CN117236199B - 城市水网区域河湖水质提升与水安全保障方法及系统 - Google Patents
城市水网区域河湖水质提升与水安全保障方法及系统 Download PDFInfo
- Publication number
- CN117236199B CN117236199B CN202311509572.8A CN202311509572A CN117236199B CN 117236199 B CN117236199 B CN 117236199B CN 202311509572 A CN202311509572 A CN 202311509572A CN 117236199 B CN117236199 B CN 117236199B
- Authority
- CN
- China
- Prior art keywords
- water
- data
- river
- network
- model
- 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 524
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000005457 optimization Methods 0.000 claims abstract description 66
- 238000004088 simulation Methods 0.000 claims abstract description 57
- 238000011160 research Methods 0.000 claims abstract description 45
- 230000008878 coupling Effects 0.000 claims abstract description 36
- 238000010168 coupling process Methods 0.000 claims abstract description 36
- 238000005859 coupling reaction Methods 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000006872 improvement Effects 0.000 claims description 32
- 238000011156 evaluation Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 18
- 238000013145 classification model Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 13
- 239000001301 oxygen Substances 0.000 claims description 13
- 229910052760 oxygen Inorganic materials 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 12
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 11
- 239000011574 phosphorus Substances 0.000 claims description 11
- 229910052698 phosphorus Inorganic materials 0.000 claims description 11
- 230000002265 prevention Effects 0.000 claims description 11
- 230000008901 benefit Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 7
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 description 14
- 239000013598 vector Substances 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 230000003247 decreasing effect Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000007418 data mining Methods 0.000 description 5
- 229910052757 nitrogen Inorganic materials 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 238000005311 autocorrelation function Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013450 outlier detection Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 241001517310 Eria Species 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011278 co-treatment Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007727 cost benefit analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 239000008235 industrial water Substances 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
本发明公开了一种城市水网区域河湖水质提升与水安全保障方法，包括如下步骤：采集待研究的城市水网区域的研究数据，并进行预处理；读取研究数据，提取水环境数据，构建时空预测模型，并水环境数据作为输入，获得优化的时空预测模型；读取研究数据，并提取城市水网拓扑连接关系，构建关系网络并进行水环境系统模拟；建立时空预测与关系网络耦合模型，以及多目标优化模块，对水环境进行一体化模拟，获得模拟结果；构建方案优选模块，结合模拟结果中优选出水环境提升和水安全保障方法。本申请给出了提升水安全保障适配性的区域河湖水系连通功能和技术需求，能够适应不同的预测任务和场景，提升了模型的泛化能力和预测精度。
Description
技术领域
本发明涉及水文水动力技术，尤其是城市水网区域河湖水质提升与水安全保障方法及系统。
背景技术
城市水网区域作为城市生态系统的重要组成部分，其健康状态直接影响城市的可持续发展和居民的生活质量。然而，由于工业化、城市化的加剧，河流湖泊污染、水资源短缺和水环境退化等问题日益严峻，同时河湖水系连通功能发挥受限、区域防洪除涝安全保障需求高和城市水环境质量改善压力大等因素造成水环境提升难度不断加大。因此，开发有效的城市水网区域河湖水环境治理与保障技术具有重要的经济和社会价值。
目前的技术解决方案主要包括水体治理与污染防治技术、水资源管理与调度技术以及智能水务与数据管理技术。这些技术在提高水质、优化水资源分配和提高管理效率方面取得了一定的成效。然而，现有技术在资源分配、成本控制和公众参与等方面仍存在一些不足。例如，现有技术在治理效率和成本之间往往存在折衷，对于财政预算有限的城市来说，维持长期运营成本是一个挑战。同时，现有的水环境治理技术往往缺乏系统性，没有实现上下游以及不同水域之间的有效联动，治理效果受限。此外，现有技术在公众参与和社会共治方面也存在不足，缺乏有效的机制引导和鼓励公众参与水环境治理。另外，由于城市建设的影响，还出现了一些新的特点，包括：工程调度更加频繁,可以增强河湖水系的水力连通度,改善河网水动力条件，但对于水质的跟踪监测尚未到位；联圩内部分区调整可以提升圩区内河湖系统的连通性,但大规模排涝会影响圩外水域及河道行洪；防洪标准提高需要兴建更多水利枢纽和实施河道整治,但不同层面的标准变化存在不协调,对水系连通性有负面影响；河流沿线排涝改变周边水情和河湖水系连通状态。
总之，当前技术在考虑系列因素影响后的综合协调性、调控经济性等方面还存在不足。因此需要开发新的技术。
发明内容
发明目的，提供一种城市水网区域河湖水质提升与水安全保障方法，以解决现有技术存在的上述问题。
技术方案，提供一种城市水网区域河湖水质提升与水安全保障方法，包括如下步骤：
步骤S1、采集待研究的城市水网区域的研究数据，并进行预处理；
步骤S2、读取研究数据，提取水环境数据，构建时空预测模型，并水环境数据作为输入，获得优化的时空预测模型；
步骤S3、读取研究数据，并提取城市水网拓扑连接关系，构建关系网络并进行水环境系统模拟；
步骤S4、建立时空预测与关系网络耦合模型，以及多目标优化模块，对水环境进行一体化模拟，获得模拟结果；
步骤S5、构建方案优选模块，结合模拟结果中优选出水环境提升和水安全保障方法。
根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、确定研究区域的范围和分辨率，选择数据源和数据类型；
步骤S12、从数据源下载或获取研究区域的原始数据，按照统一的空间参考和时间尺度进行数据整合，检查数据的完整性和一致性；所述原始数据至少包括遥感影像数据、数字高程数据、水文监测数据、水质监测数据、水利工程数据；
步骤S13、对原始数据进行预处理操作，以提高数据的质量和可用性，得到预处理后的研究数据；其中，预处理操作包括必要的数据清洗、数据转换、数据插补和数据归一化。
根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、从预处理后的研究数据中提取水环境数据，所述水环境数据至少包括水位、流量、水温、溶解氧、氨氮和总磷；
步骤S22、分析水环境数据的特点并根据预测目标构建ARIMA-STCN-LSTM-Attention时空预测模型，确定模型的输入、输出和参数；
步骤S23、将水环境数据分为训练集、验证集和测试集，利用训练集和验证集对ARIMA-STCN-LSTM-Attention时空预测模型进行训练和优化，利用测试集对ARIMA-STCN-LSTM-Attention时空预测模型进行评估和验证，获得优化的时空预测模型。
根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、从预处理后的研究数据中提取城市水网区域的拓扑数据，拓扑数据至少包括水网区域数字高程数据、河道数据、湖泊数据、水库数据和引调水工程数据；
步骤S32、分析拓扑数据的特点并根据模拟目标，构建EvolveGCN关系网络模型，并确定网络的节点、边和权重；
步骤S33、将拓扑数据转换为关系网络的输入，利用EvolveGCN关系网络模型对城市水网的水环境系统进行模拟，考虑水流、水质和水量，获得模拟结果。
根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、根据优化的时空预测模型和EvolveGCN关系网络模型的输出，采用模型耦合的方式构建时空预测与关系网络耦合模型；
步骤S42、获取水环境提升和水安全保障的目标，构建多目标优化模块和优化算法，水环境提升和水安全保障的目标包括水质改善目标、水量保障目标和水灾防控目标；
步骤S43、将水环境数据作为耦合模型的输入，利用多目标优化模块对耦合模型进行优化，对水环境进行一体化模拟，获得模拟结果。
根据本申请的一个方面，所述步骤S5进一步为：
步骤S51、获取模拟结果，并提取模拟结果中的初步可行方案，根据初步可行方案确定各个方案的优劣，确定评价指标，所述评价指标至少包括经济性、可行性和可持续性；
步骤S52、根据评价指标，构建方案优选方法集合，形成方案优选模块，方案优选方法包括如层次分析法和模糊综合评价法；
步骤S53、将模拟结果中的至少M个可行方案作为方案优选模块的输入，对各可行方案进行评价和排序，优选出水环境提升和水安全保障方法，M为自然数。
根据本申请的一个方面，所述步骤S31中提取城市水网区域的拓扑数据的过程还包括：
步骤S31a、调取研究数据中的河网数据并预处理，采用Shreve法确定河网的级别和分级标准；基于河网分分级，将河网划分为不同的子集，每个子集包含相同级别的河段，记录每个河段的河段属性，河段属性包括起点、终点、长度、宽度、高差和流量；
步骤S31b、对每个子集内的河段进行相似度计算，根据河段的属性和拓扑关系，计算河段之间的闵可夫斯基距离、杰卡德相似系数或相似度矩阵，选择DBSCAN聚类算法将相似的河段聚为一类；
步骤S31c、对每个类内的河段进行合并，根据河段的河段属性和拓扑关系，计算河段的平均值或中位数，作为代表河段的河段属性，将代表河段的河段属性替换原来的河段，获得同构河网集合。
根据本申请的一个方面，所述步骤S31a中，调取研究数据中的河网数据并预处理的过程还包括：
步骤S31i、读取城市水网区域的数字高程模型，提取河网水系，形成第一河网水系结构拓扑；
步骤S31ii、采用空间分析模块对数字高程模型进行高度、流向和流量分析，获取可能形成或构建河段的区域，形成第二河网水系结构拓扑，
步骤S31iii、基于预模拟的数据或经验数据，结合第一河网水系结构拓扑和第二河网水系结构拓扑，给出城市水网的连通格局初步优化建议。
根据本申请的一个方面，所述步骤S2还包括数据分类和验证过程，具体为：
步骤S2i、从预处理后的研究数据中提取水环境数据，所述水环境数据至少包括水位、流量、水温、溶解氧、氨氮和总磷；
步骤S2ii、构建PSO-CNN-LSTM数据分类模型并确定模型的输入、输出和参数，
步骤S2iii、将水环境数据分为训练集、验证集和测试集，利用PSO优化CNN和LSTM的关键参数，利用训练集和验证集对PSO-CNN-LSTM数据分类模型进行训练和优化，利用测试集对PSO-CNN-LSTM数据分类模型进行评估和验证，获得优化的数据分类模型。
根据本申请的另一个方面，一种城市水网区域河湖水环境提升与水安全保障系统，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上述任一项技术方案所述的城市水网区域河湖水质提升与水安全保障方法。
有益效果，首先，从水资源、水生态、水环境、水灾害等多方面出发，综合运用时空预测、关系网络、多目标优化、方案优选等技术，构建了系统完备、安全可靠，集约高效、绿色智能，循环通畅、调控有序的水网，实现了水资源的优化配置、流域的防洪减灾、水生态的保护治理等功能。其次，针对河湖水系、水利工程、社会经济发展、水安全保障等特征及需求，基于河湖水系连通与水安全保障系统相关关系，采用复合系统协调理论、人水和谐理论等方法，分析了现状河湖水系连通格局与区域水安全保障的适配程度，提出了提升水安全保障适配性的区域河湖水系连通功能和技术需求。最后，该方案能够适应不同的预测任务和场景，提升了模型的泛化能力和预测精度。
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
针对背景技术中存在的以下问题：一是河湖水系连通功能发挥受限。城市建设活动对天然河湖水系的干扰不断增强，河湖形态结构发生改变，带来了河道趋于主干化、水系结构趋于简单化、河湖水域面积减小、水流不畅、河网调节能力下降等问题；水网治理进程不能适应城市发展的需求，河湖水系连通与水安全保障的适配性不高，使得河湖水系连通格局与城镇化发展需求间的矛盾日益显著。二是区域防洪除涝安全保障需求高。受气候变化和城镇化进程双重影响，近年来极端灾害性天气频繁发生，暴雨频次增多，强度增大，防洪压力陡增；城镇化进程加快导致下垫面条件发生剧烈变化、地区水文情势发生变化，峰值流量增大、峰值水位抬升、峰值时刻提前。三是城市水环境质量改善压力大。平原感潮河网城市存在的河网水位落差小，流速低且水流反复，水体自净能力低，水质总体状况欠佳；现有水利工程难以完全支撑水环境改善需求，现有调水方案已不适应城区高标准换水要求，水质改善效果不明显。申请人给出如下解决方案：
如图1所示，一种城市水网区域河湖水质提升与水安全保障方法，包括如下步骤：
步骤S1、采集待研究的城市水网区域的研究数据，并进行预处理；
步骤S2、读取研究数据，提取水环境数据，构建时空预测模型，并水环境数据作为输入，获得优化的时空预测模型；
步骤S3、读取研究数据，并提取城市水网拓扑连接关系，构建关系网络并进行水环境系统模拟；
步骤S4、建立时空预测与关系网络耦合模型，以及多目标优化模块，对水环境进行一体化模拟，获得模拟结果；
步骤S5、构建方案优选模块，结合模拟结果中优选出水环境提升和水安全保障方法。
在本实施例中，通过采用先进的数据处理、模型构建、系统模拟、方案评价等技术，突破了传统的水网建设和管理方法的局限，实现了水网的动态调控和智能优化，提高了水网的性能和效率，给出了效果较好的水环境提升和水安全保障方案。例如，时空预测模型利用了深度学习技术，自动学习和调整模型的结构和参数，适应不同的预测任务和场景，提升了模型的泛化能力和预测精度；关系网络模型利用了图神经网络、注意力机制、强化学习等技术，捕捉水网区域的拓扑结构和时空特征，实现水环境系统的动态模拟和自适应控制。
如图2所示，根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、确定研究区域的范围和分辨率，选择数据源和数据类型。
在某个实施例中，根据研究目标和需求，确定数据的空间范围、时间范围、空间分辨率、时间分辨率等基本属性，以及数据的来源和种类，为后续的数据获取和处理提供依据。例如，研究区域的范围包括长江三角洲地区某个城市区域，研究时间范围为2016年至2020年，空间分辨率为1km×1km，时间分辨率为日尺度。数据源和数据类型包括遥感影像数据、数字高程数据、水文监测数据、水质监测数据、水利工程数据等，数据来源包括国家卫星气象中心、国家地理信息公共服务平台、水利部水情信息中心、环境保护部水环境监测中心、水利部太湖流域管理局等。
步骤S12、从数据源下载或获取研究区域的原始数据，按照统一的空间参考和时间尺度进行数据整合，检查数据的完整性和一致性；所述原始数据至少包括遥感影像数据、数字高程数据、水文监测数据、水质监测数据、水利工程数据；
根据数据源和数据类型，采用预存储的方法和工具，获取研究区域的原始数据，将不同来源、不同格式、不同尺度的数据进行统一和整合，保证数据的可比性和可用性，同时检查数据是否存在缺失、异常、冲突等问题，保证数据的完整性和一致性。例如，可以使用遥感数据处理软件（如ENVI、ERDAS等）、地理信息系统软件（如ArcGIS、QGIS等）、编程语言（如Python、R等）等工具，从各个数据源下载或获取原始数据，按照统一的空间参考（如WGS84坐标系）和时间尺度（如日尺度）进行数据整合，检查数据的完整性和一致性，对于存在的问题进行记录和标记，为后续的数据预处理做准备。
步骤S13、对原始数据进行预处理操作，以提高数据的质量和可用性，得到预处理后的研究数据；其中，预处理操作包括必要的数据清洗、数据转换、数据插补和数据归一化。
根据数据的特点和需求，采用合适的方法和技术，对原始数据进行必要的数据清洗、数据转换、数据插补和数据归一化等预处理操作，以消除数据的噪声、误差、缺失、不一致等问题，提高数据的质量和可用性，得到适合后续分析和模型的研究数据。例如，可以使用数据挖掘、机器学习、深度学习等方法和技术，对原始数据进行预处理操作，如对遥感影像数据进行大气校正、辐射校正、几何校正、分类、裁剪等操作，对数字高程数据进行滤波、插值、重采样等操作，对水文监测数据进行质量控制、异常值检测、缺失值填补等操作，对水质监测数据进行质量控制、异常值检测、缺失值填补、指标转换等操作，对水利工程数据进行质量控制、异常值检测、缺失值填补、数据归一化等操作，得到预处理后的研究数据。
在本申请的另一实施例中，还包括使用数据增强方法，对原始数据进行变换，以增加数据的数量和多样性，提高模型的泛化能力和鲁棒性。
在本申请的另一实施例中，还包括数据预挖掘，根据数据的特点和任务的需求，从预配置的数据挖掘方法库中选择数据挖掘方法，包括分类、聚类、关联、回归、异常检测、特征选择、特征生成等。对原始数据进行数据挖掘，例如使用数据挖掘软件WEKA、RapidMiner。最后评估数据挖掘的效果，使用准确率、召回率、F1值、ROC曲线、AUC值、混淆矩阵、可视化等评价指标和方法，分析数据挖掘的结果，发现数据的规律和模式，为后续的模型构建和模拟提供更丰富和更准确的数据支撑。
如图3所示，根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、从预处理后的研究数据中提取水环境数据，所述水环境数据至少包括水位、流量、水温、溶解氧、氨氮和总磷；根据研究目标和需求，选择与水环境相关的数据，作为时空预测模型的输入数据，为后续的模型构建和训练提供数据基础。这些指标用于反映水环境的水量、水质和水生态等方面的状况。
步骤S22、分析水环境数据的特点并根据预测目标构建ARIMA-STCN-LSTM-Attention时空预测模型，确定模型的输入、输出和参数；
利用水环境数据的历史值和当前值，对未来的水环境数据进行线性预测，捕捉水环境数据的趋势和周期等特征。ARIMA模型的一般形式为ARIMA(p,d,q)，其中p表示自回归项的阶数，d表示差分次数，q表示移动平均项的阶数。ARIMA模型的参数可以通过自相关函数(ACF)和偏自相关函数(PACF)等方法进行确定。STCN模型利用水环境数据的空间拓扑结构，对水环境数据进行空间特征提取，捕捉水环境数据的空间相关性和空间异质性。STCN模型的输入是一个从研究数据中基于河网信息提取的邻接矩阵，表示水环境数据的空间关系，以及一个特征矩阵，表示水环境数据的空间属性。STCN模型的输出是一个嵌入矩阵，表示水环境数据的空间特征向量。LSTM模型利用水环境数据的长短期记忆机制，对水环境数据进行时序特征提取，捕捉水环境数据的时序相关性和时序动态性。LSTM模型的输入是一个序列矩阵，表示水环境数据的时序属性，以及一个初始状态向量，表示水环境数据的初始状态。LSTM模型的输出是一个隐藏状态向量，表示水环境数据的时序特征向量。Attention模型利用水环境数据的空间特征向量和时序特征向量，对水环境数据进行特征融合，加权水环境数据的重要性和相关性。Attention模型的输入是STCN模型和LSTM模型的输出，即空间特征向量和时序特征向量。Attention模型的输出是一个预测向量，表示水环境数据的预测值。
步骤S23、将水环境数据分为训练集、验证集和测试集，利用训练集和验证集对ARIMA-STCN-LSTM-Attention时空预测模型进行训练和优化，利用测试集对ARIMA-STCN-LSTM-Attention时空预测模型进行评估和验证，获得优化的时空预测模型。
具体地，将水环境数据按照一定的比例（例如8:1:1）随机划分为训练集、验证集和测试集，其中训练集用于模型的训练，验证集用于模型的优化，测试集用于模型的评估。利用训练集和验证集对ARIMA-STCN-LSTM-Attention时空预测模型进行训练和优化，使用合适的损失函数（例如均方误差MSE）和优化算法（例如随机梯度下降SGD）对模型的参数进行更新和调整，使模型的预测值尽可能接近真实值，同时避免过拟合或欠拟合的问题。利用测试集对ARIMA-STCN-LSTM-Attention时空预测模型进行评估和验证，使用合适的评价指标（例如均方根误差RMSE，平均绝对误差MAE，相关系数R等）对模型的预测效果进行量化和分析，比较模型的优劣和适用性。
利用水环境数据的历史信息和空间信息，对未来的水环境状况进行准确和可靠的预测，为水环境管理和水资源保护提供科学依据和技术支持。综合考虑水环境数据的线性特征、非线性特征、时序特征、空间特征等多方面的特征，提高预测模型的表达能力和泛化能力，适应水环境数据的复杂性和动态性。通过注意力机制，对水环境数据的重要性和相关性进行自适应的加权，提高预测模型的灵敏度和稳定性，降低预测误差和不确定性。ARIMA模型可以捕捉水环境数据的趋势和周期等线性特征，而STCN-LSTM-Attention模型可以捕捉水环境数据的空间相关性和时序动态性等非线性特征，两者相互补充，提高了模型的表达能力和泛化能力；因此，能够综合利用水环境数据的线性特征和非线性特征。Attention模型可以根据水环境数据的空间特征向量和时序特征向量，对水环境数据进行特征融合，加权水环境数据的重要性和相关性，提高了模型的灵敏度和稳定性，降低了预测误差和不确定性。因此，能够自适应地加权水环境数据的重要性和相关性。STCN模型可以利用水环境数据的空间拓扑结构，对水环境数据进行空间特征提取，捕捉水环境数据的空间异质性和空间依赖性。LSTM模型可以利用水环境数据的长短期记忆机制，对水环境数据进行时序特征提取，捕捉水环境数据的时序相关性和时序变化性。因此，能够适应水环境数据的复杂性和动态性。
根据本申请的一个方面，所述步骤S2还包括数据分类和验证过程，具体为：
步骤S2i、从预处理后的研究数据中提取水环境数据，所述水环境数据至少包括水位、流量、水温、溶解氧、氨氮和总磷；
步骤S2ii、构建PSO-CNN-LSTM数据分类模型并确定模型的输入、输出和参数，
根据水环境数据的特点，选择合适的模型结构和参数，以实现对水环境数据的有效分类。PSO模型利用水环境数据的历史最优和全局最优，对CNN和LSTM的关键参数进行优化，提高分类模型的性能和效率。PSO模型的一般形式为PSO(N,D,Vmax,c1,c2)，其中N表示粒子的数量，D表示搜索的维度，Vmax表示速度的最大值，c1和c2表示加速度常数。PSO模型的参数可以通过经验或试验等方法进行确定。CNN模型利用水环境数据的空间拓扑结构，对水环境数据进行空间特征提取，捕捉水环境数据的空间相关性和空间异质性。CNN模型的输入是一个特征矩阵，表示水环境数据的空间属性。CNN模型的输出是一个嵌入矩阵，表示水环境数据的空间特征向量。LSTM模型是一种特殊的循环神经网络，它可以利用水环境数据的长短期记忆机制，对水环境数据进行时序特征提取，捕捉水环境数据的时序相关性和时序动态性。。
步骤S2iii、将水环境数据分为训练集、验证集和测试集，利用PSO优化CNN和LSTM的关键参数，利用训练集和验证集对PSO-CNN-LSTM数据分类模型进行训练和优化，利用测试集对PSO-CNN-LSTM数据分类模型进行评估和验证，获得优化的数据分类模型。利用PSO优化CNN和LSTM的关键参数，例如CNN的卷积核大小、卷积层数、池化层大小、池化层类型等，以及LSTM的隐藏层大小、隐藏层层数、激活函数类型等，使模型的分类效果达到最优，同时避免过拟合或欠拟合的问题。利用训练集和验证集对PSO-CNN-LSTM数据分类模型进行训练和优化，使用合适的损失函数（例如交叉熵损失函数）和优化算法（例如随机梯度下降算法）对模型的参数进行更新和调整，使模型的预测类别尽可能接近真实类别，同时监测模型的训练损失和验证损失，选择最佳的模型保存。利用测试集对PSO-CNN-LSTM数据分类模型进行评估和验证，使用合适的评价指标（例如准确率、召回率、F1值、混淆矩阵、ROC曲线、AUC值等）对模型的分类效果进行量化和分析，比较模型的优劣和适用性。
在本实施例中，利用水环境数据的历史信息和空间信息，对水环境状况进行准确和可靠的分类，为水环境管理和水资源保护提供科学依据和技术支持。综合考虑水环境数据的时序特征、空间特征等多方面的特征，提高分类模型的表达能力和泛化能力，适应水环境数据的复杂性和动态性。通过PSO算法，对CNN和LSTM的关键参数进行优化，提高分类模型的性能和效率，降低分类误差和不确定性。
如图4所示，根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、从预处理后的研究数据中提取城市水网区域的拓扑数据，拓扑数据至少包括水网区域数字高程数据、河道数据、湖泊数据、水库数据和引调水工程数据；
可以使用GIS软件或者其他数据处理工具，从研究数据中提取某一城市的水网区域的边界，以及水网区域内的数字高程数据、河道数据、湖泊数据、水库数据和引调水工程数据。可以用不同的文件格式或者数据库存储，例如shapefile、GeoJSON、CSV等。拓扑数据的作用是描述水网区域的空间结构和水资源分布，以及水流的方向和路径。
步骤S32、分析拓扑数据的特点并根据模拟目标，构建EvolveGCN关系网络模型，并确定网络的节点、边和权重；可以使用EvolveGCN关系网络模型，来模拟城市水网的水环境系统的动态变化。EvolveGCN是可以捕获图结构的时序演化。可以将水网区域内的水体（河道、湖泊、水库等）作为网络的节点，将水流的连接（河流、渠道、管道等）作为网络的边，将水流的量和质（流量、水位、水温、溶解氧、氮磷等）作为网络的权重。这样就可以将水网区域的拓扑数据转换为关系网络的输入数据。根据模拟目标，选择合适的网络结构和参数，例如网络的层数、节点的维度、边的类型、权重的更新方式等。也可以根据数据的特点，选择合适的激活函数、损失函数、优化器等。
步骤S33、将拓扑数据转换为关系网络的输入，利用EvolveGCN关系网络模型对城市水网的水环境系统进行模拟，考虑水流、水质和水量，获得模拟结果。
可以使用Python或者其他编程语言，编写代码实现EvolveGCN关系网络模型，或者使用已有的开源代码或者库，例如PyTorch Geometric Temporal。可以将拓扑数据转换为关系网络的输入，例如邻接矩阵、特征矩阵等，并按照时间顺序划分为训练集和测试集。可以使用训练集来训练模型，使用测试集来评估模型的准确性和泛化能力。可以利用EvolveGCN关系网络模型对城市水网的水环境系统进行模拟，考虑水流、水质和水量。可以获得模拟结果，例如每个节点的水流量、水位、水温、溶解氧、氮磷等，以及每条边的水流方向、速度、压力等。可以将模拟结果可视化，或者与实测数据进行对比，以分析模型的优劣和改进方向。
总之，在本实施例中，可以模拟城市水网的动态变化，考虑水流、水质和水量的相互影响，以及水网区域的空间结构和水资源分布的影响。可以预测城市水网的未来状态，例如水流的变化趋势、水质的变化趋势、水量的变化趋势等，以及可能出现的水环境问题，例如水污染、水短缺、水灾害等。可以评估城市水网的水环境系统的稳定性、效率和可持续性，以及不同的水资源管理。
根据本申请的一个方面，所述步骤S31中提取城市水网区域的拓扑数据的过程还包括：
步骤S31a、调取研究数据中的河网数据并预处理，采用Shreve法确定河网的级别和分级标准；基于河网分分级，将河网划分为不同的子集，每个子集包含相同级别的河段，记录每个河段的河段属性，河段属性包括起点、终点、长度、宽度、高差和流量；
本步骤是为了简化河网的复杂度，以便进行后续的相似度计算和合并。Shreve法将直接发源于河源的河流等级为1级，两条河流交汇形成的河流的等级为两条河流等级的和，例如，两条1级河流交汇形成2级河流，一条2级河流和一条3级河流交汇形成一条5级河流。Shreve法考虑了水系网络中的所有连接线，连接线的量级实际上代表了上游连接线的数量。可以使用Shreve法对河网进行分级，然后根据河流的等级将河网划分为不同的子集，每个子集包含相同级别的河段。河段是河流的基本单元，它是指两个相邻的河流交汇点之间的河流段落。记录每个河段的河段属性，这些属性反映了河段的几何形状和水文特征，对于后续的相似度计算和合并有重要的作用。河段属性包括起点、终点、长度、宽度、高差和流量，这些属性可以从河网数据中提取或计算得到。
步骤S31b、对每个子集内的河段进行相似度计算，根据河段的属性和拓扑关系，计算河段之间的闵可夫斯基距离、杰卡德相似系数或相似度矩阵，选择DBSCAN聚类算法将相似的河段聚为一类；
本步骤是为了将相似的河段进行聚类，以便进行后续的合并。相似的河段是指具有相近的河段属性和拓扑关系的河段，它们在水环境系统中具有相似的作用和影响。可以使用不同的相似度度量方法来计算河段之间的相似度，比如闵可夫斯基距离、杰卡德相似系数或相似度矩阵。闵可夫斯基距离根据不同的参数p来表示欧氏距离、曼哈顿距离或切比雪夫距离等。杰卡德相似系数表示两个集合之间的相似程度，其值在0到1之间。相似度矩阵是矩阵表示方法，它可以表示多个对象之间的相似度，其元素为相似度度量的结果。根据不同的河段属性和拓扑关系，选择合适的相似度度量方法，计算每个子集内的河段之间的相似度。然后，可以使用DBSCAN聚类算法将相似的河段聚为一类。DBSCAN是一种基于密度的聚类算法，它可以在具有噪声的空间数据库中发现任意形状的簇 DBSCAN的基本思想是将具有足够密度的区域划分为簇，并将簇定义为密度相连的点的最大集DBSCAN的优点是无需知道聚类簇的数量，可以发现任意形状的聚类簇，对噪声点鲁棒 DBSCAN的缺点是对于不同密度的数据集，难以选择合适的参数，对于高维数据的聚类效果较差 DBSCAN的算法参数有两个:邻域半径R和最少点数目MinPoints。这两个参数实际可以刻画什么叫密度:当邻域半径R内的点的个数大于最少点数目MinPoints时，就是密度。可以根据河段的分布情况，选择合适的参数，使用DBSCAN聚类算法将相似的河段聚为一类。
步骤S31c、对每个类内的河段进行合并，根据河段的河段属性和拓扑关系，计算河段的平均值或中位数，作为代表河段的河段属性，将代表河段的河段属性替换原来的河段，获得同构河网集合。
本步骤是为了将聚类后的河段进行合并，以便简化河网的结构，减少网络的节点和边的数量，提高模拟的效率和精度。合并的河段是指属于同一类的河段，它们具有相似的河段属性和拓扑关系，可以用一个代表河段来替换。可以使用不同的统计方法来计算代表河段的河段属性，比如平均值或中位数。平均值是描述数据集中心趋势的方法，它是所有数据的算术平均数。中位数是描述数据集位置的方法，它是将数据按照大小顺序排列后，位于中间位置的数值。根据不同的河段属性和拓扑关系，选择合适的统计方法，计算每个类内的河段的平均值或中位数，作为代表河段的河段属性。然后，将代表河段的河段属性替换原来的河段，获得同构河网集合。同构河网集合是指由同构河段组成的河网，同构河段是指具有相同的河段属性和拓扑关系的河段，它们在水环境系统中具有相同的作用和影响。通过这样的合并，可以将河网的复杂度降低，从而提高EvolveGCN关系网络模型的构建和模拟的效率和精度。
根据本申请的一个方面，所述步骤S31a中，调取研究数据中的河网数据并预处理的过程还包括：
步骤S31i、读取城市水网区域的数字高程模型，提取河网水系，形成第一河网水系结构拓扑；
可以使用GIS软件或者其他数据处理工具，从研究数据中调取北京市的数字高程模型(DEM)，提取河网水系，形成第一河网水系结构拓扑。数字高程模型用栅格或者矢量的方式存储，例如TIFF、ASCII、SHP等。河网水系是指由河流、湖泊、水库等水体组成的水系网络，用矢量的方式表示，例如SHP、GeoJSON等。提取河网水系的方法有多种，比如基于阈值的方法、基于水文分析的方法、基于机器学习的方法等。可以根据数据的质量和特点，选择合适的方法，提取河网水系，形成第一河网水系结构拓扑。第一河网水系结构拓扑是指由河网水系的空间位置和连接关系组成的拓扑结构，它可以反映水网区域的水资源分布和水流路径。
步骤S31ii、采用空间分析模块对数字高程模型进行高度、流向和流量分析，获取可能形成或构建河段的区域，形成第二河网水系结构拓扑；
可以使用空间分析模块对数字高程模型进行高度、流向和流量分析，获取可能形成或构建河段的区域，形成第二河网水系结构拓扑。空间分析模块用于对数字高程模型进行各种水文分析，例如计算高度、坡度、坡向、流向、流量、流域、汇流等。可以使用空间分析模块对数字高程模型进行高度、流向和流量分析，获取可能形成或构建河段的区域，形成第二河网水系结构拓扑。第二河网水系结构拓扑是指由可能形成或构建河段的区域的空间位置和连接关系组成的拓扑结构，它可以反映水网区域的水流潜力和水流方向。
步骤S31iii、基于预模拟的数据或经验数据，结合第一河网水系结构拓扑和第二河网水系结构拓扑，给出城市水网的连通格局初步优化建议。
可以基于预模拟的数据或经验数据，结合第一河网水系结构拓扑和第二河网水系结构拓扑，给出城市水网的连通格局初步优化建议。预模拟的数据或经验数据是指根据历史数据或专家知识，对城市水网的水环境系统进行预测或评估的数据，例如水流量、水质、水量等。可以基于预模拟的数据或经验数据，结合第一河网水系结构拓扑和第二河网水系结构拓扑，给出城市水网的连通格局初步优化建议。连通格局是指城市水网的水体之间的连接方式，它可以影响水流的分配和调节，以及水环境的稳定和可持续。可以根据不同的目标和约束，给出城市水网的连通格局初步优化建议，例如增加或减少水体的数量和面积、增加或减少水体之间的连接通道、增加或减少水体的水位和流量等。
从预处理后的研究数据中提取城市水网区域的拓扑数据，拓扑数据至少包括水网区域数字高程数据、河道数据、湖泊数据、水库数据和引调水工程数据。这些数据可以帮助构建EvolveGCN关系网络模型，并提供模拟的输入数据。
如图5所示，根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、根据优化的时空预测模型和EvolveGCN关系网络模型的输出，采用模型耦合的方式构建时空预测与关系网络耦合模型；
在本实施例中，可以使用优化的时空预测模型和EvolveGCN关系网络模型，来分别对城市水网的水流、水质和水量进行预测和模拟。优化的时空预测模型可以利用历史数据和实时数据，对城市水网的水流、水质和水量进行时空预测，考虑水环境系统的时变性和空间相关性。EvolveGCN关系网络模型可以捕获城市水网的水环境系统的动态变化，考虑水流、水质和水量的相互影响，以及水网区域的空间结构和水资源分布的影响。
可以采用模型耦合的方式，将优化的时空预测模型和EvolveGCN关系网络模型进行耦合，构建时空预测与关系网络耦合模型。模型耦合可以利用不同模型的优势，提高模拟的精度和效率。可以根据不同的耦合方式，选择合适的耦合算法和耦合参数，例如串行耦合、并行耦合、混合耦合等。也可以根据数据的特点，选择合适的耦合接口和耦合频率，例如数据交换、数据转换、数据同步等。通过模型耦合，可以将优化的时空预测模型和EvolveGCN关系网络模型的输出进行整合和协调，构建时空预测与关系网络耦合模型。
步骤S42、获取水环境提升和水安全保障的目标，构建多目标优化模块和优化算法，水环境提升和水安全保障的目标包括水质改善目标、水量保障目标和水灾防控目标；
在本实施例中可以获取水环境提升和水安全保障的目标，这些目标是指希望通过模拟和优化，达到的水环境系统的期望状态，例如水质改善目标、水量保障目标和水灾防控目标。水质改善目标是指希望通过模拟和优化，提高城市水网的水质水平，例如降低水体的污染物浓度、提高水体的溶解氧含量等。水量保障目标是指希望通过模拟和优化，保证城市水网的水量需求，例如满足城市的生活用水、工业用水、农业用水等。水灾防控目标是指希望通过模拟和优化，减少城市水网的水灾风险，例如防止水体的泛滥、溢出、倒灌等。
在本实施例中，构建多目标优化模块和优化算法，这些模块和算法是指用来对时空预测与关系网络耦合模型进行优化的工具，利用不同的优化方法，寻找最优的模拟参数和控制策略，以达到水环境提升和水安全保障的目标。多目标优化模块将水环境提升和水安全保障的目标转化为多个优化目标函数，然后根据不同的优化准则，例如帕累托最优、最小化最大化、加权和等，寻找最优的解集，即帕累托前沿。优化算法在解空间中寻找最优的解，例如遗传算法、粒子群算法、模拟退火算法等。可以根据不同的优化目标函数和优化准则，选择合适的优化算法，构建多目标优化模块，对时空预测与关系网络耦合模型进行优化。
步骤S43、将水环境数据作为耦合模型的输入，利用多目标优化模块对耦合模型进行优化，对水环境进行一体化模拟，获得模拟结果。
在本实施例中，可以将水环境数据作为耦合模型的输入，水环境数据包括水网区域的水流、水质和水量的时空数据，以及水网区域的拓扑数据。水环境数据可以用不同的文件格式或者数据库存储，例如CSV、HDF5、SQLite等。可以利用多目标优化模块对耦合模型进行优化，多目标优化模块可以对多个可能冲突的目标进行权衡和平衡，寻找最优或者次优的解。多目标优化模块可以使用不同的优化算法，例如遗传算法、粒子群算法、模拟退火算法等。可以根据水环境提升和水安全保障的目标，构建多目标优化模块和优化算法，水环境提升和水安全保障的目标包括水质改善目标、水量保障目标和水灾防控目标。水质改善目标是指提高水网区域的水质指标，例如溶解氧、氮磷、化学需氧量等。水量保障目标是指保证水网区域的水量需求，例如供水、灌溉、生态等。水灾防控目标是指减少水网区域的水灾风险，例如洪水、干旱、水污染等。可以对水环境进行一体化模拟，一体化模拟是指同时考虑水流、水质和水量的相互影响，以及水网区域的空间结构和水资源分布的影响，对水环境系统的动态变化进行模拟。可以获得模拟结果，例如每个节点的水流量、水位、水温、溶解氧、氮磷等，以及每条边的水流方向、速度、压力等。可以将模拟结果可视化，或者与实测数据进行对比，以分析模型的优劣和改进方向。
在本实施例中，同时考虑水流、水质和水量的相互影响，以及水网区域的空间结构和水资源分布的影响，对水环境系统的动态变化进行模拟。根据水环境提升和水安全保障的目标，对耦合模型进行优化，寻找最优或者次优的解，以实现水质改善、水量保障和水灾防控的目标。本实施例可以用于评估水环境系统的稳定性、效率和可持续性，以及不同的水资源管理策略的影响，为决策提供支持和建议。
如图6所示，根据本申请的一个方面，所述步骤S5进一步为：
步骤S51、获取模拟结果，并提取模拟结果中的初步可行方案，根据初步可行方案确定各个方案的优劣，确定评价指标，所述评价指标至少包括经济性、可行性和可持续性；
使用Python、MATLAB实现时空预测与关系网络耦合模型，或者使用已有的开源代码或者库，例如TensorFlow或者PyTorch。模拟结果是指时空预测与关系网络耦合模型的输出，它包括每个节点的水流量、水位、水温、溶解氧、氮磷等，以及每条边的水流方向、速度、压力等。在一些实施例中，可以将模拟结果可视化，或者与实测数据进行对比，以分析模型的优劣和改进方向。
最后提取模拟结果中的初步可行方案，初步可行方案是指满足水环境提升和水安全保障的目标的方案，例如水质改善目标、水量保障目标和水灾防控目标。可以根据不同的目标，设置不同的约束条件，例如水质指标的阈值、水量需求的范围、水灾风险的等级等。可以使用线性规划、整数规划、非线性规划等方法，求解满足约束条件的方案，提取模拟结果中的初步可行方案。
根据初步可行方案确定各个方案的优劣，可以使用多属性决策分析、成本效益分析、风险分析等方法，确定各个方案的优劣，以便进行后续的方案优选。
价指标是指用于评价和比较方案的标准和指标，可以反映方案的经济性、可行性和可持续性。根据不同的目标和约束，选择合适的评价指标，以便进行后续的方案优选。
步骤S52、根据评价指标，构建方案优选方法集合，形成方案优选模块，方案优选方法包括如层次分析法和模糊综合评价法；
根据评价指标，构建方案优选方法集合，方案优选方法集合可以对多个可能冲突的评价指标进行权衡和平衡，寻找最优或者次优的方案。方案优选方法集合可以包括如层次分析法和模糊综合评价法等。层次分析法(Analytic Hierarchy Process，AHP)可以将复杂的决策问题分解为目标、准则、子准则和方案等层次，然后通过构建判断矩阵和计算权重向量，来确定各个层次之间的相对重要性，最后通过综合排序，得到最优或者次优的方案。模糊综合评价法(Fuzzy Comprehensive Evaluation，FCE)可以将评价指标的模糊性和不确定性进行量化和处理，然后通过构建因素集、评价集和评价矩阵，来确定各个评价指标的隶属度，最后通过综合评价，得到最优或者次优的方案。根据不同的评价指标和方案特点，选择合适的方案优选方法，形成方案优选模块，方案优选模块是一种基于方案优选方法集合的模块，它可以对多个初步可行方案进行评价和排序，优选出水环境提升和水安全保障方法。
步骤S53、将模拟结果中的至少M个可行方案作为方案优选模块的输入，对各可行方案进行评价和排序，优选出水环境提升和水安全保障方法，M为自然数。
将模拟结果中的至少M个可行方案作为方案优选模块的输入，M为自然数，M的取值可以根据模拟结果的数量和质量，以及优化目标的复杂度和难度，进行合理的选择。可行方案是指满足水环境提升和水安全保障的目标的方案，例如水质改善目标、水量保障目标和水灾防控目标。可以对各可行方案进行评价和排序，评价和排序是指根据方案优选模块的方法，对各可行方案进行打分和排名，以便找出最优或者次优的方案。可以使用层次分析法或者模糊综合评价法等，对各可行方案进行评价和排序，考虑方案的经济性、可行性和可持续性等评价指标。可以优选出水环境提升和水安全保障方法，水环境提升和水安全保障方法是指在多个可行方案中，根据评价和排序的结果，选择最优或者次优的方案，以实现水质改善、水量保障和水灾防控的目标。可以根据不同的优化目标和约束条件，选择合适的水环境提升和水安全保障方法，例如增加或减少水体的数量和面积、增加或减少水体之间的连接通道、增加或减少水体的水位和流量等。
在本实施例中，可以对多个初步可行方案进行评价和排序，考虑方案的经济性、可行性和可持续性等评价指标，以便找出最优或者次优的方案。从而优选出水环境提升和水安全保障方法，实现水质改善、水量保障和水灾防控的目标，以及不同的水资源管理策略的影响，为决策提供支持和建议。
根据本申请的另一个方面，一种城市水网区域河湖水环境提升与水安全保障系统，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上述任一项技术方案所述的城市水网区域河湖水质提升与水安全保障方法。
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 (7)
1.城市水网区域河湖水质提升与水安全保障方法，其特征在于，包括如下步骤：
步骤S1、采集待研究的城市水网区域的研究数据，并进行预处理；
步骤S2、读取研究数据，提取水环境数据，构建时空预测模型，并水环境数据作为输入，获得优化的时空预测模型；
步骤S3、读取研究数据，并提取城市水网拓扑连接关系，构建关系网络并进行水环境系统模拟；
步骤S4、建立时空预测与关系网络耦合模型，以及多目标优化模块，对水环境进行一体化模拟，获得模拟结果；
步骤S5、构建方案优选模块，结合模拟结果中选出水环境提升和水安全保障方法；
所述步骤S1进一步为：
步骤S11、确定研究区域的范围和分辨率，选择数据源和数据类型；
步骤S12、从数据源下载或获取研究区域的原始数据，按照统一的空间参考和时间尺度进行数据整合，检查数据的完整性和一致性；所述原始数据至少包括遥感影像数据、数字高程数据、水文监测数据、水质监测数据、水利工程数据；
步骤S13、对原始数据进行预处理操作，以提高数据的质量和可用性，得到预处理后的研究数据；其中，预处理操作包括数据清洗、数据转换、数据插补和数据归一化；
所述步骤S2进一步为：
步骤S21、从预处理后的研究数据中提取水环境数据，所述水环境数据至少包括水位、流量、水温、溶解氧、氨氮和总磷；
步骤S22、分析水环境数据的特点并根据预测目标构建ARIMA-STCN-LSTM-Attention时空预测模型，确定模型的输入、输出和参数；
步骤S23、将水环境数据分为训练集、验证集和测试集，利用训练集和验证集对ARIMA-STCN-LSTM-Attention时空预测模型进行训练和优化，利用测试集对ARIMA-STCN-LSTM-Attention时空预测模型进行评估和验证，获得优化的时空预测模型；
所述步骤S3进一步为：
步骤S31、从预处理后的研究数据中提取城市水网区域的拓扑数据，拓扑数据至少包括水网区域数字高程数据、河道数据、湖泊数据、水库数据和引调水工程数据；
步骤S32、分析拓扑数据的特点并根据模拟目标，构建EvolveGCN关系网络模型，并确定网络的节点、边和权重；
步骤S33、将拓扑数据转换为关系网络的输入，利用EvolveGCN关系网络模型对城市水网的水环境系统进行模拟，考虑水流、水质和水量，获得模拟结果。
2.根据权利要求1所述的城市水网区域河湖水质提升与水安全保障方法，其特征在于，所述步骤S4进一步为：
步骤S41、根据优化的时空预测模型和EvolveGCN关系网络模型的输出，采用模型耦合的方式构建时空预测与关系网络耦合模型；
步骤S42、获取水环境提升和水安全保障的目标，构建多目标优化模块和优化算法，水环境提升和水安全保障的目标包括水质改善目标、水量保障目标和水灾防控目标；
步骤S43、将水环境数据作为耦合模型的输入，利用多目标优化模块对耦合模型进行优化，对水环境进行一体化模拟，获得模拟结果。
3.根据权利要求2所述的城市水网区域河湖水质提升与水安全保障方法，其特征在于，所述步骤S5进一步为：
步骤S51、获取模拟结果，并提取模拟结果中的初步可行方案，根据初步可行方案确定各个方案的优劣，确定评价指标，所述评价指标至少包括经济性、可行性和可持续性；
步骤S52、根据评价指标，构建方案优选方法集合，形成方案优选模块，方案优选方法包括层次分析法和模糊综合评价法；
步骤S53、将模拟结果中的至少M个可行方案作为方案优选模块的输入，对各可行方案进行评价和排序，选出水环境提升和水安全保障方法，M为自然数。
4.根据权利要求3所述的城市水网区域河湖水质提升与水安全保障方法，其特征在于，所述步骤S31中提取城市水网区域的拓扑数据的过程还包括：
步骤S31a、调取研究数据中的河网数据并预处理，采用Shreve法确定河网的级别和分级标准；基于河网分分级，将河网划分为不同的子集，每个子集包含相同级别的河段，记录每个河段的河段属性，河段属性包括起点、终点、长度、宽度、高差和流量；
步骤S31b、对每个子集内的河段进行相似度计算，根据河段的属性和拓扑关系，计算河段之间的闵可夫斯基距离、杰卡德相似系数或相似度矩阵，选择DBSCAN聚类算法将相似的河段聚为一类；
步骤S31c、对每个类内的河段进行合并，根据河段的河段属性和拓扑关系，计算河段的平均值或中位数，作为代表河段的河段属性，将代表河段的河段属性替换原来的河段，获得同构河网集合。
5.根据权利要求4所述的城市水网区域河湖水质提升与水安全保障方法，其特征在于，所述步骤S31a中，调取研究数据中的河网数据并预处理的过程还包括：
步骤S31i、读取城市水网区域的数字高程模型，提取河网水系，形成第一河网水系结构拓扑；
步骤S31ii、采用空间分析模块对数字高程模型进行高度、流向和流量分析，获取形成或构建河段的区域，形成第二河网水系结构拓扑，
步骤S31iii、基于预模拟的数据或经验数据，结合第一河网水系结构拓扑和第二河网水系结构拓扑，给出城市水网的连通格局初步优化建议。
6.根据权利要求5所述的城市水网区域河湖水质提升与水安全保障方法，其特征在于，所述步骤S2还包括数据分类和验证过程，具体为：
步骤S2i、从预处理后的研究数据中提取水环境数据，所述水环境数据至少包括水位、流量、水温、溶解氧、氨氮和总磷；
步骤S2ii、构建PSO-CNN-LSTM数据分类模型并确定模型的输入、输出和参数，
步骤S2iii、将水环境数据分为训练集、验证集和测试集，利用PSO优化CNN和LSTM的关键参数，利用训练集和验证集对PSO-CNN-LSTM数据分类模型进行训练和优化，利用测试集对PSO-CNN-LSTM数据分类模型进行评估和验证，获得优化的数据分类模型。
7. 一种城市水网区域河湖水环境提升与水安全保障系统，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6任一项所述的城市水网区域河湖水质提升与水安全保障方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311509572.8A CN117236199B (zh) | 2023-11-14 | 2023-11-14 | 城市水网区域河湖水质提升与水安全保障方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311509572.8A CN117236199B (zh) | 2023-11-14 | 2023-11-14 | 城市水网区域河湖水质提升与水安全保障方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117236199A CN117236199A (zh) | 2023-12-15 |
| CN117236199B true CN117236199B (zh) | 2024-02-09 |
Family
ID=89097015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311509572.8A Active CN117236199B (zh) | 2023-11-14 | 2023-11-14 | 城市水网区域河湖水质提升与水安全保障方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236199B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117649156B (zh) * | 2024-01-30 | 2024-04-12 | 水利部交通运输部国家能源局南京水利科学研究院 | 高城镇化河网全自动水环境监测方法及系统 |
| CN117699958B (zh) * | 2024-02-02 | 2024-04-19 | 青岛海湾中水有限公司 | 一种污水处理系统及污水处理方法 |
| CN117807510A (zh) * | 2024-02-29 | 2024-04-02 | 中国一冶集团有限公司 | 结合多源数据处理的河网动态分区方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112712441A (zh) * | 2020-12-29 | 2021-04-27 | 哈尔滨工业大学 | 城市“厂网河”拓扑关系的自动化梳理方法 |
| CN115375198A (zh) * | 2022-10-24 | 2022-11-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 区域河湖水系连通联合调度和水质安全保障方法及系统 |
| CN116070971A (zh) * | 2023-03-27 | 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 | 河湖水系有序流动调控方法和系统 |
| CN116187210A (zh) * | 2023-05-04 | 2023-05-30 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法 |
| CN116485584A (zh) * | 2023-06-21 | 2023-07-25 | 水利部交通运输部国家能源局南京水利科学研究院 | 高寒区大底坡河流wee协同调控方法及系统 |
| 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 |
| CN116989749A (zh) * | 2023-03-13 | 2023-11-03 | 福建中锐汉鼎数字科技有限公司 | 基于人工智能水文模型的流域洪水预测方法 |
-
2023
- 2023-11-14 CN CN202311509572.8A patent/CN117236199B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112712441A (zh) * | 2020-12-29 | 2021-04-27 | 哈尔滨工业大学 | 城市“厂网河”拓扑关系的自动化梳理方法 |
| CN115375198A (zh) * | 2022-10-24 | 2022-11-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 区域河湖水系连通联合调度和水质安全保障方法及系统 |
| CN116989749A (zh) * | 2023-03-13 | 2023-11-03 | 福建中锐汉鼎数字科技有限公司 | 基于人工智能水文模型的流域洪水预测方法 |
| CN116070971A (zh) * | 2023-03-27 | 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 | 河湖水系有序流动调控方法和系统 |
| CN116187210A (zh) * | 2023-05-04 | 2023-05-30 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法 |
| CN116485584A (zh) * | 2023-06-21 | 2023-07-25 | 水利部交通运输部国家能源局南京水利科学研究院 | 高寒区大底坡河流wee协同调控方法及系统 |
| 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 |
|---|
| An Attempt at Using Selected Amphibian Populations to Assess Quality of Soil-Water Environment in Agricultural Areas;Brysiewicz, A;OCHRONA SRODOWISKA;第38卷(第4期);13-19 * |
| 基于GIS的两江新区健康水系统决策支持系统构建研究与实现;邓仕虎 等;城市勘测(01);1-8 * |
| 引汉济渭调水系统水质变化模拟与预测研究;李高青;中国优秀硕士学位论文全文库工程科技Ⅰ辑(第1期);1-116 * |
| 武澄锡虞区河湖水系连通与水安全保障研究的思考;陆志华 等;人民长江;20200828(08);1-4 * |
| 闽江流域水质时空分布特征分析及水质预测;汤云;中国优秀硕士学位论文全文库工程科技Ⅰ辑(第3期);1-77 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117236199A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN117236199B (zh) | 城市水网区域河湖水质提升与水安全保障方法及系统 | |
| Roth et al. | SynCity: Using open data to create a synthetic city of hourly building energy estimates by integrating data-driven and physics-based methods | |
| Sun et al. | Data-driven models for accurate groundwater level prediction and their practical significance in groundwater management | |
| McManamay | Quantifying and generalizing hydrologic responses to dam regulation using a statistical modeling approach | |
| Wu et al. | Applying of GA-BP neural network in the land ecological security evaluation | |
| Liu et al. | Edge sensing data-imaging conversion scheme of load forecasting in smart grid | |
| CN117236674B (zh) | 城市河网水动力精准调控和水环境提升方法及系统 | |
| CN111199298B (zh) | 基于神经网络的洪水预报方法与系统 | |
| CN113902580B (zh) | 一种基于随机森林模型的历史耕地分布重建方法 | |
| CN111598724B (zh) | 一种中小水库入库流量日前预测的分时段集成方法 | |
| CN111695666A (zh) | 一种基于深度学习的风电功率超短期条件概率预测方法 | |
| CN117236673B (zh) | 城市水网多尺度防洪排涝联合优化调度方法和系统 | |
| Gao et al. | A multifactorial framework for short-term load forecasting system as well as the jinan’s case study | |
| Guo et al. | A combined model based on sparrow search optimized BP neural network and Markov chain for precipitation prediction in Zhengzhou City, China | |
| CN110135652B (zh) | 一种长期汛期径流预测方法 | |
| Gholami et al. | Upscaling of spatial energy planning, phases, methods, and techniques: A systematic review through meta-analysis | |
| Zhou et al. | Integrated dynamic framework for predicting urban flooding and providing early warning | |
| Chen et al. | River ecological flow early warning forecasting using baseflow separation and machine learning in the Jiaojiang River Basin, Southeast China | |
| CN113570132A (zh) | 一种时空气象特征提取与深度学习的风电功率预测方法 | |
| Wang et al. | Review of evaluation on ecological carrying capacity: The progress and trend of methodology | |
| CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 | |
| CN115809718A (zh) | 基于多目标竞争关系量化的梯级电站发电与生态协同优化方法和系统 | |
| Yang et al. | Evaluation and Interpretation of Runoff Forecasting Models Based on Hybrid Deep Neural Networks | |
| Hu et al. | Adaptive reservoir inflow forecasting using variational mode decomposition and long short-term memory |
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 |