CN114399103A - 一种基于cnn的陆水一体化河流水质时空连续预测方法 - Google Patents
一种基于cnn的陆水一体化河流水质时空连续预测方法 Download PDFInfo
- Publication number
- CN114399103A CN114399103A CN202210014045.9A CN202210014045A CN114399103A CN 114399103 A CN114399103 A CN 114399103A CN 202210014045 A CN202210014045 A CN 202210014045A CN 114399103 A CN114399103 A CN 114399103A
- Authority
- CN
- China
- Prior art keywords
- water quality
- model
- river
- cnn
- water
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 225
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000004088 simulation Methods 0.000 claims abstract description 81
- 238000009826 distribution Methods 0.000 claims abstract description 37
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 24
- 231100000719 pollutant Toxicity 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000004907 flux Effects 0.000 claims abstract description 7
- 239000002689 soil Substances 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 20
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 12
- 230000005012 migration Effects 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 229910052757 nitrogen Inorganic materials 0.000 claims description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 229910052698 phosphorus Inorganic materials 0.000 claims description 4
- 239000011574 phosphorus Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 3
- 239000000700 radioactive tracer Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 42
- 239000010410 layer Substances 0.000 description 18
- 241000195493 Cryptophyta Species 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000003647 oxidation Effects 0.000 description 7
- 238000007254 oxidation reaction Methods 0.000 description 7
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000001704 evaporation Methods 0.000 description 5
- 239000005413 snowmelt Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000013049 sediment Substances 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910021529 ammonia Inorganic materials 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 238000003911 water pollution Methods 0.000 description 3
- 238000011438 discrete method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000006396 nitration reaction Methods 0.000 description 2
- 125000001477 organic nitrogen group Chemical group 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ZKRFOXLVOKTUTA-KQYNXXCUSA-N 9-(5-phosphoribofuranosyl)-6-mercaptopurine Chemical compound O[C@@H]1[C@H](O)[C@@H](COP(O)(O)=O)O[C@H]1N1C(NC=NC2=S)=C2N=C1 ZKRFOXLVOKTUTA-KQYNXXCUSA-N 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 101000669513 Homo sapiens Metalloproteinase inhibitor 1 Proteins 0.000 description 1
- 101000836150 Homo sapiens Transforming acidic coiled-coil-containing protein 3 Proteins 0.000 description 1
- 102100039364 Metalloproteinase inhibitor 1 Human genes 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 102100027048 Transforming acidic coiled-coil-containing protein 3 Human genes 0.000 description 1
- IXKSXJFAGXLQOQ-XISFHERQSA-N WHWLQLKPGQPMY Chemical compound C([C@@H](C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(C)C)C(=O)N1CCC[C@H]1C(=O)NCC(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(O)=O)NC(=O)[C@@H](N)CC=1C2=CC=CC=C2NC=1)C1=CNC=N1 IXKSXJFAGXLQOQ-XISFHERQSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033558 biomineral tissue development Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
Abstract
本发明公开了一种基于CNN的陆水一体化河流水质时空连续预测方法,包括:基于SWAT模型,对河流流域的各子流域进行径流模拟,得到各子流域的径流模拟结果;基于EFDC模型,将各子流域的径流结果作为EFDC模型的流量边界进行输入,同时将污染物通量作为EFDC模型的水质边界进行输入,模拟得到水质时空连续分布图像;构建CNN模型,将得到的水质时空连续分布图像作为训练样本输入,对CNN模型进行训练;利用训练好的CNN模型进行河流水质时空连续预测,对于输入的离散断面的水质结果,预测出时空连续分布的水质结果。本发明实现了人工智能技术对流域水质的全方位时空连续预测,能够为水环境监管提供有力的技术支撑。
Description
技术领域
本发明涉及河流水质预测技术领域,特别涉及一种基于CNN的陆水一体化河流水质时空连续预测方法。
背景技术
河流水质预测是流域水环境管理的重要内容,解决水质问题的主要措施包括水质监测、水环境监管和水质预测等。近年来,随着我国水污染治理相关政策的出台和生态环境大数据的快速发展,逐步增强了对流域污染源和水质状况的监测监管能力,极大地减缓了流域水质问题的发生。
同时,河流水质时空连续预测作为预防流域水质问题的重要抓手、应对突发水污染事件的决策支持和跟踪流域水质变化的重要手段,已成为流域水环境管理不可或缺的帮手。当前,生态环境大数据技术在数据存储体量、数据处理类型和数据计算速率等方面均取得了突破性进展,由此给流域水质预测提出了准确、高效、实时和时空连续的新要求。
其中,陆水一体化河流水质时空连续预测流是水环境管控的重要决策支持技术,然而已有的预测方法对河流水质的预测结果在空间上是离散的独立断面,无法表征河流干流各处的水质状况,这限制了水污染治理的监管能力。
发明内容
本发明的目的在于提供一种基于CNN的陆水一体化河流水质时空连续预测方法,通过构建陆水一体化水质模型与人工智能算法联合框架,既充分利用机理模型对河流污染物时空运移的模拟能力,也有力发挥CNN算法对图像特征提取与预测的能力,实现对河流水质的二维时空连续预测。
为解决上述技术问题,本发明的实施例提供如下方案:
一种基于CNN的陆水一体化河流水质时空连续预测方法,包括以下步骤:
S1、基于SWAT模型,对河流流域的各子流域进行径流模拟,得到各子流域的径流模拟结果;
S2、基于EFDC模型,将各子流域的径流结果作为EFDC模型的流量边界进行输入,同时将污染物通量作为EFDC模型的水质边界进行输入,模拟得到水质时空连续分布图像;
S3、构建CNN模型,将得到的水质时空连续分布图像作为训练样本输入,对CNN模型进行训练;
S4、利用训练好的CNN模型进行河流水质时空连续预测,对于输入的离散断面的水质结果,预测出时空连续分布的水质结果。
优选地,所述步骤S1具体包括:
利用SWAT模型将河流流域划分为多个子流域和多个水文响应单元;
建立模型数据库,并进行数据预处理;
对SWAT模型进行率定与验证;
将预处理后的数据加载进SWAT模型,对各子流域进行径流模拟计算;
输出径流模拟结果,作为EFDC模型的流量边界。
优选地,所述模型数据库包括空间数据和属性数据,所述空间数据由DEM数据、土地利用类型数据和土壤类型数据组成,所述属性数据由气象数据和水文数据组成。
优选地,所述SWAT模型包括子流域计算模块和河道产汇流模块,所述子流域计算模块用于模拟各子流域向河道的产汇流过程,所述河道产汇流模块用于模拟水、泥沙、污染物从各子流域向流域总出口的输送过程。
优选地,所述步骤S2具体包括:
对河流进行网格划分,并修正网格的正交性和平滑性;
将网格划分后的地形文件导入EFDC模型;
将水动力边界和水质边界输入EFDC模型,其中水动力边界包括流量边界与水位边界,水质边界包括点源污染边界与面源污染边界;
对EFDC模型进行率定与验证;
利用EFDC模型对河流流域进行水质模拟,得到水质时空连续分布图像。
优选地,所述EFDC模型包括水动力模块和水质模块,所述水动力模块是EFDC模型的核心基础模块,用于模拟水体的流速场、示踪剂、水温和盐度状况,所述水质模块基于CE-QUAL-ICM模型进行设计,用于模拟包括化学需氧量、氨氮、溶解氧、氮和磷在内的多项水质组分的迁移转化过程。
优选地,所述步骤S3中,对输入的水质时空连续分布图像进行堆叠,以配置CNN模型;输入图像的参数由河流网格单元数量N、网格尺寸和变量数量C组成,其中网格单元尺寸包括宽度W和高度H;这里将输入图像分割为模型输入窗口,尺寸设置为50×50像素,并且假设观测点位于模型输入窗口的中心;输入图像设置为21通道,主要为预测期前的21天水质数据,并采用OpenCV库对图像进行扫描校准和分割标准化处理。
优选地,所述步骤S3中,CNN模型框架以VGG-19为基础进行参数配置,框架包括2个卷积层、2个池化层、1个Dropout层、1个Flatten层和2个Dense层;其中卷积核尺寸为3×3,滑动步长为1,卷积核个数分别为64和128;池化层采用Max Pooling方法,池化尺寸为2×2;激活函数采用Relu方法;Dropout层的丢弃概率为0.5;优化函数采用Adam方法;损失函数采用MSE方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,采用SWAT模型与EFDC模型对河流进行陆水一体化水质模拟,利用SWAT模型对河流流域的各子流域进行径流模拟计算,并将子流域的径流模拟结果作为EFDC模型水动力模块的流量边界进行输入,同时将污染物通量作为EFDC模型水质模块的水质边界进行输入,进而对河流流域进行水质模拟,将模拟产生的水质时空连续分布图像作为CNN模型的训练样本输入,并利用神经网络的深度训练学习能力,提取河流水质时空分布特征,然后再将离散断面水质预测结果输入到训练后的CNN模型,进而得到离散断面间的河段水质连续分布,实现水质的二维时空连续预测。
