CN117077554A - 一种基于ConvGRU的三维咸潮预报方法 - Google Patents
一种基于ConvGRU的三维咸潮预报方法 Download PDFInfo
- Publication number
- CN117077554A CN117077554A CN202311345190.6A CN202311345190A CN117077554A CN 117077554 A CN117077554 A CN 117077554A CN 202311345190 A CN202311345190 A CN 202311345190A CN 117077554 A CN117077554 A CN 117077554A
- Authority
- CN
- China
- Prior art keywords
- salty
- region
- salinity
- river bed
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 10
- 238000004088 simulation Methods 0.000 claims abstract description 144
- 238000000034 method Methods 0.000 claims abstract description 61
- 150000003839 salts Chemical class 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000012876 topography Methods 0.000 claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 230000008521 reorganization Effects 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 150
- 238000004364 calculation method Methods 0.000 claims description 61
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 51
- 230000008859 change Effects 0.000 claims description 47
- 238000004458 analytical method Methods 0.000 claims description 38
- 238000012795 verification Methods 0.000 claims description 33
- 238000001514 detection method Methods 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000012300 Sequence Analysis Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 8
- 230000015572 biosynthetic process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000010485 coping Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及海洋科学与咸潮预报工程技术领域,尤其涉及一种基于ConvGRU的三维咸潮预报方法。所述方法包括以下步骤:对咸潮区域进行风场环境感知提取和历史回溯整编处理,得到咸潮区域历史风场集;获取咸潮区域水文组合盐度特征进行数值模拟以构建三维盐度数值模型;获取咸潮区域河床地形数据进行河床糙率插值处理,得到咸潮区域河床糙率场数据集;根据咸潮区域历史风场集以及咸潮区域河床糙率场数据集利用三维盐度数值模型进行盐度模拟,以生成长时间盐度模拟数据场集;通过ConvGRU对长时间盐度模拟数据场集进行深度学习预测,以生成目标时段盐度预测数据集执行相应的咸潮预报任务。本发明能够提高咸潮盐度预测的精确性和时效性。
Description
技术领域
本发明涉及海洋科学与咸潮预报工程技术领域,尤其涉及一种基于ConvGRU的三维咸潮预报方法。
背景技术
盐度是海洋中一个重要的物理指标,对海洋环境和生态系统具有重要影响。准确预测盐度变化对于海洋科学研究和海洋工程具有重要意义。利用数值模拟模型可以模拟水文组合和风场对盐度分布的影响,传统的盐度预测方法主要基于经验模型和统计方法,但在预测长时间尺度的盐度变化方面存在一定的局限性,另外,盐度预测的准确性和时效性仍有提升的空间。
发明内容
基于此,本发明有必要提供一种基于ConvGRU的三维咸潮预报方法,以解决至少一个上述技术问题。
为实现上述目的,一种基于ConvGRU的三维咸潮预报方法,包括以下步骤:
步骤S1:对咸潮区域进行风场环境感知提取,以得到咸潮区域风场环境数据;对咸潮区域风场环境数据进行历史回溯整编处理,得到咸潮区域历史风场集;
步骤S2:根据咸潮区域历史风场集对咸潮区域进行时间对齐匹配,以获取咸潮区域历史水文数据和咸潮区域历史盐度分布数据;对咸潮区域历史风场集、咸潮区域历史水文数据和咸潮区域历史盐度分布数据进行多尺度特征提取,得到咸潮区域水文组合盐度特征;对咸潮区域水文组合盐度特征进行数值模拟以构建三维盐度数值模型;
步骤S3:获取咸潮区域河床地形数据,并对咸潮区域河床地形数据进行河床几何结构抽取,得到咸潮区域水文组合河床结构特征;对咸潮区域水文组合河床结构特征进行河床糙率插值处理,得到咸潮区域河床糙率场数据集;
步骤S4:根据咸潮区域历史风场集以及咸潮区域河床糙率场数据集利用三维盐度数值模型进行盐度模拟,以生成长时间盐度模拟数据场集;
步骤S5:通过ConvGRU对长时间盐度模拟数据场集进行深度学习预测,以生成目标时段盐度预测数据集;根据目标时段盐度预测数据集以执行相应的咸潮预报任务。
本发明首先通过对咸潮区域进行风场环境感知提取,可以获取咸潮区域的风场环境数据,这些数据可以提供关于风向、风速和气象条件等信息,并对咸潮区域的气象特征进行描述。同时,通过对提取得到的咸潮区域风场环境数据进行历史回溯整编处理,通过回溯整编分析历史数据的时间序列变化趋势、周期性和相关性等,可以生成咸潮区域的历史风场集,能够用于后续分析和模型构建,这些数据还有助于了解风场对盐度分布的影响。其次,通过将咸潮区域历史风场集与咸潮区域的水文数据和盐度分布数据进行时间对齐匹配,可以将风场数据与相应时间段内的水文数据和盐度分布数据进行匹配,这样做的目的是确保风场数据和水文数据与盐度分布数据在时间上是一致的,以便进行后续的分析和模拟,从而为后续的特征提取和数值模拟提供基础数据。并通过对历史风场集、水文数据和盐度分布数据进行多尺度特征提取,可以提取出反映咸潮区域水文和盐度特征的多种指标,这些特征可以包括海流速度的空间分布、水深的变化趋势、盐度梯度的强度等。通过多尺度特征提取,可以从历史风场集、水文数据和盐度数据中提取出特征参数,形成咸潮区域的水文组合盐度特征。这些特征可以反映盐度变化与气象条件之间的关联,为后续的数值模拟提供依据。另外,还通过对咸潮区域水文组合盐度特征进行数值模拟,通过使用数学和物理模型,基于已知的水文和盐度特征数据,模拟咸潮区域中不同时间和空间尺度上的盐度分布情况,这样的数值模型可以提供对咸潮区域盐度变化的预测和分析,从而为理解咸潮事件的形成机制、预测咸潮的发生等提供支持和依据。然后,通过获取咸潮区域的河床地形数据,并对其进行河床几何结构抽取,可以得到咸潮区域的水文组合河床结构特征。这些特征描述了河床的形状、高程和底质等信息,可以作为河床糙率的依据。还通过河床糙率插值处理,可以将水文组合河床结构特征插值为连续的河床糙率场数据集,从而为盐度数值模拟提供连续的河床糙率场数据集。接下来,通过利用咸潮区域历史风场集和河床糙率场数据集,结合三维盐度数值模型,进行盐度模拟。通过模拟计算,可以生成长时间的盐度模拟数据场集,这些数据场集可以反映盐度在时间和空间上的变化趋势,这对于理解咸潮区域盐度分布的动态变化以及相关影响因素的作用具有重要意义,从而提高长时间盐度变化的预测效果。最后,通过ConvGRU对长时间的盐度模拟数据场集进行深度学习预测,可以生成目标时段的盐度预测数据集。通过利用ConvGRU深度学习模型对历史盐度数据进行学习和预测,预测得到的结果能够为咸潮预报任务提供准确的预测数据,这些预测数据可用于预测咸潮事件的发生、发展和演变,有助于制定相应的应对和管理策略,从而提高盐度预报的准确性和时效性。
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为本发明基于ConvGRU的三维咸潮预报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2中步骤S13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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图3,本发明提供了一种基于ConvGRU的三维咸潮预报方法,所述方法包括以下步骤:
步骤S1:对咸潮区域进行风场环境感知提取,以得到咸潮区域风场环境数据;对咸潮区域风场环境数据进行历史回溯整编处理,得到咸潮区域历史风场集;
步骤S2:根据咸潮区域历史风场集对咸潮区域进行时间对齐匹配,以获取咸潮区域历史水文数据和咸潮区域历史盐度分布数据;对咸潮区域历史风场集、咸潮区域历史水文数据和咸潮区域历史盐度分布数据进行多尺度特征提取,得到咸潮区域水文组合盐度特征;对咸潮区域水文组合盐度特征进行数值模拟以构建三维盐度数值模型;
步骤S3:获取咸潮区域河床地形数据,并对咸潮区域河床地形数据进行河床几何结构抽取,得到咸潮区域水文组合河床结构特征;对咸潮区域水文组合河床结构特征进行河床糙率插值处理,得到咸潮区域河床糙率场数据集;
步骤S4:根据咸潮区域历史风场集以及咸潮区域河床糙率场数据集利用三维盐度数值模型进行盐度模拟,以生成长时间盐度模拟数据场集;
步骤S5:通过ConvGRU对长时间盐度模拟数据场集进行深度学习预测,以生成目标时段盐度预测数据集;根据目标时段盐度预测数据集以执行相应的咸潮预报任务。
本发明实施例中,请参考图1所示,为本发明基于ConvGRU的三维咸潮预报方法的步骤流程示意图,在本实例中,所述基于ConvGRU的三维咸潮预报方法的步骤包括:
步骤S1:对咸潮区域进行风场环境感知提取,以得到咸潮区域风场环境数据;对咸潮区域风场环境数据进行历史回溯整编处理,得到咸潮区域历史风场集;
本发明实施例通过在咸潮区域内的多个位置部署风速传感器、风向传感器等风场环境传感器以建立分布式环境传感网络,然后,通过使用分布式环境传感网络中的相应传感器对咸潮区域进行风场环境感知,以实时采集提取风速、风向等风场环境数据,得到咸潮区域风场环境数据。最后,通过对咸潮区域风场环境数据进行时序分析,以分析探索风场环境数据的时间演变规律,包括风场环境数据的长期趋势、季节性变化、周期性变化等,并对咸潮区域风场环境数据进行历史时间回溯,以获取过去时间段的风场情况进行整编处理,最终得到咸潮区域历史风场集。
步骤S2:根据咸潮区域历史风场集对咸潮区域进行时间对齐匹配,以获取咸潮区域历史水文数据和咸潮区域历史盐度分布数据;对咸潮区域历史风场集、咸潮区域历史水文数据和咸潮区域历史盐度分布数据进行多尺度特征提取,得到咸潮区域水文组合盐度特征;对咸潮区域水文组合盐度特征进行数值模拟以构建三维盐度数值模型;
本发明实施例首先通过收集咸潮区域的水文数据和盐度分布数据,然后,将咸潮区域历史风场集与咸潮区域的水文数据和盐度分布数据进行时间对齐匹配,使得两者的时间轴对应起来,以确保风场数据与水文数据和盐度分布数据在时间上是一致的,并通过匹配获取与咸潮区域历史风场集在同一时刻的咸潮水文数据和咸潮盐度分布数据,以得到咸潮区域历史水文数据和咸潮区域历史盐度分布数据。然后,通过使用时频分析、小波分析、相关性分析等方法对咸潮区域历史风场集、咸潮区域历史水文数据和咸潮区域历史盐度分布数据进行特征提取,以提取出反映咸潮区域水文和盐度特征的多种指标特征,包括海流速度的空间分布、水深的变化趋势、盐度梯度的强度等特征,以得到咸潮区域水文组合盐度特征。最后,通过对咸潮区域水文组合盐度特征进行数值模拟,模拟咸潮区域中不同时间和空间尺度上的盐度分布情况以构建三维盐度数值模型。
步骤S3:获取咸潮区域河床地形数据,并对咸潮区域河床地形数据进行河床几何结构抽取,得到咸潮区域水文组合河床结构特征;对咸潮区域水文组合河床结构特征进行河床糙率插值处理,得到咸潮区域河床糙率场数据集;
本发明实施例通过使用遥感影像、地形测量仪器或其他地质调查工具获取咸潮区域河床地形数据,并针对咸潮区域的每个水文组合,从咸潮区域河床地形数据中提取河道的几何结构特征,包括河道的宽度、深度、坡度、长度等结构特征,以得到咸潮区域水文组合河床结构特征。然后,通过对咸潮区域水文组合河床结构特征进行河床糙率场提取计算和逐时面插值,以获取连续的河床糙率场数据,最终得到咸潮区域河床糙率场数据集。
步骤S4:根据咸潮区域历史风场集以及咸潮区域河床糙率场数据集利用三维盐度数值模型进行盐度模拟,以生成长时间盐度模拟数据场集;
本发明实施例通过结合咸潮区域历史风场集以及咸潮区域河床糙率场数据集利用构建的三维盐度数值模型进行长时间的盐度模拟,以模拟盐度在时间和空间上的长时间变化趋势,最终生成长时间盐度模拟数据场集。
步骤S5:通过ConvGRU对长时间盐度模拟数据场集进行深度学习预测,以生成目标时段盐度预测数据集;根据目标时段盐度预测数据集以执行相应的咸潮预报任务。
本发明实施例通过使用ConvGRU构建盐度预测模型,并将长时间盐度模拟数据场集作为输入数据输入至构建的盐度预测模型中进行深度学习预测,以预测生成目标时段盐度预测数据集。然后,根据预测得到的目标时段盐度预测数据集执行相应的潮位预报、咸潮水位预警等咸潮预报任务。
本发明首先通过对咸潮区域进行风场环境感知提取,可以获取咸潮区域的风场环境数据,这些数据可以提供关于风向、风速和气象条件等信息,并对咸潮区域的气象特征进行描述。同时,通过对提取得到的咸潮区域风场环境数据进行历史回溯整编处理,通过回溯整编分析历史数据的时间序列变化趋势、周期性和相关性等,可以生成咸潮区域的历史风场集,能够用于后续分析和模型构建,这些数据还有助于了解风场对盐度分布的影响。其次,通过将咸潮区域历史风场集与咸潮区域的水文数据和盐度分布数据进行时间对齐匹配,可以将风场数据与相应时间段内的水文数据和盐度分布数据进行匹配,这样做的目的是确保风场数据和水文数据与盐度分布数据在时间上是一致的,以便进行后续的分析和模拟,从而为后续的特征提取和数值模拟提供基础数据。并通过对历史风场集、水文数据和盐度分布数据进行多尺度特征提取,可以提取出反映咸潮区域水文和盐度特征的多种指标,这些特征可以包括海流速度的空间分布、水深的变化趋势、盐度梯度的强度等。通过多尺度特征提取,可以从历史风场集、水文数据和盐度数据中提取出特征参数,形成咸潮区域的水文组合盐度特征。这些特征可以反映盐度变化与气象条件之间的关联,为后续的数值模拟提供依据。另外,还通过对咸潮区域水文组合盐度特征进行数值模拟,通过使用数学和物理模型,基于已知的水文和盐度特征数据,模拟咸潮区域中不同时间和空间尺度上的盐度分布情况,这样的数值模型可以提供对咸潮区域盐度变化的预测和分析,从而为理解咸潮事件的形成机制、预测咸潮的发生等提供支持和依据。然后,通过获取咸潮区域的河床地形数据,并对其进行河床几何结构抽取,可以得到咸潮区域的水文组合河床结构特征。这些特征描述了河床的形状、高程和底质等信息,可以作为河床糙率的依据。还通过河床糙率插值处理,可以将水文组合河床结构特征插值为连续的河床糙率场数据集,从而为盐度数值模拟提供连续的河床糙率场数据集。接下来,通过利用咸潮区域历史风场集和河床糙率场数据集,结合三维盐度数值模型,进行盐度模拟。通过模拟计算,可以生成长时间的盐度模拟数据场集,这些数据场集可以反映盐度在时间和空间上的变化趋势,这对于理解咸潮区域盐度分布的动态变化以及相关影响因素的作用具有重要意义,从而提高长时间盐度变化的预测效果。最后,通过ConvGRU对长时间的盐度模拟数据场集进行深度学习预测,可以生成目标时段的盐度预测数据集。通过利用ConvGRU深度学习模型对历史盐度数据进行学习和预测,预测得到的结果能够为咸潮预报任务提供准确的预测数据,这些预测数据可用于预测咸潮事件的发生、发展和演变,有助于制定相应的应对和管理策略,从而提高盐度预报的准确性和时效性。
优选地,包括以下步骤:
步骤S11:通过建立分布式环境传感网络对咸潮区域进行风场环境感知提取,以得到咸潮区域风场环境数据;
步骤S12:对咸潮区域风场环境数据进行时空分布探索分析,得到咸潮区域风场环境时空分布特征;
步骤S13:对咸潮区域风场环境时空分布特征进行质量异常评估,得到咸潮区域风场环境异常特征和咸潮区域风场环境正常特征;
步骤S14:对咸潮区域风场环境异常特征进行异常校准处理,得到咸潮区域风场环境异常校准特征;
步骤S15:利用时序分析技术对咸潮区域风场环境正常特征和咸潮区域风场环境异常校准特征进行历史时间回溯整编,得到咸潮区域历史风场集。
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:通过建立分布式环境传感网络对咸潮区域进行风场环境感知提取,以得到咸潮区域风场环境数据;
本发明实施例通过在咸潮区域内的多个位置部署风速传感器、风向传感器等风场环境传感器以建立分布式环境传感网络,然后使用分布式环境传感网络中的相应传感器对咸潮区域进行风场环境感知,以实时提取采集风速、风向等风场环境数据,最终得到咸潮区域风场环境数据。
步骤S12:对咸潮区域风场环境数据进行时空分布探索分析,得到咸潮区域风场环境时空分布特征;
本发明实施例通过使用地理信息系统、空间插值、空间统计等方法对咸潮区域风场环境数据进行时空分布探索分析,以分析风场环境数据在时域和空域的分布特征,包括风速的变化规律、风向的分布情况等,最终得到咸潮区域风场环境时空分布特征。
步骤S13:对咸潮区域风场环境时空分布特征进行质量异常评估,得到咸潮区域风场环境异常特征和咸潮区域风场环境正常特征;
本发明实施例首先通过探索分析咸潮区域风场环境时空分布特征的特征模式规律,然后对特征模式规律进行质量异常评估处理,以检测咸潮区域风场环境时空分布特征中的异常值或其他质量异常问题,并根据异常问题情况将其区分为异常特征和正常特征,最终得到咸潮区域风场环境异常特征和咸潮区域风场环境正常特征。
步骤S14:对咸潮区域风场环境异常特征进行异常校准处理,得到咸潮区域风场环境异常校准特征;
本发明实施例首先通过分析咸潮区域风场环境异常特征的成因和影响因素,并确定相应的异常校准方法和策略,然后,根据异常校准方法和策略对咸潮区域风场环境异常特征进行校准处理,通过数据插值、替代、修正等操作,以使咸潮区域风场环境异常特征更符合实际情况,最终得到咸潮区域风场环境异常校准特征。
步骤S15:利用时序分析技术对咸潮区域风场环境正常特征和咸潮区域风场环境异常校准特征进行历史时间回溯整编,得到咸潮区域历史风场集。
本发明实施例通过使用时序分析技术对咸潮区域风场环境正常特征和咸潮区域风场环境异常校准特征进行时序分析,以分析探索风场环境数据的时间演变规律,包括风场环境数据的长期趋势、季节性变化、周期性变化等,并通过将咸潮区域风场环境正常特征和咸潮区域风场环境异常校准特征进行历史时间回溯,以获取过去时间段的风场情况并进行整编处理,最终得到咸潮区域历史风场集。
本发明首先通过建立分布式环境传感网络,可以部署多个环境传感器以感知咸潮区域的风场环境,这些传感器可以是风速传感器、风向传感器等设备,用于测量咸潮区域的风速、风向等气象参数环境数据。通过分布式环境传感网络,收集咸潮区域中多个位置的风场环境数据,并将数据进行整合和处理,这些数据可以用于后续的分析和模拟,为盐度预测和预警提供基础数据来源。其次,通过对收集到的咸潮区域风场环境数据进行时空分布探索分析,通过分析数据的分布、变化趋势、相关性等统计特征,可以了解咸潮区域风场环境的时空分布规律,还可以揭示咸潮区域不同位置的风场环境差异,如风速、风向的变化情况。通过探索分析,可以获得咸潮区域风场环境的时空特征,从而为后续的异常检测和模型建立提供基础。然后,通过对探索分析得到的咸潮区域风场环境时空分布特征进行质量异常评估,能够通过比对分析识别出异常数据点或异常模式,这些识别出来的异常特征可能是由于设备故障、观测误差或异常气象现象引起的。通过准确识别异常特征和正常特征,可以分辨咸潮区域的风场环境异常情况,为后续的预测和模型建立提供可靠的输入数据,这将提高咸潮盐度预测的准确性和可信度,同时也帮助实时监测和预警系统的精度和可靠性。接下来,通过对咸潮区域风场环境异常特征进行异常校准处理,旨在去除异常数据的干扰和偏差。通过分析异常数据的来源和原因,对其进行修正或剔除,可以提高异常数据的准确性和可靠性。通过异常校准处理将使异常数据更加符合实际情况,为后续的预测和模拟提供更可靠的输入数据,能够提高预测模型的稳定性和准确性,减少异常数据对预测结果的干扰,同时提高对异常情况的敏感性。最后,通过使用时序分析技术对咸潮区域风场环境的正常特征和异常校准特征进行历史时间回溯整编,通过分析历史数据的时间序列变化趋势、周期性和相关性等,生成咸潮区域的历史风场集。这些数据包括不同时间段内的风场信息,为咸潮预测和模拟提供了宝贵的历史参考。通过历史时间回溯整编处理能够提供过去咸潮事件的模拟和回溯能力,加强对咸潮过程和演变规律的理解,从而为预测和应对未来咸潮事件提供基础支持。
优选地,步骤S13包括以下步骤:
步骤S131:对咸潮区域风场环境时空分布特征进行特征模式探索分析,得到咸潮区域风场环境时空分布特征模式数据;
步骤S132:利用异常值计算公式对咸潮区域风场环境时空分布特征模式数据进行异常检测计算,得到特征模式异常值;
其中,异常值计算公式如下所示:
;
式中,为特征模式异常值,/>为异常检测计算的时间范围上限,/>为异常检测计算的积分时间变量,/>为咸潮区域风场环境时空分布特征模式数据中特征模式指标的数量,/>为咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常波动系数,/>为咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的权重参数,/>为咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常波动尺度参数,/>为咸潮区域风场环境时空分布特征模式数据中风场参数的数量,/>为咸潮区域风场环境时空分布特征模式数据中第/>个风场参数的异常平方项,/>为咸潮区域风场环境时空分布特征模式数据中第/>个风场参数的异常变化参数,/>为咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常影响因子,/>为咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常影响指数衰减参数,/>为咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常影响调整参数,/>为异常影响归一化因子,/>为特征模式异常值的修正值;
步骤S133:根据预设的特征模式异常阈值对特征模式异常值进行异常评估比对,当特征模式异常值大于预设的特征模式异常阈值时,将咸潮区域风场环境时空分布特征模式数据标记为咸潮区域风场环境异常特征;
步骤S134:根据预设的特征模式异常阈值对特征模式异常值进行异常评估比对,当特征模式异常值不大于预设的特征模式异常阈值时,将咸潮区域风场环境时空分布特征模式数据标记为咸潮区域风场环境正常特征。
作为本发明的一个实施例,参考图3所示,为图2中步骤S13的详细步骤流程示意图,在本实施例中步骤S13包括以下步骤:
步骤S131:对咸潮区域风场环境时空分布特征进行特征模式探索分析,得到咸潮区域风场环境时空分布特征模式数据;
本发明实施例通过使用主成分分析、聚类分析、频谱分析等方法对咸潮区域风场环境时空分布特征进行探索和分析,以提取其中的潮汐模式、风速空间分布模式、风向变化模式等特征模式数据,最终得到咸潮区域风场环境时空分布特征模式数据。
步骤S132:利用异常值计算公式对咸潮区域风场环境时空分布特征模式数据进行异常检测计算,得到特征模式异常值;
本发明实施例通过结合异常检测计算的时间变量、特征模式指标的异常波动系数、权重参数、异常波动尺度参数、异常影响因子、异常影响指数衰减参数、异常影响调整参数、风场参数的异常平方项和异常变化参数、异常影响归一化因子以及相关参数构建一个合适的异常值计算公式对咸潮区域风场环境时空分布特征模式数据中每个特征模式进行异常检测计算,最终得到特征模式异常值。
其中,异常值计算公式如下所示:
;
式中,为特征模式异常值,/>为异常检测计算的时间范围上限,/>为异常检测计算的积分时间变量,/>为咸潮区域风场环境时空分布特征模式数据中特征模式指标的数量,/>为咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常波动系数,/>为咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的权重参数,/>为咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常波动尺度参数,/>为咸潮区域风场环境时空分布特征模式数据中风场参数的数量,/>为咸潮区域风场环境时空分布特征模式数据中第/>个风场参数的异常平方项,/>为咸潮区域风场环境时空分布特征模式数据中第/>个风场参数的异常变化参数,/>为咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常影响因子,/>为咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常影响指数衰减参数,/>为咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常影响调整参数,/>为异常影响归一化因子,/>为特征模式异常值的修正值;
本发明构建了一个异常值计算公式,用于对咸潮区域风场环境时空分布特征模式数据进行异常检测计算,该异常值计算公式综合考虑了各个特征模式指标的异常波动系数、权重参数和异常波动尺度参数。通过对这些指标参数进行加权求和,能够全面考虑咸潮区域风场环境时空分布特征的多个方面,使得异常值的计算更准确全面。该公式还考虑了风场参数的异常平方项和异常变化参数,这些参数可以反映咸潮区域风场环境的动态变化特征,对异常值的计算提供了重要的参考。通过将风场参数纳入公式中,能够更准确地判断特征模式的异常情况。另外,异常值计算公式还引入了异常影响因子、异常影响指数衰减参数和异常影响调整参数,这些参数可以调节特征模式异常值的计算方式,使得异常值能够更合理地与异常影响因子相匹配,这样可以提高异常检测的准确性和灵敏度。该公式充分考虑了特征模式异常值,异常检测计算的时间范围上限/>,异常检测计算的积分时间变量/>,咸潮区域风场环境时空分布特征模式数据中特征模式指标的数量/>,咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常波动系数/>,咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的权重参数/>,咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常波动尺度参数/>,咸潮区域风场环境时空分布特征模式数据中风场参数的数量/>,咸潮区域风场环境时空分布特征模式数据中第/>个风场参数的异常平方项/>,咸潮区域风场环境时空分布特征模式数据中第/>个风场参数的异常变化参数/>,咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常影响因子/>,咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常影响指数衰减参数/>,咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常影响调整参数/>,异常影响归一化因子/>,特征模式异常值的修正值/>,根据特征模式异常值/>与以上各参数之间的相互关联关系构成了一种函数关系:
;
该公式能够实现对咸潮区域风场环境时空分布特征模式数据的异常检测计算过程,同时,通过特征模式异常值的修正值的引入可以根据异常检测计算过程出现的特殊波动情况进行调整,从而提高异常值计算公式的准确性和稳定性。
步骤S133:根据预设的特征模式异常阈值对特征模式异常值进行异常评估比对,当特征模式异常值大于预设的特征模式异常阈值时,将咸潮区域风场环境时空分布特征模式数据标记为咸潮区域风场环境异常特征;
本发明实施例通过预先设定特征模式异常阈值,将计算得到的特征模式异常值对预设的特征模式异常阈值进行评估比对,当计算得到的特征模式异常值大于预设的特征模式异常阈值时,则将对应的咸潮区域风场环境时空分布特征模式数据标记为咸潮区域风场环境异常特征。
步骤S134:根据预设的特征模式异常阈值对特征模式异常值进行异常评估比对,当特征模式异常值不大于预设的特征模式异常阈值时,将咸潮区域风场环境时空分布特征模式数据标记为咸潮区域风场环境正常特征。
本发明实施例通过预先设定特征模式异常阈值,将计算得到的特征模式异常值对预设的特征模式异常阈值进行评估比对,当计算得到的特征模式异常值没有超过预设的特征模式异常阈值时,则将对应的咸潮区域风场环境时空分布特征模式数据标记为咸潮区域风场环境正常特征。
本发明首先通过对咸潮区域风场环境时空分布特征进行特征模式探索分析,可以发现其中的潮汐模式、风速空间分布模式、风向变化模式等特征,这些特征模式可以描述咸潮区域风场环境的规律性和变化趋势,揭示不同时间和空间尺度上的风场特征。特征模式数据的提取将有助于后续的异常检测和异常评估,为咸潮区域的风场预测和应对提供基础。然后,通过使用异常值计算公式对咸潮区域风场环境时空分布特征模式数据进行异常检测计算,可以量化特征模式的异常程度。异常值的计算考虑了特征模式指标的波动系数、权重参数、波动尺度以及风场参数的平方项和变化参数等因素,这样的计算公式可以综合考虑多个因素,从而提高异常检测的准确性和可靠性。接下来,通过比对特征模式异常值与预设的特征模式异常阈值,可以对异常值进行评估,判断是否达到异常的标准。当特征模式异常值超过阈值时,说明该特征模式对应的风场环境存在异常情况,可能与咸潮事件相关。标记咸潮区域风场环境时空分布特征模式数据为异常特征,有助于进一步分析异常原因和预测咸潮的发生。最后,对于不超过预设的特征模式异常阈值的特征模式异常值,将咸潮区域风场环境时空分布特征模式数据标记为正常特征。这意味着对应的风场环境数据没有异常,符合预期的风场模式。通过标记正常特征,可以将正常的风场环境进行筛选和优化,为咸潮预测和应对提供可靠的基准参考。
优选地,步骤S2包括以下步骤:
步骤S21:根据咸潮区域历史风场集对咸潮区域的水文数据进行时间对齐匹配,以得到咸潮区域历史水文数据;
本发明实施例首先通过从水文观测站中收集咸潮区域的水文数据,然后,将咸潮区域历史风场集与咸潮区域的水文数据进行时间对齐匹配,使得两者的时间轴对应起来,以确保风场数据与水文数据在时间上是一致的,并通过匹配获取与咸潮区域历史风场集在同一时刻的咸潮水文数据,最终得到咸潮区域历史水文数据。
步骤S22:根据咸潮区域历史风场集对咸潮区域的盐度分布数据进行时间对齐匹配,以得到咸潮区域历史盐度分布数据;
本发明实施例首先通过收集咸潮区域的盐度分布数据,然后,将咸潮区域历史风场集与咸潮区域的盐度分布数据进行时间对齐匹配,使得两者的时间轴对应起来,以确保风场数据与盐度分布数据在时间上是一致的,并通过匹配获取与咸潮区域历史风场集在同一时刻的咸潮盐度分布数据,最终得到咸潮区域历史盐度分布数据。
步骤S23:对咸潮区域历史风场集、咸潮区域历史水文数据和咸潮区域历史盐度分布数据进行多尺度特征提取,得到咸潮区域水文组合盐度特征;
本发明实施例通过使用时频分析、小波分析、相关性分析等方法对咸潮区域历史风场集、咸潮区域历史水文数据和咸潮区域历史盐度分布数据进行特征提取,以提取出反映咸潮区域水文和盐度特征的多种指标特征,包括海流速度的空间分布、水深的变化趋势、盐度梯度的强度等特征,然后,通过使用主成分分析方法对提取的特征进行降维整合,最终得到咸潮区域水文组合盐度特征。
步骤S24:对咸潮区域水文组合盐度特征进行数值模拟以构建三维盐度数值模型。
本发明实施例通过使用基于Navier-Stokes方程的数值模拟技术对咸潮区域水文组合盐度特征进行数值模拟,模拟咸潮区域中不同时间和空间尺度上的盐度分布情况以构建三维盐度数值模型。
本发明首先通过将咸潮区域历史风场集与咸潮区域的水文数据进行时间对齐匹配,可以将两者的时间轴对应起来,这样做的目的是确保风场数据和水文数据在时间上是一致的,以便进行后续的分析和模拟。通过时间对齐匹配,可以获取具体时间点上的水文数据,包括水深、海流速度、海水温度等指标,从而为后续的特征提取和数值模拟提供基础数据。然后,通过将咸潮区域历史风场集与咸潮区域的盐度分布数据进行时间对齐匹配,可以将风场数据和盐度数据在时间上进行对应,这样可以获取特定时间点上的盐度数据,包括海水盐度的空间分布和变化趋势。通过对盐度分布数据进行时间对齐匹配有助于了解咸潮区域的盐度变化情况,从而为后续的特征提取和数值模拟提供数据支持。接下来,通过对历史风场集、水文数据和盐度分布数据进行多尺度特征提取,可以提取出反映咸潮区域水文和盐度特征的多种指标,这些特征可以包括海流速度的空间分布、水深的变化趋势、盐度梯度的强度等。通过多尺度特征提取可以从不同层面、不同尺度上描述咸潮区域的水文组合盐度特征,从而为后续的数值模拟和分析提供详细的数据描述。最后,通过对咸潮区域的水文组合盐度特征进行数值模拟,可以构建三维盐度数值模型。该数值模拟过程通过使用数学和物理模型,基于已知的水文和盐度特征数据,模拟咸潮区域中不同时间和空间尺度上的盐度分布情况,这样的数值模型可以提供对咸潮区域盐度变化的预测和分析,从而为理解咸潮事件的形成机制、预测咸潮的发生等提供支持和依据。
优选地,步骤S24包括以下步骤:
步骤S241:对咸潮区域水文组合盐度特征进行时空关联分析,得到咸潮区域水文组合盐度关联特征;
本发明实施例通过使用相关性分析技术对咸潮区域水文组合盐度特征进行时空关联分析,以分析揭示水文数据和盐度数据之间的时空关联性,并根据时空关联性提取其中最具代表性的咸潮区域水文组合盐度特征,最终得到咸潮区域水文组合盐度关联特征。
步骤S242:对咸潮区域水文组合盐度关联特征进行信息增益降维处理,得到咸潮区域水文组合盐度增益降维特征;
本发明实施例首先通过使用信息增益方法对咸潮区域水文组合盐度关联特征进行信息增益处理,以保留筛选出最具信息量的关联特征,然后,通过使用主成分分析方法对增益后的关联特征进行降维处理,以降低关联特征的维度,最终得到咸潮区域水文组合盐度增益降维特征。
步骤S243:利用基于Navier-Stokes方程的数值模拟技术对咸潮区域水文组合盐度增益降维特征进行三维咸潮数值模拟,并结合高性能耦合物理建模处理,以得到三维盐度数值初始模拟模型;
本发明实施例通过使用基于Navier-Stokes方程的数值模拟技术对咸潮区域水文组合盐度增益降维特征进行三维咸潮数值模拟,以模拟咸潮的水文、风场、盐度分布等信息在时空上的变化,同时通过结合高性能计算进一步提高模拟的计算效率和精度,并通过对模拟结果进行物理耦合仿真建模,最终得到三维盐度数值初始模拟模型。
步骤S244:对咸潮区域水文组合盐度增益降维特征进行典型时序分析,得到典型咸潮区域水文组合盐度特征;
本发明实施例通过对咸潮区域水文组合盐度增益降维特征进行时序分析,包括周期性分析、趋势分析、相关性分析等方法,根据分析结果提取典型的咸潮区域水文组合盐度增益降维特征,最终得到典型咸潮区域水文组合盐度特征。
步骤S245:根据典型咸潮区域水文组合盐度特征对三维盐度数值初始模拟模型进行调整验证,以得到三维盐度数值模型。
本发明实施例通过使用分析得到的典型咸潮区域水文组合盐度特征对已构建的三维盐度数值初始模拟模型进行调整和验证,首先,根据典型特征的周期性、趋势等信息修正调整三维盐度数值初始模拟模型的边界条件、初始条件等参数,以使模型的模拟结果更符合实际观测和典型特征。然后,通过对经过调整后的三维盐度数值初始模拟模型进行数值模拟验证和评估,以确保模型能够准确模拟咸潮区域的盐度分布,最终得到三维盐度数值模型。
本发明首先通过对咸潮区域水文组合盐度特征进行时空关联分析,可以揭示水文和盐度之间的关联关系,这样做的目的是了解水文要素(如海流速度、水深等)与盐度分布之间的相关性,包括空间相关性和时间相关性。通过时空关联分析可以帮助识别出在不同位置和时间上,水文条件对于盐度分布的影响程度,从而为后续的数值模拟和分析提供关键信息。其次,通过对咸潮区域水文组合盐度关联特征进行信息增益降维处理,可以筛选出最具信息量的特征,减少数据维度,同时保留对咸潮现象具有显著影响的特征,这样能够提高模型的效率和可解释性,同时减少冗余信息。通过信息增益降维可以帮助缩小特征空间的规模,从而提高后续数值模拟和分析的效率。然后,通过基于Navier-Stokes方程的数值模拟技术,结合咸潮区域水文组合盐度增益降维特征,可以进行三维咸潮数值模拟。并结合高性能耦合物理建模处理可以进一步提高模拟的计算效率和精度。通过耦合不同的物理模型,可以更全面地考虑影响咸潮形成和演化的多个因素,以得到更真实可靠的数值模拟结果。通过采用物理建模处理和高性能计算方法,可以模拟咸潮的水动力过程和盐度分布情况,这样可以得到一个初始的三维盐度数值模拟模型,用于进一步分析和预测咸潮事件的发生和演化。接下来,通过对咸潮区域水文组合盐度增益降维特征进行典型时序分析,以提取出咸潮事件的典型特征,这些特征可以包括咸潮事件的周期性、持续时间、强度变化等。典型时序分析的结果有助于识别出咸潮事件的模式和规律,揭示咸潮现象在不同时间尺度上的变化特征,这对于咸潮的预测和管理具有重要意义,还可以用于和实际观测数据进行对比,验证数值模拟的准确性和可靠性,进一步优化数值模型,从而提高预测效果。最后,根据典型咸潮区域水文组合盐度特征对三维盐度数值初始模拟模型进行调整验证,可以验证数值模型的准确性和可靠性。通过与实际观测数据和典型特征的对比,可以验证模型能否准确地模拟咸潮事件的发生和演化情况。通过调整验证过程可以进一步优化数值模型,提高其精度和可预测性,从而得到更可信的三维盐度数值模型,这将为深入理解咸潮的形成机制和预测咸潮事件提供有力支持。
优选地,步骤S3包括以下步骤:
步骤S31:获取咸潮区域河床地形数据,并对咸潮区域河床地形数据进行河床几何结构抽取,得到咸潮区域水文组合河床结构特征;
本发明实施例通过使用遥感影像、地形测量仪器或其他地质调查工具获取咸潮区域河床地形数据,并对咸潮区域河床地形数据进行预处理,包括数据清洗、去噪和投影转换等步骤,以确保数据的质量和一致性。然后,针对咸潮区域的每个水文组合,从咸潮区域河床地形数据中提取河道的几何结构特征,包括河道的宽度、深度、坡度、长度等结构特征,最终得到咸潮区域水文组合河床结构特征。
步骤S32:利用河床结构糙率计算公式对咸潮区域水文组合河床结构特征进行河床糙率场提取计算,得到咸潮区域各水文组合河床糙率场;
本发明实施例通过结合河道长度、河床高程变化参数、河道宽度、水流最大流速、河道流量、河床坡度、河道水深、河道流量比、相应的糙率影响调节指数以及相关参数构建一个合适的河床结构糙率计算公式进行河床糙率场提取计算,最终得到咸潮区域各水文组合河床糙率场。
步骤S33:对咸潮区域各水文组合河床糙率场进行逐时面插值处理,得到咸潮区域河床糙率场数据集。
本发明实施例首先根据数据采集时间间隔,确定逐时面插值的时间步长,然后通过使用克里金插值、反距离加权插值等插值方法在不同时间步长和不同空间位置上对咸潮区域各水文组合河床糙率场进行逐时面插值,以获取连续的河床糙率场数据,最终得到咸潮区域河床糙率场数据集。
本发明首先通过获取咸潮区域的河床地形数据,这些数据可以来自于遥感影像、地形测量仪器或其他地质调查工具。同时,通过对咸潮区域河床地形数据进行河床几何结构抽取,可以获得咸潮区域水文组合河床的几何结构信息,这些几何结构特征可能包括河床的高程、坡度、形状等。通过对河床地形数据的分析和抽取,可以更好地理解咸潮区域河床的形态特征,为后续步骤的河床糙率场计算和插值处理提供准确的数据基础。然后,通过使用河床结构糙率计算公式对咸潮区域水文组合河床结构特征进行计算,以提取出河床糙率场。河床糙率是指河床表面的粗糙程度,是水流运动中重要的参数之一。通过计算河床糙率,可以了解咸潮区域各水文组合河床表面的摩擦阻力特征,进而了解水流在河道中的流动行为。获取咸潮区域各水文组合河床糙率场可以为后续的处理过程提供关键参数,从而提高河床糙率场的准确性和可靠性。最后,通过对咸潮区域各水文组合河床糙率场进行逐时面插值处理,该逐时面插值处理过程是一种空间插值方法,可以通过已知数据点的信息,推算出未知位置的数值,这样可以生成高空间分辨率的河床糙率场数据集。这些数据对于水动力模拟和水文预测具有重要意义。通过合理的插值处理,可以获得更加精细和全面的河床糙率场数据,从而提高模型的精度和预测能力,这有助于更准确地模拟和预测咸潮事件,为咸潮管理和应对措施的制定提供科学依据。
优选地,步骤S32中的河床结构糙率计算公式具体为:
;
式中,为咸潮区域各水文组合河床糙率场,/>为咸潮区域水文组合河床结构特征中的河道长度,/>为咸潮区域水文组合河床结构特征中沿河道长度方向的河床高程变化参数,/>为咸潮区域水文组合河床结构特征中的河道宽度,/>为河床高程对河道宽度的糙率影响调节指数,/>为咸潮区域水文组合河床结构特征中的水流最大流速,/>为咸潮区域水文组合河床结构特征中的河道流量,/>为水流最大流速对河道流量的糙率影响调节指数,/>为咸潮区域水文组合河床结构特征中沿水流方向的河床坡度,/>为咸潮区域水文组合河床结构特征中的河道水深,/>为河床坡度对河道水深的糙率影响调节指数,/>为咸潮区域水文组合河床结构特征中的河道流量比,/>为水流最大流速对河道流量比的糙率影响调节指数,/>为咸潮区域各水文组合河床糙率场的修正值。
本发明构建了一个河床结构糙率计算公式,用于对咸潮区域水文组合河床结构特征进行河床糙率场提取计算,该河床结构糙率计算公式综合考虑了多个咸潮区域水文组合河床结构特征的参数,包括河道长度、河床高程变化参数、河道宽度、水流最大流速、河道流量、河床坡度和河道水深等。通过将这些参数纳入公式中,能够全面考虑河床的几何结构和水文组合特征,使计算结果更准确。该公式还通过使用相应的糙率影响调节指数调节不同参数之间的影响关系,以反映特定参数对河床糙率的影响程度,并通过调节这些参数,可以根据具体情况对糙率计算进行合理的权衡和调整。通过对宽度、流速、坡度和水深等参数的影响调节指数进行加权计算,这样可以使得糙率计算更符合实际河床的形态和水文条件,从而提高了糙率场的准确性和可靠性。另外,该公式还引入了修正值,用于对河床糙率场进行修正,修正值可以考虑一些特定因素,如局部水动力条件、岩石覆盖或污染等对糙率的影响,以提高河床糙率场的精确度。该公式充分考虑了咸潮区域各水文组合河床糙率场,咸潮区域水文组合河床结构特征中的河道长度/>,咸潮区域水文组合河床结构特征中沿河道长度方向的河床高程变化参数/>,咸潮区域水文组合河床结构特征中的河道宽度/>,河床高程对河道宽度的糙率影响调节指数/>,咸潮区域水文组合河床结构特征中的水流最大流速/>,咸潮区域水文组合河床结构特征中的河道流量/>,水流最大流速对河道流量的糙率影响调节指数/>,咸潮区域水文组合河床结构特征中沿水流方向的河床坡度/>,咸潮区域水文组合河床结构特征中的河道水深/>,河床坡度对河道水深的糙率影响调节指数/>,咸潮区域水文组合河床结构特征中的河道流量比/>,水流最大流速对河道流量比的糙率影响调节指数/>,咸潮区域各水文组合河床糙率场的修正值/>,根据咸潮区域各水文组合河床糙率场/>与以上各参数之间的相互关联关系构成了一种函数关系,该公式能够实现对咸潮区域水文组合河床结构特征的河床糙率场提取计算过程,同时,通过咸潮区域各水文组合河床糙率场的修正值/>的引入可以根据实际情况进行调整,从而提高河床结构糙率计算公式的准确性和适用性。
优选地,步骤S33包括以下步骤:
步骤S331:利用河床糙率时空分布精度计算公式对咸潮区域各水文组合河床糙率场进行精度计算,得到河床糙率场时空分布精度值;
本发明实施例通过结合时间分布范围参数、河床水平方向分布范围参数、河床垂直方向分布范围参数、河床糙率以及相关参数构建一个合适的河床糙率时空分布精度计算公式对咸潮区域各水文组合河床糙率场进行精度计算,以量化河床糙率场的质量和准确性,最终得到河床糙率场时空分布精度值。
步骤S332:根据预设的河床糙率场时空分布精度阈值对河床糙率场时空分布精度值进行时空分布比对,当河床糙率场时空分布精度值大于预设的河床糙率场时空分布精度阈值时,将对应的咸潮区域各水文组合河床糙率场标记为不均匀河床糙率场;
本发明实施例通过预先设置一个合适的河床糙率场时空分布精度阈值,然后将计算得到的河床糙率场时空分布精度值与预设的河床糙率场时空分布精度阈值进行分布比较,当河床糙率场时空分布精度值大于预设的河床糙率场时空分布精度阈值时,则将该河床糙率场时空分布精度值对应的咸潮区域各水文组合河床糙率场标记为不均匀河床糙率场。
步骤S333:根据预设的河床糙率场时空分布精度阈值对河床糙率场时空分布精度值进行时空分布比对,当河床糙率场时空分布精度值不大于预设的河床糙率场时空分布精度阈值时,将对应的咸潮区域各水文组合河床糙率场标记为均匀河床糙率场;
本发明实施例通过预先设置一个合适的河床糙率场时空分布精度阈值,然后将计算得到的河床糙率场时空分布精度值与预设的河床糙率场时空分布精度阈值进行分布比较,当河床糙率场时空分布精度值不大于预设的河床糙率场时空分布精度阈值时,则将该河床糙率场时空分布精度值对应的咸潮区域各水文组合河床糙率场标记为均匀河床糙率场。
步骤S334:对不均匀河床糙率场进行逐时面插值处理,得到插值河床糙率场;
本发明实施例首先根据数据采集时间间隔,确定逐时面插值的时间步长,然后通过使用克里金插值、反距离加权插值等插值方法在不同时间步长和不同空间位置上对不均匀河床糙率场进行逐时面插值,以获取连续的河床糙率场,最终得到插值河床糙率场。
步骤S335:对插值河床糙率场以及均匀河床糙率场进行时序合并,得到咸潮区域河床糙率场数据集。
本发明实施例通过对插值河床糙率场以及均匀河床糙率场进行时序合并,将不同时间点获取的插值河床糙率场以及均匀河床糙率场进行整合,以确保数据的时间步对齐,最终得到咸潮区域河床糙率场数据集。
本发明首先通过使用河床糙率时空分布精度计算公式对咸潮区域各水文组合河床糙率场进行精度计算,可以量化河床糙率场的质量和准确性,并获得有关其对实际情况的匹配程度的重要信息,这有助于了解河床糙率场的空间变化特征,为水文模型和水力学分析提供准确的输入参数。通过计算和评估糙率场的精度,可以提高模型的可靠性和预测结果的准确性。其次,通过预设的河床糙率场时空分布精度阈值对河床糙率场时空分布精度值进行时空分布比对,以判断河床糙率场的均匀性,当河床糙率场时空分布精度值大于预设的阈值时,将该区域标记为不均匀河床糙率场,能够识别出可能存在较大误差或不连续性的糙率场区域,从而能够针对这些区域采取特殊处理措施,如进一步数据校正或逐时面插值的方法。通过标记不均匀河床糙率场,可以识别出存在不规则状况的区域,从而为后续处理和分析提供重要信息。然后,通过预设的河床糙率场时空分布精度阈值,将计算得到的河床糙率场时空分布精度值与该阈值进行比对,当河床糙率场时空分布精度值不大于预设的阈值时,将该区域标记为均匀河床糙率场,这样能够确定糙率场具有较高的精度和连续性的区域,这些区域的糙率场数据可以直接应用于后续的模型模拟,无需进一步的校正或处理,从而节省了时间和精力。接下来,通过对被标记为不均匀河床糙率场的区域进行逐时面插值处理,通过逐时面插值,可以填补不均匀糙率场的缺失数据或不连续性,生成连续且具有较高精度的插值结果,通过逐时面插值对不均匀河床糙率场进行处理,以填补区域之间的数据空缺,使得河床糙率场的空间分布更加连续和一致。插值后的河床糙率场可以更准确地表示咸潮区域的河床糙率特征,从而提高后续分析和应用的可靠性。最后,通过将插值河床糙率场和均匀河床糙率场进行时序合并,可以将不同时间点获取的糙率场数据进行整合,形成完整的时序数据集。这样的数据集具有时间信息,可以用于分析水流行为的时序变化、模拟洪水事件和预测水文过程,从而提供了更全面和准确的河床糙率场数据,为后续的模型模拟提供更可靠的依据,进一步提升三维盐度数值模型的准确性和可靠性。
优选地,步骤S331中的河床糙率时空分布精度计算公式具体为:
;
式中,为河床糙率场时空分布精度值,/>为时间分布范围下限,/>为时间分布范围上限,/>为河床水平方向分布范围下限,/>为河床水平方向分布范围上限,/>为河床垂直方向分布范围下限,/>为河床垂直方向分布范围上限,/>为咸潮区域各水文组合河床糙率场中的河床糙率,/>为河床水平方向分布范围参数,/>为河床垂直方向分布范围参数,/>为时间分布范围参数,/>为河床糙率场时空分布精度值的修正值。
本发明构建了一个河床糙率时空分布精度计算公式,用于对咸潮区域各水文组合河床糙率场进行精度计算,该河床糙率时空分布精度计算公式考虑了河床糙率场的时空变化特征,通过对时间和空间坐标的积分,可以对河床糙率场的时空分布情况进行全面的分析,在评估河床糙率场的精度时还考虑了其时序和空间分布。还通过使用相应的偏导数和二阶导数项表示河床糙率场在不同方向上的局部变化情况。通过对这些偏导数和二阶导数的求解和组合,可以综合考虑河床糙率场的斜率、曲率以及各方向的变化率,进一步描述了河床糙率场的空间特征。另外,还通过修正值对精度值进行修正,可以考虑一些特定因素,如数据采集误差、测量不确定性或模型近似误差等对精度的影响。通过引入修正值,可以使得计算结果更准确和可靠。该公式充分考虑了河床糙率场时空分布精度值,时间分布范围下限/>,时间分布范围上限/>,河床水平方向分布范围下限/>,河床水平方向分布范围上限,河床垂直方向分布范围下限/>,河床垂直方向分布范围上限/>,咸潮区域各水文组合河床糙率场中的河床糙率/>,河床水平方向分布范围参数/>,河床垂直方向分布范围参数/>,时间分布范围参数/>,河床糙率场时空分布精度值的修正值/>,根据河床糙率场时空分布精度值/>与以上各参数之间的相互关联关系构成了一种函数关系:
;
该公式能够实现对咸潮区域各水文组合河床糙率场的精度计算过程,同时,通过河床糙率场时空分布精度值的修正值的引入可以根据实际情况进行调整,从而提高河床糙率时空分布精度计算公式的准确性和稳定性。
优选地,步骤S5包括以下步骤:
步骤S51:对长时间盐度模拟数据场集进行时间步卷积处理,以得到各时间步盐度模拟空间特征数据;
本发明实施例通过使用卷积神经网络对长时间盐度模拟数据场集进行时空卷积特征提取,将长时间盐度模拟数据场集转化为各个时间步的盐度模拟空间特征,并通过卷积提取不同时间步的盐度模拟空间特征,最终得到各时间步盐度模拟空间特征数据。
步骤S52:按照预设的划分规则将各时间步盐度模拟空间特征数据划分为盐度模拟空间特征训练数据集和盐度模拟空间特征验证数据集;
本发明实施例根据预设的划分比例规则8:2将各时间步盐度模拟空间特征数据划分为训练集和验证集,最终得到盐度模拟空间特征训练数据集和盐度模拟空间特征验证数据集。
步骤S53:通过ConvGRU构建ConvGRU盐度预测模型,利用盐度模拟空间特征训练数据集对ConvGRU盐度预测模型进行深度学习训练,并利用反向传播算法不断调整模型参数,以得到ConvGRU盐度预测验证模型;
本发明实施例通过使用ConvGRU算法结构框架构建ConvGRU盐度预测模型,并将划分后得到的盐度模拟空间特征训练数据集作为ConvGRU盐度预测模型的输入进行模型训练,同时,通过使用反向传播算法不断调整模型参数以提高ConvGRU盐度预测模型的预测性能,最终得到ConvGRU盐度预测验证模型。
步骤S54:利用盐度模拟空间特征验证数据集对ConvGRU盐度预测验证模型进行迁移验证学习,以优化ConvGRU盐度预测验证模型的网络超参数,得到ConvGRU盐度预测优化模型;
本发明实施例通过使用划分得到的盐度模拟空间特征验证数据集对已经训练好的ConvGRU盐度预测验证模型进行迁移验证学习,将ConvGRU盐度预测验证模型迁移到盐度模拟空间特征验证数据集进行学习改善模型性能,通过微调模型的学习率、正则项等超参数适应盐度模拟空间特征验证数据集的特征,以优化ConvGRU盐度预测验证模型的网络超参数,最终得到ConvGRU盐度预测优化模型。
步骤S55:通过ConvGRU盐度预测优化模型对各时间步盐度模拟空间特征数据进行时间步预测处理,得到模型各层时间步的盐度模拟预测结果和盐度模拟通道数;
本发明实施例通过将各时间步盐度模拟空间特征数据作为ConvGRU盐度预测优化模型的输入,并利用ConvGRU盐度预测优化模型的模块化函数对模型中各层进行时间步模块划分处理,然后,根据模块化后的时序信息对各时间步盐度模拟空间特征数据进行盐度模拟预测,最终得到模型各层时间步的盐度模拟预测结果和盐度模拟通道数。
步骤S56:对模型各层时间步的盐度模拟预测结果和盐度模拟通道数进行目标时段集成预测,以生成目标时段盐度预测数据集;根据目标时段盐度预测数据集以执行相应的咸潮预报任务。
本发明实施例通过将模型各层时间步的盐度模拟预测结果和盐度模拟通道数作为下一层的输入进行迭代集成融合处理,根据预设的集成规则对各层时间步的盐度模拟预测结果进行加权平均并通过使用盐度模拟通道数调整集成预测结果的网络权重,同时对其进行目标时段预测,以预测生成目标时段盐度预测数据集。然后,根据预测生成的目标时段盐度预测数据集执行相应的潮位预报、咸潮水位预警等咸潮预报任务。
本发明首先通过对长时间盐度模拟数据场集进行时间步卷积处理,可以将空间特征数据转化为各个时间步的盐度模拟结果。通过卷积提取不同时间步的盐度模拟数据,能够为后续的盐度预测建模和分析提供了数据基础。通过时间步卷积处理,能够捕捉到盐度在时间上的动态变化特征,为模型的时序性分析提供了关键的输入。同时,根据预设的划分规则将各时间步盐度模拟空间特征数据划分为训练数据集和验证数据集,通过将数据集按照特定规则划分为训练和验证两部分,以保证模型的训练和评估的独立性和客观性。通过合理的数据划分,可以避免模型过拟合或欠拟合,并提供可靠的验证数据用于评估模型的性能。其次,通过使用ConvGRU算法框架构建ConvGRU盐度预测模型并进行深度学习训练,可以学习到盐度预测模型的复杂时空关系和动态变化规律。训练过程中通过利用盐度模拟空间特征训练数据集和反向传播算法,调整模型参数以最大程度地提升模型的预测准确性和泛化能力,从而获得了经过训练和优化的ConvGRU盐度预测验证模型,并为后续的盐度预测任务提供准确和可靠的模型基础。然后,通过使用盐度模拟空间特征验证数据集进行迁移验证学习,以进一步优化ConvGRU盐度预测验证模型的网络超参数,根据验证数据集的反馈,调整模型的超参数,并进一步提高模型的性能和适应能力。通过优化模型的网络结构和参数设置,可以使模型更好地拟合真实的盐度数据,并提高预测的准确性和稳定性。接下来,通过优化调整得到的ConvGRU盐度预测优化模型对各时间步盐度模拟空间特征数据进行时间步预测处理,能够生成模型各层时间步的盐度模拟预测结果和盐度模拟通道数。通过模型的预测处理,可以获得每个时间步的盐度预测值,并了解各个通道的盐度模拟情况,从而为后续的时序集成预测提供基础数据。最后,通过对模型各层时间步的盐度模拟预测结果和盐度模拟通道数进行目标时段集成预测,以生成目标时段的盐度预测数据集,这样能够将各个时间步预测结果和盐度模拟通道数进行集成整合预测,可以获得更准确和可靠的目标时段盐度预测结果,为咸潮预报任务提供可用的数据依据。根据目标时段盐度预测数据集,可以执行相应的咸潮预报任务,帮助预测和管理咸潮事件,从而支持相关决策和措施的制定。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
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)
1.一种基于ConvGRU的三维咸潮预报方法,其特征在于,包括以下步骤:
步骤S1:对咸潮区域进行风场环境感知提取,以得到咸潮区域风场环境数据;对咸潮区域风场环境数据进行历史回溯整编处理,得到咸潮区域历史风场集;
步骤S2:根据咸潮区域历史风场集对咸潮区域进行时间对齐匹配,以获取咸潮区域历史水文数据和咸潮区域历史盐度分布数据;对咸潮区域历史风场集、咸潮区域历史水文数据和咸潮区域历史盐度分布数据进行多尺度特征提取,得到咸潮区域水文组合盐度特征;对咸潮区域水文组合盐度特征进行数值模拟以构建三维盐度数值模型;
步骤S3:获取咸潮区域河床地形数据,并对咸潮区域河床地形数据进行河床几何结构抽取,得到咸潮区域水文组合河床结构特征;对咸潮区域水文组合河床结构特征进行河床糙率插值处理,得到咸潮区域河床糙率场数据集;
步骤S4:根据咸潮区域历史风场集以及咸潮区域河床糙率场数据集利用三维盐度数值模型进行盐度模拟,以生成长时间盐度模拟数据场集;
步骤S5:通过ConvGRU对长时间盐度模拟数据场集进行深度学习预测,以生成目标时段盐度预测数据集;根据目标时段盐度预测数据集以执行相应的咸潮预报任务。
2.根据权利要求1所述的基于ConvGRU的三维咸潮预报方法,其特征在于,包括以下步骤:
步骤S11:通过建立分布式环境传感网络对咸潮区域进行风场环境感知提取,以得到咸潮区域风场环境数据;
步骤S12:对咸潮区域风场环境数据进行时空分布探索分析,得到咸潮区域风场环境时空分布特征;
步骤S13:对咸潮区域风场环境时空分布特征进行质量异常评估,得到咸潮区域风场环境异常特征和咸潮区域风场环境正常特征;
步骤S14:对咸潮区域风场环境异常特征进行异常校准处理,得到咸潮区域风场环境异常校准特征;
步骤S15:利用时序分析技术对咸潮区域风场环境正常特征和咸潮区域风场环境异常校准特征进行历史时间回溯整编,得到咸潮区域历史风场集。
3.根据权利要求2所述的基于ConvGRU的三维咸潮预报方法,其特征在于,步骤S13包括以下步骤:
步骤S131:对咸潮区域风场环境时空分布特征进行特征模式探索分析,得到咸潮区域风场环境时空分布特征模式数据;
步骤S132:利用异常值计算公式对咸潮区域风场环境时空分布特征模式数据进行异常检测计算,得到特征模式异常值;
其中,异常值计算公式如下所示:
;
式中,为特征模式异常值,/>为异常检测计算的时间范围上限,/>为异常检测计算的积分时间变量,/>为咸潮区域风场环境时空分布特征模式数据中特征模式指标的数量,/>为咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常波动系数,/>为咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的权重参数,/>为咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常波动尺度参数,/>为咸潮区域风场环境时空分布特征模式数据中风场参数的数量,/>为咸潮区域风场环境时空分布特征模式数据中第/>个风场参数的异常平方项,/>为咸潮区域风场环境时空分布特征模式数据中第/>个风场参数的异常变化参数,/>为咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常影响因子,/>为咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常影响指数衰减参数,/>为咸潮区域风场环境时空分布特征模式数据中第/>个特征模式指标的异常影响调整参数,/>为异常影响归一化因子,/>为特征模式异常值的修正值;
步骤S133:根据预设的特征模式异常阈值对特征模式异常值进行异常评估比对,当特征模式异常值大于预设的特征模式异常阈值时,将咸潮区域风场环境时空分布特征模式数据标记为咸潮区域风场环境异常特征;
步骤S134:根据预设的特征模式异常阈值对特征模式异常值进行异常评估比对,当特征模式异常值不大于预设的特征模式异常阈值时,将咸潮区域风场环境时空分布特征模式数据标记为咸潮区域风场环境正常特征。
4.根据权利要求1所述的基于ConvGRU的三维咸潮预报方法,其特征在于,步骤S2包括以下步骤:
步骤S21:根据咸潮区域历史风场集对咸潮区域的水文数据进行时间对齐匹配,以得到咸潮区域历史水文数据;
步骤S22:根据咸潮区域历史风场集对咸潮区域的盐度分布数据进行时间对齐匹配,以得到咸潮区域历史盐度分布数据;
步骤S23:对咸潮区域历史风场集、咸潮区域历史水文数据和咸潮区域历史盐度分布数据进行多尺度特征提取,得到咸潮区域水文组合盐度特征;
步骤S24:对咸潮区域水文组合盐度特征进行数值模拟以构建三维盐度数值模型。
5.根据权利要求4所述的基于ConvGRU的三维咸潮预报方法,其特征在于,步骤S24包括以下步骤:
步骤S241:对咸潮区域水文组合盐度特征进行时空关联分析,得到咸潮区域水文组合盐度关联特征;
步骤S242:对咸潮区域水文组合盐度关联特征进行信息增益降维处理,得到咸潮区域水文组合盐度增益降维特征;
步骤S243:利用基于Navier-Stokes方程的数值模拟技术对咸潮区域水文组合盐度增益降维特征进行三维咸潮数值模拟,并结合高性能耦合物理建模处理,以得到三维盐度数值初始模拟模型;
步骤S244:对咸潮区域水文组合盐度增益降维特征进行典型时序分析,得到典型咸潮区域水文组合盐度特征;
步骤S245:根据典型咸潮区域水文组合盐度特征对三维盐度数值初始模拟模型进行调整验证,以得到三维盐度数值模型。
6.根据权利要求1所述的基于ConvGRU的三维咸潮预报方法,其特征在于,步骤S3包括以下步骤:
步骤S31:获取咸潮区域河床地形数据,并对咸潮区域河床地形数据进行河床几何结构抽取,得到咸潮区域水文组合河床结构特征;
步骤S32:利用河床结构糙率计算公式对咸潮区域水文组合河床结构特征进行河床糙率场提取计算,得到咸潮区域各水文组合河床糙率场;
步骤S33:对咸潮区域各水文组合河床糙率场进行逐时面插值处理,得到咸潮区域河床糙率场数据集。
7.根据权利要求6所述的基于ConvGRU的三维咸潮预报方法,其特征在于,步骤S32中的河床结构糙率计算公式具体为:
;
式中,为咸潮区域各水文组合河床糙率场,/>为咸潮区域水文组合河床结构特征中的河道长度,/>为咸潮区域水文组合河床结构特征中沿河道长度方向的河床高程变化参数,为咸潮区域水文组合河床结构特征中的河道宽度,/>为河床高程对河道宽度的糙率影响调节指数,/>为咸潮区域水文组合河床结构特征中的水流最大流速,/>为咸潮区域水文组合河床结构特征中的河道流量,/>为水流最大流速对河道流量的糙率影响调节指数,为咸潮区域水文组合河床结构特征中沿水流方向的河床坡度,/>为咸潮区域水文组合河床结构特征中的河道水深,/>为河床坡度对河道水深的糙率影响调节指数,/>为咸潮区域水文组合河床结构特征中的河道流量比,/>为水流最大流速对河道流量比的糙率影响调节指数,/>为咸潮区域各水文组合河床糙率场的修正值。
8.根据权利要求6所述的基于ConvGRU的三维咸潮预报方法,其特征在于,步骤S33包括以下步骤:
步骤S331:利用河床糙率时空分布精度计算公式对咸潮区域各水文组合河床糙率场进行精度计算,得到河床糙率场时空分布精度值;
步骤S332:根据预设的河床糙率场时空分布精度阈值对河床糙率场时空分布精度值进行时空分布比对,当河床糙率场时空分布精度值大于预设的河床糙率场时空分布精度阈值时,将对应的咸潮区域各水文组合河床糙率场标记为不均匀河床糙率场;
步骤S333:根据预设的河床糙率场时空分布精度阈值对河床糙率场时空分布精度值进行时空分布比对,当河床糙率场时空分布精度值不大于预设的河床糙率场时空分布精度阈值时,将对应的咸潮区域各水文组合河床糙率场标记为均匀河床糙率场;
步骤S334:对不均匀河床糙率场进行逐时面插值处理,得到插值河床糙率场;
步骤S335:对插值河床糙率场以及均匀河床糙率场进行时序合并,得到咸潮区域河床糙率场数据集。
9.根据权利要求8所述的基于ConvGRU的三维咸潮预报方法,其特征在于,步骤S331中的河床糙率时空分布精度计算公式具体为:
;
式中,为河床糙率场时空分布精度值,/>为时间分布范围下限,/>为时间分布范围上限,/>为河床水平方向分布范围下限,/>为河床水平方向分布范围上限,/>为河床垂直方向分布范围下限,/>为河床垂直方向分布范围上限,/>为咸潮区域各水文组合河床糙率场中的河床糙率,/>为河床水平方向分布范围参数,/>为河床垂直方向分布范围参数,/>为时间分布范围参数,/>为河床糙率场时空分布精度值的修正值。
10.根据权利要求1所述的基于ConvGRU的三维咸潮预报方法,其特征在于,步骤S5包括以下步骤:
步骤S51:对长时间盐度模拟数据场集进行时间步卷积处理,以得到各时间步盐度模拟空间特征数据;
步骤S52:按照预设的划分规则将各时间步盐度模拟空间特征数据划分为盐度模拟空间特征训练数据集和盐度模拟空间特征验证数据集;
步骤S53:通过ConvGRU构建ConvGRU盐度预测模型,利用盐度模拟空间特征训练数据集对ConvGRU盐度预测模型进行深度学习训练,并利用反向传播算法不断调整模型参数,以得到ConvGRU盐度预测验证模型;
步骤S54:利用盐度模拟空间特征验证数据集对ConvGRU盐度预测验证模型进行迁移验证学习,以优化ConvGRU盐度预测验证模型的网络超参数,得到ConvGRU盐度预测优化模型;
步骤S55:通过ConvGRU盐度预测优化模型对各时间步盐度模拟空间特征数据进行时间步预测处理,得到模型各层时间步的盐度模拟预测结果和盐度模拟通道数;
步骤S56:对模型各层时间步的盐度模拟预测结果和盐度模拟通道数进行目标时段集成预测,以生成目标时段盐度预测数据集;根据目标时段盐度预测数据集以执行相应的咸潮预报任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311345190.6A CN117077554B (zh) | 2023-10-18 | 2023-10-18 | 一种基于ConvGRU的三维咸潮预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311345190.6A CN117077554B (zh) | 2023-10-18 | 2023-10-18 | 一种基于ConvGRU的三维咸潮预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117077554A true CN117077554A (zh) | 2023-11-17 |
CN117077554B CN117077554B (zh) | 2024-01-30 |
Family
ID=88719827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311345190.6A Active CN117077554B (zh) | 2023-10-18 | 2023-10-18 | 一种基于ConvGRU的三维咸潮预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077554B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455206A (zh) * | 2023-12-25 | 2024-01-26 | 海江科技集团有限公司 | 一种基于摄像头图像识别的施工现场安全风险评估方法 |
CN118312775A (zh) * | 2024-04-01 | 2024-07-09 | 华南农业大学 | 一种基于lstm-gru-cnn集成模型的咸潮预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09185702A (ja) * | 1996-01-04 | 1997-07-15 | Hitachi Ltd | 河床形状補間方法および三次元情報補間方法および中線算出方法および外分線算出方法 |
US20030167125A1 (en) * | 2000-07-21 | 2003-09-04 | Jorg Seemann | Method for determining hydrographic parameters which describe a sea swell field in situ using a radar device |
US20050228623A1 (en) * | 2004-04-07 | 2005-10-13 | Earth Decision Sciences | Process, device and package for stochastic simulation of ancient riverbeds or ancient geological structures |
CN104298841A (zh) * | 2013-07-16 | 2015-01-21 | 杭州贵仁科技有限公司 | 一种基于历史数据的洪水预报方法和系统 |
CN107288092A (zh) * | 2016-09-22 | 2017-10-24 | 武汉大学 | 冲积通航河道枯水河槽形态调整预测模型的构建方法 |
EP3324182A1 (en) * | 2016-11-22 | 2018-05-23 | Universität Heidelberg | Moisture measurement apparatus |
KR101912627B1 (ko) * | 2017-05-30 | 2018-10-30 | 에스지에이블록체인 주식회사 | Gis 기반의 수문-수리모형 분석결과의 통합 가시화 방법 |
US20200272625A1 (en) * | 2019-02-22 | 2020-08-27 | National Geographic Society | Platform and method for evaluating, exploring, monitoring and predicting the status of regions of the planet through time |
-
2023
- 2023-10-18 CN CN202311345190.6A patent/CN117077554B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09185702A (ja) * | 1996-01-04 | 1997-07-15 | Hitachi Ltd | 河床形状補間方法および三次元情報補間方法および中線算出方法および外分線算出方法 |
US20030167125A1 (en) * | 2000-07-21 | 2003-09-04 | Jorg Seemann | Method for determining hydrographic parameters which describe a sea swell field in situ using a radar device |
US20050228623A1 (en) * | 2004-04-07 | 2005-10-13 | Earth Decision Sciences | Process, device and package for stochastic simulation of ancient riverbeds or ancient geological structures |
CN104298841A (zh) * | 2013-07-16 | 2015-01-21 | 杭州贵仁科技有限公司 | 一种基于历史数据的洪水预报方法和系统 |
CN107288092A (zh) * | 2016-09-22 | 2017-10-24 | 武汉大学 | 冲积通航河道枯水河槽形态调整预测模型的构建方法 |
EP3324182A1 (en) * | 2016-11-22 | 2018-05-23 | Universität Heidelberg | Moisture measurement apparatus |
KR101912627B1 (ko) * | 2017-05-30 | 2018-10-30 | 에스지에이블록체인 주식회사 | Gis 기반의 수문-수리모형 분석결과의 통합 가시화 방법 |
US20200272625A1 (en) * | 2019-02-22 | 2020-08-27 | National Geographic Society | Platform and method for evaluating, exploring, monitoring and predicting the status of regions of the planet through time |
Non-Patent Citations (2)
Title |
---|
JM HUNTER等: "Framework for developing hybrid process-driven, artificial neural network and regression models for salinity prediction in river systems", HYDROLOGY AND EARTH SYSTEM SCIENCES DISCUSSIONS, pages 2987 - 3006 * |
卢鹏宇;林凯荣;杨裕桂;袁菲;何用;: "基于多模型集成的月尺度磨刀门咸潮预测研究", 人民珠江, no. 10, pages 1 - 5 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455206A (zh) * | 2023-12-25 | 2024-01-26 | 海江科技集团有限公司 | 一种基于摄像头图像识别的施工现场安全风险评估方法 |
CN117455206B (zh) * | 2023-12-25 | 2024-03-08 | 海江科技集团有限公司 | 一种基于摄像头图像识别的施工现场安全风险评估方法 |
CN118312775A (zh) * | 2024-04-01 | 2024-07-09 | 华南农业大学 | 一种基于lstm-gru-cnn集成模型的咸潮预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117077554B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117077554B (zh) | 一种基于ConvGRU的三维咸潮预报方法 | |
Formetta et al. | Evaluating performance of simplified physically based models for shallow landslide susceptibility | |
Conforti et al. | Evaluation of prediction capability of the artificial neural networks for mapping landslide susceptibility in the Turbolo River catchment (northern Calabria, Italy) | |
Moreno et al. | Mapping daily global solar irradiation over Spain: a comparative study of selected approaches | |
CN112099110B (zh) | 基于机器学习和遥感数据的海洋内波预报方法 | |
CN108897977A (zh) | 一种基于大区域水文模拟的径流演变不确定归因方法 | |
He et al. | Assessing hydrological model predictive uncertainty using stochastically generated geological models | |
Sun et al. | From probabilistic back analyses to probabilistic run-out predictions of landslides: A case study of Heifangtai terrace, Gansu Province, China | |
CN117113854B (zh) | 一种基于ConvLSTM和三维数值模拟的咸潮预报方法 | |
Chen et al. | Global-search distributed-gauss-newton optimization method and its integration with the randomized-maximum-likelihood method for uncertainty quantification of reservoir performance | |
CN112446559A (zh) | 一种基于深度学习的大范围地面沉降时空预测方法和系统 | |
Behzadi et al. | Introducing a novel digital elevation model using artificial neural network algorithm | |
CN118152990B (zh) | 一种水文塔用在线测流系统 | |
CN115951361A (zh) | 基于大数据平台的海上风电桩的智能地形扫测方法 | |
CN117520718B (zh) | 一种感潮河流水文数据的处理方法及系统 | |
CN116777079A (zh) | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 | |
CN117405175B (zh) | 海洋环境智能监测系统 | |
CN114492984A (zh) | 粉尘浓度的时空分布预测方法、装置、设备和存储介质 | |
CN107729293A (zh) | 一种基于多元自适应回归的地理空间异常探测方法 | |
US10641662B2 (en) | Method for estimating geothermal gradient and device for estimating geothermal gradient | |
Miao et al. | Modeling and uncertainty analysis of seawater intrusion based on surrogate models | |
CN114236604B (zh) | 用于地震预报的监测数据处理方法、地震预报方法和系统 | |
Abbasnezhadi et al. | Hydrological assessment of meteorological network density through data assimilation simulation | |
Chen et al. | Wave record gap-filling using a low-rank tensor completion model | |
CN117709242B (zh) | 一种河口咸潮上溯强度评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |