CN117216468B - 基于深度学习及联合概率分布的湖泊生态缺水预警方法 - Google Patents
基于深度学习及联合概率分布的湖泊生态缺水预警方法 Download PDFInfo
- Publication number
- CN117216468B CN117216468B CN202311017981.6A CN202311017981A CN117216468B CN 117216468 B CN117216468 B CN 117216468B CN 202311017981 A CN202311017981 A CN 202311017981A CN 117216468 B CN117216468 B CN 117216468B
- Authority
- CN
- China
- Prior art keywords
- lake
- water level
- days
- ecological
- future
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 415
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000005315 distribution function Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 241000039077 Copula Species 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 241000282994 Cervidae Species 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 241000894007 species Species 0.000 description 4
- 230000007480 spreading Effects 0.000 description 4
- 244000144730 Amygdalus persica Species 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 235000006040 Prunus persica var persica Nutrition 0.000 description 3
- 210000003056 antler Anatomy 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000010045 kangjia Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 241000195493 Cryptophyta Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241001417524 Pomacanthidae Species 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于深度学习及联合概率分布的湖泊生态缺水预警方法，包括步骤1、收集湖泊水文数据；步骤2、计算最低生态水位；步骤3、基于深度学习建立湖泊水位预测模型；步骤4、构建前7日最高水位的边缘概率分布函数和前7日最高水位‑未来3日最低水位的联合概率分布函数；步骤5、采用湖泊水位预测模型预测未来3日水位；步骤6、通过统计未来3日的最低水位，并将其与最低生态水位进行比较，判断是否生态缺水；步骤7、计算未来3日发生生态缺水概率；步骤8、预警。本发明能应用于预测湖泊未来3日的水位，预警湖泊是否将面临生态缺水的问题，并量化未来3日湖泊生态缺水的可能性。
Description
技术领域
本发明涉及地球物理下生态水文分支技术领域，特别是一种基于深度学习及联合概率分布的湖泊生态缺水预警方法。
背景技术
湖泊具有调蓄流域径流、调节区域气候、净化水质、保育物种多样性、水产养殖、提供景观文娱服务等多种自然及社会经济功能，在可持续发展及生态文明建设中发挥着至关重要的作用，有必要维持湖泊生态水位、保障湖泊生态需水，以维系湖泊生态系统结构功能完整、生态系统服务功能正常发挥。《河湖生态环境需水计算规范(SL/T 712-2021)》中将生态基流定义为：维持河流、湖泊、沼泽等水生态系统功能不丧失，需要保留的底线流量(水量、水位、水深)，是基本生态流量过程中的最低值。对于湖泊而言，“生态基流”对应“底线水位”，可称之为最低生态水位。如果湖泊水位低于最低生态水位，则表明湖泊处于较为严重的生态缺水状态，湖泊生态系统及其服务功能将受到较为显著的不利影响。因此，有必要提出一种湖泊生态缺水预警方法，以提前研判湖泊生态需水保障情况，支撑湖泊水资源综合利用和水生态保护调度决策。
在湖泊生态水位评估方面，《河湖生态环境需水计算规范(SL/T 712-2021)》推荐了不同频率最枯月平均值法、频率曲线法、湖泊形态分析法、生物空间需求法等。为解决湖泊生态水位评估中资料稀缺的问题，提出了“一种湖泊最低生态水位计算方法(申请/专利号：CN201910764830.4)”“一种基于高分辨率卫星数据获取湖泊历史水位的方法(申请/专利号：CN202111003048.4)”和“一种基于古湖沼学方法的湖泊适宜生态水位确定方法(申请/专利号：CN202110471812.4)”。为满足湖泊生态系统对水体大小及水质的综合需求，提出了“基于水质-水位二元响应关系的适宜生态水位预测方法(申请/专利号：CN202210432769.5)”和“一种考虑污染胁迫的浅水湖泊生态需水量估算方法(申请/专利号：CN201010176654.1)”。综合考虑湿地植被生长过程及植被对湖泊污染物的移除率，提出了“一种湖泊生态水位计算方法(申请/专利号：CN201610458685.3)”和“平原浅水湖泊生态水位调控方法(申请/专利号：CN201910992148.0)”。考虑干旱区尾闾湖泊生态服务价值和不同气象条件下的水量平衡，分别提出了“基于服务价值均衡的干旱区尾闾湖泊生态水位分析方法(申请/专利号：CN202210477967.3)”和“不同气象条件下干旱区尾闾湖泊生态需水优化方法(申请/专利号：CN202210936777.3)”。上述成果均与湖泊生态水位评估方法相关，而针对实际调度管理的、预测未来一定时期内湖泊水位能否满足生态水位的方法相对较少。
在湖泊生态安全预警方面，集成水质检测系统和水质分析系统，提出了“一种具备实时预警性能的智慧湖泊检测系统(申请/专利号：CN202010382450.7)”。针对物种入侵和水生植被蔓延的沼泽化问题，分别提出了“湖泊外来水生植物物种检测与侵入风险预警系统(申请/专利号：CN201711473387.2)”和“基于湖泊水生植被蔓延的沼泽化动态监测与预警技术(申请/专利号：CN201010531108.5)”。针对浅水湖泊蓝藻水华风险，提出了“一种水、陆、空一体化的浅水湖泊蓝藻水华监测及预警系统(申请/专利号：CN202111302770.8)”。为实现监测结果进行自动判定和实时预警，提出了“通江湖泊生态监测信息管理及预警系统(申请/专利号：CN201610473460.5)”，包括水文模块、水质水生态模块、洲滩生态系统模块、物种多样性模块、多要素信息挖掘模块和风险评估预警分析模块，其中风险评估预警分析模块包括低水位预警模块、物种多样性预警模块和富营养化风险评估预警模块，低水位预警模块利用实时监测数据判定湖泊水位是否超警。针对湖泊水生态安全红线缺乏统一监测管理方法的问题，提出了“一种小型浅水湖泊水生态安全红线预警控制系统及方法(申请/专利号：CN201910101199.X)”，当控制器获取的水量、水质和空间指标实际值中至少一个达到生态安全红线指标值时，控制器控制预警装置进行报警。
上述研究成果表明，围绕湖泊生态需水评估及生态安全预警已提出了一系列方法，但针对湖泊生态缺水尚缺乏有效的预警方法。在湖泊生态安全预警方法中，部分方法提出了低水位预警思路，但均是利用实时湖泊水位判定其是否低于设定的低水位阈值而实现预警功能，尚不具备利用实测水位预测未来水位、判定未来水位是否满足生态水位的功能，缺乏实质性的、对于未来水情和生态安全的预警能力。
综上所述，需要发展一种基于深度学习及联合概率分布的湖泊生态缺水预警方法。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，而提供一种基于深度学习及联合概率分布的湖泊生态缺水预警方法，该基于深度学习及联合概率分布的湖泊生态缺水预警方法能应用于预测湖泊未来3日的水位，预警湖泊是否将面临生态缺水的问题，并量化未来3日湖泊生态缺水的可能性。
为解决上述技术问题，本发明采用的技术方案是：
一种基于深度学习及联合概率分布的湖泊生态缺水预警方法，包括如下步骤。
步骤1、收集湖泊水文数据：对待预测湖泊以自然日为时间间隔，收集不少于20年的水文数据；其中，湖泊水文数据包括入湖流量、出湖流量和湖泊水位。
步骤2、计算最低生态水位ZEco：对步骤1收集的湖泊水文数据中的湖泊水位数据，采用水文频率法进行分析计算，得到最低生态水位ZEco；其中，最低生态水位ZEco为判定待预测湖泊是否生态缺水的阈值。
步骤3、建立湖泊水位预测模型：基于深度学习，构建湖泊水位预测模型；其中，湖泊水位预测模型的输入为待预测湖泊的前7日入湖流量、前7日出湖流量和前7日湖泊水位；湖泊水位预测模型的输出为待预测湖泊的未来3日水位；采用步骤1收集的湖泊水文数据，对建立的湖泊水位预测模型进行训练与验证。
步骤4、构建概率分布函数：针对步骤1收集的湖泊水位数据，构建概率分布函数；概率分布函数包括前7日最高水位的边缘概率分布函数和前7日最高水位-未来3日最低水位的联合概率分布函数FC()；其中，Z7-max为步骤1收集的湖泊水位数据中的前7日水位中的最大值。
步骤5、预测未来3日水位：设当前日期为t′，针对预警湖泊，根据t′-6，t′-5，t′-4，t′-3，t′-2，t′-1，t′日的入湖流量、出湖流量和湖泊水位；采用步骤3建立的湖泊水位预测模型，预测未来t′+1、t′+2、t′+3日的湖泊水位Z′t+1,Z′t+2,Z′t+3。
步骤6、生态缺水判断：统计未来3日的最低水位min(Z′t+1,Z′t+2,Z′t+3)，并将min(Z′t+1,Z′t+2,Z′t+3)与步骤2计算得到的最低生态水位ZEco进行比较，并按照如下方法进行判断：
A、当min(Z′t+1,Z′t+2,Z′t+3)＞ZEco时，则表明未来3日水位均高于湖泊最低生态水位，湖泊生态需水能够得到保障、不会发生生态缺水，能维系湖泊生态安全。
B、当min(Z′t+1,Z′t+2,Z′t+3)≤ZEco时，则表明未来3日水位将跌破湖泊最低生态水位，湖泊生态需水难以保障、将发生生态缺水，有可能威胁湖泊生态安全。
步骤7、计算未来3日发生生态缺水概率p：当步骤6中，判断未来3日将发生生态缺水时，根据如下方法计算得到未来3日发生生态缺水概率p：
步骤7-1、计算当Z7-max≤Z′7-max时，认为发生前7日湖泊水情；其中，Z′7-max为t′-6，t′-5，t′-4，t′-3，t′-2，t′-1，t′日水位中的最大值；使用步骤4构建的计算前7日湖泊水情条件的发生概率/>
步骤7-2、计算FC(Z7-max≤Z′7-max,Z′3-min≤ZEco)：当Z7-max≤Z′7-max和Z′3-min≤ZEco两者同时成立时，认为前7日湖泊水情和未来3日湖泊生态缺水两组事件同时发生；其中，Z′3-min为未来t′+1、t′+2、t′+3日水位中的最低值；使用步骤4构建的联合概率分布函数FC()，计算前7日湖泊水情和未来3日湖泊生态缺水两组事件同时发生的概率FC(Z7-max≤Z′7-max,Z′3-min≤ZEco)。
步骤7-3、计算未来3日发生生态缺水概率p，具体计算公式为：
步骤8、预警：根据步骤6的生态缺水判断结果和步骤7计算的未来3日发生生态缺水概率p，进行预报或预警，具体为：
A、当min(Z′t+1,Z′t+2,Z′t+3)＞ZEco时，预报湖泊生态安全。
B、当min(Z′t+1,Z′t+2,Z′t+3)≤ZEco时，预警湖泊生态缺水，且其发生可能性为p。
步骤2中，采用水文频率法分析计算最低生态水位ZEco的方法，包括如下步骤：
步骤2-1、统计待预测湖泊的历年最低水位，形成湖泊年最低水位序列，记为Zmin。
步骤2-2、采用P-III型分布拟合湖泊年最低水位的概率分布，记为
步骤2-3、令推导求得最低生态水位ZEco；其中，δ为待预测湖泊生态安全保证率，为给定常数。
步骤2-3中，从湖泊生态偏安全角度考虑，δ＝0.5。
步骤3中，将步骤1中收集的湖泊水文数据分为训练集和验证集，则采用训练集对湖泊水位预测模型进行训练的方法，包括如下步骤：
步骤3-1、统计湖泊前7日入湖流量序列：针对训练集中的入湖流量，以7日为滑动窗口，逐日统计湖泊的前7日入湖流量，形成湖泊前7日入湖流量序列Q′7，具体为：
Q′7＝[Q′t-6,Q′t-5,Q′t-4,Q′t-3,Q′t-2,Q′t-1,Q′t]
式中，Q′t-6,Q′t-5,Q′t-4,Q′t-3,Q′t-2,Q′t-1,Q′t分别为t-6，t-5，t-4，t-3，t-2，t-1，t日的入湖流量。
步骤3-2、统计湖泊前7日出湖流量序列：针对训练集中的出湖流量，以7日为滑动窗口，逐日统计湖泊的前7日出湖流量，形成湖泊前7日出湖流量序列Q″7，具体为：
Q″7＝[Q″t-6,Q″t-5,Q″t-4,Q″t-3,Q″t-2,Q″t-1,Q″t]
式中，Q″t-6,Q″t-5,Q″t-4,Q″t-3,Q″t-2,Q″t-1,Q″t分别为t-6，t-5，t-4，t-3，t-2，t-1，t日的出湖流量。
步骤3-3、统计湖泊前7日水位序列：针对训练集中的湖泊水位数据，以7日为滑动窗口，逐日统计湖泊的前7日水位序列，形成湖泊前7日水位序列Z7，具体为：
Z7＝[Zt-6,Zt-5,Zt-4,Zt-3,Zt-2,Zt-1,Zt]
式中，Zt-6,Zt-5,Zt-4,Zt-3,Zt-2,Zt-1,Zt分别为t-6，t-5，t-4，t-3，t-2，t-1，t日的湖泊水位。
步骤3-4、统计未来3日水位序列：针对训练集中的湖泊水位数据，以3日为滑动窗口，逐日统计湖泊未来3日水位序列，形成湖泊未来3日水位序列Z3，具体为：
Z3＝[Zt+1,Zt+2,Zt+3]
式中，Zt+1,Zt+2,Zt+3为t+1、t+2、t+3日的水位。
步骤3-5、将湖泊前7日入湖流量序列Q′7、湖泊前7日出湖流量序列Q″7和湖泊前7日水位序列Z7作为湖泊水位预测模型的输入，湖泊未来3日水位序列Z3作为输出，对湖泊水位预测模型进行训练。
步骤3中，对训练完成的湖泊水位预测模型，采用验证集进行验证，则湖泊水位预测模型预测输出的湖泊未来3日水位与验证集中实际的湖泊未来3日水位的相关系数不低于0.95。
步骤4中，边缘概率分布函数采用P-III分布拟合得到；联合概率分布函数FC()采用Clayton copula函数拟合得到。
本发明具有如下有益效果：
1、本发明利用深度学习方法从已有实测水位中充分挖掘信息、预测未来水位，采用联合概率分布分析在当前水位条件下未来发生生态缺水的可能性，融合深度学习和联合概率分布的分析结果，综合开展湖泊生态缺水预警分析。因而，本发明能应用于预测湖泊未来3日的水位，预警湖泊是否将面临生态缺水的问题，并量化未来3日湖泊生态缺水的可能性。
2、本发明能弥补现有湖泊生态需水评估及保障研究中缺乏生态缺水预警方法的不足，完善湖泊生态需水评估及保障方法体系，提高河流流量、湖泊水位等水文观测资料的利用效率，为保障湖泊生态系统结构与功能稳定、湖泊生态系统服务功能正常发挥提供科技支撑，提升湖泊生态安全预警及综合治理能力，助力我国智慧化水利建设。
附图说明
图1显示了本发明基于深度学习及联合概率分布的湖泊生态缺水预警方法的流程图。
图2显示了本发明实例的洞庭湖鹿角站年最低水位频率分布图。
图3显示了本发明实例的洞庭湖前7日最高水位边缘概率分布分布图。
图4显示了本发明实例的洞庭湖未来3日最低水位边缘概率分布分布图。
图5显示了本发明实例的洞庭湖前7日最高水位-未来3日最低水位联合概率分布图。
图6显示了本发明实例的洞庭湖鹿角站水位预测模型在训练期的模拟精度图。
图7显示了本发明实例的洞庭湖鹿角站水位预测模型在验证期的模拟精度图。
具体实施方式
下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。
本发明实例的应用研究区域为洞庭湖。洞庭湖是我国第二大淡水湖泊，位于长江中下游南岸，地处复杂的“江-湖-库”系统。洞庭湖全流域总体地势西高东低，湖泊入湖水量主要包括流域四水(湘江、资水、沅江、澧水)入湖水量以及荆江三口(松滋口、太平口、藕池口)分泄长江水量，各部分来水通过洞庭湖调蓄后，经唯一出湖水道于城陵矶汇入长江干流。长江上游三峡水库等控制性水利枢纽改变了进入中下游江湖系统的水沙条件，促进了长江中游江湖泥沙分配格局变化。江湖系统由自然条件下的累积性淤积转为持续性冲刷，驱动江湖关系发生新一轮调整，诱发洞庭湖水资源季节性短缺、生态环境退化等问题。因此，亟需开展洞庭湖生态缺水预警研究，为洞庭湖湖泊生态系统保护和流域水资源综合利用提供科学依据和技术支撑。
如图1所示，一种基于深度学习及联合概率分布的湖泊生态缺水预警方法，步骤1、收集湖泊水文数据：对待预测湖泊以自然日为时间间隔，收集不少于20年的水文数据，优选50年；其中，湖泊水文数据包括入湖流量、出湖流量和湖泊水位。其中，入湖流量和出湖流量构成与湖泊存在水力联系的河流流量。
本实施例中，收集整理与洞庭湖存在水力联系的河流的流量资料，即影响洞庭湖湖区水位的河流的流量资料，以及洞庭湖的水位资料。洞庭湖流域四水包括湘江、资水、沅江、澧水，分别以湘潭站、桃江站、桃源站、石门站为控制站；将湘潭站、桃江站、桃源站、石门站的流量相加，得洞庭湖流域四水流量，记为QSishui，单位为m3/s。荆江三口包括松滋口、太平口、藕池口，其中松滋口以新江口站、沙道观站为控制站，太平口以弥陀寺站为控制站，藕池口以康家港站、管家铺站为控制站；将新江口站、沙道观站、弥陀寺站、康家港站、管家铺站的流量相加，得荆江三口分流入洞庭湖的流量，记为QSankou，单位为m3/s。洞庭湖出湖水道以城陵矶站为控制站，城陵矶站流量记为QChenglingji，单位为m3/s。洞庭湖湖区水位以鹿角站为控制站，鹿角站水位记为Z，单位为m(1985国家高程基准)。收集了湘潭站、桃江站、桃源站、石门站、新江口站、沙道观站、弥陀寺站、康家港站、管家铺站、城陵矶站等控制站1960-2019年的逐日平均流量资料，同时收集了鹿角站1960-2019年的逐日平均流量和水位数据。
步骤2、计算最低生态水位ZEco：对步骤1收集的湖泊水文数据中的湖泊水位数据，采用水文频率法进行分析计算，得到最低生态水位ZEco；其中，最低生态水位ZEco为判定待预测湖泊是否生态缺水的阈值。
上述采用水文频率法分析计算最低生态水位ZEco的方法，优选包括如下步骤：
步骤2-1、统计待预测湖泊的历年最低水位，形成湖泊年最低水位序列，记为Zmin。
步骤2-2、采用P-III型分布拟合湖泊年最低水位的概率分布，记为FZmin()。
步骤2-3、令推导求得最低生态水位ZEco；其中，δ为待预测湖泊生态安全保证率，为给定常数；从湖泊生态偏安全角度考虑，本实施例中，优选δ＝0.5。
本实施例中，根据洞庭湖年最低水位的概率分布推求最低生态水位，可得ZEco＝19m。
步骤3、建立湖泊水位预测模型：基于深度学习的时域融合变换模型，构建湖泊水位预测模型；其中，湖泊水位预测模型的输入为待预测湖泊的前7日入湖流量、前7日出湖流量和前7日湖泊水位；湖泊水位预测模型的输出为待预测湖泊的未来3日水位。
本发明将步骤1中收集的湖泊水文数据作为样本集，并分为训练集和验证集。
本发明采用训练集对湖泊水位预测模型进行训练的方法，包括如下步骤。
步骤3-1、统计湖泊前7日入湖流量序列：针对训练集中的入湖流量，以7日为滑动窗口，逐日统计湖泊的前7日入湖流量，形成湖泊前7日入湖流量序列Q′7，具体为：
Q′7＝[Q′t-6,Q′t-5,Q′t-4,Q′t-3,Q′t-2,Q′t-1,Q′t]
式中，Q′t-6,Q′t-5,Q′t-4,Q′t-3,Q′t-2,Q′t-1,Q′t分别为t-6，t-5，t-4，t-3，t-2，t-1，t日的入湖流量。
步骤3-2、统计湖泊前7日出湖流量序列：针对训练集中的出湖流量，以7日为滑动窗口，逐日统计湖泊的前7日出湖流量，形成湖泊前7日出湖流量序列Q″7，具体为：
Q″7＝[Q″t-6,Q″t-5,Q″t-4,Q″t-3,Q″t-2,Q″t-1,Q″t]
式中，Q″t-6,Q″t-5,Q″t-4,Q″t-3,Q″t-2,Q″t-1,Q″t分别为t-6，t-5，t-4，t-3，t-2，t-1，t日的出湖流量。
步骤3-3、统计湖泊前7日水位序列：针对训练集中的湖泊水位数据，以7日为滑动窗口，逐日统计湖泊的前7日水位序列，形成湖泊前7日水位序列Z7，具体为：
Z7＝[Zt-6,Zt-5,Zt-4,Zt-3,Zt-2,Zt-1,Zt]
式中，Zt-6,Zt-5,Zt-4,Zt-3,Zt-2,Zt-1,Zt分别为t-6，t-5，t-4，t-3，t-2，t-1，t日的湖泊水位。
步骤3-4、统计未来3日水位序列：针对训练集中的湖泊水位数据，以3日为滑动窗口，逐日统计湖泊未来3日水位序列，形成湖泊未来3日水位序列Z3，具体为：
Z3＝[Zt+1,Zt+2,Zt+3]
式中，Zt+1,Zt+2,Zt+3为t+1、t+2、t+3日的水位。
步骤3-5、将湖泊前7日入湖流量序列Q′7、湖泊前7日出湖流量序列Q″7和湖泊前7日水位序列Z7作为湖泊水位预测模型的输入，湖泊未来3日水位序列Z3作为输出，对湖泊水位预测模型进行训练。
本实施例中，根据洞庭湖流域四水流量、荆江三口流量、出湖水道流量、洞庭湖水位资料，利用深度学习方法构建洞庭湖鹿角站水位预测模型。其中，图6显示了本发明实例的基于时域融合变换的洞庭湖鹿角站水位预测模型训练期模拟精度图，洞庭湖鹿角站水位预测模型训练期的平均绝对误差为0.07m，训练期预测水位与实测水位的相关系数达0.99以上。
步骤3-6、对训练完成的湖泊水位预测模型，采用验证集进行验证，则湖泊水位预测模型预测输出的湖泊未来3日最低水位与验证集中实际的湖泊未来3日最低水位的相关系数不低于0.95。
本实施例中，图7显示了是本发明实例的基于时域融合变换的洞庭湖鹿角站水位预测模型验证期模拟精度图，洞庭湖鹿角站水位预测模型验证期的平均绝对误差为0.09m，验证期预测水位与实测水位的相关系数达0.99以上。
步骤4、构建概率分布函数：针对步骤1收集的湖泊水位数据，构建概率分布函数；概率分布函数包括前7日最高水位的边缘概率分布函数和前7日最高水位-未来3日最低水位的联合概率分布函数FC()；其中，Z7-max为步骤1收集的湖泊水位数据中的前7日水位中的最大值。
上述前7日最高水位的边缘概率分布函数优选采用P-III分布函数对洞庭湖鹿角站的前7日(也即t-6，t-5，t-4，t-3，t-2，t-1，t日)最高水位Z7-max进行拟合得到，具体如图3所示。其中，Z7-max为步骤1收集的前7日水位中的最大值。
进一步，采用P-III分布函数对洞庭湖鹿角站的未来3日(也即t+1，t+2，t+3日)最低水位Z3-min进行拟合，得到洞庭湖未来3日最低水位的边缘概率分布函数如图4所示。其中，Z3-min为未来3日水位中的最小值。
上述联合概率分布函数FC()优选采用Clayton copula函数对前7日最高水位Z7-max和未来3日最低水位Z3-min进行拟合得到，具体如图5所示。
步骤5、预测未来3日水位：设当前日期为t′，针对预警湖泊，根据t′-6，t′-5，t′-4，t′-3，t′-2，t′-1，t′日的入湖流量、出湖流量和湖泊水位；采用步骤3建立的湖泊水位预测模型，预测未来t′+1、t′+2、t′+3日的湖泊水位Z′t+1,Z′t+2,Z′t+3。
运用洞庭湖鹿角站的水位预测模型，由河流前7日流量、洞庭湖前7日水位，即2019年12月25日、2019年12月26日、2019年12月27日、2019年12月28日、2019年12月29日、2019年12月30日、2019年12月31日的流量、水位，预测洞庭湖未来3日水位，即2020年1月1日、2020年1月2日、2020年1月3日水位，预测结果为18.87m、18.78m、18.61m。
步骤6、生态缺水判断：统计未来3日的最低水位min(Z′t+1,Z′t+2,Z′t+3)，并将min(Z′t+1,Z′t+2,Z′t+3)与步骤2计算得到的最低生态水位ZEco进行比较，并按照如下方法进行判断：
A、当min(Z′t+1,Z′t+2,Z′t+3)＞ZEco时，则表明未来3日水位均高于湖泊最低生态水位，湖泊生态需水能够得到保障、不会发生生态缺水，能维系湖泊生态安全。
B、当min(Z′t+1,Z′t+2,Z′t+3)≤ZEco时，则表明未来3日水位将跌破湖泊最低生态水位，湖泊生态需水难以保障、将发生生态缺水，有可能威胁湖泊生态安全。
本实施例中，统计预测的2020年1月1日、2020年1月2日、2020年1月3日的最低水位，为18.61m；将2020年1月1日、2020年1月2日、2020年1月3日的最低水位与第二步中的洞庭湖最低生态水位(ZEco＝19m)进行比较，18.61m低于洞庭湖最低生态水位，可判定洞庭湖未来3日将发生生态缺水。
在本发明实例中，min(Z2020年1月1日,Z2020年1月2日,Z2020年1月3日)≤ZEco，表明洞庭湖未来3日水位将跌破最低生态水位，洞庭湖生态需水难以保障、将发生生态缺水，有可能威胁洞庭湖生态安全。
步骤7、计算未来3日发生生态缺水概率p：当步骤6中，判断未来3日将发生生态缺水时，根据如下方法计算得到未来3日发生生态缺水概率p：
步骤7-1、计算FZ7-max(Z7-max≤Z′7-max)：当Z7-max≤Z′7-max时，认为发生前7日湖泊水情；其中，Z′7-max为t′-6，t′-5，t′-4，t′-3，t′-2，t′-1，t′日的湖泊水位中的最大值；使用步骤4构建的计算前7日湖泊水情条件的发生概率/>
本实施例中，运用前7日2019年12月25日、2019年12月26日、2019年12月27日、2019年12月28日、2019年12月29日、2019年12月30日、2019年12月31日的最高水位为19.23m，计算得到
步骤7-2、计算FC(Z7-max≤Z′7-max,Z′3-min≤ZEco)：当Z7-max≤Z′7-max和Z′3-min≤ZEco两者同时成立时，认为前7日湖泊水情和未来3日湖泊生态缺水两组事件同时发生；其中，Z′3-min为未来t′+1、t′+2、t′+3日水位中的最小值；使用步骤4构建的联合概率分布函数FC()，计算前7日湖泊水情和未来3日湖泊生态缺水两组事件同时发生的概率FC(Z7-max≤Z′7-max,Z′3-min≤ZEco)。
在本实施例中，运用洞庭湖前7日最高水位-未来3日最低水位的联合概率分布，计算前7日洞庭湖水情、未来3日洞庭湖生态缺水这两组事件同时发生的概率，FC(Z7-max≤19.23,Z′3-min≤19)＝0.06。
步骤7-3、计算未来3日发生生态缺水概率p，具体计算公式为：
本实施例中，具体为：
步骤8、预警：根据步骤6的生态缺水判断结果和步骤7计算的未来3日发生生态缺水概率p，进行预报或预警，具体为：
A、当min(Zt′+1,Zt′+2,Zt′+3)＞ZEco时，预报湖泊生态安全。
B、当min(Zt′+1,Zt′+2,Zt′+3)≤ZEco时，预警湖泊生态缺水，且其发生可能性为p。
在本发明实例中，min(Z2020年1月1日,Z2020年1月2日,Z2020年1月3日)≤ZEco，预警洞庭湖生态缺水，其缺水可能性为86％。
本发明能应用于预测湖泊未来3日的水位，预警湖泊是否将面临生态缺水的问题，并量化未来3日湖泊生态缺水的可能性。
本发明可弥补现有湖泊生态需水评估及保障研究中缺乏生态缺水预警方法的不足，完善湖泊生态需水评估及保障方法体系，提高河流流量、湖泊水位等水文观测资料的利用效率，为保障湖泊生态系统结构与功能稳定、湖泊生态系统服务功能正常发挥提供科技支撑，提升湖泊生态安全预警及综合治理能力，助力我国智慧化水利建设。
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 (6)
1.一种基于深度学习及联合概率分布的湖泊生态缺水预警方法，其特征在于：包括如下步骤：
步骤1、收集湖泊水文数据：对待预测湖泊以自然日为时间间隔，收集不少于20年的水文数据；其中，湖泊水文数据包括入湖流量、出湖流量和湖泊水位；
步骤2、计算最低生态水位ZEco：对步骤1收集的湖泊水文数据中的湖泊水位数据，采用水文频率法进行分析计算，得到最低生态水位ZEco；其中，最低生态水位ZEco为判定待预测湖泊是否生态缺水的阈值；
步骤3、建立湖泊水位预测模型：基于深度学习，构建湖泊水位预测模型；其中，湖泊水位预测模型的输入为待预测湖泊的前7日入湖流量、前7日出湖流量和前7日湖泊水位；湖泊水位预测模型的输出为待预测湖泊的未来3日水位；采用步骤1收集的湖泊水文数据，对建立的湖泊水位预测模型进行训练与验证；
步骤4、构建概率分布函数：针对步骤1收集的湖泊水位数据，构建概率分布函数；概率分布函数包括前7日最高水位的边缘概率分布函数和前7日最高水位-未来3日最低水位的联合概率分布函数FC()；其中，Z7-max为步骤1收集的湖泊水位数据中的前7日水位中的最大值；
步骤5、预测未来3日水位：设当前日期为t′，针对预警湖泊，根据t′-6，t′-5，t′-4，t′-3，t′-2，t′-1，t′日的入湖流量、出湖流量和湖泊水位；采用步骤3建立的湖泊水位预测模型，预测未来t′+1、t′+2、t′+3日的湖泊水位Zt′+1,Zt′+2,Zt′+3；
步骤6、生态缺水判断：统计未来3日的最低水位min(Zt′+1,Zt′+2,Zt′+3)，并将min(Zt′+1,Zt′+2,Zt′+3)与步骤2计算得到的最低生态水位ZEco进行比较，并按照如下方法进行判断：
A、当min(Zt′+1,Zt′+2,Zt′+3)＞ZEco时，则表明未来3日水位均高于湖泊最低生态水位，湖泊生态需水能够得到保障、不会发生生态缺水，能维系湖泊生态安全；
B、当min(Zt′+1,Zt′+2,Zt′+3)≤ZEco时，则表明未来3日水位将跌破湖泊最低生态水位，湖泊生态需水难以保障、将发生生态缺水，有可能威胁湖泊生态安全；
步骤7、计算未来3日发生生态缺水概率p：当步骤6中，判断未来3日将发生生态缺水时，根据如下方法计算得到未来3日发生生态缺水概率p：
步骤7-1、计算当Z7-max≤Z7′-max时，认为发生前7日湖泊水情；其中，Z7′-max为t′-6，t′-5，t′-4，t′-3，t′-2，t′-1，t′日水位中的最大值；使用步骤4构建的计算前7日湖泊水情的发生概率/>步骤7-2、计算FC(Z7-max≤Z7′-max,Z3′-min≤ZEco)：当Z7-max≤Z7′-max和Z3′-min≤ZEco两者同时成立时，认为前7日湖泊水情和未来3日湖泊生态缺水两组事件同时发生；其中，Z3′-min为未来t′+1、t′+2、t′+3日水位中的最低值；使用步骤4构建的联合概率分布函数FC()，计算前7日湖泊水情和未来3日湖泊生态缺水两组事件同时发生的概率FC(Z7-max≤Z7′-max,Z3′-min≤ZEco)；
步骤7-3、计算未来3日发生生态缺水概率p，具体计算公式为：
步骤8、预警：根据步骤6的生态缺水判断结果和步骤7计算的未来3日发生生态缺水概率p，进行预报或预警，具体为：
A、当min(Zt′+1,Zt′+2,Zt′+3)＞ZEco时，预报湖泊生态安全；
B、当min(Zt′+1,Zt′+2,Zt′+3)≤ZEco时，预警湖泊生态缺水，且其发生可能性为p。
2.根据权利要求1所述的基于深度学习及联合概率分布的湖泊生态缺水预警方法，其特征在于：步骤2中，采用水文频率法分析计算最低生态水位ZEco的方法，包括如下步骤：
步骤2-1、统计待预测湖泊的历年最低水位，形成湖泊年最低水位序列，记为Zmin；
步骤2-2、采用P-III型分布拟合湖泊年最低水位的概率分布，记为
步骤2-3、令推导求得最低生态水位ZEco；其中，δ为待预测湖泊生态安全保证率，为给定常数。
3.根据权利要求2所述的基于深度学习及联合概率分布的湖泊生态缺水预警方法，其特征在于：步骤2-3中，从湖泊生态偏安全角度考虑，δ＝0.5。
4.根据权利要求1所述的基于深度学习及联合概率分布的湖泊生态缺水预警方法，其特征在于：步骤3中，将步骤1中收集的湖泊水文数据分为训练集和验证集，则采用训练集对湖泊水位预测模型进行训练的方法，包括如下步骤：
步骤3-1、统计湖泊前7日入湖流量序列：针对训练集中的入湖流量，以7日为滑动窗口，逐日统计湖泊的前7日入湖流量，形成湖泊前7日入湖流量序列Q7′，具体为：
Q7′＝[Qt′-6,Qt′-5,Qt′-4,Qt′-3,Qt′-2,Qt′-1,Qt′]
式中，Qt′-6,Qt′-5,Qt′-4,Qt′-3,Qt′-2,Qt′-1,Qt′分别为t-6，t-5，t-4，t-3，t-2，t-1，t日的入湖流量；
步骤3-2、统计湖泊前7日出湖流量序列：针对训练集中的出湖流量，以7日为滑动窗口，逐日统计湖泊的前7日出湖流量，形成湖泊前7日出湖流量序列Q7″，具体为：
Q7″＝[Qt′-′6,Qt′-′5,Qt′-′4,Qt′-′3,Qt′-′2,Qt′-′1,Qt″]
式中，Qt′-′6,Qt′-′5,Qt′-′4,Qt′-′3,Qt′-′2,Qt′-′1,Qt″分别为t-6，t-5，t-4，t-3，t-2，t-1，t日的出湖流量；
步骤3-3、统计湖泊前7日水位序列：针对训练集中的湖泊水位数据，以7日为滑动窗口，逐日统计湖泊的前7日水位序列，形成湖泊前7日水位序列Z7，具体为：
Z7＝[Zt-6,Zt-5,Zt-4,Zt-3,Zt-2,Zt-1,Zt]
式中，Zt-6,Zt-5,Zt-4,Zt-3,Zt-2,Zt-1,Zt分别为t-6，t-5，t-4，t-3，t-2，t-1，t日的湖泊水位；
步骤3-4、统计未来3日水位序列：针对训练集中的湖泊水位数据，以3日为滑动窗口，逐日统计湖泊未来3日水位序列，形成湖泊未来3日水位序列Z3，具体为：
Z3＝[Zt+1,Zt+2,Zt+3]
式中，Zt+1,Zt+2,Zt+3为t+1、t+2、t+3日的水位；
步骤3-5、将湖泊前7日入湖流量序列Q7′、湖泊前7日出湖流量序列Q7″和湖泊前7日水位序列Z7作为湖泊水位预测模型的输入，湖泊未来3日水位序列Z3作为输出，对湖泊水位预测模型进行训练。
5.根据权利要求4所述的基于深度学习及联合概率分布的湖泊生态缺水预警方法，其特征在于：步骤3中，对训练完成的湖泊水位预测模型，采用验证集进行验证，则湖泊水位预测模型预测输出的湖泊未来3日水位与验证集中实际的湖泊未来3日水位的相关系数不低于0.95。
6.根据权利要求1所述的基于深度学习及联合概率分布的湖泊生态缺水预警方法，其特征在于：步骤4中，边缘概率分布函数采用P-III分布拟合得到；联合概率分布函数FC()采用Clayton copula函数拟合得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311017981.6A CN117216468B (zh) | 2023-08-14 | 2023-08-14 | 基于深度学习及联合概率分布的湖泊生态缺水预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311017981.6A CN117216468B (zh) | 2023-08-14 | 2023-08-14 | 基于深度学习及联合概率分布的湖泊生态缺水预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117216468A CN117216468A (zh) | 2023-12-12 |
| CN117216468B true CN117216468B (zh) | 2024-05-24 |
Family
ID=89045120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311017981.6A Active CN117216468B (zh) | 2023-08-14 | 2023-08-14 | 基于深度学习及联合概率分布的湖泊生态缺水预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117216468B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111210128A (zh) * | 2019-12-27 | 2020-05-29 | 广东工业大学 | 一种基于人工智能及随机自适应阈值的湿地预警方法 |
| CN112288183A (zh) * | 2020-11-12 | 2021-01-29 | 华中科技大学 | 一种湖泊分级分期旱限水位确定方法及系统 |
| 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 |
| CN114819322A (zh) * | 2022-04-18 | 2022-07-29 | 武汉大学 | 湖泊入湖流量的预报方法 |
| CN115392650A (zh) * | 2022-08-05 | 2022-11-25 | 河海大学 | 不同气象条件下干旱区尾闾湖泊生态需水优化方法 |
-
2023
- 2023-08-14 CN CN202311017981.6A patent/CN117216468B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111210128A (zh) * | 2019-12-27 | 2020-05-29 | 广东工业大学 | 一种基于人工智能及随机自适应阈值的湿地预警方法 |
| 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 |
| CN112288183A (zh) * | 2020-11-12 | 2021-01-29 | 华中科技大学 | 一种湖泊分级分期旱限水位确定方法及系统 |
| CN114819322A (zh) * | 2022-04-18 | 2022-07-29 | 武汉大学 | 湖泊入湖流量的预报方法 |
| CN115392650A (zh) * | 2022-08-05 | 2022-11-25 | 河海大学 | 不同气象条件下干旱区尾闾湖泊生态需水优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 不同时间尺度的鄱阳湖生态水位研究;陈江;段明;吴培军;孙继万;;江西水利科技;20180615(03);全文 * |
| 东洞庭湖水位模拟及水情变化归因;邹吉胡;《水力发电学报》;20230430;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117216468A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ning et al. | Assessing pollution prevention program by QUAL2E simulation analysis for the Kao-Ping River Basin, Taiwan | |
| Feng et al. | Impact of floodgates operation on water environment using one-dimensional modelling system in river network of Wuxi city, China | |
| CN110838079A (zh) | 一种智慧城市防洪排水远程监控系统及方法 | |
| Ibrakhimov | Spatial and temporal dynamics of groundwater table and salinity in Khorezm (Aral Sea Basin), Uzbekistan | |
| CN116485584B (zh) | 高寒区大底坡河流wee协同调控方法及系统 | |
| CN112287613B (zh) | 针对流域水环境控制断面的污染物削减方法 | |
| CN117216468B (zh) | 基于深度学习及联合概率分布的湖泊生态缺水预警方法 | |
| Abou El Hassan | Improving water quality in the Nile Delta irrigation network by regulating reuse of agricultural drainage water | |
| Li et al. | Past and future contributions of artificial reservoirs on global sea-level rise | |
| Zhang et al. | A Sensitivity Analysis of River Environment Factors Through Deep Learning | |
| Ghallabi et al. | Integrated approaches to the assessment of the impacts of climate and socio-economic change on groundwater resources in the Tensift basin, Morocco | |
| Siwila et al. | Climate change impact investigation on hydro-meteorological extremes on Zambia’s Kabompo catchment | |
| Liu et al. | Inland River Simulation of Coastal Cities Based on Real-time Control (RTC) Rules | |
| Khero et al. | Infrastructure Development in Closed River Basin: Impact Assessment Analysis on Lower Indus Basin | |
| CN117010748B (zh) | 碳中和目标下小水电梯级开发河段地貌单元异质性重构方法 | |
| Qin et al. | Harmonized optimal postreclamation coastline for Deep Bay, China | |
| CN109544039B (zh) | 一种分湖营养物水质目标过程管理轨线定标方法 | |
| Al-Rubaie et al. | Application of artificial neural network and geographical information system models to predict and evaluate the quality of Diyala River water, Iraq | |
| Stein et al. | Aquatic Resource Type Conversion Evaluation Framework Version 2.0 | |
| Grievson | Monitoring and controlling a smarter wastewater treatment system: a UK perspective | |
| Stella | Assessment Risk of Water Supply in the Lower Colorado River Watershed | |
| Kantoush et al. | JE-HydroNet: modern methodologies for the management, monitoring and planning of integrated water resources in the Nile delta of Egypt | |
| LIANG et al. | Optimization of ecological water replenishment in water-deficient rivers by coupling hydrodynamic model and optimization algorithm——A case study of the Beijing section of Yongding River | |
| Demetriou et al. | Management Of Groundwater Resources In Cyprus-Harmonisation With The EU Water Framework Directive. | |
| Gerard | Stream Dynamics in the Headwaters of Post-Glacial Watershed Systems |
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 |