CN116415508A - 一种河口二维泥沙模型生成方法及系统 - Google Patents

一种河口二维泥沙模型生成方法及系统 Download PDF

Info

Publication number
CN116415508A
CN116415508A CN202310684887.XA CN202310684887A CN116415508A CN 116415508 A CN116415508 A CN 116415508A CN 202310684887 A CN202310684887 A CN 202310684887A CN 116415508 A CN116415508 A CN 116415508A
Authority
CN
China
Prior art keywords
sediment
suspension
data
actual measurement
data set
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.)
Granted
Application number
CN202310684887.XA
Other languages
English (en)
Other versions
CN116415508B (zh
Inventor
黄鹏飞
邹华志
胡晓张
林中源
许伟
刘培
王建平
陈睿智
王斌
吴尧
杨留柱
张艳艳
邓月运
童辉玲
易丽莎
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.)
Pearl River Hydraulic Research Institute of PRWRC
Original Assignee
Pearl River Hydraulic Research Institute of PRWRC
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 Pearl River Hydraulic Research Institute of PRWRC filed Critical Pearl River Hydraulic Research Institute of PRWRC
Priority to CN202310684887.XA priority Critical patent/CN116415508B/zh
Publication of CN116415508A publication Critical patent/CN116415508A/zh
Application granted granted Critical
Publication of CN116415508B publication Critical patent/CN116415508B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明涉及河口泥沙输运模拟技术领域，尤其涉及一种河口二维泥沙模型生成方法及系统。所述方法包括：通过遥感技术获取区域范围内的悬沙分布信息，生成悬沙第一初始场；利用悬沙筛选整合算法对悬沙第一初始场进行实时监测和整编处理，得到泥沙悬沙实测第一数据集；利用悬沙降噪算法对泥沙悬沙实测第一数据集进行降噪处理，得到泥沙悬沙实测第一降噪数据集；利用实时监测技术对悬沙第一初始场进行实测资料点提取处理，得到泥沙悬沙实测第二数据集；通过多因子卡尔曼滤波算法模型将泥沙悬沙实测第二数据集同化到泥沙悬沙实测第一降噪数据集中，得到同化系数。本发明通过多种算法模型集成生成河口二维泥沙模型，有效预测河口泥沙输运的趋势和变化。

Description

一种河口二维泥沙模型生成方法及系统
技术领域
本发明涉及河口泥沙输运模拟技术领域，尤其涉及一种河口二维泥沙模型生成方法及系统。
背景技术
河口泥沙输运是河口环境研究的一个重要领域，对于深入了解河口环境、制定科学的河口工程规划具有重要意义。因此，河口二维泥沙模型的生成与应用成为该领域研究的主要方向。
河口二维泥沙模型的生成是一个极具挑战性的任务。而泥沙又是河流中重要的颗粒物质，它的输运和沉积对河口海岸带的演化具有重要影响。为了有效地预测河口泥沙输运的趋势和变化，需要建立河口二维泥沙模型。目前，基于数值模拟的河口二维泥沙模型具有广泛的应用，但目前仍存在模型复杂、数据处理不准确等问题。
发明内容
基于此，本发明有必要提供一种河口二维泥沙模型生成方法，以解决至少一个上述技术问题。
为实现上述目的，一种河口二维泥沙模型生成方法，包括以下步骤：
步骤S1：通过遥感技术获取区域范围内的悬沙分布信息，生成悬沙第一初始场；利用悬沙筛选整合算法对悬沙第一初始场进行实时监测和整编处理，得到泥沙悬沙实测第一数据集；
步骤S2：利用悬沙降噪算法对泥沙悬沙实测第一数据集进行降噪处理，得到泥沙悬沙实测第一降噪数据集；利用实时监测技术对悬沙第一初始场进行实测资料点提取处理，得到泥沙悬沙实测第二数据集；
步骤S3：通过多因子卡尔曼滤波算法模型将泥沙悬沙实测第二数据集同化到泥沙悬沙实测第一降噪数据集中，得到同化系数；
步骤S4：根据梅森插值算法利用同化系数对悬沙第一初始场进行面同化处理，以生成悬沙第二初始场；
步骤S5：利用预设的基于高斯过程回归的机器学习模型和基于离散元法的微观模型的集成生成河口二维泥沙模型对悬沙第二初始场进行模型训练，以生成河口二维泥沙模型初始场。
本发明通过遥感技术获取的悬沙分布信息可以对整个区域范围内的悬沙情况进行全方位的观测，生成悬沙第一初始场可以提供泥沙运动的基础信息。利用悬沙筛选整合算法对悬沙第一初始场进行实时监测和整编处理，能够提高初始场数据的准确性和可靠性，有利于后续步骤的实施和结果的分析。通过悬沙降噪算法的实施可以减小悬沙第一初始场测量数据的误差和干扰，从而提高实测数据的精度。实时监测技术的应用可以提高实测资料点提取的效率和准确性，从而得到更加符合实际情况的泥沙悬沙实测第二数据集。多因子卡尔曼滤波算法模型的应用可以综合考虑多种因素对悬沙浓度的影响，从而得到全面准确的预测结果。通过多因子卡尔曼滤波算法模型得到的同化系数可以将泥沙悬沙实测第二数据集与泥沙悬沙实测第一降噪数据集进行同化处理，以提高预测的准确性和实用性。梅森插值算法可以利用同化系数将泥沙悬沙实测第二数据集中的预测信息面同化到悬沙第一初始场中，以生成更为准确的悬沙第二初始场，为后续模型构建提供更可靠的数据基础。最后，通过基于高斯过程回归的机器学习模型和基于离散元法的微观模型的集成生成河口二维泥沙模型，可以从不同角度分析和模拟泥沙运动的规律和趋势，最终生成用于河口二维泥沙模型模拟的较为准确的初始场，从而提高河口二维泥沙模型的准确性和可靠性。
优选地，本发明还提供了一种河口二维泥沙模型生成系统，包括：
至少一个处理器；
与至少一个处理器通信连接的存储器；
存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行如上任一项所述的河口二维泥沙模型生成方法。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明河口二维泥沙模型生成方法的步骤流程示意图；
图2为图1中步骤S1的详细步骤流程示意图；
图3为图1中步骤S2的详细步骤流程示意图；
图4为图3中步骤S22的详细步骤流程示意图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为实现上述目的，请参阅图1至图4，本发明提供了一种河口二维泥沙模型生成方法，所述方法包括以下步骤：
步骤S1：通过遥感技术获取区域范围内的悬沙分布信息，生成悬沙第一初始场；利用悬沙筛选整合算法对悬沙第一初始场进行实时监测和整编处理，得到泥沙悬沙实测第一数据集；
步骤S2：利用悬沙降噪算法对泥沙悬沙实测第一数据集进行降噪处理，得到泥沙悬沙实测第一降噪数据集；利用实时监测技术对悬沙第一初始场进行实测资料点提取处理，得到泥沙悬沙实测第二数据集；
步骤S3：通过多因子卡尔曼滤波算法模型将泥沙悬沙实测第二数据集同化到泥沙悬沙实测第一降噪数据集中，得到同化系数；
步骤S4：根据梅森插值算法利用同化系数对悬沙第一初始场进行面同化处理，以生成悬沙第二初始场；
步骤S5：利用预设的基于高斯过程回归的机器学习模型和基于离散元法的微观模型的集成生成河口二维泥沙模型对悬沙第二初始场进行模型训练，以生成河口二维泥沙模型初始场。
本发明实施例中，请参考图1所示，为本发明河口二维泥沙模型生成方法的步骤流程示意图，在本实例中，所述河口二维泥沙模型生成方法的步骤包括：
步骤S1：通过遥感技术获取区域范围内的悬沙分布信息，生成悬沙第一初始场；利用悬沙筛选整合算法对悬沙第一初始场进行实时监测和整编处理，得到泥沙悬沙实测第一数据集；
本发明实施例通过选择合适的遥感传感器获取区域范围内的悬沙分布信息，利用遥感技术对悬沙分布信息进行分类识别处理分析后，以生成悬沙第一初始场。然后，通过设置一个合适的悬沙筛选整合算法对悬沙第一初始场进行实时监测和筛选整编处理，去除异常数据和冗余数据，最终得到泥沙悬沙实测第一数据集。
步骤S2：利用悬沙降噪算法对泥沙悬沙实测第一数据集进行降噪处理，得到泥沙悬沙实测第一降噪数据集；利用实时监测技术对悬沙第一初始场进行实测资料点提取处理，得到泥沙悬沙实测第二数据集；
本发明实施例通过选择合适的参数要素来生成一个适当的悬沙降噪算法，并利用生成的悬沙降噪算法对泥沙悬沙实测第一数据集进行降噪处理，以得到更加准确的泥沙悬沙实测第一降噪数据集。然后，通过监测设备使用实时监测技术对悬沙第一初始场的泥沙悬沙实测资料进行实测资料点提取处理，获取泥沙悬沙实测资料中的泥沙悬沙实测资料点，并对泥沙悬沙实测资料点进行处理分析后，最终得到泥沙悬沙实测第二数据集。
步骤S3：通过多因子卡尔曼滤波算法模型将泥沙悬沙实测第二数据集同化到泥沙悬沙实测第一降噪数据集中，得到同化系数；
本发明实施例通过构建一个适当的多因子卡尔曼滤波算法模型，该多因子卡尔曼滤波算法模型包括预测算法模型、更新算法模型和同化算法模型。其中预测算法模型用于预测下一个时刻的状态向量和状态协方差矩阵，更新算法模型用于根据新的观测量更新状态向量和状态协方差矩阵，同化算法模型用于将更新后的状态向量和状态协方差矩阵与实际观测数据进行同化处理。通过构建的多因子卡尔曼滤波算法模型将泥沙悬沙实测第二数据集同化到泥沙悬沙实测第一降噪数据集中，最终得到同化系数。
步骤S4：根据梅森插值算法利用同化系数对悬沙第一初始场进行面同化处理，以生成悬沙第二初始场；
本发明实施例通过设计适当的贡献权重函数以及相关参数生成梅森插值算法，在实现的过程中，通过设置插值调和平滑参数对贡献权重函数进行调整，来提高面同化的准确性和可靠性，通过设定的梅森插值算法利用同化系数对悬沙第一初始场进行面同化处理，最终生成悬沙第二初始场。
步骤S5：利用预设的基于高斯过程回归的机器学习模型和基于离散元法的微观模型的集成生成河口二维泥沙模型对悬沙第二初始场进行模型训练，以生成河口二维泥沙模型初始场。
本发明实施例通过利用高斯过程回归算法构建泥沙浓度预测模型，通过构建的泥沙浓度预测模型对悬沙第二初始场中的泥沙悬沙数据进行模型训练，对泥沙悬沙数据中的泥沙浓度进行估计。然后，通过利用离散元法对泥沙浓度预测模型的输出数据进行建模，构建微观模型模拟泥沙在河口的运动过程，并以此来预测泥沙的分布情况。最后，通过对泥沙浓度预测模型和微观模型的输出进行集成处理生成河口二维泥沙模型，获取泥沙分布的综合预测结果，并通过优化模型参数来提高预测精度，最终生成用于河口二维泥沙模型模拟的较为准确的河口二维泥沙模型初始场。
本发明通过遥感技术获取的悬沙分布信息可以对整个区域范围内的悬沙情况进行全方位的观测，生成悬沙第一初始场可以提供泥沙运动的基础信息。利用悬沙筛选整合算法对悬沙第一初始场进行实时监测和整编处理，能够提高初始场数据的准确性和可靠性，有利于后续步骤的实施和结果的分析。通过悬沙降噪算法的实施可以减小悬沙第一初始场测量数据的误差和干扰，从而提高实测数据的精度。实时监测技术的应用可以提高实测资料点提取的效率和准确性，从而得到更加符合实际情况的泥沙悬沙实测第二数据集。多因子卡尔曼滤波算法模型的应用可以综合考虑多种因素对悬沙浓度的影响，从而得到全面准确的预测结果。通过多因子卡尔曼滤波算法模型得到的同化系数可以将泥沙悬沙实测第二数据集与泥沙悬沙实测第一降噪数据集进行同化处理，以提高预测的准确性和实用性。梅森插值算法可以利用同化系数将泥沙悬沙实测第二数据集中的预测信息面同化到悬沙第一初始场中，以生成更为准确的悬沙第二初始场，为后续模型构建提供更可靠的数据基础。最后，通过基于高斯过程回归的机器学习模型和基于离散元法的微观模型的集成生成河口二维泥沙模型，可以从不同角度分析和模拟泥沙运动的规律和趋势，最终生成用于河口二维泥沙模型模拟的较为准确的初始场，从而提高河口二维泥沙模型的准确性和可靠性。
优选地，步骤S1包括以下步骤：
步骤S11：通过遥感传感器利用遥感技术获取区域范围内的悬沙分布信息，以生成悬沙第一初始场；
步骤S12：利用无线传输技术对悬沙第一初始场进行实时监测，得到泥沙悬沙实测资料；
步骤S13：利用悬沙筛选整合算法对泥沙悬沙实测资料进行筛选整编处理，得到泥沙悬沙实测第一数据集。
作为本发明的一个实施例，参考图2所示，为图1中步骤S1的详细步骤流程示意图，在本实施例中步骤S1包括以下步骤：
步骤S11：通过遥感传感器利用遥感技术获取区域范围内的悬沙分布信息，以生成悬沙第一初始场；
本发明实施例通过选择合适的遥感传感器获取区域范围内的悬沙分布信息，利用遥感技术对悬沙分布信息进行分类识别处理分析后，最终生成悬沙第一初始场。
步骤S12：利用无线传输技术对悬沙第一初始场进行实时监测，得到泥沙悬沙实测资料；
本发明实施例通过设置相应的实时监测设备和无线传输系统使用无线传输技术对悬沙第一初始场进行实时监测，最终得到泥沙悬沙实测资料。
步骤S13：利用悬沙筛选整合算法对泥沙悬沙实测资料进行筛选整编处理，得到泥沙悬沙实测第一数据集。
本发明实施例通过设置一个合适的悬沙筛选整合算法对获取的泥沙悬沙实测资料进行筛选整编处理，去除异常数据和冗余数据，对泥沙悬沙实测资料进行处理和修正，最终得到泥沙悬沙实测第一数据集。