本发明提供的基于CNN的陆水一体化河流水质时空连续预测方法,仅利用离散断面的水质结果,就能够准确地预测出离散断面间的水质连续分布,并且该水质分布特征与机理模型结果在时间和空间上保持相似性,进一步验证了由离散断面的水质预测向水质连续分布预测的方法是可行的,实现了人工智能技术对流域水质的全方位时空连续预测,为水环境监管提供有力的技术支撑。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于CNN的陆水一体化河流水质时空连续预测方法的流程图;
图2是本发明实施例提供的陆水一体化机理模型与CNN联合框架示意图;
图3是本发明实施例提供的小清河网格划分示意图;
图4是本发明实施例提供的河底地形图;
图5是本发明实施例提供的模型边界点位置分布示意图;
图6是本发明实施例提供的EFDC模型生成CNN输入数据示意图;
图7是本发明实施例提供的CNN模型框架结构示意图;
图8(a)-图8(d)是本发明实施例中训练NH3-N、验证NH3-N、训练COD、验证COD的结果示意图;
图9(a)-图9(d)是本发明实施例中EFDC模型模拟NH3-N、CNN模型模拟NH3-N、EFDC模型模拟COD、CNN模型模拟COD的结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明的实施例提供了一种基于CNN的陆水一体化河流水质时空连续预测方法,如图1所示,所述方法包括以下步骤:
S1、基于SWAT模型,对河流流域的各子流域进行径流模拟,得到各子流域的径流模拟结果;
S2、基于EFDC模型,将各子流域的径流结果作为EFDC模型的流量边界进行输入,同时将污染物通量作为EFDC模型的水质边界进行输入,模拟得到水质时空连续分布图像;
S3、构建CNN模型,将得到的水质时空连续分布图像作为训练样本输入,对CNN模型进行训练;
S4、利用训练好的CNN模型进行河流水质时空连续预测,对于输入的离散断面的水质结果,能够预测出时空连续分布的水质结果。
本发明实施例中,采用SWAT模型(水文模型)与EFDC模型(水动力-水质模型)对河流进行陆水一体化水质模拟,利用SWAT模型对河流流域的各子流域进行径流模拟计算,并将子流域的径流模拟结果作为EFDC模型水动力模块的流量边界进行输入,同时将污染物通量作为EFDC模型水质模块的水质边界进行输入,进而对河流流域进行水质模拟,将模拟产生的水质时空连续分布图像作为CNN模型的训练样本输入,并利用神经网络的深度训练学习能力,提取河流水质时空分布特征,然后再将离散断面水质预测结果输入到训练后的CNN模型,进而得到离散断面间的河段水质连续分布,实现水质的二维时空连续预测。
图2是本发明实施例提供的陆水一体化机理模型与CNN联合框架示意图,如图2所示,所述步骤S1具体包括:
利用SWAT模型将河流流域划分为多个子流域和多个水文响应单元;
建立模型数据库,并进行数据预处理;
对SWAT模型进行率定与验证;
将预处理后的数据加载进SWAT模型,对各子流域进行径流模拟计算;
输出径流模拟结果,作为EFDC模型的流量边界。
其中,所述模型数据库包括空间数据和属性数据,所述空间数据由DEM数据、土地利用类型数据和土壤类型数据组成,所述属性数据由气象数据和水文数据组成。具体地,DEM数据来源于地理空间数据云(http://www.gscloud.cn/),空间分辨率为30m;土地利用类型数据和土壤数据来源于中国科学院资源环境科学数据中心,数据类型分辨率分别为1km×1km和23km×23km;气象数据主要包括最高最低温度、降雨量、风速、相对湿度、太阳辐射,来源于中国气象数据网(http://data.cma.cn),水文数据主要来自于待研究河流所述地区的环境规划研究院等。
对数据进行预处理的步骤主要包括:
①DEM数据
在SWAT模型中,采用DEM数据对流域空间进行离散,从而对流域进行子流域划分,并生成水文响应单元,进而获取流域的边界、子流域和河网分布等下垫面要素。同时,利用DEM数据也可获取河道长度、坡度、坡向、流域面积、平均高程、最小高程、最大高程及剖面曲率等流域特征参数。本发明采用ArcGis对河流流域的DEM数据进行裁剪拼接,以获取研究区完整的数字高程模型,同时对该数据进行投影变换。
②土地利用类型数据
土地利用类型数据是表征一定时期内区域地表要素、地表特征和发展动态的背景信息,也是人类对土地开发、利用、改造、规划和管理的数据资料。依据河流流域的土地利用数据,并参照《土地利用现状分类(GB/T21010-2007)》标准,将流域划分为耕地(AGRL)、林地(FRST)、草地(PAST)、水域(WATR)、居民用地(URHD)和未利用地(BARR)等类型。
③土壤类型数据
土壤类型数据作为模型最基本的参数,它控制着土壤内部水和空气的运移,其参数质量直接影响模拟精度。本发明土壤类型采用中国科学院资源环境科学数据中心的数据资源,土壤类型的属性可通过该数据库查询获取。土壤属性主要由土壤物理属性和化学属性组成,其中物理属性表征土壤侵蚀的程度及规律,主要包括土壤名称、饱和导水率、土壤分层数、土壤水文学分组、有效持水量、湿密度、土壤孔隙度、层结构和土壤有机碳含量等参数。化学属性表征氮、磷含量的初始浓度,是面源模拟的重要参数。由于本发明仅模拟河流流域的径流过程,故只考虑土壤的物理属性,不考虑其化学属性。
④气象数据
水文模拟过程中气象数据是重要的影响因子,是流域产汇流过程的重要驱动。本发明采用河流流域附近的若干气象站数据,气象参数包含降水、最高/最低气温、相对湿度、风速、日照时数等日尺度气象要素信息。
本发明实施例中,所述SWAT模型包括子流域计算模块和河道产汇流模块,所述子流域计算模块用于模拟各子流域向河道的产汇流过程,所述河道产汇流模块用于模拟水、泥沙、污染物从各子流域向流域总出口的输送过程。
其中,计算水循环和解析水量随时间变化的公式如下:
式中SW0为初始土壤水量,SWt为t时间节点土壤含水量,Rday为第i天的降水量,Qsurf为地表汇水量,E为蒸发量,Wseep为土壤层的旁侧流量,Qgw为地下水的回归流量,单位均为mm;
