CN117709242B

CN117709242B - 一种河口咸潮上溯强度评估方法

Info

Publication number: CN117709242B
Application number: CN202410163738.3A
Authority: CN
Inventors: 林中源; 胡晓张; 黄鹏飞; 许伟; 唐琦; 陈睿智; 杨留柱; 王斌; 陈可飞; 李青峰; 邹华志; 张艳艳; 邓月运; 黄凯桐; 童辉玲
Original assignee: Pearl River Hydraulic Research Institute of PRWRC
Current assignee: Pearl River Hydraulic Research Institute of PRWRC
Priority date: 2024-02-05
Filing date: 2024-02-05
Publication date: 2024-04-09
Anticipated expiration: 2044-02-05
Also published as: CN117709242A

Abstract

本发明涉及河口咸潮上溯领域，尤其涉及一种河口咸潮上溯强度评估方法。所述方法包括以下步骤：获取目标河口水道数据；根据目标河口水道数据进行咸情潮汐水文特征提取，生成咸情多模态特征数据；根据咸情多模态特征数据进行潮汐‑水文耦合分析，生成咸潮水文耦合数据；构建河道潮汐动力模型；通过河道潮汐动力模型对咸潮水文耦合数据进行多样性咸潮上溯模拟以及动态网络构建，得到优化咸潮网络结构数据；对获取的实时咸潮数据进行咸潮动力模拟，生成咸潮通量模拟数据；利用优化咸潮网络结构数据对咸潮通量模拟数据进行咸潮上溯强度评估，生成咸潮上溯强度数据。本发明通过咸潮网络结构实现咸潮上溯强度评估。

Description

一种河口咸潮上溯强度评估方法

技术领域

本发明涉及河口咸潮上溯领域，尤其涉及一种河口咸潮上溯强度评估方法。

背景技术

在气候变化和人类活动影响下，近些年河口咸潮上溯发生频次增多、上溯距离增加、发生时间提前、持续时间延长，供水安全挑战日益增大。受咸潮影响的水道一般设有众多咸情监测站，然而咸潮上溯规律极为复杂，以往衡量咸潮上溯强度的特征值，如单一站点的超标时间，或空间变化的咸潮上溯最大距离，往往不能代表咸潮上溯强度变化。当咸潮上溯距离较远时，单一站点含氯度常出现超标时间较短的情况，而某一站点超标时间较长，咸潮上溯距离又相对较近，给咸潮上溯强度评估带来较大难度。传统的河口咸潮上溯强度评估方法通常单一分析咸潮上溯观测数据，定性地描述咸潮上溯的强度和范围，不能反映咸潮上溯的动力机制和影响因素；同时无法捕捉潮汐周期、季节变化、河流流量等动态变化对咸潮实时上溯强度的影响。

发明内容

基于此，本发明提供一种河口咸潮上溯强度评估方法，以解决至少一个上述技术问题。

为实现上述目的，一种河口咸潮上溯强度评估方法，包括以下步骤：

步骤S1：获取目标河口水道数据；根据目标河口水道数据进行咸潮事件时段识别，得到历史咸潮事件数据；根据历史咸潮事件数据进行咸情时空指标构建，生成咸情时空指标数据；根据历史咸潮事件数据进行咸情潮汐水文特征提取，并根据咸情时空指标数据进行多模态特征融合，生成咸情多模态特征数据；

步骤S2：根据咸情多模态特征数据进行周期性质处理，生成周期性指标数据；根据周期性指标数据进行潮汐-水文耦合分析，生成咸潮水文耦合数据；

步骤S3：对目标河口水道数据进行河口影像采集，从而得到河口多光谱影像数据；根据河口多光谱影像数据构建河道形态三维模型；基于河道形态三维模型构建河道潮汐动力模型；通过河道潮汐动力模型对咸潮水文耦合数据进行多样性咸潮上溯模拟，生成潮流强度空间分布数据；

步骤S4：根据河道形态三维模型进行咸潮岸线敏感区域划定，生成咸潮敏感区域数据；根据咸潮敏感区域数据进行咸潮上溯拓扑处理，生成咸潮空间拓扑数据；对咸潮空间拓扑数据进行动态网络构建，生成时空咸潮网络结构数据；通过咸情多模态特征数据对时空咸潮网络结构数据进行结构自适应优化，得到优化咸潮网络结构数据；

步骤S5：获取实时咸潮数据；根据实时咸潮数据进行水密度梯度处理，生成河口水密度梯度数据；通过河道潮汐动力模型对河口水密度梯度数据进行咸潮动力模拟，生成咸潮通量模拟数据；利用优化咸潮网络结构数据对咸潮通量模拟数据进行咸潮上溯强度评估，生成咸潮上溯强度数据。

本发明通过获取目标河口水道的实时水文数据，包括水位、流速、潮汐等信息，通过识别水文数据中的咸潮事件时段，这有助于精确捕捉咸潮事件的发生时刻。利用历史咸潮事件数据，构建咸情时空指标，即咸潮上溯日最大距离以及时序含氯度日超标数据。这些指标可以用于对咸潮事件的时空特征进行量化描述。在历史咸潮事件数据中提取潮汐水文特征，如潮汐周期、潮汐振幅等。这些特征能够帮助识别潮汐对咸潮事件的贡献，通过融合得到的多模态特征数据，形成完整的咸情多模态特征数据集。通过对咸情多模态特征数据进行周期性质处理，例如应用傅里叶变换或小波变换，能够捕捉咸潮事件的周期性特征。这有助于揭示咸潮事件的频率、振幅等信息。利用生成的周期性指标数据，进行潮汐与水文的耦合分析。通过探讨周期性指标在潮汐和水文方面的变化趋势，可以深入理解二者之间的相互关系。通过河口影像采集，获取河口区域的多光谱影像数据。这提供了河口地区地表特征的高分辨率信息，包括水体分布、植被覆盖等。利用多光谱影像数据，构建高精度的河道形态三维模型。该模型能够准确反映河口水域的地形、植被分布等特征，利用构建的河道形态三维模型，建立河道潮汐动力模型，能够模拟咸潮事件期间水文和潮汐动力的复杂相互作用。利用河道潮汐动力模型进行多样性咸潮上溯模拟，考虑了不同的潮汐条件和水文要素，从而生成潮流强度的空间分布数据，这有助于揭示不同潮汐和水文条件下咸潮事件的动力学特征，提供详细的潮流信息。利用河道形态三维模型，进行咸潮岸线敏感区域划定，明确河口地区的敏感区域，即咸潮事件对地理空间的影响范围。建立咸潮事件在空间上的拓扑关系，形成咸潮空间拓扑数据，这种空间拓扑关系能够更全面地反映咸潮的传播和影响路径。时空咸潮网络结构数据考虑了咸潮事件的时变性，能够更精确地描述咸潮在空间上的传播和演变过程。根据实际的咸潮特征动态调整网络结构，提高模型的适应性和准确性。得到的优化咸潮网络结构数据可用于更准确地模拟和预测咸潮事件的时空演变。获取实时的咸潮数据，包括水位、盐度等关键信息。利用实时咸潮数据进行水密度梯度处理，河口水密度梯度数据能够反映当前水体的密度分布情况，揭示了水体中的密度变化。对河口水密度梯度数据进行咸潮动力模拟，在实时环境中模拟咸潮事件中的水文动力学过程。通过考虑咸潮的传播路径和网络结构特征，得到咸潮上溯强度数据，反映了咸潮事件的上溯程度和强度。因此，本发明的一种河口咸潮上溯强度评估方法通过构建咸情时空指标，考虑历史咸情数据中的潮汐特征以及水文气象特征，并进行潮汐-水文耦合分析，识别咸潮事件中的极端天气情况，从而捕捉咸潮上溯的动力机制和影响因素。通过构建的河道潮汐动力模型进行多样性咸潮上溯模拟，得到潮流强度空间分布数据，考虑潮流强度空间分布数据中的咸潮上溯强度的动态演变结构，从而生成优化咸潮网络结构数据，最终利用优化咸潮网络结构数据完成对实时咸潮上溯数据的上溯强度评估。

附图说明

图1为本发明一种河口咸潮上溯强度评估方法的步骤流程示意图。

图2为图1中步骤S4的详细实施步骤流程示意图；

图3为图1中步骤S5的详细实施步骤流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。

应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。

为实现上述目的，请参阅图1至图3，本发明提供一种河口咸潮上溯强度评估方法，包括以下步骤：

本发明实施例中，参考图1所述，为本发明一种河口咸潮上溯强度评估方法的步骤流程示意图，在本实施例中，所述的一种河口咸潮上溯强度评估方法包括以下步骤：

本发明实施例中，获取目标河口水道数据。对获取的数据进行预处理，包括去除异常值、纠正地理坐标、进行格式统一等操作，确保数据质量。利用水文测站等设备获取水位、流速等实测数据，也可借助历史数据进行初步潮汐模式预测。基于潮汐数据，采用数学模型或算法进行咸潮事件的时段识别，通常可通过水位超过阈值或其他潮汐特征参数判定。基于历史咸潮事件数据，对咸潮上溯日最大距离以及时序含氯度日超标数据进行计算和提取，从而构建咸情时空指标数据。利用历史咸潮事件数据，提取潮汐水文特征，如潮汐周期、潮汐振幅、潮汐相位等，使用小波分析方法对水文数据进行处理，提取潮汐信号。利用特征融合算法，将多个模态的特征融合成一个整体的咸情特征，得到咸情多模态特征数据。

本发明实施例中，对咸情水文特征数据进行时间窗口选择，确保数据平稳。在时间窗口内进行零填充，增加离散傅里叶变换（DFT）精度。进行DFT，得到综合水文气象频谱数据。设定阈值，筛选主要频率成分。通过寻找大于阈值的频率峰值提取主要频率成分。计算主要频率成分的周期性指标和频谱能量集中度。将周期性指标与阈值比较，超过阈值则为周期性。在周期性数据中，若周期性质为潮汐周期性，则标记为水文潮汐特征数据。确定用于子周期耦合模式识别的时间窗口大小，确保包含足够潮汐和水文特征数据。对齐潮汐和水文潮汐特征数据。利用频域分析方法，找到共振频率。在时域上分析相位关系，找到子周期的耦合模式。从周期性指标数据中筛选非潮汐周期性数据。对非潮汐周期性数据进行时滞分析，计算时滞。预设时滞阈值，判断时滞是否显著。对超过阈值的时滞关系记录为极端天气事件，并标记为极端天气事件数据。提取极端天气事件前后的水文指标数据，计算水文差异响应。从潮汐-水文差异耦合数据和潮汐-水文耦合数据中选择特征进行聚类分析。利用聚类算法进行计算，形成咸潮时空聚类结果。

本发明实施例中，确定河口水道区域，计划多光谱遥感设备的数据采集，考虑时间和天气条件。通过多光谱遥感设备采集目标区域数据，获得多光谱影像。对影像进行噪声去除、辐射定标，确保准确性。选定地面控制点，进行几何校正，使影像与地理坐标对齐。利用校正的影像计算地形指数，提取水域、陆地等地形轮廓信息。通过点云建模还原河口地形的三维形态，与校正的多光谱影像融合以增加表面细节。基于Navier-Stokes方程等流体动力学原理建立潮汐动力学数学模型，设定模型参数。使用数值求解方法进行模拟，优化潮汐动力模型，确保与实测潮汐数据匹配。设定多样性咸潮上溯模拟参数，如潮汐周期、模拟时间范围等。多次运行河道潮汐动力模型，模拟不同潮汐场景。利用GIS软件分析模拟数据，提取潮流强度分布信息，生成潮流强度空间分布数据，通过地图等方式进行可视化呈现。

本发明实施例中，加载三维形态模型数据至GIS，设定高程阈值提取河道岸线。使用卫星影像或调查数据标识河岸周围湿地生态系统，确定湿地生态敏感区。分析潮汐的涌浪和周期性，考虑潮汐对河岸的高潮和低潮影响，确定潮汐敏感区域。利用敏感区域数据在GIS中划分潮汐节点，关联监测站点确保位于潮汐节点的敏感区域内。通过咸潮水文耦合数据获取节点的空间关联信息，建立咸潮节点之间的空间拓扑关系。将时空尺度数据划分为时段和空间单元，计算潮流强度的统计特征。形成时空尺度数据，包括每小时每空间单元的平均潮流强度。将空间单元定义为节点，考虑相邻时刻的潮流强度相似性，建立动态网络结构。整合时空咸潮网络结构数据和咸情时空指标数据，计算咸潮强度及上溯强度。在网络中调整节点和边，以适应咸潮上溯强度变化，实现结构自适应优化。根据网络属性调整节点和边，以提高咸情传播效率。通过调整网络结构，优化网络的咸潮上溯强度传播。

本发明实施例中，在每监测站点安装实时水道咸潮采集设备，包括含氯度和水文传感器，设定15分钟采集一次实时数据。传感器实时测量含氯度，同时获取河口水文数据，将数据传输至数据中心。进行验证和质控，确保数据准确性。计算实时咸情时空指标，例如过去一小时内的平均含氯度和标准差。获取实时河口水文数据，设定参数计算水密度场分布及梯度。进行咸潮入侵角计算，得到实时咸潮入侵角数据。设定潮汐动力模型参数，使用实时咸潮入侵角模拟潮汐对水域的影响。将实时咸情时空指标数据与模拟潮汐通量数据匹配，确保对应。利用优化咸潮网络结构数据计算咸潮上溯强度，结合实时咸情数据和潮汐模拟结果。对网络进行自适应优化，调整节点和边以适应咸潮上溯强度的变化。在网络中根据节点属性调整连接性，提高传播效率。通过调整网络结构，优化咸潮上溯强度传播，实现结构自适应优化。

优选地，步骤S1包括以下步骤：

步骤S11：获取目标河口水道数据；根据目标河口水道数据进行多站点咸情数据获取，生成历史水道站点咸情监测数据；

步骤S12：对历史水道站点咸情监测数据进行数据清洗，并进行时间步长分析，从而得到时序水道咸情监测数据；

步骤S13：获取监测站点方位数据；通过监测站点方位数据对时序水道咸情监测数据进行站点区域数据划分，从而得到时空水道咸情监测数据；

步骤S14：根据时空水道咸情监测数据进行咸潮事件时段识别，得到历史咸潮事件数据；

步骤S15：对历史咸潮事件数据进行克里金插值处理，生成优化历史咸潮事件数据，其中优化历史咸潮事件数据包括咸潮事件监测数据以及咸潮水文气象数据，咸潮水文气象数据包括水道水文数据以及咸潮事件气象数据；

步骤S16：根据咸潮事件监测数据进行咸情时空指标构建，生成咸情时空指标数据；

步骤S17：根据咸潮事件监测数据进行咸情潮汐特征提取，得到咸情潮汐特征数据；

步骤S18：对咸潮水文气象数据进行水文气象特征提取，得到咸情水文特征数据；

步骤S19：根据咸情水文特征数据、咸情潮汐特征数据以及咸情时空指标数据进行多模态特征融合，生成咸情多模态特征数据。

本发明实施例中，从水文测站数据库、水文观测站点或相关机构获取目标河口水道的水位、流速、盐度等水文数据。清理水文数据中的异常值、缺失值和错误值，确保数据质量。将历史水道站点咸情监测数据按照时间进行分析，确定合适的时间步长，例如，每小时、每日或每月，以建立时序数据。获取监测站点的经纬度坐标信息。将水道分成不同的区域，可以根据地理位置或水文特征进行划分，通过监测站点的经纬度坐标，将时序水道咸情监测数据分配到相应的区域。例如，将河口的水道划分为上游、中游和下游三个区域，利用监测站点的经纬度将相应区域的水文数据进行划分。将划分后的水文数据与站点方位数据整合，建立时空水道咸情监测数据集。将水文和气象数据进行网格化，将整个研究区域划分为小网格，使用克里金插值方法，基于已有监测点数据估算未知点的水文和气象数值。将咸潮上溯日最大距离以及时序含氯度日超标数据定义为咸情时空指标，利用咸潮事件监测数据，按照定义的指标和时空尺度，计算每个监测站点或网格点的咸情时空指标。利用咸潮事件监测数据计算每个监测站点或网格点的咸情潮汐特征。确定水文气象的特征，如水温、风速、降雨量等，利用咸潮水文气象数据计算每个监测站点或网格点的水文气象特征。将咸情水文特征数据、咸情潮汐特征数据和咸情时空指标数据整合为一个数据集，采用特定权重对各个模态的特征进行加权平均，生成咸情多模态特征数据。

优选地，步骤S16包括以下步骤：

步骤S161：对咸潮事件监测数据进行监测点日含氯度分析，生成咸潮氯值梯度数据；

步骤S162：通过咸潮氯值梯度数据对预设的国标含氯度限值进行峰值含氯度差值计算，生成含氯度差值数据；当含氯度差值数据首次出现负值时，将该监测站点与河口口门地理距离标记为咸潮上溯日最大距离；根据咸潮上溯日最大距离进行咸情空间指标构建，生成咸情空间指标数据；

步骤S163：对含氯度差值数据进行时序含氯度超标处理，生成时序含氯度日超标数据；根据时序含氯度日超标数据进行咸情时间指标构建，生成咸情时间指标数据；

步骤S164：将咸情空间指标数据以及咸情时间指标数据进行归一化处理，并通过预设的指标融合权重数据进行咸情指标融合处理，从而得到咸情时空指标数据。

本发明实施例中，确定需要进行日含氯度分析的监测点，通常选择河口水域内的关键监测站点。从咸潮事件监测数据中提取所选监测点的含氯度数据，按照每日的时间间隔进行划分。对每个监测点的日含氯度数据进行梯度计算，得到含氯度随时间变化的梯度。将各监测点的梯度数据整合，形成咸潮氯值梯度数据。根据国家标准的含氯度限值（250mg/L），对每个监测点的咸潮氯值梯度数据，计算每日的峰值含氯度与国标限值的差值。检查含氯度差值数据，当某监测站点的差值首次出现负值时，标记该监测站点。将该负值首次出现的日期作为咸潮上溯日，同时记录该监测站点与河口口门的地理距离。利用标记的咸潮上溯日，计算每个监测站点与河口口门的地理距离，得到咸潮上溯日最大距离。根据咸潮上溯日最大距离，构建咸情空间指标数据，可以包括站点距离河口的距离、水域覆盖率等。对含氯度差值数据进行分析，标记每个监测站点每日是否超标，即超过设定的含氯度阈值，然后分别计算各个站点每日超过250mg/L的时间，然后累加为所有站点日超标时间，得到时序含氯度日超标数据。对咸情空间指标数据和咸情时间指标数据进行归一化处理，使得它们具有相同的尺度范围。利用设定的权重，对归一化后的咸情空间指标数据和咸情时间指标数据进行加权融合，得到综合的咸情时空指标数据。例如，设定空间指标权重为0.6，时间指标权重为0.4，计算综合的咸情时空指标数据。

优选地，步骤S17包括以下步骤：

步骤S171：对咸潮事件监测数据进行频域信号处理，从而得到咸情潮汐信号数据；

步骤S172：将咸情潮汐信号数据进行小波分解处理，生成咸潮小波信号数据；

步骤S173：通过预设的小波系数软阈值规则对咸潮小波信号数据进行信号噪声过滤处理，生成去噪咸潮小波信号数据；

步骤S174：对去噪咸潮小波信号数据进行重构信号处理，并进行初始信号拟合评估，得到重构效果评估数据；当重构效果评估数据低于预设的失真评估阈值时，返回步骤S173再次信号噪声过滤处理，直至重构效果评估数据高于或等于失真评估阈值时，将去噪咸潮小波信号数据标记为合格咸潮小波信号数据；

步骤S175：根据合格咸潮小波信号数据进行功率谱密度估计，生成功率谱密度估计数据；

步骤S176：根据功率谱密度估计数据进行频率成分提取，分别得到咸潮主频成分数据以及咸潮次频成分数据；

步骤S177：对咸潮主频成分数据进行潮汐周期识别，生成潮汐周期数据；对咸潮次频成分数据进行潮汐次频构成处理，生成潮汐频率成分数据；

步骤S178：根据潮汐频率成分数据进行幅度谱计算，生成潮汐幅度特征数据；根据潮汐频率成分数据进行相位谱计算，生成潮汐相位特征数据；

步骤S179：通过潮汐周期数据对潮汐幅度特征数据以及潮汐相位特征数据进行潮汐时频分析，生成咸情潮汐特征数据。

本发明实施例中，将咸潮事件监测数据整理成时间序列，确保数据点等间隔。应用小波变换方式将时域的监测数据转换为频域的频谱数据，截取主频附近的频谱信息，以得到咸情潮汐信号的频谱数据。选择合适的小波基函数，通常选择与咸情潮汐信号特性相适应的小波基函数，如Morlet小波。对咸情潮汐信号数据应用小波变换，将信号分解成不同尺度的小波成分。从小波分解结果中提取各层小波系数，得到咸潮小波信号的不同频率分量，将提取的小波系数整合，形成咸潮小波信号数据。将设定小波系数的软阈值规则为固定阈值，将小于设定阈值的小波系数置零，重构咸潮小波信号数据，得到去噪后的咸潮小波信号数据。应用小波逆变换对去噪后的咸潮小波信号数据进行重构，计算拟合评估指标（例如RMSE），比较评估数据与设定的失真评估阈值，如果不满足条件，则返回步骤S173进行再次信号噪声过滤处理，直至满足要求为止。对合格的咸潮小波信号数据应用Welch方法进行功率谱密度估计，选择适当的时间窗口大小，得到相应的功率谱密度估计数据。对功率谱密度估计数据进行分析，提取主频成分和次频成分，得到咸潮主频成分数据和咸潮次频成分数据。例如，寻找功率谱密度最大值对应的频率作为主频成分，次大的功率谱密度峰值对应的频率作为次频成分。在咸潮主频成分数据中找到峰值，通常表现为功率谱密度最大值对应的频率。将主频峰值的倒数作为潮汐周期，即潮汐的主要重复周期。在咸潮次频成分数据中找到次大的功率谱密度峰值对应的频率，将识别的次频成分与主频成分组合，形成潮汐频率成分数据。对潮汐频率成分数据应用FFT计算幅度谱，得到潮汐的幅度随频率变化的特征。同时，应用FFT计算相位谱，得到潮汐的相位随频率变化的特征。选择小波变换时频分析方式，通过潮汐周期数据对潮汐幅度特征数据以及潮汐相位特征数据进行时频分析，得到描述潮汐变化规律的咸情潮汐特征数据。

优选地，步骤S18包括以下步骤：

步骤S181：对水道水文数据进行水文特征提取，生成水文特征数据，其中水文特征数据包括水道流量特征数据以及水道水位特征数据；

步骤S182：对咸潮事件气象数据进行气象特征提取，生成气象特征数据，其中气象特征数据包括风向风速特征数据、降雨特征数据以及极端气候特征数据；

步骤S183：将水文特征数据以及气象特征数据进行时空分布分析，生成时空水文气象差异数据；

步骤S184：根据时空水文气象差异数据进行非线性分析，生成特征相关性数据；

步骤S185：通过特征相关性数据对水文特征数据以及气象特征数据进行特征融合处理，得到咸情水文特征数据。

本发明实施例中，确定需要提取的水道流量特征，即平均流量、最大流量、最小流量、平均水位、最高水位、最低水位等。对河口水文数据进行处理，提取平均流量、最大流量、最小流量等流量特征数据，同时提取平均水位、最高水位、最低水位等水位特征数据。对咸潮事件气象数据进行处理，提取平均风速、最大风速、总降雨量等风向风速特征、降雨特征，同时统计极端气候事件的发生次数、持续时间等。利用GIS工具，将河口水文特征数据和咸潮事件气象特征数据进行时空分布分析，将其在时空维度上进行分布分析，得到时空分布图或统计结果，计算水文特征和气象特征在时空上的差异，得到时空水文气象差异数据，反映在不同时间和地点水文气象特征的变化。使用深度学习框架（如TensorFlow或PyTorch）建立MLP神经网络模型，使用时空水文气象差异数据训练模型，并通过中间层的激活值计算特征相关性。最终，通过均方根误差等指标评估模型性能，得到时空水文气象差异数据的非线性特征相关性数据。利用特征相关性数据，计算水文特征和气象特征在融合中的权重，通过加权平均的方式进行特征融合处理，得到咸情水文特征数据。

优选地，步骤S2包括以下步骤：

步骤S21：根据咸情水文特征数据进行傅里叶变换处理，生成综合水文气象频谱数据；

步骤S22：根据综合水文气象频谱数据进行周期性指标计算，生成周期性指标数据；

步骤S23：通过预设的周期性指标阈值对周期性指标数据进行周期性质检测，生成水文气象周期性质数据；当水文气象周期性质数据为潮汐周期性质时，将周期性指标数据标记为水文潮汐特征数据；

步骤S24：通过咸情潮汐特征数据对水文潮汐特征数据进行子周期耦合模式识别，生成潮汐-水文耦合数据；

步骤S25：当水文气象周期性质数据为非潮汐周期性质时，对周期性指标数据进行时滞分析，生成潮汐-水文时滞关系数据；

步骤S26：对潮汐-水文时滞关系数据进行极端天气事件标识，生成极端天气事件数据；

步骤S27：根据极端天气事件数据进行水文差异响应处理，得到潮汐-水文差异耦合数据；

步骤S28：对潮汐-水文差异耦合数据以及潮汐-水文耦合数据进行咸潮时空聚类分析，生成咸潮水文耦合数据。

本发明实施例中，对咸情水文特征数据进行时间窗口的选择，确保数据较为平稳。在时间窗口内对数据进行零填充，以增加离散傅里叶变换（DFT）的精度。对零填充后的时间窗口内的咸情水文特征数据进行离散傅里叶变换，得到综合水文气象频谱数据。定义阈值，筛选综合水文气象频谱数据中的主要频率成分。通过在频谱数据中寻找大于阈值的频率峰值，提取主要频率成分。根据主要频率成分计算对应的周期，即周期性指标以及频谱能量集中度，得到综合的周期性指标数据。将计算得到的周期性指标数据与预设的周期性指标阈值进行比较。若周期性指标超过阈值，则判定为具有周期性，反之则判定为非周期性。在周期性质数据中，若周期性质为潮汐周期性，则将对应的周期性指标数据标记为水文潮汐特征数据。确定用于子周期耦合模式识别的时间窗口大小，确保包含足够的咸情潮汐特征数据和水文潮汐特征数据。将咸情潮汐特征数据与水文潮汐特征数据进行时间对齐，以确保二者在同一时间窗口内。利用傅里叶变换或小波变换等频域分析方法，对咸情潮汐特征数据和水文潮汐特征数据进行分析，找到频域上的共振频率。在时域上分析咸情潮汐特征数据和水文潮汐特征数据的相位关系，找到子周期的耦合模式。从周期性指标数据中筛选出水文气象周期性质为非潮汐的数据。对所选的非潮汐周期性数据进行时滞分析，计算不同水文指标与对应的周期性指标之间的时滞，预设时滞阈值，用于判断时滞是否显著。将潮汐-水文时滞关系数据中的时滞与预设的时滞阈值进行比较，判断是否超过阈值。对于超过时滞阈值的时滞关系，记录为极端天气事件，并将相应的潮汐-水文时滞关系数据标记为极端天气事件数据。对极端天气事件发生时的水文指标数据进行提取，得到水文差异响应数据。计算水文指标在极端天气事件前后的差异，即得到水文差异响应。从潮汐-水文差异耦合数据和潮汐-水文耦合数据中选择适当的特征进行聚类分析。利用选择的聚类算法对数据进行聚类计算，形成咸潮时空聚类结果。

优选地，步骤S3包括以下步骤：

步骤S31：利用多光谱遥感设备对目标河口水道数据进行河口影像采集，从而得到河口多光谱影像数据；

步骤S32：对河口多光谱影像数据进行影像预处理，并进行地理坐标校正处理，生成河口校正影像数据；

步骤S33：根据河口校正影像数据进行地形特征提取，生成河口地形特征数据；

步骤S34：对河口地形特征数据进行点云建模处理，并进行纹理映射，从而得到河道形态三维模型；

步骤S35：通过流体力学原理对河道形态三维模型进行潮汐动力数学建模，并进行数值模拟参数设定，生成初始潮汐动力模型；

步骤S36：利用预设的标准实测潮汐数据对初始潮汐动力模型进行模型验证，生成河道潮汐动力模型；

步骤S37：通过河道潮汐动力模型对咸潮水文耦合数据进行多样性咸潮上溯模拟，生成咸潮动力模拟数据；

步骤S38：根据咸潮动力模拟数据进行潮流强度分布提取，生成潮流强度空间分布数据。

本发明实施例中，确定目标河口水道区域，制定影像采集计划，考虑采集时间、天气条件等因素。操作多光谱遥感设备，对目标河口水道区域进行数据采集，获取多光谱影像数据。对多光谱影像数据进行噪声去除，采用滤波器等方法。进行辐射定标，将原始影像转换为辐射亮度值。选择河口影像上的地面控制点和地理信息系统(GIS)数据进行匹配。利用选定的控制点进行影像的几何校正，将影像与地理坐标系统对齐。利用河口校正影像数据，计算地形指数，如植被指数、水体指数等。根据影像数据，提取河口水道的地形轮廓信息，包括水域、陆地等。用点云处理软件，对数据进行点云建模，以还原河口地形的三维形态，将校正的多光谱影像与点云模型进行融合，以增加模型表面的细节。利用Navier-Stokes方程等流体动力学原理，建立潮汐动力学数学模型，设定潮汐动力学模型的相关参数，如底摩擦系数、潮汐周期等。利用数值求解方法（如有限元法、有限差分法等），对潮汐动力学模型进行数值模拟，得到初始潮汐动力模型。将预设的标准实测潮汐数据与初始潮汐动力模型模拟的结果进行对比分析，不断优化潮汐动力模型，最终生成与实际潮汐数据相匹配的河道潮汐动力模型。根据实际情况和模型要求，设定多样性咸潮上溯模拟的相关参数，如潮汐周期、模拟时间范围等。利用河道潮汐动力模型，进行多次模拟运行，每次采用不同的潮汐参数组合，以模拟不同的咸潮场景。利用GIS软件，对咸潮动力模拟数据进行分析，提取潮流强度分布信息，生成潮流强度空间分布数据，并通过地图等方式进行可视化呈现。

优选地，步骤S4包括以下步骤：

步骤S41：根据河道形态三维模型进行咸潮岸线敏感区域划定，生成咸潮敏感区域数据；

步骤S42：根据咸潮敏感区域数据以及监测站点方位数据进行咸潮节点定义，生成咸潮节点数据；通过咸潮水文耦合数据对咸潮节点数据进行空间关联边设定，从而得到咸潮空间拓扑数据；

步骤S43：根据潮流强度空间分布数据进行时空尺度划分，生成咸潮时空尺度数据；

步骤S44：通过咸潮时空尺度数据对咸潮空间拓扑数据进行动态网络构建，生成时空咸潮网络结构数据；

步骤S45：利用咸情时空指标数据对时空咸潮网络结构数据进行咸潮强度拓扑计算，生成咸潮上溯强度数据；

步骤S46：通过咸潮上溯强度数据对时空咸潮网络结构数据进行结构自适应优化，得到优化咸潮网络结构数据。

本发明根据河道形态三维模型进行咸潮岸线敏感区域划定，通过河道形态三维模型，可以识别潮汐作用下容易受到影响的岸线敏感区域，从而识别潮汐对岸线形态的影响。根据咸潮敏感区域数据以及监测站点方位数据进行咸潮节点定义，通过定义咸潮节点，能够精确地标识监测站点与咸潮敏感区域的空间关系，建立了监测站点与咸潮敏感区域之间的关联关系。根据潮流强度空间分布数据进行时空尺度划分，时空尺度划分考虑了潮流强度在不同时间和空间尺度上的变化，有助于揭示潮汐在时间和空间上的演变规律，更全面地理解咸潮事件的时空特征，为水文响应分析提供了多尺度的视角。通过咸潮时空尺度数据对咸潮空间拓扑数据进行动态网络构建，建立了咸潮事件的时空网络结构，揭示了不同节点之间的动态关系。通过动态网络构建，可以更全面地理解咸潮在时空上的演变过程，有助于识别潮汐事件的传播路径和影响范围。利用咸情时空指标数据对时空咸潮网络结构数据进行咸潮强度拓扑计算，可以量化咸潮事件在网络中的影响程度。生成的咸潮上溯强度数据有助于识别潮汐事件的核心节点和咸潮扩散的路径，为风险评估提供了定量指标。通过咸潮上溯强度数据对时空咸潮网络结构数据进行结构自适应优化，使其更符合实际咸潮事件的传播规律。得到的优化咸潮网络结构数据有助于提高模型的真实性和预测精度，更准确地模拟潮汐事件的传播过程。

作为本发明的一个实例，参考图2所示，为图1中步骤S4的详细实施步骤流程示意图，在本实例中所述步骤S4包括：

本发明实施例中，利用GIS软件加载三维形态模型数据，设置高程阈值，提取河道的岸线。例如，设定高程在海平面以下的区域作为河道，超过一定高程的区域被认定为岸线。使用卫星影像或生态调查数据，标识河岸周围的湿地生态系统。在岸线附近确定湿地等生态敏感区域，利用水动力学模型分析潮汐的涌浪和周期性。考虑潮汐的高潮和低潮对河岸的影响。根据水动力学模型结果，确定潮汐敏感区域，例如河口附近的潮汐涌浪影响较大的地区。

本发明实施例中，利用咸潮敏感区域数据，在地理信息系统中对区域进行划分，每个区域即为一个潮汐节点的潮汐敏感区域。将监测站点与潮汐节点进行关联，确保每个监测站点位于某个潮汐节点的敏感区域内。利用咸潮水文耦合数据，获取各节点之间的空间关联信息。为每条关联边定义属性，包括水文耦合强度、潮汐时滞等信息。利用节点和边的信息，建立咸潮节点之间的空间拓扑关系。例如，根据咸潮水文耦合数据，得知节点A与节点B之间存在水文耦合关系，设定一条关联边，边的属性包括水文耦合强度为中等，潮汐时滞为30分钟。

本发明实施例中，将观测时间段划分为若干时段，例如每小时、每日或每月一个时段。对于每个时段，计算潮流强度的统计特征，如平均值、最大值、方差等。将观测区域划分为网格或区块，形成空间单元。对每个空间单元，计算潮流强度的统计特征，如平均值、最大值、方差等。对于每个时段和空间单元，整合潮流强度的统计特征，形成时空尺度数据。最终得到时空尺度数据，包括每小时每个空间单元的平均潮流强度、最大潮流强度等信息。

本发明实施例中，每个空间单元（网格或区块）在每个时间尺度上都被定义为一个节点。对于相邻时刻的同一空间单元，存在边连接。边的权重表示相邻时刻的潮流强度相似性，可以使用相关系数或其他相似性度量。遍历时空尺度数据，为每个空间单元在每个时刻创建一个节点。对于每个空间单元，连接相邻时刻的节点，构建动态边。计算相邻时刻潮流强度的相似性，赋予边权重。整合所有节点和边的信息，形成时空咸潮网络结构数据，结构数据包括节点的时空属性和边的权重信息。

本发明实施例中，将咸情时空指标数据整合到时空咸潮网络结构数据中，每个节点包含对应的咸情时空指标。对于每个节点，使用咸情时空指标数据计算咸潮强度，咸潮强度=咸情时空指标值×网络边的权重。遍历所有节点，计算每个节点的咸潮上溯强度。对于每个节点，将其上游节点的咸潮强度加权累加，得到上溯强度，反映了咸情在网络中的传播强度。

本发明实施例中，在时空咸潮网络结构数据中，每个节点和边的属性中增加对应的咸潮上溯强度数据。例如，节点属性中可以包含咸潮上溯强度值。对网络中的节点和边进行调整，以适应咸潮上溯强度的变化。例如，对于咸潮上溯强度较大的节点A，增加其与周围节点的连接性，以便更好地传播咸情。对于咸潮上溯强度较小的节点B，减少其连接性，降低其在网络中的影响力。根据咸潮上溯强度，调整网络边的权重。例如，对于连接节点A和节点C的边，如果咸潮上溯强度较大，可以增加其权重，使其在咸情传播中更具影响力。对于连接节点B和节点D的边，如果咸潮上溯强度较小，可以减小其权重，降低其在咸情传播中的影响力。在保持网络连通性的前提下，进行节点和边的调整，以达到咸潮上溯强度的自适应优化。

优选地，步骤S5包括以下步骤：

步骤S51：根据监测站点方位数据进行实时水道咸潮数据采集，生成实时咸潮数据，其中实时咸潮数据包括实时监测点含氯度数据以及实时河口水文数据；

步骤S52：根据实时监测点含氯度数据进行实时咸情时空指标构建，生成实时咸情时空指标数据；

步骤S53：根据实时河口水文数据进行河口水密度场计算，生成河口水密度场数据；对河口水密度场数据进行密度梯度差分处理，生成河口水密度梯度数据；

步骤S54：通过河口水密度场数据对河口水密度梯度数据进行咸潮入侵角计算，从而得到实时咸潮入侵角数据；

步骤S55：利用河道潮汐动力模型对实时咸潮入侵角数据进行咸潮动力模拟，生成咸潮通量模拟数据；

步骤S56：基于优化咸潮网络结构数据通过咸潮通量模拟数据对实时咸情时空指标数据进行咸潮上溯强度评估，生成咸潮上溯强度数据。

本发明根据监测站点方位数据进行实时水道咸潮数据采集，实时水道咸潮数据采集通过监测站点方位数据实时获取水文和气象信息，实时监测点含氯度数据反映了水体的咸度状况，而实时河口水文数据提供了河口水体的实时动态信息。根据实时监测点含氯度数据进行实时咸情时空指标构建，实时咸情时空指标数据通过对实时监测点含氯度数据进行分析和计算，反映了咸潮事件的时空分布特征。根据实时河口水文数据进行河口水密度场计算，实时河口水密度场数据通过计算水密度场，可以揭示水体的密度分布情况。密度梯度数据则提供了密度的变化率信息，有助于理解水体的垂向运动特征，深入分析咸潮事件的水动力学特征。通过河口水密度场数据对河口水密度梯度数据进行咸潮入侵角计算，实时咸潮入侵角数据揭示了咸潮水体入侵的方向和程度，有助于理解咸潮事件的空间分布特征。通过计算入侵角，可以评估咸潮水体在河口水域的传播方向。利用河道潮汐动力模型对实时咸潮入侵角数据进行咸潮动力模拟，咸潮动力模拟基于实时入侵角数据，模拟咸潮在河口水域中的运动和传播过程。生成的咸潮通量模拟数据可用于量化咸潮的通量变化。基于优化咸潮网络结构数据通过咸潮通量模拟数据对实时咸情时空指标数据进行咸潮上溯强度评估，反映了咸潮事件在咸潮网络中的传播强度，有助于识别影响最大的传播路径。通过评估咸潮上溯强度，可以更准确地了解咸潮在网络中的传播规律，为实时决策和应急响应提供关键信息支持。

作为本发明的一个实例，参考图3所示，为图1中步骤S5的详细实施步骤流程示意图，在本实例中所述步骤S5包括：

本发明实施例中，在每个监测站点的位置上安装实时水道咸潮数据采集设备。设备可以包括含氯度传感器和水文传感器，用于实时监测水道的含氯度和水文数据。设定实时数据采集的时间间隔，例如每15分钟采集一次数据。启动实时水道咸潮数据采集设备，开始对水道的含氯度和水文数据进行实时监测。通过传感器实时测量水道的含氯度，记录监测点的实时含氯度数据。同时，获取实时的河口水文数据，包括流量、水位等信息。将实时监测点含氯度数据和实时河口水文数据通过无线通信或有线网络传输到数据中心或云平台。对采集到的实时数据进行验证和质控，确保数据的准确性和可靠性。

本发明实施例中，对每个监测点的实时含氯度数据，根据设定的时间窗口和空间范围，在时空上进行统计计算，可以参考步骤S16。将计算得到的时空指标数据整合，生成实时咸情时空指标数据集。例如，监测站点A、B、C在过去一小时内每15分钟记录一次含氯度数据。以15分钟为一个时间窗口，空间范围涵盖了所有监测站点。计算每个监测点在过去一小时内的平均含氯度和标准差。

本发明实施例中，获取实时河口水文数据，包括水温、盐度等。设定水密度场计算的参数，确定计算时盐度初始值。根据所选的状态方程，使用实时水温和盐度数据计算每个位置的水密度。在河口区域内进行时空插值，以获取整个河口水域的水密度场分布。对水密度场进行密度梯度差分处理，计算河口水域内每个位置的水密度梯度。密度梯度的计算可以采用中心差分、前向差分或后向差分等方式。例如，有三个监测站点A、B、C，每个站点每小时记录一次水温和盐度数据。使用水密度计算方式计算河道水密度，然后在整个河口水域内插值生成水密度场。对水密度场进行密度梯度差分处理，得到水密度梯度场。

本发明实施例中，例如，有一个河口水域，分为两个区域：上游和下游。对于每个区域，有不同的水密度场和水密度梯度数据，利用咸潮入侵角算法对一个特定时刻为例进行计算，对每个时空点，对每个时空点进行梯度计算，得到梯度向量，选择河道方向作为参考线吗，计算咸潮入侵角，得到咸潮入侵角数据。

本发明实施例中，针对潮汐动力模型，设定模拟所需的输入参数，如潮汐周期、潮程、水位等。将实时咸潮入侵角数据作为模型输入之一。对每个时刻，根据实时咸潮入侵角数据和模型输入参数进行模拟，模型会计算潮汐对水域的影响，包括流速、流向等动力学参数。

本发明实施例中，将实时咸情时空指标数据与咸潮通量模拟数据进行匹配，确保两者在时空上对应。对每个监测点进行咸潮上溯强度评估，利用优化咸潮网络结构数据中的节点和边的权重信息，结合实时咸情时空指标和咸潮通量模拟数据，计算咸潮上溯强度。

优选地，步骤S54中咸潮入侵角算法公式如下所示：

；

式中，表示咸潮入侵角计算函数，/>表示为河口位置/>中/>时的水密度梯度值，/>表示为河口横坐标方位，/>表示为河口纵坐标方位，/>表示为咸潮监测时间值，/>表示为河口水密度变化的速率，/>表示为河口/>位置的初始时刻水密度值，表示为水密度变化调整因子，/>表示为数学偏微分符号，/>表示为河口位置/>中/>时的水密度场变化值。

本发明利用一种咸潮入侵角算法，该算法公式充分考虑了河口位置中/>时的水密度梯度值/>、河口横坐标方位/>、河口纵坐标方位/>、咸潮监测时间值/>、河口水密度变化的速率/>、河口/>位置的初始时刻水密度值/>、水密度变化调整因子/>、河口位置/>中/>时的水密度场变化值/>以及函数之间的相互作用关系，以形成函数关系式：

即，，首先需要确定河口的位置和时间，即/>和/>，这两个参数是用来表示河口的空间和时间坐标的。一般来说，/>轴是沿着河流的流向，/>轴是垂直于河流的横向。不同的河口位置有不同的水密度分布和咸潮入侵情况。不同的时间点受到潮汐、径流、风力等因素的影响，导致咸潮入侵的变化。其次，需要计算河口位置/>中/>时的水密度梯度值，即/>，这个参数是用来表示水密度在空间上的变化率的。它是由水密度在/>方向和/>方向的偏导组成，水密度梯度值越大，说明河口水密度的空间变化越剧烈，咸潮入侵的性越高。水密度梯度值的方向也决定了咸潮入侵的方向，它是垂直于水密度等值线的方向。然后，需要计算河口位置/>中/>时的水密度场变化值，即/>，表示河口水密度场数据中河口位置/>在某一时刻/>受到一个微小的扰动/>而发生的变化量，反映了水密度场的动态特性，/>表示对咸潮监测时间值/>求导，而河口位置/>保持不变。/>表示河口位置/>中/>时的水密度场变化值/>对时间/>的变化率，即水密度场的时间导数，它反映了水密度场随时间的变化趋势。初始时刻水密度值/>是指在某个基准时间点的水密度，它是由河口的水文条件和气候条件决定的，一般来说，/>越大，说明水域越咸，咸潮入侵越容易发生。水密度变化速率/>是指水密度随着时间的变化而变化的快慢，它也是由河口的水文条件和气候条件决定的，一般来说，/>越大，说明水密度变化越快，咸潮入侵越容易发生。水密度场变化值越大，说明水密度变化越剧烈，咸潮入侵的可能性越高。水密度场变化值的符号也决定了咸潮入侵的方向，它是与水密度变化的方向一致的。由于水密度场变化值是一个微小的增量，所以需要引入一个水密度变化调整因子/>，它是一个很小的正数，用来表示水密度变化的微小增量。它的大小不影响咸潮入侵角的计算结果，只要它足够小，使得/>能够近似表示水密度的时间变化率。最后，需要计算河口位置/>中/>时的咸潮入侵角，即表，这个参数是用来表示咸水与淡水的夹角的。它是由水密度梯度值/>和水密度场变化值/>表共同决定的，咸潮入侵角的计算方法是先求出水密度梯度的单位向量和水密度场变化的单位向量，然后求出它们的夹角的反余弦值。水密度梯度的单位向量是水密度梯度值除以它的模长，即/>。水密度场变化的单位向量是水密度场变化值除以它的模长，即/>。咸潮入侵角的值越大，说明咸水与淡水的夹角越大，咸潮入侵的强度和范围越大。

本申请有益效果在于，获取目标河口水道数据，预处理获取的数据，包括异常值去除、坐标校正和格式统一。并进行咸潮事件时空分析。使用水文测站实测数据和历史数据进行潮汐模式预测。提取咸潮事件特征，计算上溯距离和时序含氯度日超标数据。通过小波分析和特征融合得到咸情多模态特征数据。对水文特征数据进行时间窗口选择，进行零填充和离散傅里叶变换（DFT），得到水文气象频谱数据。通过阈值筛选主要频率成分，提取潮汐周期性数据。在周期性数据中，进行子周期耦合模式识别，找到潮汐动力学特征。筛选非潮汐周期性数据进行时滞分析，判断时滞是否显著，记录为极端天气事件。从极端天气事件前后提取水文指标数据，计算水文差异响应。通过聚类分析形成咸潮时空聚类结果。确定河口水道区域，采集多光谱遥感数据，进行噪声去除、辐射定标和几何校正。建立三维形态模型，与多光谱影像融合。基于流体动力学原理建立潮汐动力学数学模型，通过数值求解与实测潮汐数据匹配。分析模拟数据，提取潮流强度分布信息，生成潮流强度空间分布数据。通过GIS标识湿地敏感区和潮汐敏感区域。建立咸潮节点之间的空间拓扑关系，形成动态网络结构。计算咸潮强度及上溯强度，实现结构自适应优化。在每监测站点安装实时水道咸潮采集设备，传感器测量含氯度和水文数据，确保数据准确性。计算实时咸情时空指标，获取实时河口水文数据，计算水密度场分布。模拟潮汐对水域的影响，结合实时咸情数据和潮汐模拟结果完成对实时咸潮上溯数据的上溯强度评估。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims

1.一种河口咸潮上溯强度评估方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的河口咸潮上溯强度评估方法，其特征在于，步骤S1包括以下步骤：

3.根据权利要求2所述的河口咸潮上溯强度评估方法，其特征在于，步骤S16包括以下步骤：

4.根据权利要求2所述的河口咸潮上溯强度评估方法，其特征在于，步骤S17包括以下步骤：

5.根据权利要求2所述的河口咸潮上溯强度评估方法，其特征在于，步骤S18包括以下步骤：

6.根据权利要求2所述的河口咸潮上溯强度评估方法，其特征在于，步骤S2包括以下步骤：

7.根据权利要求3所述的河口咸潮上溯强度评估方法，其特征在于，步骤S3包括以下步骤：

8.根据权利要求7所述的河口咸潮上溯强度评估方法，其特征在于，步骤S4包括以下步骤：

9.根据权利要求8所述的河口咸潮上溯强度评估方法，其特征在于，步骤S5包括以下步骤：

10.根据权利要求9所述的河口咸潮上溯强度评估方法，其特征在于，步骤S54中实时咸潮入侵角数据通过咸潮入侵角算法进行咸潮入侵角计算，咸潮入侵角算法公式如下所示：

；

式中，表示咸潮入侵角计算函数，/>表示为河口位置/>中/>时的水密度梯度值，/>表示为河口横坐标方位，/>表示为河口纵坐标方位，/>表示为咸潮监测时间值，表示为河口水密度变化的速率，/>表示为河口/>位置的初始时刻水密度值，/>表示为水密度变化调整因子，/>表示为数学偏微分符号，/>表示为河口位置/>中/>时的水密度场变化值。