本发明通过遥感传感器采用遥感技术获取区域范围内的悬沙分布信息，可以获得大范围、高时空分辨率的悬沙第一初始场，便于分析和研究悬沙运动的规律及主要影响因素，从而更好地预测和防控悬沙灾害。然后，利用无线传输技术实时监测悬沙第一初始场，可以获得实时、连续的悬沙分布数据资料，以满足现代化、自动化悬沙观测需求。通过无线传输技术自动监测和数据实时传输，避免了人工测量误差、时间延迟等问题，提高了悬沙观测的精度和效率。通过遥感传感器获取悬沙分布信息，可以获得较高的获取精度和空间覆盖范围，而通过无线传输技术对悬沙第一初始场进行实时监测，可以使数据获取的时效性得到提高。然后，由于泥沙悬沙实测资料中可能包含了不准确的数据和干扰数据，这些数据会对后续的分析和建模过程造成很大的影响，所以需要利用悬沙筛选整合算法对实时监测的泥沙悬沙实测资料进行筛选整编处理，可以从大量的泥沙悬沙实测资料中筛选出真正高质量的数据，减少了噪声干扰和数据误差，使得分析结果更加可靠。通过对泥沙悬沙实测资料进行整合处理，不仅可以减少数据冗余，还可以提高数据的可读性和可解释性，并为后续的数据分析和建模提供更好的数据基础。
优选地，步骤S13中的悬沙筛选整合算法函数公式具体为：
Figure SMS_1
；
式中，
Figure SMS_3
为悬沙筛选整合算法函数，/>
Figure SMS_4
为第/>
Figure SMS_7
个泥沙悬沙实测资料在筛选区域内的水平位置，/>
Figure SMS_8
为第/>
Figure SMS_11
个泥沙悬沙实测资料在筛选区域内的垂直位置，/>
Figure SMS_12
为泥沙悬沙实测资料的数量，/>
Figure SMS_14
为第/>
Figure SMS_17
个泥沙悬沙实测资料样本点，/>
Figure SMS_18
为第/>
Figure SMS_20
个泥沙悬沙实测资料样本点的悬沙质量流量，/>
Figure SMS_25
为指数函数，/>
Figure SMS_26
为筛选中心水平位置，/>
Figure SMS_27
为筛选中心垂直位置，/>
Figure SMS_28
为筛选中心水平位置的标准差，/>
Figure SMS_29
为筛选中心垂直位置的标准差，/>
Figure SMS_2
为第/>
Figure SMS_5
个泥沙悬沙实测资料样本点的高度，/>
Figure SMS_6
为第/>
Figure SMS_9
个泥沙悬沙实测资料样本点到筛选中心/>
Figure SMS_10
的距离，/>
Figure SMS_13
为控制高度贡献系数，/>
Figure SMS_15
为第/>
Figure SMS_16
个泥沙悬沙实测资料样本点的静水深度，/>
Figure SMS_19
为控制水深贡献系数，/>
Figure SMS_21
为第/>
Figure SMS_22
个泥沙悬沙实测资料样本点的坡度，/>
Figure SMS_23
为控制坡度贡献系数，/>
Figure SMS_24
为悬沙筛选整合算法函数的修正值。
本发明构建了一个悬沙筛选整合算法函数的公式，用于对泥沙悬沙实测资料进行筛选整编处理，该悬沙筛选整合算法可以有效地去除干扰数据和不准确数据，提高泥沙悬沙实测资料的可信度和准确性。通过该算法进行筛选整合处理，可以得到更为可靠和准确的泥沙悬沙实测第一数据集，通过使用该悬沙筛选整合算法，可以将泥沙悬沙实测资料在空间上进行加权分布，对不同位置的泥沙悬沙实测资料数据进行不同的贡献度加权处理，从而提高泥沙悬沙实测资料数据的空间分布特征和表示能力，为后续的分析和建模提供了更为有效的数据基础。该算法函数公式充分考虑了第
Figure SMS_32
个泥沙悬沙实测资料在筛选区域内的水平位置/>
Figure SMS_33
，第/>
Figure SMS_35
个泥沙悬沙实测资料在筛选区域内的垂直位置/>
Figure SMS_36
，泥沙悬沙实测资料的数量/>
Figure SMS_41
，第/>
Figure SMS_43
个泥沙悬沙实测资料样本点/>
Figure SMS_45
，第/>
Figure SMS_54
个泥沙悬沙实测资料样本点的悬沙质量流量/>
Figure SMS_55
，筛选中心水平位置/>
Figure SMS_56
，筛选中心垂直位置/>
Figure SMS_57
，筛选中心水平位置的标准差/>
Figure SMS_58
，筛选中心垂直位置的标准差/>
Figure SMS_59
，通过以上各参数构成了筛选整合函数关系/>
Figure SMS_60
，该公式还考虑了对经过筛选整合后的泥沙悬沙实测资料数据使用不同贡献度进行加权处理，通过第/>
Figure SMS_61
个泥沙悬沙实测资料样本点的悬沙质量流量/>
Figure SMS_30
，第/>
Figure SMS_34
个泥沙悬沙实测资料样本点的高度/>
Figure SMS_37
，第/>
Figure SMS_38
个泥沙悬沙实测资料样本点到筛选中心/>
Figure SMS_39
的距离/>
Figure SMS_40
，控制高度贡献系数/>
Figure SMS_42
，第/>
Figure SMS_44
个泥沙悬沙实测资料样本点的静水深度/>
Figure SMS_46
，控制水深贡献系数/>
Figure SMS_47
，第/>
Figure SMS_48
个泥沙悬沙实测资料样本点的坡度/>
Figure SMS_49
以及控制坡度贡献系数/>
Figure SMS_50
等参数构成了贡献加权函数关系
Figure SMS_51
，根据悬沙筛选整合算法函数/>
Figure SMS_52
与以上各参数之间的相互关联关系构成了一种函数关系/>
Figure SMS_53
，该算法函数公式实现了对泥沙悬沙实测资料的筛选整编处理，同时，通过悬沙筛选整合算法函数的修正值/>
Figure SMS_31
的引入可以根据实际情况进行调整，从而提高了悬沙筛选整合算法的准确性和适用性。
优选地，步骤S2包括以下步骤：
步骤S21：对泥沙悬沙实测第一数据集进行标准化处理，得到泥沙悬沙实测第一标准数据集；
步骤S22：利用悬沙降噪算法对泥沙悬沙实测第一标准数据集进行降噪处理，得到泥沙悬沙实测第一降噪数据集；
步骤S23：利用实时监测技术对悬沙第一初始场的泥沙悬沙实测资料进行实测资料点提取处理，得到泥沙悬沙实测第二数据集。
作为本发明的一个实施例，参考图3所示，为图1中步骤S2的详细步骤流程示意图，在本实施例中步骤S2包括以下步骤：
步骤S21：对泥沙悬沙实测第一数据集进行标准化处理，得到泥沙悬沙实测第一标准数据集；
本发明实施例通过采用min-max归一化方法对泥沙悬沙实测第一数据集进行标准化处理，最终得到泥沙悬沙实测第一标准数据集。
步骤S22：利用悬沙降噪算法对泥沙悬沙实测第一标准数据集进行降噪处理，得到泥沙悬沙实测第一降噪数据集；
本发明实施例通过选择合适的降噪平滑指数型核函数、变化率分布函数以及正则化参数等参数来生成一个适当的悬沙降噪算法，利用生成的悬沙降噪算法对泥沙悬沙实测第一标准数据集进行降噪处理，最终得到泥沙悬沙实测第一降噪数据集。
步骤S23：利用实时监测技术对悬沙第一初始场的泥沙悬沙实测资料进行实测资料点提取处理，得到泥沙悬沙实测第二数据集。
本发明实施例通过监测设备使用实时监测技术对悬沙第一初始场的泥沙悬沙实测资料进行实测资料点提取处理，并对泥沙悬沙实测资料点进行处理分析后，最终得到泥沙悬沙实测第二数据集。
本发明通过对泥沙悬沙实测第一数据集进行标准化处理，该泥沙悬沙实测第一数据集可能来自于不同的测量设备、测量场地、测量时间等不同条件下采集的数据，数据之间存在着一定的差异性。通过标准化处理，可以将不同的数据转化为同一计量单位，消除数据之间的量纲差异，提高数据的可比性和一致性，方便后续的数据处理和分析。标准化后的数据更易于比较和解释，具有更好的可理解性和可解释性。另外，泥沙悬沙实测第一数据集中可能会存在噪声干扰和异常值，对数据的准确分析和模型建立造成很大的影响。通过降噪处理，可以去除数据中的噪声和异常值，提高数据的准确性和可信性。降噪后的数据质量更高，可以为后续的数据分析和模型建立提供更为可靠和准确的数据基础。然后，通过使用实时监测技术对悬沙第一初始场的泥沙悬沙实测资料进行实测资料点提取处理，可以较为精确地识别并提取各个泥沙悬沙实测资料点的数据信息，从而得到泥沙悬沙实测第二数据集。利用实时监测技术获取的数据采集范围更广、时间周期长、采样频率高，综合了空间和时间上的信息，能够获得更全面、准确和高稳定性的数据。提取出的泥沙悬沙实测第二数据集可用于后续的模型构建和预测分析，为后续的分析和建模提供更多的信息和数据保障。
优选地，步骤S22包括以下步骤：
步骤S221：利用悬沙降噪算法对泥沙悬沙实测第一标准数据集进行降噪处理，得到泥沙悬沙数据噪声值；
其中，悬沙降噪算法的函数公式如下所示：
Figure SMS_62
；
式中，
Figure SMS_64
为泥沙悬沙实测第一标准数据集中样本点/>
Figure SMS_65
的泥沙悬沙数据噪声值，/>
Figure SMS_67
为降噪平滑指数型核函数，/>
Figure SMS_68
为积分区域内的离散化中心点，/>
Figure SMS_69
为离散化中心点的悬沙浓度数据，/>
Figure SMS_70
为悬沙浓度数据在泥沙悬沙实测第一标准数据集中样本点/>
Figure SMS_71
处的变化率分布函数，/>
Figure SMS_63
为正则化参数，/>
Figure SMS_66
为泥沙悬沙数据噪声值的修正值；
步骤S222：根据预设的泥沙悬沙数据噪声阈值对泥沙悬沙数据噪声值进行判断，若泥沙悬沙数据噪声值大于或等于预设的泥沙悬沙数据噪声阈值时，则剔除该泥沙悬沙数据噪声值对应的泥沙悬沙实测第一标准数据集，得到泥沙悬沙实测第一降噪数据集；
步骤S223：根据预设的泥沙悬沙数据噪声阈值对泥沙悬沙数据噪声值进行判断，若泥沙悬沙数据噪声值小于预设的泥沙悬沙数据噪声阈值时，则将该泥沙悬沙数据噪声值对应的泥沙悬沙实测第一标准数据集定义为泥沙悬沙实测第一降噪数据集。
作为本发明的一个实施例，参考图4所示，为图3中步骤S22的详细步骤流程示意图，在本实施例中步骤S22包括以下步骤：
步骤S221：利用悬沙降噪算法对泥沙悬沙实测第一标准数据集进行降噪处理，得到泥沙悬沙数据噪声值；
本发明实施例通过选择合适的降噪平滑指数型核函数、变化率分布函数以及正则化参数，并按照一定距离间隔选取其周边的离散化中心点作为计算区域内的离散化中心点以及计算该离散化中心点的悬沙浓度数据来构建一个适当的悬沙降噪算法，通过构建的悬沙降噪算法对泥沙悬沙实测第一标准数据集中每个样本点进行噪声值计算，最终得到泥沙悬沙数据噪声值。
其中，悬沙降噪算法的函数公式如下所示：
Figure SMS_72
；
式中，
Figure SMS_74
为泥沙悬沙实测第一标准数据集中样本点/>
Figure SMS_75
的泥沙悬沙数据噪声值，/>
Figure SMS_76
为降噪平滑指数型核函数，/>
Figure SMS_78
为积分区域内的离散化中心点，/>
Figure SMS_79
为离散化中心点的悬沙浓度数据，/>
Figure SMS_80
为悬沙浓度数据在泥沙悬沙实测第一标准数据集中样本点/>
Figure SMS_81
处的变化率分布函数，/>
Figure SMS_73
为正则化参数，/>
Figure SMS_77
为泥沙悬沙数据噪声值的修正值；
本发明构建了一个悬沙降噪算法的函数公式，为了消除泥沙悬沙实测第一标准数据集中的噪声源对后续的模型生成过程的影响，需要对泥沙悬沙实测第一标准数据集进行降噪处理，以得到更加干净、准确的泥沙悬沙实测第一标准数据集，通过该悬沙降噪算法能够有效地去除泥沙悬沙实测第一标准数据集中的噪声和干扰数据，泥沙悬沙实测第一标准数据集经过降噪处理后更符合实际情况，能够提高数据的实用性和可靠性，从而提高泥沙悬沙实测第一标准数据集的质量和准确性，为后续的模型生成工作提供了可靠的数据基础。该算法函数公式充分考虑了泥沙悬沙实测第一标准数据集中样本点
Figure SMS_83
，积分区域内的离散化中心点/>
Figure SMS_87
，降噪平滑指数型核函数/>
Figure SMS_88
，离散化中心点的悬沙浓度数据/>
Figure SMS_89
，悬沙浓度数据在泥沙悬沙实测第一标准数据集中样本点/>
Figure SMS_90
处的变化率分布函数/>
Figure SMS_91
，正则化参数
Figure SMS_92
，根据泥沙悬沙实测第一标准数据集中样本点/>
Figure SMS_82
的泥沙悬沙数据噪声值/>
Figure SMS_84
与以上各参数之间的相互关系构成了一种函数关系/>
Figure SMS_85
，该公式实现了对泥沙悬沙实测第一标准数据集的降噪处理，同时，该算法函数公式中的泥沙悬沙数据噪声值的修正值/>
Figure SMS_86
可以根据实际情况进行调整，从而提高悬沙降噪算法的准确性和适用性。
步骤S222：根据预设的泥沙悬沙数据噪声阈值对泥沙悬沙数据噪声值进行判断，若泥沙悬沙数据噪声值大于或等于预设的泥沙悬沙数据噪声阈值时，则剔除该泥沙悬沙数据噪声值对应的泥沙悬沙实测第一标准数据集，得到泥沙悬沙实测第一降噪数据集；
本发明实施例根据预设的泥沙悬沙数据噪声阈值，判断计算得到的泥沙悬沙数据噪声值是否超过预设的泥沙悬沙数据噪声阈值，当泥沙悬沙数据噪声值大于或等于预设的泥沙悬沙数据噪声阈值时，说明该泥沙悬沙数据噪声值对应的泥沙悬沙实测第一标准数据集中的噪声源的干扰影响较大，则剔除该泥沙悬沙数据噪声值对应的泥沙悬沙实测第一标准数据集，最终得到泥沙悬沙实测第一降噪数据集。
步骤S223：根据预设的泥沙悬沙数据噪声阈值对泥沙悬沙数据噪声值进行判断，若泥沙悬沙数据噪声值小于预设的泥沙悬沙数据噪声阈值时，则将该泥沙悬沙数据噪声值对应的泥沙悬沙实测第一标准数据集定义为泥沙悬沙实测第一降噪数据集。
本发明实施例根据预设的泥沙悬沙数据噪声阈值，判断计算得到的泥沙悬沙数据噪声值是否超过预设的泥沙悬沙数据噪声阈值，当泥沙悬沙数据噪声值小于预设的泥沙悬沙数据噪声阈值时，说明该泥沙悬沙数据噪声值对应的泥沙悬沙实测第一标准数据集中的噪声源的干扰影响较小，则直接将该泥沙悬沙数据噪声值对应的泥沙悬沙实测第一标准数据集定义为泥沙悬沙实测第一降噪数据集。
本发明通过设定一个悬沙降噪算法对泥沙悬沙实测第一标准数据集进行降噪处理，通过对泥沙悬沙数据的变化率分布函数和离散化中心点的悬沙浓度数据进行积分，计算出泥沙悬沙实测第一标准数据集中每个样本点的泥沙悬沙数据噪声值。该算法核函数的选择是指数型核函数，它具有平滑的特性，能够抑制数据中的噪声。利用该悬沙降噪算法进行降噪处理可以有效的去除泥沙悬沙实测第一标准数据集中的随机噪声源，提高泥沙悬沙数据的准确性和可靠性，泥沙悬沙实测第一标准数据集当中包含了水体中的泥沙颗粒的浓度值，是评估水环境质量的重要参数。降噪处理可以有效地去除泥沙悬沙数据中的干扰噪声，提高数据的测量精度，为水环境质量评估提供更为准确的基础数据。通过变化率分布函数、核函数和悬沙浓度数据等指标，得到泥沙悬沙实测第一标准数据集中每个样本点的噪声值，并且可以通过调整正则化参数和修正值等参数来达到最佳的降噪效果。然后，根据预设的泥沙悬沙数据噪声阈值对泥沙悬沙数据噪声值进行判断，可以有效地剔除噪声值较大的数据点，避免这些数据点对整体数据的影响，保证数据的准确性和可靠性。在实际应用中，根据具体的数据处理需求和质量标准，设定合适的阈值可以更好地满足实际需要。最后，使用预设的泥沙悬沙数据噪声阈值对泥沙悬沙数据噪声值进行判断，将噪声值较小的数据点定义为泥沙悬沙实测第一降噪数据集，可以得到更加准确和可靠的数据集。这些数据点较少受到噪声的干扰，可以为后续的分析建模提供更加稳定的数据基础。
优选地，步骤S3包括以下步骤：
步骤S31：构建多因子卡尔曼滤波算法模型，其中多因子卡尔曼滤波算法模型包括预测算法模型、更新算法模型和同化算法模型；
本发明实施例构建一个适当的多因子卡尔曼滤波算法模型，该多因子卡尔曼滤波算法模型包括预测算法模型、更新算法模型和同化算法模型，其中预测算法模型用于预测下一个时刻的状态向量和状态协方差矩阵，更新算法模型用于根据新的观测量更新状态向量和状态协方差矩阵，同化算法模型用于将更新后的状态向量和状态协方差矩阵与实际观测数据进行同化处理，最终得到同化系数。
步骤S32：利用预测算法模型对泥沙悬沙实测第二数据集进行预测处理，得到状态向量和状态协方差矩阵；
本发明实施例通过选择合适的状态转移矩阵、观测矩阵、过程噪声、外界控制向量以及当前时刻的状态向量和状态协方差矩阵生成预测算法模型，在该预测算法模型中，状态向量、状态转移矩阵、观测矩阵、外界控制向量和过程噪声协方差矩阵都是需要预先确定的参数。其中状态向量代表悬沙初始场内在某个时刻的状态，可以包含多个变量，比如泥沙悬沙实测数据中的悬沙浓度。状态转移矩阵则代表悬沙初始场内在一个时刻到下一个时刻之间的状态转移关系，可以采用线性或非线性的形式。观测矩阵则代表悬沙初始场内的状态可以通过测量得到的观测量之间的关系，比如泥沙悬沙实测数据中的浊度、颜色、机械强度等。外界控制向量则代表在运用预测算法模型时需要考虑外界环境对悬沙初始场状态的影响，如气候因素、地形因素等。过程噪声协方差矩阵则代表悬沙初始场内的状态因素在状态转移过程中因为各种原因而产生的噪声，例如传感器噪声或环境噪声等，通过该预测算法模型对未来时刻的状态向量和状态协方差矩阵进行预测处理，最终得到未来时刻的状态向量和状态协方差矩阵。
其中，预测算法模型如下所示：
Figure SMS_93
；
Figure SMS_94
；
式中，
Figure SMS_97
为泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_98
时刻的状态向量，/>
Figure SMS_100
为泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_102
时刻的状态向量，/>
Figure SMS_103
为泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_104
时刻的状态转移矩阵，/>
Figure SMS_106
为泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_95
时刻的观测矩阵，/>
Figure SMS_99
为泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_101
时刻的外界控制向量，/>
Figure SMS_105
为泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_107
时刻的过程噪声，/>
Figure SMS_108
为泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_109
时刻的状态协方差矩阵，/>
Figure SMS_110
为状态协方差矩阵的转置矩阵，/>
Figure SMS_96
为过程噪声协方差矩阵；
本发明构建了一个预测算法模型的预测过程公式，用于对泥沙悬沙实测第二数据集进行预测处理，该预测算法模型通过对泥沙悬沙实测第二数据集进行状态预测，根据先验知识和历史数据，通过状态转移矩阵和观测矩阵对悬沙浓度进行预测，得到状态向量和状态协方差矩阵，为后续更新算法模型的实施提供了预测的基础。该公式充分考虑了泥沙悬沙实测第二数据集中悬沙浓度在第
Figure SMS_121
时刻的状态转移矩阵/>
Figure SMS_125
，泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_126
时刻的状态向量/>
Figure SMS_127
，泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_128
时刻的观测矩阵/>
Figure SMS_129
，泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_130
时刻的外界控制向量/>
Figure SMS_111
，泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_114
时刻的过程噪声/>
Figure SMS_115
，通过以上参数预测泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_116
时刻的状态向量/>
Figure SMS_117
，通过泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_118
时刻的状态转移矩阵/>
Figure SMS_119
，泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_120
时刻的状态协方差矩阵/>
Figure SMS_112
，/>
Figure SMS_113
为状态协方差矩阵的转置矩阵以及过程噪声协方差矩阵/>
Figure SMS_122
等参数预测泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_123
时刻的状态协方差矩阵/>
Figure SMS_124
。
步骤S33：利用更新算法模型将状态向量和状态协方差矩阵作为观测量并进行更新处理，得到更新状态向量和更新状态协方差矩阵；
本发明实施例通过预测算法模型预测得到的状态向量和状态协方差矩阵，并且通过设定适当的相关参数生成更新算法模型，在该更新算法模型中，观测噪声协方差矩阵和观测量是需要预先确定的参数，其中观测噪声协方差矩阵代表观测值的不确定性程度。观测量是指在一个时刻内对通过预测算法模型预测得到的状态向量和状态协方差矩阵。通过该更新算法模型将状态向量和状态协方差矩阵作为观测量并进行更新处理，最终得到更新状态向量和更新状态协方差矩阵。
其中，更新算法模型如下所示：
Figure SMS_131
；
Figure SMS_132
；
式中，
Figure SMS_134
为泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_141
时刻的更新状态向量，/>
Figure SMS_142
为观测量的数量，/>
Figure SMS_143
为第/>
Figure SMS_144
个观测量在第/>
Figure SMS_145
时刻的状态协方差矩阵，/>
Figure SMS_146
为第/>
Figure SMS_133
个观测量在第/>
Figure SMS_135
时刻的状态向量，/>
Figure SMS_136
为第/>
Figure SMS_137
个观测量在第/>
Figure SMS_138
时刻的观测噪声，/>
Figure SMS_139
为泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_140
时刻的更新状态协方差矩阵；
本发明构建了一个更新算法模型的更新过程公式，用于将预测算法模型计算得到的状态向量和状态协方差矩阵作为观测量进行更新处理，该更新算法模型可以将预测得到的状态向量和状态协方差矩阵等数据进行更新处理，以达到不断更新观测量估计精度的目的，避免单个观测量导致的偏差或误差，有利于提高更新模型的准确性，从而提高悬沙浓度的估计精度。该公式通过观测量的数量
Figure SMS_148
，第/>
Figure SMS_149
个观测量在第/>
Figure SMS_150
时刻的状态协方差矩阵/>
Figure SMS_152
，第/>
Figure SMS_155
个观测量在第/>
Figure SMS_157
时刻的状态向量/>
Figure SMS_160
以及第/>
Figure SMS_162
个观测量在第/>
Figure SMS_165
时刻的观测噪声/>
Figure SMS_167
得到泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_168
时刻的更新状态向量
Figure SMS_169
，另外，通过观测量的数量/>
Figure SMS_170
，第/>
Figure SMS_171
个观测量在第/>
Figure SMS_172
时刻的状态协方差矩阵/>
Figure SMS_147
，第/>
Figure SMS_151
个观测量在第/>
Figure SMS_153
时刻的状态向量/>
Figure SMS_154
，第/>
Figure SMS_156
个观测量在第/>
Figure SMS_158
时刻的观测噪声/>
Figure SMS_159
以及泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_161
时刻的更新状态协方差矩阵/>
Figure SMS_163
得到泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure SMS_164
时刻的更新状态协方差矩阵/>
Figure SMS_166
。
步骤S34：利用同化算法模型将更新状态向量和更新状态协方差矩阵同化到泥沙悬沙实测第一降噪数据集中，得到同化系数。
本发明实施例通过构建一个适当的同化算法模型将更新后的状态向量和状态协方差矩阵同化到泥沙悬沙实测第一降噪数据集当中，并与泥沙悬沙实测第一降噪数据集进行比较，修正泥沙悬沙实测第一降噪数据集中悬沙浓度的状态向量和状态协方差矩阵，最终得到同化系数。
本发明通过多因子卡尔曼滤波算法模型将泥沙悬沙实测第二数据集同化到泥沙悬沙实测第一数据集中，该多因子卡尔曼滤波算法模型是一种针对泥沙悬沙实测数据集的数据处理方法，可以用于对泥沙悬沙实测数据集进行状态估计处理，从而得到更加准确和可靠的同化系数，为后续的面同化处理过程提供了数据基础。在构建多因子卡尔曼滤波算法模型时，首先需要构建预测算法模型、更新算法模型和同化算法模型。预测算法模型用于预测下一个时刻的状态向量和状态协方差矩阵，该预测算法模型根据已知的历史数据预测未来时刻的状态，通过状态转移矩阵、观测矩阵、外界控制向量和过程噪声等因素对系统状态进行预测，状态向量表示状态变量在某一时刻的值，状态协方差矩阵表示对状态向量的估计误差，即估计值与真实值之间的差异。利用预测算法模型可以对泥沙悬沙实测第二数据集中的悬沙浓度进行预测，获取准确的状态向量和状态协方差矩阵。更新算法模型用于将状态向量和状态协方差矩阵作为观测量进行更新，以得到更新状态向量和更新状态协方差矩阵，该更新算法模型基于贝叶斯定理，将观测值作为新信息加入到预测结果中，从而得到更加准确的状态估计。在该更新算法模型中，更新状态向量是相对于预测状态向量进行修正的结果，通过对预测状态向量进行加权平均获得，更新状态协方差矩阵是对于预测状态协方差矩阵进行修正的结果，通过对预测状态协方差矩阵与观测噪声协方差矩阵进行加权平均获得。而同化算法模型用于将更新状态向量和更新状态协方差矩阵同化到泥沙悬沙实测第一降噪数据集中，以得到同化系数。同化是将不同数据集得到的信息进行融合和交互，提高数据的可靠性和精度。同化算法模型通过对已有的数据进行重构和修正，提高数据的可靠性和精度。通过使用多因子卡尔曼滤波算法模型对泥沙悬沙实测数据集进行精确的预测、更新和同化处理，得到更加准确和可靠的泥沙悬沙实测结果并提高同化系数的可靠性和准确性。
优选地，步骤S34中同化算法模型函数公式具体为：
Figure SMS_173
；
式中，
Figure SMS_175
为同化系数，/>
Figure SMS_180
为泥沙悬沙实测第一降噪数据集中悬沙浓度的状态向量，/>
Figure SMS_181
为泥沙悬沙实测第一降噪数据集中悬沙浓度的状态协方差矩阵，/>
Figure SMS_182
为泥沙悬沙实测第一降噪数据集中悬沙浓度的噪声协方差矩阵，/>
Figure SMS_183
为空间维度常数，/>
Figure SMS_184
为指数函数，/>
Figure SMS_185
为泥沙悬沙实测第二数据集中悬沙浓度的更新状态向量，/>
Figure SMS_174
为泥沙悬沙实测第二数据集中悬沙浓度的更新状态协方差矩阵，/>
Figure SMS_176
为在/>
Figure SMS_177
时刻的条件下/>
Figure SMS_178
时刻泥沙悬沙实测第一降噪数据集中悬沙浓度的状态估计向量，/>
Figure SMS_179
为同化系数的修正值。
本发明构建了一个同化算法模型的函数公式，用于将利用更新算法模型得到的更新状态向量和更新状态协方差矩阵同化到泥沙悬沙实测第一降噪数据集中，该同化算法模型可以将更新后的数据和实测数据进行协同处理，以得到同化系数，为后续的面同化处理过程提供了数据基础。通过同化处理，可以将更新后的数据与实测数据相结合，得到更加精确的悬沙浓度分布信息。同时，同化系数可以用来评估预测和观测数据之间的差异，进而提高预测的精度和可靠性。该函数公式充分考虑了泥沙悬沙实测第一降噪数据集中悬沙浓度的状态向量
Figure SMS_187
，泥沙悬沙实测第一降噪数据集中悬沙浓度的状态协方差矩阵/>
Figure SMS_188
，泥沙悬沙实测第一降噪数据集中悬沙浓度的噪声协方差矩阵/>
Figure SMS_191
，空间维度常数/>
Figure SMS_192
，泥沙悬沙实测第二数据集中悬沙浓度的更新状态向量/>
Figure SMS_195
，泥沙悬沙实测第二数据集中悬沙浓度的更新状态协方差矩阵/>
Figure SMS_196
，在/>
Figure SMS_197
时刻的条件下/>
Figure SMS_186
时刻泥沙悬沙实测第一降噪数据集中悬沙浓度的状态估计向量/>
Figure SMS_189
，根据同化系数/>
Figure SMS_190
与以上各参数之间的相互关联关系构成了一种指数函数关系/>
Figure SMS_193
，该函数公式实现了对更新状态向量和更新状态协方差矩阵的同化处理，同时，通过同化系数的修正值/>
Figure SMS_194
的引入可以根据实际情况进行调整，从而提高同化算法模型的泛化能力和鲁棒性。
优选地，步骤S4中梅森插值算法函数公式具体为：
Figure SMS_198
；
Figure SMS_199
；
Figure SMS_200
；
式中，
Figure SMS_207
为梅森插值算法函数，/>
Figure SMS_212
为悬沙第一初始场中待估计数据点的水平位置，/>
Figure SMS_214
为悬沙第一初始场中待估计数据点的垂直位置，/>
Figure SMS_215
为悬沙第一初始场中已知数据点的数量，/>
Figure SMS_216
为悬沙第一初始场中第/>
Figure SMS_217
个已知数据点对待估计数据点位置的贡献权重函数，
Figure SMS_218
为悬沙第一初始场中第/>
Figure SMS_201
个已知数据点的悬沙浓度值，/>
Figure SMS_203
为悬沙第一初始场中第/>
Figure SMS_206
个已知数据点的水平位置，/>
Figure SMS_208
为悬沙第一初始场中第/>
Figure SMS_209
个已知数据点的垂直位置，/>
Figure SMS_210
为水平位置的插值调和平滑参数，/>
Figure SMS_211
为垂直位置的插值调和平滑参数，/>
Figure SMS_213
为同化系数，/>
Figure SMS_202
为悬沙第一初始场，/>
Figure SMS_204
为悬沙第二初始场，/>
Figure SMS_205
为梅森插值算法函数的修正值。
本发明构建了一个梅森插值算法函数的公式，用于使用同化系数对悬沙第一初始场进行面同化处理，该梅森插值算法通过设计合适的贡献权重函数以及相关参数，在实现的过程中，可以通过插值调和平滑参数对贡献权重函数进行调整，来提高面同化的准确性和可靠性，从而提高梅森插值算法的精度和效率。该函数公式充分考虑了悬沙第一初始场中待估计数据点的水平位置
Figure SMS_241
，悬沙第一初始场中待估计数据点的垂直位置/>
Figure SMS_242
，悬沙第一初始场中已知数据点的数量/>
Figure SMS_243
，悬沙第一初始场中第/>
Figure SMS_245
个已知数据点对待估计数据点位置的贡献权重函数/>
Figure SMS_248
，悬沙第一初始场中第/>
Figure SMS_250
个已知数据点的悬沙浓度值/>
Figure SMS_251
，悬沙第一初始场中第/>
Figure SMS_252
个已知数据点的水平位置/>
Figure SMS_253
，悬沙第一初始场中第/>
Figure SMS_254
个已知数据点的垂直位置/>
Figure SMS_255
，水平位置的插值调和平滑参数/>
Figure SMS_256
，垂直位置的插值调和平滑参数/>
Figure SMS_258
，同化系数/>
Figure SMS_259
，悬沙第一初始场/>
Figure SMS_262
，悬沙第二初始场/>
Figure SMS_219
，梅森插值算法函数的修正值/>
Figure SMS_221
，其中通过悬沙第一初始场中待估计数据点的水平位置/>
Figure SMS_222
，悬沙第一初始场中待估计数据点的垂直位置/>
Figure SMS_223
，悬沙第一初始场中已知数据点的数量/>
Figure SMS_224
，悬沙第一初始场中第/>
Figure SMS_225
个已知数据点对待估计数据点位置的贡献权重函数/>
Figure SMS_226
以及悬沙第一初始场中第/>
Figure SMS_230
个已知数据点的悬沙浓度值/>
Figure SMS_231
构成了梅森插值算法函数/>
Figure SMS_232
关系/>
Figure SMS_234
，同时，通过梅森插值算法函数的修正值/>
Figure SMS_236
的引入可以根据面同化过程中出现的特殊情况进行调整，从而提高梅森插值算法的准确性和适用性，然后，通过悬沙第一初始场中待估计数据点的水平位置/>
Figure SMS_237
，悬沙第一初始场中待估计数据点的垂直位置/>
Figure SMS_238
，悬沙第一初始场中已知数据点的数量/>
Figure SMS_239
，悬沙第一初始场中第/>
Figure SMS_240
个已知数据点的水平位置/>
Figure SMS_220
，悬沙第一初始场中第/>
Figure SMS_227
个已知数据点的垂直位置/>
Figure SMS_228
，水平位置的插值调和平滑参数/>
Figure SMS_229
以及垂直位置的插值调和平滑参数/>
Figure SMS_233
构成了悬沙第一初始场中第/>
Figure SMS_235
个已知数据点对待估计数据点位置的贡献权重函数/>
Figure SMS_244
关系
Figure SMS_246
，最后，根据悬沙第二初始场/>
Figure SMS_247
与同化系数/>
Figure SMS_249
，悬沙第一初始场/>
Figure SMS_257
，梅森插值算法函数/>
Figure SMS_260
构成了一种函数关系/>
Figure SMS_261
，从而获得更加准确的悬沙第二初始场。
优选地，步骤S5包括以下步骤：
步骤S51：对悬沙第二初始场进行数据采集和归一化处理，得到泥沙悬沙数据；
本发明实施例通过对悬沙第二初始场进行数据采集处理，获取悬沙第二初始场中的数据，然后通过Z-score标准化方法对采集到的数据进行归一化处理，以消除数据之间的差异性，最终得到泥沙悬沙数据。
步骤S52：利用预设的基于高斯过程回归的泥沙浓度预测模型对泥沙悬沙数据进行模型训练，并通过交叉验证方法对泥沙浓度预测模型进行模型评估，以生成泥沙悬沙场估计数据；
本发明实施例通过利用高斯过程回归算法构建泥沙浓度预测模型，将泥沙浓度预测问题转化为回归问题，并通过构建的泥沙浓度预测模型对泥沙悬沙数据进行模型训练，通过该泥沙浓度预测模型对泥沙悬沙数据中的泥沙浓度进行估计。模型训练可以采用泥沙悬沙数据的悬沙浓度与其对应的泥沙浓度数据进行，通过最大化似然函数来优化模型参数。在模型训练完成后，通过采用交叉验证方法对模型进行评估，避免泥沙浓度预测模型的过拟合和欠拟合，从而选择最优的模型参数以达到模型最佳性能，最终生成更加准确的泥沙悬沙场估计数据。
步骤S53：利用预设的基于离散元法的微观模型对泥沙悬沙场估计数据进行模型训练，以生成泥沙运动估计数据；
本发明实施例通过利用离散元法对泥沙悬沙场估计数据进行建模，构建微观模型模拟泥沙在河口的运动过程，并以此来预测泥沙的分布情况。模型训练通过采用泥沙悬沙场估计数据中的河口地形、泥沙属性以及水动力学参数等数据进行模拟预测，通过求解离散元方程来计算泥沙的运动情况，最终生成泥沙运动估计数据。
步骤S54：将基于高斯过程回归的泥沙浓度预测模型和基于离散元法的微观模型的输出进行集成处理生成河口二维泥沙模型，并对河口二维泥沙模型参数进行优化处理，以生成河口二维泥沙模型初始场。
本发明实施例通过对泥沙浓度预测模型和微观模型的输出进行集成处理生成河口二维泥沙模型，通过河口二维泥沙模型获取泥沙分布的综合预测结果。在集成处理时，需要对两个模型的输出进行权重调整，并通过优化河口二维泥沙模型参数来提高预测精度，最终生成用于河口二维泥沙模型模拟的较为准确的河口二维泥沙模型初始场。
本发明通过对悬沙第二初始场进行数据采集并进行数据预处理，能够确保数据的准确性和可信度，同时，通过对采集到的数据进行归一化处理可以消除数据间的差异性，确保数据的可比性，为后续的模型生成和分析提供可靠的数据基础。利用高斯过程回归算法构建泥沙浓度预测模型，通过泥沙浓度预测模型对采集得到的泥沙悬沙数据进行模型训练，建立泥沙浓度与泥沙悬沙数据之间的关系，并通过交叉验证方法对泥沙浓度预测模型进行评估，确保泥沙浓度预测模型的准确性和有效性，可以准确地获取悬沙第二初始场中各个区域的泥沙浓度，并生成准确的泥沙悬沙场估计数据。然后，通过离散元法对泥沙悬沙场估计数据进行建模，以得到泥沙运动估计数据。离散元方法是一种用于模拟颗粒材料力学行为的数值方法，可对颗粒之间的相互作用进行模拟，从而提供了有效的工具用于河口泥沙输移模拟。最后，通过生成的泥沙悬沙估计数据和泥沙运动估计数据进行集成处理生成河口二维泥沙模型，并对河口二维泥沙模型参数进行优化处理，可以提高河口二维泥沙模型的精度和适应性，进一步生成用于河口二维泥沙模型模拟的较为准确的河口二维泥沙模型初始场。
优选地，本发明还提供了一种河口二维泥沙模型生成系统，包括：
至少一个处理器；
与至少一个处理器通信连接的存储器；
存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行如上任一项所述的河口二维泥沙模型生成方法。
综上所述，本发明提供了一种河口二维泥沙模型生成系统，该系统能够实现本发明所述任意一种河口二维泥沙模型生成方法，用于联合存储器、处理器及存储器上运行的计算机程序之间的操作实现一种河口二维泥沙模型生成方法，系统内部结构互相协作，该河口二维泥沙模型生成系统通过综合应用遥感技术、数学算法模型和机器学习等技术手段，精准的生成河口二维泥沙模型，通过遥感技术获取区域范围内的悬沙分布信息，利用悬沙筛选整合算法对悬沙第一初始场的实时监测和整编处理以及悬沙降噪算法对整编处理后的泥沙悬沙实测第一数据集进行降噪处理，能够提高泥沙悬沙数据的准确性和可靠性。然后，通过多因子卡尔曼滤波算法将利用实时监测技术提取的泥沙悬沙实测第二数据集同化到泥沙悬沙实测第一数据集中，可以提高河口二维泥沙模型的预测能力和精度。通过梅森插值算法利用同化过程得到的同化系数对悬沙第一初始场进行面同化处理，可以改善河口二维泥沙模型的空间连续性和预测精度。最后，通过基于高斯过程回归的机器学习模型和基于离散元法的微观模型的集成对面同化处理后得到的悬沙第二初始场进行模型训练以生成河口二维泥沙模型，并通过对河口二维泥沙模型参数进行优化处理，进一步生成用于河口二维泥沙模型模拟的较为准确的河口二维泥沙模型初始场，从而提高河口二维泥沙模型的适用性和普适性。通过自动化和智能化的数据处理流程，可以大大减少重复工作和人力投入，提高数据处理的效率和质量，从而简化了系统的操作流程。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种河口二维泥沙模型生成方法，其特征在于，包括以下步骤：
步骤S1：通过遥感技术获取区域范围内的悬沙分布信息，生成悬沙第一初始场；利用悬沙筛选整合算法对悬沙第一初始场进行实时监测和整编处理，得到泥沙悬沙实测第一数据集；
步骤S2：利用悬沙降噪算法对泥沙悬沙实测第一数据集进行降噪处理，得到泥沙悬沙实测第一降噪数据集；利用实时监测技术对悬沙第一初始场进行实测资料点提取处理，得到泥沙悬沙实测第二数据集；
步骤S3：通过多因子卡尔曼滤波算法模型将泥沙悬沙实测第二数据集同化到泥沙悬沙实测第一降噪数据集中，得到同化系数；
步骤S4：根据梅森插值算法利用同化系数对悬沙第一初始场进行面同化处理，以生成悬沙第二初始场；
步骤S5：利用预设的基于高斯过程回归的机器学习模型和基于离散元法的微观模型的集成生成河口二维泥沙模型对悬沙第二初始场进行模型训练，以生成河口二维泥沙模型初始场。
2.根据权利要求1所述的河口二维泥沙模型生成方法，其特征在于，步骤S1包括以下步骤：
步骤S11：通过遥感传感器利用遥感技术获取区域范围内的悬沙分布信息，以生成悬沙第一初始场；
步骤S12：利用无线传输技术对悬沙第一初始场进行实时监测，得到泥沙悬沙实测资料；
步骤S13：利用悬沙筛选整合算法对泥沙悬沙实测资料进行筛选整编处理，得到泥沙悬沙实测第一数据集。
3.根据权利要求2所述的河口二维泥沙模型生成方法，其特征在于，步骤S13中的悬沙筛选整合算法函数公式具体为：
Figure QLYQS_1
；
式中，
Figure QLYQS_3
为悬沙筛选整合算法函数，/>
Figure QLYQS_5
为第/>
Figure QLYQS_6
个泥沙悬沙实测资料在筛选区域内的水平位置，/>
Figure QLYQS_8
为第/>
Figure QLYQS_10
个泥沙悬沙实测资料在筛选区域内的垂直位置，/>
Figure QLYQS_12
为泥沙悬沙实测资料的数量，/>
Figure QLYQS_15
为第/>
Figure QLYQS_16
个泥沙悬沙实测资料样本点，/>
Figure QLYQS_17
为第/>
Figure QLYQS_19
个泥沙悬沙实测资料样本点的悬沙质量流量，/>
Figure QLYQS_21
为指数函数，/>
Figure QLYQS_23
为筛选中心水平位置，/>
Figure QLYQS_25
为筛选中心垂直位置，/>
Figure QLYQS_27
为筛选中心水平位置的标准差，/>
Figure QLYQS_29
为筛选中心垂直位置的标准差，/>
Figure QLYQS_2
为第/>
Figure QLYQS_4
个泥沙悬沙实测资料样本点的高度，/>
Figure QLYQS_7
为第/>
Figure QLYQS_9
个泥沙悬沙实测资料样本点到筛选中心/>
Figure QLYQS_11
的距离，/>
Figure QLYQS_13
为控制高度贡献系数，
Figure QLYQS_14
为第/>
Figure QLYQS_18
个泥沙悬沙实测资料样本点的静水深度，/>
Figure QLYQS_20
为控制水深贡献系数，/>
Figure QLYQS_22
为第/>
Figure QLYQS_24
个泥沙悬沙实测资料样本点的坡度，/>
Figure QLYQS_26
为控制坡度贡献系数，/>
Figure QLYQS_28
为悬沙筛选整合算法函数的修正值。
4.根据权利要求1所述的河口二维泥沙模型生成方法，其特征在于，步骤S2包括以下步骤：
步骤S21：对泥沙悬沙实测第一数据集进行标准化处理，得到泥沙悬沙实测第一标准数据集；
步骤S22：利用悬沙降噪算法对泥沙悬沙实测第一标准数据集进行降噪处理，得到泥沙悬沙实测第一降噪数据集；
步骤S23：利用实时监测技术对悬沙第一初始场的泥沙悬沙实测资料进行实测资料点提取处理，得到泥沙悬沙实测第二数据集。
5.根据权利要求4所述的河口二维泥沙模型生成方法，其特征在于，步骤S22包括以下步骤：
步骤S221：利用悬沙降噪算法对泥沙悬沙实测第一标准数据集进行降噪处理，得到泥沙悬沙数据噪声值；
其中，悬沙降噪算法的函数公式如下所示：
Figure QLYQS_30
；
式中，
Figure QLYQS_32
为泥沙悬沙实测第一标准数据集中样本点/>
Figure QLYQS_34
的泥沙悬沙数据噪声值，
Figure QLYQS_35
为降噪平滑指数型核函数，/>
Figure QLYQS_36
为积分区域内的离散化中心点，/>
Figure QLYQS_37
为离散化中心点的悬沙浓度数据，/>
Figure QLYQS_38
为悬沙浓度数据在泥沙悬沙实测第一标准数据集中样本点/>
Figure QLYQS_39
处的变化率分布函数，/>
Figure QLYQS_31
为正则化参数，/>
Figure QLYQS_33
为泥沙悬沙数据噪声值的修正值；
步骤S222：根据预设的泥沙悬沙数据噪声阈值对泥沙悬沙数据噪声值进行判断，若泥沙悬沙数据噪声值大于或等于预设的泥沙悬沙数据噪声阈值时，则剔除该泥沙悬沙数据噪声值对应的泥沙悬沙实测第一标准数据集，得到泥沙悬沙实测第一降噪数据集；
步骤S223：根据预设的泥沙悬沙数据噪声阈值对泥沙悬沙数据噪声值进行判断，若泥沙悬沙数据噪声值小于预设的泥沙悬沙数据噪声阈值时，则将该泥沙悬沙数据噪声值对应的泥沙悬沙实测第一标准数据集定义为泥沙悬沙实测第一降噪数据集。
6.根据权利要求1所述的河口二维泥沙模型生成方法，其特征在于，步骤S3包括以下步骤：
步骤S31：构建多因子卡尔曼滤波算法模型，其中多因子卡尔曼滤波算法模型包括预测算法模型、更新算法模型和同化算法模型；
步骤S32：利用预测算法模型对泥沙悬沙实测第二数据集进行预测处理，得到状态向量和状态协方差矩阵；
其中，预测算法模型如下所示：
Figure QLYQS_40
；
Figure QLYQS_41
；
式中，
Figure QLYQS_44
为泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure QLYQS_46
时刻的状态向量，/>
Figure QLYQS_48
为泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure QLYQS_49
时刻的状态向量，/>
Figure QLYQS_51
为泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure QLYQS_53
时刻的状态转移矩阵，/>
Figure QLYQS_55
为泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure QLYQS_42
时刻的观测矩阵，/>
Figure QLYQS_45
为泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure QLYQS_47
时刻的外界控制向量，/>
Figure QLYQS_50
为泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure QLYQS_52
时刻的过程噪声，/>
Figure QLYQS_54
为泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure QLYQS_56
时刻的状态协方差矩阵，/>
Figure QLYQS_57
为状态协方差矩阵的转置矩阵，/>
Figure QLYQS_43
为过程噪声协方差矩阵；
步骤S33：利用更新算法模型将状态向量和状态协方差矩阵作为观测量并进行更新处理，得到更新状态向量和更新状态协方差矩阵；
其中，更新算法模型如下所示：
Figure QLYQS_58
；
Figure QLYQS_59
；
式中，
Figure QLYQS_60
为泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure QLYQS_61
时刻的更新状态向量，/>
Figure QLYQS_62
为观测量的数量，/>
Figure QLYQS_64
为第/>
Figure QLYQS_65
个观测量在第/>
Figure QLYQS_67
时刻的状态协方差矩阵，/>
Figure QLYQS_69
为第/>
Figure QLYQS_63
个观测量在第
Figure QLYQS_66
时刻的状态向量，/>
Figure QLYQS_68
为第/>
Figure QLYQS_70
个观测量在第/>
Figure QLYQS_71
时刻的观测噪声，/>
Figure QLYQS_72
为泥沙悬沙实测第二数据集中悬沙浓度在第/>
Figure QLYQS_73
时刻的更新状态协方差矩阵；
步骤S34：利用同化算法模型将更新状态向量和更新状态协方差矩阵同化到泥沙悬沙实测第一降噪数据集中，得到同化系数。
7.根据权利要求6所述的河口二维泥沙模型生成方法，其特征在于，步骤S34中同化算法模型函数公式具体为：
Figure QLYQS_74
；
式中，
Figure QLYQS_76
为同化系数，/>
Figure QLYQS_77
为泥沙悬沙实测第一降噪数据集中悬沙浓度的状态向量，/>
Figure QLYQS_79
为泥沙悬沙实测第一降噪数据集中悬沙浓度的状态协方差矩阵，/>
Figure QLYQS_81
为泥沙悬沙实测第一降噪数据集中悬沙浓度的噪声协方差矩阵，/>
Figure QLYQS_83
为空间维度常数，/>
Figure QLYQS_85
为指数函数，/>
Figure QLYQS_86
为泥沙悬沙实测第二数据集中悬沙浓度的更新状态向量，/>
Figure QLYQS_75
为泥沙悬沙实测第二数据集中悬沙浓度的更新状态协方差矩阵，/>
Figure QLYQS_78
为在/>
Figure QLYQS_80
时刻的条件下/>
Figure QLYQS_82
时刻泥沙悬沙实测第一降噪数据集中悬沙浓度的状态估计向量，/>
Figure QLYQS_84
为同化系数的修正值。
8.根据权利要求1所述的河口二维泥沙模型生成方法，其特征在于，步骤S4中梅森插值算法函数公式具体为：
Figure QLYQS_87
；
Figure QLYQS_88
；
Figure QLYQS_89
；
式中，
Figure QLYQS_96
为梅森插值算法函数，/>
Figure QLYQS_98
为悬沙第一初始场中待估计数据点的水平位置，/>
Figure QLYQS_100
为悬沙第一初始场中待估计数据点的垂直位置，/>
Figure QLYQS_102
为悬沙第一初始场中已知数据点的数量，/>
Figure QLYQS_104
为悬沙第一初始场中第/>
Figure QLYQS_106
个已知数据点对待估计数据点位置的贡献权重函数，/>
Figure QLYQS_107
为悬沙第一初始场中第/>
Figure QLYQS_90
个已知数据点的悬沙浓度值，/>
Figure QLYQS_93
为悬沙第一初始场中第/>
Figure QLYQS_95
个已知数据点的水平位置，/>
Figure QLYQS_97
为悬沙第一初始场中第/>
Figure QLYQS_99
个已知数据点的垂直位置，/>
Figure QLYQS_101
为水平位置的插值调和平滑参数，/>
Figure QLYQS_103
为垂直位置的插值调和平滑参数，/>
Figure QLYQS_105
为同化系数，/>
Figure QLYQS_91
为悬沙第一初始场，/>
Figure QLYQS_92
为悬沙第二初始场，/>
Figure QLYQS_94
为梅森插值算法函数的修正值。
9.根据权利要求1所述的河口二维泥沙模型生成方法，其特征在于，步骤S5包括以下步骤：
步骤S51：对悬沙第二初始场进行数据采集和归一化处理，得到泥沙悬沙数据；
步骤S52：利用预设的基于高斯过程回归的泥沙浓度预测模型对泥沙悬沙数据进行模型训练，并通过交叉验证方法对泥沙浓度预测模型进行模型评估，以生成泥沙悬沙场估计数据；
步骤S53：利用预设的基于离散元法的微观模型对泥沙悬沙场估计数据进行模型训练，以生成泥沙运动估计数据；
步骤S54：将基于高斯过程回归的泥沙浓度预测模型和基于离散元法的微观模型的输出进行集成处理生成河口二维泥沙模型，并对河口二维泥沙模型参数进行优化处理，以生成河口二维泥沙模型初始场。
10.一种河口二维泥沙模型生成系统，其特征在于，包括：
至少一个处理器；
与至少一个处理器通信连接的存储器；
存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行如权利要求1至9中任一项所述的河口二维泥沙模型生成方法。
CN202310684887.XA 2023-06-12 2023-06-12 一种河口二维泥沙模型生成方法及系统 Active CN116415508B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310684887.XA CN116415508B (zh) 2023-06-12 2023-06-12 一种河口二维泥沙模型生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310684887.XA CN116415508B (zh) 2023-06-12 2023-06-12 一种河口二维泥沙模型生成方法及系统

Publications (2)

Publication Number Publication Date
CN116415508A true CN116415508A (zh) 2023-07-11
CN116415508B CN116415508B (zh) 2023-10-13

Family

ID=87056338

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310684887.XA Active CN116415508B (zh) 2023-06-12 2023-06-12 一种河口二维泥沙模型生成方法及系统

Country Status (1)

Country Link
CN (1) CN116415508B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116597939A (zh) * 2023-07-17 2023-08-15 青岛市即墨区人民医院 基于大数据的药品质量控制管理分析系统及方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070219725A1 (en) * 2004-09-10 2007-09-20 Tao Sun Method For Evaluating Sedimentary Basin Properties By Numerical Modeling Of Sedimentation Processes
CN102004856A (zh) * 2010-11-27 2011-04-06 中国海洋大学 高频观测资料实时数据的快速集合卡曼滤波同化方法
CN103886187A (zh) * 2014-03-06 2014-06-25 清华大学 一种基于数据同化的河道水沙实时预测方法
CN103900938A (zh) * 2014-04-18 2014-07-02 淮海工学院 一种分离海底沉积物再悬浮过程中悬沙浓度的方法
CN107633141A (zh) * 2017-09-22 2018-01-26 中国水利水电科学研究院 一种一维水动力模型泵站特性曲线系数的辨识方法
CN107798176A (zh) * 2017-10-12 2018-03-13 交通运输部天津水运工程科学研究所 一种高低浓度自适应的泥沙运动数值模拟方法
CN108334660A (zh) * 2017-12-28 2018-07-27 中国水利水电科学研究院 一种基于数据同化的强冲积河流的水沙预测方法和系统
CN108563837A (zh) * 2018-03-21 2018-09-21 中国水利水电科学研究院 一种冲积河流水沙模型的模型参数实时校正方法和系统
CN111428419A (zh) * 2020-02-29 2020-07-17 中山大学 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质
CN113155691A (zh) * 2021-04-19 2021-07-23 西安新汇泽测控技术有限公司 一种矩阵式径流泥沙含量检测设备及检测方法
KR102355001B1 (ko) * 2021-08-24 2022-01-24 서울대학교 산학협력단 기계학습 회귀모형과 확률론적 군집화 방법을 이용하여 초분광 영상자료로부터 하천 부유사 농도의 공간분포를 산정하는 방법
CN115711838A (zh) * 2022-04-13 2023-02-24 浙江工商大学 基于人工神经网络和高分1号卫星反演水体悬浮泥沙的方法及其应用

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070219725A1 (en) * 2004-09-10 2007-09-20 Tao Sun Method For Evaluating Sedimentary Basin Properties By Numerical Modeling Of Sedimentation Processes
CN102004856A (zh) * 2010-11-27 2011-04-06 中国海洋大学 高频观测资料实时数据的快速集合卡曼滤波同化方法
CN103886187A (zh) * 2014-03-06 2014-06-25 清华大学 一种基于数据同化的河道水沙实时预测方法
CN103900938A (zh) * 2014-04-18 2014-07-02 淮海工学院 一种分离海底沉积物再悬浮过程中悬沙浓度的方法
CN107633141A (zh) * 2017-09-22 2018-01-26 中国水利水电科学研究院 一种一维水动力模型泵站特性曲线系数的辨识方法
CN107798176A (zh) * 2017-10-12 2018-03-13 交通运输部天津水运工程科学研究所 一种高低浓度自适应的泥沙运动数值模拟方法
CN108334660A (zh) * 2017-12-28 2018-07-27 中国水利水电科学研究院 一种基于数据同化的强冲积河流的水沙预测方法和系统
CN108563837A (zh) * 2018-03-21 2018-09-21 中国水利水电科学研究院 一种冲积河流水沙模型的模型参数实时校正方法和系统
CN111428419A (zh) * 2020-02-29 2020-07-17 中山大学 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质
CN113155691A (zh) * 2021-04-19 2021-07-23 西安新汇泽测控技术有限公司 一种矩阵式径流泥沙含量检测设备及检测方法
KR102355001B1 (ko) * 2021-08-24 2022-01-24 서울대학교 산학협력단 기계학습 회귀모형과 확률론적 군집화 방법을 이용하여 초분광 영상자료로부터 하천 부유사 농도의 공간분포를 산정하는 방법
CN115711838A (zh) * 2022-04-13 2023-02-24 浙江工商大学 基于人工神经网络和高分1号卫星反演水体悬浮泥沙的方法及其应用

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
O GOURGUE ET AL: "A depth-averaged two-dimensional sediment transport model for environmental studies in the Scheldt Estuary and tidal river network", JOURNAL OF MARINE SYSTEMS, pages 27 *
付雅琼: "基于UHF的受限状态估计研究与应用", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, pages 035 - 869 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116597939A (zh) * 2023-07-17 2023-08-15 青岛市即墨区人民医院 基于大数据的药品质量控制管理分析系统及方法

Also Published As

Publication number Publication date
CN116415508B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN107765347B (zh) 一种高斯过程回归和粒子滤波的短期风速预测方法
Pechlivanidis et al. Catchment scale hydrological modelling: A review of model types, calibration approaches and uncertainty analysis methods in the context of recent developments in technology and applications
CN108918815B (zh) 一种土壤重金属风险预测方法
CN116415508B (zh) 一种河口二维泥沙模型生成方法及系统
JP7043983B2 (ja) 汚水処理施設の水質判定装置及び水質判定方法
Zhu et al. Probability density function of bubble size based reagent dosage predictive control for copper roughing flotation
CN104899448B (zh) 一种集合卡尔曼滤波静态局地化方案的自适应补偿方法
CN115935834A (zh) 一种基于深度自回归网络和持续学习策略的历史拟合方法
CN117077554B (zh) 一种基于ConvGRU的三维咸潮预报方法
CN117113854B (zh) 一种基于ConvLSTM和三维数值模拟的咸潮预报方法
CN116227390B (zh) 一种河道水环境整治与水生态修复方法及系统
Hofierka et al. Optimisation of interpolation parameters using cross-validation
CN118350678B (zh) 基于物联网与大数据的水环境监测数据处理方法及系统
CN117405175B (zh) 海洋环境智能监测系统
Nieto et al. A new predictive model for the outlet turbidity in micro-irrigation sand filters fed with effluents using Gaussian process regression
De Lannoy et al. Adaptive soil moisture profile filtering for horizontal information propagation in the independent column-based CLM2. 0
CN112132324A (zh) 一种基于深度学习模型的超声波水表数据修复方法
Schmidt et al. Modeling cloud reflectance fields using conditional generative adversarial networks
Chiaburu et al. Interpretable Time Series Models for Wastewater Modeling in Combined Sewer Overflows
CN104537167B (zh) 基于鲁棒区间极限学习机的区间型指标预报方法
CN118262342B (zh) 一种基于ai粒径识别的上坝料精准加水方法
CN118643410B (zh) 基于动态指数图谱的海洋环境参数估计方法及系统
Latifoğlu et al. Prediction of daily streamflow data using ensemble learning models
Sun et al. Surrogate Neural Networks to Estimate Parametric Sensitivity of Ocean Models
CN118707061A (zh) 一种水利工程中的水质分析系统

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
GR01 Patent grant
GR01 Patent grant