CN116629640A - 高寒区水电梯级开发的生物生境影响评估方法及系统 - Google Patents
高寒区水电梯级开发的生物生境影响评估方法及系统 Download PDFInfo
- Publication number
- CN116629640A CN116629640A CN202310892453.9A CN202310892453A CN116629640A CN 116629640 A CN116629640 A CN 116629640A CN 202310892453 A CN202310892453 A CN 202310892453A CN 116629640 A CN116629640 A CN 116629640A
- Authority
- CN
- China
- Prior art keywords
- biological
- evaluation
- hydropower
- hydrologic
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000011161 development Methods 0.000 title claims abstract description 52
- 238000011156 evaluation Methods 0.000 claims abstract description 117
- 230000004044 response Effects 0.000 claims abstract description 28
- 238000013441 quality evaluation Methods 0.000 claims abstract description 27
- 238000011160 research Methods 0.000 claims abstract description 27
- 230000035772 mutation Effects 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000010998 test method Methods 0.000 claims abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000000694 effects Effects 0.000 claims description 19
- 230000033228 biological regulation Effects 0.000 claims description 17
- 230000004071 biological effect Effects 0.000 claims description 16
- 238000001303 quality assessment method Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 13
- 239000004973 liquid crystal related substance Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000013077 scoring method Methods 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 description 36
- 230000007613 environmental effect Effects 0.000 description 8
- 241000251468 Actinopterygii Species 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000003698 anagen phase Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明公开了一种高寒区水电梯级开发的生物生境影响评估方法，包括如下步骤：确定评估区域和评估时期，获取研究数据，生成水文时间序列数据和水电拓扑，筛选出敏感生物，构建水文生态响应关系；构建趋势检验法，对评估时期的水文时间序列数据进行处理，获得突变点数据，根据突变点将评估时期分为至少两个评估区间；针对每个评估区间，根据水文生态响应关系，逐一计算水电拓扑中的生物生境质量并累加，获得评估时期的总的生物生境质量，形成生物生境质量评估模型。本发明针对高寒区水电梯级开发提供了一种新的生物生境影响评估方法，能够准确地对高寒区的水电群开发造成的生态影响进行评估。
Description
技术领域
本发明涉及生物生境影响评估方法，尤其是高寒区水电梯级开发的生物生境影响评估方法。
背景技术
高寒区水电梯级开发是一种利用沿着河流或河段的上游到下游阶梯形式修建一系列水电站的方式，以充分利用水能资源。该开发方式在高海拔、低温、缺氧和生态脆弱的地区具有重要的经济、社会和生态价值，既可以满足西部地区和东部地区的电力需求，又可以促进当地经济发展和民生改善，同时还可以减少温室气体排放并保护生物多样性。然而，高寒区水电梯级开发也面临着工程建设难度大、气候变化影响大、生态系统敏感性高和水文变化复杂等技术挑战和环境风险。
为了保障高寒区水电梯级开发的安全、可靠和可持续，需要在规划、设计、建设、运行和管理各个阶段充分考虑高寒区特殊条件和影响因素，并采用先进技术手段和科学方法实现水能资源与生态环境的协调发展。其中，涵盖敏感水文-生物-生境要素的高寒区大底坡河流生物与生境质量评估技术是实现该目标的重要技术内容。
但是现有技术对与高寒区的研究比较少，缺乏相关的技术支撑。因此需要研究和创新。
发明内容
发明目的：提供一种高寒区水电梯级开发的生物生境影响评估方法，以解决现有技术存在的上述问题。根据本申请的另一方面，提供一种实现上述方法的系统。
技术方案：高寒区水电梯级开发的生物生境影响评估方法，包括如下步骤：
步骤S1、确定评估区域和评估时期，获取研究数据，生成水文时间序列数据和水电拓扑，筛选出敏感生物，构建水文生态响应关系；
步骤S2、构建趋势检验法，对评估时期的水文时间序列数据进行处理，获得突变点数据，根据突变点将评估时期分为至少两个评估区间；
步骤S3、针对每个评估区间，根据水文生态响应关系，逐一计算水电拓扑中的生物生境质量并累加，获得评估时期的总的生物生境质量，形成生物生境质量评估模型；
步骤S4、构建示范区，采用生物生境质量评估模型评价示范区的水文生态环境，验证和优化生物生境质量评估模型，并构建示范区的水电开发和水力调度建议集合。
根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、读取研究数据并构建至少包括高程信息的水电拓扑；
步骤S12、读取研究数据，获取生物种群信息，并从生物种群中筛选至少N种敏感生物，其中N为大于1的自然数；
步骤S13、构建CNN模型，以水文时间序列数据和敏感生物作为训练数据，学习水文生态响应关系。
根据本申请的一个方面，所述步骤S11进一步为：
步骤S11a、读取研究数据，构建评估区域的三维GIS模型，抽取水电拓扑，生成基础水电拓扑并概化，形成基础水电拓扑矩阵；
步骤S11b、构建与所述基础水电拓扑矩阵同型的水文修正矩阵；
步骤S11c、采用研究数据对基础拓扑矩阵和水文修正矩阵的参数进行优化。
根据本申请的一个方面，所述步骤S12进一步为：
步骤S12a、将评估时期按照水文气象的周期性划分为M个评估时段，M为大于1的自然数；
步骤S12b、针对每一评估时段，采集研究区域中典型区域的生物种群作为监测对象，确定监测点位和监测频次，获取生物种群中每一生物的数量、种类和生物类，形成生物活动数据集；
步骤S12c、对生物活动数据集进行分析，针对各个典型区域的每一评估时段，筛选敏感生物，为敏感生物赋予指标和权重，获得敏感生物评分集合，基于敏感生物评分集合构建生物生境质量评估模型。
根据本申请的一个方面，所述步骤S2进一步包括：
步骤S21、构建趋势分析方法集合，所述趋势分析方法至少包括MK检验法、Spearman秩次相关法和线性回归法；
步骤S22、读取水文时间序列数据，并采用每个趋势分析方法进行处理，确定趋势的方向和大小，获得突变点数据并合并突变点；
步骤S23、基于突变点将评估时期分为至少两个评估区间；针对每个评估区间，获取评估时段与评估区间的归属关系，将各个评估时段划分至临近的评估区间；
步骤S24、针对每个评估区间，优化生物生境质量评估模型参数。
根据本申请的一个方面，所述步骤S3进一步包括：
步骤S31、获取典型区域，建立生物生境动态范围，针对每个评估区间的每一评估时段，采集水文数据，并基于水文数据构建生物生境动态范围的校正系数；
步骤S32、针对每一评估区间，调用优化过参数的生物生境质量评估模型，针对每一评估时段的典型区域，通过生物生境动态范围和校正系数，计算水文参数，并根据水文生态响应关系，并结合敏感生物监测数据，计算生物生境质量；
步骤S33、累加各个评估区间的生物生境质量，得到评估区域的总的生物生境质量；
步骤S34、验证和优化每一评估区间对应的生物生境质量评估模型，形成总体的生物生境质量评估模型。
根据本申请的一个方面，所述步骤S31进一步为：
步骤S31a、获取典型区域，根据水电拓扑和实地考察筛选出重点区域，划定重点区域的上下游边界；
步骤S31b、获取生物活动数据集，根据生物活动范围，将同一敏感生物活动的相邻的重点区域连通；
步骤S31c、获取水电站建设前后重点区域的水位变化数据，根据每个敏感生物的活动深度，划定重点区域的深度方向边界；
步骤S32d、收集重点区域各个采集点的水文数据，构建重点区域的基于水文数据构建生物生境动态范围的校正系数。
根据本申请的一个方面，所述步骤S32中，在计算水文参数时还包括：
步骤S32a、根据水电调控数据，根据水电拓扑将评估时段划分为调控期和稳定期；
步骤S32b、至少读取水文数据下泄水流速度、持续时间和水位变化数据，划定调控期的重点区域范围和调控期的校正系数，对调控期的重点区域的生物生境质量进行评估；
步骤S33c、绘制每一评估时段的重点区域边界和校正系数变化趋势图。
根据本申请的一个方面，所述步骤S4包括：
步骤S41、选择典型区域作为示范区，基于构建的生物生境质量评估模型和传统生物生境评估方法对示范区的水文生态环境进行评估；
步骤S42、采用专家评分法对生物生境质量评估模型进行评分，并对生物生境质量评估模型进行优化；
步骤S43、在采用水利调度策略后，采用优化后的生物生境质量评估模型对水利调度策略进行评价。
根据本申请的另一个方面，高寒区水电梯级开发的生物生境影响评估系统，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任一项技术方案所述的高寒区水电梯级开发的生物生境影响评估方法。
有益效果：本发明针对水文生态响应关系和河流水电梯级开发的生物生境响应机制，提出了高寒区水电梯级开发的生物生境影响评估方法。该方法能够根据水文生态响应关系，逐一计算水电拓扑中的生物生境质量，并累加得到评估时期的总的生物生境质量，从而反映水电梯级开发对河流生态系统的影响。通过构建适合高寒区河流的水文生态响应关系，从而提高评估方法的适用性和准确性。能够为高寒区水电梯级开发的适应性管理提供科学依据，帮助优化河流与水库生态结构功能、维持河于水库生态系统健康和平衡。
附图说明
图1是本发明的流程图。
图2是本发明步骤S1的流程图。
图3是本发明步骤S2的流程图。
图4是本发明步骤S3的流程图。
图5是本发明步骤S4的流程图。
具体实施方式
需要说明的是，由于方法的过程较为复杂，有些部分涉及现有技术，为了突出本申请的改进点，更加清晰地描述本申请的创新之处，对于部分现有技术进行了略写。
水电开发在推动经济社会发展、改善能源结构、应对气候变化等方面发挥了重要作用。但在快速开发的过程中，由于对生态环境影响的认识不够，造成保护措施不到位，给河流的生态环境带来了一定的影响。因此，如何认识水电梯级开发下河流水文情势特征及生态响应关系，评估水电梯级开发对生物生境的影响程度，是目前亟需解决的技术问题。特别是高寒地区的水电梯级开发，研究资料较少。换句话说，面向高寒区河流背景研究较少，更具有复杂性，亟需依靠长时间序列观测数据。
高寒区大底坡河流的生物与生境质量受到多种因素的影响和威胁，其中最主要的是水电梯级开发。水电梯级开发会对河流自然流量、温度、溶氧等水文动力参数产生影响，从而对河流中生物种群和群落的分布、结构和功能造成影响。同时，水电梯级开发也会改变河流的河床形态、沉积物输移和水质等生物生境要素，进而影响河流中生物的栖息、繁殖和迁徙。
如图1所示，根据本申请的一个方面，提供一种高寒区水电梯级开发的生物生境影响评估方法，包括如下步骤：
步骤S1、确定评估区域和评估时期，获取研究数据，生成水文时间序列数据和水电拓扑，筛选出敏感生物，构建水文生态响应关系；
步骤S2、构建趋势检验法，对评估时期的水文时间序列数据进行处理，获得突变点数据，根据突变点将评估时期分为至少两个评估区间；
步骤S3、针对每个评估区间，根据水文生态响应关系，逐一计算水电拓扑中的生物生境质量并累加，获得评估时期的总的生物生境质量，形成生物生境质量评估模型；
步骤S4、构建示范区，采用生物生境质量评估模型评价示范区的水文生态环境，验证和优化生物生境质量评估模型，并构建示范区的水电开发和水力调度建议集合。
在高寒区，山高坡陡，河道形态多变，河流的比降较大，环境温度较低，生物种群明显有别于温带和亚热带区域。为此，经过实地考察研究，提出了本实施例的技术方案。具体而言，先确定高寒区的评估区域和评估时期，采集或者收集相关水文数据，包括地理高程数据、水文参数、电站参数和生物种群参数等等。这些数据有些通过当地水文站等相关机构收集，也有部分通过设置数据采集点，通过传感器来收集。换言之，针对高寒区收集相关数据，针对这些数据处理和训练，从而提高评价的准确性。在收集到相关数据后，由于历史上的水电建设、社会建设和气候变化等因素，会导致环境参数等发生变化，因此水文参数和生物种群等也会发生变化，因此将其进行分阶段处理，能够反应水文参数和生物种群的演化过程，从而提高对未来水利建设和调度的准确性，因此，在本方案中，对评估时期进行了划分，进而给出每个时期和整体的评估模型。紧接着，针对每个评估区间，根据水文生态响应关系，计算生物生境质量，构建生物生境质量评估模型。最后通过示范区对模型进行验证。需要说明的是，在构建水文生态响应关系时，可以构建小型的仿真模型，对敏感鱼类的生存参数进行测量，以减少在高寒区采集相关参数的工作量。通过小型仿真模型的数据与实测数据进行对比，调整数据的准确性。
在本实施例中，首先，通过构建适合高寒区河流的水文生态响应关系，提高评估方法的适用性和准确性。其次，利用趋势检验法对评估时期的水文时间序列数据进行处理，获得突变点数据，根据突变点将评估时期分为至少两个评估区间，从而考虑水电梯级开发对河流水文变化的影响。最后，累加得到评估时期的总的生物生境质量，从而反映水电梯级开发对河流生态系统的影响。
总之，本实施例为评估高寒区水电梯级开发项目对生物生境的影响提供了一种全面和科学的衡量方法。它适用于在规划和施工背景下的水电项目，帮助决策者和水电企业在设计和实施方案时优先考虑生态保护，从而支持可持续发展和生物多样性保护。
根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、读取研究数据并构建至少包括高程信息的水电拓扑；
步骤S12、读取研究数据，获取生物种群信息，并从生物种群中筛选至少N种敏感生物，其中N为大于1的自然数；
步骤S13、构建CNN（卷积神经网络）模型，以水文时间序列数据和敏感生物作为训练数据，学习水文生态响应关系。
需要说明的是，本步骤是为了获得水文生态响应关系，因此可以针对某几个采集点的数据来进行处理，采用传统方法或者卷积神经网络模型均可以实现，但是在实际研究中发现，采用卷积神经网络，速度更快，扩展性和鲁棒性更好。
由于高寒区河流的上述特点，河流之间的拓扑关系更加明确，因此如果考虑空间上的关联性，例如不同采集点属于同一干流或支流，或者存在汇流关系，则通过能够处理空间关联的DCRNN模型，能够提高关系学习的准确率，同时减少数据的采集量。具体地，给出如下方案：
在进一步的实施例中，构建DCRNN模型（扩散卷积递归神经网络模型），以水文时间序列数据和敏感生物作为训练数据，学习水文生态响应关系，具体过程为：
步骤S13a、根据高寒区水文生态系统的特点，构建水电拓扑有向图；
其中节点表示水文观测站或敏感生物分布区，边表示空间相关性或影响因素。
步骤S13b、利用水文时间序列数据，计算每条边的权重；
表示节点之间的相似度或影响程度。具体而言，可以采用基于距离、相关性或随机游走等方法来确定权重。
步骤S13c、利用扩散卷积操作，将有向图的邻接矩阵和节点特征矩阵相乘，得到新的节点特征矩阵；用以表示节点在空间上的信息传播和融合。
利用递归神经网络（如LSTM或GRU），将扩散卷积后的节点特征矩阵作为输入，学习节点在时间上的动态变化和依赖关系。
步骤S13d、利用编码器-解码器结构，将递归神经网络的输出作为编码器的输入，得到一个隐藏状态向量，表示水文生态系统的整体状态。然后将隐藏状态向量作为解码器的输入，生成未来一段时间内的水文生态预测值，获得水文生态响应关系模型。
步骤S13e、利用损失函数（如均方误差或平均绝对误差），衡量预测值和真实值之间的差异，并利用优化算法（如随机梯度下降或Adam），更新模型参数，使损失函数最小化。
在本实施例中，筛选敏感鱼类的过程，也是可以采用现有方法来实现的，因此在这个实施例中，没有进行详细地描述。
在进一步的实施例中，针对高寒区的上述特点，水电建设会导致生态拓扑关系发生改变，比如库区面积、库区水深、减水河段等发生变化，特别是不同的评估时期，比如丰平枯时期，减水河段的增加会导致河流拓扑的变化。调水期间的水位和水流速度等，也会造成生态层面的拓扑变化。换句话说，同样的物理层拓扑，比如同样的干支流河网拓扑，在物理层面是一样的，但是由于水库的工作状态不同，对于敏感鱼群而言，其拓扑结构是不同的，比如在减水河段，水位降低，鱼群的生存空间发生明显变化，空间连通性发生了根本性的改变。比如在调水时间，由于山高坡陡，水流比较急，因此对于部分敏感鱼类而言，也形成了阻碍，空间关系也发生了变化，为此，需要在基础水电拓扑的基础上，根据水文参数进行修正，从而生物生境质量评估提供更为准确的参考。或者说，物理层面相同的情况下，化学和生物层面是不同的，为此，提出如下方案。
根据本申请的一个方面，所述步骤S11进一步为：
步骤S11a、读取研究数据，构建评估区域的三维GIS模型，抽取水电拓扑，生成基础水电拓扑并概化，形成基础水电拓扑矩阵；
步骤S11b、构建与所述基础水电拓扑矩阵同型的水文修正矩阵；主要目的在于快速准确地描述研究区域内的水电系统结构和特征，为后续的模型建立和参数优化提供基础数据。水文修正矩阵可以更好地考虑不同时间段内的气象、降雨等因素对水文动力参数的影响，并对其进行修正和校正，就是对生物和化学层面进行修正，使之更加准确。
步骤S11c、采用研究数据对基础拓扑矩阵和水文修正矩阵的参数进行优化。
总之，本实施例通过对基础水电拓扑矩阵进行微调，提高模型的精确性和适应性。另外，基于研究数据对模型参数进行优化，增强针对特定问题的解决能力。
根据本申请的一个方面，所述步骤S12进一步为：
步骤S12a、将评估时期按照水文气象的周期性划分为M个评估时段，M为大于1的自然数；以更好地考虑不同季节、气候和水文条件对生态环境的影响，并更准确地反映生态系统的动态变化，提高评估的科学性和合理性。
步骤S12b、针对每一评估时段，采集研究区域中典型区域的生物种群作为监测对象，确定监测点位和监测频次，获取生物种群中每一生物的数量、种类和生物类，形成生物活动数据集；通过全面了解生物群落的数量、种类和生物类等信息，筛选出敏感生物，为后续的敏感性评价提供基础数据，能更加全面反应生物群落的情况。
步骤S12c、对生物活动数据集进行分析，针对各个典型区域的每一评估时段，筛选敏感生物，为敏感生物赋予指标和权重，获得敏感生物评分集合，基于敏感生物评分集合构建生物生境质量评估模型。可以更加客观地评价不同生物对环境变化的敏感程度，并综合考虑不同因素对生态系统稳定性和健康程度的影响。
具体而言，可以根据季节进行划分，或者根据丰平枯进行划分，在一些场景中，由于水电建设，导致水文周期性发生改变，因此可以从水文序列数据中查找水文周期。在不同的评估时段，选取的敏感生物的种类有可能是不同的，也有可能是同一生物的不同生长阶段，因此，对于不同的生物或者同一生物的不同生长阶段，其需要的水文环境不同的，或者说生存环境是不同的。同样的水文参数对于不同时期的敏感生物而言，其作用敏感性是不同的，因此，通过在时间上进行划分，提取各个典型区域在每一敏感生物，形成在时间和空间上具有代表性的敏感生物分布，能够更加准确的反应流域的真实情况，获得更好的评估效果。
根据本申请的一个方面，所述步骤S2进一步包括：
步骤S21、构建趋势分析方法集合，所述趋势分析方法至少包括MK检验法、Spearman秩次相关法和线性回归法；
步骤S22、读取水文时间序列数据，并采用每个趋势分析方法进行处理，确定趋势的方向和大小，获得突变点数据并合并突变点；
步骤S23、基于突变点将评估时期分为至少两个评估区间；针对每个评估区间，获取评估时段与评估区间的归属关系，将各个评估时段划分至临近的评估区间；
步骤S24、针对每个评估区间，优化生物生境质量评估模型参数。
为了提高突变点的判断准确率，通过构建趋势分析方法集合的方式，选择多种趋势分析方法，然后对方法的结果进行优选，然后对评价结果进行判定，从而获得更为准确的结果。在高寒地区，水电建设、人类活动和气候变化等因素，对于水文参数的影响比较大，因此如果将所有的水文数据放在一起处理，准确率相对变低。因此通过划分评估区间，针对每个评估区间优化生物生境质量评估模型参数，获得更为准确的评价结果。
在进一步的实施例中，由于高寒区水电梯级开发涉及到多个水库和河段，时间序列数据可能存在缺失、不完整、不准确等问题，需要进行有效的预处理和校正。也涉及到多个环境因素和生态因素，时间序列数据可能存在复杂的非线性、非平稳、非均匀等特征。针对高寒区的上述水文现象，为了同时分析周期内和周期间的变化，还可以对水文时间序列数据进行预处理，即步骤S22中，读取水文时间序列之后，进行处理，具体过程如下：
步骤S22a、使用傅里叶变换对水文时间序列数据进行频域分析，找出最显著的频率和振幅，对应于多个周期长度。
步骤S22b、根据每个周期长度，将时间序列重塑为一个二维张量，其中每一行表示一个周期内的数据，每一列表示一个周期间的数据。
步骤S22c、调用时间网络模型（TimesNet）对每个二维张量进行处理，其中每个TimesBlock模块负责提取一个二维张量的特征，并输出一个一维表示。
步骤S22d、根据振幅对所有一维表示进行加权求和，得到最终的输出，用于不同的分析任务。
本实施例更好地反映河流生境质量和纵向连通性的变化，同时，对河流生物数据进行更精细的分析，从而更好地反映河流生物多样性和功能的变化。
根据本申请的一个方面，所述步骤S3进一步包括：
步骤S31、获取典型区域，建立生物生境动态范围，针对每个评估区间的每一评估时段，采集水文数据，并基于水文数据构建生物生境动态范围的校正系数；
步骤S32、针对每一评估区间，调用优化过参数的生物生境质量评估模型，针对每一评估时段的典型区域，通过生物生境动态范围和校正系数，计算水文参数，并根据水文生态响应关系，并结合敏感生物监测数据，计算生物生境质量；
步骤S33、累加各个评估区间的生物生境质量，得到评估区域的总的生物生境质量；
步骤S34、验证和优化每一评估区间对应的生物生境质量评估模型，形成总体的生物生境质量评估模型。
在现有技术中，主要采用AHP层次分析法，对生物生境质量进行评估。这种方法的过程是：首先，建立层次结构模型，将决策问题分解为目标层、准则层和方案层，根据它们之间的关系绘制层次结构图。其次，构造判断矩阵，利用1-9标度法对每一层的因素进行两两比较，表示它们相对于上一层因素的重要性。再次，进行层次单排序和一致性检验，利用判断矩阵的最大特征值和特征向量求出每一层因素的权重，并计算一致性指标和一致性比率，判断判断矩阵是否通过一致性检验。最后，进行层次总排序和一致性检验，利用各层因素的权重计算方案层因素相对于目标层因素的综合权重，并进行最终的一致性检验。与现有技术相比，本申请提供的方法更加精细化。
根据本申请的一个方面，所述步骤S31进一步为：
步骤S31a、获取典型区域，根据水电拓扑和实地考察筛选出重点区域，划定重点区域的上下游边界；可以更准确地反映生态系统的特征和变化规律。
步骤S31b、获取生物活动数据集，根据生物活动范围，将同一敏感生物活动的相邻的重点区域连通；更全面地了解不同生物在不同环境条件下的分布和数量情况，有效反映生物栖息地的完整性。
步骤S31c、获取水电站建设前后重点区域的水位变化数据，根据每个敏感生物的活动深度，划定重点区域的深度方向边界；
步骤S32d、收集重点区域各个采集点的水文数据，构建重点区域的基于水文数据构建生物生境动态范围的校正系数，更好地考虑水位变化对生态系统的影响，提高生境质量评估的准确性。
根据本申请的一个方面，所述步骤S32中，在计算水文参数时还包括：
步骤S32a、根据水电调控数据，根据水电拓扑将评估时段划分为调控期和稳定期；
步骤S32b、至少读取水文数据下泄水流速度、持续时间和水位变化数据，划定调控期的重点区域范围和调控期的校正系数，对调控期的重点区域的生物生境质量进行评估；可以更准确地评估不同水文调控条件下生态系统的响应情况。
步骤S33c、绘制每一评估时段的重点区域边界和校正系数变化趋势图。更加直观地了解生态系统的变化趋势和响应情况，为后续的水利调度策略制定提供科学依据。
在步骤S3中，主要是为了对生物活动区域的范围、水质进行精细化研究，对于某一个敏感生物而言，其在不同的生长时期，对水质、水文的要求是不同的，因此其最适活动范围是一个动态变化的过程，水电建设，水力调度都会对这个活动范围造成影响，因此通过对活动范围的研究，以及活动范围内水文水质等参数的采集，对敏感生物的生境质量进行综合评估，从而优化评估模型。同时，评估生境评估区域可以通过三维动态展示的方式来呈现，从而便于用户直观看到水电建设对生态的影响，比如在某一时间段内，生物生境的范围和质量逐渐扩大，通过动图或视频的方式来展示上述过程。换句话说，实际上是对每一敏感鱼类在各个区域的各个时期中的活动空间和生态适宜度进行计算，从而将评估过程进行精细化处理，提高评估方法的准确性。校正系数实际反应了生物的生存的适宜度，即在相同的活动范围内，不同的水文条件，适宜度是不同的，因此通过水文参数来反应适宜度，会更加精准。
根据本申请的一个方面，所述步骤S4包括：
步骤S41、选择典型区域作为示范区，基于构建的生物生境质量评估模型和传统生物生境评估方法对示范区的水文生态环境进行评估；通过选取典型区域进行实际评估，验证评估模型与传统方法的效果，增强模型的应用价值，提高评估的代表性和可信度。
步骤S42、采用专家评分法对生物生境质量评估模型进行评分，并对生物生境质量评估模型进行优化；用以反映不同环境条件下敏感生物对环境因素的响应程度，并提高模型预测能力和适用性，提高评估的科学性、实用性和有效性。
步骤S43、在采用水利调度策略后，采用优化后的生物生境质量评估模型对水利调度策略进行评价，更准确地反映不同调度策略对生态系统的影响，并为制定科学合理的水利调度策略提供参考。
根据本申请的一个方面，高寒区水电梯级开发的生物生境影响评估系统，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高寒区水电梯级开发的生物生境影响评估方法。
总之，该申请通过对高寒区大底坡河流中不同类型和不同功能的生物（如鱼类、浮游生物、底栖动物等）及其所依赖的生境（如水温、溶氧、流速、流量等）进行系统性的监测、分析和评价，揭示了水电梯级开发对河流生态系统的影响机制和程度，为制定合理的生态流量方案和采取有效的生态保护措施提供科学依据。
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 (10)
1.高寒区水电梯级开发的生物生境影响评估方法，其特征在于，包括如下步骤：
步骤S1、确定评估区域和评估时期，获取研究数据，生成水文时间序列数据和水电拓扑，筛选出敏感生物，构建水文生态响应关系；
步骤S2、构建趋势检验法，对评估时期的水文时间序列数据进行处理，获得突变点数据，根据突变点将评估时期分为至少两个评估区间；
步骤S3、针对每个评估区间，根据水文生态响应关系，逐一计算水电拓扑中的生物生境质量并累加，获得评估时期的总的生物生境质量，形成生物生境质量评估模型；
步骤S4、构建示范区，采用生物生境质量评估模型评价示范区的水文生态环境，验证和优化生物生境质量评估模型，并构建示范区的水电开发和水力调度建议集合。
2.如权利要求1所述的高寒区水电梯级开发的生物生境影响评估方法，其特征在于，所述步骤S1进一步为：
步骤S11、读取研究数据并构建至少包括高程信息的水电拓扑；
步骤S12、读取研究数据，获取生物种群信息，并从生物种群中筛选至少N种敏感生物，其中N为大于1的自然数；
步骤S13、构建CNN模型，以水文时间序列数据和敏感生物作为训练数据，学习水文生态响应关系。
3.如权利要求2所述的高寒区水电梯级开发的生物生境影响评估方法，其特征在于，所述步骤S11进一步为：
步骤S11a、读取研究数据，构建评估区域的三维GIS模型，抽取水电拓扑，生成基础水电拓扑并概化，形成基础水电拓扑矩阵；
步骤S11b、构建与所述基础水电拓扑矩阵同型的水文修正矩阵；
步骤S11c、采用研究数据对基础拓扑矩阵和水文修正矩阵的参数进行优化。
4.如权利要求3所述的高寒区水电梯级开发的生物生境影响评估方法，其特征在于，所述步骤S12进一步为：
步骤S12a、将评估时期按照水文气象的周期性划分为M个评估时段，M为大于1的自然数；
步骤S12b、针对每一评估时段，采集研究区域中典型区域的生物种群作为监测对象，确定监测点位和监测频次，获取生物种群中每一生物的数量、种类和生物类，形成生物活动数据集；
步骤S12c、对生物活动数据集进行分析，针对各个典型区域的每一评估时段，筛选敏感生物，为敏感生物赋予指标和权重，获得敏感生物评分集合，基于敏感生物评分集合构建生物生境质量评估模型。
5.如权利要求4所述的高寒区水电梯级开发的生物生境影响评估方法，其特征在于，所述步骤S2进一步包括：
步骤S21、构建趋势分析方法集合，所述趋势分析方法至少包括MK检验法、Spearman秩次相关法和线性回归法；
步骤S22、读取水文时间序列数据，并采用每个趋势分析方法进行处理，确定趋势的方向和大小，获得突变点数据并合并突变点；
步骤S23、基于突变点将评估时期分为至少两个评估区间；针对每个评估区间，获取评估时段与评估区间的归属关系，将各个评估时段划分至临近的评估区间；
步骤S24、针对每个评估区间，优化生物生境质量评估模型参数。
6.如权利要求5所述的高寒区水电梯级开发的生物生境影响评估方法，其特征在于，所述步骤S3进一步包括：
步骤S31、获取典型区域，建立生物生境动态范围，针对每个评估区间的每一评估时段，采集水文数据，并基于水文数据构建生物生境动态范围的校正系数；
步骤S32、针对每一评估区间，调用优化过参数的生物生境质量评估模型，针对每一评估时段的典型区域，通过生物生境动态范围和校正系数，计算水文参数，并根据水文生态响应关系，并结合敏感生物监测数据，计算生物生境质量；
步骤S33、累加各个评估区间的生物生境质量，得到评估区域的总的生物生境质量；
步骤S34、验证和优化每一评估区间对应的生物生境质量评估模型，形成总体的生物生境质量评估模型。
7.如权利要求6所述的高寒区水电梯级开发的生物生境影响评估方法，其特征在于，所述步骤S31进一步为：
步骤S31a、获取典型区域，根据水电拓扑和实地考察筛选出重点区域，划定重点区域的上下游边界；
步骤S31b、获取生物活动数据集，根据生物活动范围，将同一敏感生物活动的相邻的重点区域连通；
步骤S31c、获取水电站建设前后重点区域的水位变化数据，根据每个敏感生物的活动深度，划定重点区域的深度方向边界；
步骤S32d、收集重点区域各个采集点的水文数据，构建重点区域的基于水文数据构建生物生境动态范围的校正系数。
8.如权利要求7所述的高寒区水电梯级开发的生物生境影响评估方法，其特征在于，所述步骤S32中，在计算水文参数时还包括：
步骤S32a、根据水电调控数据，根据水电拓扑将评估时段划分为调控期和稳定期；
步骤S32b、至少读取水文数据下泄水流速度、持续时间和水位变化数据，划定调控期的重点区域范围和调控期的校正系数，对调控期的重点区域的生物生境质量进行评估；
步骤S33c、绘制每一评估时段的重点区域边界和校正系数变化趋势图。
9.如权利要求8所述的高寒区水电梯级开发的生物生境影响评估方法，其特征在于，所述步骤S4包括：
步骤S41、选择典型区域作为示范区，基于构建的生物生境质量评估模型和传统生物生境评估方法对示范区的水文生态环境进行评估；
步骤S42、采用专家评分法对生物生境质量评估模型进行评分，并对生物生境质量评估模型进行优化；
步骤S43、在采用水利调度策略后，采用优化后的生物生境质量评估模型对水利调度策略进行评价。
10. 高寒区水电梯级开发的生物生境影响评估系统，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1~9任一项所述的高寒区水电梯级开发的生物生境影响评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310892453.9A CN116629640B (zh) | 2023-07-20 | 2023-07-20 | 高寒区水电梯级开发的生物生境影响评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310892453.9A CN116629640B (zh) | 2023-07-20 | 2023-07-20 | 高寒区水电梯级开发的生物生境影响评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116629640A true CN116629640A (zh) | 2023-08-22 |
| CN116629640B CN116629640B (zh) | 2023-09-29 |
Family
ID=87642111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310892453.9A Active CN116629640B (zh) | 2023-07-20 | 2023-07-20 | 高寒区水电梯级开发的生物生境影响评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629640B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000045160A1 (en) * | 1999-02-01 | 2000-08-03 | Signature Bioscience Inc. | Method and apparatus for detecting molecular binding events |
| 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 |
| CN113657052A (zh) * | 2021-08-26 | 2021-11-16 | 星天时空(重庆)科技有限公司 | 一种水资源生态流量调度模型 |
| CN115374376A (zh) * | 2022-10-24 | 2022-11-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 小水电生态影响监测评估方法与系统 |
| CN115965496A (zh) * | 2022-11-29 | 2023-04-14 | 中国环境科学研究院 | 流域水环境智慧化管理方法 |
| CN116090839A (zh) * | 2023-04-07 | 2023-05-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 水资源耦合系统多重风险分析与评估方法及系统 |
-
2023
- 2023-07-20 CN CN202310892453.9A patent/CN116629640B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000045160A1 (en) * | 1999-02-01 | 2000-08-03 | Signature Bioscience Inc. | Method and apparatus for detecting molecular binding events |
| 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 |
| CN113657052A (zh) * | 2021-08-26 | 2021-11-16 | 星天时空(重庆)科技有限公司 | 一种水资源生态流量调度模型 |
| CN115374376A (zh) * | 2022-10-24 | 2022-11-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 小水电生态影响监测评估方法与系统 |
| CN115965496A (zh) * | 2022-11-29 | 2023-04-14 | 中国环境科学研究院 | 流域水环境智慧化管理方法 |
| CN116090839A (zh) * | 2023-04-07 | 2023-05-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 水资源耦合系统多重风险分析与评估方法及系统 |
Non-Patent Citations (9)
| Title |
|---|
| HEYING SUN ET AL.: "Predicting impacts of future climate change and hydropower development towards habitats of native and non-native fishes", 《SCIENCE OF THE TOTAL ENVIRONMENT》, vol. 707, pages 1 - 12 * |
| 吴时强等: "引水工程湖泊水生态效应评估研究进展", 《南昌工程学院学报》, vol. 37, no. 06, pages 14 - 26 * |
| 张霞;陈亚宁;黄海龙;陈忠升;: "河川径流的灰色拓扑预测研究――以新疆阿克苏河为例", 第四纪研究, no. 01, pages 216 - 223 * |
| 王旭东;陈尧;陈闪;蒋文伟;: "基于空间绩效的城镇绿地生态网络构建――以安徽宣城狸桥为例", 中南林业科技大学学报, vol. 36, no. 03, pages 87 - 95 * |
| 秦越: "青藏高原东北部典型流域冻土退化及其生态水文效应研究", 《中国博士学位论文全文数据库 (基础科学辑)》, no. 04, pages 011 - 3 * |
| 苗森: "三峡工程对下游四大家鱼生境适宜性影响评价研究", 《中国优秀硕士学位论文全文数据库 (农业科技辑)》, no. 01, pages 052 - 58 * |
| 邹彬;: "西安市植被覆盖度冷热点时空动态变化及其风险分析", 西安理工大学学报, vol. 36, no. 02, pages 197 - 204 * |
| 陈鑫;刘艳丽;刁艳芳;关铁生;刘翠善;王国庆;金君良;鲍振鑫;贺瑞敏;: "关河水库流域水文序列突变诊断与非一致性研究", 中国农村水利水电, no. 05, pages 28 - 32 * |
| 高瑞忠;白勇;刘廷玺;王喜喜;王威娜;: "内蒙古高原典型草原内陆河流域径流的时序演变特征", 南水北调与水利科技, vol. 16, no. 03, pages 10 - 17 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116629640B (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| McMillan | Linking hydrologic signatures to hydrologic processes: A review | |
| Dwarakish et al. | Impact of land use change on hydrological systems: A review of current modeling approaches | |
| Tegegne et al. | Comparison of hydrological models for the assessment of water resources in a data-scarce region, the Upper Blue Nile River Basin | |
| Ehret et al. | Advancing catchment hydrology to deal with predictions under change | |
| Beskow et al. | Potential of the LASH model for water resources management in data-scarce basins: a case study of the Fragata River basin, southern Brazil | |
| Buytaert et al. | Regionalization as a learning process | |
| Tuo et al. | Calibration of snow parameters in SWAT: Comparison of three approaches in the Upper Adige River basin (Italy) | |
| Benyahya et al. | Modeling of water temperatures based on stochastic approaches: case study of the Deschutes River | |
| Anderson et al. | Occupancy modeling and estimation of the holiday darter species complex within the Etowah River system | |
| CN115374376B (zh) | 小水电生态影响监测评估方法与系统 | |
| Liu et al. | A hybrid bayesian vine model for water level prediction | |
| Zakizadeh et al. | A novel study of SWAT and ANN models for runoff simulation with application on dataset of metrological stations | |
| Boelee et al. | Estimation of uncertainty in flood forecasts—A comparison of methods | |
| CN116485584B (zh) | 高寒区大底坡河流wee协同调控方法及系统 | |
| Kwak et al. | A comparative study for water temperature modelling in a small basin, the Fourchue River, Quebec, Canada | |
| Cohen Liechti et al. | Hydrological modelling of the Zambezi River Basin taking into account floodplain behaviour by a modified reservoir approach | |
| Desclaux et al. | Suitability of a lumped rainfall–runoff model for flashy tropical watersheds in New Caledonia | |
| Ayadi et al. | Sediment yield variability in central Tunisia: a quantitative analysis of its controlling factors | |
| Stadnyk et al. | Large scale hydrologic and tracer aided modelling: A review | |
| Haque et al. | Development of a time-varying MODIS/2D hydrodynamic model relationship between water levels and flooded areas in the Inner Niger Delta, Mali, West Africa | |
| Chawla et al. | Water quality prediction of salton sea using machine learning and big data techniques | |
| 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 | |
| Shrestha et al. | Encapsulation of parametric uncertainty statistics by various predictive machine learning models: MLUE method | |
| Park et al. | Estimation of least ecological streamflow through long-term habitat evaluation using stream hydrodynamics and water quality factors | |
| JP4486004B2 (ja) | 河川汚濁負荷推定システム、方法、およびプログラム |
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 |