CN116090335A - 鱼类产卵期水库下泄水温的算法模型构成方法 - Google Patents

鱼类产卵期水库下泄水温的算法模型构成方法 Download PDF

Info

Publication number
CN116090335A
CN116090335A CN202211671810.0A CN202211671810A CN116090335A CN 116090335 A CN116090335 A CN 116090335A CN 202211671810 A CN202211671810 A CN 202211671810A CN 116090335 A CN116090335 A CN 116090335A
Authority
CN
China
Prior art keywords
water
model
temperature
reservoir
water temperature
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
CN202211671810.0A
Other languages
English (en)
Inventor
朴虹奕
周湘山
张磊
何涛
秦甦
徐劲草
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.)
PowerChina Chengdu Engineering Co Ltd
Original Assignee
PowerChina Chengdu Engineering 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 PowerChina Chengdu Engineering Co Ltd filed Critical PowerChina Chengdu Engineering Co Ltd
Priority to CN202211671810.0A priority Critical patent/CN116090335A/zh
Publication of CN116090335A publication Critical patent/CN116090335A/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
    • G06F30/27—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
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及水库下泄水温监测领域，为了便于获知水库下泄水温，提供了鱼类产卵期水库下泄水温的算法模型构成方法，包括：步骤1、获取水库监测数据，所述监测数据包括入库水温、进水口前垂向水温分布、入库流量、出流流量、水库水位、气温以及取水下泄水温；步骤2、将取水下泄水温作为因变量值，其余数据作为特征变量构建数据集；步骤3、对数据集进行主成分分析，将特征变量与取水下泄水温进行相关性筛选，筛选出相关性最高的自变量；步骤4、将筛选出的数据集带入模型库进行模型筛选；步骤5、基于筛选出的模型对目标区域的下泄水温进行预测。采用上述方式便于获知水库下泄水温。

Description

鱼类产卵期水库下泄水温的算法模型构成方法
技术领域
本发明涉及水库下泄水温监测领域，具体是一种鱼类产卵期水库下泄水温的算法模型构成方法。
背景技术
大型水库建成蓄水后，改变了天然河道水温分布，出现库区水温分层和下泄低温水现象，下游对水温敏感的农作物及水生生物将受到一定程度的不利影响，分析具体的水温敏感对象及其水温需求，是开展低温水缓解措施研究的基础。
发明内容
为了便于获知水库下泄水温，本申请提供了一种鱼类产卵期水库下泄水温的算法模型构成方法。
本发明解决上述问题所采用的技术方案是：
鱼类产卵期水库下泄水温的算法模型构成方法，包括：
步骤1、获取水库监测数据，所述监测数据包括入库水温、进水口前垂向水温分布、入库流量、出流流量、水库水位、气温以及取水下泄水温；
步骤2、将取水下泄水温作为因变量值，其余数据作为特征变量构建数据集；
步骤3、对数据集进行主成分分析，将特征变量与取水下泄水温进行相关性筛选，筛选出相关性最高的自变量；
步骤4、将筛选出的数据集带入模型库进行模型筛选；
步骤5、基于筛选出的模型对目标区域的下泄水温进行预测。
进一步地，所述模型库中的模型包括：测试线性模型，神经网络模型，朴素贝叶斯模型，随机森林模型和支持向量机模型。
进一步地，所述步骤4中，根据整体精度和Kappa精度进行模型筛选。
进一步地，所述步骤1获取的水库监测数据包括未做叠梁门措施及做了叠梁门措施的监测数据。
本发明相比于现有技术具有的有益效果是：本申请基于相关性在模型库中直接进行模型筛选，确定模型的速度更快且更精准。通过对目标区域做叠梁门措施及未做叠梁门措施的下泄水温进行预测，可以确定下泄水温调控范围，调控更有针对性，更准确。
附图说明
图1为鱼类产卵期水库下泄水温的算法模型构成方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，以锦屏一级水库为例，分别对有措施的水库下泄水温和原始水库下泄水温进行模型建立以及预测。鱼类产卵期水库下泄水温的算法模型构成方法，包括：
步骤1、通过雅砻江公司有流域集控中心获得关于从2011年到2021年3-6月的锦屏一级水库的监测数据，包括原始水库下泄水温，做措施后的水库下泄水温、入库水温、进水口前垂向水温分布、入库流量、出流流量、水库水位、气温和叠梁门高程以及取水下泄水温。原始水库下泄水温对应的数据集用于原始模型建立及预测，做措施后的水库下泄水温对应的数据集用于做措施后的模型建立及预测。
步骤2、将收集的监测所据以excel形式存储，并将所有数据标准化后，将40％的数据划为训练集，60％的数据划为测试集。
步骤3、将水库下泄水温设为y，其余自变量值设为x，将自变量数据与下泄水温进行自相关性线性分析。经分析后可知，下泄水温与自变量的关系是出于正向的线性关系，误差分布的不广；且气温，坝前水温和流速以及下泄水温的自相关性最高。
步骤4、将筛选出的数据集带入模型库进行模型筛选，模型库中包含测试线性模型，神经网络模型，朴素贝叶斯模型，随机森林模型和支持向量机模型等共计5种模型。通过整体精度和Kappa系数对模型进行筛选，如下表所示，发现支持向量机算法模型的整体精度和Kappa精度最高。最后确定支持向量机模型作为做措施后的鱼类产卵期水库下泄水温的算法的模型。采用相同的方法确定出未做措施对应的模型也是支持向量机模型。
算法模型精度测试结果
识别方法 变量类型 整体精度 Kappa
线性模型 原始波段 0.34 0.23
神经网络模型 原始波段 0.46 0.33
朴素贝叶斯模型 原始波段 0.52 0.42
随机森林模型 原始波段 0.59 0.43
支持向量机模型 原始波段 0.78 0.64
步骤5、基于筛选出的模型对目标区域的下泄水温进行预测。通过比较做措施及未做措施的预测结果确定调控措施，调控更准确。

