将搭建目标水体水动力-水质-水生态模型，包括：
基于IWIND-LR将所述目标水体离散为若干网格单元；
基于IWIND-LR和所述网格单元搭建所述目标水体的网格化水动力模型、网格化水质模型和网格化水生态模型；
基于IWIND-LR对所述网格化水动力模型、网格化水质模型和网格化水生态模型进行耦合，生成所述目标水体的网格化水动力-水质-水生态模型。
5.根据权利要求4所述的方法，其特征在于，所述将目标水体离散为若干网格单元，包括：
在水平和垂直方向上，将所述目标水体划分为若干个网格单元；
根据所述目标水体的底部地形数据，对所述网格单元进行地形插值。
6.根据权利要求1所述的方法，其特征在于，所述将构建目标水体所在流域未来一个月的5N种气象预报情景，包括：
收集获取目标流域过去N年(N≥5)的逐小时气象数据；
统计流域过去N年中每月实际总降雨量Rmn(1≤m≤12，1≤n≤N)，对于未来一个月对应的月份f，将历史同期月份的N个实际总降雨量Rfn(1≤n≤N)按照大小进行排序，得到与未来一个月月份对应的历史同期月份总降雨量最大值Rf-max(丰水)、最小值Rf-min(枯水)、中位值Rf-median(平水)；
根据丰水和平水情景的月降雨量值，计算得到未来一个月丰偏平情景的降雨量值Rf-max-median；
根据平水和枯水情景的月降雨量值，计算得到未来一个月平偏枯情景的降雨量值Rf-median-min；
根据丰水、枯水、平水、丰偏平、平偏枯5种情景降雨量值和历史同期月份的实际总降雨量Rfn，计算5种情景降雨量值相对于历史同期实际总降雨量的折算系数λ丰水＝Rf-max/Rfn、λ枯水＝Rf-min/Rfn、λ平水＝Rf-median/Rfn、λ丰偏平＝Rf-max-median/Rfn、λ平偏枯＝Rf-median-min/Rfn；
将过去N年中每年的月份f的实际逐小时降雨时间序列分别乘以5种降雨情景对应的折算系数，即得到目标水体所在流域未来一个月的5N种降雨预报情景时间序列。
7.根据权利要求1所述的方法，其特征在于，所述将以未来一个月5N种降雨预报情景逐小时时间序列为输入，模拟得到目标水体未来一个月的5N种水动力-水质-水生态模拟结果，包括：
以月份f的5N种逐小时降雨情景时间序列为输入，利用LSPC模型分别开展流域水文水质模型模拟分析，得到月份f的5N种进入目标水体的逐小时流量和污染负荷时间序列情景结果；
以月份f的5N种逐小时降雨情景时间序列和进入目标水体的逐小时流量和污染负荷时间序列情景结果为输入，利用IWIND-LR模型分别开展目标水体的网格化模拟分析，得到目标水体未来一个月的5N种逐小时水动力-水质-水生态模拟结果。
8.根据权利要求1所述的方法，其特征在于，所述将对目标水体未来一个月的5N种水动力-水质-水生态模拟结果进行统计分析，得到目标水体未来一个月水质变化趋势的频率分布统计，包括：
汇总目标水体所有网格的5N种逐小时水动力-水质-水生态模拟结果；
设置水质指标浓度变化间隔区间，统计每个浓度间隔区间里水质指标浓度模拟结果出现的频率，得到各个水质指标浓度的频率分布直方图。
9.一种基于LSPC和IWIND-LR的月尺度水体水质预判装置，其特征在于，所述装置包括：
流域水文水质模拟模块：用于基于LSPC搭建目标水体所在流域的流域水文水质模型；
水动力-水质-水生态模拟模块：用于基于IWIND-LR搭建目标水体的网格化水动力-水质-水生态模型；
气象预报情景生成模块：用于基于目标水体所在流域的历史气象数据生成未来一个月的气象预报情景；
预判模拟模块：用于基于气象预报情景、流域水文水质模拟模块、水动力-水质-水生态模拟模块，得到未来一个月的目标水体多气象情景水质模拟结果；
预判结果统计模块：用于汇集目标水体多气象情景水质模拟结果，生成未来一个月各水质指标浓度变化趋势的频率分布直方图。
10.一种模拟分析设备，其特征在于，所述模拟分析设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至10任一所述的基于LSPC和IWIND-LR的水体月尺度水质预判方法。
11.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至10任一所述的基于LSPC和IWIND-LR的水体月尺度水质预判方法。
CN202111244742.5A 2021-10-19 2021-10-19 一种基于lspc和iwind-lr的水体月尺度水质预判方法和装置 Pending CN114004172A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111244742.5A CN114004172A (zh) 2021-10-19 2021-10-19 一种基于lspc和iwind-lr的水体月尺度水质预判方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111244742.5A CN114004172A (zh) 2021-10-19 2021-10-19 一种基于lspc和iwind-lr的水体月尺度水质预判方法和装置

Publications (1)

Publication Number Publication Date
CN114004172A true CN114004172A (zh) 2022-02-01

Family

ID=79924026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111244742.5A Pending CN114004172A (zh) 2021-10-19 2021-10-19 一种基于lspc和iwind-lr的水体月尺度水质预判方法和装置

Country Status (1)

Country Link
CN (1) CN114004172A (zh)

Similar Documents

Publication Publication Date Title
KR101912627B1 (ko) Gis 기반의 수문-수리모형 분석결과의 통합 가시화 방법
Schwanghart et al. TopoToolbox: A set of Matlab functions for topographic analysis
Jasiewicz et al. A new GRASS GIS toolkit for Hortonian analysis of drainage networks
Krysanova et al. Development and test of a spatially distributed hydrological/water quality model for mesoscale watersheds
Viviroli et al. An introduction to the hydrological modelling system PREVAH and its pre-and post-processing-tools
Jain et al. DEM-based modelling of surface runoff using diffusion wave equation
Lacroix et al. Using digital terrain analysis modeling techniques for the parameterization of a hydrologic model
CN112001610A (zh) 农业面源污染的处理方法及装置
CN115310806A (zh) 一种基于空间信息格网的洪涝灾害损失评估方法
CN105115883B (zh) 土壤水蚀量的检测方法和装置
Saeedrashed et al. Estimation of geomorphological parameters of Lower Zab River-Basin by using GIS-based remotely sensed image
Yasarer et al. Characterizing ponds in a watershed simulation and evaluating their influence on streamflow in a Mississippi watershed
Roberts The effects of current landscape configuration on streamflow within selected small watersheds of the Atlanta metropolitan region
CN113282572B (zh) 一种耕地网格化划分的方法、系统及终端设备
Ramsankaran et al. Physically-based distributed soil erosion and sediment yield model (DREAM) for simulating individual storm events
CN104698508A (zh) 一种用于土壤侵蚀野外调查的便携式装置及方法
CN110852472A (zh) 一种基于随机森林算法的陆地水储量预测方法及设备
CN114048692A (zh) 一种基于监测数据与模型融合的水体月尺度水质预判方法
Belleflamme et al. Hydrological forecasting at impact scale: the integrated ParFlow hydrological model at 0.6 km for climate resilient water resource management over Germany
Zollweg Effective use of geographic information systems for rainfall-runoff modeling
CN114004172A (zh) 一种基于lspc和iwind-lr的水体月尺度水质预判方法和装置
CN115758856A (zh) 一种景观格局及气候变化对流域未来水质影响的研究方法
CN114003640A (zh) 一种不稳定耕地的分析方法
Heng et al. Development of a regional model for catchment-scale suspended sediment yield estimation in ungauged rivers of the Lower Mekong Basin
Boroomandnia et al. GIS Application in Water Resource Management

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