CN117078114A - 引水工程影响下受水湖泊水质评价方法和系统 - Google Patents
引水工程影响下受水湖泊水质评价方法和系统 Download PDFInfo
- Publication number
- CN117078114A CN117078114A CN202311335133.XA CN202311335133A CN117078114A CN 117078114 A CN117078114 A CN 117078114A CN 202311335133 A CN202311335133 A CN 202311335133A CN 117078114 A CN117078114 A CN 117078114A
- Authority
- CN
- China
- Prior art keywords
- water quality
- lake
- water
- index
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 424
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000005070 sampling Methods 0.000 claims abstract description 75
- 239000011159 matrix material Substances 0.000 claims abstract description 72
- 238000004088 simulation Methods 0.000 claims abstract description 34
- 238000011160 research Methods 0.000 claims abstract description 31
- 238000000611 regression analysis Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 10
- 230000008901 benefit Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 239000002352 surface water Substances 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000001970 hydrokinetic effect Effects 0.000 claims description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 14
- 230000000694 effects Effects 0.000 description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 8
- 229910052760 oxygen Inorganic materials 0.000 description 8
- 239000001301 oxygen Substances 0.000 description 8
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 7
- 229910052757 nitrogen Inorganic materials 0.000 description 7
- 229910052698 phosphorus Inorganic materials 0.000 description 7
- 239000011574 phosphorus Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- -1 permanganate index Chemical compound 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000003911 water pollution 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/06—Electricity, gas or water supply
-
- 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
- G06Q50/08—Construction
-
- 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
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Abstract
本发明公开了一种引水工程影响下受水湖泊水质评价方法和系统，确定研究湖泊，采集湖泊研究数据并预处理，构建归一化数据矩阵；构建研究湖泊的数字模拟模型和物理模拟模型；构建水质评价指标集合，计算水质评价指标的相关关系和每个水质评价指标的综合权重指数；计算初步水质评价指标，并基于逐步回归分析筛选水环境影响关键指标；构建综合目标矩阵，采用TOPSIS法识别理想解和非理想解，计算修正后单个样本的综合水质评价指标；计算引水工程入湖距离和入湖水量对受水湖泊的影响参数，计算N次采样下综合水质评价指标，N为自然数。考虑了引水工程入湖距离和入湖水量对受水湖泊的影响参数，能够更真实地评价引水工程对湖泊水质的影响。
Description
技术领域
本发明涉及水文水利技术，尤其是引水工程影响下受水湖泊水质评价方法和系统。
背景技术
湖泊富营养化会严重影响当地环境，破坏水体生态平衡，威胁区域水环境安全，制约当地经济的可持续发展。因此，湖泊富营养化水平的准确评估是保护、控制水体和保障区域水环境安全的重要前提，对湖泊营养化水平的准确评估也有助于对水源地的保护。受人类活动以及地理环境差异的影响，不同流域的污染物特征和污染程度相差悬殊，水质评价指标也不尽相同。为解决气候变化和人类活动造成的水资源短缺和水质差的问题，全球范围内实施了大量引调水项目。从理论上讲，这项技术可以缩短湖泊的更新时间，并将营养物质排出湖泊，以减轻水污染。但引水工程在改善水质方面的作用由多种因素决定，如引水水量、引水水质、输水路线和运行规程等，同时，受水湖泊内的水质空间分布也受引水入湖的距离、微生境以及风生环流等因素影响。然而，引水对受水湖泊的长期水环境影响仍有较大争议，受水湖泊的综合水质评价也缺乏对引水工程影响的考虑。
总之，河流引水对湖泊水质评价是一个复杂的问题，涉及到水文、水力、水化学、水生态等多方面的因素，以及引水的目的、方式、时空尺度、环境背景等条件。目前还缺乏一个统一的、科学的、可操作的评价框架和方法，需要综合运用数学模型、实验模拟、现场监测等手段，建立合理的评价指标体系和评价标准。此外，河流引水对湖泊水质评价涉及到大量的数据采集、处理和分析，需要有完善的监测网络和设备，以及高效的数据管理和共享平台。然而，目前河流引水对湖泊水质评价的监测数据还不够充分和准确，存在数据缺失、不规范、不一致等问题，影响了评价结果的可靠性和可比性。再者，河流引水对湖泊水质评价涉及到多个部门和利益相关方，需要有良好的沟通协调机制和政策支持。然而，目前河流引水对湖泊水质评价还缺乏统一的法律法规和技术标准，导致评价结果难以落实到具体的管理措施和行动上。
现有的水质评价模型也存在一些局限性。例如，基于实验方法的模型十分耗时，而对于通过机器学习方法构建的模型，需要大量的数据来训练模型。而综合评价方法的结果主要基于有限的数据和具有高度主观性的人为判断，统计模型试图从观察到的数据中总结出一般规则，但是规则的泛化能力较低，不适合某些湖泊。
因此，需要开发一种引水工程影响下受水湖泊水质的综合评价方法。
发明内容
发明目的，提供一种引水工程影响下受水湖泊水质评价方法和系统，以解决现有技术存在的上述问题。
技术方案，根据本申请的一个方面，引水工程影响下受水湖泊水质评价方法，包括如下步骤：
步骤S1、确定研究湖泊，采集湖泊研究数据并预处理，构建归一化数据矩阵；构建研究湖泊的数字模拟模型和物理模拟模型；
步骤S2、构建水质评价指标集合，计算水质评价指标的相关关系和每个水质评价指标的综合权重指数；
步骤S3、计算初步水质评价指标，并基于逐步回归分析筛选水环境影响关键指标；
步骤S4、构建综合目标矩阵，采用TOPSIS法识别理想解和非理想解，计算修正后单个样本的综合水质评价指标；
步骤S5、计算引水工程入湖距离和入湖水量对受水湖泊的影响参数，计算N次采样下综合水质评价指标，N为自然数。
根据本申请的一个方面，所述步骤S1中采集湖泊研究数据并预处理，构建归一化数据矩阵的过程进一步包括：
步骤S11、从监测传感器获取m个水质参数的n个测量样本，从数据库或文献年鉴获取入湖水量和入湖水质数据；形成湖泊研究数据的样本数据集；m，n为自然数；
步骤S12、基于预配置的地表水质量分类标准，构建包括至少M个水质参数在内的分级标准矩阵；M为自然数；
步骤S13、基于样本数据集和分级标准矩阵，构建目标矩阵；
步骤S14、对目标矩阵的数据进行归一化处理，形成归一化目标矩阵，计算得到水质评价指标并将水质评价指标分为效益指标和成本指标。
根据本申请的一个方面，所述步骤S2进一步包括：
步骤S21、从归一化数据矩阵中提取水质评价指标数据，构建水质评价指标集合，计算每个采样点处各个水质评价指标的标准差和相互作用系数；
步骤S22、基于各个水质评价指标的标准差和相互作用系数，构建各个水质评价指标的综合权重系数。
根据本申请的一个方面，所述步骤S3进一步包括：
步骤S31、基于归一化的水质评价指标和综合权重系数，计算各个采样点的初步水质指数；
步骤S32、对归一化的水质评价指标的数值进行对数转换，使数据满足正态性；
步骤S33、以各个水质评价指标为自变量，以初步水质指数为因变量，建立初步水质指数与水质评价指标之间的多元线性回归分析模型；
步骤S34、基于多元线性回归分析模型的分析结果，确定解释初步水质指数的主要参数，通过主要参数筛选关键评价指标，以关键评价指标为基础构建综合指标。
根据本申请的一个方面，所述步骤S4进一步包括：
步骤S41、对综合指标的系数和归一化目标矩阵进行加权运算，得到归一化加权的综合目标矩阵；
步骤S42、获取归一化加权的综合目标矩阵中的正理想解和负理想解，并计算各个采样时间下各个采样点监测值与正理想解和负理想解之间的距离，获得每个采样点的相对贴进度；
步骤S43、对相对贴进度进行排序，并与水质分类标准对应的接近度进行比较，确定各个采样时间下，每个采样点的水质等级；
步骤S44、基于各个采样点的水质等级，计算修正后单个样本的综合水质指标。
根据本申请的一个方面，所述步骤S5进一步包括：
步骤S51、计算引水工程入湖距离对受水湖泊水质空间分布的影响系数αi=1-Di 2/∑Di 2；Di为引水入湖口到采样点的距离；
步骤S52、对受水湖泊一次采样时间P个采样点的综合水质评价计算，P为大于1的自然数；
步骤S53、计算引水工程入湖水量对受水湖泊水质分布的影响系数；并对引水工程受水湖泊K次采样下水质进行综合评价，K为大于1的自然数。
根据本申请的一个方面，所述步骤S1中，通过从湖泊研究数据提取研究湖泊的地理高程数据和水文水动力数据，构建研究湖泊的数字模拟模型和物理模拟模型后，还包括如下步骤：
步骤S1a、在数字模拟模型中将研究湖泊分成至少两个子区域，将每个子区域作为一个节点，根据节点之间的距离和相似性设置边和权重，构建动态图模型；每个节点的特征向量由修正后单个样本的综合水质指标组成；
步骤S1b、使用GNN模块对每个节点的特征向量进行特征提取和信息传递，得到每个节点的嵌入向量；
步骤S1c、使用全连接层对每个节点的嵌入向量进行分类或回归，得到每个节点的水质等级或指标；
步骤S1d、将受水湖泊在不同时间段内的多次采样数据作为一个时序序列，并将每个时刻的数据作为一个输入向量；每个输入向量由修正后单个样本的综合水质指标Mi组成；使用LSTM对每个输入向量进行特征提取和记忆更新，得到每个时刻的隐藏状态向量；
步骤S1e、使用一个全连接层对每个隐藏状态向量进行分类或回归，得到每个时刻的水质等级或指标；
步骤S1f、将得到的每个时刻的水质等级与监测数据进行比较，得到仿真差值集合，基于仿真差值集合修改数字模拟模型和物理模拟模型的设计参数。
根据本申请的一个方面，所述步骤S5还包括：
步骤S5a、构建并使用SOM方法对受水湖泊的水质数据进行时空聚类分析：
读取受水湖泊各个采样点修正后的综合水质指标和水质数据，并进行时空划分，得到水质三维数据矩阵；
通过将每个时间段内每个空间区域内的所有水质指标作为一个样本；然后将水质三维数据矩阵转换为水质二维数据矩阵；
构建并使用SOM模型对水质二维数据矩阵进行聚类分析，得到二维的神经元网格；
使用SOM模型的输出结果对受水湖泊的水质数据进行分类和可视化，得到水质的时空分布和变化趋势；
基于水质的时空分布和变化趋势，对研究湖泊的入湖水量和水质的影响系数进行校验，并给出输出结果。
根据本申请的一个方面，还包括步骤S5b、
在验证符合预期值后，基于水质的时空分布和变化趋势，设置综合指标阈值，并基于综合指标阈值，将每次引水过程的研究湖泊划定至少两个边界随时间变化的统计区域，计算每次引水过程中，每个统计区域的空间平均水质数据和预定时间内的总的水质数据，并求和；获得每次引水过程的总评价数据。
根据本申请的另一个方面，提供一种引水工程影响下受水湖泊水质评价系统，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技术方案所述的引水工程影响下受水湖泊水质评价方法。
有益效果，考虑了引水工程入湖距离和入湖水量对受水湖泊的影响参数，能够更真实地评价引水工程对湖泊水质的影响。相关技术优势将在下文进行描述。
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。
图6是本发明步骤S5的流程图。
具体实施方式
如图1所示，根据本申请的一个方面，引水工程影响下受水湖泊水质评价方法，包括如下步骤：
步骤S1、确定研究湖泊，采集湖泊研究数据并预处理，构建归一化数据矩阵；构建研究湖泊的数字模拟模型和物理模拟模型；
步骤S2、构建水质评价指标集合，计算水质评价指标的相关关系和每个水质评价指标的综合权重指数；
步骤S3、计算初步水质评价指标，并基于逐步回归分析筛选水环境影响关键指标；
步骤S4、构建综合目标矩阵，采用TOPSIS法识别理想解和非理想解，计算修正后单个样本的综合水质评价指标；
步骤S5、计算引水工程入湖距离和入湖水量对受水湖泊的影响参数，计算N次采样下综合水质评价指标，N为自然数。
在本实施例中，综合了实际监测数据，以及数字模拟模型和物理模拟模型，能够更准确地反映湖泊的水文水质特征。数字模拟模型利用计算机技术，快速地模拟湖泊的水动力和水质变化，但是可能存在一定的误差和不确定性。物理模拟模型可以利用实验设备，直观地观察湖泊的水流和污染物输运，但是可能存在一定的局限性和缺陷。通过将两种模型和实测数据相结合，可以互补其优缺点，提高湖泊水质评价的可靠性和有效性。本实施例采用了多指标综合评价法，能够全面地评价湖泊的水质状况。水质评价指标集合包括了物理、化学、生物、生态等多方面的指标，能够反映湖泊的各种水质特征。通过计算每个指标的相关关系和综合权重指数，可以消除指标之间的冗余和矛盾，提高湖泊水质评价的客观性和科学性。通过逐步回归分析法，能够有效地筛选出水环境影响关键指标。逐步回归分析法根据数据的相关性和显著性，逐步地选择或排除变量，从而得到最优的回归方程。通过这种方法，可以找出对湖泊水质影响最大的指标，从而简化湖泊水质评价的复杂度和难度。通过TOPSIS法，能够灵活地识别理想解和非理想解，计算修正后单个样本的综合水质评价指标。TOPSIS法根据每个样本与正理想解和非理想解的距离，计算其相对接近度，从而得到其综合评价值。通过这种方法，可以考虑每个样本在各个指标上的表现，从而更准确地反映其水质状况。还考虑了引水工程入湖距离和入湖水量对受水湖泊的影响参数，能够更真实地评价引水工程对湖泊水质的影响。引水工程会改变湖泊的水量、水位、水流等因素，从而影响湖泊的水质。通过计算不同入湖距离和入湖水量下的综合水质评价指标，可以分析引水工程对受水湖泊造成的正面或负面影响。且每次引水过程会导致研究湖泊的水质在时间和空间上发生变化，如何进行统计分析，是非常困难的，相关计算细节将在下文进行描述。
如图2所示，根据本申请的一个方面，所述步骤S1中采集湖泊研究数据并预处理，构建归一化数据矩阵的过程进一步包括：
步骤S11、从监测传感器获取m个水质参数的n个测量样本，从数据库或文献年鉴获取入湖水量和入湖水质数据；形成湖泊研究数据的样本数据集；m，n为自然数；
步骤S12、基于预配置的地表水质量分类标准，构建包括至少M个水质参数在内的分级标准矩阵；M为自然数；
步骤S13、基于样本数据集和分级标准矩阵，构建目标矩阵；
步骤S14、对目标矩阵的数据进行归一化处理，形成归一化目标矩阵，计算得到水质评价指标并将水质评价指标分为效益指标和成本指标。
例如，在某个实施例中，可以采用如下方式实现，通过野外监测等方法获取采样信息，水质数据，以及相关文献年鉴获取引水入湖的水量、水质等参数，其中水质参数个数为m，测量样本数量为n；根据《地表水质量标准》（GB3838-2002），水质参数等级可以分为五类，构建多个参数的分级标准矩阵Am×5；基于样本数据集和标准矩阵，构建目标矩阵B(5+n)×m；对目标矩阵的数据进行归一化，将水质指标分为效益指标和成本指标。当水质指标值越大，表示水质越好的情况，为效益指标。相反，水质指标值越大，表明水质越差，则为成本指标。对效益指标归一化方式为Ci,j=(ci,j-b1,j)/ (b5,j-b1,j)，而成本指标的归一化方式为Ci,j=(b1,j- ci,j)/ (b5,j-b1,j)，其中i=1,2,…n; j=1,2, …m; ci,j为第i个样品，第j个水质参数的测量值，b1,j为第j个水质参数对应的Ⅰ级标准值，b5,j为第j个水质参数对应的Ⅴ级标准值。
比如，可以选择m=8个水质参数：pH值、溶解氧、高锰酸盐指数、氨氮、总磷、总氮、叶绿素a和透明度。在不同的时间和位置对湖泊进行采样，得到n=20个测量样本。从相关的数据库或文献年鉴中获取入湖水量和入湖水质数据，例如，入湖水量为1000万立方米/年，入湖水质为IV类，将这些数据整理成样本数据集。根据《地表水环境质量标准》(GB3838-2002)，构建一个包括M=8个水质参数在内的分级标准矩阵。根据样本数据集和分级标准矩阵，对每个样本的每个水质参数进行类别划分，得到一个目标矩阵，根据目标矩阵的数据，对每个水质参数进行归一化处理，使其值在[0,1]之间。其中，pH值、溶解氧、透明度等为效益指标。通过上述处理，得到一个归一化目标矩阵。
如图3所示，根据本申请的一个方面，所述步骤S2进一步包括：
步骤S21、从归一化数据矩阵中提取水质评价指标数据，构建水质评价指标集合，计算每个采样点处各个水质评价指标的标准差和相互作用系数；
步骤S22、基于各个水质评价指标的标准差和相互作用系数，构建各个水质评价指标的综合权重系数。
例如，在某个实施例中，可以如下方式实现：计算每个采样点各个水质指标的标准差Sj=(∑n i=1(Ci,j-(C1,j+C2,j+…Cn,j)/n)2/n)1/2，其中j=1,2,…m；计算水质指标之间的相互作用系数 Pj=∑n k=1(1-Qj,k), 其中j=1,2,…m；i=1,2,...,n;
Qj,k=∑i=1 n(Ci,j-Cj -)(Ci,k-Ck -)/(∑i=1 n(Ci,j-Cj -)2∑i=1 n(Ci,k-Ck -)2)1/2；
j,k=1,2,…m;Cj -=(C1,j+C2,j+…Cn,j)/n；Ck-为第j个水质指标的平均值；
计算各个水质指标的综合权重系数ωj=Sj・Pj/ ∑m j=1Sj・Pj；Cij为第i个采样点的第j个水质指标。ωj为第j个水质指标的综合权重系数；Sj为第j个水质指标的标准差；Pj为第j个水质指标的相互作用系数。
作为一个例子，可以选择以下m=4个水质评价指标：pH值、溶解氧、总磷、总氮。从归一化数据矩阵中提取这些指标的数据，构建一个水质评价指标集合，可以是二维表格的形式。通过上述公式计算每个采样点处各个水质评价指标的标准差和相互作用系数。标准差反映了水质指标在空间上的变异程度，相互作用系数反映了水质指标之间的相关性。得到水质指标的标准差和相互作用系数。根据各个水质指标的标准差和相互作用系数，计算各个水质指标的综合权重系数，反映了各个水质指标对水质评价的重要性。上述公式应用到上述二维表格中的数据，就可以得到各个水质指标的综合权重系数。即可得到一个综合权重系数矩阵，用于后续的水质评价。该方案能够解决的技术问题是如何根据水质指标的空间变异和相关性，确定各个水质指标对水质评价的影响程度。能够达到的技术效果是提高了水质评价的客观性和科学性。在本实施例中，推理过程是基于统计学原理，利用归一化数据矩阵中的信息，计算各个水质指标的标准差和相互作用系数，然后根据乘积法则，构建各个水质指标的综合权重系数。
如图4所示，根据本申请的一个方面，所述步骤S3进一步包括：
步骤S31、基于归一化的水质评价指标和综合权重系数，计算各个采样点的初步水质指数；计算公式为WQi=∑n j=1ωjCi,j；WQi为第i个采样点的初步水质指数；ωj为第j个水质评价指标的综合权重系数；Ci,j为第i个采样点的第j个水质评价指标的归一化值；
步骤S32、对归一化的水质评价指标的数值进行对数转换，即lg(Ci,j+1)，使数据满足正态性；为第i个采样点的第j个水质评价指标的对数转换值；Ci,j为第i个采样点的第j个水质评价指标的归一化值。
步骤S33、以各个水质评价指标为自变量，以初步水质指数为因变量，建立初步水质指数与水质评价指标之间的多元线性回归分析模型；
；WQi为第i个采样点的初步水质指数；Li,j为第i个采样点的第j个水质评价指标的对数转换值；β0为常数项；βj为第j个水质评价指标的回归系数；εi为随机误差项。用于分析各个水质评价指标对初步水质指数的影响程度和方向。
步骤S34、基于多元线性回归分析模型的分析结果，确定解释初步水质指数的主要参数，通过主要参数筛选关键评价指标，以关键评价指标为基础构建综合指标。
基于多元线性回归分析模型的分析结果，确定解释初步水质指数的主要参数。一般来说，可以根据t值和p值来判断各个参数的显著性。t值越大，p值越小，说明该参数对初步水质指数的影响越显著。在一个实施例中，β2、β3和β4的t值都大于2，p值都小于0.05，说明它们是解释初步水质指数的主要参数。而β1的t值为0，p值为1，说明它对初步水质指数没有影响。因此，可以通过主要参数筛选关键评价指标，即溶解氧、总磷和总氮。以关键评价指标为基础构建综合指标，即：
CIi=ω2Ci,2+ω3Ci,3+ω4Ci,4；其中，CIi为第i个采样点的综合指标；ωj为第j个水质评价指标的综合权重系数；Ci,j为第i个采样点的第j个水质评价指标的归一化值。
在该实施例中，基于多元线性回归分析的原理，利用对数转换后的数据，建立初步水质指数与水质评价指标之间的关系模型，然后根据模型的参数估计和显著性检验，筛选出对初步水质指数影响最大的关键评价指标。这样可以减少水质评价指标的数量，提高水质评价的效率和精度。通过这样的处理，得到一个综合指标矩阵，用于后续的水质评价。该实施例能够解决的技术问题是如何根据多元线性回归分析模型，筛选出对初步水质指数影响最大的关键评价指标。该实施例能够达到的技术效果是简化了水质评价的复杂度和难度。
如图5所示，根据本申请的一个方面，所述步骤S4进一步包括：
步骤S41、对综合指标的系数和归一化目标矩阵进行加权运算，得到归一化加权的综合目标矩阵；以反映各个采样点在各个评价指标上的相对水平。加权运算公式如下：
Yi,j=ωjXi,j；其中，Yi,j为第i个采样点在第j个评价指标上的归一化加权值；ωj为第j个评价指标的系数；Xi,j为第i个采样点在第j个评价指标上的归一化值。
步骤S42、获取归一化加权的综合目标矩阵中的正理想解和负理想解，并计算各个采样时间下各个采样点监测值与正理想解和负理想解之间的距离，获得每个采样点的相对贴进度；
步骤S43、对相对贴进度进行排序，并与水质分类标准对应的接近度进行比较，确定各个采样时间下，每个采样点的水质等级；水质等级反映了各个采样点水质的优劣程度。
步骤S44、基于各个采样点的水质等级，计算修正后单个样本的综合水质指标。
在某个实施例中，可以采用如下过程：对综合指标系数和归一化目标矩阵进行加权运算，可以得到归一化加权的综合目标矩阵；识别归一化综合目标矩阵中理想解(C+ i,j)和负理想解(C- i,j)，综合对象矩阵的理想解包含水质指标的所有最大值，即C+ i,j=max((ωjCi,j)；而负理想解包含水质指标的所有最小值，即C- i,j=min(ωjCi,j)；计算各个采样时间下各个采样点监测值与理想解和负理想解之间的距离，来获得每个采样点的相对接近度，即Фi=(∑j=1 m(ωjCi,j- C- i,j)2)1/2/((∑m j=1(ωjCi,j-C+ i,j)2)1/2+(∑m j=1(ωjCi,j- C- i,j)2)1/2)，其中i=1,2,…(n+5)，当i=1,2,3,4,5时，对应五类水质标准的相对接近度，i>5时，对应采样样品的相对接近度。对每个样品的测量值相对接近度Фi进行排序，与水质五级标准对应的接近度进行比较，确定各个采样时间下，每个采样点的水质等级Ni，其中i=5,6,…n; 计算修正后单个样本的综合水质指标，Mi=(Ni-1)×20%+ (Фi-ФNi-1)/( ФNi-ФNi-1)×20%, 其中i=5,6,…n。
如图6所示，根据本申请的一个方面，所述步骤S5进一步包括：
步骤S51、计算引水工程入湖距离对受水湖泊水质空间分布的影响系数αi=1-Di 2/∑Di 2；Di为引水入湖口到采样点的距离；
步骤S52、对受水湖泊一次采样时间P个采样点的综合水质评价计算，P为大于1的自然数；第k次采样的多个采样点指标进行加权计算公式为M*k=αi×Mi;
步骤S53、计算引水工程入湖水量对受水湖泊水质分布的影响系数βi=Q2in/∑Q2in；并对引水工程受水湖泊K次采样下水质进行综合评价M**=αi×βi×Mi，K为大于1的自然数。
在本实施例中，综合考虑引水工程对受水湖泊水质的影响，包括入湖水量和入湖距离两个因素，使水质评价更加全面和科学；利用多元线性回归分析和理想点法，筛选出关键评价指标，简化水质评价的复杂度和难度，提高水质评价的效率和精度；根据不同的采样时间和采样点，计算出修正后的综合水质指标和水质等级，反映出受水湖泊水质的空间分布和变化趋势。
根据本申请的一个方面，所述步骤S1中，通过从湖泊研究数据提取研究湖泊的地理高程数据和水文水动力数据，构建研究湖泊的数字模拟模型和物理模拟模型后，还包括如下步骤：
步骤S1a、在数字模拟模型中将研究湖泊分成至少两个子区域，将每个子区域作为一个节点，根据节点之间的距离和相似性设置边和权重，构建动态图模型；每个节点的特征向量由修正后单个样本的综合水质指标组成；可以使用四个评价指标（pH值、溶解氧、总磷、总氮），那么每个节点的特征向量就是一个四维向量。根据节点之间的距离和相似性设置边和权重，构建动态图模型。例如，如果两个节点之间的距离越近，或者两个节点之间的水质越相似，那么它们之间的边就越强，权重就越大。使用不同的方法来计算距离和相似性，例如欧氏距离、皮尔逊相关系数等。
步骤S1b、使用GNN模块对每个节点的特征向量进行特征提取和信息传递，得到每个节点的嵌入向量；GNN模块是一种图神经网络，可以利用图结构来学习节点之间的空间依赖关系。GNN模块由若干层组成，每一层都会更新每个节点的特征向量，使其包含更多邻居节点的信息。
步骤S1c、使用全连接层对每个节点的嵌入向量进行分类或回归，得到每个节点的水质等级或指标；可以使用softmax函数作为激活函数，并使用交叉熵损失函数来优化模型参数。如果目标是回归，则使用恒等函数作为激活函数，并使用均方误差损失函数来优化模型参数。
步骤S1d、将受水湖泊在不同时间段内的多次采样数据作为一个时序序列，并将每个时刻的数据作为一个输入向量；每个输入向量由修正后单个样本的综合水质指标Mi组成；使用LSTM对每个输入向量进行特征提取和记忆更新，得到每个时刻的隐藏状态向量；例如，在一年内对受水湖泊进行了12次采样，那么就可以得到一个长度为12的时序序列，每个时刻对应一个月份。每个时刻的数据由修正后单个样本的综合水质指标Mi组成，例如，如果使用了四个评价指标（pH值、溶解氧、总磷、总氮），那么每个时刻的数据就是一个四维向量。可以使用LSTM对每个输入向量进行特征提取和记忆更新，得到每个时刻的隐藏状态向量。
步骤S1e、使用一个全连接层对每个隐藏状态向量进行分类或回归，得到每个时刻的水质等级或指标；
步骤S1f、将得到的每个时刻的水质等级与监测数据进行比较，得到仿真差值集合，基于仿真差值集合修改数字模拟模型和物理模拟模型的设计参数。
本实施例基于循环神经网络的原理，利用长短期记忆单元来更新隐藏状态和记忆单元，并利用全连接层来映射隐藏状态到输出空间。得到每个时刻的水质等级或指标矩阵，用于后续的水质评价。本实施例能够解决的技术问题是如何利用LSTM来学习时序数据中的时间依赖关系，并根据历史数据来预测未来数据。
根据本申请的一个方面，所述步骤S5还包括：
步骤S5a、构建并使用SOM方法对受水湖泊的水质数据进行时空聚类分析：
读取受水湖泊各个采样点修正后的综合水质指标和水质数据，并进行时空划分，得到水质三维数据矩阵；
通过将每个时间段内每个空间区域内的所有水质指标作为一个样本；然后将水质三维数据矩阵转换为水质二维数据矩阵；
构建并使用SOM模型对水质二维数据矩阵进行聚类分析，得到二维的神经元网格；
使用SOM模型的输出结果对受水湖泊的水质数据进行分类和可视化，得到水质的时空分布和变化趋势；
基于水质的时空分布和变化趋势，对研究湖泊的入湖水量和水质的影响系数进行校验，并给出输出结果。
在某个实施例中，可以从4中获取受水湖泊各个采样点修正后的综合水质指标和水质数据，包括pH值、溶解氧、总磷、总氮等。根据不同的时间段（如月份、季节等）和不同的空间区域（如湖泊的上游、中游、下游等，或者根据水质进行区域划分）对数据进行划分，得到一个三维的数据矩阵，其中每个元素表示一个时间段内一个空间区域内的一个水质指标的平均值或最大值或最小值等。将每个时间段内每个空间区域内的所有水质指标作为一个样本，例如，如果使用了四个评价指标（pH值、溶解氧、总磷、总氮），那么每个样本就是一个四维向量。将水质三维数据矩阵转换为水质二维数据矩阵，其中每一行表示一个样本，每一列表示一个特征。例如，如果有12个时间段和3个空间区域，那么就可以得到一个36行4列的水质二维数据矩阵。可以构建并使用SOM模型对水质二维数据矩阵进行聚类分析，得到二维的神经元网格。SOM模型是一种无监督的神经网络模型，可以利用自组织映射算法将高维的输入数据映射到低维的输出空间，并保持输入数据之间的拓扑关系。SOM模型由若干个神经元组成，每个神经元有一个权重向量和一个位置向量。SOM模型可以将输入样本映射到二维的神经元网格上，并形成不同的聚类区域。根据的数据规模和聚类目标来设置神经元网格的大小和形状，例如，设置一个6×6的正方形网格或一个8×4的长方形网格等。可以使用SOM模型的输出结果对受水湖泊的水质数据进行分类和可视化，得到水质的时空分布和变化趋势。根据神经元网格上的不同聚类区域来划分水质等级，并给每个区域赋予不同的颜色或符号。将神经元网格上的每个神经元与其对应的时间段和空间区域相联系，并在地图或时间轴上进行标注。使用不同的图形或表格来展示水质数据的统计特征或变化规律，例如，使用柱状图、折线图、散点图、饼图、雷达图等。可以使用提供的SOM模型可视化工具来辅助完成这一步骤。基于水质的时空分布和变化趋势，对研究湖泊的入湖水量和水质的影响系数进行校验，并给出输出结果。使用相关分析或回归分析等方法来检验入湖水量和水质与受水湖泊水质之间的关系，并计算出影响系数。使用提供的相关分析或回归分析工具来辅助完成这一步骤。将影响系数与之前设定的设计参数进行比较，并给出评价意见或建议。
基于SOM模型原理，利用自组织映射算法将高维数据映射到低维空间，并利用神经元网格来表示数据之间的相似性和差异性。通过这样的处理流程，利用SOM模型对受水湖泊的水质数据进行时空聚类分析，并得到水质的时空分布和变化趋势。这个方案能够解决的技术问题是如何利用无监督学习方法来发现水质数据中的隐藏模式和结构，并根据拓扑关系来划分水质等级和区域。这个方案能够达到的技术效果是提高了水质评价的客观性和灵活性，并能够直观地展示水质数据的多维特征和动态变化。
根据本申请的一个方面，还包括步骤S5b、
在验证符合预期值后，基于水质的时空分布和变化趋势，设置综合指标阈值；
并基于综合指标阈值，将每次引水过程的研究湖泊划定至少两个边界随时间变化的统计区域；
计算每次引水过程中，每个统计区域的空间平均水质数据和预定时间内的总的水质数据，并求和；获得每次引水过程的总评价数据。
在某个实施例中，可以在验证符合预期值后，基于水质的时空分布和变化趋势，设置综合指标阈值。综合指标阈值是一个判断水质优劣的标准，根据的评价目标和需求来设定。例如，设定综合指标阈值为0.5，表示当综合指标大于等于0.5时，水质为优良；当综合指标小于0.5时，水质为较差或差。基于综合指标阈值，将每次引水过程的研究湖泊划定至少两个边界随时间变化的统计区域。统计区域是一个划分湖泊空间范围的方法，根据湖泊的形状和特点来设定。例如，将湖泊划分为若干个区域，并根据入湖口和出湖口的位置来调整边界。计算每次引水过程中，每个统计区域的空间平均水质数据和预定时间内的总的水质数据，并求和。空间平均水质数据是一个反映统计区域内所有采样点水质情况的指标，根据使用的评价指标来计算。预定时间内的总的水质数据是一个反映一段时间内所有统计区域内所有采样点水质情况的指标，根据设定的时间段来计算。
基于统计分析和数学计算的原理，利用综合指标阈值和统计区域划分方法来划分和比较不同区域和时间段内的水质数据，并利用求和公式来计算每次引水过程的总评价数据。综合指标阈值和统计区域划分方法，对受水湖泊的水质数据进行分类和分析，并得到每次引水过程的总评价数据。这个方案能够解决的技术问题是如何根据不同的评价目标和需求，设定合理的评价标准和方法，并根据空间和时间维度来评估引水工程对受水湖泊水质的影响。这个方案能够达到的技术效果是提高了水质评价的灵敏性和准确性，并能够给出量化的评价结果和建议。
本实施例通过对每次引水过程中对湖泊不同区域的不同时段的影响进行详细划分，获得评价指标值，更加精细化和准确。
根据本申请的另一个方面，提供一种引水工程影响下受水湖泊水质评价系统，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技术方案所述的引水工程影响下受水湖泊水质评价方法。
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。本发明的案例相关数值仅为参考值，本领域的技术人员可以根据实际情况进行修改。
Claims (10)
1.引水工程影响下受水湖泊水质评价方法，其特征在于，包括如下步骤：
步骤S1、确定研究湖泊，采集湖泊研究数据并预处理，构建归一化数据矩阵；构建研究湖泊的数字模拟模型和物理模拟模型；
步骤S2、构建水质评价指标集合，计算水质评价指标的相关关系和每个水质评价指标的综合权重指数；
步骤S3、计算初步水质评价指标，并基于逐步回归分析筛选水环境影响关键指标；
步骤S4、构建综合目标矩阵，采用TOPSIS法识别理想解和非理想解，计算修正后单个样本的综合水质评价指标；
步骤S5、计算引水工程入湖距离和入湖水量对受水湖泊的影响参数，计算N次采样下综合水质评价指标，N为自然数。
2.如权利要求1所述的引水工程影响下受水湖泊水质评价方法，其特征在于，所述步骤S1中采集湖泊研究数据并预处理，构建归一化数据矩阵的过程进一步包括：
步骤S11、从监测传感器获取m个水质参数的n个测量样本，从数据库或文献年鉴获取入湖水量和入湖水质数据；形成湖泊研究数据的样本数据集；m，n为自然数；
步骤S12、基于预配置的地表水质量分类标准，构建包括至少M个水质参数在内的分级标准矩阵；M为自然数；
步骤S13、基于样本数据集和分级标准矩阵，构建目标矩阵；
步骤S14、对目标矩阵的数据进行归一化处理，形成归一化目标矩阵，计算得到水质评价指标并将水质评价指标分为效益指标和成本指标。
3.如权利要求2所述的引水工程影响下受水湖泊水质评价方法，其特征在于，所述步骤S2进一步包括：
步骤S21、从归一化数据矩阵中提取水质评价指标数据，构建水质评价指标集合，计算每个采样点处各个水质评价指标的标准差和相互作用系数；
步骤S22、基于各个水质评价指标的标准差和相互作用系数，构建各个水质评价指标的综合权重系数。
4.如权利要求3所述的引水工程影响下受水湖泊水质评价方法，其特征在于，所述步骤S3进一步包括：
步骤S31、基于归一化的水质评价指标和综合权重系数，计算各个采样点的初步水质指数；
步骤S32、对归一化的水质评价指标的数值进行对数转换，使数据满足正态性；
步骤S33、以各个水质评价指标为自变量，以初步水质指数为因变量，建立初步水质指数与水质评价指标之间的多元线性回归分析模型；
步骤S34、基于多元线性回归分析模型的分析结果，确定解释初步水质指数的主要参数，通过主要参数筛选关键评价指标，以关键评价指标为基础构建综合指标。
5.如权利要求4所述的引水工程影响下受水湖泊水质评价方法，其特征在于，所述步骤S4进一步包括：
步骤S41、对综合指标的系数和归一化目标矩阵进行加权运算，得到归一化加权的综合目标矩阵；
步骤S42、获取归一化加权的综合目标矩阵中的正理想解和负理想解，并计算各个采样时间下各个采样点监测值与正理想解和负理想解之间的距离，获得每个采样点的相对贴进度；
步骤S43、对相对贴进度进行排序，并与水质分类标准对应的接近度进行比较，确定各个采样时间下，每个采样点的水质等级；
步骤S44、基于各个采样点的水质等级，计算修正后单个样本的综合水质指标。
6.如权利要求5所述的引水工程影响下受水湖泊水质评价方法，其特征在于，所述步骤S5进一步包括：
步骤S51、计算引水工程入湖距离对受水湖泊水质空间分布的影响系数αi=1-Di 2/∑Di 2；Di为引水入湖口到采样点的距离；
步骤S52、对受水湖泊一次采样时间P个采样点的综合水质评价计算，P为大于1的自然数；
步骤S53、计算引水工程入湖水量对受水湖泊水质分布的影响系数；并对引水工程受水湖泊K次采样下水质进行综合评价，K为大于1的自然数。
7.如权利要求2至6任一项所述的引水工程影响下受水湖泊水质评价方法，其特征在于，所述步骤S1中，通过从湖泊研究数据提取研究湖泊的地理高程数据和水文水动力数据，构建研究湖泊的数字模拟模型和物理模拟模型后，还包括如下步骤：
步骤S1a、在数字模拟模型中将研究湖泊分成至少两个子区域，将每个子区域作为一个节点，根据节点之间的距离和相似性设置边和权重，构建动态图模型；每个节点的特征向量由修正后单个样本的综合水质指标组成；
步骤S1b、使用GNN模块对每个节点的特征向量进行特征提取和信息传递，得到每个节点的嵌入向量；
步骤S1c、使用全连接层对每个节点的嵌入向量进行分类或回归，得到每个节点的水质等级或指标；
步骤S1d、将受水湖泊在不同时间段内的多次采样数据作为一个时序序列，并将每个时刻的数据作为一个输入向量；每个输入向量由修正后单个样本的综合水质指标Mi组成；使用LSTM对每个输入向量进行特征提取和记忆更新，得到每个时刻的隐藏状态向量；
步骤S1e、使用一个全连接层对每个隐藏状态向量进行分类或回归，得到每个时刻的水质等级或指标；
步骤S1f、将得到的每个时刻的水质等级与监测数据进行比较，得到仿真差值集合，基于仿真差值集合修改数字模拟模型和物理模拟模型的设计参数。
8.如权利要求7所述的引水工程影响下受水湖泊水质评价方法，其特征在于，所述步骤S5还包括：
步骤S5a、构建并使用SOM方法对受水湖泊的水质数据进行时空聚类分析：
读取受水湖泊各个采样点修正后的综合水质指标和水质数据，并进行时空划分，得到水质三维数据矩阵；
通过将每个时间段内每个空间区域内的所有水质指标作为一个样本；然后将水质三维数据矩阵转换为水质二维数据矩阵；
构建并使用SOM模型对水质二维数据矩阵进行聚类分析，得到二维的神经元网格；
使用SOM模型的输出结果对受水湖泊的水质数据进行分类和可视化，得到水质的时空分布和变化趋势；
基于水质的时空分布和变化趋势，对研究湖泊的入湖水量和水质的影响系数进行校验，并给出输出结果。
9.如权利要求8所述的引水工程影响下受水湖泊水质评价方法，其特征在于，还包括步骤S5b、
在验证符合预期值后，基于水质的时空分布和变化趋势，设置综合指标阈值，并基于综合指标阈值，将每次引水过程的研究湖泊划定至少两个边界随时间变化的统计区域，计算每次引水过程中，每个统计区域的空间平均水质数据和预定时间内的总的水质数据，并求和；获得每次引水过程的总评价数据。
10. 一种引水工程影响下受水湖泊水质评价系统，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至9任一项所述的引水工程影响下受水湖泊水质评价方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311335133.XA CN117078114B (zh) | 2023-10-16 | 2023-10-16 | 引水工程影响下受水湖泊水质评价方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311335133.XA CN117078114B (zh) | 2023-10-16 | 2023-10-16 | 引水工程影响下受水湖泊水质评价方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117078114A true CN117078114A (zh) | 2023-11-17 |
| CN117078114B CN117078114B (zh) | 2023-12-22 |
Family
ID=88715650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311335133.XA Active CN117078114B (zh) | 2023-10-16 | 2023-10-16 | 引水工程影响下受水湖泊水质评价方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117078114B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117633721A (zh) * | 2024-01-25 | 2024-03-01 | 水利部交通运输部国家能源局南京水利科学研究院 | 机理模型与数据联合驱动的城市河网透明度预测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102628856A (zh) * | 2012-02-24 | 2012-08-08 | 中国环境科学研究院 | 一种湖泊营养物基准参照状态确定的组合方法 |
| CN104992245A (zh) * | 2015-07-09 | 2015-10-21 | 南京信息工程大学 | 一种基于广义熵理论的水环境风险管理动态智能综合分析方法 |
| CN105973207A (zh) * | 2016-05-05 | 2016-09-28 | 云南省环境科学研究院 | 大型浅水湖泊水华集聚水域的补水控藻方法 |
| CN107764963A (zh) * | 2017-10-12 | 2018-03-06 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种引水工程湖泊生态影响监控与评估技术方法 |
| CN107782870A (zh) * | 2017-10-12 | 2018-03-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种引水工程湖泊水生态效应监测点位优化方法 |
| CN109726902A (zh) * | 2018-12-19 | 2019-05-07 | 天津理工大学 | 一种边坡稳定性评价方法 |
| CN114048973A (zh) * | 2021-10-28 | 2022-02-15 | 河海大学 | 一种基于组合赋权的河流水质等级评价方法 |
| WO2022099852A1 (zh) * | 2020-11-10 | 2022-05-19 | 广东粤海水务股份有限公司 | 一种城市景观湖泊水生态系统健康评价及诊断方法 |
| CN115983669A (zh) * | 2022-12-01 | 2023-04-18 | 生态环境部南京环境科学研究所 | 一种简化河湖地表水水质评价的方法与系统 |
| CN116630122A (zh) * | 2023-07-24 | 2023-08-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 |
-
2023
- 2023-10-16 CN CN202311335133.XA patent/CN117078114B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102628856A (zh) * | 2012-02-24 | 2012-08-08 | 中国环境科学研究院 | 一种湖泊营养物基准参照状态确定的组合方法 |
| CN104992245A (zh) * | 2015-07-09 | 2015-10-21 | 南京信息工程大学 | 一种基于广义熵理论的水环境风险管理动态智能综合分析方法 |
| CN105973207A (zh) * | 2016-05-05 | 2016-09-28 | 云南省环境科学研究院 | 大型浅水湖泊水华集聚水域的补水控藻方法 |
| CN107764963A (zh) * | 2017-10-12 | 2018-03-06 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种引水工程湖泊生态影响监控与评估技术方法 |
| CN107782870A (zh) * | 2017-10-12 | 2018-03-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种引水工程湖泊水生态效应监测点位优化方法 |
| CN109726902A (zh) * | 2018-12-19 | 2019-05-07 | 天津理工大学 | 一种边坡稳定性评价方法 |
| WO2022099852A1 (zh) * | 2020-11-10 | 2022-05-19 | 广东粤海水务股份有限公司 | 一种城市景观湖泊水生态系统健康评价及诊断方法 |
| CN114048973A (zh) * | 2021-10-28 | 2022-02-15 | 河海大学 | 一种基于组合赋权的河流水质等级评价方法 |
| CN115983669A (zh) * | 2022-12-01 | 2023-04-18 | 生态环境部南京环境科学研究所 | 一种简化河湖地表水水质评价的方法与系统 |
| CN116630122A (zh) * | 2023-07-24 | 2023-08-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 |
Non-Patent Citations (11)
| Title |
|---|
| ZHENYA LI 等: "An improved approach for water quality evaluation: TOPSIS-based informative weighting and ranking (TIWR) approach", ECOLOGICAL INDICATORS, vol. 89, pages 356 - 364, XP085364773, DOI: 10.1016/j.ecolind.2018.02.014 * |
| 史惠华;: "基于改进的内梅罗指数法的北溪引水水质评价", 水利科技, no. 03, pages 4 - 7 * |
| 周勇, 范业宽, 王庆云, 吴丹: "湖泊水环境质量评价的研究进展", 环境污染治理技术与设备, no. 02, pages 6 * |
| 常淳: "水库浮游藻类生长迁移及河道干流水质调控问题研究", 《中国博士学位论文全文数据库-工程科技I辑》, no. 11, pages 027 - 20 * |
| 廉兆玲;: "黑河引水工程水源水质评价分析", 陕西水利, no. 01, pages 84 - 85 * |
| 张华锋 等: "浙北引水工程对嘉兴平原河网水环境影响的评价研究", 《中国优秀硕士学位论文全文数据库》, no. 08, pages 037 - 78 * |
| 张宗旺;杨文和;施晓燕;: "北溪引水工程左干渠水质现状评价", 水利科技, no. 02, pages 10 - 15 * |
| 杨俊;饶利华;姚思鹏;张巍;蔡婷婷;: "应用水质标识指数法评估杭州西湖综合治理效应", 环境科技, no. 02, pages 65 - 69 * |
| 王富永, 夏军: "深圳市东部引水工程水量水质优化调度──可持续水资源管理问题的思考", 人民珠江, no. 03, pages 8 - 11 * |
| 瞿春梅;乔书娜;刘伯娟;邹朝望;: "基于水质改善的湖泊引调水数值模拟研究――以武汉市金银湖为例", 三峡生态环境监测, no. 04, pages 9 - 17 * |
| 贾瑞鹏;窦明;米庆彬;赵培培;孟猛;张建岭;: "基于MIKE21的万宝湖二维水环境数值模拟", 环境污染与防治, no. 05, pages 527 - 532 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117633721A (zh) * | 2024-01-25 | 2024-03-01 | 水利部交通运输部国家能源局南京水利科学研究院 | 机理模型与数据联合驱动的城市河网透明度预测方法 |
| CN117633721B (zh) * | 2024-01-25 | 2024-04-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 机理模型与数据联合驱动的城市河网透明度预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117078114B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112506990B (zh) | 一种基于时空信息的水文数据异常检测方法 | |
| Hu et al. | Research and application of a hybrid model based on Meta learning strategy for wind power deterministic and probabilistic forecasting | |
| CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
| CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
| CN116630122B (zh) | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 | |
| CN117078114B (zh) | 引水工程影响下受水湖泊水质评价方法和系统 | |
| Tabatabaei et al. | Suspended sediment load prediction using non-dominated sorting genetic algorithm II | |
| CN117236674B (zh) | 城市河网水动力精准调控和水环境提升方法及系统 | |
| CN107301328B (zh) | 基于数据流聚类的癌症亚型精准发现与演化分析方法 | |
| CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
| Jafarzadeh et al. | Examination of various feature selection approaches for daily precipitation downscaling in different climates | |
| Ghorbani et al. | Solving the pan evaporation process complexity using the development of multiple mode of neurocomputing models | |
| CN113033081A (zh) | 一种基于som-bpnn模型的径流模拟方法及系统 | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| CN116976529A (zh) | 基于供需预测动态校正的跨流域调水方法和系统 | |
| Mohammad et al. | Short term load forecasting using deep neural networks | |
| CN113377750B (zh) | 水文数据清洗方法及系统 | |
| Lu et al. | Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions | |
| Ahmadi et al. | Identification of dominant sources of sea level pressure for precipitation forecasting over Wales | |
| CN113762615A (zh) | 洪水预测方法、装置、计算机设备和存储介质 | |
| CN117116382B (zh) | 引水工程影响下受水湖泊水质时空预测方法和系统 | |
| Mahmoudi et al. | Regionalization of rainfall intensity–duration–frequency (IDF) curves with L-moments method using neural gas networks | |
| CN116307383B (zh) | 一种基于生态平衡的土地精细化保育改良方法及系统 | |
| CN117010274B (zh) | 一种基于集成增量学习的地下水有害元素智能预警方法 | |
| CN116701974A (zh) | 气候变化下的降水多要素时空变化分析及归因识别方法 |
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 |