Claims (4)

1.鱼类产卵期水库下泄水温的算法模型构成方法，其特征在于，包括：
步骤1、获取水库监测数据，所述监测数据包括入库水温、进水口前垂向水温分布、入库流量、出流流量、水库水位、气温以及取水下泄水温；
步骤2、将取水下泄水温作为因变量值，其余数据作为特征变量构建数据集；
步骤3、对数据集进行主成分分析，将特征变量与取水下泄水温进行相关性筛选，筛选出相关性最高的自变量；
步骤4、将筛选出的数据集带入模型库进行模型筛选；
步骤5、基于筛选出的模型对目标区域的下泄水温进行预测。
2.根据权利要求1所述的鱼类产卵期水库下泄水温的算法模型构成方法，其特征在于，所述模型库中的模型包括：测试线性模型，神经网络模型，朴素贝叶斯模型，随机森林模型和支持向量机模型。
3.根据权利要求1所述的鱼类产卵期水库下泄水温的算法模型构成方法，其特征在于，所述步骤4中，根据整体精度和Kappa精度进行模型筛选。
4.根据权利要求1-3任意一项所述的鱼类产卵期水库下泄水温的算法模型构成方法，其特征在于，所述步骤1获取的水库监测数据包括未做叠梁门措施及做了叠梁门措施的监测数据。
CN202211671810.0A 2022-12-26 2022-12-26 鱼类产卵期水库下泄水温的算法模型构成方法 Pending CN116090335A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211671810.0A CN116090335A (zh) 2022-12-26 2022-12-26 鱼类产卵期水库下泄水温的算法模型构成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211671810.0A CN116090335A (zh) 2022-12-26 2022-12-26 鱼类产卵期水库下泄水温的算法模型构成方法

Publications (1)

Publication Number Publication Date
CN116090335A true CN116090335A (zh) 2023-05-09

Family

ID=86201788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211671810.0A Pending CN116090335A (zh) 2022-12-26 2022-12-26 鱼类产卵期水库下泄水温的算法模型构成方法

Country Status (1)

Country Link
CN (1) CN116090335A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116502569A (zh) * 2023-06-28 2023-07-28 长江三峡集团实业发展(北京)有限公司 一种基于数值模拟的河道型水库下泄水温调控方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116502569A (zh) * 2023-06-28 2023-07-28 长江三峡集团实业发展(北京)有限公司 一种基于数值模拟的河道型水库下泄水温调控方法及装置
CN116502569B (zh) * 2023-06-28 2024-03-08 长江三峡集团实业发展(北京)有限公司 一种基于数值模拟的河道型水库下泄水温调控方法及装置

Similar Documents

Publication Publication Date Title
CN109472004B (zh) 气候变化和人类活动对水文干旱影响的综合评估方法、装置及系统
CN107153874A (zh) 水质预测方法及系统
Shiri et al. Global cross-station assessment of neuro-fuzzy models for estimating daily reference evapotranspiration
CN109145464B (zh) 融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法
CN107949812A (zh) 用于检测配水系统中的异常的组合方法
CN109408848B (zh) 一种考虑径流演变时空异质性的分布式归因方法
EP3516557A1 (en) Target class feature model
CN110197020B (zh) 一种环境变化对水文干旱影响的分析方法
CN116090335A (zh) 鱼类产卵期水库下泄水温的算法模型构成方法
CN111767517A (zh) 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质
Martí et al. Assessment of a 4-input artificial neural network for ET o estimation through data set scanning procedures
CN111553394B (zh) 基于循环神经网络和关注机制的水库水位预测方法
CN104091216A (zh) 基于果蝇优化最小二乘支持向量机的交通信息预测方法
CN112182709B (zh) 大型水库叠梁门分层取水设施的下泄水温快速预测方法
CN112966891A (zh) 一种河流水环境质量预测方法
Durocher et al. Comparison of automatic procedures for selecting flood peaks over threshold based on goodness‐of‐fit tests
CN115423163A (zh) 一种流域短期洪水事件预测方法、装置及终端设备
CN110969282A (zh) 一种基于lstm复合网络的径流量稳定预测方法
CN108399434A (zh) 基于特征提取的高维时间序列数据的分析预测方法
Tran et al. Quantification of predictive uncertainty with a metamodel: Toward more efficient hydrologic simulations
Anilan et al. Application of Artificial Neural Networks and regression analysis to L-moments based regional frequency analysis in the Eastern Black Sea Basin, Turkey
CN110516890A (zh) 一种基于灰色组合模型的农作物产量监控系统
CN109544410A (zh) 小区房源价值参数估计方法以及装置
CN115618993A (zh) 一种基于时序数据预测技术的光伏发电功率智能预测方法
CN109284286A (zh) 一种从原始数据集中提取有效特征的方法

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