CN115374376B - 小水电生态影响监测评估方法与系统 - Google Patents
小水电生态影响监测评估方法与系统 Download PDFInfo
- Publication number
- CN115374376B CN115374376B CN202211299478.XA CN202211299478A CN115374376B CN 115374376 B CN115374376 B CN 115374376B CN 202211299478 A CN202211299478 A CN 202211299478A CN 115374376 B CN115374376 B CN 115374376B
- Authority
- CN
- China
- Prior art keywords
- small hydropower
- data
- hydropower station
- water system
- station
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 title claims abstract description 54
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 107
- 238000011160 research Methods 0.000 claims abstract description 64
- 238000009826 distribution Methods 0.000 claims abstract description 48
- 238000011161 development Methods 0.000 claims abstract description 46
- 230000009467 reduction Effects 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000004044 response Effects 0.000 claims abstract description 6
- 238000007619 statistical method Methods 0.000 claims abstract description 4
- 238000013508 migration Methods 0.000 claims description 50
- 230000005012 migration Effects 0.000 claims description 50
- 238000011144 upstream manufacturing Methods 0.000 claims description 33
- 230000018044 dehydration Effects 0.000 claims description 16
- 238000006297 dehydration reaction Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 230000001808 coupling effect Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 3
- 241000251468 Actinopterygii Species 0.000 description 14
- 230000000694 effects Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 6
- 230000033228 biological regulation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000013049 sediment Substances 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 108010075028 Cytochromes b Proteins 0.000 description 1
- YFYIWIZSIVZILB-UHFFFAOYSA-N N.[P] Chemical compound N.[P] YFYIWIZSIVZILB-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 230000008512 biological response Effects 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002438 mitochondrial effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000003147 molecular marker Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000033116 oxidation-reduction process Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- 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
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- Fuzzy Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种小水电生态影响监测评估方法与系统,该方法包括构建研究区域的水系分布拓扑图,采用图神经网络计算小水电站对水系连通性的影响数值,基于遥感反演图和水系各站点长序列数据分析水系分布拓扑图中各个小水电站节点的减脱水河段数量及时空分布;统计分析水系中不同水情期各河流的水文分布特征及变化过程;筛选小水电站开发响应敏感的监测指标;构建小水电站生态影响评估方法集合;采用研究数据对小水电站生态水动力模型进行率定;最后采用小水电站生态影响评估方法进行评估,给出决策结果。本发明通过对小水电的水系连通性进行研究,并在此基础上揭示小水电开发与运行方式对河流水文与生态的影响机制,提高了监测评估的准确性。
Description
技术领域
本发明涉及水电生态影响评估技术,尤其是小水电生态影响监测评估方法与系统。
背景技术
根据现行标准,小水电指发电功率小于50MW的水电站,由于其具有投资少、工程量小、运维简便和适合分散开发的特点,应用较为广泛,目前现存近5万座。虽然小水电在解决农村生产生活用电,保障农村防洪、灌溉和引水安全,促进农村经济社会发展、实现节能减排目标等方面发挥着不可替代的作用。但是随着小水电的过度、无序开发,其引起的负面生态环境问题也日益凸显。主要问题包括阻隔水系连通,改变了河道形态和水文情势,影响河流的生态环境,同时也阻碍鱼类洄游,栖息地被破坏,影响生态系统平衡,引发的鱼类与生境负面效应问题的日益突出。
为了解决上述问题,需要对流域的小水电造成的水文和生态效应进行科学监测和评估,并提出相应的生态修复方法。现有的方法更多集中于单个水电站的开发利用对不同类型河流生态环境的影响,缺乏对不同开发和运行方式对水文情势和生态环境影响的研究。实际上,经申请人研究发现,小水电支流密集型开发的积累生态影响与干流大水电开发是存在显著差异的。另外,申请人发现现有综合评价模型难以将小水电建设导致的生态环境变化和农业开发、城镇化等人类活动影响区分开。
因此,需要研究新的技术来解决上述问题。
发明内容
发明目的:一方面提供一种小水电生态影响监测评估方法,以解决现有技术存在的上述问题。另一方面,提供一种实现上述方法的系统。
技术方案:提供一种小水电生态影响监测评估方法,包括如下步骤:
步骤S1、采集研究区域的研究数据,所述研究数据包括GIS数据、水系数据、小水电站数据、水文数据和生态数据;
步骤S2、基于所述GIS数据、水系数据和小水电站数据,构建研究区域的水系分布拓扑图,采用图神经网络计算小水电站对水系连通性的影响数值,基于遥感反演图和水系各站点长序列数据分析水系分布拓扑图中各个小水电站节点的减脱水河段数量及时空分布;
步骤S3、读取水文数据,统计分析水系中不同水情期各河流的水文分布特征及变化过程,并采用水文模拟方法模拟相同水文条件下,不同开发强度下的水文情势变化过程;
步骤S4、读取生态数据,并筛选小水电站开发响应敏感的监测指标;构建小水电站生态影响评估方法集合;
步骤S5、构建基于水文生物响应关系的贝叶斯定量模型、水动力模型和小水电生态水动力模型,采用研究数据对小水电站生态水动力模型进行率定;构建研究区域的问题情景集和解决方案集合,采用上述生态水动力模型进行模拟,并采用小水电站生态影响评估方法进行评估,给出决策结果。
根据本申请的一个方面,所述步骤S1进一步为:
步骤S11、选取研究区域并提取水系分布,并以研究区域内各个水系的分水线为研究区域的边缘线;
步骤S12、依序读取研究区域各个站点的研究数据。
根据本申请的一个方面,所述步骤S2进一步为:
步骤S21、读取GIS数据、水系数据和小水电站数据,基于小水电站的位置将水系中各条河流的分成预定数量的河段,构建具有高程信息的水系拓扑图;
步骤S22、构建图神经网络,并采用图神经网络计算小水电站对水系连通性的影响,构建加权邻接矩阵和河道节点水流通畅度矩阵,计算河道节点间的水流阻力、河道节点间水流通畅度和河网加权连通性;
步骤S23、读取研究区域各个河段每一时期的遥感反演图,查找减脱水河段,并针对每一减脱水河段,获取包括位置、面积和持续时间在内的减脱水数据;
步骤S24、获取研究区域各个站点每一时期的长序列数据,获取减脱水河段包括位置、面积和持续时间在内的减脱水数据;
步骤S25、分析从遥感反演图和长序列数据获取的减脱水河段数据的一致性;若一致性符合要求,则进入下一步;
步骤S26、构建小水电站与河段减脱水的关联模型,采集研究数据作为输入,计算每一小水电站与其上下游河段减脱水的关联性。
根据本申请的一个方面,所述步骤S26进一步为:
步骤S26a、读取预存储的各个河段上每一站点的长序列数据,按照时序计算各个河段上小水电站的工作周期;
步骤S26b、构建小水电站与河段减脱水的关联模型,计算减脱水河段的面积和持续时间与小水电站位置和工作周期的关系;
步骤S26c、在每一泄水周期,根据河段上下两端的高程差、径流量和流速,计算河段上游减脱水河段的起始时间和持续时间,并与上述关联模型得到的结果进行比较,若符合预期,则判定当前的关联性符合要求。
根据本申请的一个方面,还包括:
步骤S27、从研究区域的下游出发,依序分析水系分布拓扑图上每一河段减脱水数据与位于其上游各个小水电站的关联性,计算上游各个小水电站对下游各个减脱水河段的时空累加数据。
根据本申请的一个方面,所述步骤S3进一步为:
步骤S31、读取水系分布拓扑图中各个站点的水文数据,针对每一站点,获取该站点上游建设小水电站之前的水文数据,以及建设小水电站之后的水文数据,分析统计不同时期的水文分布特征,并计算差值,作为第一影响量;通过构建水文预测模型计算不建设小水电站时的水文数据,并与建设小水电站之后的水文数据做差,得到第二影响量;
步骤S32、比较第一影响量和第二影响量,判断是否存在其他影响因素,若存在其他影响因素,将第一影响量和第二影响量的差值作为第三影响量;
步骤S33、依序计算上游各个小水电站的水文数据,并设置各个小水电站的不同开发强度,计算在各个开发强度下的水文数据,形成数据集,并基于数据集绘制水文情势变化图;
步骤S34、基于各个站点的数据,基于站点之间的拓扑关系,计算小水电站耦合效应在水文数据上的积累。
根据本申请的一个方面,所述步骤S4进一步为:
步骤S41、读取生态数据并按照水系分布拓扑图中个各个站点的位置与监测点位之间的距离,计算河段敏感生物的平均迁移距离和迁移速度;
步骤S42、从河段生物群中筛选敏感生物的监测点,优化敏感生物的类型和监测点布设位置和监测频率;
步骤S43、基于优化后的敏感生物类型,构建河段开发响应的敏感生物的监测指标;
步骤S44、结合水系分布拓扑图、小水电站对水系连通的影响和敏感生物的迁移速度,计算各个站点中敏感生物的时空滞后系数。
根据本申请的一个方面,所述步骤S44进一步为:
步骤S44a、依照水系分布拓扑图,从上游依序统计河段生物群中的各敏感生物的自然迁移范围和迁移速度,并基于小水电站对水系连通的影响,给予迁移速度赋予权重;
步骤S44b、读取敏感生物迁移范围内各个小水电站的工作周期,为敏感生物设定迁移时间间隙,读取迁移速度和对应的权重,得到平均迁移速度;
步骤S44c、给予平均迁移速度和迁移时间间隙,估算敏感生物的实际迁移范围;
步骤S44d、给予实际迁移范围和迁移时间间隙,结合小水电站上下游的站点的数据,计算各个站点中敏感生物的时间滞后系数和空间滞后系数。
根据本申请的另一方面,提供 一种小水电生态影响监测评估系统,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述任一项实施例所述的小水电生态影响监测评估方法。
有益效果:构建了小水电站的分布拓扑关系,并基于水文等数据,对小水电站对生态系统的累积效应进行了分析,同时区分了小水电站对生态的影响,以及农业发展、城镇化建设等工农业发展对生态的影响。揭示小水电开发与运行方式对河流水文与生态的影响机制,得到了小水电影响下河流水文情势与鱼类等敏感生物响应关系,阐明小水电河流生态修复多维效益平衡机制。因此解决了现有技术计算小水电对积累生态影响的问题。另外,本申请也能够解决现有技术没有提及生态环境变化影响因素分类的问题。
附图说明
图1是本发明的整体流程图。
图2是本发明步骤S1的详细流程图。
图3是本发明步骤S2的详细流程图。
图4是本发明步骤S26的详细流程图。
图5是本发明步骤S3的详细流程图。
图6是本发明步骤S4的详细流程图。
图7是本发明步骤S44的详细流程图。
图8a、图8b和图8c是本发明实施例一至三的水系拓扑图。
具体实施方式
为了解决现有技术存在的上述问题,申请人进行了深入地研究,由于小水电生态环境影响研究缺乏长期或定期的监测数据支撑,无法准确评价其水文与生态效应,也无法区分小水电建设导致的生态变化和人类活动引起的生态变化;且当前尚未建立起小水电不同开发与运行方式影响下的水文-生态响应关系,难以有效支撑小水电的生态调度。最后,小水电群的累积生态环境影响研究较为薄弱,多数研究仅限于单座水电站影响,且缺乏与其他人类活动耦合效应研究。为了科学监测小水电开发的水文和生态效应,优化小水电河流生态修复方法,支撑小水电绿色发展,需要提供新的解决方案。需要说明的是,小水电站在业内通常称为小水电,因此在本文中并没有做详细严格的区分。由于系统较为复杂,为了突出本申请的创新点,部分现有技术未做详细描述。
如图1所示,一种小水电生态影响监测评估方法,包括如下步骤:
步骤S1、采集研究区域的研究数据,所述研究数据包括GIS数据、水系数据、小水电站数据、水文数据和生态数据。
为了量化分析区域小水电的开发类型、规模、强度、运行方式等开发现状。首先需要选取区域化小水电开发的典型小流域,采集相关基础的研究数据。在后续过程中,通过基础的研究数据,组成时频多尺度分析数据,分析流域堰坝阻隔、减脱水河段和调蓄影响的开发影响特征,同时分析河流、干支流、小流域多尺度水文和泥沙的变化规律。对小水电进行分类,然后针对不同开发类型(引水式、坝式、混合式)和运行方式(无调节、日调节、年调节)的小水电站,分析小水电不同开发方式和运行方式对河流水文情势的影响,同时对比分析小水电不同开发方式、开发强度以及运行方式的空间分布特征,对比不同类型区域小水电的开发现状特征。相关过程将在下文详细描述。
步骤S2、基于所述GIS数据、水系数据和小水电站数据,构建研究区域的水系分布拓扑图,采用图神经网络计算小水电站对水系连通性的影响数值,基于遥感反演图和水系各站点长序列数据分析水系分布拓扑图中各个小水电站节点的减脱水河段数量及时空分布。
为了分析小水电开发引起的堰坝阻隔、减脱水河段数量及空间分布特征,需要构建区域水系分布拓扑图。然后可以利用诸如遥感反演图与站点长序列数据,对上述特征进行分析。主要包括小水电开发引起的减脱水河段数量及分布特征,以及典型区域小水电站群不同运行方式(无调节、日调节、年调节)对河段减脱水时间过程的影响;利用图神经网络模块定量评价典型小流域小水电群开发对河道连通性的影响。
在本实施例中,为了给后续的分析提供准确的分析数据,构建水系分布拓扑图是非常重要的,是解析累积、耦合等效应的基础。
步骤S3、读取水文数据,统计分析水系中不同水情期各河流的水文分布特征及变化过程,并采用水文模拟方法模拟相同水文条件下,不同开发强度下的水文情势变化过程。
水文情势分析主要是通过上述研究数据,即现场监测与历史收集资料的数据,采用包括探索性数据分析、数理统计及时频多尺度分析方法在内的各种方法,分析不同水情期典型小流域河流流量大小、流量过程、峰现时间频率、水位变化速率、泥沙累积(或沉积)分布等水文情势要素的特征及变化过程。然后运用水文模拟法,模拟相同水文条件下,典型小流域天然与不同开发强度下的水文情势变化过程,对比分析小水电开发方式与运行方式对小流域水文情势。
步骤S4、读取生态数据,并筛选小水电站开发响应敏感的监测指标;构建小水电站生态影响评估方法集合。
在上述步骤中,从各个小水电节点的研究数据中获得生态数据,这些节点可以是小流域小水电站坝上蓄水区、坝下减脱水河段、尾水、周边河岸带等处布设监测站点,也可以是其他位置安装的监测节点,上述节点可以形成针对小水电河流梯级电站的监测点位布设集合。监测频次需要考虑不同季节与小水电峰谷调节运行期。可以选择临近区域无小水电开发河流,设置监测点位作为参照。
监测指标包括水文指标、理化环境及生物要素。水文指标包括水位和流速。理化环境指标包括水体水温、溶解氧含量与饱和度、PH、独度、氧化还原电位、不同形态氨磷营养盐含量、叶绿素a含量、河道表层沉积物理化性状,以及泥沙级配、底质类型、岸边带植被等生境特征。生物要素指标主要包括珍稀特有鱼类或洞游性鱼类与大型无脊椎底柄生物的种群分布与群落组成。鱼类采用环境DNA法与鱼类线粒体细胞色素b基因分子标记法进行监测,大型无脊椎底栖生物采用人工镜检法进行种群监测。
步骤S5、构建基于水文生物响应关系的贝叶斯定量模型、水动力模型和小水电生态水动力模型,采用研究数据对小水电站生态水动力模型进行率定;构建研究区域的问题情景集和解决方案集合,采用上述生态水动力模型进行模拟,并采用小水电站生态影响评估方法进行评估,给出决策结果。
在上述步骤中,已经获得了相关参数和方法,因此通过构建相关模型并求解,即可对各种情景下的各种解决方案进行模拟,从而给出评估数据,根据评估数据给出决策结果。本步骤可以采用现有模型来进行模拟。贝叶斯模型主要用于量化小水电影响下的河流水文与生态的响应关系。水动力模型与生态水动力模型结合使用。上述两个模型可以采用常规模型实现,在此不再详述。
其中解决方案集包括电站退出、增设鱼道、河道整治、生态流量、峰谷调节、替代补偿等措施。
如图2所示,根据本申请的一个方面,所述步骤S1进一步为:
步骤S11、选取研究区域并提取水系分布,并以研究区域内各个水系的分水线为研究区域的边缘线;
步骤S12、依序读取研究区域各个站点的研究数据。
在本实施例中,主要是对研究区域的水系进行划区,并基于各个区域中的水系,提取所需的研究数据。水系的划区,是为了后续提取水系拓扑结构,并将各个数据进行空间定位,赋予数据时空序列信息提供方便。具有时间和空间(拓扑)信息的监测参数是本申请的重要基础研究数据,也是解决本申请相关技术问题的重要数据。将在下文详细描述相关数据的处理过程。相关水系的概化图,可以参考图8a、图8b和图8c。例如在某些实施例中,根据河流及其所述的集水区,可以将研究区域划分为若干个区域,各个河流或水系的分水线,可以作为区域的边缘线。研究区域整体的边界线由若干个边缘线组成。
如图3所示,根据本申请的一个方面,所述步骤S2进一步为:
步骤S21、读取GIS数据、水系数据和小水电站数据,基于小水电站的位置将水系中各条河流的分成预定数量的河段,构建具有高程信息的水系拓扑图。
步骤S22、构建图神经网络,并采用图神经网络计算小水电站对水系连通性的影响,构建加权邻接矩阵和河道节点水流通畅度矩阵,计算河道节点间的水流阻力、河道节点间水流通畅度和河网加权连通性。
步骤S23、读取研究区域各个河段每一时期的遥感反演图,查找减脱水河段,并针对每一减脱水河段,获取包括位置、面积和持续时间在内的减脱水数据。
步骤S24、获取研究区域各个站点每一时期的长序列数据,获取减脱水河段包括位置、面积和持续时间在内的减脱水数据。
步骤S25、分析从遥感反演图和长序列数据获取的减脱水河段数据的一致性;若一致性符合要求,则进入下一步。
步骤S26、构建小水电站与河段减脱水的关联模型,采集研究数据作为输入,计算每一小水电站与其上下游河段减脱水的关联性。
步骤S27、从研究区域的下游出发,依序分析水系分布拓扑图上每一河段减脱水数据与位于其上游各个小水电站的关联性,计算上游各个小水电站对下游各个减脱水河段的时空累加数据。
建立研究区域的水系分区后,在此基础上首先构建水系的拓扑结构,然后基于所述拓扑结构分析小水电站及监测点的空间分布,将他们的物理关系梳理清楚,再结合按照时序采集的研究数据,即可获得具有时间和空间特征的研究数据,这些研究数据在时间和空间的层面具有耦合等关联关系。无论是减脱水河段的相关参数,还是生物或水文数据,均具有时空分布特征。比如在建设小水电站后,水文指标和敏感生物的移动,具有一定的时间滞后性和空间错位性,如果采用之前的方法,对河流中的这些数据进行监测,导致数据在时间上和空间上失准,因此模拟的结果是不准确的,不能够反应真实的物理过程。另外,在一条河流上建设多个小水电站,尤其是河流上流具有多个支流,每个支流上建设多个小水电站,各个小水电站之间具有耦合效应,特别是对下游监测点获得的数据造成影响,通过构建空间拓扑和时间序列,可以将数据进行时空分解,从而根据情况查找准确的时间和空间上的数据联系,更加准确地反应小水电站对生态水文的影响,也即对监测数据的影响。
在本实施例中,根据小水电站的位置将河流分成若干个河段,然后以河段为基础单元对研究数据等进行空间划分。在第一步中,首先形成具有高程信息的水系拓扑图。然后通过图神经网络或图论方法对拓扑图进行分析处理,获得水系连通的影响数据。换句话说,由于建设了小水电站,因此水系拓扑中各段的连通方式和参数均发生了变化,因此需要重新获取水系的连通参数。
具体而言,在某些实施例中,可以采用以下公式河道节点间的水流阻力、河道节点间水流通畅度、计算加权邻接矩阵、河道节点水流通畅度矩阵和河网加权连通性。
接下来,通过两个数据途径对减脱水河段进行分析,可以通过遥感反演数据进行分析,也可以通过站点的长序列数据进行分析,通过两个途径的数据进行对比分析。判断是否存在失准的情况,如果两个数据来源基本相同,误差在预定的范围内,则说明信息较为准确,通过较为准确的数据来进行小水电和河段减脱水的关联性分析。换句话说,两个数据来源均可能存在一定的偏差,如果仅采用一个数据来源进行处理,则后续的关联性可能会存在问题。因此为了提高结果的准确性,通过比对不同数据来源的一致性来实现。通过上述方法,可以提高小水电河段导致的水文参数变化拟合准确率。
在进一步的实施例中,计算每一河段减脱水数据与上游各个小水电的关联性,获得时空累加数据。换句话说,如果某个减脱水河段的上游具有5个小水电站,那么其相关参数是受到各个小水电的影响,影响的权重存在差别,因此通过比对相邻情况下的小水电的关联性,可以获得各个小水电站对该减脱水河段的影响权重。如此类推,可以获得各个脱水河段的影响因素权重。
如图4所示,根据本申请的一个方面,所述步骤S26进一步为:
步骤S26a、读取预存储的各个河段上每一站点的长序列数据,按照时序计算各个河段上小水电站的工作周期;
步骤S26b、构建小水电站与河段减脱水的关联模型,计算减脱水河段的面积和持续时间与小水电站位置和工作周期的关系;
步骤S26c、在每一泄水周期,根据河段上下两端的高程差、径流量和流速,计算河段上游减脱水河段的起始时间和持续时间,并与上述关联模型得到的结果进行比较,若符合预期,则判定当前的关联性符合要求。
在本实施例中,给出了关联性判断的一种实施方式,本领域的技术人员还可以采用其他方式实现。
如图5所示,根据本申请的一个方面,所述步骤S3进一步为:
步骤S31、读取水系分布拓扑图中各个站点的水文数据,针对每一站点,获取该站点上游建设小水电站之前的水文数据,以及建设小水电站之后的水文数据,分析统计不同时期的水文分布特征,并计算差值,作为第一影响量;通过构建水文预测模型计算不建设小水电站时的水文数据,并与建设小水电站之后的水文数据做差,得到第二影响量;
步骤S32、比较第一影响量和第二影响量,判断是否存在其他影响因素,若存在其他影响因素,将第一影响量和第二影响量的差值作为第三影响量;
步骤S33、依序计算上游各个小水电站的水文数据,并设置各个小水电站的不同开发强度,计算在各个开发强度下的水文数据,形成数据集,并基于数据集绘制水文情势变化图;
步骤S34、基于各个站点的数据,基于站点之间的拓扑关系,计算小水电站耦合效应在水文数据上的积累。
在本实施例中,通过计算不同情况下的影响量,并通过模型预测数据与实际数据的比较,可以得出小水电站对水文造成的影响,以及农业开发、城镇建设等其他因素对水文生态数据造成的影响,解决了现有技术将各种因素对水文生态造成的影响全部算成小水电站造成的这一缺陷。因此能够更加准确地计算出小水电站对水文情势造成影响的实际数值。解决了一直以来的技术难题。并且通过空间的拓扑关系,可以计算出小水电站耦合效应造成总的影响,对影响因素进行分解。
如图6所示,根据本申请的一个方面,所述步骤S4进一步为:
步骤S41、读取生态数据并按照水系分布拓扑图中个各个站点的位置与监测点位之间的距离,计算河段敏感生物的平均迁移距离和迁移速度;
步骤S42、从河段生物群中筛选敏感生物的监测点,优化敏感生物的类型和监测点布设位置和监测频率;
步骤S43、基于优化后的敏感生物类型,构建河段开发响应的敏感生物的监测指标;
步骤S44、结合水系分布拓扑图、小水电站对水系连通的影响和敏感生物的迁移速度,计算各个站点中敏感生物的时空滞后系数。
在上文已经进行了描述,在此举例进行说明,在建设小水电后,由于连通特性等发生了改变,以鱼为例,其平均迁移速度和距离发生了变化,如果按照现有的方法,则会导致无法准确计算相关参数。结合上述实施例中获得的参数,可以为鱼类重新划定迁徙范围和迁移速度,从而能够获得在时间上的滞后系数和空间上的错位系数。比如在下游小水电站关闭时,鱼类的活动范围会限制在两个水电站之间(假定上游水电站没有鱼类通道),那么鱼类在该周期内,是无法到达上下游的。在下一工作周期内,才会随着水流进入下一河段。因此在时间上具有明显的节律性,在空间上也受到小水电的限制,因此通过连通特性,可以更加准确地计算洄游的各种参数,计算出敏感生物的时空滞后系数。在后续仿真计算时,能够更加准确地反应物理过程。
如图7所示,根据本申请的一个方面,所述步骤S44进一步为:
步骤S44a、依照水系分布拓扑图,从上游依序统计河段生物群中的各敏感生物的自然迁移范围和迁移速度,并基于小水电站对水系连通的影响,给予迁移速度赋予权重;
步骤S44b、读取敏感生物迁移范围内各个小水电站的工作周期,为敏感生物设定迁移时间间隙,读取迁移速度和对应的权重,得到平均迁移速度;
步骤S44c、给予平均迁移速度和迁移时间间隙,估算敏感生物的实际迁移范围;
步骤S44d、给予实际迁移范围和迁移时间间隙,结合小水电站上下游的站点的数据,计算各个站点中敏感生物的时间滞后系数和空间滞后系数。
在本实施例中,给出了具体的计算过程。与现有技术相比,如果不考虑时间滞后和空间滞后的效应,仅仅根据监测数据来进行计算,就会与实际不一致。通过建立与小水电工作周期的节律性,判断空间滞后与时间滞后的具体参数,就可以根据参数进行调整。在计算耦合关系和小水电对水文生态关联性时,具有更好的作用。
举个例子而言,如果位于上游的两个相邻的小水电同时泄水,而位于下游的小水电没有泄水,则两个上游两个小水电之间河段的水文参数下降,比如敏感生物鱼类顺流而下,而下游小水电的上游河段,敏感生物鱼类增多。在现有技术中,仅仅通过监测数据而不考虑小水电的工作周期,就会计算上游小水电导致水文生态参数异常变化,造成了较大的影响。而下游小水电反而对水文生态具有增益效应,明显违反常理。如果通过现有技术针对整个河流进行平均计算,则无法反应出各个小水电的影响权重。因此也不符合真实的物理过程。
根据本申请的另一方面,提供 一种小水电生态影响监测评估系统,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述任一项实施例所述的小水电生态影响监测评估方法。
由于存储器和处理器等属于现有技术,本领域的技术人员根据现有技术即可实现,因此在此不再详述。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (6)
1.小水电生态影响监测评估方法,其特征在于,包括如下步骤:
步骤S1、采集研究区域的研究数据,所述研究数据包括GIS数据、水系数据、小水电站数据、水文数据和生态数据;
步骤S2、基于所述GIS数据、水系数据和小水电站数据,构建研究区域的水系分布拓扑图,采用图神经网络计算小水电站对水系连通性的影响数值,基于遥感反演图和水系各站点长序列数据分析水系分布拓扑图中各个小水电站节点的减脱水河段数量及时空分布;
步骤S3、读取水文数据,统计分析水系中不同水情期各河流的水文分布特征及变化过程,并采用水文模拟方法模拟相同水文条件下,不同开发强度下的水文情势变化过程;
步骤S4、读取生态数据,并筛选小水电站开发响应敏感的监测指标;构建小水电站生态影响评估方法集合;
步骤S5、构建基于水文生物响应关系的贝叶斯定量模型、水动力模型和小水电生态水动力模型,采用研究数据对小水电站生态水动力模型进行率定;构建研究区域的问题情景集和解决方案集合,采用上述生态水动力模型进行模拟,并采用小水电站生态影响评估方法进行评估,给出决策结果;
所述步骤S2进一步为:
步骤S21、读取GIS数据、水系数据和小水电站数据,基于小水电站的位置将水系中各条河流的分成预定数量的河段,构建具有高程信息的水系拓扑图;
步骤S22、构建图神经网络,并采用图神经网络计算小水电站对水系连通性的影响,构建加权邻接矩阵和河道节点水流通畅度矩阵,计算河道节点间的水流阻力、河道节点间水流通畅度和河网加权连通性;
步骤S23、读取研究区域各个河段每一时期的遥感反演图,查找减脱水河段,并针对每一减脱水河段,获取包括位置、面积和持续时间在内的减脱水数据;
步骤S24、获取研究区域各个站点每一时期的长序列数据,获取减脱水河段包括位置、面积和持续时间在内的减脱水数据;
步骤S25、分析从遥感反演图和长序列数据获取的减脱水河段数据的一致性;若一致性符合要求,则进入下一步;
步骤S26、构建小水电站与河段减脱水的关联模型,采集研究数据作为输入,计算每一小水电站与其上下游河段减脱水的关联性;
步骤S27、从研究区域的下游出发,依序分析水系分布拓扑图上每一河段减脱水数据与位于其上游各个小水电站的关联性,计算上游各个小水电站对下游各个减脱水河段的时空累加数据;
所述步骤S26进一步为:
步骤S26a、读取预存储的各个河段上每一站点的长序列数据,按照时序计算各个河段上小水电站的工作周期;
步骤S26b、构建小水电站与河段减脱水的关联模型,计算减脱水河段的面积和持续时间与小水电站位置和工作周期的关系;
步骤S26c、在每一泄水周期,根据河段上下两端的高程差、径流量和流速,计算河段上游减脱水河段的起始时间和持续时间,并与上述关联模型得到的结果进行比较,若符合预期,则判定当前的关联性符合要求。
2.如权利要求1所述的小水电生态影响监测评估方法,其特征在于,所述步骤S1进一步为:
步骤S11、选取研究区域并提取水系分布,并以研究区域内各个水系的分水线为研究区域的边缘线;
步骤S12、依序读取研究区域各个站点的研究数据。
3.如权利要求2所述的小水电生态影响监测评估方法,其特征在于,所述步骤S3进一步为:
步骤S31、读取水系分布拓扑图中各个站点的水文数据,针对每一站点,获取该站点上游建设小水电站之前的水文数据,以及建设小水电站之后的水文数据,分析统计不同时期的水文分布特征,并计算差值,作为第一影响量;通过构建水文预测模型计算不建设小水电站时的水文数据,并与建设小水电站之后的水文数据做差,得到第二影响量;
步骤S32、比较第一影响量和第二影响量,判断是否存在其他影响因素,若存在其他影响因素,将第一影响量和第二影响量的差值作为第三影响量;
步骤S33、依序计算上游各个小水电站的水文数据,并设置各个小水电站的不同开发强度,计算在各个开发强度下的水文数据,形成数据集,并基于数据集绘制水文情势变化图;
步骤S34、基于各个站点的数据,基于站点之间的拓扑关系,计算小水电站耦合效应在水文数据上的积累。
4.如权利要求3所述的小水电生态影响监测评估方法,其特征在于,所述步骤S4进一步为:
步骤S41、读取生态数据并按照水系分布拓扑图中个各个站点的位置与监测点位之间的距离,计算河段敏感生物的平均迁移距离和迁移速度;
步骤S42、从河段生物群中筛选敏感生物的监测点,优化敏感生物的类型和监测点布设位置和监测频率;
步骤S43、基于优化后的敏感生物类型,构建河段开发响应的敏感生物的监测指标;
步骤S44、结合水系分布拓扑图、小水电站对水系连通的影响和敏感生物的迁移速度,计算各个站点中敏感生物的时空滞后系数。
5.如权利要求4 所述的小水电生态影响监测评估方法,其特征在于,所述步骤S44进一步为:
步骤S44a、依照水系分布拓扑图,从上游依序统计河段生物群中的各敏感生物的自然迁移范围和迁移速度,并基于小水电站对水系连通的影响,给予迁移速度赋予权重;
步骤S44b、读取敏感生物迁移范围内各个小水电站的工作周期,为敏感生物设定迁移时间间隙,读取迁移速度和对应的权重,得到平均迁移速度;
步骤S44c、给予平均迁移速度和迁移时间间隙,估算敏感生物的实际迁移范围;
步骤S44d、给予实际迁移范围和迁移时间间隙,结合小水电站上下游的站点的数据,计算各个站点中敏感生物的时间滞后系数和空间滞后系数。
6.一种小水电生态影响监测评估系统,其特征在于,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现权利要求1~5任一项所述的小水电生态影响监测评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211299478.XA CN115374376B (zh) | 2022-10-24 | 2022-10-24 | 小水电生态影响监测评估方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211299478.XA CN115374376B (zh) | 2022-10-24 | 2022-10-24 | 小水电生态影响监测评估方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115374376A CN115374376A (zh) | 2022-11-22 |
CN115374376B true CN115374376B (zh) | 2023-01-31 |
Family
ID=84073013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211299478.XA Active CN115374376B (zh) | 2022-10-24 | 2022-10-24 | 小水电生态影响监测评估方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115374376B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907436B (zh) * | 2023-01-10 | 2023-05-05 | 河海大学 | 基于量质耦合预报的水资源水环境调控方法和系统 |
CN116070971B (zh) * | 2023-03-27 | 2023-06-06 | 水利部交通运输部国家能源局南京水利科学研究院 | 河湖水系有序流动调控方法和系统 |
CN116629640B (zh) * | 2023-07-20 | 2023-09-29 | 水利部交通运输部国家能源局南京水利科学研究院 | 高寒区水电梯级开发的生物生境影响评估方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269362A (zh) * | 2021-05-20 | 2021-08-17 | 中电建华东勘测设计研究院(郑州)有限公司 | 水电开发影响下基于关键生境因子辨识与修复的生物多样性保育方法 |
CN113610552A (zh) * | 2021-06-25 | 2021-11-05 | 清华大学 | 一种用户流失预测方法及装置 |
CN114663777A (zh) * | 2022-03-07 | 2022-06-24 | 辽宁师范大学 | 基于时空联合图注意机制的高光谱影像变化检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765808B (zh) * | 2021-01-15 | 2022-11-15 | 黄河勘测规划设计研究院有限公司 | 一种生态干旱的监测与评估方法 |
CN113642699A (zh) * | 2021-06-30 | 2021-11-12 | 天津大学 | 一种江河洪水智能预报系统 |
-
2022
- 2022-10-24 CN CN202211299478.XA patent/CN115374376B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269362A (zh) * | 2021-05-20 | 2021-08-17 | 中电建华东勘测设计研究院(郑州)有限公司 | 水电开发影响下基于关键生境因子辨识与修复的生物多样性保育方法 |
CN113610552A (zh) * | 2021-06-25 | 2021-11-05 | 清华大学 | 一种用户流失预测方法及装置 |
CN114663777A (zh) * | 2022-03-07 | 2022-06-24 | 辽宁师范大学 | 基于时空联合图注意机制的高光谱影像变化检测方法 |
Non-Patent Citations (1)
Title |
---|
尼尔基水库生态流量与调度研究;王亚超;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20210415(第4期);第B027-32页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115374376A (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115374376B (zh) | 小水电生态影响监测评估方法与系统 | |
Shi et al. | Coupling the water-energy-food-ecology nexus into a Bayesian network for water resources analysis and management in the Syr Darya River basin | |
Shiri et al. | Predicting groundwater level fluctuations with meteorological effect implications—A comparative study among soft computing techniques | |
CN116630122B (zh) | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 | |
CN113762618B (zh) | 一种基于多因子相似分析的湖泊水位预报方法 | |
CN116485584B (zh) | 高寒区大底坡河流wee协同调控方法及系统 | |
CN114970377B (zh) | 基于新安江与深度学习耦合模型的场次洪水预报方法和系统 | |
Liu et al. | A hybrid bayesian vine model for water level prediction | |
CN117236199B (zh) | 城市水网区域河湖水质提升与水安全保障方法及系统 | |
CN110334876A (zh) | 一种基于径流情势、水质及生物多要素的环境流量过程调控方法 | |
CN114819322B (zh) | 湖泊入湖流量的预报方法 | |
Khan et al. | Performance analysis of regression-machine learning algorithms for predication of runoff time | |
CN116307768B (zh) | 流域农业农村面源污染不同时空尺度动态排放清单方法 | |
CN116629640B (zh) | 高寒区水电梯级开发的生物生境影响评估方法及系统 | |
Chen et al. | River ecological flow early warning forecasting using baseflow separation and machine learning in the Jiaojiang River Basin, Southeast China | |
Bian et al. | Application, interpretability and prediction of machine learning method combined with LSTM and LightGBM-a case study for runoff simulation in an arid area | |
Ünes | Dam reservoir level modeling by neural network approach: A case study | |
CN113793006A (zh) | 一种基于尺度效应的农业节水潜力分析方法及系统 | |
CN115358587A (zh) | 区域多部门协同的基础设施规划方法及系统 | |
Lyu et al. | Water level prediction model based on GCN and LSTM | |
CN113837460A (zh) | 平原河网水位回归预测方法 | |
Cui et al. | A secondary modal decomposition ensemble deep learning model for groundwater level prediction using multi-data | |
Nadew | Stream flow and sediment yield modeling: A case study of Beles watershed, Upper Blue Nile Basin | |
Jadhav et al. | Stream Flow Prediction: Narmada Basin | |
Beltman | Drought Severity: real-time evaluation of drought severity by means of Artificial Neural Networks and damage functions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |