CN117633721B - 机理模型与数据联合驱动的城市河网透明度预测方法 - Google Patents
机理模型与数据联合驱动的城市河网透明度预测方法 Download PDFInfo
- Publication number
- CN117633721B CN117633721B CN202410103497.3A CN202410103497A CN117633721B CN 117633721 B CN117633721 B CN 117633721B CN 202410103497 A CN202410103497 A CN 202410103497A CN 117633721 B CN117633721 B CN 117633721B
- Authority
- CN
- China
- Prior art keywords
- transparency
- river network
- water quality
- hydrodynamic force
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 230000007246 mechanism Effects 0.000 title claims abstract description 37
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 136
- 230000004044 response Effects 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 230000008878 coupling Effects 0.000 claims abstract description 19
- 238000010168 coupling process Methods 0.000 claims abstract description 19
- 238000005859 coupling reaction Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 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 6
- 239000003344 environmental pollutant Substances 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 231100000719 pollutant Toxicity 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 229930002875 chlorophyll Natural products 0.000 claims description 5
- 235000019804 chlorophyll Nutrition 0.000 claims description 5
- 239000000356 contaminant Substances 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 239000013049 sediment Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000031018 biological processes and functions Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model 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
本发明涉及一种机理模型与数据联合驱动的城市河网透明度预测方法，包括确定影响河网透明度的水动力和水质影响因子，采集河网内各测点的原型观测数据；根据原型观测数据及影响因子构建水动力‑水质‑透明度响应关系，并率定构建的河网水动力‑水质耦合模型，并模拟得到水动力‑水质数据集及透明度数据集；根据原型观测数据、水动力‑水质数据集及透明度数据集得到时间序列预测值和空间分布序列预测值；联合水动力‑水质数据集、时间序列预测值及空间分布序列预测值预测得到河网透明度预测值。本发明联合机理模型、河网原型观测数据、时间序列和空间分布序列预测数据准确高效地预测平原城市河网引调水条件下时的河网水体透明度响应。
Description
技术领域
本发明涉及河网水环境预测技术领域，尤其是指一种机理模型与数据联合驱动的城市河网透明度预测方法。
背景技术
水体透明度是评价城市河网水环境的重要指标，并且在一定程度上结合了水体和物理、化学、生物过程，因而被用作衡量河湖生态修复效果的关键指标。目前平原城市河网地区正在以水动力调控的方式改善河网水环境，因此研究水动力和水环境因素与透明度的响应关系，预测在水动力提升作用下的透明度响应，可以为城市河网水动力调控提供更好的理论基础，十分具有重要性。
水体透明度已被证实会受到多方面的影响，包括水动力过程（流量、流速、水位）、河网水体化学过程（化学反应速率、溶解氧浓度）和生态过程（温度、叶绿素浓度、有机体代谢）。尤其是城市河网环境复杂，透明度同时也会受到人类活动的影响，在河网的不同位置、不同时刻的透明度变幻莫测，人工测量耗时耗力,因此对城市河网透明度进行准确、有效的预测十分困难。
传统的透明度测量方法主要是基于塞氏盘测量的物理方法和统计方法，塞氏盘法将黑白圆盘垂直浸入水中，视觉深度即为水的透明度程度。尽管塞氏盘测量法十分常用，但其有大面积的时空离散和异步观测两个主要缺点。此外，在测量时偶尔会产生较明显的视觉误差。因此，该传统方法不足以用来评估大型河网的水质。由于平原城市河网支流系统复杂，塞氏盘法还消耗大量的劳动力和资源。而统计模型中的许多参数需要大量观测数据进行校准，提高模型的准确性需要较大的计算成本与较多的观测数据，而深度学习模型在许多领域都展示了良好的应用效果，因此，基于数据驱动的方法被引入到河网透明度预测的任务中来。但是数据驱动模型需要高质量的大量数据，并且忽略了数据背后的过程假设，可解释性较差，可能导致虚假或者不准确的预测。有人员提出FNN模型来预测长距离河道水体透明度，该模型使用未校准的物理模型输出数据进行预训练，从而使得模型使用较少的观测数据便能取得良好的预测效果，但这种物理模型与数据模型融合的方式较为单一，仍然存在很大的提升空间，即建立河网水体透明度预测方法并提高预测精度仍然存在巨大挑战。因此，迫切需要提供一种机理模型与数据联合驱动的城市河网透明度预测方法以克服现有技术存在的上述缺陷。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中存在的技术缺陷，而提出一种机理模型与数据联合驱动的城市河网透明度预测方法，其采用机理模型的模拟结果联合河网原型观测数据、时间序列预测数据和空间分布序列预测数据预测水体透明度，能够准确高效地分析并预测在平原城市河网引调水条件下时的河网水体透明度响应，对平原城市河网水动力调控具有重要指导价值。
为解决上述技术问题，本发明提供了一种机理模型与数据联合驱动的城市河网透明度预测方法，包括以下步骤：
S1：确定影响河网透明度的水动力和水质影响因子，并在引水条件下采集河网内各测点的原型观测数据；
S2：根据原型观测数据以及影响河网透明度的水动力和水质影响因子构建得到水动力-水质-透明度响应关系；
S3：通过所述原型观测数据构建得到河网水动力-水质耦合模型，使用所述水动力-水质-透明度响应关系率定验证所述河网水动力-水质耦合模型，并通过率定验证后的所述河网水动力-水质耦合模型模拟得到水动力-水质数据集，以及相应的透明度数据集；
S4：将原型观测数据、水动力-水质数据集及相应的透明度数据集进行拼接得到特征矩阵，并通过所述特征矩阵分别提取得到时间序列预测模块的输入序列和空间分布序列预测模块的输入序列；
S5：将时间序列预测模块的输入序列和空间分布序列预测模块的输入序列输入至LSTM神经网络中进行处理，并通过各自的预测模块得到时间序列预测值和空间分布序列预测值；
S6：联合水动力-水质数据集、时间序列预测值以及空间分布序列预测值预测得到河网透明度预测值。
在本发明的一个实施例中，在S2中，根据原型观测数据以及影响河网透明度的水动力和水质影响因子构建得到水动力-水质-透明度响应关系的方法，包括：
对原型观测数据进行时序信息处理，筛选影响河网透明度的水动力和水质影响因子的权重并得到水动力-水质-透明度响应关系。
在本发明的一个实施例中，在S2中，筛选影响河网透明度的水动力和水质影响因子的权重并得到水动力-水质-透明度响应关系的方法，包括：
将不同水动力与水质指标带入线性回归，通过比较线性相关系数、均方根误差和平均绝对误差的大小，筛选与河网水体透明度相关性大的指标，并得到水动力-水质-透明度响应关系，其中，筛选得到的与河网水体透明度相关性大的指标分别为流速、总悬浮物浓度TSS、叶绿素浓度Chl和化学需氧量COD，水动力-水质-透明度响应关系为：
，
其中，Zs为河网水体透明度，m为河网水体透明度的单位，U为河道平均流速。
在本发明的一个实施例中，在S3中，河网水动力-水质耦合模型为：
，
式中，为河网水体深度，为污染物总浓度，为笛卡尔水平坐标方向上的流速
分量， 为河网水平扩散系数，为外部进入河网水体的点源与非点源污染物，为从
河道沉积层到上覆水体的污染物净通量。
在本发明的一个实施例中，在S4中，将原型观测数据、水动力-水质数据集及相应的透明度数据集/>进行拼接得到特征矩阵，并通过循环神经网络方法的LSTM架构分别得到时间序列预测模块的输入序列/>和空间分布序列预测模块的输入序列/>，其中/>为空间位置一定、时间t到t+nΔt的特征数据/>=，/>为时间t一定、河网内不同位置的特征数据/>=。
在本发明的一个实施例中，在S5中，LSTM神经网络的数学公式为：
，
，
式中，表示t-1时刻LSTM神经网络的输出，表示t时刻的输入，表示t时刻
新的输入带来的信息，表示激活函数sigmod，表示输入门，、表示权重矩阵，、表
示偏置项。
在本发明的一个实施例中，在S6中，河网透明度预测值的计算公式为：
，
式中，为河网透明度预测值，为神经元激活函数，、、为权
重，b为偏置项，为时间序列预测值，为空间分布序列预测值，为时间t一定、空间分布spa一定的河网水动力-水质耦合模型的输出值。
此外，本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述所述方法的步骤。
并且，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述所述方法的步骤。
本发明的上述技术方案相比现有技术具有以下优点：
1.本发明提供的一种机理模型与数据联合驱动的城市河网透明度预测方法，其采用机理模型的模拟结果联合河网原型观测数据、时间序列预测数据和空间分布序列预测数据预测水体透明度，强化深度学习方法的环境水力学理论基础，并充分利用其强大的非线性表征能力，能够准确高效地分析并预测在平原城市河网引调水条件下时的河网水体透明度响应，对平原城市河网水动力调控具有重要指导价值；
2.本发明提供的一种机理模型与数据联合驱动的城市河网透明度预测方法，其可以充分利用机理模型来解决数据驱动模型所必须的高质量数据问题，结合深度学习强大的表示能力进行更准确的预测，具有先进性、稳定性和实用性，预测准确度高；
3.本发明提出的方法实现了城市河网不同时间、不同位置的水体透明度，显著提高预测效率，并且首次在透明度预测方法中加入了水动力因素和时间序列的影响，对研究城市河网水动力调控对河网水环境的改善响应关系具有重要意义；
4.本发明提供的一种机理模型与数据联合驱动的城市河网透明度预测方法，其在机理模型构建前采集大量河网原型观测数据，并在机理模型构建时考虑了城市河网水环境的改善机理，预测方法诠释了城市河网透明度的物理、化学和生物过程，与现场观测数据保持一致，提高了预测精度。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明。
图1是本发明提出的一种机理模型与数据联合驱动的城市河网透明度预测方法的流程示意图。
图2是本发明神经网络模型建立过程示意图。
图3是传统前馈神经网络透明度模型的训练结果。
图4是传统前馈神经网络透明度模型的验证结果。
图5是传统前馈神经网络透明度模型的测试结果。
图6是本发明方法的训练结果。
图7是本发明方法的验证结果。
图8是本发明方法的测试结果。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
参照图1所示，本发明实施例提供一种机理模型与数据联合驱动的城市河网透明度预测方法，包括以下步骤：
S1：确定影响河网透明度的水动力和水质影响因子，并在引水条件下采集河网内各测点的原型观测数据；
S2：根据原型观测数据以及影响河网透明度的水动力和水质影响因子构建得到水动力-水质-透明度响应关系；
S3：通过所述原型观测数据构建得到河网水动力-水质耦合模型，使用所述水动力-水质-透明度响应关系率定验证所述河网水动力-水质耦合模型，并通过率定验证后的所述河网水动力-水质耦合模型模拟得到水动力-水质数据集，以及相应的透明度数据集；
S4：将原型观测数据、水动力-水质数据集及相应的透明度数据集进行拼接得到特征矩阵，并通过所述特征矩阵分别提取得到时间序列预测模块的输入序列和空间分布序列预测模块的输入序列；
S5：将时间序列预测模块的输入序列和空间分布序列预测模块的输入序列输入至LSTM神经网络中进行处理，并通过各自的预测模块得到时间序列预测值和空间分布序列预测值；
S6：联合水动力-水质数据集、时间序列预测值以及空间分布序列预测值预测得到河网透明度预测值。
本发明提供的一种机理模型与数据联合驱动的城市河网透明度预测方法，其采用机理模型的模拟结果联合河网原型观测数据、时间序列预测数据和空间分布序列预测数据预测水体透明度，强化深度学习方法的环境水力学理论基础，并充分利用其强大的非线性表征能力，能够准确高效地分析并预测在平原城市河网引调水条件下时的河网水体透明度响应，对平原城市河网水动力调控具有重要指导价值。
其中，在步骤S1中，具体可以通过文献资料查询影响平原城市河网透明度的水动力和水质影响因子，并采用河网现场原型观测方法在引水条件下采集河网内各测点的原型观测数据，其中原型观测数据可以为流量、流速、温度、溶解氧、氨氮、COD、TSS、叶绿素a等指标。
其中，在步骤S2中，具体可以对原型观测数据进行时序信息处理，处理方法为：
；
；
；
式中，、、分别表示输入门、遗忘门和输出门，、、分别表示输入门、遗忘
门和输出门的权重矩阵，、、分别表示输入门、遗忘门和输出门的偏置项，表示t-1
时刻LSTM的输出，表示t时刻的输入，表示sigmod函数。
还有，分别建立多元线性回归模型和神经网络模型，其中，神经网络模型建立过程如图2所示，通过筛选影响河网透明度的水动力和水质影响因子的权重并得到水动力-水质-透明度响应关系。具体地，透明度与水动力-水质响应关系通过多元线性回归方法构建，将不同水动力与水质指标带入线性回归，通过比较线性相关系数、均方根误差和平均绝对误差的大小，筛选与河网水体透明度相关性大的指标，分别为流速、总悬浮物浓度TSS，叶绿素浓度Chl和化学需氧量COD，最后由多元线性回归模型得到水动力-水质-透明度响应关系为：
，
式中，Zs为河网水体透明度，单位为m，U为河道平均流速，单位为m/s。
其中，在步骤S3中，具体通过现场原型观测数据构建得到河网水动力-水质
耦合模型，使用水动力-水质-透明度响应关系率定验证河网水动力-水质耦合模型，将河网
水动力数据输入河网水动力-水质耦合模型模拟得到水动力-水质数据集，以及相应
的透明度数据集。上述河网水动力-水质耦合模型为：
，
式中，为河网水体深度，为污染物总浓度，为笛卡尔水平坐标方向上的流速
分量，为河网水平扩散系数，为外部进入河网水体的点源与非点源污染物，为从河
道沉积层到上覆水体的污染物净通量。
其中，在步骤S4中，具体将原型观测数据、水动力-水质数据集及相
应的透明度数据集拼接为矩阵，再对拼接后的矩阵进行LSTM处理，分别得到时间序列
预测模块的输入序列和空间分布序列预测模块的输入序列，其中为空间
位置一定、时间t到t+nΔt的特征数据，为时间t一定、河网
内不同位置的特征数据=。
其中，在步骤S5中，具体将步骤S4得到的时间序列预测模块的输入序列和空间分布序列预测模块的输入序列输入至循环神经网络方法（RNN）中的LSTM神经网络进行处理，再通过各自的预测模块得到时间序列预测值和空间分布序列预测值，其中，LSTM神经网络的数学公式为：
，
，
式中，表示t-1时刻LSTM神经网络的输出，表示t时刻的输入，表示t时刻
新的输入带来的信息，表示激活函数sigmod，表示输入门，、表示权重矩阵，、表
示偏置项。
其中，在步骤S6中，联合水动力-水质数据集、时间序列预测值以及空间分布序列预测值预测得到河网透明度预测值，其中
河网透明度预测值的计算公式为：
，
式中，为河网透明度预测值，为神经元激活函数，、、为权
重，为偏置项，为时间序列预测值，为空间分布序列预测值，为时间t一定、空间分布spa一定的河网水动力-水质耦合模型的输出值。
图3-图8显示了某一河网水体透明度的测试结果，图3-图5分别为传统前馈神经网络透明度模型的训练结果、验证结果和测试结果，图6-图8分别为本发明方法的训练结果、验证结果和测试结果，其中横坐标为透明度测量值（m），纵坐标为透明度计算结果（m）。由图6至图8可以看出本发明方法在该河网透明度的测试中表现良好。
本发明提供的一种机理模型与数据联合驱动的城市河网透明度预测方法，其可以充分利用机理模型来解决数据驱动模型所必须的高质量数据问题，结合深度学习强大的表示能力进行更准确的预测，具有先进性、稳定性和实用性，预测准确度高。
本发明提出的方法实现了城市河网不同时间、不同位置的水体透明度，显著提高预测效率，并且首次在透明度预测方法中加入了水动力因素和时间序列的影响，对研究城市河网水动力调控对河网水环境的改善响应关系具有重要意义。
本发明提供的一种机理模型与数据联合驱动的城市河网透明度预测方法，其在机理模型构建前采集大量河网原型观测数据，并在机理模型构建时考虑了城市河网水环境的改善机理，预测方法诠释了城市河网透明度的物理、化学和生物过程，与现场观测数据保持一致，提高了预测精度。
本发明提出的方法具有泛化性，其还可应用到不同区域的城市河网水体透明度预测，机理与数据联合驱动的思想可适用于能源管理、交通规划、野外设备监测管理等其他复杂场景。
相应于上面的方法实施例，本发明实施例还提供了一种计算机设备，包括：
存储器，其用于存储计算机程序；
处理器，其用于执行计算机程序时实现上述机理模型与数据联合驱动的城市河网透明度预测方法的步骤。
在本发明实施例中，处理器可以为中央处理器(Central Processing Unit，CPU)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件等。
处理器可以调用存储器中存储的程序，具体的，处理器可以执行上述机理模型与数据联合驱动的城市河网透明度预测方法的实施例中的操作。
存储器中用于存放一个或者一个以上程序，程序可以包括程序代码，程序代码包括计算机操作指令。
此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件或其他易失性固态存储器件。
相应于上面的方法实施例，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述机理模型与数据联合驱动的城市河网透明度预测方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种机理模型与数据联合驱动的城市河网透明度预测方法，其特征在于：包括以下步骤：
S1：确定影响河网透明度的水动力和水质影响因子，并在引水条件下采集河网内各测点的原型观测数据；
S2：根据原型观测数据以及影响河网透明度的水动力和水质影响因子构建得到水动力-水质-透明度响应关系，其中，水动力-水质-透明度响应关系为：
Zs(m)＝8.521+0.294LnU-0.131TSS-0.106Chl-0.122COD，
式中，Zs为河网水体透明度，m为河网水体透明度的单位，U为河道平均流速，TSS为总悬浮物浓度，Chl为叶绿素浓度，COD为化学需氧量；
S3：通过所述原型观测数据构建得到河网水动力-水质耦合模型，使用所述水动力-水质-透明度响应关系率定验证所述河网水动力-水质耦合模型，并通过率定验证后的所述河网水动力-水质耦合模型模拟得到水动力-水质数据集，以及相应的透明度数据集，其中，河网水动力-水质耦合模型为：
式中，H为河网水体深度，C为污染物总浓度，u为笛卡尔水平坐标x方向上的流速分量，KH为河网水平扩散系数，Qc为外部进入河网水体的点源与非点源污染物，F0为从河道沉积层到上覆水体的污染物净通量；
S4：将原型观测数据、水动力-水质数据集及相应的透明度数据集进行拼接得到特征矩阵，并通过所述特征矩阵分别提取得到时间序列预测模块的输入序列和空间分布序列预测模块的输入序列；
S5：将时间序列预测模块的输入序列和空间分布序列预测模块的输入序列输入至LSTM神经网络中进行处理，并通过各自的预测模块得到时间序列预测值和空间分布序列预测值；
S6：联合水动力-水质数据集、时间序列预测值以及空间分布序列预测值预测得到河网透明度预测值。
2.根据权利要求1所述的一种机理模型与数据联合驱动的城市河网透明度预测方法，其特征在于：在S2中，根据原型观测数据以及影响河网透明度的水动力和水质影响因子构建得到水动力-水质-透明度响应关系的方法，包括：
对原型观测数据进行时序信息处理，筛选影响河网透明度的水动力和水质影响因子的权重并得到水动力-水质-透明度响应关系。
3.根据权利要求2所述的一种机理模型与数据联合驱动的城市河网透明度预测方法，其特征在于：在S2中，筛选影响河网透明度的水动力和水质影响因子的权重并得到水动力-水质-透明度响应关系的方法，包括：
将不同水动力与水质指标带入线性回归，通过比较线性相关系数、均方根误差和平均绝对误差的大小，筛选与河网水体透明度相关性大的指标，并得到水动力-水质-透明度响应关系，其中，筛选得到的与河网水体透明度相关性大的指标分别为流速、总悬浮物浓度TSS、叶绿素浓度Chi和化学需氧量COD。
4.根据权利要求1所述的一种机理模型与数据联合驱动的城市河网透明度预测方法，其特征在于：在S4中，将原型观测数据{Xobs}、水动力-水质数据集{Ymec}及相应的透明度数据集{Ysd}进行拼接得到特征矩阵，并通过循环神经网络方法的LSTM架构分别得到时间序列预测模块的输入序列Xtime和空间分布序列预测模块的输入序列Xspa，其中Xtime为空间位置一定、时间t到t+nΔt的特征数据Xtime＝[Xobs，Ymec]t，t+nΔt，z，Xspa为时间t一定、河网内不同位置的特征数据Xspa＝[Xobs，Ymec]t，spa。
5.根据权利要求4所述的一种机理模型与数据联合驱动的城市河网透明度预测方法，其特征在于：在S5中，LSTM神经网络的数学公式为：
ct′＝tanh(Wc·[ht-1，xt]+bc)，
it＝σ(Wi·[ht-1，xt]+bi)，
式中，ht-1表示t-1时刻LSTM神经网络的输出，xt表示t时刻的输入，C′t表示t时刻新的输入带来的信息，σ表示激活函数sigmod，it表示输入门，Wc、Wi表示权重矩阵，bc、bi表示偏置项。
6.根据权利要求4所述的一种机理模型与数据联合驱动的城市河网透明度预测方法，其特征在于：在S6中，河网透明度预测值的计算公式为：
式中，为河网透明度预测值，h为神经元激活函数，ωtime、ωspa、ωmec为权重，b为偏置项，/>为时间序列预测值，/>为空间分布序列预测值，/>为时间t一定、空间分布spa一定的河网水动力-水质耦合模型的输出值。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述程序时实现权利要求1至6任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410103497.3A CN117633721B (zh) | 2024-01-25 | 2024-01-25 | 机理模型与数据联合驱动的城市河网透明度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410103497.3A CN117633721B (zh) | 2024-01-25 | 2024-01-25 | 机理模型与数据联合驱动的城市河网透明度预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117633721A CN117633721A (zh) | 2024-03-01 |
| CN117633721B true CN117633721B (zh) | 2024-04-09 |
Family
ID=90035793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410103497.3A Active CN117633721B (zh) | 2024-01-25 | 2024-01-25 | 机理模型与数据联合驱动的城市河网透明度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117633721B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101038281A (zh) * | 2006-03-20 | 2007-09-19 | 河海大学 | 一种现状和非现状条件下水体透明度的测量方法 |
| CN106202163A (zh) * | 2016-06-24 | 2016-12-07 | 中国环境科学研究院 | 通江湖泊生态监测信息管理及预警系统 |
| CN107024456A (zh) * | 2017-05-03 | 2017-08-08 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种用于预测河道水体透明度的原位清水置换方法 |
| 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 |
| CN110210674A (zh) * | 2019-06-05 | 2019-09-06 | 河海大学 | 预测平原河网地区入河排污口设置对河道水质影响的方法 |
| KR20220105530A (ko) * | 2021-01-20 | 2022-07-27 | 코드비전 주식회사 | 수질 예측 방법 및 장치 |
| CN117077819A (zh) * | 2023-08-30 | 2023-11-17 | 福州大学 | 一种水质预测方法 |
| CN117078114A (zh) * | 2023-10-16 | 2023-11-17 | 水利部交通运输部国家能源局南京水利科学研究院 | 引水工程影响下受水湖泊水质评价方法和系统 |
| CN117171128A (zh) * | 2023-08-11 | 2023-12-05 | 中国环境科学研究院 | 一种基于四水耦合模型的水生生物保护阈值识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11402362B2 (en) * | 2017-06-19 | 2022-08-02 | Nanjing Institute Of Geography | Stereoscopic monitoring and data mining system and method for harmful lake cyanobacteria bloom |
| US20230303408A1 (en) * | 2022-03-24 | 2023-09-28 | Wan-Zhou YU | Water quality monitoring and maintaining system |
-
2024
- 2024-01-25 CN CN202410103497.3A patent/CN117633721B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101038281A (zh) * | 2006-03-20 | 2007-09-19 | 河海大学 | 一种现状和非现状条件下水体透明度的测量方法 |
| CN106202163A (zh) * | 2016-06-24 | 2016-12-07 | 中国环境科学研究院 | 通江湖泊生态监测信息管理及预警系统 |
| CN107024456A (zh) * | 2017-05-03 | 2017-08-08 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种用于预测河道水体透明度的原位清水置换方法 |
| 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 |
| CN110210674A (zh) * | 2019-06-05 | 2019-09-06 | 河海大学 | 预测平原河网地区入河排污口设置对河道水质影响的方法 |
| KR20220105530A (ko) * | 2021-01-20 | 2022-07-27 | 코드비전 주식회사 | 수질 예측 방법 및 장치 |
| CN117171128A (zh) * | 2023-08-11 | 2023-12-05 | 中国环境科学研究院 | 一种基于四水耦合模型的水生生物保护阈值识别方法 |
| CN117077819A (zh) * | 2023-08-30 | 2023-11-17 | 福州大学 | 一种水质预测方法 |
| CN117078114A (zh) * | 2023-10-16 | 2023-11-17 | 水利部交通运输部国家能源局南京水利科学研究院 | 引水工程影响下受水湖泊水质评价方法和系统 |
Non-Patent Citations (5)
| Title |
|---|
| Prediction of harmful algal blooms in large water bodies using the combined EFDC and LSTM models;Lei Zheng等;《Journal of Environmental Management》;20211001;第298卷;1-13 * |
| Variations of Water Transparency and Impact Factors in the Bohai and Yellow Seas from Satellite Observations;Yan Zhou等;《Remote Sens.》;20210201;第13卷(第3期);1-19 * |
| Water Transparency Prediction of Plain Urban River Network:A Case Study of Yangtze River Delta in China;Yipeng Liao等;《Sustainability 2021》;20210701;第13卷(第13期);1-15 * |
| 基于灰色系统理论的海洋水质模型研究——以海州湾为例;沈裕鑫;《中国优秀硕士学位论文全文数据库_农业科技辑》;20210315;D052-183 * |
| 太湖水体透明度影响因子实验及模型研究;李一平;《中国博士学位论文全文数据库_工程科技Ⅰ辑》;20060615;B027-11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117633721A (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Seismic fragility analysis with artificial neural networks: Application to nuclear power plant equipment | |
| CN105389980B (zh) | 基于长短时记忆递归神经网络的短时交通流预测方法 | |
| Ferrario et al. | Bootstrapped Artificial Neural Networks for the seismic analysis of structural systems | |
| CN107862331A (zh) | 一种基于时间序列及cnn的不安全行为识别方法及系统 | |
| CN114357594B (zh) | 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质 | |
| Felix et al. | Analysis of training parameters in the ANN learning process to mapping the concrete carbonation depth | |
| CN106568647B (zh) | 一种基于神经网络的混凝土强度预测方法 | |
| CN112735541A (zh) | 一种基于简单循环单元神经网络的污水处理水质预测方法 | |
| Nikose et al. | Dynamic wind response of tall buildings using artificial neural network | |
| CN106198870A (zh) | 一种基于神经网络的锚杆杆体损伤位置识别方法 | |
| Mamat et al. | Slope stability prediction of road embankment on soft ground treated with prefabricated vertical drains using artificial neural network | |
| Kareem Aswed | Productivity estimation model for bracklayer in construction projects using neural network | |
| Bouabaz et al. | A cost estimation model for repair bridges based on artificial neural network | |
| CN114034334B (zh) | 岩溶管道污染源和流量的识别方法 | |
| CN117633721B (zh) | 机理模型与数据联合驱动的城市河网透明度预测方法 | |
| Leyla et al. | Modeling and predictive analyses related to piezometric level in an earth dam using a back propagation neural network in comparison on non-linear regression | |
| Lazarevska et al. | Determination of fire resistance of eccentrically loaded reinforced concrete columns using fuzzy neural networks | |
| Noori et al. | Nonlinear Seismic Response Approximation Of Steel Moment Frames Using Artificial Neural Networks | |
| Okuda et al. | Proposal and evaluation of pavement deterioration prediction method by recurrent neural network | |
| CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
| Sophia et al. | A ga based iterative model for identification of unknown groundwater pollution sources considering noisy data | |
| CN113052255B (zh) | 一种电抗器智能检测和定位的方法 | |
| CN114676887A (zh) | 一种基于图卷积stg-lstm的河流水质预测方法 | |
| CN113836789A (zh) | 基于宏细观参数关联准则的dem细观参数标定方法 | |
| Lee et al. | Quick prediction of tunnel displacements using Artificial Neural Network and field measurement results |
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 |