SWAT模型中采用以下方法对水循环的各要素进行计算:地表径流过程的模拟采用SCS径流曲线法;潜在蒸发量采用Hargreaves、Priestley-Taylor和Penman-Monteith三种估算方法中的任意一种;渗透过程采用存储演算方法;河道径流采用马斯金根演算法。
作为本发明的一种具体实现方式,以小清河流域为例,SWAT模型利用ArcGis软件进行流域水系提取、子流域划分、土地利用重分类、土壤类型重分类、坡度级别划分和水文响应单元划分。由此,模型将小清河流域划分为53个子流域,515个水文响应单元。同时,模型将土地利用类型、土壤类型和气象等数据加载进模型,进而通过SCS径流曲线方程对流域进行径流模拟计算。最后,模型运行结果按子流域、水文响应单元和河道等划分区域分别输出径流结果。
具体地,本发明选取与径流模拟紧密相关的25个参数进行迭代优化分析,参数主要分为土壤特性参数、气温参数、基流特性参数和河道参数。其中,土壤特性参数包含土壤表层到底层的深度(SOL_Z)、土壤层有效持水量(SOL_AWC)、土壤饱和水力传导度(SOL_K)、土壤湿润反照率(SOL_ALB);气温参数包含融雪基温(SMTMP)、积雪温度滞后(TIMP)、最大融雪因子(SMFMX)、降雪温度(SFTMP)和最小融雪因子(SMFMN);基流特征参数包含基流阈值(GWQMN)、延迟时间(GW_DELAY)、再蒸发系数(GW_REVAP)、alpha因子(ALPHA_BF)、再蒸发系数(REVAPMN);河道参数包含水力传导度(CH_K2)、SCS曲线(BIOMIX)、径流曲线系数(CN2)、曼宁系数(CH_N2)。
本发明利用SWAT-CUP中的SUF-2算法对上述25个参数进行率定,为了获取最优参数,进行800次迭代计算,优化范围不断收敛,参数率定结果见表1。
表1参数率定结果
注:t为参数敏感性(越大表征参数越敏感);p为t的显著性参数。
进一步地,所述方法还包括对SWAT模型进行评估:
采用决定系数R2、相对误差Re和纳什效率系数ENS对河流流域的径流模拟结果进行评估,
其中Qo和Qs分别为实测值和模拟值;和分别为实测平均值和模拟平均值;n为实测时间序列的长度;R2为决定系数;ENS为纳什效率系数;R2和ENS均是用于判断模拟流量和实测流量之间的拟合程度;Re为相对误差,用于评估模拟流量与实测流量的偏离所述方法还包括对SWAT模型进行评估:
采用决定系数R2、相对误差Re和纳什效率系数ENS对河流流域的径流模拟结果进行评估,
其中Qo和Qs分别为实测值和模拟值;和分别为实测平均值和模拟平均值;n为实测时间序列的长度;R2为决定系数;ENS为纳什效率系数;R2和ENS均是用于判断模拟流量和实测流量之间的拟合程度;Re为相对误差,用于评估模拟流量与实测流量的偏离程度。
SWAT模型应用大量水文过程物理方程,涉及参数种类多、数量大,不同参数取值直接影响模型的模拟结果。由此,本发明采用岔河和马尚水文站为小清河流域径流模拟的率定验证站点,以2006年~2012年为率定期,2013年~2015年为验证期。
通过SWAT-CUP的迭代计算,岔河水文站在率定期(2006年~2012年)内纳什系数(ENS)、决定系数(R2)和相对误差(Re)分别为0.66、0.65和-13.3%,验证期(2013年~2015年)内ENS、R2和Re分别为0.80、0.67和-0.71%。马尚水文站在率定期内ENS、R2和Re分别为0.50、0.62、11.03%,验证期内分别为0.79、0.68、19.10%。
小清河流经山东省济南市、淄博市和潍坊市,受城市排水和生态需水等因素影响,流域的产汇流过程受人为干扰较大。行业内研究认为在受人为干扰较大的流域,纳什系数和决定系数均大于0.5时模拟结果可以接受。由此可见,SWAT模型适用于小清河流域的径流模拟,可为后续小清河水动力—水质模拟提供流量边界条件,提升污染物空间运移的模拟精度。
进一步地,所述步骤S2具体包括:
对河流进行网格划分,并修正网格的正交性和平滑性;具体地,采用Delft3D软件对河流进行网格划分,并通过RGFGRID模块修正网格的正交性和平滑性;
将网格划分后的地形文件导入EFDC模型;具体地,生成网格后,将实测的地形文件导入EFDC模型,再由EFDC模型将河底高程插值分配至每个网格内,形成EFDC模型的基础地形网格;
将水动力边界和水质边界输入EFDC模型,其中水动力边界包括流量边界与水位边界,水质边界包括点源污染边界与面源污染边界;
对EFDC模型进行率定与验证;
利用EFDC模型对河流流域进行水质模拟,得到水质时空连续分布图像。
EFDC模型的求解过程主要采用数值离散方法,典型的离散方法包括:有限元法、有限体积法和有限差分法。本发明采用空间有限差分法对模型控制方程进行求解,然而有限差分法对模型计算网格的划分要求苛刻,网格的质量直接影响求解精度与计算速率。因此,需要采用Delft3D软件对小清河干流进行网格划分。
以小清河为例,干流全长233km,水体蜿蜒曲折,因此矩形网格难以贴合河岸的平滑曲线,增加了因边界线不规则引起的离散误差。由此,本发明采用正交曲线网格来刻画河岸实际边界,从而增加模型数据运算精度。
本发明利用Delft3D的RGFGRID模块划分网格,对河道弯道、收缩和扩张等重点位置进行加密处理,共划分不规则网格52000个,x、y方向网格分辨率分别为3.28m~206.668m、0.374m~132.238m。本发明通过RGFGRID模块来判断修正网格的正交性和平滑性,其中正交性指网格节点处的余弦值接近零,即边界以内区域节点余弦值需小于0.02,边界处节点余弦可适当增加;平滑性指网格要平整光滑,以减小有限差分时的误差。根据RGFGRID检验生成网格的结果如图3所示,网格总体满足模型正交性要求。
小清河地形图以“济南市小清河综合治理工程”所设计的河道断面为依据,在EFDC生成模型计算网格后,将实测的地形文件导入EFDC模型,再由EFDC模型将河底高程插值分配至每个网格(计算单元)内,最终形成EFDC的基础地形网格,如图4所示。
本发明以小清河2013年1月1日至2014年12月31日的水动力-水质状况为模型率定验证期,以2019年1月1日至2019年12月31日为模拟研究期。模型对河道的模拟具有计算河段长、网格数量多和模拟时间长等特点,为了提高运算速率、满足克朗数和CFL收敛原则,采用动态时间步长,最小时间步长设为0.1s,初始流速场为0m/s,初始水位设为小清河入海口水位为0m,初始水温设为20℃。
所述EFDC模型包括水动力模块和水质模块,所述水动力模块是EFDC模型的核心基础模块,用于模拟水体的流速场、示踪剂、水温和盐度状况,所述水质模块基于CE-QUAL-ICM模型进行设计,用于模拟包括化学需氧量、氨氮、溶解氧、氮和磷在内的多项水质组分的迁移转化过程。
所述水动力模块的动量方程、连续方程、状态方程如下:
动量方程:
连续方程:
状态方程:
ρ=ρ(P,Sa,T)
其中u、ν和ω为边界正交坐标的x、y和z方向的分量,mx和my为度量张量对角元素的平方根,m为度量张量行列式的平方根,m=mxmy,H为总水深,f为科里奥利系数,ζ为自由水深,Aν为垂向紊动黏滞系数,p为压力,ρ为混合密度,Sa为盐度,ρ0为参考密度,T为温度,Qu和Qν为动量源汇项;
所述水质模块基于CE-QUAL-ICM模型的动力学过程,根据污染物的迁移转化规律,采用质量守恒控制方程来表征水质的变化状态,对COD和NH3-N进行时空模拟;
其中,COD的物质转化方程如下:
其中DO为溶解氧,g·m-3;KHCOD为COD氧化过程中所需消耗水体中DO的半饱和常数,g·m-3;KCOD为COD的氧化过程速率,d-1;BFCOD为沉积物中的COD,g·(m-2·d-1);WCOD为COD的外部负荷,g·d-1;,V为体积,m3;t为时间,d;ΔZ为距水面深度,m;
温度对COD氧化速率的影响如下式:
KCOD=KCDexp(KTCOD(T-TRCOD))
其中TRCOD为氧化时对照参考的标准温度,℃;KTCOD为温度因素在COD的氧化过程中造成的变化量,℃-1;KCD为在标准温度时COD的氧化速率,d-1;
NH3-N的物质转化主要包括藻类的新陈代谢和底层沉积物与水的交换,迁移转化公式如下:
其中FNIX为藻类X代谢过程中形成的无机氮占总氮的比值;BMX为藻类X的基础代谢率,d-1;FNIPX为被藻类捕食的氮与生成无机氮的比值;PRX为藻类X的捕食率,d-1;PX为藻类X的生长速率,d-1;PNX为藻类X对氨的吸收率;ANCX为藻类X中的氮碳之比;BX为藻类X以碳计量的物质量,g·m-3;DON为有机氮浓度,g·m-3;KDON为有机氮的矿化率,d-1;KNit为硝化速率,d-1;BFNH4为氨的沉积物-水交换能量,g·(m-2·d-1);WNH4为氨的外部负荷,g·d-1。
EFDC模型边界主要包括水动力边界和水质边界,其中水动力边界为流量边界与水位边界,水质边界分为点源污染边界与面源污染边界。本发明采用“地理空间数据云”获取分辨率为30m的DEM,并利用SWAT水文模型对小清河流域进行子流域划分,进而在河流网格中沿河设定10个雨水汇入点,以模拟小清河干流的流量变化。
本发明实施例中,共设置11个水动力边界、10个水质边界,如图5所示,其中水动力边界中有10个流量边界和1个水位边界,流量边界的输入流量为SWAT模型模拟结果,水位边界是下游石村水文站的实际监测水位。水质边界为不同汇水区域内污染源向河道的排污量,本发明以污染物通量为水质边界,按汇水区内不同类型污染源数量的占比进行分配,并参照2018~2020年污染源(自动监测)平均逐日排污量占排污总量的比例,对汇水区的排污量进行逐日分配,以实现EFDC的水质边界输入。
EFDC模拟小清河水动力时需以气象数据(气压、温度、降雨、蒸发、太阳辐射和云量等)和风力数据(风速和风向)为驱动要素,气象数据均源于“国家气象科学数据共享服务平台”的日均实测数据,风力数据通过欧洲中期天气预报中心(ECMWF)获取。
小清河干流EFDC模型水动力—水质模拟的率定期为2013年1月1日~2013年12月31日,采用黄台桥和岔河两个水文站的流量监测数据对模型水动力模块进行率定。通过率定期断面流量模拟值与监测值进行对比,流量的模拟值与监测值具有较好的一致性,尤其在汛期模型对洪峰的模拟拟合度较高。在率定期内,模型对黄台桥断面流量模拟的决定系数(R2)和纳什系数(NSE)分别为0.62、0.63;岔河断面流量模拟的决定系数(R2)和纳什系数(NSE)分别为0.63、0.57。
在EFDC模型水动力模块率定的基础上,本发明采用辛丰庄和羊口两个水质监测断面对模型的水质模块进行率定。同时,在率定期内监测断面的水质数据是通过逐月手工采样方式获取,且采样时间不定,因此本发明采用水质模拟浓度的月平均值进行模型评估。经评估,NH3-N和COD的模拟值与监测值的拟合度较好,大部分数值点位于95%的置信区间内。在率定期内,模型对辛丰庄断面NH3-N模拟的决定系数(R2)和纳什系数(NSE)分别为0.65、0.64,且COD模拟的决定系数(R2)和纳什系数(NSE)分别为0.63、0.58;模型对羊口断面NH3-N模拟的决定系数(R2)和纳什系数(NSE)分别为0.64、0.55,且COD模拟的决定系数(R2)和纳什系数(NSE)分别为0.62、0.52。
据此,本发明研究根据模型率定的效果,确定了EFDC模型中关键参数的取值(见表2)。由表2可知,在标准温度时COD的氧化速率取为0.08d-1,COD受温度影响造成的变化量取为0.041℃-1,复氧速率常数取为1.50d-1,最大硝化速率0.08d-1。上述参数取值与同类型河道的模型参数取值相似,由此表明构建的水动力—水质模型参数体系符合小清河实际的污染物迁移转化规律,可用于小清河的水环境治理、突发污染事件应急处置等多种水环境管理场景。
表2模型主要水质参数率定结果
模型验证期为2014年1月1日~2014年12月31日,经验证,流量的模拟值与监测值具有较好的一致性,模拟流量变化趋势与实际流量变化趋势相同,且对洪峰的模拟拟合效果较好。在验证期内,模型对黄台桥断面流量模拟的决定系数(R2)和纳什系数(NSE)分别为0.59、0.60;岔河断面流量模拟的决定系数(R2)和纳什系数(NSE)分别为0.60、0.58。
在此基础上,本发明对验证期内模型的水质模拟效果进行了评估,可知NH3-N和COD的模拟值与监测值的拟合度较好。在验证期内,模型对辛丰庄断面NH3-N模拟的决定系数(R2)和纳什系数(NSE)分别为0.64、0.62,且COD模拟的决定系数(R2)和纳什系数(NSE)分别为0.55、0.52;模型对羊口断面NH3-N模拟的决定系数(R2)和纳什系数(NSE)分别为0.63、0.61,且COD模拟的决定系数(R2)和纳什系数(NSE)分别为0.57、0.53。
因此,通过率定和验证后的水动力—水质模型能够反映小清河的污染物迁移转化规律。依据行业内提出的在受人为干扰较大流域的模型评估标准,本发明构建的模型模拟结果满足可接受标准。由此可见,EFDC模型适用于小清河流域的水动力—水质模拟,可为后续水质时空预测提供基础信息和训练样本。
卷积神经网络(CNN)是一种深度学习模型,该模型利用多维图像数据从低级到高级的特征层次,对其特征进行深层次的特征提取。同时,CNN与传统的前馈神经网络相比,构建网络框架所需的参数和元素之间的连接更少,由此更容易对图像数据进行特征提取训练。本发明将EFDC模型输出的水质时空连续分布图像作为CNN模型的输入样本,通过训练获取蕴含物理机制的河流水质时空分布特征。
为了有效反映河流水质分布特征,本发明将模型的输入图像进行堆叠,以配置CNN模型,如图6所示。CNN模型输入图像的参数由河流网格单元数量(N)、网格尺寸和变量数量(C)组成,其中网格单元尺寸包括宽度(W)和高度(H)。本发明将输入图像分割为模型输入窗口,尺寸设置为50×50像素(例如:N×50×50×C),并且假设观测点位于输入窗口的中心。输入图像设置为21通道,主要为预测期前的21天水质数据。本发明采用OpenCV库对图像进行扫描校准和分割等标准化处理,使图像样本保持清晰、统一和标准。
所述步骤S3中,构建的水质时空预测网络框架如图7所示,CNN模型框架以VGG-19为基础进行参数配置,框架包括2个卷积层、2个池化层、1个Dropout层、1个Flatten层和2个Dense层(见表3);其中卷积核尺寸为3×3,滑动步长为1,卷积核个数分别为64和128;池化层采用Max Pooling方法,池化尺寸为2×2;激活函数采用Relu方法;Dropout层的丢弃概率为0.5;优化函数采用Adam方法;损失函数采用MSE方法。
表3 CNN模型框架参数
上述的水质时空预测模型采用交叉验证方法进行训练与验证样本分配,分配比例分别为70%和30%,即以2019年1月1日~8月31日的EFDC输出水质图像为训练样本,2019年9月1日~12月30日的水质图像为验证样本。基于此,本发明采用Keras框架对基于CNN的水质时空预测模型进行训练与验证,将CNN模型输出的小清河沿程污染物浓度与EFDC模型输出的污染物浓度进行对比,以此评估CNN模型在将监测断面的离散水质状况向连续分布水质转换的性能。
图8(a)-图8(d)显示了模型在训练与验证阶段对NH3-N和COD的模拟效果,图中横坐标和纵坐标分别为EFDC模型和CNN模型模拟污染物的输出值。由图8(a)-图8(d)所示,数值点较为分散于拟合线周围,COD的模拟点比NH3-N的模拟点拟合度较高,各污染物训练阶段比验证阶段的模拟效果好。由表4可知,在模型训练阶段,模型对NH3-N时空模拟的决定系数和均方误差分别为0.63和0.1644,模型对COD时空模拟的决定系数和均方误差分别为0.67和42.81;在模型验证阶段,模型对NH3-N时空模拟的决定系数和均方误差分别为0.61和0.0362,模型对COD时空模拟的决定系数和均方误差分别为0.64和11.78。由图9(a)-图9(d)可知,CNN模型与EFDC模型模拟的小清河干流范李至王道闸段的水质分布特征基本保持一致。由此可见,CNN模型能够对污染物时空分布提供较为准确的模拟,污染物模拟的决定系数均在0.60以上,满足水环境监管的精度需求。
表4 CNN模型评估结果
综上所述,本发明提供的基于CNN模型的陆水一体化河流水质时空连续预测方法,仅利用离散断面的水质结果,就准确地展布出离散断面间的水质连续分布,并且该水质分布特征与机理模型结果在时间和空间上保持相似性,进一步验证了由离散断面的水质预测向水质连续分布预测的方法是可行的,实现了人工智能技术对流域水质的全方位时空连续预测,为水环境监管提供有力的技术支撑。
以上所述仅为本发明的较佳实施例,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、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CNN的陆水一体化河流水质时空连续预测方法,其特征在于,包括以下步骤:
S1、基于SWAT模型,对河流流域的各子流域进行径流模拟,得到各子流域的径流模拟结果;
S2、基于EFDC模型,将各子流域的径流结果作为EFDC模型的流量边界进行输入,同时将污染物通量作为EFDC模型的水质边界进行输入,模拟得到水质时空连续分布图像;
S3、构建CNN模型,将得到的水质时空连续分布图像作为训练样本输入,对CNN模型进行训练;
S4、利用训练好的CNN模型进行河流水质时空连续预测,对于输入的离散断面的水质结果,预测出时空连续分布的水质结果。
2.根据权利要求1所述的基于CNN的陆水一体化河流水质时空连续预测方法,其特征在于,所述步骤S1具体包括:
利用SWAT模型将河流流域划分为多个子流域和多个水文响应单元;
建立模型数据库,并进行数据预处理;
对SWAT模型进行率定与验证;
将预处理后的数据加载进SWAT模型,对各子流域进行径流模拟计算;
输出径流模拟结果,作为EFDC模型的流量边界。
3.根据权利要求2所述的基于CNN的陆水一体化河流水质时空连续预测方法,其特征在于,所述模型数据库包括空间数据和属性数据,所述空间数据由DEM数据、土地利用类型数据和土壤类型数据组成,所述属性数据由气象数据和水文数据组成。
4.根据权利要求2所述的基于CNN的陆水一体化河流水质时空连续预测方法,其特征在于,所述SWAT模型包括子流域计算模块和河道产汇流模块,所述子流域计算模块用于模拟各子流域向河道的产汇流过程,所述河道产汇流模块用于模拟水、泥沙、污染物从各子流域向流域总出口的输送过程。
5.根据权利要求1所述的基于CNN的陆水一体化河流水质时空连续预测方法,其特征在于,所述步骤S2具体包括:
对河流进行网格划分,并修正网格的正交性和平滑性;
将网格划分后的地形文件导入EFDC模型;
将水动力边界和水质边界输入EFDC模型,其中水动力边界包括流量边界与水位边界,水质边界包括点源污染边界与面源污染边界;
对EFDC模型进行率定与验证;
利用EFDC模型对河流流域进行水质模拟,得到水质时空连续分布图像。
6.根据权利要求5所述的基于CNN的陆水一体化河流水质时空连续预测方法,其特征在于,所述EFDC模型包括水动力模块和水质模块,所述水动力模块是EFDC模型的核心基础模块,用于模拟水体的流速场、示踪剂、水温和盐度状况,所述水质模块基于CE-QUAL-ICM模型进行设计,用于模拟包括化学需氧量、氨氮、溶解氧、氮和磷在内的多项水质组分的迁移转化过程。
7.根据权利要求1所述的基于CNN的陆水一体化河流水质时空连续预测方法,其特征在于,所述步骤S3中,对输入的水质时空连续分布图像进行堆叠,以配置CNN模型;输入图像的参数由河流网格单元数量N、网格尺寸和变量数量C组成,其中网格单元尺寸包括宽度W和高度H;这里将输入图像分割为模型输入窗口,尺寸设置为50×50像素,并且假设观测点位于模型输入窗口的中心;输入图像设置为21通道,主要为预测期前的21天水质数据,并采用OpenCV库对图像进行扫描校准和分割标准化处理。
8.根据权利要求1所述的基于CNN的陆水一体化河流水质时空连续预测方法,其特征在于,所述步骤S3中,CNN模型框架以VGG-19为基础进行参数配置,框架包括2个卷积层、2个池化层、1个Dropout层、1个Flatten层和2个Dense层;其中卷积核尺寸为3×3,滑动步长为1,卷积核个数分别为64和128;池化层采用Max Pooling方法,池化尺寸为2×2;激活函数采用Relu方法;Dropout层的丢弃概率为0.5;优化函数采用Adam方法;损失函数采用MSE方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210014045.9A CN114399103A (zh) | 2022-01-06 | 2022-01-06 | 一种基于cnn的陆水一体化河流水质时空连续预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210014045.9A CN114399103A (zh) | 2022-01-06 | 2022-01-06 | 一种基于cnn的陆水一体化河流水质时空连续预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114399103A true CN114399103A (zh) | 2022-04-26 |
Family
ID=81228845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210014045.9A Pending CN114399103A (zh) | 2022-01-06 | 2022-01-06 | 一种基于cnn的陆水一体化河流水质时空连续预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399103A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115688491A (zh) * | 2022-12-30 | 2023-02-03 | 长江水利委员会长江科学院 | 一种基于区块链的水利数字孪生仿真模拟方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243250A (zh) * | 2015-11-20 | 2016-01-13 | 深圳职业技术学院 | 基于三维藻类生态模型的自控水源分层取水方法及系统 |
CN109272171A (zh) * | 2018-10-16 | 2019-01-25 | 天津大学 | 一种预测暴雨期二级河道排水对干流水质动态影响的方法 |
CN109446604A (zh) * | 2018-10-15 | 2019-03-08 | 武汉大学 | 基于水文与水动力模型耦合的未控区径流预报方法 |
US20190303755A1 (en) * | 2018-04-02 | 2019-10-03 | International Business Machines Corporation | Water quality prediction |
CN113011685A (zh) * | 2021-04-27 | 2021-06-22 | 黄河勘测规划设计研究院有限公司 | 一种无径流资料地区内陆湖泊水位变化模拟预测方法 |
US20210389293A1 (en) * | 2020-06-12 | 2021-12-16 | Chinese Research Academy Of Environmental Sciences | Methods and Systems for Water Area Pollution Intelligent Monitoring and Analysis |
-
2022
- 2022-01-06 CN CN202210014045.9A patent/CN114399103A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243250A (zh) * | 2015-11-20 | 2016-01-13 | 深圳职业技术学院 | 基于三维藻类生态模型的自控水源分层取水方法及系统 |
US20190303755A1 (en) * | 2018-04-02 | 2019-10-03 | International Business Machines Corporation | Water quality prediction |
CN109446604A (zh) * | 2018-10-15 | 2019-03-08 | 武汉大学 | 基于水文与水动力模型耦合的未控区径流预报方法 |
CN109272171A (zh) * | 2018-10-16 | 2019-01-25 | 天津大学 | 一种预测暴雨期二级河道排水对干流水质动态影响的方法 |
US20210389293A1 (en) * | 2020-06-12 | 2021-12-16 | Chinese Research Academy Of Environmental Sciences | Methods and Systems for Water Area Pollution Intelligent Monitoring and Analysis |
CN113011685A (zh) * | 2021-04-27 | 2021-06-22 | 黄河勘测规划设计研究院有限公司 | 一种无径流资料地区内陆湖泊水位变化模拟预测方法 |
Non-Patent Citations (3)
Title |
---|
JONGCHEOL PYO 等: ""Using convolutional neural network for predicting cyanobacteria concentrations in river water"", 《WATER RESEARCH》 * |
MINYOUNG JANG 等: ""Spatiotemporal Algal Bloom Prediction Of Geum River, Korea Using The Deep Learning Models In Company With The Efdc Model"", 《SOCIETY FOR MODELING & SIMULATION INTERNATIONAL》 * |
王尊 等: ""小流域 SWAT 水文模型的构建及规划应用探究"", 《2020/2021中国城市规划年会暨2021中国城市规划学术季会议论文集》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115688491A (zh) * | 2022-12-30 | 2023-02-03 | 长江水利委员会长江科学院 | 一种基于区块链的水利数字孪生仿真模拟方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657418B (zh) | 一种基于mike21的湖泊水环境容量计算方法 | |
Wu et al. | Scenario-based impact assessment of land use/cover and climate changes on watershed hydrology in Heihe River Basin of northwest China | |
CN110598290B (zh) | 考虑气候变化的流域未来水电发电能力预测方法和系统 | |
Jeong et al. | Development and integration of sub-hourly rainfall–runoff modeling capability within a watershed model | |
Liu et al. | Development of a SWAT extension module to simulate riparian wetland hydrologic processes at a watershed scale | |
Nazari-Sharabian et al. | Sensitivity analysis of the DEM resolution and effective parameters of runoff yield in the SWAT model: a case study | |
Liu et al. | Optimal allocation of water quantity and waste load in the Northwest Pearl River Delta, China | |
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 | |
Dai et al. | Identification of optimal water transfer schemes for restoration of a eutrophic lake: An integrated simulation-optimization method | |
CN110674467A (zh) | 基于swat模型的水文过程对气候变化的响应监测方法 | |
CN113011685A (zh) | 一种无径流资料地区内陆湖泊水位变化模拟预测方法 | |
Ma et al. | Statistical spatial-temporal modeling of ambient ozone exposure for environmental epidemiology studies: A review | |
Han et al. | Effects of watershed subdivision level on semi-distributed hydrological simulations: case study of the SLURP model applied to the Xiangxi River watershed, China | |
Firoozi et al. | Developing a framework for assessment of climate change impact on thermal stratification of dam reservoirs | |
CN114186491A (zh) | 基于改进lur模型的细颗粒物浓度时空特征分布方法 | |
Mosbahi et al. | Sensitivity analysis of a GIS-based model: A case study of a large semi-arid catchment | |
CN114399103A (zh) | 一种基于cnn的陆水一体化河流水质时空连续预测方法 | |
CN114841402A (zh) | 一种基于多特征图网络的地下水位高度预测方法及系统 | |
Sahoo et al. | Hydrologic budget and dynamics of a large oligotrophic lake related to hydro-meteorological inputs | |
Xia et al. | Urban water system theory and its model development and application | |
Pouyanfar et al. | Comparison of the performances of the gene expression programming model and the RegCM model in predicting monthly runoff | |
Noh et al. | Turbidity control in downstream of the reservoir: the Nakdong River in Korea | |
Hanifehlou et al. | Simulation of the impacts of climate and land-use change on groundwater level in the Hashtgerd plain, Iran | |
Zhang et al. | An optimal design method for low-impact development (LID) facilities based on the hydrodynamic model and genetic algorithm-assisted decision-making | |
Lee et al. | Effect of climate change on long-term river geometric variation in Andong Dam watershed, Korea |
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: 20220426 |
|
RJ01 | Rejection of invention patent application after publication |