CN117236674A - 城市河网水动力精准调控和水环境提升方法及系统 - Google Patents
城市河网水动力精准调控和水环境提升方法及系统 Download PDFInfo
- Publication number
- CN117236674A CN117236674A CN202311526232.6A CN202311526232A CN117236674A CN 117236674 A CN117236674 A CN 117236674A CN 202311526232 A CN202311526232 A CN 202311526232A CN 117236674 A CN117236674 A CN 117236674A
- Authority
- CN
- China
- Prior art keywords
- river network
- river
- data
- network
- water
- 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 328
- 238000000034 method Methods 0.000 title claims abstract description 116
- 238000004088 simulation Methods 0.000 claims abstract description 76
- 238000011160 research Methods 0.000 claims abstract description 60
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 20
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 17
- 239000001301 oxygen Substances 0.000 claims description 17
- 229910052760 oxygen Inorganic materials 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000001764 infiltration Methods 0.000 claims description 11
- 230000008595 infiltration Effects 0.000 claims description 11
- 230000002452 interceptive effect Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 abstract description 10
- 230000001105 regulatory effect Effects 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000001502 supplementing effect Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 239000002352 surface water Substances 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011426 transformation method Methods 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城市河网水动力精准调控和水环境提升方法及系统，包括如下步骤：确定城市河网的研究范围，采集研究范围内的研究数据并预处理；读取研究数据中河网数据，构建城市河网关系网络，构建并使用AM‑GCN模块对河网关系进行提取和分类，并形成第一河网关系网络，构建并采用Ring‑GCN模块从第一河网关系网络中提取并去除同构关系网络，形成第二河网关系网格；针对城市河网构建SWMM‑GAST‑LSTM模型，读取研究数据作为输入，模拟河网水动力过程，并输出模拟结果；读取并分析模拟结果，若达到精细化和高效化配水目标，则输出河网水动力精准调控方案集合。本发明实现了精细化、高效化配水的目的，充分发挥了工程效益，改善河网水质。
Description
技术领域
本发明涉及水文水动力仿真预测技术，尤其是城市河网水动力精准调控和水环境提升方法及系统。
背景技术
城市河网是城市水环境的重要组成部分，对于城市的生态、经济和社会发展具有重要的作用。城市河网的水动力条件，即河流的流速、流量、水位等，直接影响着河网的水质、水生态和水安全等方面。因此，对城市河网的水动力进行精准调控，是提升城市河网水环境的有效途径。然而，由于城市化的快速发展，城市河网面临着诸多的挑战，如水资源的短缺、水污染的严重、水生态的退化、水灾害的频发等。这些问题导致了城市河网的水动力条件的恶化，如水流的缓慢、水位的波动、水量的不足等。这些不利的水动力条件，又进一步加剧了城市河网水环境的恶化，形成了一个恶性循环。
具体而言，平原城市一般水动力较弱，在纯天然状态下，河网水流基本按照阻力最小的路径流动，即从河宽较大的河道流走，因此，中小河道流动性极弱，其水环境承载力较低，需要依靠泵站抽排才能够实现水流的流动，因此，为了尽可能地让城市内部的中小河道能够在自流的状态下分配到优质水源，需要进行内部河网水位控制和水量分配研究，以实现对河网水动力的精准调控。
前已有一些技术路线对城市河网的水动力进行调控，但存在以下几个方面的不足：
首先是缺乏对城市河网水动力条件的全面和细致的分析，没有考虑河网的结构、功能和特性等多方面的因素，没有充分利用河网的自身潜力和优势，没有针对不同的河道和区域制定差异化的调控策略。其次是缺乏对城市河网水动力调控的精准和智能的控制，没有实现对河网的水位、流量和流速等参数的实时监测和动态调节，没有利用先进的信息技术和智能技术，没有形成一个高效的水动力调控系统。最后是缺乏对城市河网水动力调控的综合和协同的优化，没有实现对河网的水动力和水质、水生态和水安全等多方面的综合考虑和协同改善，没有形成一个可持续的水环境提升方案。
因此，需要进行研究和创新。
发明内容
发明目的，提供一种城市河网水动力精准调控和水环境提升方法及系统，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，城市河网水动力精准调控和水环境提升方法，包括如下步骤：
步骤S1、确定城市河网的研究范围，采集研究范围内的研究数据并预处理；
步骤S2、读取研究数据中河网数据，构建城市河网关系网络，构建并使用AM-GCN模块对河网关系进行提取和分类，并形成第一河网关系网络，构建并采用Ring-GCN模块从第一河网关系网络中提取并去除同构关系网络，形成第二河网关系网格；
步骤S3、针对城市河网构建SWMM-GAST-LSTM模型，读取研究数据作为输入，模拟河网水动力过程，并输出模拟结果；
步骤S4、读取并分析模拟结果，分析并获取城市河网水动力精准调控的关键节点和关键参数，并对关键节点和关键参数进行校验，若达到精细化和高效化配水目标，则输出河网水动力精准调控方案集合。
根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、获取城市河网的区域范围并获取城市河网的水系格局数据和水质监测数据，根据研究目标、水系格局数据和水质监测数据划定研究范围；
步骤S12、收集研究范围内及研究范围所在流域的河段、水文、水质、水力、水力工程和气象数据，包括历史数据和实时监测数据，形成研究数据集合；
步骤S13、调用预配置的方法对研究数据集合中的各类型的研究数据进行预处理，包括异常值处理、数据填补和数据归一化。
根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、读取河网的水系格局数据和河段数据，形成包括河道编号、起止节点、长度、宽度、水深、坡度和流量在内的河网数据，并构建河网关系网络；河网关系网络预配置为无向图网络，无向图网络中的节点代表河道，边代表河道之间的连接关系；
步骤S22、构建并使用AM-GCN模块对河网关系进行提取和分类，自适应学习河网节点之间的重要性信息，并根据节点的特征和邻居信息，生成节点的嵌入向量，表示节点的水动力和水质特征；然后计算嵌入向量的相似度，并根据嵌入向量的相似度对节点进行聚类，得到不同类型的河道，并形成第一河网关系网络；
步骤S23、构建并采用Ring-GCN模块进行同构子图检测和去除，从第一河网关系网络中提取并去除同构关系网络，形成第二河网关系网格，第二河网关系网格包括河网的主要特征和关键节点，便于后续的水动力模拟和水环境调控。
根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、读取研究数据中至少包括降雨、地形、下渗、土地利用、河网关系网格、排水管网和下垫面在内的基础数据，针对城市河网构建SWMM模块、GAST模块和LSTM模块，并耦合形成SWMM-GAST-LSTM模型；
步骤S32、依序计算地表降雨和下渗源、提取GAST模块的地表网格水位和SWMM模块的雨水节点水位，然后计算SWMM模块和GAST模块的交互流量并将交互流量输入至SWMM模块中，计算河网的水动力过程，并输出河网水动力模拟结果；
步骤S33、以河网水动力模拟结果和历史数据作为LSTM模块的输入，根据河网节点的空间特征和历史数据，提取河网节点的时序特征，以模拟河网各个节点的水动力和水质的变化趋势，并将模拟结果输出。
根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、读取并分析模拟结果，根据河网节点的水位、流量和水质，评价河网的水环境状况，判断河网是否存在包括水质不达标、水量不足和水流不畅在内的水动力和水环境问题；
步骤S42、根据河网节点的空间特征和时序特征，分析河网节点之间的相互影响，识别出河网的关键节点，关键节点指对河网水动力和水质有重要影响的节点，包括水源节点、水利工程节点和水质敏感节点；基于模拟结果和调控目标，确定河网水动力精准调控的关键参数；计算关键节点和关键参数的影响范围；
步骤S43、比较模拟结果和实测数据的差异，计算模拟的准确性和可靠性，评估方案的有效性和优化程度；若模拟结果达到河网水动力精准调控的目标，则输出河网水动力精准调控方案集合，若模拟结果未达到河网水动力精准调控的目标，则对方案进行调整和优化，直到得到满意的方案集合。
根据本申请的一个方面，所述步骤S11的数据获取过程还包括：
步骤S11a、获取研究范围内的遥感数据和DEM数据；
步骤S11b、通过遥感数据中的影响数据提取河道的形状、位置和宽度，并获取水质的包括颜色、透明度和反射率在内的光谱数据；通过GIS模块提取包括河道编号、起止节点、长度和坡度在内的水系格局数据，然后通过光谱数据获取包括溶解氧、氨氮、化学需氧量在内的水质数据；
步骤S11c、将水系格局数据和水质监测数据进行整合。
根据本申请的一个方面，所述步骤S23中，去除同构关系网络后，还包括：
步骤S23a、读取研究数据和去同构后的第一河网关系网络，获取河水流动的历史数据，并构建河网关系邻接矩阵和河网的流向概率矩阵；
步骤S23b、调取历史数据中的河水流向数据作为先验信息，根据先验信息构建并使用贝叶斯网络模型计算得到流向概率矩阵的具体数值；
步骤S23c、根据方向性赋值后的河网的流向概率矩阵生成有至少包括M个有向数据的第二河网关系网格，M为自然数。
根据本申请的一个方面，所述步骤S42进一步包括：
步骤S42a、基于关键节点和关键参数，采用预配置的算法生成模拟数据集；
步骤S42b、以模拟数据集为输入，通过SWMM模块和GAST模块计算每个关键节点和关键参数的影响范围并降序排列，形成仿真结果集合；
步骤S42c、将仿真结果与研究数据中的监测数据进行比较，判断是否达到预期要求。
根据本申请的一个方面，所述步骤S43中获得河网水动力精准调控方案集合的过程进一步包括：
步骤S43a、构建河网水动力精准调控的多目标优化模块，确定优化目标和约束条件；
步骤S43b、采用多目标优化算法进行求解，获得非劣解集；
步骤S43c、采用TOPSIS方法从非劣解集中优选出部分调控方案，形成河网水动力精准调控方案。
根据本申请的另一个方面，一种城市河网水动力精准调控和水环境提升系统，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河网水动力精准调控和水环境提升方法。
有益效果，本方案达到了精准调控城市河网水位-流量，并经过水动力调控效果现场论证，实现精细化、高效化配水的目的，充分发挥水动力调控工程效益，改善河网水质，节约水资源量。相关技术优势和经济社会效果，将在下文详细描述。
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。
具体实施方式
如图1所示，根据本申请的一个方面，城市河网水动力精准调控和水环境提升方法，包括如下步骤：
步骤S1、确定城市河网的研究范围，采集研究范围内的研究数据并预处理；
步骤S2、读取研究数据中河网数据，构建城市河网关系网络，构建并使用AM-GCN模块对河网关系进行提取和分类，并形成第一河网关系网络，构建并采用Ring-GCN模块从第一河网关系网络中提取并去除同构关系网络，形成第二河网关系网格；
步骤S3、针对城市河网构建SWMM-GAST-LSTM模型，读取研究数据作为输入，模拟河网水动力过程，并输出模拟结果；
步骤S4、读取并分析模拟结果，分析并获取城市河网水动力精准调控的关键节点和关键参数，并对关键节点和关键参数进行校验，若达到精细化和高效化配水目标，则输出河网水动力精准调控方案集合。
有效地结合了深度学习和水文模型的优势，能够准确地模拟和调控河网的水动力过程，提高河网的水质和水生态状况，为城市河网的管理和保护提供了科学的方法和工具。具体地，通过利用大量的河网数据，通过深度学习的方法，提取了河网的复杂关系，为水动力模拟提供了高质量的输入，提高了模拟的精度和效率。通过将水文模型和深度学习模型有机地集成在一起，利用水文模型的物理机制和深度学习模型的自适应能力，模拟了河网的水动力过程，考虑了河网的非线性、动态、随机等特性，以及水利工程的调控作用，提高了模拟的可靠性和适应性。利用模拟结果，分析并获取了河网水动力精准调控的关键节点和关键参数，并通过优化算法，得到了最优的调控方案，实现了河网水动力的精准调控和水环境的提升，提高了调控的效果和效率。通过精准调控河网水动力，优化了河网的水量分配，降低了河网的补水量和水利工程的运行成本，节约了水资源和能源，符合节水节能的理念。通过提升河网水质，增加河网水体的透明度和溶解氧，促进了水生生物的繁衍和多样性，增强了河网的自净能力和抗污染能力，符合生态友好的理念。通过构建水环境综合调控系统平台，实现了河网水环境的长效管控，为河网的管理和保护提供了信息化、智能化的支撑，符合可持续发展的理念。
在某个实施例中，城市河网水动力有序引排模拟技术可以准确模拟城市河网水动力特性，精细模拟不同引排方案下区域内部河道水位、流速和流量的分配，确定区域河网有序引排格局，为优化有序引排方案提供技术支撑。利用闸泵站和控导工程可以精准控制河网水位-流量，激活全城水系。对城区水环境提升推荐方案进行现场论证，验证方案的合理性、可操作性，验证城市河网水体流动性提升、河网水质改善的效果，提出优化的水动力调控方案，最终实现精细化、高效化配水的目的。
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、获取城市河网的区域范围并获取城市河网的水系格局数据和水质监测数据，根据研究目标、水系格局数据和水质监测数据划定研究范围。该步骤的目的是确定研究的对象和范围，以便收集相关的数据。例如，如果要研究某个城市的河网水动力精准调控和水环境提升方法，首先需要获取该城市的行政区划图，以确定河网的区域范围。然后，需要获取该城市的水系格局数据，包括河段的位置、长度、宽度、深度、坡度、流向等信息，以确定河网的拓扑结构。接着，需要获取该城市的水质监测数据，包括河段的水温、pH、溶解氧、化学需氧量、氨氮、总磷等指标，以确定河网的水质状况。最后，需要根据研究目标，比如提高河网的水质或水生态，选择合适的水系格局数据和水质监测数据，划定研究范围，比如选择某些重要的或敏感的河段作为研究对象。
步骤S12、收集研究范围内及研究范围所在流域的河段、水文、水质、水力、水力工程和气象数据，包括历史数据和实时监测数据，形成研究数据集合。
该步骤的目的是收集研究范围内的各种数据，以便进行水动力模拟和调控优化。例如，如果已经确定了研究范围，需要收集以下数据：河段数据：包括河段的位置、长度、宽度、深度、坡度、流向等信息，以及河段的水位、流量、流速等变量的历史数据和实时监测数据，这些数据可以从水文站或水文监测系统中获取。水文数据：包括研究范围所在流域的降雨、径流、蒸发等数据，以及研究范围内的补水量、取水量等数据，这些数据可以从气象站或水利部门中获取。水质数据：包括河段的水温、pH、溶解氧、化学需氧量、氨氮、总磷等指标的历史数据和实时监测数据，这些数据可以从水质站或水质监测系统中获取。水力数据：包括河段的水力特性，如水力半径、水力坡度、水力阻力系数等数据，这些数据可以从水力学公式或水力模型中计算或估算。水力工程数据：包括研究范围内的水力工程的位置、类型、规模、运行模式等信息，以及水力工程的调控参数，如闸门开度、泵站流量等数据，这些数据可以从水利部门或水力工程管理系统中获取。气象数据：包括研究范围所在地区的气温、湿度、风速、风向、气压等数据，这些数据可以从气象站或气象预报系统中获取。
步骤S13、调用预配置的方法对研究数据集合中的各类型的研究数据进行预处理，包括异常值处理、数据填补和数据归一化。该步骤的目的是对收集的数据进行质量检查和格式转换，以便进行后续的模型构建和模拟。例如，如果已经收集了研究数据集合，需要进行以下预处理：对于每一种类型的数据，检测并剔除异常值，如超出正常范围的值、突变的值、错误的值等，这些值可能是由于仪器故障、人为误操作、数据传输错误等原因造成的，会影响数据的准确性和可信度。可以使用统计方法或机器学习方法来检测和剔除异常值，如箱线图法、3σ法、孤立森林法等。对于每一种类型的数据，检测并填补缺失值，如由于仪器故障、数据丢失、数据不完整等原因造成的数据空缺，会影响数据的完整性和连续性。可以使用插值方法或机器学习方法来检测和填补缺失值，如线性插值法、样条插值法、KNN法、EM法等。对于每一种类型的数据，进行数据归一化，即将数据转换为统一的数值范围，如[0,1]或[-1,1]，这样可以消除数据的量纲和尺度差异，提高数据的可比性和兼容性。可以使用线性变换法或非线性变换法来进行数据归一化，如最大最小值法、标准化法、对数变换法等。
根据本申请的一个方面，所述步骤S11的数据获取过程还包括：
步骤S11a、获取研究范围内的遥感数据和DEM数据；利用遥感技术和数字高程模型，获取研究范围内的地表特征和地形特征，为后续的数据提取和分析提供基础。例如，如果要研究某个城市的河网水动力精准调控和水环境提升方法，首先需要获取该城市的遥感数据和DEM数据，这些数据可以从卫星影像、无人机影像、航空影像等来源获取，也可以从国家或地方的遥感数据中心或网站下载。遥感数据和DEM数据的格式和分辨率可能不同，需要对其进行统一和标准化，以便进行后续的处理。
步骤S11b、通过遥感数据中的影响数据提取河道的形状、位置和宽度，并获取水质的包括颜色、透明度和反射率在内的光谱数据；通过GIS模块提取包括河道编号、起止节点、长度和坡度在内的水系格局数据，然后通过光谱数据获取包括溶解氧、氨氮、化学需氧量在内的水质数据；
利用遥感数据和DEM数据，提取河网的水系格局数据和水质数据，为后续的模型构建和模拟提供输入。例如，如果已经获取了某个城市的遥感数据和DEM数据，可以进行以下操作：通过遥感数据中的影响数据提取河道的形状、位置和宽度。影响数据是指遥感数据中反映水体的部分，通常具有较低的反射率和较高的透明度，可以利用图像处理的方法，如阈值法、边缘检测法、分水岭法等，对影响数据进行分割和提取，得到河道的形状、位置和宽度。还可以利用DEM数据，计算河道的深度和坡度，以及河道的流向和流域划分。通过遥感数据中的光谱数据获取水质的包括颜色、透明度和反射率在内的光谱数据。光谱数据是指遥感数据中反映水体的光谱特征的部分，通常具有不同的波长和强度，可以利用光谱分析的方法，如主成分分析法、支持向量机法、人工神经网络法等，对光谱数据进行分类和识别，得到水质的光谱数据，包括颜色、透明度和反射率。还可以利用光谱数据，估算水质的其他指标，如溶解氧、氨氮、化学需氧量等，这些指标与光谱数据具有一定的相关性和函数关系，可以利用回归分析的方法，如线性回归法、非线性回归法、人工神经网络法等，建立光谱数据和水质指标之间的模型，从而获取水质数据。通过GIS模块提取包括河道编号、起止节点、长度和坡度在内的水系格局数据，然后通过光谱数据获取包括溶解氧、氨氮、化学需氧量在内的水质数据。GIS模块是指地理信息系统模块，用于对地理空间数据进行收集、存储、管理、分析和展示的系统，可以利用GIS模块对遥感数据和DEM数据进行整合和处理，得到水系格局数据，包括河道编号、起止节点、长度和坡度等信息，这些信息可以反映河网的拓扑结构和水文特征。还可以对光谱数据进行整合和处理，得到水质数据，包括溶解氧、氨氮、化学需氧量等指标，这些指标可以反映河网的水质状况和水环境状况。
步骤S11c、将水系格局数据和水质监测数据进行整合。
在某个实施例中，将水系格局数据和水质监测数据进行匹配和对齐，即根据河道编号、起止节点、长度等信息，将水系格局数据和水质监测数据进行空间匹配，使每个河段都有对应的水系格局数据和水质监测数据。同时，根据时间戳、采样频率等信息，将水系格局数据和水质监测数据进行时间对齐，使每个河段在每个时间点都有对应的水系格局数据和水质监测数据。将水系格局数据和水质监测数据进行融合和优化，即根据数据的质量、可靠性、代表性等因素，将水系格局数据和水质监测数据进行数据融合，利用数据的互补性和冗余性，提高数据的准确性和完整性。同时，根据数据的重要性、敏感性、稳定性等因素，将水系格局数据和水质监测数据进行数据优化，利用数据的差异性和变化性，提高数据的有效性和灵敏性。
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、读取河网的水系格局数据和河段数据，形成包括河道编号、起止节点、长度、宽度、水深、坡度和流量在内的河网数据，并构建河网关系网络；河网关系网络预配置为无向图网络，无向图网络中的节点代表河道，边代表河道之间的连接关系；
该步骤是将河网的数据转换为图结构的数据，以便进行图神经网络的处理。例如，首先需要读取该城市的水系格局数据和河段数据，这些数据可以从水文站或水文监测系统中获取，也可以从遥感数据和DEM数据中提取，如上文所述。然后，需要将这些数据整合为河网数据，包括河道编号、起止节点、长度、宽度、水深、坡度和流量等信息，这些信息可以反映河网的水文特征和水力特征。接着，需要将河网数据构建为河网关系网络，即一个无向图网络，其中每个节点代表一个河道，每条边代表两个河道之间的连接关系，边的权重可以根据河道的长度、宽度、水深、坡度和流量等信息计算或赋值，以反映河道之间的水量分配和水质影响。
或者，也可以采用如下步骤：
将河网的数据整合为一个统一的数据集，方便后续的处理。可以利用数据读取的方法，如文件读取法、数据库读取法、API读取法等，从不同的数据源中读取河网的数据，并将其存储为一个数据表或数据框，每一行代表一个河段，每一列代表一个属性，如河道编号、起止节点、长度、宽度、水深、坡度和流量等。
可以利用图构建的方法，如邻接矩阵法、邻接列表法、边列表法等，从河网数据中提取河网的拓扑结构，即河道之间的连接关系，并将其存储为一个无向图网络，每一个节点代表一个河段，每一条边代表两个河段之间的连接关系，边的权重可以根据河段的属性，如长度、宽度、水深、坡度和流量等，进行计算或赋值。
步骤S22、构建并使用AM-GCN模块对河网关系进行提取和分类，自适应学习河网节点之间的重要性信息，并根据节点的特征和邻居信息，生成节点的嵌入向量，表示节点的水动力和水质特征；然后计算嵌入向量的相似度，并根据嵌入向量的相似度对节点进行聚类，得到不同类型的河道，并形成第一河网关系网络；本步骤的目的是利用图神经网络的方法，从河网关系网络中提取河网的复杂关系，包括河网的空间连接、水量分配、水质影响等，并根据这些关系对河网进行分类，得到不同类型的河道。
在某个实施例中，AM-GCN模块是指自适应多头图卷积网络模块，能够自适应地学习河网节点之间的重要性信息，并根据节点的特征和邻居信息，生成节点的嵌入向量，表示节点的水动力和水质特征。可以利用图神经网络的方法，如图卷积法、图注意力法、图池化法等，构建并使用AM-GCN模块，对河网关系网络进行信息传播和特征提取，得到每个节点的嵌入向量，表示节点的水动力和水质特征。
利用嵌入向量的相似度，将河网的节点进行分类，得到不同类型的河道，为后续的水动力模拟提供输入。可以利用相似度计算的方法，如欧氏距离法、余弦相似度法、曼哈顿距离法等，计算每两个节点的嵌入向量的相似度，表示两个节点的水动力和水质特征的相似程度。然后，可以利用聚类分析的方法，如K均值法、层次聚类法、谱聚类法等，根据嵌入向量的相似度对节点进行聚类，得到不同类型的河道，如水量大的河道、水质差的河道、水力复杂的河道等。最后，可以利用图构建的方法，如邻接矩阵法、邻接列表法、边列表法等，根据节点的类型和连接关系，构建第一河网关系网络，表示河网的复杂关系和分类结果。
步骤S23、构建并采用Ring-GCN模块进行同构子图检测和去除，从第一河网关系网络中提取并去除同构关系网络，形成第二河网关系网格，第二河网关系网格包括河网的主要特征和关键节点，便于后续的水动力模拟和水环境调控。本步骤的目的是利用图神经网络的方法，从第一河网关系网络中提取并去除同构关系网络，即具有相同结构但不同内容的子图，这些子图对河网的水动力和水环境没有太大的影响，但会增加模拟的复杂度和计算量，因此需要进行去除，得到河网的精简表示，为后续的水动力模拟提供输入。
在某个实施例中，Ring-GCN模块是指基于环结构的图卷积网络模块，能够检测并去除河网关系网络中的同构关系网络，即具有相同结构但不同内容的子图。可以利用图神经网络的方法，如图卷积法、图注意力法、图池化法等，构建并使用Ring-GCN模块，对第一河网关系网络进行信息传播和特征提取，得到每个节点的嵌入向量，表示节点的水动力和水质特征。然后，可以利用环结构的方法，如环计数法、环特征法、环匹配法等，从嵌入向量中提取并去除同构关系网络，即具有相同结构但不同内容的子图，这些子图对河网的水动力和水环境没有太大的影响，但会增加模拟的复杂度和计算量，因此需要进行去除。将第一河网关系网络中的冗余信息进行去除，得到河网的精简表示，为后续的水动力模拟提供输入。可以利用图构建的方法，如邻接矩阵法、邻接列表法、边列表法等，根据节点的类型和连接关系，从第一河网关系网络中提取并去除同构关系网络，形成第二河网关系网格，表示河网的主要特征和关键节点，如水量大的河道、水质差的河道、水力复杂的河道等。
根据本申请的一个方面，所述步骤S23中，去除同构关系网络后，还包括：
步骤S23a、读取研究数据和去同构后的第一河网关系网络，获取河水流动的历史数据，并构建河网关系邻接矩阵和河网的流向概率矩阵；
步骤S23b、调取历史数据中的河水流向数据作为先验信息，根据先验信息构建并使用贝叶斯网络模型计算得到流向概率矩阵的具体数值；
步骤S23c、根据方向性赋值后的河网的流向概率矩阵生成有至少包括M个有向数据的第二河网关系网格，M为自然数。
在这个实施例中，通过将平原区域的高程差比较小的河网，由于其流向并不是固定的，类似与无向图的方式，大大影响了仿真计算效率。通过结合历史数据，查找最大几种可能的流向，将无向缩小到特定若干种有向的方式，提高模拟和仿真的效率。
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、读取研究数据中至少包括降雨、地形、下渗、土地利用、河网关系网格、排水管网和下垫面在内的基础数据，针对城市河网构建SWMM模块、GAST模块和LSTM模块，并耦合形成SWMM-GAST-LSTM模型；
这些数据可以从不同的来源获取，如气象站、遥感影像、水文站、水利工程等。需要对这些数据进行预处理，如格式转换、投影转换、空间匹配、时间匹配等，使其能够在同一平台上进行分析。SWMM模块是指暴雨径流模型模块，能够模拟城市河网的排水系统，包括河道、管道、水库、泵站等。GAST模块是指地表水动力模型模块，能够模拟城市河网的地表水系统，包括地表径流、地表水位、地表流速等。LSTM模块是指长短期记忆网络模块，能够模拟城市河网的时序特征，包括水位、流量、水质等。可以利用ArcGIS平台的水文分析工具箱、HEC-RAS软件和TensorFlow框架等，分别构建SWMM模块、GAST模块和LSTM模块，并通过数据交换和参数传递，将三个模块耦合在一起，形成一个综合的SWMM-GAST-LSTM模型。
步骤S32、依序计算地表降雨和下渗源、提取GAST模块的地表网格水位和SWMM模块的雨水节点水位，然后计算SWMM模块和GAST模块的交互流量并将交互流量输入至SWMM模块中，计算河网的水动力过程，并输出河网水动力模拟结果；
利用降雨数据和地形数据，计算地表降雨量和下渗量，作为地表水动力模型的输入。可以利用ArcGIS平台的水文分析工具箱，进行降雨插值、地形分析、下渗分析等，得到地表降雨和下渗源的栅格数据。利用地表降雨和下渗源的栅格数据，分别输入到GAST模块和SWMM模块中，计算地表网格水位和雨水节点水位，作为SWMM模块和GAST模块的交互流量的依据。可以利用ArcGIS平台的水文分析工具箱，分别构建和运行GAST模块和SWMM模块，得到地表网格水位和雨水节点水位的栅格数据或矢量数据。
利用地表网格水位和雨水节点水位的栅格数据或矢量数据，计算SWMM模块和GAST模块之间的交互流量，即地表水和排水系统之间的流入流出量，作为SWMM模块的输入，反映水利工程的调控作用。可以利用ArcGIS平台的空间分析工具箱，进行栅格运算、矢量运算、空间连接等，得到SWMM模块和GAST模块的交互流量的栅格数据或矢量数据，并输入到SWMM模块中。计算河网的水动力过程，并输出河网水动力模拟结果，利用SWMM模块和GAST模块的交互流量的栅格数据或矢量数据，再次运行SWMM模块和GAST模块，计算河网的水动力过程，得到河网各个节点的水位、流量、水质等参数，作为LSTM模块的输入，也是水环境调控的输入。可以利用ArcGIS平台的水文分析工具箱，再次运行GAST模块和SWMM模块，得到河网水动力模拟结果的栅格数据或矢量数据。
步骤S33、以河网水动力模拟结果和历史数据作为LSTM模块的输入，根据河网节点的空间特征和历史数据，提取河网节点的时序特征，以模拟河网各个节点的水动力和水质的变化趋势，并将模拟结果输出。
可以利用ArcGIS平台的数据转换工具箱，将栅格数据或矢量数据转换为LSTM模块所需的数据格式，如CSV文件或TXT文件，并与历史数据进行合并。利用LSTM模块的深度学习能力，根据河网节点的空间特征和历史数据，提取河网节点的时序特征，如水位、流量、水质等参数的变化规律和周期性。可以利用TensorFlow框架，搭建LSTM模块的神经网络结构，设置网络的参数，如输入层、隐藏层、输出层、激活函数、损失函数、优化器等，并进行训练和测试。以模拟河网各个节点的水动力和水质的变化趋势，并将模拟结果输出，利用LSTM模块的预测能力，以模拟河网各个节点的水动力和水质的变化趋势，如水位、流量、水质等参数的未来变化情况，并将模拟结果输出，为水环境调控提供参考和建议。可以利用TensorFlow框架运行LSTM模块的预测函数，得到河网节点的水动力和水质的预测结果，并将其转换为栅格数据或矢量数据，以便进行可视化和分析。
在本实施例中，利用深度学习的自适应能力和水文模型的物理机制，考虑河网的非线性、动态、随机等特性，以及水利工程的调控作用，准确地模拟河网各个节点的水位、流量、水质等参数，为水环境调控提供科学依据。
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、读取并分析模拟结果，根据河网节点的水位、流量和水质，评价河网的水环境状况，判断河网是否存在包括水质不达标、水量不足和水流不畅在内的水动力和水环境问题；
在某个实施例中，读取LSTM模块的预测结果，将其转换为适合分析的数据格式，如Excel文件或数据库表。读取CSV文件或TXT文件，并进行数据处理和转换。分析模拟结果，根据河网节点的水位、流量和水质，计算河网的水环境指标，如水质综合指数水资源利用率、水流连通性等，评价河网的水环境状况，判断河网是否存在水动力和水环境问题。可以利用分析模块进行数值计算和统计分析，得到河网的水环境指标，并与相关标准进行对比，判断河网的水环境状况是否达标。如果发现河网存在水动力和水环境问题，如水质不达标、水量不足和水流不畅等，记录问题的类型、位置和程度，为后续的水环境调控提供参考。可以利用绘图模块，绘制河网的水环境指标分布图，以直观地展示河网的水环境状况，并标注出存在问题的河网节点和河段。
步骤S42、根据河网节点的空间特征和时序特征，分析河网节点之间的相互影响，识别出河网的关键节点，关键节点指对河网水动力和水质有重要影响的节点，包括水源节点、水利工程节点和水质敏感节点；基于模拟结果和调控目标，确定河网水动力精准调控的关键参数；计算关键节点和关键参数的影响范围；
在某个实施例中，可以利用构建的河网的拓扑结构，表示河网节点之间的连接关系。可以利用聚类分析库聚类分析，根据河网节点的空间特征和时序特征，将河网节点划分为不同的类别，如水源节点、水利工程节点和水质敏感节点等，识别出河网的关键节点，如水源节点对水量的影响，水利工程节点对水流的影响，水质敏感节点对水质的影响等。可以利用优化算法，根据模拟结果和调控目标，寻找河网水动力精准调控的最优参数，如水源节点的水量调节、水利工程节点的水流控制、水质敏感节点的水质改善等，使得河网的水环境指标达到最优或最接近目标值。可以运用灵敏度分析模块，计算关键节点和关键参数对河网水环境指标的影响程度和范围，评估河网水动力精准调控的效果和风险，为水环境调控提供决策支持。
步骤S43、比较模拟结果和实测数据的差异，计算模拟的准确性和可靠性，评估方案的有效性和优化程度；若模拟结果达到河网水动力精准调控的目标，则输出河网水动力精准调控方案集合，若模拟结果未达到河网水动力精准调控的目标，则对方案进行调整和优化，直到得到满意的方案集合。
根据本申请的一个方面，所述步骤S42进一步包括：
步骤S42a、基于关键节点和关键参数，采用预配置的算法生成模拟数据集；
步骤S42b、以模拟数据集为输入，通过SWMM模块和GAST模块计算每个关键节点和关键参数的影响范围并降序排列，形成仿真结果集合；
步骤S42c、将仿真结果与研究数据中的监测数据进行比较，判断是否达到预期要求。
通过检验关键节点和关键参数的影响范围，有利于后续提供更为精准的调控方案，获得最佳的经济、社会、工程和生态效果。比如在某个工程中，通过城市河网水动力精准调控技术，计算河网需水量，寻找关键控制节点布设控导工程，实现区域水动力重构，并采用局部节点优化调控技术精准控制河网水位-流量，发挥水动力调控工程最大效益。
比如对某些节点的闸门过流流量进行精准控制。在平原城市主要依靠现有闸泵动力驱动实现河道水动力调控，而闸门过流流量精准控制技术能够精确地控制闸门开度，以达到流量调控至理想流量的目标。闸门过流流量精准控制技术是通过现场原型观测试验或物理模型试验的方法，对区域内闸门流量比测及流量系数、关系曲线进行率定，从而获得闸门水位-流量关系曲线，通过查询该曲线能够确定河道一定流量下的闸门开度，参照该开度进行闸门调控即可精准地控制河道的流量，达到精准调控的目的。
另外，平原河网地区最为常用的调控方式是闸泵调控，但闸泵调控范围有限，且启用泵站产生较多的运行费，闸门启动也容易促使局部水流流速突然增大，造成河道底泥扰动，为此，针对平原河网地区，提供了活动溢流堰工程调控措施，可人工营造河网水位差，形成自流格局，促进水流进入中小河道，减少泵站运行经费。
在主城区河网关键位置设置活动溢流堰工程，能够形成合理的水位条件，控制河网流量分配，促进中小河道流动性提升。为选定常州市主城区溢流堰的位置和数量，拟定了三组溢流堰比选方案，基于河网水动力有序引排模拟技术，开展活水效果的数值模拟，确定其中较好的活水方案，活水自流，改善全区水质。
根据本申请的一个方面，所述步骤S43中获得河网水动力精准调控方案集合的过程进一步包括：
步骤S43a、构建河网水动力精准调控的多目标优化模块，确定优化目标和约束条件；
步骤S43b、采用多目标优化算法进行求解，获得非劣解集；
步骤S43c、采用TOPSIS方法从非劣解集中优选出部分调控方案，形成河网水动力精准调控方案。
需要说明的是，多目标优化的模型、求解方法和优选方法，是比较多的，本实施例仅为优选实施例，不用来限制本申请的技术构思。
根据本申请的另一个方面，一种城市河网水动力精准调控和水环境提升系统，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河网水动力精准调控和水环境提升方法。
在某个实施例中，城市多源互补水源保障技术包括水源水质保障和水源自流保障两个方面，水质保障率（达到 IV 类及以上的月数占比）较高，且水量丰沛的河湖可以作为平原城市的补水水源；提出了基于日平均水位综合历时曲线的水位保证率分析方法，通过水位保证率获取补水水源的自流保证率，从而确定区域水源的补水方式。根据城市多源互补水源保障技术，确定长江、滆湖、苏南运河、武宜运河均可作为补水水源，且长江高潮位时和苏南运河向南补水的自流保证率较高，而若利用长江低潮位期、滆湖及武宜运河补水，则需要借助动力措施。
总之，在本申请中，将水文模型和深度学习模型有机地集成在一起，利用水文模型的物理机制和深度学习模型的自适应能力，模拟了河网的水动力过程，考虑了河网的非线性、动态、随机等特性，以及水利工程的调控作用，提高了模拟的可靠性和适应性。通过将SWMM-GAST-LSTM模型有机地集成在一起，通过数据交互和参数共享，实现了模型的互补和协同，提高了模型的整体性能和精度，能够反映河网的水动力特征和水动力变化。不仅能够模拟城市河网的降雨-径流-污染物输移过程，具有较高的物理合理性和实用性，能够反映河网的水文特征和水质变化，而且能够自适应地捕捉河网的时空相关性和非线性特性，具有较强的自适应能力和泛化能力。再者，利用图神经网络的方法从河网关系网络中提取了河网的复杂关系，包括河网的空间连接、水量分配、水质影响等，并利用了模拟结果，分析了河网的水动力特征和水动力变化，从而识别出了河网水动力精准调控的关键节点和关键参数，这些节点和参数对河网的水动力和水环境有着重要的影响，是调控的重点和难点。采用优化算法根据河网水动力精准调控的目标，如提高水质、增加水量、平衡水位等，对河网水动力精准调控的关键节点和关键参数进行了优化，生成了最优的调控方案，实现了河网水动力的精准调控和水环境的提升，提高了调控的效果和效率。
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.城市河网水动力精准调控和水环境提升方法，其特征在于，包括如下步骤：
步骤S1、确定城市河网的研究范围，采集研究范围内的研究数据并预处理；
步骤S2、读取研究数据中河网数据，构建城市河网关系网络，构建并使用AM-GCN模块对河网关系进行提取和分类，并形成第一河网关系网络，构建并采用Ring-GCN模块从第一河网关系网络中提取并去除同构关系网络，形成第二河网关系网格；
步骤S3、针对城市河网构建SWMM-GAST-LSTM模型，读取研究数据作为输入，模拟河网水动力过程，并输出模拟结果；
步骤S4、读取并分析模拟结果，分析并获取城市河网水动力精准调控的关键节点和关键参数，并对关键节点和关键参数进行校验，若达到精细化和高效化配水目标，则输出河网水动力精准调控方案集合。
2.如权利要求1所述的城市河网水动力精准调控和水环境提升方法，其特征在于，所述步骤S1进一步为：
步骤S11、获取城市河网的区域范围并获取城市河网的水系格局数据和水质监测数据，根据研究目标、水系格局数据和水质监测数据划定研究范围；
步骤S12、收集研究范围内及研究范围所在流域的河段、水文、水质、水力、水力工程和气象数据，包括历史数据和实时监测数据，形成研究数据集合；
步骤S13、调用预配置的方法对研究数据集合中的各类型的研究数据进行预处理，包括异常值处理、数据填补和数据归一化。
3.如权利要求1所述的城市河网水动力精准调控和水环境提升方法，其特征在于，所述步骤S2进一步为：
步骤S21、读取河网的水系格局数据和河段数据，形成包括河道编号、起止节点、长度、宽度、水深、坡度和流量在内的河网数据，并构建河网关系网络；河网关系网络预配置为无向图网络，无向图网络中的节点代表河道，边代表河道之间的连接关系；
步骤S22、构建并使用AM-GCN模块对河网关系进行提取和分类，自适应学习河网节点之间的重要性信息，并根据节点的特征和邻居信息，生成节点的嵌入向量，表示节点的水动力和水质特征；然后计算嵌入向量的相似度，并根据嵌入向量的相似度对节点进行聚类，得到不同类型的河道，并形成第一河网关系网络；
步骤S23、构建并采用Ring-GCN模块进行同构子图检测和去除，从第一河网关系网络中提取并去除同构关系网络，形成第二河网关系网格，第二河网关系网格包括河网的主要特征和关键节点，便于后续的水动力模拟和水环境调控。
4.如权利要求1所述的城市河网水动力精准调控和水环境提升方法，其特征在于，所述步骤S3进一步为：
步骤S31、读取研究数据中至少包括降雨、地形、下渗、土地利用、河网关系网格、排水管网和下垫面在内的基础数据，针对城市河网构建SWMM模块、GAST模块和LSTM模块，并耦合形成SWMM-GAST-LSTM模型；
步骤S32、依序计算地表降雨和下渗源、提取GAST模块的地表网格水位和SWMM模块的雨水节点水位，然后计算SWMM模块和GAST模块的交互流量并将交互流量输入至SWMM模块中，计算河网的水动力过程，并输出河网水动力模拟结果；
步骤S33、以河网水动力模拟结果和历史数据作为LSTM模块的输入，根据河网节点的空间特征和历史数据，提取河网节点的时序特征，以模拟河网各个节点的水动力和水质的变化趋势，并将模拟结果输出。
5.如权利要求1所述的城市河网水动力精准调控和水环境提升方法，其特征在于，所述步骤S4进一步为：
步骤S41、读取并分析模拟结果，根据河网节点的水位、流量和水质，评价河网的水环境状况，判断河网是否存在包括水质不达标、水量不足和水流不畅在内的水动力和水环境问题；
步骤S42、根据河网节点的空间特征和时序特征，分析河网节点之间的相互影响，识别出河网的关键节点，关键节点指对河网水动力和水质有重要影响的节点，包括水源节点、水利工程节点和水质敏感节点；基于模拟结果和调控目标，确定河网水动力精准调控的关键参数；计算关键节点和关键参数的影响范围；
步骤S43、比较模拟结果和实测数据的差异，计算模拟的准确性和可靠性，评估方案的有效性和优化程度；若模拟结果达到河网水动力精准调控的目标，则输出河网水动力精准调控方案集合，若模拟结果未达到河网水动力精准调控的目标，则对方案进行调整和优化，直到得到满意的方案集合。
6.如权利要求5所述的城市河网水动力精准调控和水环境提升方法，其特征在于，所述步骤S11的数据获取过程还包括：
步骤S11a、获取研究范围内的遥感数据和DEM数据；
步骤S11b、通过遥感数据中的影响数据提取河道的形状、位置和宽度，并获取水质的包括颜色、透明度和反射率在内的光谱数据；通过GIS模块提取包括河道编号、起止节点、长度和坡度在内的水系格局数据，然后通过光谱数据获取包括溶解氧、氨氮、化学需氧量在内的水质数据；
步骤S11c、将水系格局数据和水质监测数据进行整合。
7.如权利要求5所述的城市河网水动力精准调控和水环境提升方法，其特征在于，所述步骤S23中，去除同构关系网络后，还包括：
步骤S23a、读取研究数据和去同构后的第一河网关系网络，获取河水流动的历史数据，并构建河网关系邻接矩阵和河网的流向概率矩阵；
步骤S23b、调取历史数据中的河水流向数据作为先验信息，根据先验信息构建并使用贝叶斯网络模型计算得到流向概率矩阵的具体数值；
步骤S23c、根据方向性赋值后的河网的流向概率矩阵生成有至少包括M个有向数据的第二河网关系网格，M为自然数。
8.如权利要求5所述的城市河网水动力精准调控和水环境提升方法，其特征在于，所述步骤S42进一步包括：
步骤S42a、基于关键节点和关键参数，采用预配置的算法生成模拟数据集；
步骤S42b、以模拟数据集为输入，通过SWMM模块和GAST模块计算每个关键节点和关键参数的影响范围并降序排列，形成仿真结果集合；
步骤S42c、将仿真结果与研究数据中的监测数据进行比较，判断是否达到预期要求。
9.如权利要求5所述的城市河网水动力精准调控和水环境提升方法，其特征在于，所述步骤S43中获得河网水动力精准调控方案集合的过程进一步包括：
步骤S43a、构建河网水动力精准调控的多目标优化模块，确定优化目标和约束条件；
步骤S43b、采用多目标优化算法进行求解，获得非劣解集；
步骤S43c、采用TOPSIS方法从非劣解集中优选出部分调控方案，形成河网水动力精准调控方案。
10. 一种城市河网水动力精准调控和水环境提升系统，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任一项所述的城市河网水动力精准调控和水环境提升方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311526232.6A CN117236674B (zh) | 2023-11-16 | 2023-11-16 | 城市河网水动力精准调控和水环境提升方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311526232.6A CN117236674B (zh) | 2023-11-16 | 2023-11-16 | 城市河网水动力精准调控和水环境提升方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117236674A true CN117236674A (zh) | 2023-12-15 |
| CN117236674B CN117236674B (zh) | 2024-02-02 |
Family
ID=89097115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311526232.6A Active CN117236674B (zh) | 2023-11-16 | 2023-11-16 | 城市河网水动力精准调控和水环境提升方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236674B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648828A (zh) * | 2024-01-29 | 2024-03-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 河网水动力精准调控方法及系统 |
| CN117649156A (zh) * | 2024-01-30 | 2024-03-05 | 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 |
| CN117687416A (zh) * | 2024-01-25 | 2024-03-12 | 水利部交通运输部国家能源局南京水利科学研究院 | 河网水安全检测装置路径规划方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106920202A (zh) * | 2017-03-06 | 2017-07-04 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种平原城市河网畅流活水方法 |
| CN109615238A (zh) * | 2018-12-13 | 2019-04-12 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种平原城市河网水力调控对河流生境影响的评价方法 |
| CN110458359A (zh) * | 2019-08-13 | 2019-11-15 | 河海大学 | 一种基于未完全截污条件下的平原河网水量水质优化调控方法 |
| CN111027264A (zh) * | 2019-12-03 | 2020-04-17 | 安徽省（水利部淮河水利委员会）水利科学研究院（安徽省水利工程质量检测中心站） | 基于生态恢复目标的平原区城市河网水循环调控方法 |
| CN111524035A (zh) * | 2020-05-13 | 2020-08-11 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种面向平原城市河网水环境改善的水动力调控阈值确定方法 |
| CN112112240A (zh) * | 2020-07-30 | 2020-12-22 | 同济大学 | 一种城市河网防涝优化调度方法 |
| CN113158122A (zh) * | 2021-04-29 | 2021-07-23 | 东莞理工学院 | 一种基于动态水系连通度计算的城市水系水质改善方法 |
| CN114580793A (zh) * | 2022-05-05 | 2022-06-03 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于多源互补以及局部调控的水环境优化方法及系统 |
| CN115238444A (zh) * | 2022-05-19 | 2022-10-25 | 西安理工大学 | 耦合swmm与gast模型的城市雨洪模拟方法 |
| 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 |
| CN116167502A (zh) * | 2023-01-03 | 2023-05-26 | 中冶南方城市建设工程技术有限公司 | 一种初期雨水调蓄池容积计算方法 |
| CN116822911A (zh) * | 2023-08-29 | 2023-09-29 | 水利部交通运输部国家能源局南京水利科学研究院 | 平原城市河网有序流动调控关键节点识别方法及系统 |
-
2023
- 2023-11-16 CN CN202311526232.6A patent/CN117236674B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106920202A (zh) * | 2017-03-06 | 2017-07-04 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种平原城市河网畅流活水方法 |
| CN109615238A (zh) * | 2018-12-13 | 2019-04-12 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种平原城市河网水力调控对河流生境影响的评价方法 |
| CN110458359A (zh) * | 2019-08-13 | 2019-11-15 | 河海大学 | 一种基于未完全截污条件下的平原河网水量水质优化调控方法 |
| CN111027264A (zh) * | 2019-12-03 | 2020-04-17 | 安徽省（水利部淮河水利委员会）水利科学研究院（安徽省水利工程质量检测中心站） | 基于生态恢复目标的平原区城市河网水循环调控方法 |
| CN111524035A (zh) * | 2020-05-13 | 2020-08-11 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种面向平原城市河网水环境改善的水动力调控阈值确定方法 |
| CN112112240A (zh) * | 2020-07-30 | 2020-12-22 | 同济大学 | 一种城市河网防涝优化调度方法 |
| CN113158122A (zh) * | 2021-04-29 | 2021-07-23 | 东莞理工学院 | 一种基于动态水系连通度计算的城市水系水质改善方法 |
| CN114580793A (zh) * | 2022-05-05 | 2022-06-03 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于多源互补以及局部调控的水环境优化方法及系统 |
| CN115238444A (zh) * | 2022-05-19 | 2022-10-25 | 西安理工大学 | 耦合swmm与gast模型的城市雨洪模拟方法 |
| CN116167502A (zh) * | 2023-01-03 | 2023-05-26 | 中冶南方城市建设工程技术有限公司 | 一种初期雨水调蓄池容积计算方法 |
| 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 |
| CN116822911A (zh) * | 2023-08-29 | 2023-09-29 | 水利部交通运输部国家能源局南京水利科学研究院 | 平原城市河网有序流动调控关键节点识别方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| 刘媛媛等: "BP 神经网络和数值模型相结合的城市内涝预测方法研究", 《水利学报》, vol. 53, no. 3, pages 284 - 295 * |
| 刘家宏;王浩;高学睿;陈似蓝;王建华;邵薇薇;: "城市水文学研究综述", 科学通报, no. 36, pages 3581 - 3590 * |
| 杜文娟;陈黎明;陈炼钢;金秋;周芬;田传冲;: "水动力水质模型在温黄平原河网入河污染负荷削减中的应用", 水利水电技术, no. 06, pages 109 - 117 * |
| 潘鑫鑫等: "基于数值模拟与BP神经网络的城市调蓄池调度快速预报方法", 《水动力学研究与进展A辑》, pages 409 - 420 * |
| 焦创;季益柱;胡孜军;王玲玲;唐洪武;: "平原河网地区设计暴雨下的洪水计算――以苏州地区为例", 水利水电技术, no. 01, pages 17 - 20 * |
| 练继建;杨阳;马超;: "面向水环境改善的城市河网综合调控研究进展与前沿", 天津大学学报(自然科学与工程技术版), no. 08, pages 781 - 787 * |
| 范玉燕;汪诚文;喻海军;: "基于一二维耦合水动力模型的海绵小区建设效果评估", 水电能源科学, no. 12, pages 16 - 20 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117687416A (zh) * | 2024-01-25 | 2024-03-12 | 水利部交通运输部国家能源局南京水利科学研究院 | 河网水安全检测装置路径规划方法及系统 |
| CN117687416B (zh) * | 2024-01-25 | 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 | 河网水安全检测装置路径规划方法及系统 |
| CN117648828A (zh) * | 2024-01-29 | 2024-03-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 河网水动力精准调控方法及系统 |
| CN117648828B (zh) * | 2024-01-29 | 2024-04-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 河网水动力精准调控方法及系统 |
| CN117649156A (zh) * | 2024-01-30 | 2024-03-05 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117236674B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117236674B (zh) | 城市河网水动力精准调控和水环境提升方法及系统 | |
| Wu et al. | Roofpedia: Automatic mapping of green and solar roofs for an open roofscape registry and evaluation of urban sustainability | |
| 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 | |
| Yan et al. | A stream prediction model based on attention-LSTM | |
| Cui et al. | Improved Thomas–Fiering and wavelet neural network models for cumulative errors reduction in reservoir inflow forecast | |
| CN115907436B (zh) | 基于量质耦合预报的水资源水环境调控方法和系统 | |
| Jiang et al. | High-resolution temperature and salinity model analysis using support vector regression | |
| CN112348290A (zh) | 河流水质预测方法、装置、存储介质及设备 | |
| CN117236673B (zh) | 城市水网多尺度防洪排涝联合优化调度方法和系统 | |
| CN117078114B (zh) | 引水工程影响下受水湖泊水质评价方法和系统 | |
| CN114372631A (zh) | 一种基于小样本学习和lstm的缺资料地区径流预测方法 | |
| Chen et al. | River ecological flow early warning forecasting using baseflow separation and machine learning in the Jiaojiang River Basin, Southeast China | |
| Das et al. | ResORR: A Globally Scalable and Satellite Data-driven Algorithm for River Flow Regulation due to Reservoir Operations | |
| CN115829163B (zh) | 基于多模式集成的长江中下游流域径流预测方法和系统 | |
| Nizar et al. | Forecasting of temperature by using LSTM and bidirectional LSTM approach: case study in Semarang, Indonesia | |
| Chang et al. | Development of a real-time forecasting model for turbidity current arrival time to improve reservoir desilting operation | |
| CN115936242A (zh) | 空气质量与交通状况的溯源关系数据获取方法及装置 | |
| Ahmadi et al. | Identification of dominant sources of sea level pressure for precipitation forecasting over Wales | |
| CN114595631A (zh) | 一种基于efdc模型和机器学习算法的水质预测方法 | |
| Assis et al. | A model-based site selection approach associated with regional frequency analysis for modeling extreme rainfall depths in Minas Gerais state, Southeast Brazil | |
| Xu et al. | Exploration of Flood Prediction in Watersheds Based on the Fusion Analysis of Remote Sensing Big Data with Multiple Physical Fields | |
| Ogale et al. | Modelling and short term forecasting of flash floods in an urban environment | |
| CN117116382B (zh) | 引水工程影响下受水湖泊水质时空预测方法和系统 | |
| Lohani et al. | Decision Support System for Surface Water Planning | |
| CN117408173B (zh) | 一种基于机器学习的水文流量整编智能模型构建方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |