CN117116382A - 引水工程影响下受水湖泊水质时空预测方法和系统 - Google Patents
引水工程影响下受水湖泊水质时空预测方法和系统 Download PDFInfo
- Publication number
- CN117116382A CN117116382A CN202311349542.5A CN202311349542A CN117116382A CN 117116382 A CN117116382 A CN 117116382A CN 202311349542 A CN202311349542 A CN 202311349542A CN 117116382 A CN117116382 A CN 117116382A
- Authority
- CN
- China
- Prior art keywords
- lake
- water
- model
- water quality
- influence
- 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 273
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000011160 research Methods 0.000 claims abstract description 81
- 238000009826 distribution Methods 0.000 claims abstract description 77
- 238000012544 monitoring process Methods 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 59
- 230000006870 function Effects 0.000 claims abstract description 37
- 230000001364 causal effect Effects 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims description 25
- 230000008878 coupling Effects 0.000 claims description 22
- 238000010168 coupling process Methods 0.000 claims description 22
- 238000005859 coupling reaction Methods 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 13
- 238000010219 correlation analysis Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 235000016709 nutrition Nutrition 0.000 claims description 11
- 230000035764 nutrition Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000013441 quality evaluation Methods 0.000 claims description 10
- 239000002352 surface water Substances 0.000 claims description 10
- 229930002868 chlorophyll a Natural products 0.000 claims description 9
- 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 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 8
- 229910052760 oxygen Inorganic materials 0.000 claims description 8
- 239000001301 oxygen Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000009792 diffusion process Methods 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 7
- 239000002028 Biomass Substances 0.000 claims description 6
- 238000013524 data verification Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000008020 evaporation Effects 0.000 claims description 4
- 238000001704 evaporation Methods 0.000 claims description 4
- 230000008595 infiltration Effects 0.000 claims description 4
- 238000001764 infiltration Methods 0.000 claims description 4
- 235000015097 nutrients Nutrition 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000010206 sensitivity analysis Methods 0.000 claims description 4
- 238000013179 statistical model Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 235000003715 nutritional status Nutrition 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 13
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 7
- 229910052698 phosphorus Inorganic materials 0.000 description 7
- 239000011574 phosphorus Substances 0.000 description 7
- 229910052757 nitrogen Inorganic materials 0.000 description 6
- 238000000540 analysis of variance Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013398 bayesian method Methods 0.000 description 3
- -1 biosphere Substances 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000000546 chi-square test Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- YUWBVKYVJWNVLE-UHFFFAOYSA-N [N].[P] Chemical compound [N].[P] YUWBVKYVJWNVLE-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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时空预测方法和系统，确定研究湖泊，获取研究湖泊的监测数据，构建研究数据集合并预处理；对监测数据进行主坐标分析，以主坐标值表征水质情况，划分引排水影响区；绘制引排水影响下各预测变量与预定引水参数和研究湖泊数据的因果关系图，构建贝叶斯结构方程模型；确定观测变量并建立各观测变量关于时间和空间的函数，构建引水工程影响下预测变量的时空分布模型；验证时空分布模型的有效性，利用模型预测不同引排水情景下受水湖泊不同影响区域的水质情况。可以考虑水质预测变量在时间和空间上的动态变化，描述引排水影响下受水湖泊不同影响区域的水质时空分布特征。
Description
技术领域
本发明涉及水质预测技术，尤其是一种引水工程影响下受水湖泊水质时空预测方法和系统。
背景技术
湖泊是大气、生物圈、土壤圈和陆地水圈之间相互作用的连接点。它们在调节区域气候、记录区域环境变化、维护区域生态系统平衡、生物多样化等方面发挥着不可替代的作用。由于人类活动和气候变化的综合影响，湖泊水质污染已成为全球一个主要的水问题。
为了控制湖泊水质恶化，缓解湖泊缺水问题，人工引水工程越来越多地得到实施。引水增加了区域可用水资源量，还可能提高水环境容量，从而改善水质和生态系统。对于大型湖泊来说，引调水影响了水体的流场和水龄。此外，由于入湖水体的物理化学特征不同，调水项目也不可避免地会影响受水湖泊的物理化学环境，例如受水湖泊的pH值和溶解氧、营养物质甚至有机污染物的含量会相应地发生显著变化。
因此，为了对水质可能的恶化提前预警以采取防范措施，建立合适的模型并且基于模型对未来一段时间内水质预测是较为有效的方法。总体来看，水质预测模型的选取需要考虑众多因素，受水湖泊的水质也存在较大的时空差异。目前，已有一些基于数值模拟或机器学习等方法的湖泊水质预测模型，但是这些模型都存在一些局限性，如：数值模拟方法需要大量的参数和初始条件，而这些参数往往难以准确获取或估计；机器学习方法需要大量的历史数据和标签，而这些数据往往不完整或不准确；以上两种方法都难以考虑引水工程对受水湖泊水质的因果影响，即引水工程如何通过改变受水湖泊的物理、化学和生物过程而影响其水质。
为了解决这些问题，需要进行研究创新。
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时空预测方法和系统，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时空预测方法，包括如下步骤：
步骤S1、确定研究湖泊，获取研究湖泊的监测数据，构建研究数据集合并预处理；
步骤S2、对监测数据进行主坐标分析，以主坐标值表征水质情况，划分引排水影响区；
步骤S3、绘制引排水影响下各预测变量与预定引水参数和研究湖泊数据的因果关系图，构建贝叶斯结构方程模型；
步骤S4、确定观测变量并建立各观测变量关于时间和空间的函数，构建引水工程影响下预测变量的时空分布模型；
步骤S5、验证时空分布模型的有效性，结合贝叶斯结构方程模型和预测变量的时空分布模型，预测不同引排水情景下受水湖泊不同影响区域的水质情况。
根据本申请的一个方面，所述步骤S1进一步包括：
步骤S11、确定研究湖泊，采集包括引水工程相关参数，以及受水湖泊水质指标历史监测数据在内的基础数据，形成研究数据集合，并进行缺失值分析以及标准化处理；
步骤S12、对研究数据进行单个变量分析，绘制框图和箱型图，计算特征参数，特征参数包括平均值、标准差、最大和最小值；
步骤S13、构建预测变量和自变量集合，并对预测变量和自变量进行相关性分析，获取自变量对预测变量的影响关系；
步骤S14、对各个监测数据的时间和空间分布进行显著性分析和趋势分析，获取时间和空间上监测数据的参数变化特征。
根据本申请的一个方面，所述步骤S2进一步包括：
步骤S21、针对每一监测数据，计算各个指标的平均值和标准差，用标准差除以平均值得到相异性系数，构建相异性系数矩阵；
步骤S22、根据相异系数矩阵对各个采样点数据进行主坐标分析，获得影响水质指标差异的主成分，即为主坐标；
步骤S23、以主坐标得分来表征某个时间和空间点的水质状态；
步骤S24、根据排序图将受水湖泊划分为不同的引排水影响区。
根据本申请的一个方面，所述步骤S3进一步包括：
步骤S31、结合文献资料并采用相关性分析方法筛选出对待预测的水质指标影响程度大于阈值的湖泊理化参数以及引排水工程关键要素；
步骤S32、构建因果关系模型，基于引排水工程关键因素以及湖泊水质指标对预测变量的影响路径，绘制因果关系图；
步骤S33、根据因果关系的分析结果，建立结构方程中预测变量和自变量之间的函数关系，构建引排水工程影响下受水湖泊各区域的统计模型函数列表；
步骤S34、判断是否存在无法直接构建函数计算的变量，若存在，采用贝叶斯方法通过Gibbs抽样方法从联合后验分布进行抽样，并利用经验分布近似后验分布，得到需计算变量的贝叶斯估计及其标准差。
根据本申请的一个方面，所述步骤S4进一步包括：
步骤S41、确定观测变量并对各个观测变量采用线性回归，构建各观测变量关于时间和空间的函数；
步骤S42、基于距离的冗余分析，将预测变量和作为自变量的环境参数建立函数关系，以解释预测变量的至少部分时空变化；
步骤S43、对残差进行检查，对冗余分析中无法解释的时空模式，检查空间多元自相关并检查参数的独立性。
根据本申请的一个方面，所述步骤S5进一步包括：
步骤S51、选取历史监测资料，结合贝叶斯结构方程模型和预测变量的时空分布模型，计算选取的水质参数；
步骤S52、对水质参数的预测值相对于距离进行绘制，以展示水质参数预测值和观测值之间的一致程度；
步骤S53、计算绘制预测值与实际观测值的残差与距离和时间的关系图，检查模型预测对观测值的解释度，验证模型的有效性；
步骤S54、基于已测量的参数，结合贝叶斯结构方程模型和预测变量的时空分布模型，预测不同引排水情景下受水湖泊不同影响区域的水质情况。
根据本申请的一个方面，所述步骤S1还包括构建受水湖泊的物理仿真模型和用于数据验证的数字仿真模型，其中用于数据验证的数字仿真模型包括构建三维非恒定流动-质量传输-湖泊生态耦合模型：
步骤S1a、读取研究数据集合，获取研究湖泊监测数据和数字高程数据，提取湖泊数字高程地形、水位、流向、风速、风向和引水工程参数；生成研究湖泊的有限元网格和边界条件；构建三维非恒定N-S方程和k-ε湍流模型，以描述研究湖泊的水动力过程；构建流扩散方程和反应动力学方程，以描述研究湖泊中包括营养盐、溶解氧和叶绿素a在内的水质指标的传输和变化过程；利用有限元法求解流扩散方程和反应动力学方程，并采用迭代法进行数值稳定性和收敛性检验，获得三维非恒定流动和质量传输模型；
步骤S1b、读取研究数据集合，提取研究湖泊中各类生物群落的种类、数量和生物量数据，构建研究湖泊的生态网络结构；采用能量分配法，计算研究湖泊中各类生物群落之间的能量流动量和效率，以及整个研究湖泊系统的能量输入、输出、存储和消耗；采用信息理论方法，计算湖泊中各类生物群落之间的信息传递量和冗余度，以及整个湖泊系统的信息熵、信息存储和信息开发；利用灵敏度分析法，评估引水工程对湖泊生态网络结构和功能的影响程度和方向；形成湖泊生态模型；
步骤S1c、确定三维非恒定流动和质量传输模型以及湖泊生态模型之间的耦合参数和耦合方式，包括将三维非恒定流动和质量传输模型的水质指标作为湖泊生态模型中生态网络结构和功能的影响因子，或者将湖泊生态模型中模拟的生物群落生物量作为三维非恒定流动和质量传输模型中水质反应动力学方程的参数；
步骤S1d、基于研究数据，对三维非恒定流动-质量传输-湖泊生态耦合模型进行参数校准和验证，评估适用性和准确性；若符合条件，进行不同引水工程方案下受水湖泊水动力-水质-水生态变化的模拟和预测，以校正物理仿真模型的参数。
根据本申请的一个方面，所述步骤S5还包括引水工程对研究湖泊水质的综合影响校验：
步骤S5a、调用已存储的水环境质量标准，并根据水环境功能分类和保护目标，确定引水工程受水湖泊的功能类别；基于功能类别，选择相应的地表水环境质量基本项目和特征项目作为评价指标；并选择敏感指标作为补充评价指标；根据评价指标在反映湖泊水质状况方面的重要性和敏感性，给每个指标赋予权重系数；
步骤S5b、读取研究数据，获取研究湖泊监测点位的数量和位置，以及监测频次和时间段；针对每个监测点位，采用地表水环境质量评价技术规范中规定的方法计算其各个评价指标的浓度或数值，并按照权重系数进行加权平均，得到该点位的综合营养状态指数；对所有监测点位，计算其CNSI的算术平均值，并根据地表水环境质量评价技术规范中规定的营养状态分级标准，确定湖泊的营养状态类别和颜色编码；对比引水工程实施前后的湖泊营养状态类别和颜色编码，评价引水工程对湖泊物理、化学和生物方面的影响，获得校验数据；
步骤S5c、基于校验数据对时空分布模型预测结果的准确性进行初步校验。
根据本申请的一个方面，所述步骤S1中，还包括判断受水工程和研究湖泊所在的河网复杂度是否超出阈值，若超出，在流域尺度进行水文连通性分析：
步骤S1i、获取研究数据，提取研究湖泊和引水工程的河道网络和水体分布数据，并抽象为由节点和边组成的无向图，构建基于图的水文连通性评价模型，其中节点包括河流、湖泊、闸坝和泵站，边包括长度、宽度、深度和流量；根据节点的类型和边的属性给每个节点和边赋予权重值，以反映其在水文连通性中的重要性和敏感性；采用最大流量法或最小割法计算平原河网区的水文连通性指标，包括连通度、连通距离、连通效率和连通强度；
步骤S1ii、读取研究数据，并提取降雨、蒸发、入渗和径流数据，建立适用于平原河网区的用于描述陆面水文过程的分布式水文模型；从研究数据中提取流量、水位和水质数据，建立适用于平原河网区的用于描述河湖水动力过程的二维水动力模型；将分布式水文模型和二维水动力模型进行耦合，形成平原河网区水文综合模型；
步骤S1iii、选择预定的时间尺度和空间尺度，对比基于图的水文连通性评价模型和平原河网区水文综合模型计算得到的水文连通性指标，并分析其差异和一致性；采用研究数据进行参数校准和验证，获得符合预期目标的水文连通性分析模型，初步分析引水工程的水文连通性对受水湖泊水质的影响。
根据本申请的另一个方面，一种引水工程影响下受水湖泊水质时空预测系统，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时空预测方法。
有益效果，在本发明中，通过时空分布模型，可以考虑水质预测变量在时间和空间上的动态变化，描述引排水影响下受水湖泊不同影响区域的水质时空分布特征。相关优势将在下文结合技术细节予以描述。
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时空预测方法，包括如下步骤：
步骤S1、确定研究湖泊，获取研究湖泊的监测数据，构建研究数据集合并预处理；
步骤S2、对监测数据进行主坐标分析，以主坐标值表征水质情况，划分引排水影响区；
步骤S3、绘制引排水影响下各预测变量与预定引水参数和研究湖泊数据的因果关系图，构建贝叶斯结构方程模型；
步骤S4、确定观测变量并建立各观测变量关于时间和空间的函数，构建引水工程影响下预测变量的时空分布模型；
步骤S5、验证时空分布模型的有效性，结合贝叶斯结构方程模型和预测变量的时空分布模型，预测不同引排水情景下受水湖泊不同影响区域的水质情况。
在本实施例中，通过利用贝叶斯结构方程模型，建立引水工程参数和受水湖泊水质预测变量之间的概率关系，反映了水质变化的不确定性和灵敏性。通过利用时空分布模型，考虑水质预测变量在时间和空间上的动态变化，描述引水工程影响下受水湖泊不同影响区域的水质时空分布特征。通过利用主坐标分析，降低水质数据的维数，提取水质的主要特征，简化水质评价的复杂度。通过利用引排水影响区的划分，区分不同引排水情景下受水湖泊的不同影响程度和范围，为引排水工程的优化设计和管理提供参考。
在某个实施例中，具体过程可以如下：根据引水工程的类型、规模、位置、流量等参数，检索相关的文献资料，了解引水工程对受水湖泊水质的影响机理和影响因素，如氮磷负荷、水动力条件、水生态系统等。根据受水湖泊的监测数据，利用主成分分析（PCA）或主坐标分析（PCoA）等降维方法，提取水质的主要特征变量，如总氮（TN）、总磷（TP）、叶绿素a（Chl-a）等，作为预测变量。根据预测变量与引水参数和受水湖泊数据之间的因果关系，利用贝叶斯网络（BN）或结构方程模型（SEM）等概率图模型，建立引水工程影响下受水湖泊水质的概率关系模型，计算预测变量的条件概率分布。根据预测变量在时间和空间上的变化规律，利用时间序列分析（TSA）或空间统计分析（SSA）等方法，建立预测变量的时空分布模型，描述引水工程影响下受水湖泊水质的时空动态特征。
如图2所示，根据本申请的一个方面，所述步骤S1进一步包括：
步骤S11:确定研究湖泊，采集包括引水工程相关参数，以及受水湖泊水质指标历史监测数据在内的基础数据，形成研究数据集合，并进行缺失值分析以及标准化处理。
根据引水工程的类型、规模、位置、流量等参数，利用工具检索相关的文献资料，了解引水工程对受水湖泊水质的影响机理和影响因素，如氮磷负荷、水动力条件、水生态系统等。根据受水湖泊的名称、位置、面积、深度等信息，利用工具检索相关的文献资料，了解受水湖泊的水文地质特征、水质现状和变化趋势等。根据引水工程和受水湖泊的信息，确定合适的研究时间段和空间范围，从相关的数据库或网站中获取引水工程相关参数（如流量、温度、氮磷含量等）以及受水湖泊水质指标（如溶解氧、高锰酸盐指数、叶绿素a等）历史监测数据，并将其整理为一个表格或矩阵形式的数据集合。对数据集合进行缺失值分析，根据缺失值的类型（如随机缺失、非随机缺失等）和比例（如小于5%、大于5%等），采用合适的方法（如删除法、均值法、插值法等）处理缺失值。对数据集合进行标准化处理，根据数据的分布特征（如正态分布、偏态分布等），采用合适的方法（如Z-score标准化、极差标准化、对数变换等）将数据转化为无量纲或统一量纲的数值。
步骤S12:对研究数据进行单个变量分析，绘制框图和箱型图，计算特征参数，特征参数包括平均值、标准差、最大和最小值。对每个变量（包括引水工程相关参数和受水湖泊水质指标），利用统计软件或编程语言，绘制其在不同时间段或空间区域的框图和箱型图。对每个变量（包括引水工程相关参数和受水湖泊水质指标），利用统计软件或编程语言，计算其在不同时间段或空间区域的平均值、标准差、最大值和最小值。
步骤S13、构建预测变量和自变量集合，并对预测变量和自变量进行相关性分析，获取自变量对预测变量的影响关系。根据引排水工程对受水湖泊水质影响的机理和因素，从受水湖泊水质指标中选择一些敏感或重要的指标作为预测变量，如溶解氧、高锰酸盐指数、叶绿素a等。根据引排水工程的类型、规模、位置、流量等参数，以及受水湖泊的水文地质特征、水质现状和变化趋势等，从引水工程相关参数和受水湖泊水质指标中选择一些相关或影响的参数作为自变量，如流量、温度、氮磷含量等。对预测变量和自变量进行相关性分析，利用统计软件或编程语言，计算其之间的相关系数（如皮尔逊相关系数、斯皮尔曼相关系数等），并绘制散点图或回归线，获取自变量对预测变量的影响关系。
步骤S14:对各个监测数据的时间和空间分布进行显著性分析和趋势分析，获取时间和空间上监测数据的参数变化特征。对每个监测数据（包括引水工程相关参数和受水湖泊水质指标），利用统计软件或编程语言，进行方差分析（ANOVA）或卡方检验（Chi-squaretest），检验其在不同时间段或空间区域的均值或频数是否有显著差异。对每个监测数据（包括引水工程相关参数和受水湖泊水质指标），利用统计软件或编程语言，进行线性回归分析或非线性回归分析，拟合其随时间或空间变化的曲线或方程，并计算其回归系数或拟合优度，评估其变化趋势和速率。
本实施例能够利用缺失值分析和标准化处理，提高数据的完整性和可比性，减少数据的噪声和偏差。能够利用单个变量分析，展示数据的基本特征和分布情况，发现数据的异常值和离群值。能够利用相关性分析，揭示数据之间的内在联系和影响因素，为建立预测模型提供依据。能够利用显著性分析和趋势分析，评估数据在时间和空间上的差异和规律，为优化引排水工程提供参考。
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:针对每一监测数据，计算各个指标的平均值和标准差，用标准差除以平均值得到相异性系数，构建相异性系数矩阵。
对每一监测数据（包括引水工程相关参数和受水湖泊水质指标），利用统计软件或编程语言，计算其在不同时间段或空间区域的平均值和标准差。对每一监测数据，利用公式相异性系数=标准差/平均值，计算其在不同时间段或空间区域的相异性系数。对所有监测数据，将其在不同时间段或空间区域的相异性系数按照一定的顺序排列成一个矩阵，作为相异性系数矩阵。
步骤S22:根据相异系数矩阵对各个采样点数据进行主坐标分析，获得影响水质指标差异的主成分，即为主坐标。利用统计软件或编程语言，对相异性系数矩阵进行主坐标分析（PCoA），将高维的相异性系数矩阵转化为低维的主坐标矩阵，保留最大的信息量。对主坐标矩阵进行方差分析（ANOVA），计算各个主坐标的方差比例，反映其在解释水质指标差异中的贡献度。选择方差比例最大的几个主坐标作为影响水质指标差异的主成分，即为主坐标。
步骤S23:以主坐标得分来表征某个时间和空间点的水质状态。
利用统计软件或编程语言，根据主坐标分析的结果，计算每个时间和空间点在各个主坐标上的得分，反映其与其他时间和空间点在水质指标上的相似度或差异度。将每个时间和空间点在各个主坐标上的得分组合成一个向量，作为该时间和空间点的水质状态向量。对所有时间和空间点的水质状态向量进行聚类分析（clusteranalysis），根据其在水质状态上的相似度或差异度，将其分为若干个类别或簇（cluster）。
步骤S24:根据排序图将受水湖泊划分为不同的引排水影响区。利用统计软件或编程语言，根据聚类分析的结果，绘制每个时间和空间点在各个主坐标上的排序图（ordinationplot），反映其在水质状态上的分布和规律。根据排序图的结果，绘制每个时间和空间点所属的类别或簇的边界，反映其在水质状态上的划分和区别。根据边界的结果，将受水湖泊划分为不同的引排水影响区，反映其受引排水工程影响的程度和范围。
本实施例能够利用相异性系数矩阵，综合考虑各个指标在不同时间段或空间区域的变化幅度和差异，提高水质评价的客观性和全面性。利用主坐标分析，有效地降低水质数据的维数，提取水质的主要特征变量，简化水质评价的复杂度。利用主坐标得分，以数值化的方式表征某个时间和空间点的水质状态，便于进行水质状态的比较和分类。利用排序图，直观地展示受水湖泊在不同时间段或空间区域的水质状态分布和规律，便于进行水质状态的划分和区别。
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:结合文献资料并采用相关性分析方法筛选出对待预测的水质指标影响程度大于阈值的湖泊理化参数以及引排水工程关键要素。利用预配置的工具，以“引排水工程对湖泊水质影响”为查询参数，检索相关的文献资料，从中获取引排水工程的类型、规模、位置、流量等关键要素，以及湖泊的水温、溶解氧、氮磷等理化参数，作为可能影响水质的变量。利用统计软件或编程语言（如Excel、SPSS、R等），对上述变量进行相关性分析，计算其与待预测的水质指标（如叶绿素a、高锰酸盐指数等）之间的相关系数（如皮尔逊相关系数、斯皮尔曼相关系数等），并绘制散点图或回归线，反映其影响关系。根据相关性分析的结果，设定一个合理的阈值（如0.5），筛选出与待预测的水质指标相关系数绝对值大于阈值的变量，作为影响程度较大的湖泊理化参数和引排水工程关键要素。
步骤S32:构建因果关系模型，基于引排水工程关键因素以及湖泊水质指标对预测变量的影响路径，绘制因果关系图。利用统计软件或编程语言（如Excel、SPSS、R等），根据筛选出的湖泊理化参数和引排水工程关键要素，以及待预测的水质指标，构建一个结构方程模型（SEM），描述它们之间的因果关系和路径。根据结构方程模型的结果，绘制一个因果关系图（causaldiagram），用节点表示变量，用箭头表示因果方向，用数字表示因果强度或权重。根据因果关系图的结果，检验模型的拟合度和显著性，评估模型的有效性和可靠性。
步骤S33:根据因果关系的分析结果，建立结构方程中预测变量和自变量之间的函数关系，构建引排水工程影响下受水湖泊各区域的统计模型函数列表。利用统计软件或编程语言（如Excel、SPSS、R等），根据因果关系图中的箭头和数字，建立预测变量和自变量之间的线性或非线性函数关系，例如y=a+bx+cx2+e，其中y是预测变量，x是自变量，a,b,c是权重或系数，e是误差项。根据函数关系中的参数和误差项，利用最小二乘法（OLS）或最大似然法（MLE）等方法，估计参数的值和误差项的分布，例如a=0.5,b=0.3,c=-0.1,e~N(0,0.2)，其中N表示正态分布。根据参数的估计值和误差项的分布，构建引排水工程影响下受水湖泊各区域的统计模型函数列表，例如y=0.5+0.3x+(-0.1)x2+e，其中e~N(0,0.2)。
步骤S34:判断是否存在无法直接构建函数计算的变量，若存在，采用贝叶斯方法通过Gibbs抽样方法从联合后验分布进行抽样，并利用经验分布近似后验分布，得到需计算变量的贝叶斯估计及其标准差。利用统计软件或编程语言（如Excel、SPSS、R等），根据结构方程模型中的变量和函数关系，判断是否存在无法直接构建函数计算的变量，例如因为缺乏数据或存在多重共线性等原因导致参数无法估计或误差项无法确定的变量。如果存在无法直接构建函数计算的变量，利用贝叶斯方法，根据先验知识和观测数据，建立该变量的先验分布和似然函数，从而得到该变量的后验分布，例如p(y|x)=p(x|y)p(y)/p(x)，其中p(y|x)是后验分布，p(x|y)是似然函数，p(y)是先验分布，p(x)是边缘分布。如果后验分布无法直接求解或难以求解，利用Gibbs抽样方法，从后验分布中进行随机抽样，得到一系列样本值，利用经验分布近似后验分布，得到需计算变量的贝叶斯估计及其标准差，例如y~N(0.5+0.3x+(-0.1)x2,0.2)。
本实施例能够利用相关性分析方法筛选出对待预测的水质指标影响程度大于阈值的湖泊理化参数以及引排水工程关键要素，减少不必要的变量和噪声，提高模型的精度和效率。利用因果关系模型构建预测变量和自变量之间的函数关系，反映引排水工程对受水湖泊水质的影响机制和路径，为水质预测提供理论依据和数学表达。利用贝叶斯方法处理无法直接构建函数计算的变量，利用先验知识和观测数据更新后验概率，利用Gibbs抽样方法和经验分布近似后验分布，为水质预测提供概率估计和不确定性度量。
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:确定观测变量并对各个观测变量采用线性回归，构建各观测变量关于时间和空间的函数。利用预配置的工具，以“距离的冗余分析”为查询参数，检索相关的文献资料，从中获取可能作为观测变量的水质指标，如溶解氧、叶绿素a、高锰酸盐指数等。利用统计软件或编程语言（如Excel、SPSS、R等），对每个观测变量（水质指标），利用线性回归方法（linearregression），建立其与时间和空间（如经纬度、深度等）之间的函数关系，例如y=a+b1t+b2x+b3y+b4z+e，其中y是观测变量，t是时间，x,y,z是空间坐标，a,b1,b2,b3,b4是回归系数，e是误差项。根据线性回归的结果，计算各个函数关系的拟合优度（R-squared）和显著性（p-value），评估其解释观测变量时空变化的能力和可信度。
步骤S42:基于距离的冗余分析，将预测变量和作为自变量的环境参数建立函数关系，以解释预测变量的至少部分时空变化。利用配置的工具，检索相关的文献资料，从中获取可能作为预测变量和自变量的环境参数，如温度、氮磷含量、流量等。对每个预测变量（水质指标），利用基于距离的冗余分析方法，建立其与自变量（环境参数）之间的函数关系，例如y=a+b1*x1+b2*x2+...+bn*xn+e，其中y是预测变量，x1,x2,…,xn是自变量，a,b1,b2,…,bn是回归系数，e是误差项。根据基于距离的冗余分析的结果，计算各个函数关系的拟合优度（R-squared）和显著性（p-value），评估其解释预测变量时空变化的能力和可信度。
步骤S43:对残差进行检查，对冗余分析中无法解释的时空模式，检查空间多元自相关并检查参数的独立性。利用统计软件或编程语言（如Excel、SPSS、R等），对每个预测变量（水质指标），利用基于距离的冗余分析方法，计算其与自变量（环境参数）之间的残差，反映其未被解释的时空模式。对每个残差，利用空间多元自相关方法，计算其与其他残差之间的空间相关性，例如莫兰指数或吉特指数，反映其是否存在空间聚集或分散的现象。对每个自变量（环境参数），利用多重共线性检验方法，计算其与其他自变量之间的相关性，例如方差膨胀因子，反映其是否存在参数之间的依赖性。
本实施例能够利用线性回归方法，构建各观测变量关于时间和空间的函数，反映其时空变化的规律和趋势。利用基于距离的冗余分析方法，将预测变量和自变量建立函数关系，反映其受环境参数影响的程度和方向。利用残差检查方法，对冗余分析中无法解释的时空模式进行进一步的分析，反映其是否存在空间自相关或多重共线性的问题。
根据本申请的一个方面，在步骤S4中，根据预测变量的时空分布进行区域划分，对每一引排水过程中的湖泊水质面积时空变化进行追踪，从而提高水质分析和预测的精确度。具体如下：
步骤S4a、根据引水、排水的时间和空间范围，从研究数据集合中提取相应的监测数据，包括水质参数、流量、水位等；对监测数据进行插值和外推，补充缺失值和异常值，得到连续的时空数据序列；
步骤S4b、根据主坐标分析的结果，将湖泊划分为不同的影响区域，分别计算每个区域的主坐标值，作为水质情况的表征；
步骤S4c、利用贝叶斯结构方程模型，计算每个影响区域的预测变量与预定引水参数和研究湖泊数据之间的因果关系系数；
步骤S4d、根据观测变量与时间和空间的函数关系，建立预测变量的时空分布模型，将因果关系系数作为模型参数输入；
步骤S4e、运行时空分布模型，得到每个引水、排水过程中，湖泊不同区域的水质在不同时段内的变化曲线或图像。
其中，将湖泊划分为不同的影响区域的过程具体如下：
根据主坐标分析的原理，将湖泊中的监测点作为样本，将水质参数作为变量，计算样本间的距离矩阵；
利用主坐标分析的方法，将距离矩阵转化为主坐标值，得到每个监测点在主坐标空间中的位置；
根据主坐标值的大小和分布，采用聚类分析或划分分析的方法，将监测点划分为若干个类别，每个类别代表一个影响区域；
根据影响区域的类别，对湖泊进行空间划分，得到不同影响区域的范围和边界；
根据引水、排水的时间和空间范围，确定各个影响区域在不同时段内是否受到引水、排水的影响，追踪影响区域的时空变化。
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: 选取历史监测资料，结合贝叶斯结构方程模型和预测变量的时空分布模型，计算选取的水质参数。利用预配置的工具，获取选取的水质参数（如叶绿素a、高锰酸盐指数等）在不同时间段和空间区域的观测值，作为历史监测资料。利用统计软件或编程语言（如Excel、SPSS、R等），根据贝叶斯结构方程模型和预测变量的时空分布模型，利用先验知识和观测数据，计算选取的水质参数在不同时间段和空间区域的预测值，作为模型输出。对比历史监测资料和模型输出，计算选取的水质参数在不同时间段和空间区域的预测误差，作为模型评估。
步骤S52: 对水质参数的预测值相对于距离进行绘制，以展示水质参数预测值和观测值之间的一致程度。利用统计软件或编程语言，根据历史监测资料和模型输出，计算每个观测点距离引排水工程的距离，作为横坐标。根据历史监测资料和模型输出，分别绘制每个观测点的水质参数观测值和预测值，作为纵坐标。将横坐标和纵坐标绘制成散点图或折线图，并用不同的颜色或符号区分观测值和预测值，以展示水质参数预测值和观测值之间的一致程度。
步骤S53: 计算绘制预测值与实际观测值的残差与距离和时间的关系图，检查模型预测对观测值的解释度，验证模型的有效性。利用统计软件或编程语言（如Excel、SPSS、R等），根据历史监测资料和模型输出，计算每个观测点的水质参数预测值与观测值之差，作为残差。根据残差和距离、时间等变量，绘制残差与距离和时间的关系图，并用相关性分析或趋势分析等方法检验残差是否随距离或时间有规律性变化。根据残差与距离和时间的关系图，评价模型预测对观测值的解释度，验证模型的有效性，例如计算残差的平均值、标准差、最大值、最小值等统计量，或计算残差与距离或时间的相关系数、回归系数等指标。
步骤S54: 基于已测量的参数，结合贝叶斯结构方程模型和预测变量的时空分布模型，预测不同引排水情景下受水湖泊不同影响区域的水质情况。检索相关的文献资料或网站，从中获取不同引排水情景下的引排水工程参数，如流量、温度、氮磷含量等。根据贝叶斯结构方程模型和预测变量的时空分布模型，利用先验知识和已测量的参数，计算不同引排水情景下受水湖泊不同影响区域的水质参数预测值，作为模型输出。根据模型输出，绘制不同引排水情景下受水湖泊不同影响区域的水质参数分布图或趋势图，并用不同的颜色或符号区分不同的引排水情景和影响区域，以展示不同引排水情景下受水湖泊水质情况。
本实施例利用历史监测资料和模型输出，对比水质参数的观测值和预测值，评估模型的准确性和稳定性。利用残差与距离和时间的关系图，检查模型预测对观测值的解释度，验证模型的有效性和可靠性。利用不同引排水情景下的引排水工程参数，结合贝叶斯结构方程模型和预测变量的时空分布模型，预测不同引排水情景下受水湖泊不同影响区域的水质情况，为引排水工程的优化设计和管理提供参考。
根据本申请的一个方面，所述步骤S1还包括构建受水湖泊的物理仿真模型和用于数据验证的数字仿真模型，其中用于数据验证的数字仿真模型包括构建三维非恒定流动-质量传输-湖泊生态耦合模型：
步骤S1a、读取研究数据集合，获取研究湖泊监测数据和数字高程数据，提取湖泊数字高程地形、水位、流向、风速、风向和引水工程参数；生成研究湖泊的有限元网格和边界条件；构建三维非恒定N-S方程和k-ε湍流模型，以描述研究湖泊的水动力过程；构建流扩散方程和反应动力学方程，以描述研究湖泊中包括营养盐、溶解氧和叶绿素a在内的水质指标的传输和变化过程；利用有限元法求解流扩散方程和反应动力学方程，并采用迭代法进行数值稳定性和收敛性检验，获得三维非恒定流动和质量传输模型；
步骤S1b、读取研究数据集合，提取研究湖泊中各类生物群落的种类、数量和生物量数据，构建研究湖泊的生态网络结构；采用能量分配法，计算研究湖泊中各类生物群落之间的能量流动量和效率，以及整个研究湖泊系统的能量输入、输出、存储和消耗；采用信息理论方法，计算湖泊中各类生物群落之间的信息传递量和冗余度，以及整个湖泊系统的信息熵、信息存储和信息开发；利用灵敏度分析法，评估引水工程对湖泊生态网络结构和功能的影响程度和方向；形成湖泊生态模型；
步骤S1c、确定三维非恒定流动和质量传输模型以及湖泊生态模型之间的耦合参数和耦合方式，包括将三维非恒定流动和质量传输模型的水质指标作为湖泊生态模型中生态网络结构和功能的影响因子，或者将湖泊生态模型中模拟的生物群落生物量作为三维非恒定流动和质量传输模型中水质反应动力学方程的参数；
步骤S1d、基于研究数据，对三维非恒定流动-质量传输-湖泊生态耦合模型进行参数校准和验证，评估适用性和准确性；若符合条件，进行不同引水工程方案下受水湖泊水动力-水质-水生态变化的模拟和预测，以校正物理仿真模型的参数。
本实施例综合考虑引排水工程对受水湖泊水动力、水质和水生态的影响，建立三维非恒定流动-质量传输-湖泊生态耦合模型，反映湖泊系统的复杂性和动态性。利用有限元法和迭代法求解流扩散方程和反应动力学方程，提高数值稳定性和收敛性，获得高精度和高效率的模拟结果。利用能量分配法和信息理论方法计算湖泊生态网络结构和功能的指标，反映湖泊生态系统的能量流动和信息传递，评估湖泊生态系统的稳定性和复杂性。利用灵敏度分析法和贝叶斯方法处理参数的不确定性和变异性，评估引水工程对湖泊系统的影响程度和方向，为引水工程的优化设计和管理提供参考。
根据本申请的一个方面，所述步骤S5还包括引水工程对研究湖泊水质的综合影响校验：
步骤S5a、调用已存储的水环境质量标准，并根据水环境功能分类和保护目标，确定引水工程受水湖泊的功能类别；基于功能类别，选择相应的地表水环境质量基本项目和特征项目作为评价指标；并选择敏感指标作为补充评价指标；根据评价指标在反映湖泊水质状况方面的重要性和敏感性，给每个指标赋予权重系数；
步骤S5b、读取研究数据，获取研究湖泊监测点位的数量和位置，以及监测频次和时间段；针对每个监测点位，采用地表水环境质量评价技术规范中规定的方法计算其各个评价指标的浓度或数值，并按照权重系数进行加权平均，得到该点位的综合营养状态指数；对所有监测点位，计算其CNSI的算术平均值，并根据地表水环境质量评价技术规范中规定的营养状态分级标准，确定湖泊的营养状态类别和颜色编码；对比引水工程实施前后的湖泊营养状态类别和颜色编码，评价引水工程对湖泊物理、化学和生物方面的影响，获得校验数据；
步骤S5c、基于校验数据对时空分布模型预测结果的准确性进行初步校验。
本实施例利用地表水环境质量评价技术规范中规定的方法和标准，对引水工程受水湖泊的水质状况进行客观、科学和系统的评价，为引水工程的规划、设计和管理提供依据；通过综合考虑湖泊水质的物理、化学和生物方面的指标，通过计算综合营养状态指数，反映湖泊的营养化程度和风险，为湖泊富营养化的防治和修复提供参考；结合时空分布模型预测结果，对引水工程对湖泊水质的影响进行初步校验，评估引水工程的可行性和效果，为物理模型、数字模型以及引水工程的优化和调整提供建议。
根据本申请的一个方面，所述步骤S1中，还包括判断受水工程和研究湖泊所在的河网复杂度是否超出阈值，若超出，在流域尺度进行水文连通性分析：
步骤S1i、获取研究数据，提取研究湖泊和引水工程的河道网络和水体分布数据，并抽象为由节点和边组成的无向图，构建基于图的水文连通性评价模型，其中节点包括河流、湖泊、闸坝和泵站，边包括长度、宽度、深度和流量；根据节点的类型和边的属性给每个节点和边赋予权重值，以反映其在水文连通性中的重要性和敏感性；采用最大流量法或最小割法计算平原河网区的水文连通性指标，包括连通度、连通距离、连通效率和连通强度；
步骤S1ii、读取研究数据，并提取降雨、蒸发、入渗和径流数据，建立适用于平原河网区的用于描述陆面水文过程的分布式水文模型；从研究数据中提取流量、水位和水质数据，建立适用于平原河网区的用于描述河湖水动力过程的二维水动力模型；将分布式水文模型和二维水动力模型进行耦合，形成平原河网区水文综合模型；
步骤S1iii、选择预定的时间尺度和空间尺度，对比基于图的水文连通性评价模型和平原河网区水文综合模型计算得到的水文连通性指标，并分析其差异和一致性；采用研究数据进行参数校准和验证，获得符合预期目标的水文连通性分析模型，初步分析引水工程的水文连通性对受水湖泊水质的影响。
本实施例在流域尺度上对平原河网区的水文连通性进行分析，考虑了引水工程和受水湖泊之间的水文联系和影响；通过基于图的水文连通性评价模型和平原河网区水文综合模型，能够综合反映河湖水体的空间分布、流动特征、水量变化和水质状况；通过多种数据源，包括河道网络、水体分布、降雨、蒸发、入渗、径流、流量、水位和水质等，提高了模型的精度和可靠性；在不同的时间尺度和空间尺度上进行模拟和预测，为物理建模、数字建模和引水工程的规划、设计和运行提供科学依据和决策支持。
根据本申请的另一个方面，一种引水工程影响下受水湖泊水质时空预测系统，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时空预测方法。
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。
Claims (10)
1.引水工程影响下受水湖泊水质时空预测方法，其特征在于，包括如下步骤：
步骤S1、确定研究湖泊，获取研究湖泊的监测数据，构建研究数据集合并预处理；
步骤S2、对监测数据进行主坐标分析，以主坐标值表征水质情况，划分引排水影响区；
步骤S3、绘制引排水影响下各预测变量与预定引水参数和研究湖泊数据的因果关系图，构建贝叶斯结构方程模型；
步骤S4、确定观测变量并建立各观测变量关于时间和空间的函数，构建引水工程影响下预测变量的时空分布模型；
步骤S5、验证时空分布模型的有效性，结合贝叶斯结构方程模型和预测变量的时空分布模型，预测不同引排水情景下受水湖泊不同影响区域的水质情况。
2.如权利要求1所述的引水工程影响下受水湖泊水质时空预测方法，其特征在于，所述步骤S1进一步包括：
步骤S11、确定研究湖泊，采集包括引水工程相关参数，以及受水湖泊水质指标历史监测数据在内的基础数据，形成研究数据集合，并进行缺失值分析以及标准化处理；
步骤S12、对研究数据进行单个变量分析，绘制框图和箱型图，计算特征参数，特征参数包括平均值、标准差、最大和最小值；
步骤S13、构建预测变量和自变量集合，并对预测变量和自变量进行相关性分析，获取自变量对预测变量的影响关系；
步骤S14、对各个监测数据的时间和空间分布进行显著性分析和趋势分析，获取时间和空间上监测数据的参数变化特征。
3.如权利要求2所述的引水工程影响下受水湖泊水质时空预测方法，其特征在于，所述步骤S2进一步包括：
步骤S21、针对每一监测数据，计算各个指标的平均值和标准差，用标准差除以平均值得到相异性系数，构建相异性系数矩阵；
步骤S22、根据相异系数矩阵对各个采样点数据进行主坐标分析，获得影响水质指标差异的主成分，即为主坐标；
步骤S23、以主坐标得分来表征某个时间和空间点的水质状态；
步骤S24、根据排序图将受水湖泊划分为不同的引排水影响区。
4.如权利要求3所述的引水工程影响下受水湖泊水质时空预测方法，其特征在于，所述步骤S3进一步包括：
步骤S31、结合文献资料并采用相关性分析方法筛选出对待预测的水质指标影响程度大于阈值的湖泊理化参数以及引排水工程关键要素；
步骤S32、构建因果关系模型，基于引排水工程关键因素以及湖泊水质指标对预测变量的影响路径，绘制因果关系图；
步骤S33、根据因果关系的分析结果，建立结构方程中预测变量和自变量之间的函数关系，构建引排水工程影响下受水湖泊各区域的统计模型函数列表；
步骤S34、判断是否存在无法直接构建函数计算的变量，若存在，采用贝叶斯方法通过Gibbs抽样方法从联合后验分布进行抽样，并利用经验分布近似后验分布，得到需计算变量的贝叶斯估计及其标准差。
5.如权利要求4所述的引水工程影响下受水湖泊水质时空预测方法，其特征在于，所述步骤S4进一步包括：
步骤S41、确定观测变量并对各个观测变量采用线性回归，构建各观测变量关于时间和空间的函数；
步骤S42、基于距离的冗余分析，将预测变量和作为自变量的环境参数建立函数关系，以解释预测变量的至少部分时空变化；
步骤S43、对残差进行检查，对冗余分析中无法解释的时空模式，检查空间多元自相关并检查参数的独立性。
6.如权利要求5所述的引水工程影响下受水湖泊水质时空预测方法，其特征在于，所述步骤S5进一步包括：
步骤S51、选取历史监测资料，结合贝叶斯结构方程模型和预测变量的时空分布模型，计算选取的水质参数；
步骤S52、对水质参数的预测值相对于距离进行绘制，以展示水质参数预测值和观测值之间的一致程度；
步骤S53、计算绘制预测值与实际观测值的残差与距离和时间的关系图，检查模型预测对观测值的解释度，验证模型的有效性；
步骤S54、基于已测量的参数，结合贝叶斯结构方程模型和预测变量的时空分布模型，预测不同引排水情景下受水湖泊不同影响区域的水质情况。
7.如权利要求6所述的引水工程影响下受水湖泊水质时空预测方法，其特征在于，所述步骤S1还包括构建受水湖泊的物理仿真模型和用于数据验证的数字仿真模型，其中用于数据验证的数字仿真模型包括构建三维非恒定流动-质量传输-湖泊生态耦合模型：
步骤S1a、读取研究数据集合，获取研究湖泊监测数据和数字高程数据，提取湖泊数字高程地形、水位、流向、风速、风向和引水工程参数；生成研究湖泊的有限元网格和边界条件；构建三维非恒定N-S方程和k-ε湍流模型，以描述研究湖泊的水动力过程；构建流扩散方程和反应动力学方程，以描述研究湖泊中包括营养盐、溶解氧和叶绿素a在内的水质指标的传输和变化过程；利用有限元法求解流扩散方程和反应动力学方程，并采用迭代法进行数值稳定性和收敛性检验，获得三维非恒定流动和质量传输模型；
步骤S1b、读取研究数据集合，提取研究湖泊中各类生物群落的种类、数量和生物量数据，构建研究湖泊的生态网络结构；采用能量分配法，计算研究湖泊中各类生物群落之间的能量流动量和效率，以及整个研究湖泊系统的能量输入、输出、存储和消耗；采用信息理论方法，计算湖泊中各类生物群落之间的信息传递量和冗余度，以及整个湖泊系统的信息熵、信息存储和信息开发；利用灵敏度分析法，评估引水工程对湖泊生态网络结构和功能的影响程度和方向；形成湖泊生态模型；
步骤S1c、确定三维非恒定流动和质量传输模型以及湖泊生态模型之间的耦合参数和耦合方式，包括将三维非恒定流动和质量传输模型的水质指标作为湖泊生态模型中生态网络结构和功能的影响因子，或者将湖泊生态模型中模拟的生物群落生物量作为三维非恒定流动和质量传输模型中水质反应动力学方程的参数；
步骤S1d、基于研究数据，对三维非恒定流动-质量传输-湖泊生态耦合模型进行参数校准和验证，评估适用性和准确性；若符合条件，进行不同引水工程方案下受水湖泊水动力-水质-水生态变化的模拟和预测，以校正物理仿真模型的参数。
8.如权利要求7所述的引水工程影响下受水湖泊水质时空预测方法，其特征在于，所述步骤S5还包括引水工程对研究湖泊水质的综合影响校验：
步骤S5a、调用已存储的水环境质量标准，并根据水环境功能分类和保护目标，确定引水工程受水湖泊的功能类别；基于功能类别，选择相应的地表水环境质量基本项目和特征项目作为评价指标；并选择敏感指标作为补充评价指标；根据评价指标在反映湖泊水质状况方面的重要性和敏感性，给每个指标赋予权重系数；
步骤S5b、读取研究数据，获取研究湖泊监测点位的数量和位置，以及监测频次和时间段；针对每个监测点位，采用地表水环境质量评价技术规范中规定的方法计算其各个评价指标的浓度或数值，并按照权重系数进行加权平均，得到该点位的综合营养状态指数；对所有监测点位，计算其CNSI的算术平均值，并根据地表水环境质量评价技术规范中规定的营养状态分级标准，确定湖泊的营养状态类别和颜色编码；对比引水工程实施前后的湖泊营养状态类别和颜色编码，评价引水工程对湖泊物理、化学和生物方面的影响，获得校验数据；
步骤S5c、基于校验数据对时空分布模型预测结果的准确性进行初步校验。
9.如权利要求7所述的引水工程影响下受水湖泊水质时空预测方法，其特征在于，所述步骤S1中，还包括判断受水工程和研究湖泊所在的河网复杂度是否超出阈值，若超出，在流域尺度进行水文连通性分析：
步骤S1i、获取研究数据，提取研究湖泊和引水工程的河道网络和水体分布数据，并抽象为由节点和边组成的无向图，构建基于图的水文连通性评价模型，其中节点包括河流、湖泊、闸坝和泵站，边包括长度、宽度、深度和流量；根据节点的类型和边的属性给每个节点和边赋予权重值，以反映其在水文连通性中的重要性和敏感性；采用最大流量法或最小割法计算平原河网区的水文连通性指标，包括连通度、连通距离、连通效率和连通强度；
步骤S1ii、读取研究数据，并提取降雨、蒸发、入渗和径流数据，建立适用于平原河网区的用于描述陆面水文过程的分布式水文模型；从研究数据中提取流量、水位和水质数据，建立适用于平原河网区的用于描述河湖水动力过程的二维水动力模型；将分布式水文模型和二维水动力模型进行耦合，形成平原河网区水文综合模型；
步骤S1iii、选择预定的时间尺度和空间尺度，对比基于图的水文连通性评价模型和平原河网区水文综合模型计算得到的水文连通性指标，并分析其差异和一致性；采用研究数据进行参数校准和验证，获得符合预期目标的水文连通性分析模型，初步分析引水工程的水文连通性对受水湖泊水质的影响。
10.一种引水工程影响下受水湖泊水质时空预测系统，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时空预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311349542.5A CN117116382B (zh) | 2023-10-18 | 2023-10-18 | 引水工程影响下受水湖泊水质时空预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311349542.5A CN117116382B (zh) | 2023-10-18 | 2023-10-18 | 引水工程影响下受水湖泊水质时空预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117116382A true CN117116382A (zh) | 2023-11-24 |
| CN117116382B CN117116382B (zh) | 2023-12-26 |
Family
ID=88805773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311349542.5A Active CN117116382B (zh) | 2023-10-18 | 2023-10-18 | 引水工程影响下受水湖泊水质时空预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117116382B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648568A (zh) * | 2024-01-26 | 2024-03-05 | 成都市三宇仪表科技发展有限公司 | 基于物联网的水表计量大数据优化处理方法及系统 |
| CN117648568B (zh) * | 2024-01-26 | 2024-05-10 | 成都市三宇仪表科技发展有限公司 | 基于物联网的水表计量大数据优化处理方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102073925A (zh) * | 2010-12-15 | 2011-05-25 | 南京大学 | 一种基于水质水量约束的工业企业空间增长模拟实现方法 |
| CN106960108A (zh) * | 2017-04-07 | 2017-07-18 | 中国环境科学研究院 | 基于贝叶斯网络的水库上游来水压力分析方法 |
| CN108108911A (zh) * | 2018-01-09 | 2018-06-01 | 中国科学院南京地理与湖泊研究所 | 基于水生态系统健康的大型湖泊分区水质目标制定方法 |
| CN109740877A (zh) * | 2018-05-22 | 2019-05-10 | 中国环境科学研究院 | 一种分湖富营养化营养足迹指数评价方法 |
| CN110348689A (zh) * | 2019-06-11 | 2019-10-18 | 重庆工商大学融智学院 | 一种湖泊水域的空间资源利用辅助决策系统 |
| CN113868732A (zh) * | 2021-08-25 | 2021-12-31 | 中国水利水电科学研究院 | 一种流域生态廊道安全格局构建布局方法 |
| WO2022115938A1 (en) * | 2020-12-03 | 2022-06-09 | Riskthinking.Ai Inc. | Systems and methods with classification standard for computer models to measure and manage radical risk using machine learning and scenario generation |
| CN115099059A (zh) * | 2022-07-21 | 2022-09-23 | 江西省水利科学院 | 一种土地利用变化下沿江平原城市湖泊防洪排涝水文设计方法 |
| CN116049340A (zh) * | 2023-02-22 | 2023-05-02 | 北京师范大学 | 考虑水位与水文连通性共存关系的湖泊最优水位确定方法 |
| CN116070886A (zh) * | 2023-04-04 | 2023-05-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 水资源系统多维适应性调控方法及系统 |
| 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
- 2023-10-18 CN CN202311349542.5A patent/CN117116382B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102073925A (zh) * | 2010-12-15 | 2011-05-25 | 南京大学 | 一种基于水质水量约束的工业企业空间增长模拟实现方法 |
| CN106960108A (zh) * | 2017-04-07 | 2017-07-18 | 中国环境科学研究院 | 基于贝叶斯网络的水库上游来水压力分析方法 |
| CN108108911A (zh) * | 2018-01-09 | 2018-06-01 | 中国科学院南京地理与湖泊研究所 | 基于水生态系统健康的大型湖泊分区水质目标制定方法 |
| CN109740877A (zh) * | 2018-05-22 | 2019-05-10 | 中国环境科学研究院 | 一种分湖富营养化营养足迹指数评价方法 |
| CN110348689A (zh) * | 2019-06-11 | 2019-10-18 | 重庆工商大学融智学院 | 一种湖泊水域的空间资源利用辅助决策系统 |
| WO2022115938A1 (en) * | 2020-12-03 | 2022-06-09 | Riskthinking.Ai Inc. | Systems and methods with classification standard for computer models to measure and manage radical risk using machine learning and scenario generation |
| CN113868732A (zh) * | 2021-08-25 | 2021-12-31 | 中国水利水电科学研究院 | 一种流域生态廊道安全格局构建布局方法 |
| CN115099059A (zh) * | 2022-07-21 | 2022-09-23 | 江西省水利科学院 | 一种土地利用变化下沿江平原城市湖泊防洪排涝水文设计方法 |
| CN116049340A (zh) * | 2023-02-22 | 2023-05-02 | 北京师范大学 | 考虑水位与水文连通性共存关系的湖泊最优水位确定方法 |
| CN116070886A (zh) * | 2023-04-04 | 2023-05-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 水资源系统多维适应性调控方法及系统 |
| 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 (5)
| Title |
|---|
| WENJUN WANG;YUJUNYI;YUFENG YANG;YANG ZHOU;SHANGHONG ZHANG;XUAN WANG;ZHIFENG YANG;: "Impact of anthropogenic activities on the sediment microbial communities of Baiyangdian shallow lake", INTERNATIONAL JOURNAL OF SEDIMENT RESEARCH, no. 02, pages 71 - 83 * |
| 唐文虎;牛哲文;赵柏宁;季天瑶;李梦诗;吴青华;: "数据驱动的人工智能技术在电力设备状态分析中的研究与应用", 高电压技术, no. 09, pages 77 - 86 * |
| 喻臻钰: "湖泊表面水温变化归因及其时空变 化趋势预测关键技术与理论研究-以云南九大高原湖泊为例", 《中国博士论文全文数据库基础科学辑》, no. 01, pages 012 - 9 * |
| 康俊锋;郭星宇;方雷;: "基于百度指数时空分布的旅游趋势预测研究――以上海市为例", 西南师范大学学报(自然科学版), no. 10, pages 6 - 20 * |
| 黎育红;贺石磊;: "浅水湖泊群连通与调水的二维水动力-水质耦合模型研究", 长江科学院院报, no. 01, pages 25 - 31 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648568A (zh) * | 2024-01-26 | 2024-03-05 | 成都市三宇仪表科技发展有限公司 | 基于物联网的水表计量大数据优化处理方法及系统 |
| CN117648568B (zh) * | 2024-01-26 | 2024-05-10 | 成都市三宇仪表科技发展有限公司 | 基于物联网的水表计量大数据优化处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117116382B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Abbaszadeh Shahri et al. | A novel approach to uncertainty quantification in groundwater table modeling by automated predictive deep learning | |
| Shirmohammadi et al. | Uncertainty in TMDL models | |
| Wheater | Progress in and prospects for fluvial flood modelling | |
| Rangel et al. | Towards an integrated computational tool for spatial analysis in macroecology and biogeography | |
| Fieberg et al. | Used‐habitat calibration plots: A new procedure for validating species distribution, resource selection, and step‐selection models | |
| Garzón et al. | Machine learning‐based surrogate modeling for urban water networks: review and future research directions | |
| Shrestha et al. | Data‐driven approaches for estimating uncertainty in rainfall‐runoff modelling | |
| CN112506990A (zh) | 一种基于时空信息的水文数据异常检测方法 | |
| Khan et al. | Comparing A Bayesian and Fuzzy Number Approach to Uncertainty Quantification in Short-Term Dissolved Oxygen Prediction. | |
| Cassalho et al. | Artificial intelligence for identifying hydrologically homogeneous regions: A state‐of‐the‐art regional flood frequency analysis | |
| Chebbi et al. | Optimal extension of rain gauge monitoring network for rainfall intensity and erosivity index interpolation | |
| Valizadeh et al. | Artificial intelligence and geo-statistical models for stream-flow forecasting in ungauged stations: state of the art | |
| Das et al. | FORWARD: a model for forecasting reservoir water dynamics using spatial Bayesian network (SpaBN) | |
| Tabatabaei et al. | Suspended sediment load prediction using non-dominated sorting genetic algorithm II | |
| Woolley et al. | Characterising uncertainty in generalised dissimilarity models | |
| 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 | |
| Kavusi et al. | Optimal design of groundwater monitoring network using the combined Election-Kriging method | |
| Sotomayor et al. | Implications of macroinvertebrate taxonomic resolution for freshwater assessments using functional traits: The Paute River Basin (Ecuador) case | |
| CN117078114B (zh) | 引水工程影响下受水湖泊水质评价方法和系统 | |
| Mazraeh et al. | A Hybrid Machine Learning Model for Modeling Nitrate Concentration in Water Sources | |
| Ghosh et al. | Meta-transfer learning: An application to streamflow modeling in river-streams | |
| Ahmadi et al. | Assessment of input data selection methods for BOD simulation using data-driven models: a case study | |
| Lu et al. | Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions | |
| Azarnivand et al. | Analysing the uncertainty of modelling hydrologic states of AWRA-L–understanding impacts from | |
| CN117116382B (zh) | 引水工程影响下受水湖泊水质时空预测方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |