CN114818324A - 流域尺度的水量水质自动调控方法、装置、介质和设备 - Google Patents

流域尺度的水量水质自动调控方法、装置、介质和设备 Download PDF

Info

Publication number
CN114818324A
CN114818324A CN202210445518.0A CN202210445518A CN114818324A CN 114818324 A CN114818324 A CN 114818324A CN 202210445518 A CN202210445518 A CN 202210445518A CN 114818324 A CN114818324 A CN 114818324A
Authority
CN
China
Prior art keywords
water quality
water
target
water quantity
model
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
CN202210445518.0A
Other languages
English (en)
Inventor
蔡宴朋
周雯洁
朱志华
张雨萌
莫玉娟
李彤
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202210445518.0A priority Critical patent/CN114818324A/zh
Publication of CN114818324A publication Critical patent/CN114818324A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)

Abstract

本发明涉及一种流域尺度的水量水质自动调控方法、装置、存储介质以及电子设备，该方法包括：构建流域SWAT模型，对流域SWAT模型的模型参数进行校验，获得校验后的流域SWAT模型，获取大气环流模式预测的目标区域在目标时段的气象数据；获取所述目标区域在所述目标时段的目标水量水质，将气象数据输入至校验后的流域SWAT模型，获得目标区域在目标时段的水量水质，采用带精英策略的非支配排序遗传方法对校验后的流域SWAT模型中最佳管理措施的水量水质调控措施参数进行调整，直至目标时段的水量水质与目标水量水质之间的偏差在预设的阈值范围为止，获得所述目标区域的水量水质调控措施，降低了人工成本，提高了水量水质调控的效率和精度。

Description

流域尺度的水量水质自动调控方法、装置、介质和设备
技术领域
本发明涉及水资源优化配置技术领域，特别是涉及一种流域尺度的水量水质自动调控方法、装置、存储介质以及电子设备。
背景技术
气候变化下温度升高、降雨频率、强度、时空分布特征发生剧烈变化，径流-污染物特征受到显著影响，可能会导致洪涝灾害和水质污染程度增加。最佳管理措施(BestManagement Practices，简称BMPS)是缓解流域洪涝灾害和水质恶化的有效方法，是20世纪70年代中期由美国农业部提出的减少或预防水环境问题的一系列方法或措施。
目前，通过设置不同的BMPS措施来模拟探讨哪种措施下水量水质消减量更大，为缓解流域洪涝灾害和水质恶化制定合适的措施。然而，选择合适的BMPs措施及其特征参数，要求技术人员对研究区域和各种BMPS措施有深入的理解和实践经验，否则易造成对BMPS措施的选择不恰当，易丢失最优的BMPS配置方案，从而降低水量水质削减效率。
发明内容
基于此，本发明的目的在于，提供一种流域尺度的水量水质自动调控方法、装置、存储介质以及以及电子设备，其具有降低人工成本、提高水量水质调控效率的优点。
根据本申请实施例的第一方面，提供一种流域尺度的水量水质自动调控方法，包括如下步骤：
获取目标区域在目标时段之前的预设时段的地形高程数据、土地利用数据、土壤数据、气象数据以及农业管理数据，根据所述地形高程数据、所述土地利用数据、所述土壤数据、所述气象数据以及所述农业管理数据构建流域SWAT模型；
对所述流域SWAT模型的模型参数进行校验，获得校验后的流域SWAT模型；
获取大气环流模式预测的所述目标区域在所述目标时段的气象数据；
获取所述目标区域在所述目标时段的目标水量水质；将所述预测的气象数据输入至校验后的所述流域SWAT模型，采用带精英策略的非支配排序遗传方法对校验后的所述流域SWAT模型的水量水质调控措施参数进行调整，使所述流域SWAT模型输出的的水量水质与所述目标水量水质之间的偏差在预设的阈值范围；
将调整后的水量水质调控措施参数作为所述目标区域在目标时段水量水质调控措施。
根据本申请实施例的第二方面，提供一种流域尺度的水量水质自动调控装置，包括：
数据获取模块，用于获取目标区域在目标时段之前的预设时段的地形高程数据、土地利用数据、土壤数据、气象数据以及农业管理数据，根据所述地形高程数据、所述土地利用数据、所述土壤数据、所述气象数据以及所述农业管理数据构建流域SWAT模型；
参数校验模块，用于对所述流域SWAT模型的模型参数进行校验，获得校验后的流域SWAT模型；
气象数据获取模块，用于获取大气环流模式预测的所述目标区域在所述目标时段的气象数据；
措施参数调整模块，用于获取所述目标区域在所述目标时段的目标水量水质；将所述预测的气象数据输入至校验后的所述流域SWAT模型，采用带精英策略的非支配排序遗传方法对校验后的所述流域SWAT模型的水量水质调控措施参数进行调整，使所述流域SWAT模型输出的的水量水质与所述目标水量水质之间的偏差在预设的阈值范围；
调控措施获得模块，用于将调整后的水量水质调控措施参数作为所述目标区域在目标时段水量水质调控措施。
根据本申请实施例的第三方面，提供一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如上述任意一项所述的流域尺度的水量水质自动调控方法。
根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的流域尺度的水量水质自动调控方法。
本发明通过获取目标区域在目标时段之前的预设时段的地形高程数据、土地利用数据、土壤数据、气象数据以及农业管理数据，根据所述地形高程数据、所述土地利用数据、所述土壤数据、所述气象数据以及所述农业管理数据构建流域SWAT模型；对所述流域SWAT模型的模型参数进行校验，获得校验后的流域SWAT模型；获取大气环流模式预测的所述目标区域在所述目标时段的气象数据；获取所述目标区域在所述目标时段的目标水量水质；将所述预测的气象数据输入至校验后的所述流域SWAT模型，采用带精英策略的非支配排序遗传方法对校验后的所述流域SWAT模型的水量水质调控措施参数进行调整，使所述流域SWAT模型输出的的水量水质与所述目标水量水质之间的偏差在预设的阈值范围；将调整后的水量水质调控措施参数作为所述目标区域在目标时段水量水质调控措施，从而自动确定适合目标时段气候变化的水量水质调控措施，降低了人工成本，提高了水量水质调控的效率和精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明流域尺度的水量水质自动调控方法的流程示意图；
图2为本发明流域尺度的水量水质自动调控方法中S20的流程示意图；
图3为本发明流域尺度的水量水质自动调控方法中S50的流程示意图；
图4为本发明流域尺度的水量水质自动调控装置的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书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。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1，本发明实施例提供流域尺度的水量水质自动调控方法，包括：
S10：获取目标区域在目标时段之前的预设时段的地形高程数据、土地利用数据、土壤数据、气象数据以及农业管理数据，根据所述地形高程数据、所述土地利用数据、所述土壤数据、所述气象数据以及所述农业管理数据构建流域SWAT模型。
在本申请实施例中，目标区域为待确定水量水质调控措施的区域，目标时段为未来的某个时间段，例如，未来5年或10年，所述目标时段之前的预设时段为当前时间段或过去某个时间段。
SWAT(Soil and Water Assessment Tool)水文模型是美国农业部开发的分布式水文物理模型，它以日为时间步长，可同时连续长时段模拟流域的水文过程、水土流失、化学过程、农业管理措施和生物量变化，并能预测在不同土壤条件、土地利用类型和管理措施下人类活动对上述过程的影响。在本申请实施例中，地形高程数据来源于中国科学院计算机网络信息中心地理空间数据云平台，空间分辨率为90m。土地利用数据来源于中国科学院资源环境科学数据中心。土壤数据采用联合国粮食与农业组织提供的HWSD数据。气象数据选用流域内21个雨量站2000年-2015年的逐日降雨资料，其中，气温、风速、相对湿度及日照时数等数据选用中国地面气候资料日值数据集。农业管理数据来自地方的统计年鉴。
所述根据所述地形高程数据、所述土地利用数据、所述土壤数据、所述气象数据以及所述农业管理数据构建流域SWAT模型的过程为：基于地形高程数据，设置子流域面积阈值和流域出口，生成流域河网，将流域划分成了若干个子流域。进而根据土壤、土地利用和坡度分类等数据将子流域进一步细分成若干个水文响应单元(Hydrologic ResponseUnits，简称HRU)。其中，每个子流域均可输入具有差异化的气象、土壤特性、植被覆盖情况和地形特征等信息，而每个HRU一般具有相同的土地利用现状、土壤类型等特性，并假设HRU是相互独立的单元而不存在相互作用。输入气象数据，包括日尺度的降雨、气温、太阳辐射、风速、相对湿度五类数据。输入农业管理数据，包括农作物种类、化肥种类、施用方式及施用量。运行流域SWAT模型，首先在HRU上进行径流、水质模拟计算，每个HRU的径流、非点源污染物等均汇集至子流域的出口，再基于河道网络进行子流域水平的模拟计算，以获得流域出口的模拟结果。
S20：对所述流域SWAT模型的模型参数进行校验，获得校验后的流域SWAT模型。
流域SWAT模型模拟过程涉及众多参数，在模型参数的校验过程中，部分参数对结果影响巨大，而部分则对结果的改进作用甚小。模型参数的校验就是寻找使模型的模拟值与对应实测值尽可能一致的参数。在本申请实施例中，采用带精英策略的非支配排序遗传方法(NSGA-II)自动校验流域SWAT模型的模型参数。其中，非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm，简称NSGA)是一种基于帕累托最优概念的遗传算法，NSGA-II是在NSGA基础上引入了精英策略，扩大采样空间。将父代种群与其产生的子代种群组合，共同竞争产生下一代种群，有利于保持父代中的优良个体进入下一代，并通过对种群中所有个体的分层存放，使得最佳个体不会丢失，迅速提高种群水平。
在一个可选的实施例中，请参阅图2，所述步骤S20，包括S201～S204，具体如下：
S201：采用拉丁超立方采样，从预设的流域SWAT模型的模型参数及模型参数范围中选择一组模型参数集；
S202：根据所述模型参数集运行所述流域SWAT模型，获得流域SWAT模型输出的水量水质结果；
S203：根据所述输出的水量水质结果与实测的水量水质结果计算目标函数；其中，所述目标函数包括纳什效率系数、确定性系数以及偏差百分比；
S204：根据所述目标函数以及带精英策略的非支配排序遗传方法对所述流域SWAT模型的模型参数进行校验，获得校验后的流域SWAT模型。
拉丁超立方抽样(Latin hypercube sampling，简称LHS)是一种从多元参数分布中近似随机抽样的方法，属于分层抽样技术，常用于计算机实验或蒙特卡洛积分等。纳什效率系数(Nash-Sutcliffe efficiency coefficient，简称NSE)，一般用以验证水文模型模拟结果的的好坏。预测过程与实测过程之间的吻合程度用确定性系数表示，确定性系数的值在0-1之间。偏差百分比标识测量值与精确值之间的偏差程度。在本申请实施例中，对流域SWAT模型的模型参数进行拉丁超立方采样，得到随机参数组合；然后将随机参数组合输入流域SWAT模型观察模拟值与观测值的变化及扰动差异性，并计算纳什效率系数、确定性系数以及偏差百分比。根据所述目标函数以及带精英策略的非支配排序遗传方法对所述流域SWAT模型的模型参数进行校验，判断模型模拟值与观测值的匹配程度，重复多次迭代后当模拟效果满足设定的判断值，则校验通过，得到校验后的流域SWAT模型。
S30：获取大气环流模式预测的所述目标区域在所述目标时段的气象数据。
大气环流模式(General Circulation Models，简称GCMs)是定量研究气候变化的重要工具，已广泛应用于全球、区域等不同层次、不同气候变化问题的研究。由于未来气候变化下，降雨事件频率的增加、温度的升高会显著影响流域最佳管理措施的效率，流域最佳管理措施应根据气候变化进行调整。为此，在本申请实施例中，利用大气环流模式预测所述目标区域在所述目标时段的气象数据，即预测所述目标区域的未来气象数据，便于后续将所述未来气象数据输入至流域SWAT模型获取未来某个时段下目标区域的水量水质。
在一个可选的实施例中，所述目标区域在所述目标时段的气象数据包括在所述目标时段日尺度的降雨量、气温、太阳辐射、风速以及相对湿度数据。
S40：获取所述目标区域在所述目标时段的目标水量水质；将所述预测的气象数据输入至校验后的所述流域SWAT模型，采用带精英策略的非支配排序遗传方法对校验后的所述流域SWAT模型的水量水质调控措施参数进行调整，使所述流域SWAT模型输出的的水量水质与所述目标水量水质之间的偏差在预设的阈值范围。
在本申请实施例中，将所述目标区域在所述目标时段的日尺度的降雨量、气温、太阳辐射、风速以及相对湿度数据输入至校验后的所述流域SWAT模型，获得所述流域SWAT模型输出的水量水质，以预测未来气候变化下流域的径流水量水质特征，分析未来气候变化对流域径流水量水质的影响。其中，所述水质包括流域内总氮浓度和总磷浓度等。
若所述输出的水量水质与所述目标水量水质之间的偏差不在预设的阈值范围，确定最佳管理措施的水量水质调控措施参数不合理，需要重新调整最佳管理措施的水量水质调控措施参数，直至所述输出的水量水质与所述目标水量水质之间的偏差在预设的阈值范围为止。其中，流域SWAT模型中最佳管理措施的水量水质调控措施参数包括FILTER_RATIO(田间面积与植物缓冲带面积比)、FILTER_CON(表示进入植物缓冲带中最集中的10％的农田总径流的部分)、FILTER_CH(表示通过完全渠化植物缓冲带中最集中的10％的径流的部分)以及GWATN(坡面漫流的曼宁系数n值)、GWATSPCON(计算植草水道中泥沙的线性参数)、GWATD(植草水道的渠深)、GWATW(植草水道的平均宽度)、WET_NSA(正常水位下的湿地表面积)、WET_NVOL(正常水位下湿地的蓄积量)、WET_MXSA(最大水位下湿地的表面积)、WET_MXVOL(最大水位下湿地的蓄积量)、WET_K(通过湿地底部的水力传导率或渗透系数)等参数。
S50：将调整后的水量水质调控措施参数作为所述目标区域在目标时段水量水质调控措施。
在本申请实施例中，将所述流域SWAT模型输出的水量水质与所述目标水量水质之间的偏差在预设的阈值范围时对应的水量水质调控措施参数作为所述目标区域在目标时段水量水质调控措施。
在一个可选的实施例中，所述最佳管理措施包括设置植物缓冲带、植物水道以及人工湿地。
植物缓冲带是一项水土保持治理措施，指在河道与陆地交界的一定区域建设乔灌草相结合的立体植物带，在农田与河道之间起到一定的缓冲作用。植物水道是通过水道中的水生植物去除水中的NH3、NO2以及NO3等。人工湿地是由人工建造和控制运行的与沼泽地类似的地面，将污水、污泥有控制的投配到经人工建造的湿地上，污水与污泥在沿一定方向流动的过程中，主要利用土壤、人工介质、植物、微生物的物理、化学、生物三重协同作用，对污水、污泥进行处理的一种技术。在本申请实施例中，通过设置植物缓冲带、植物水道以及人工湿地来削减流域内的总氮浓度、总磷浓度以及调控水量，提高水量水质调控效率。
在一个可选的实施例中，请参阅图3，所述步骤S50，包括S501～S504，具体如下：
S501：获取所述目标区域在所述目标时段的目标水量水质，将所述预测的气象数据输入至校验后的所述流域SWAT模型，获得所述流域SWAT模型输出的的水量水质；
S502：若所述输出的水量水质与所述目标水量水质之间的偏差不在预设的阈值范围，获取所述目标区域的初始种群；其中，所述初始种群的每个个体用于指示最佳管理措施的一组水量水质调控措施参数集；
S503：对所述初始种群进行交叉、变异，得到子代种群，计算所述子代种群的适应值；其中，所述适应值为所述输出的水量水质与目标水量水质之间的偏差；
S504：将所述初始种群与所述子代种群进行合并和非支配排序，对同一非支配层中的个体进行拥挤度计算，选取合适的个体组成新的种群；
S505：对所述新的种群进行交叉、变异，得到了新的子代种群，不断迭代重复上述选取、交叉、变异步骤，使得产生的种群个体不断逼近于帕累托最优解，直至所述输出的的水量水质与所述目标水量水质之间的偏差在预设的阈值范围。
在本申请实施例中，通过带精英策略的非支配排序遗传方法对校验后的所述流域SWAT模型中最佳管理措施的水量水质调控措施参数进行调整，从而使得所述流域SWAT模型输出的水量水质与所述目标水量水质之间的偏差在预设的阈值范围，不再需要人工手动设置最佳管理措施的水量水质调控措施参数，提高了水量水质调控的效率和精度。
应用本发明实施例，通过获取目标区域在目标时段之前的预设时段的地形高程数据、土地利用数据、土壤数据、气象数据以及农业管理数据，根据所述地形高程数据、所述土地利用数据、所述土壤数据、所述气象数据以及所述农业管理数据构建流域SWAT模型；对所述流域SWAT模型的模型参数进行校验，获得校验后的流域SWAT模型；获取大气环流模式预测的所述目标区域在所述目标时段的气象数据；获取所述目标区域在所述目标时段的目标水量水质；将所述预测的气象数据输入至校验后的所述流域SWAT模型，采用带精英策略的非支配排序遗传方法对校验后的所述流域SWAT模型的水量水质调控措施参数进行调整，使所述流域SWAT模型输出的的水量水质与所述目标水量水质之间的偏差在预设的阈值范围；将调整后的水量水质调控措施参数作为所述目标区域在目标时段水量水质调控措施，从而自动确定适合目标时段气候变化的水量水质调控措施，降低了人工成本，提高了水量水质调控的效率和精度。
相应于上述方法实施例，请参阅图4，本发明实施例提供一种流域尺度的水量水质自动调控装置6，包括：
数据获取模块61，用于获取目标区域在目标时段之前的预设时段的地形高程数据、土地利用数据、土壤数据、气象数据以及农业管理数据，根据所述地形高程数据、所述土地利用数据、所述土壤数据、所述气象数据以及所述农业管理数据构建流域SWAT模型；
参数校验模块62，用于对所述流域SWAT模型的模型参数进行校验，获得校验后的流域SWAT模型；
气象数据获取模块63，用于获取大气环流模式预测的所述目标区域在所述目标时段的气象数据；
措施参数调整模块64，用于获取所述目标区域在所述目标时段的目标水量水质；将所述预测的气象数据输入至校验后的所述流域SWAT模型，采用带精英策略的非支配排序遗传方法对校验后的所述流域SWAT模型的水量水质调控措施参数进行调整，使所述流域SWAT模型输出的的水量水质与所述目标水量水质之间的偏差在预设的阈值范围；
调控措施获得模块65，用于将调整后的水量水质调控措施参数作为所述目标区域在目标时段水量水质调控措施。
可选的，所述参数校验模块62，包括：
参数集选择单元621，用于采用拉丁超立方采样，从预设的流域SWAT模型的模型参数及模型参数范围中选择一组模型参数集；
结果获得单元622，用于根据所述模型参数集运行所述流域SWAT模型，获得流域SWAT模型输出的水量水质结果；
目标函数计算单元623，用于根据所述输出的水量水质结果与实测的水量水质结果计算目标函数；其中，所述目标函数包括纳什效率系数、确定性系数以及偏差百分比；
参数校验单元624，用于根据所述目标函数以及带精英策略的非支配排序遗传方法对所述流域SWAT模型的模型参数进行校验，获得校验后的流域SWAT模型。
可选的，所述措施参数调整模块64，包括：
水量水质获取单元641，用于获取所述目标区域在所述目标时段的目标水量水质，将所述预测的气象数据输入至校验后的所述流域SWAT模型，获得所述流域SWAT模型输出的的水量水质；
初始种群获取单元642，用于若所述输出的水量水质与所述目标水量水质之间的偏差不在预设的阈值范围，获取所述目标区域的初始种群；其中，所述初始种群的每个个体用于指示最佳管理措施的一组水量水质调控措施参数集；
适应值计算单元643，用于对所述初始种群进行交叉、变异，得到子代种群，计算所述子代种群的适应值；其中，所述适应值为所述输出的水量水质与目标水量水质之间的偏差；
拥挤度计算单元644，用于将所述初始种群与所述子代种群进行合并和非支配排序，对同一非支配层中的个体进行拥挤度计算，选取合适的个体组成新的种群；
种群交叉变异单元645，用于对所述新的种群进行交叉、变异，得到了新的子代种群，不断迭代重复上述选取、交叉、变异步骤，使得产生的种群个体不断逼近于帕累托最优解，直至所述输出的的水量水质与所述目标水量水质之间的偏差在预设的阈值范围。
应用本发明实施例，通过获取目标区域在目标时段之前的预设时段的地形高程数据、土地利用数据、土壤数据、气象数据以及农业管理数据，根据所述地形高程数据、所述土地利用数据、所述土壤数据、所述气象数据以及所述农业管理数据构建流域SWAT模型；对所述流域SWAT模型的模型参数进行校验，获得校验后的流域SWAT模型；获取大气环流模式预测的所述目标区域在所述目标时段的气象数据；获取所述目标区域在所述目标时段的目标水量水质；将所述预测的气象数据输入至校验后的所述流域SWAT模型，采用带精英策略的非支配排序遗传方法对校验后的所述流域SWAT模型的水量水质调控措施参数进行调整，使所述流域SWAT模型输出的的水量水质与所述目标水量水质之间的偏差在预设的阈值范围；将调整后的水量水质调控措施参数作为所述目标区域在目标时段水量水质调控措施，从而自动确定适合目标时段气候变化的水量水质调控措施，降低了人工成本，提高了水量水质调控的效率和精度。
本申请还提供一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述实施例的方法步骤。
本申请还提供一种计算机可读存储介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述实施例的方法步骤。
以上所述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发明专利范围的限制。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，则本发明也意图包含这些改动和变形。

Claims (10)

1.一种流域尺度的水量水质自动调控方法，其特征在于，包括：
获取目标区域在目标时段之前的预设时段的地形高程数据、土地利用数据、土壤数据、气象数据以及农业管理数据，根据所述地形高程数据、所述土地利用数据、所述土壤数据、所述气象数据以及所述农业管理数据构建流域SWAT模型；
对所述流域SWAT模型的模型参数进行校验，获得校验后的流域SWAT模型；
获取大气环流模式预测的所述目标区域在所述目标时段的气象数据；
获取所述目标区域在所述目标时段的目标水量水质；将所述预测的气象数据输入至校验后的所述流域SWAT模型，采用带精英策略的非支配排序遗传方法对校验后的所述流域SWAT模型的水量水质调控措施参数进行调整，使所述流域SWAT模型输出的的水量水质与所述目标水量水质之间的偏差在预设的阈值范围；
将调整后的水量水质调控措施参数作为所述目标区域在目标时段水量水质调控措施。
2.根据权利要求1所述的流域尺度的水量水质自动调控方法，其特征在于，
所述获取所述目标区域在所述目标时段的目标水量水质；将所述预测的气象数据输入至校验后的所述流域SWAT模型，采用带精英策略的非支配排序遗传方法对校验后的所述流域SWAT模型的水量水质调控措施参数进行调整，使所述流域SWAT模型输出的的水量水质与所述目标水量水质之间的偏差在预设的阈值范围的步骤，包括：
获取所述目标区域在所述目标时段的目标水量水质，将所述预测的气象数据输入至校验后的所述流域SWAT模型，获得所述流域SWAT模型输出的的水量水质；
若所述输出的水量水质与所述目标水量水质之间的偏差不在预设的阈值范围，获取所述目标区域的初始种群；其中，所述初始种群的每个个体用于指示最佳管理措施的一组水量水质调控措施参数集；
对所述初始种群进行交叉、变异，得到子代种群，计算所述子代种群的适应值；其中，所述适应值为所述输出的水量水质与目标水量水质之间的偏差；
将所述初始种群与所述子代种群进行合并和非支配排序，对同一非支配层中的个体进行拥挤度计算，选取合适的个体组成新的种群；
对所述新的种群进行交叉、变异，得到了新的子代种群，不断迭代重复上述选取、交叉、变异步骤，使得产生的种群个体不断逼近于帕累托最优解，直至所述输出的的水量水质与所述目标水量水质之间的偏差在预设的阈值范围。
3.根据权利要求1所述的流域尺度的水量水质自动调控方法，其特征在于，
所述对所述流域SWAT模型的模型参数进行校验，获得校验后的流域SWAT模型的步骤，包括：
采用拉丁超立方采样，从预设的流域SWAT模型的模型参数及模型参数范围中选择一组模型参数集；
根据所述模型参数集运行所述流域SWAT模型，获得流域SWAT模型输出的水量水质结果；
根据所述输出的水量水质结果与实测的水量水质结果计算目标函数；其中，所述目标函数包括纳什效率系数、确定性系数以及偏差百分比；
根据所述目标函数以及带精英策略的非支配排序遗传方法对所述流域SWAT模型的模型参数进行校验，获得校验后的流域SWAT模型。
4.根据权利要求1所述的流域尺度的水量水质自动调控方法，其特征在于，所述目标区域在所述目标时段的气象数据包括在所述目标时段日尺度的降雨量、气温、太阳辐射、风速以及相对湿度数据。
5.根据权利要求1所述的流域尺度的水量水质自动调控方法，其特征在于，所述最佳管理措施包括设置植物缓冲带、植物水道以及人工湿地。
6.一种流域尺度的水量水质自动调控装置，其特征在于，包括：
数据获取模块，用于获取目标区域在目标时段之前的预设时段的地形高程数据、土地利用数据、土壤数据、气象数据以及农业管理数据，根据所述地形高程数据、所述土地利用数据、所述土壤数据、所述气象数据以及所述农业管理数据构建流域SWAT模型；
参数校验模块，用于对所述流域SWAT模型的模型参数进行校验，获得校验后的流域SWAT模型；
气象数据获取模块，用于获取大气环流模式预测的所述目标区域在所述目标时段的气象数据；
措施参数调整模块，用于获取所述目标区域在所述目标时段的目标水量水质；将所述预测的气象数据输入至校验后的所述流域SWAT模型，采用带精英策略的非支配排序遗传方法对校验后的所述流域SWAT模型的水量水质调控措施参数进行调整，使所述流域SWAT模型输出的的水量水质与所述目标水量水质之间的偏差在预设的阈值范围；
调控措施获得模块，用于将调整后的水量水质调控措施参数作为所述目标区域在目标时段水量水质调控措施。
7.根据权利要求6所述的流域尺度的水量水质自动调控装置，其特征在于，所述措施参数调整模块，包括：
水量水质获取单元，用于获取所述目标区域在所述目标时段的目标水量水质，将所述预测的气象数据输入至校验后的所述流域SWAT模型，获得所述流域SWAT模型输出的的水量水质；
初始种群获取单元，用于若所述输出的水量水质与所述目标水量水质之间的偏差不在预设的阈值范围，获取所述目标区域的初始种群；其中，所述初始种群的每个个体用于指示最佳管理措施的一组水量水质调控措施参数集；
适应值计算单元，用于对所述初始种群进行交叉、变异，得到子代种群，计算所述子代种群的适应值；其中，所述适应值为所述输出的水量水质与目标水量水质之间的偏差；
拥挤度计算单元，用于将所述初始种群与所述子代种群进行合并和非支配排序，对同一非支配层中的个体进行拥挤度计算，选取合适的个体组成新的种群；
种群交叉变异单元，用于对所述新的种群进行交叉、变异，得到了新的子代种群，不断迭代重复上述选取、交叉、变异步骤，使得产生的种群个体不断逼近于帕累托最优解，直至所述输出的的水量水质与所述目标水量水质之间的偏差在预设的阈值范围。
8.根据权利要求6所述的流域尺度的水量水质自动调控装置，其特征在于，
所述参数校验模块，包括：
参数集选择单元，用于采用拉丁超立方采样，从预设的流域SWAT模型的模型参数及模型参数范围中选择一组模型参数集；
结果获得单元，用于根据所述模型参数集运行所述流域SWAT模型，获得流域SWAT模型输出的水量水质结果；
目标函数计算单元，用于根据所述输出的水量水质结果与实测的水量水质结果计算目标函数；其中，所述目标函数包括纳什效率系数、确定性系数以及偏差百分比；
参数校验单元，用于根据所述目标函数以及带精英策略的非支配排序遗传方法对所述流域SWAT模型的模型参数进行校验，获得校验后的流域SWAT模型。
9.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1至5中任意一项所述的流域尺度的水量水质自动调控方法。
10.一种计算机可读存储介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的流域尺度的水量水质自动调控方法。
CN202210445518.0A 2022-04-26 2022-04-26 流域尺度的水量水质自动调控方法、装置、介质和设备 Pending CN114818324A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210445518.0A CN114818324A (zh) 2022-04-26 2022-04-26 流域尺度的水量水质自动调控方法、装置、介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210445518.0A CN114818324A (zh) 2022-04-26 2022-04-26 流域尺度的水量水质自动调控方法、装置、介质和设备

Publications (1)

Publication Number Publication Date
CN114818324A true CN114818324A (zh) 2022-07-29

Family

ID=82508243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210445518.0A Pending CN114818324A (zh) 2022-04-26 2022-04-26 流域尺度的水量水质自动调控方法、装置、介质和设备

Country Status (1)

Country Link
CN (1) CN114818324A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983050A (zh) * 2023-03-20 2023-04-18 航天宏图信息技术股份有限公司 基于swat模型的洪湖流域水质污染评估方法及装置
CN116757098A (zh) * 2023-08-17 2023-09-15 厦门大学 一种基于swat模型多目标优化的自动化校验方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983050A (zh) * 2023-03-20 2023-04-18 航天宏图信息技术股份有限公司 基于swat模型的洪湖流域水质污染评估方法及装置
CN116757098A (zh) * 2023-08-17 2023-09-15 厦门大学 一种基于swat模型多目标优化的自动化校验方法
CN116757098B (zh) * 2023-08-17 2023-11-10 厦门大学 一种基于swat模型多目标优化的自动化校验方法

Similar Documents

Publication Publication Date Title
Lu et al. Quantifying the impacts of small dam construction on hydrological alterations in the Jiulong River basin of Southeast China
Badrzadeh et al. Evaluation of management practices on agricultural nonpoint source pollution discharges into the rivers under climate change effects
Marshall et al. Effect of climate change on watershed system: a regional analysis
Dumedah et al. Selecting model parameter sets from a trade-off surface generated from the non-dominated sorting genetic algorithm-II
Zhang et al. A coupled water quantity–quality model for water allocation analysis
CN114818324A (zh) 流域尺度的水量水质自动调控方法、装置、介质和设备
CN108520345A (zh) 基于ga-bp神经网络模型的耕地质量评价方法及系统
Du et al. Modeling and analysis of effects of precipitation and vegetation coverage on runoff and sediment yield in Jinsha River Basin
Phomcha et al. Predicting sediment discharge in an agricultural watershed: a case study of the Lam Sonthi watershed, Thailand
CN110689193B (zh) 河道生态需水量的确定方法
CN114548711A (zh) 基于模糊综合评价法的梯级水库水文生态调度效果评估方法
Jianchang et al. Validation of an agricultural non-point source (AGNPS) pollution model for a catchment in the Jiulong River watershed, China
Acutis et al. Stochastic use of the LEACHN model to forecast nitrate leaching in different maize cropping systems
Hassan et al. Studying the impact of climate change on the average temperature using CanESM2 and HadCM3 modelling in Iraq
CN108984995A (zh) 一种计算数值模拟的生态园林景观设计方法
Donyaii Evaluation of climate change impacts on the optimal operation of multipurpose reservoir systems using cuckoo search algorithm
CN112464434B (zh) 一种灌溉农用地面源污染排放量预测方法及系统
CN112541611B (zh) 一种雨养农用地面源污染排放量预测方法及系统
Alzoubi et al. Comparing ANFIS and integrating algorithm models (ICA-ANN, PSO-ANN, and GA-ANN) for prediction of energy consumption for irrigation land leveling
Ashu et al. The effects of climate change on the reuse of agricultural drainage water in irrigation
Giles et al. Optimization of linear stream temperature model parameters in the soil and water assessment tool for the continental United States
Luijten et al. Dynamic modelling of strategic water availability in the Cabuyal river, Colombia: the impact of land cover change on the hydrological balance
Tung et al. Application of genetic programming to project climate change impacts on the population of Formosan Landlocked Salmon
Zhang et al. Uncertainty analysis for integrated water system simulations using GLUE with different acceptability thresholds
CN112348241B (zh) 一种保护地农用地面源污染排放量预测方法及系统

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