CN117709603B - 一种河口咸潮预警等级划分方法 - Google Patents
一种河口咸潮预警等级划分方法 Download PDFInfo
- Publication number
- CN117709603B CN117709603B CN202410166994.8A CN202410166994A CN117709603B CN 117709603 B CN117709603 B CN 117709603B CN 202410166994 A CN202410166994 A CN 202410166994A CN 117709603 B CN117709603 B CN 117709603B
- Authority
- CN
- China
- Prior art keywords
- data
- tide
- salty
- salt
- early warning
- 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 66
- 150000003839 salts Chemical class 0.000 claims abstract description 352
- 238000011156 evaluation Methods 0.000 claims abstract description 207
- 238000012545 processing Methods 0.000 claims abstract description 108
- 238000012544 monitoring process Methods 0.000 claims abstract description 49
- 238000013058 risk prediction model Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 117
- 239000013598 vector Substances 0.000 claims description 70
- 230000006870 function Effects 0.000 claims description 31
- 238000010606 normalization Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 24
- 238000012795 verification Methods 0.000 claims description 24
- 238000010276 construction Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 17
- 230000009545 invasion Effects 0.000 claims description 17
- 238000007621 cluster analysis Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000001932 seasonal effect Effects 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 claims description 7
- 229910052801 chlorine Inorganic materials 0.000 claims description 7
- 239000000460 chlorine Substances 0.000 claims description 7
- 238000013450 outlier detection Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000009472 formulation Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000011282 treatment Methods 0.000 claims description 3
- 235000019643 salty taste Nutrition 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 24
- 238000009826 distribution Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 238000003064 k means clustering Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011328 necessary treatment Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及河口咸潮上溯领域,尤其涉及一种河口咸潮预警等级划分方法。所述方法包括以下步骤:获取历史咸情数据;对历史咸情数据进行标准化处理,生成标准历史咸情数据;根据标准历史咸情数据进行历史咸潮事件识别,生成咸潮模式数据;根据咸潮模式数据进行关键预警参数选取,得到关键预警参数;对关键预警参数进行综合评价处理以及影响程度匹配,生成咸潮影响程度值数据;基于咸潮影响程度值数据构建咸潮风险预测模型;将获取的河口实时监测数据传输至咸潮风险预测模型进行咸潮风险指数预测,并进行实时咸潮预警等级匹配,生成咸潮预警等级数据。本发明对历史咸情进行多尺度时空分析,通过关键预警指标实现实时咸潮的预警等级划分。
Description
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预警等级划分方法。
背景技术
在区域供水保障体系日趋完善的背景下,供水安全基本可得到保障。但鉴于极端天气事件导致咸潮加剧、用水需求增加,区域供水保障能力发展不均衡等因素,河口区枯水期供水安全依然受到严重威胁。目前干旱、洪水、风暴潮等自然灾害均有科学、明确的预警等级划分方法,而关于河口咸潮上溯相关方法却未见相关报道。现有技术不能对受咸潮影响区域发布咸潮预警等级,无法依据不同的咸潮预警等级采取不同措施应对咸潮上溯,从而保障供水安全。
发明内容
基于此,本发明提供一种河口咸潮预警等级划分方法,以解决至少一个上述技术问题。
为实现上述目的,一种河口咸潮预警等级划分方法,包括以下步骤:
步骤S1:获取历史咸情数据;对历史咸情数据进行标准化处理,生成标准历史咸情数据;根据标准历史咸情数据进行历史咸潮事件识别,生成历史咸潮事件数据;
步骤S2:根据历史咸潮事件数据进行多维特征构建,从而得到多维咸潮特征向量;对多维咸潮特征向量进行无监督聚类分析,生成咸潮模式数据;
步骤S3:根据咸潮模式数据进行关键预警参数选取,得到关键预警参数;根据关键预警参数进行指标重要性评价,从而得到重要性评价数据;通过重要性评价数据对关键预警参数进行判断矩阵构建,生成重要性判断矩阵;利用AHP模型对重要性判断矩阵进行综合评价处理,生成综合评价矩阵数据;
步骤S4:将综合评价矩阵数据进行评价值离散化处理,得到离散综合评价数据;对离散综合评价数据进行隶属度映射处理,生成隶属度矩阵数据;对隶属度矩阵数据进行矩阵归一化处理,并通过预设的咸潮影响程度规则进行影响程度匹配,生成咸潮影响程度值数据;
步骤S5:根据咸潮影响程度值数据进行风险指数处理,生成咸潮风险指数数据;利用咸潮风险指数数据对咸潮模式数据进行风险等级阈值划分,生成风险等级评判数据;基于长短期记忆网络模型构建咸潮风险预测模型;获取河口实时监测数据;将河口实时监测数据传输至咸潮风险预测模型进行咸潮风险指数预测,生成实时咸潮风险预测指数;通过风险等级评判数据对实时咸潮风险预测指数进行实时咸潮预警等级匹配,并根据终端设备发布咸潮预警等级,生成咸潮预警等级数据。
本发明通过获取历史咸情数据,可以建立一个全面而准确的基础数据集,涵盖各种环境和气象条件下的咸情变化。这有助于理解咸情的季节性、周期性和趋势性变化,对历史咸情数据进行标准化处理有助于消除数据中的噪声和不一致性,确保数据具有一致的度量单位和比例。通过使用标准历史咸情数据进行事件识别,可以准确地辨别出咸潮事件的发生时段和相关特征,这有助于深入了解咸潮事件的频率、时空分布和规律。根据历史咸潮事件数据进行多维特征构建有助于提取咸潮事件的各种特征和属性。这些特征可能包括潮汐数据、气象条件、地理信息等多个方面,从而形成一个多维咸潮特征向量。聚类分析有助于将相似特征的咸潮事件归为一类,从而揭示不同咸潮模式之间的相似性和差异性。这种无监督学习方式能够自动发现数据中的潜在模式。通过分析咸潮模式数据,选取关键预警参数有助于确定在咸潮事件预测和监测中最具影响力的因素。这能够提高预警系统的效能,使其更专注于最重要的变量,从而更准确地预测和响应咸潮事件。对选取的关键预警参数进行指标重要性评价,有助于理解每个预警参数对咸潮事件的贡献程度,从而排除次要因素,提高预警系统的精确性。构建关键预警参数的判断矩阵。这个矩阵反映了各个预警参数之间的相对重要性。AHP模型能够对不同预警参数的重要性进行层次化、综合性的比较和评估,最终生成一个综合评价矩阵,这个矩阵为各个预警参数的综合重要性提供了权衡。将连续的综合评价值转化为离散的状态。这样的处理有助于降低模型复杂度,将离散评价值映射到对应的隶属度,量化不同离散评价值的归属程度,隶属度映射能够帮助确定各个咸潮影响程度等级的隶属度,对隶属度矩阵数据进行归一化处理是为了确保各个隶属度值处于相同的尺度范围,使得它们可以直接进行比较。通过预设的咸潮影响程度规则进行影响程度匹配,系统能够将归一化后的隶属度值映射为具体的咸潮影响程度值。根据咸潮影响程度值数据进行风险指数计算,综合了多个关键因素对咸潮的影响,使得风险评估更为直观和具体。将连续的风险指数离散化为不同的风险等级。这可以根据预先设定的标准,为咸潮事件划分出不同的风险程度。LSTM模型通过对时间序列数据的处理,能够捕捉到咸潮事件的时序特征,提高了咸潮风险预测的精度和准确性。通过风险等级评判数据对实时咸潮风险预测指数进行实时咸潮预警等级匹配,有助于根据实际风险情况及时发布咸潮预警,这使得相关部门能够迅速采取必要的应对措施,从而降低咸潮事件的可能影响。本发明的一种河口咸潮预警等级划分方法通过历史咸情数据进行标准化处理,考虑数据中的水位特征并进行多尺度时空分析,及时捕捉到历史咸潮的快速变化和局部差异。将咸潮事件进行聚类分析,并对关键预警指标进行综合评价,从而得到咸潮影响程度值数据。利用机器学习模型对咸潮影响程度值数据进行特征学习,并对实时咸潮检测数据进行风险指标预测,从而实现咸潮预警等级智能划分。
优选地,步骤S1包括以下步骤:
步骤S11:获取历史咸情数据;
步骤S12:根据历史咸情数据进行数据平滑处理,生成平滑历史咸情数据;
步骤S13:对平滑历史咸情数据进行离群值检测,生成历史咸情异常数据;
步骤S14:对历史咸情异常数据进行线性插值处理,从而得到完整历史咸情数据;
步骤S15:根据完整历史咸情数据进行标准化处理,生成标准历史咸情数据;
其中,标准化处理公式如下所示:
;
式中,表示为标准化后数据,/>表示为原始数据,/>表示为原始数据的平均值,表示为原始数据的标准差;
步骤S16:根据标准历史咸情数据进行历史咸潮事件识别,生成历史咸潮事件数据。
本发明通过获取历史咸情数据,通过对历史咸情数据进行平滑处理,可以有效地消除数据中的噪声和突发波动,从而得到更加趋势稳定的平滑历史咸情数据。对平滑后的历史咸情数据进行离群值检测,能够识别和标记那些与正常趋势明显不符的异常数据点。这有助于系统更加精确地捕捉潜在的异常事件,如可能导致咸潮的特殊条件或突发事件。通过线性插值方法填补数据中的缺失部分。这有助于确保完整的历史咸情数据集,使得分析和建模时不会因为数据缺失而导致信息的缺失。对完整历史咸情数据进行处理,将其转化为标准分数或具有零均值和单位方差的形式,有助于消除不同测量尺度和单位的影响,使得数据具备可比性。使用标准历史咸情数据,通过一定的算法和模型,识别出数据中的咸潮事件。
优选地,步骤S16包括以下步骤:
步骤S161:根据标准历史咸情数据进行咸潮入侵空间图绘制,生成咸潮入侵空间图数据;对标准历史咸情数据进行水文参数选择,生成咸潮水文参数数据;
步骤S162:根据咸潮水文参数数据进行非线性变换处理,从而得到非线性水文数据;
步骤S163:对非线性水文数据进行相对值特征提取,生成水文相对值特征数据;
步骤S164:通过咸潮入侵空间图数据对水文相对值特征数据进行气泡图设计,得到水文气泡图数据;
步骤S165:根据水文气泡图数据进行多尺度时空分析,生成局部多尺度咸情数据;
步骤S166:根据局部多尺度咸情数据进行差分运算,并进行局部趋势线拟合处理,得到局部趋势线数据;
步骤S167:对局部趋势线数据进行拐点检测处理,生成关键事件拐点数据;根据关键事件拐点数据进行历史咸潮事件识别,生成历史咸潮事件数据。
本发明通过绘制咸潮入侵空间图,系统能够以空间维度展示历史咸情的分布情况,从而形成咸潮入侵的空间特征。这有助于识别潜在的咸潮发生区域。同时,在进行水文参数选择时,系统能够有针对性地选取与咸潮相关的水文参数,通过进行非线性变换处理,能够更好地捕捉水文参数之间的非线性关系,从而揭示咸潮发生的潜在规律。通过提取相对值特征,能够捕捉水文数据的相对变化,有助于识别出历史咸潮事件中的异常波动。这种特征提取能够有效减少绝对值的影响,使得水文相对值特征更为具有判别性。通过设计气泡图,能够直观地呈现水文相对值特征在咸潮入侵空间中的分布情况。通过多尺度时空分析,能够识别不同时空尺度下的水文气泡图数据变化,更全面地把握咸潮事件的时空特征,这有助于捕捉咸潮的不同规模和时段。通过进行局部多尺度的差分运算和趋势线拟合处理,能够更好地剔除咸潮数据的噪声,凸显咸潮事件的趋势变化。通过拐点检测处理,能够找出水文趋势变化中的关键拐点,即咸潮事件的转折点。可以准确识别历史咸潮事件的发生时刻,生成详实的历史咸潮事件数据。
优选地,步骤S165包括以下步骤:
步骤S1651:将水文气泡图数据进行动态时间序列标记,并进行滞后值特征引入,生成时序水文气泡图数据;
步骤S1652:根据时序水文气泡图数据进行空间聚类处理,生成时空聚类数据;
步骤S1653:根据时空聚类数据进行热点区域识别,生成密集咸潮区域数据;
步骤S1654:对时序水文气泡图数据进行咸潮周期季节性处理,得到咸潮周期季节数据;
步骤S1655:通过咸潮周期季节数据对密集咸潮区域数据进行交叉时空窗口处理,生成交叉时空窗口数据;
步骤S1656:通过交叉时空窗口数据对时序水文气泡图数据进行多尺度纵深分析,生成局部多尺度咸情数据。
本发明通过对水文气泡图数据进行动态时间序列标记,能够捕捉到时间序列的动态特性,从而更好地反映咸情事件的变化趋势。引入滞后值特征有助于考虑到先前时间点的信息。通过对时序水文气泡图数据进行空间聚类处理,能够识别出相邻或相似的空间区域,并将它们划分为簇,这有助于区分不同地理位置上的水文气泡图特征,形成时空聚类数据。通过对时空聚类数据进行热点区域识别,能够找出密集咸潮发生的区域,即热点区域。这有助于聚焦分析在特定地理区域内的咸潮事件。通过对时序水文气泡图数据进行咸潮周期季节性处理,能够提取出咸潮事件在时间上的周期性和季节性规律。通过使用咸潮周期季节数据对密集咸潮区域数据进行交叉时空窗口处理,能够突出特定时空范围内的咸潮周期季节变化特征。通过使用交叉时空窗口数据对时序水文气泡图数据进行多尺度纵深分析,能够深入挖掘不同尺度和深度上的咸情变化特征。
优选地,步骤S2包括以下步骤:
步骤S21:根据历史咸潮事件数据进行多维特征构建,从而得到多维咸潮特征向量;
步骤S22:根据多维咸潮特征向量构建自编码器模型,其中自编码器模型包括编码器以及解码器;
步骤S23:对多维咸潮特征向量进行随机划分处理,分别得到训练集以及验证集;
步骤S24:通过编码器对训练集进行模型训练,并通过验证集进行模型验证以及超参数调优处理,生成调优自编码器模型;
步骤S25:利用调优自编码器模型对多维咸潮特征向量进行降维特征向量学习,生成降维咸潮特征向量数据;
步骤S26:对降维咸潮特征向量数据无监督聚类分析,生成咸潮聚类数据;将咸潮聚类数据进行咸潮模式标记,从而得到咸潮模式数据。
本发明通过历史咸潮事件数据进行多维特征构建,系统能够捕捉到各种影响咸潮事件的关键特征。这些特征可能包括但不限于水文参数、地理信息、气象数据等。构建多维咸潮特征向量有助于全面而准确地表达历史咸潮事件的特征。通过使用多维咸潮特征向量构建自编码器模型。自编码器模型由编码器和解码器组成,其中编码器用于将输入数据映射到低维表示,解码器用于将低维表示还原为原始输入数据。自编码器的构建有助于学习数据的潜在表示,实现数据的降维和特征提取。对已构建的多维咸潮特征向量进行随机划分,分别得到训练集和验证集。这有助于在模型训练过程中使用独立的数据集进行验证,评估模型的性能并避免过拟合。通过使用训练集对编码器进行模型训练,并通过验证集进行模型验证以及超参数调优处理,系统能够生成调优后的自编码器模型。通过使用调优后的自编码器模型对多维咸潮特征向量进行降维,系统能够学习到数据的低维表示。这有助于减少数据的维度,保留主要特征,并加速后续的聚类分析。通过对降维咸潮特征向量数据进行无监督聚类分析,系统能够发现其中的内在模式。将咸潮聚类数据进行咸潮模式标记,有助于识别不同的咸潮模式。
优选地,步骤S3包括以下步骤:
步骤S31:根据咸潮模式数据进行关键预警参数选取,得到关键预警参数,其中关键预警参数包括咸潮上溯最大距离数据、咸潮超标时间数据、咸潮最大含氯度数据以及可保障供水天数数据;
步骤S32:将关键预警参数进行评价指标构建,生成预警评价指标数据;
步骤S33:根据预警评价指标数据进行评估调查问卷制定,生成调查问卷数据;
步骤S34:通过专家对调查问卷数据进行指标重要性评价,从而得到重要性评价数据;
步骤S35:通过重要性评价数据对关键预警参数进行判断矩阵构建,生成重要性判断矩阵;
步骤S36:利用AHP模型对重要性判断矩阵进行相对权重计算,并进行归一化处理,生成评价指标权重数据;
步骤S37:通过评价指标权重数据对关键预警参数进行矩阵点乘计算,生成综合评价矩阵数据。
本发明通过分析咸潮模式数据,系统可以识别出与咸潮事件相关的关键预警参数。这些参数的选择基于其对咸潮事件的影响程度,包括咸潮上溯最大距离、咸潮超标时间、咸潮最大含氯度以及可保障供水天数。将得到的关键预警参数转化为具体的评价指标,这有助于量化各个参数的影响程度。通过预警评价指标数据,制定相关的评估调查问卷。这些问卷可能包含对各个评价指标的权重、重要性和实际应用的问题。专家对调查问卷数据进行评价,给出各个评价指标的重要性权重。这有助于结合领域专业知识和实际应用经验,确定各个指标在咸潮事件中的实际影响程度。应用AHP模型,系统能够通过重要性判断矩阵计算得到各个关键预警参数的相对权重。这些权重是基于专家意见和问卷调查数据的综合结果。通过归一化处理,确保权重之和为1,将各个预警参数的具体数值与其相对权重相结合,得到了综合的评价结果。
优选地,步骤S4包括以下步骤:
步骤S41:通过预设的评价指标隶属度规则对综合评价矩阵数据进行模糊隶属度函数制定,生成指标隶属度函数;
步骤S42:将综合评价矩阵数据进行评价值离散化处理,从而得到离散综合评价数据;
步骤S43:利用指标隶属度函数对离散综合评价数据进行隶属度映射处理,生成隶属度矩阵数据;
步骤S44:对隶属度矩阵数据进行矩阵归一化处理,生成归一化隶属度矩阵;
步骤S45:根据归一化隶属度矩阵进行综合隶属度值计算,并通过预设的咸潮影响程度规则进行影响程度匹配,生成咸潮影响程度值数据。
本发明通过预设的评价指标隶属度规则,可以根据各个评价指标的重要性、权重等因素,制定合适的模糊隶属度函数,使得对于不同的评价指标值,能够得到相应的隶属度值。对综合评价矩阵中的数值进行离散化处理。采用某种分段方法,将连续的数值划分成离散的区间,从而得到相应的离散综合评价数据。这种处理方式有助于将连续的评价结果转化为离散的类别,更符合实际的应用场景。通过前面制定的指标隶属度函数,对离散综合评价数据进行隶属度映射处理。这意味着每个离散评价值都被映射为对应的隶属度值,反映了在模糊逻辑框架下的隶属程度。对隶属度矩阵数据进行矩阵归一化处理。这可以通过采用一定的归一化方法,确保隶属度矩阵的每一行之和为1。归一化处理有助于消除不同评价指标隶属度值之间的量纲影响。利用归一化隶属度矩阵进行综合隶属度值的计算。这个值反映了整体的综合评价结果。通过预设的咸潮影响程度规则,系统对综合隶属度值进行影响程度匹配,生成咸潮影响程度值数据。
优选地,步骤S5包括以下步骤:
步骤S51:根据咸潮模式数据进行咸潮发生概率处理,生成咸潮模式概率数据;
步骤S52:通过咸潮影响程度值数据对咸潮模式概率数据进行风险指数计算,生成咸潮风险指数数据;
步骤S53:利用咸潮风险指数数据对咸潮模式数据进行风险等级阈值划分,生成风险等级评判数据;
步骤S54:利用预设的长短期记忆网络模型对预警评价指标数据以及咸潮风险指数数据进行迁移学习,从而得到咸潮风险预测模型;
步骤S55:获取河口实时监测数据;对河口实时监测数据进行数据预处理,生成预处理河口实时监测数据;
步骤S56:将预处理河口实时监测数据传输至咸潮风险预测模型进行咸潮风险指数预测,生成实时咸潮风险预测指数;
步骤S57:利用风险指数评估算法对实时咸潮风险预测指数进行适应性评估,生成适应性评估数据;当适应性评估数据高于或者等于预设的适应性评估阈值时,将实时咸潮风险预测指数标记为有效风险预测指数,执行步骤S58;当适应性评估数据低于预设的适应性评估阈值时,将实时咸潮风险预测指数标记为无效风险预测指数,返回步骤S56再次风险指数预测;
步骤S58:通过风险等级评判数据对有效风险预测指数进行实时咸潮预警等级匹配,并根据终端设备发布咸潮预警等级,生成咸潮预警等级数据。
本发明通过分析历史咸潮模式数据,计算咸潮发生的概率。这一概率反映了咸潮事件在不同条件下发生的可能性。通过概率计算能够量化咸潮的发生趋势。利用咸潮影响程度值数据,结合咸潮模式概率数据,进行风险指数的计算。这个风险指数综合考虑了咸潮事件的概率和的咸潮模式影响程度,用于量化潜在的咸威胁程度。通过设定风险等级的阈值,将咸潮风险指数分成不同的风险等级。这有助于更直观地表达咸潮风险的程度。使用预设的长短期记忆网络模型进行迁移学习。迁移学习是通过在一个任务上学到的知识,来改善在另一个相关任务上的学习效果。通过将模型应用于预警评价指标数据和咸潮风险指数数据,模型可以从已有的知识中学到更适应当前问题的特征,从而得到咸潮风险预测模型。通过获取河口实时监测数据,这些数据可能包括水位、盐度、流速等监测指标。对这些数据进行预处理的目的在于清洗、转换或处理原始数据。将经过预处理的河口实时监测数据传输至咸潮风险预测模型。通过模型,系统能够对当前的监测数据进行分析,预测咸潮风险指数,即实时反映当前河口地区可能发生咸潮的程度。使用风险指数评估算法对实时咸潮风险预测指数进行适应性评估。适应性评估考虑当前的咸潮风险情况与系统的应对能力,生成适应性评估数据。通过风险等级评判数据对有效风险预测指数进行实时咸潮预警等级匹配。匹配结果可根据预设的咸潮预警等级标准,为不同等级的咸潮风险发出相应的预警。
附图说明
图1为本发明的河口咸潮预警等级划分方法的步骤流程示意图。
图2为图1中步骤S2的详细实施步骤流程示意图;
图3为图1中步骤S4的详细实施步骤流程示意图;
图4为一种河口咸潮预警等级划分方法的模块流程示意图。
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预警等级划分方法,包括以下步骤:
步骤S1:获取历史咸情数据;对历史咸情数据进行标准化处理,生成标准历史咸情数据;根据标准历史咸情数据进行历史咸潮事件识别,生成历史咸潮事件数据;
步骤S2:根据历史咸潮事件数据进行多维特征构建,从而得到多维咸潮特征向量;对多维咸潮特征向量进行无监督聚类分析,生成咸潮模式数据;
步骤S3:根据咸潮模式数据进行关键预警参数选取,得到关键预警参数;根据关键预警参数进行指标重要性评价,从而得到重要性评价数据;通过重要性评价数据对关键预警参数进行判断矩阵构建,生成重要性判断矩阵;利用AHP模型对重要性判断矩阵进行综合评价处理,生成综合评价矩阵数据;
步骤S4:将综合评价矩阵数据进行评价值离散化处理,得到离散综合评价数据;对离散综合评价数据进行隶属度映射处理,生成隶属度矩阵数据;对隶属度矩阵数据进行矩阵归一化处理,并通过预设的咸潮影响程度规则进行影响程度匹配,生成咸潮影响程度值数据;
步骤S5:根据咸潮影响程度值数据进行风险指数处理,生成咸潮风险指数数据;利用咸潮风险指数数据对咸潮模式数据进行风险等级阈值划分,生成风险等级评判数据;基于长短期记忆网络模型构建咸潮风险预测模型;获取河口实时监测数据;将河口实时监测数据传输至咸潮风险预测模型进行咸潮风险指数预测,生成实时咸潮风险预测指数;通过风险等级评判数据对实时咸潮风险预测指数进行实时咸潮预警等级匹配,并根据终端设备发布咸潮预警等级,生成咸潮预警等级数据。
本发明通过获取历史咸情数据,可以建立一个全面而准确的基础数据集,涵盖各种环境和气象条件下的咸情变化。这有助于理解咸情的季节性、周期性和趋势性变化,对历史咸情数据进行标准化处理有助于消除数据中的噪声和不一致性,确保数据具有一致的度量单位和比例。通过使用标准历史咸情数据进行事件识别,可以准确地辨别出咸潮事件的发生时段和相关特征,这有助于深入了解咸潮事件的频率、时空分布和规律。根据历史咸潮事件数据进行多维特征构建有助于提取咸潮事件的各种特征和属性。这些特征可能包括潮汐数据、气象条件、地理信息等多个方面,从而形成一个多维咸潮特征向量。聚类分析有助于将相似特征的咸潮事件归为一类,从而揭示不同咸潮模式之间的相似性和差异性。这种无监督学习方式能够自动发现数据中的潜在模式。通过分析咸潮模式数据,选取关键预警参数有助于确定在咸潮事件预测和监测中最具影响力的因素。这能够提高预警系统的效能,使其更专注于最重要的变量,从而更准确地预测和响应咸潮事件。对选取的关键预警参数进行指标重要性评价,有助于理解每个预警参数对咸潮事件的贡献程度,从而排除次要因素,提高预警系统的精确性。构建关键预警参数的判断矩阵。这个矩阵反映了各个预警参数之间的相对重要性。AHP模型能够对不同预警参数的重要性进行层次化、综合性的比较和评估,最终生成一个综合评价矩阵,这个矩阵为各个预警参数的综合重要性提供了权衡。将连续的综合评价值转化为离散的状态。这样的处理有助于降低模型复杂度,将离散评价值映射到对应的隶属度,量化不同离散评价值的归属程度,隶属度映射能够帮助确定各个咸潮影响程度等级的隶属度,对隶属度矩阵数据进行归一化处理是为了确保各个隶属度值处于相同的尺度范围,使得它们可以直接进行比较。通过预设的咸潮影响程度规则进行影响程度匹配,系统能够将归一化后的隶属度值映射为具体的咸潮影响程度值。根据咸潮影响程度值数据进行风险指数计算,综合了多个关键因素对咸潮的影响,使得风险评估更为直观和具体。将连续的风险指数离散化为不同的风险等级。这可以根据预先设定的标准,为咸潮事件划分出不同的风险程度。LSTM模型通过对时间序列数据的处理,能够捕捉到咸潮事件的时序特征,提高了咸潮风险预测的精度和准确性。通过风险等级评判数据对实时咸潮风险预测指数进行实时咸潮预警等级匹配,有助于根据实际风险情况及时发布咸潮预警,这使得相关部门能够迅速采取必要的应对措施,从而降低咸潮事件的可能影响。本发明的一种河口咸潮预警等级划分方法通过历史咸情数据进行标准化处理,考虑数据中的水位特征并进行多尺度时空分析,及时捕捉到历史咸潮的快速变化和局部差异。将咸潮事件进行聚类分析,并对关键预警指标进行综合评价,从而得到咸潮影响程度值数据。利用机器学习模型对咸潮影响程度值数据进行特征学习,并对实时咸潮检测数据进行风险指标预测,从而实现咸潮预警等级智能划分。
本发明实施例中,参考图1所述,为本发明一种河口咸潮预警等级划分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预警等级划分方法包括以下步骤:
步骤S1:获取历史咸情数据;对历史咸情数据进行标准化处理,生成标准历史咸情数据;根据标准历史咸情数据进行历史咸潮事件识别,生成历史咸潮事件数据;
本发明实施例中,从相关监测站点或数据提供方获取历史咸情数据。数据可能包括咸度、水温、潮汐等信息,对获取的数据进行清洗,处理缺失值、异常值等。确保数据的质量和完整性。针对每个标准历史咸情数据应用标准化公式进行数据标准化处理,得到标准历史咸情数据。根据标准历史咸情数据的分布情况,设定咸潮事件的阈值。超过该阈值的数据点可能表示咸潮事件,根据检测到的超过阈值的数据点,生成历史咸潮事件数据。
步骤S2:根据历史咸潮事件数据进行多维特征构建,从而得到多维咸潮特征向量;对多维咸潮特征向量进行无监督聚类分析,生成咸潮模式数据;
本发明实施例中,从历史咸潮事件数据中选择多维特征,可能包括咸度、水温、潮汐等。这些特征应该反映咸潮事件的重要方面。对每个咸潮事件中的选定特征进行提取。这可以包括统计特征(平均值、标准差等)和时间序列特征(波形、频谱等)。将提取的特征组合形成多维咸潮特征向量,每个向量对应一个咸潮事件。利用K均值聚类对多维咸潮特征向量进行聚类分析。对聚类算法进行调参或使用相关方法,确定合适的聚类数量。这可以通过观察特征空间中的拐点、肘部法则等方式完成。将多维咸潮特征向量输入选择的聚类算法中,执行聚类分析,将数据点分配到不同的聚类簇中。将每个聚类簇视为一个咸潮模式,每个模式包含一组具有相似特征的咸潮事件。
步骤S3:根据咸潮模式数据进行关键预警参数选取,得到关键预警参数;根据关键预警参数进行指标重要性评价,从而得到重要性评价数据;通过重要性评价数据对关键预警参数进行判断矩阵构建,生成重要性判断矩阵;利用AHP模型对重要性判断矩阵进行综合评价处理,生成综合评价矩阵数据;
本发明实施例中,基于咸潮模式数据,通过领域专家知识或数据分析确定可能影响咸潮事件的关键预警参数。这可以包括咸潮上溯最大距离、超标时间、最大含氯度以及可保障供水天数等。使用专家评分以及层次分析法(AHP)等,对选定的关键预警参数进行重要性评价,获取每个关键预警参数的相对重要性分数。通过重要性评价数据中的相对重要性分数,构建关键预警参数之间的判断矩阵。使用AHP模型对构建的判断矩阵进行计算,得到各关键预警参数的综合评价权重,将各关键预警参数的综合评价权重整合形成综合评价矩阵。
步骤S4:将综合评价矩阵数据进行评价值离散化处理,得到离散综合评价数据;对离散综合评价数据进行隶属度映射处理,生成隶属度矩阵数据;对隶属度矩阵数据进行矩阵归一化处理,并通过预设的咸潮影响程度规则进行影响程度匹配,生成咸潮影响程度值数据;
本发明实施例中,定义离散化标准,如高、中、低等级,根据综合评价矩阵数据的范围划分。对每个关键预警参数的综合评价值进行离散化处理,将其映射到相应的等级。设定隶属度函数,将离散综合评价数据映射到隶属度空间。根据设定的隶属度函数,对每个离散综合评价值进行映射,生成对应的隶属度值,形成隶属度矩阵数据。对隶属度矩阵进行归一化处理,确保各个维度的权重相加为1。利用预设的咸潮影响程度规则,将矩阵归一化后的数据映射为咸潮影响程度值。
步骤S5:根据咸潮影响程度值数据进行风险指数处理,生成咸潮风险指数数据;利用咸潮风险指数数据对咸潮模式数据进行风险等级阈值划分,生成风险等级评判数据;基于长短期记忆网络模型构建咸潮风险预测模型;获取河口实时监测数据;将河口实时监测数据传输至咸潮风险预测模型进行咸潮风险指数预测,生成实时咸潮风险预测指数;通过风险等级评判数据对实时咸潮风险预测指数进行实时咸潮预警等级匹配,并根据终端设备发布咸潮预警等级,生成咸潮预警等级数据。
本发明实施例中,设定风险指数计算方法,例如将影响程度值乘以相应权重,得到风险指数。对每个咸潮模式的影响程度值进行风险指数计算,生成咸潮风险指数数据。设定风险等级阈值,例如0.2为低风险,0.5为中风险,0.8为高风险。根据设定的阈值,将咸潮风险指数划分为相应的风险等级,生成风险等级评判数据。构建长短期记忆网络(LSTM)模型,包括输入层、隐藏层、输出层,设计相应的神经网络结构。使用历史数据对模型进行训练,优化模型参数,以提高咸潮风险预测的准确性。从河口实时监测设备中获取实时监测数据,包括各项关键参数的测量值。对实时监测数据进行预处理,确保格式、范围符合模型输入要求。将预处理后的实时监测数据输入到咸潮风险预测模型中,得到实时咸潮风险预测指数。根据风险等级评判数据将实时咸潮风险预测指数匹配到相应的咸潮预警等级。将匹配到的咸潮预警等级通过终端设备发布,形成咸潮预警等级数据。
优选地,步骤S1包括以下步骤:
步骤S11:获取历史咸情数据;
步骤S12:根据历史咸情数据进行数据平滑处理,生成平滑历史咸情数据;
步骤S13:对平滑历史咸情数据进行离群值检测,生成历史咸情异常数据;
步骤S14:对历史咸情异常数据进行线性插值处理,从而得到完整历史咸情数据;
步骤S15:根据完整历史咸情数据进行标准化处理,生成标准历史咸情数据;
其中,标准化处理公式如下所示:
;
式中,表示为标准化后数据,/>表示为原始数据,/>表示为原始数据的平均值,表示为原始数据的标准差;
步骤S16:根据标准历史咸情数据进行历史咸潮事件识别,生成历史咸潮事件数据。
本发明通过获取历史咸情数据,通过对历史咸情数据进行平滑处理,可以有效地消除数据中的噪声和突发波动,从而得到更加趋势稳定的平滑历史咸情数据。对平滑后的历史咸情数据进行离群值检测,能够识别和标记那些与正常趋势明显不符的异常数据点。这有助于系统更加精确地捕捉潜在的异常事件,如可能导致咸潮的特殊条件或突发事件。通过线性插值方法填补数据中的缺失部分。这有助于确保完整的历史咸情数据集,使得分析和建模时不会因为数据缺失而导致信息的缺失。对完整历史咸情数据进行处理,将其转化为标准分数或具有零均值和单位方差的形式,有助于消除不同测量尺度和单位的影响,使得数据具备可比性。使用标准历史咸情数据,通过一定的算法和模型,识别出数据中的咸潮事件。
本发明实施例中,通过咸潮检测站对历史所有存档的咸潮历史记录进行获取,这些数据可能包括每小时的盐度测量、潮汐水位等信息。使用数据平滑技术对历史咸情数据进行处理,以减少数据中的噪声,使其更具可读性。例如,使用移动平均对于每日的盐度数据,可以计算一周或一个月的移动平均值,这样,可以减少短期内的波动,突出长期趋势。对平滑后的历史咸情数据进行离群值检测,以识别可能的异常情况。这可以使用统计方法如Z分数、箱线图或专门的离群值检测算法。例如,可以使用Z分数,标准化每个数据点,并将超出一定阈值的点标记为异常值,这样,可以识别可能的异常情况,例如由于设备故障或其他异常事件引起的数据波动。对被标记为异常值的数据进行线性插值处理,以填补可能存在的缺失值,从而得到完整的历史咸情数据。线性插值可以根据相邻数据点的趋势,估算缺失值的合理取值。例如,对于异常值所在的时间点,可以使用该时间点前后的两个正常值进行线性插值。这样,可以保持历史咸情数据的连续性,需要计算原始历史咸情数据的平均值和标准差/>,通过标准化处理公式对原始数据进行标准化处理。根据实际情况,设定一个关键事件拐点的阈值,用于判断咸情是否达到咸潮事件的标准。例如,假设阈值设定为1.5,超过这个值的数据点将被认为是咸潮事件的起始点。遍历标准化后的历史咸情数据,寻找连续超过阈值的数据段。这可以通过设置一个连续的时间窗口来实现,当窗口内的数据点都超过阈值时,判定为咸潮事件的发生。
优选地,步骤S16包括以下步骤:
步骤S161:根据标准历史咸情数据进行咸潮入侵空间图绘制,生成咸潮入侵空间图数据;对标准历史咸情数据进行水文参数选择,生成咸潮水文参数数据;
步骤S162:根据咸潮水文参数数据进行非线性变换处理,从而得到非线性水文数据;
步骤S163:对非线性水文数据进行相对值特征提取,生成水文相对值特征数据;
步骤S164:通过咸潮入侵空间图数据对水文相对值特征数据进行气泡图设计,得到水文气泡图数据;
步骤S165:根据水文气泡图数据进行多尺度时空分析,生成局部多尺度咸情数据;
步骤S166:根据局部多尺度咸情数据进行差分运算,并进行局部趋势线拟合处理,得到局部趋势线数据;
步骤S167:对局部趋势线数据进行拐点检测处理,生成关键事件拐点数据;根据关键事件拐点数据进行历史咸潮事件识别,生成历史咸潮事件数据。
本发明通过绘制咸潮入侵空间图,系统能够以空间维度展示历史咸情的分布情况,从而形成咸潮入侵的空间特征。这有助于识别潜在的咸潮发生区域。同时,在进行水文参数选择时,系统能够有针对性地选取与咸潮相关的水文参数,通过进行非线性变换处理,能够更好地捕捉水文参数之间的非线性关系,从而揭示咸潮发生的潜在规律。通过提取相对值特征,能够捕捉水文数据的相对变化,有助于识别出历史咸潮事件中的异常波动。这种特征提取能够有效减少绝对值的影响,使得水文相对值特征更为具有判别性。通过设计气泡图,能够直观地呈现水文相对值特征在咸潮入侵空间中的分布情况。通过多尺度时空分析,能够识别不同时空尺度下的水文气泡图数据变化,更全面地把握咸潮事件的时空特征,这有助于捕捉咸潮的不同规模和时段。通过进行局部多尺度的差分运算和趋势线拟合处理,能够更好地剔除咸潮数据的噪声,凸显咸潮事件的趋势变化。通过拐点检测处理,能够找出水文趋势变化中的关键拐点,即咸潮事件的转折点。可以准确识别历史咸潮事件的发生时刻,生成详实的历史咸潮事件数据。
本发明实施例中,利用GIS工具创建空间图层,通过空间插值方法(如克里金插值)绘制历史咸潮入侵的空间分布图,反映咸潮在不同地理位置的强度。根据咸潮入侵的特点,选择与水文变化密切相关的参数,如潮汐高度、潮时等,从标准化历史咸情数据中提取所选水文参数的时间序列数据。利用对数变换作为非线性变换处理方式,因为对数变换可以有效地处理数据的右偏性,对极端值有较好的处理效果,对每个咸潮水文参数数据应用对数变换,得到非线性水文数据。利用图表设计工具,如Matplotlib或其他数据可视化工具,选择气泡图作为展示方式。将咸潮入侵空间图数据与水文相对值特征数据进行关联。将不同区域的气泡大小表示相对值特征的强度或变异程度。颜色深浅表示咸潮入侵的程度,可以根据入侵空间图数据中的值设置颜色映射。通过多尺度时空分析,生成局部多尺度咸情数据,揭示不同地理区域和时间尺度上的咸潮入侵模式。对局部多尺度咸情数据进行差分运算,计算相邻时间点之间的差异。利用局部加权回归或多项式拟合,对差分后的数据进行局部趋势线的拟合。对局部趋势线数据进行拐点检测,寻找局部趋势变化的关键点,结合关键事件拐点阈值数据进行历史咸潮事件的识别,生成关键事件拐点数据,其中包含拐点的时间点和对应的趋势变化信息。
优选地,步骤S165包括以下步骤:
步骤S1651:将水文气泡图数据进行动态时间序列标记,并进行滞后值特征引入,生成时序水文气泡图数据;
步骤S1652:根据时序水文气泡图数据进行空间聚类处理,生成时空聚类数据;
步骤S1653:根据时空聚类数据进行热点区域识别,生成密集咸潮区域数据;
步骤S1654:对时序水文气泡图数据进行咸潮周期季节性处理,得到咸潮周期季节数据;
步骤S1655:通过咸潮周期季节数据对密集咸潮区域数据进行交叉时空窗口处理,生成交叉时空窗口数据;
步骤S1656:通过交叉时空窗口数据对时序水文气泡图数据进行多尺度纵深分析,生成局部多尺度咸情数据。
本发明通过对水文气泡图数据进行动态时间序列标记,能够捕捉到时间序列的动态特性,从而更好地反映咸情事件的变化趋势。引入滞后值特征有助于考虑到先前时间点的信息。通过对时序水文气泡图数据进行空间聚类处理,能够识别出相邻或相似的空间区域,并将它们划分为簇,这有助于区分不同地理位置上的水文气泡图特征,形成时空聚类数据。通过对时空聚类数据进行热点区域识别,能够找出密集咸潮发生的区域,即热点区域。这有助于聚焦分析在特定地理区域内的咸潮事件。通过对时序水文气泡图数据进行咸潮周期季节性处理,能够提取出咸潮事件在时间上的周期性和季节性规律。通过使用咸潮周期季节数据对密集咸潮区域数据进行交叉时空窗口处理,能够突出特定时空范围内的咸潮周期季节变化特征。通过使用交叉时空窗口数据对时序水文气泡图数据进行多尺度纵深分析,能够深入挖掘不同尺度和深度上的咸情变化特征。
本发明实施例中,对于水文气泡图数据,提取时间信息,例如日期或时间戳。将时间信息转化为适当的格式,例如将日期转化为具体的时间戳。选择适当的滞后时间步长,例如引入前一天的滞后值特征。对水文相对值特征进行滞后处理,形成时序水文气泡图数据。使用空间聚类算法,如K均值聚类,对时序水文气泡图数据进行聚类。考虑动态时间序列标记和滞后值特征,以获取时空上相似的数据点。例如,应用K均值聚类算法将时序水文气泡图数据分为若干簇,每个簇代表一组相似的时空特征。根据聚类结果,为每个数据点分配相应的聚类标签,形成时空聚类数据。利用Getis-Ord Gi*统计量对时空聚类数据进行热点区域的识别,识别出密集咸潮区域,这些区域在时空上表现出明显的集聚特征,得到一些密集咸潮区域。使用季节分解方法将时序水文气泡图数据分解为趋势、季节和残差三个部分,提取季节部分作为咸潮周期季节数据。将咸潮周期季节数据与密集咸潮区域数据进行交叉时空窗口处理,以获取咸潮在不同地理位置和时间段的变化特征。可以采用滑动窗口、格网窗口等方法,对不同地理区域和时间段内的咸潮数据进行提取和分析。对每个交叉时空窗口内的时序水文气泡图数据进行分析,得到该窗口下的局部多尺度咸情数据,包含了不同尺度和深度上的咸潮变化特征。
优选地,步骤S167中拐点检测算法公式如下所示:
;
;
式中,表示为拐点检测函数,/>表示为趋势线时间变量,/>表示为拐点的相对高度值,/>表示为趋势线起始点值,/>表示为趋势线终止点值,/>表示为局部趋势线数据,/>表示为关键事件拐点的阈值,/>表示为数学偏导数符号,/>表示为趋势线的波动强度,/>表示为趋势线的波动频率,/>表示为极限求导因子。
本发明利用一种拐点检测算法,该算法公式充分考虑了趋势线时间变量、拐点的相对高度值/>、趋势线起始点值/>、趋势线终止点值/>、局部趋势线数据/>、关键事件拐点的阈值/>、趋势线的波动强度/>、趋势线的波动频率/>、极限求导因子/>以及函数之间的相互作用关系,以形成函数关系式:
即,,其中拐点的相对高度值/>为/>,利用曲线的曲率和斜率来判断拐点的位置和显著性。曲线的曲率和斜率分别反映了曲线在某一点处的弯曲程度和变化速率,如果曲线在某一点处的曲率或斜率很大,那么说明曲线在这一点处发生了突变,可能是一个拐点,即/>表示对时间变量/>的二阶导数,它用来衡量趋势线的曲率变化。如果二阶导数为零或不存在,且二阶导数在该点两侧符号相反,那么该点可能是拐点,也就是趋势线发生突变的地方。式子项/>反映了在时间点/>处曲线的变化程度,在曲线上取一个微小的增量/>,然后计算曲线在这个增量内的变化量,再除以这个增量,最后让这个增量趋于零,得到导数的值,值越大表示变化越明显,可能是一个拐点。式子项/>用来调整曲线的形状,即曲线的振幅和周期,表示曲线的波动模式,即曲线在不同时间点的变化规律。拐点的相对高度值/>表示曲线在拐点处的纵坐标与曲线的最大值和最小值之差的比例,用/>和/>来确定曲线的起始点和终止点,用/>和/>函数来计算曲线的最大值和最小值。通过关键事件拐点的阈值/>来表示判断的标准,只有当/>的值大于1时,才认为/>是一个拐点。阈值的大小可以根据不同的数据和需求来调整,一般来说,阈值越大,拐点越少,拐点越显著,阈值越小,拐点越多,拐点越微弱,以实现趋势线中的事件拐点的检测。
优选地,步骤S2包括以下步骤:
步骤S21:根据历史咸潮事件数据进行多维特征构建,从而得到多维咸潮特征向量;
步骤S22:根据多维咸潮特征向量构建自编码器模型,其中自编码器模型包括编码器以及解码器;
步骤S23:对多维咸潮特征向量进行随机划分处理,分别得到训练集以及验证集;
步骤S24:通过编码器对训练集进行模型训练,并通过验证集进行模型验证以及超参数调优处理,生成调优自编码器模型;
步骤S25:利用调优自编码器模型对多维咸潮特征向量进行降维特征向量学习,生成降维咸潮特征向量数据;
步骤S26:对降维咸潮特征向量数据无监督聚类分析,生成咸潮聚类数据;将咸潮聚类数据进行咸潮模式标记,从而得到咸潮模式数据。
本发明通过历史咸潮事件数据进行多维特征构建,系统能够捕捉到各种影响咸潮事件的关键特征。这些特征可能包括但不限于水文参数、地理信息、气象数据等。构建多维咸潮特征向量有助于全面而准确地表达历史咸潮事件的特征。通过使用多维咸潮特征向量构建自编码器模型。自编码器模型由编码器和解码器组成,其中编码器用于将输入数据映射到低维表示,解码器用于将低维表示还原为原始输入数据。自编码器的构建有助于学习数据的潜在表示,实现数据的降维和特征提取。对已构建的多维咸潮特征向量进行随机划分,分别得到训练集和验证集。这有助于在模型训练过程中使用独立的数据集进行验证,评估模型的性能并避免过拟合。通过使用训练集对编码器进行模型训练,并通过验证集进行模型验证以及超参数调优处理,系统能够生成调优后的自编码器模型。通过使用调优后的自编码器模型对多维咸潮特征向量进行降维,系统能够学习到数据的低维表示。这有助于减少数据的维度,保留主要特征,并加速后续的聚类分析。通过对降维咸潮特征向量数据进行无监督聚类分析,系统能够发现其中的内在模式。将咸潮聚类数据进行咸潮模式标记,有助于识别不同的咸潮模式。
作为本发明的一个实例,参考图2所示,为图1中步骤S2的详细实施步骤流程示意图,在本实例中所述步骤S2包括:
步骤S21:根据历史咸潮事件数据进行多维特征构建,从而得到多维咸潮特征向量;
本发明实施例中,收集并整理历史咸潮事件数据,确保包含各种与咸潮相关的特征,如潮位、风速、潮流等。例如,历史咸潮事件数据的一条记录可能包括潮位曲线、风速、潮流速度、时间戳等信息。基于历史咸潮事件数据,通过特征工程技术构建多维特征。例如,对于潮位曲线,可以提取最大潮位、潮汐周期、潮位变化速率等作为多维特征。将所有提取的特征组合成一个向量,形成多维咸潮特征向量,每个历史咸潮事件都对应一个多维咸潮特征向量。
步骤S22:根据多维咸潮特征向量构建自编码器模型,其中自编码器模型包括编码器以及解码器;
本发明实施例中,自编码器模型可以采用深度学习框架如TensorFlow或PyTorch实现,定义编码器和解码器的网络结构。编码器负责将多维咸潮特征向量映射到潜在空间,解码器则将潜在空间的表示映射回原始特征向量。使用历史咸潮事件数据,通过反向传播算法对自编码器模型进行训练。将历史咸潮事件数据输入自编码器模型,调整模型参数使得解码器输出的多维特征向量尽可能接近原始特征向量。
步骤S23:对多维咸潮特征向量进行随机划分处理,分别得到训练集以及验证集;
本发明实施例中,对多维咸潮特征向量进行随机划分,将一部分作为训练集,另一部分作为验证集。例如,80%的数据作为训练集,20%的数据作为验证集。
步骤S24:通过编码器对训练集进行模型训练,并通过验证集进行模型验证以及超参数调优处理,生成调优自编码器模型;
本发明实施例中,将训练集输入自编码器模型,通过优化算法(如梯度下降)迭代调整模型参数。根据验证集的性能,进行超参数的调优,如学习率、神经网络层数、神经元个数等,通过计算验证集上的损失函数或其他评价指标,调整模型的超参数以提高性能。
步骤S25:利用调优自编码器模型对多维咸潮特征向量进行降维特征向量学习,生成降维咸潮特征向量数据;
本发明实施例中,使用调优后的自编码器模型中的编码器部分,将多维咸潮特征向量映射到潜在空间,得到降维后的咸潮特征向量数据。即对每个多维咸潮特征向量输入调优后的自编码器模型,获得相应的降维咸潮特征向量。
步骤S26:对降维咸潮特征向量数据无监督聚类分析,生成咸潮聚类数据;将咸潮聚类数据进行咸潮模式标记,从而得到咸潮模式数据。
本发明实施例中,对降维咸潮特征向量数据进行无监督聚类分析,将相似的咸潮特征向量划分为同一聚类簇。例如,使用K均值聚类算法对降维咸潮特征向量数据进行聚类,确定每个样本属于哪个聚类簇。根据聚类结果,为每个聚类簇打上咸潮模式标签,将每个聚类簇标记为某个咸潮模式,如潮涌、潮汐等,形成咸潮模式数据。
优选地,步骤S3包括以下步骤:
步骤S31:根据咸潮模式数据进行关键预警参数选取,得到关键预警参数,其中关键预警参数包括咸潮上溯最大距离数据、咸潮超标时间数据、咸潮最大含氯度数据以及可保障供水天数数据;
步骤S32:将关键预警参数进行评价指标构建,生成预警评价指标数据;
步骤S33:根据预警评价指标数据进行评估调查问卷制定,生成调查问卷数据;
步骤S34:通过专家对调查问卷数据进行指标重要性评价,从而得到重要性评价数据;
步骤S35:通过重要性评价数据对关键预警参数进行判断矩阵构建,生成重要性判断矩阵;
步骤S36:利用AHP模型对重要性判断矩阵进行相对权重计算,并进行归一化处理,生成评价指标权重数据;
步骤S37:通过评价指标权重数据对关键预警参数进行矩阵点乘计算,生成综合评价矩阵数据。
本发明通过分析咸潮模式数据,系统可以识别出与咸潮事件相关的关键预警参数。这些参数的选择基于其对咸潮事件的影响程度,包括咸潮上溯最大距离、咸潮超标时间、咸潮最大含氯度以及可保障供水天数。将得到的关键预警参数转化为具体的评价指标,这有助于量化各个参数的影响程度。通过预警评价指标数据,制定相关的评估调查问卷。这些问卷可能包含对各个评价指标的权重、重要性和实际应用的问题。专家对调查问卷数据进行评价,给出各个评价指标的重要性权重。这有助于结合领域专业知识和实际应用经验,确定各个指标在咸潮事件中的实际影响程度。应用AHP模型,系统能够通过重要性判断矩阵计算得到各个关键预警参数的相对权重。这些权重是基于专家意见和问卷调查数据的综合结果。通过归一化处理,确保权重之和为1,将各个预警参数的具体数值与其相对权重相结合,得到了综合的评价结果。
本发明实施例中,请一并参阅图4,从咸潮模式数据中提取相关特征,如潮汐水位、潮汐流速等,根据这些特征计算咸潮的上溯最大距离。检查每个咸潮事件的潮位数据,确定超过事先设定的潮位阈值的时间段。分析水质监测数据,提取每个咸潮事件期间的含氯度信息,选取最大值。根据咸潮模式数据,分析供水系统的运行情况,估算在咸潮影响下可保障的供水天数。将选取的关键预警参数构建成具体的评价指标,每个指标反映一个方面的咸潮影响。根据咸潮影响的评价指标,制定评估调查问卷,包括与供水相关的各个方面。将调查问卷数据和咸潮影响的评价指标提交给专家评价团队,由专家评价每个指标的重要性。将专家评价团队的重要性评价数据整理成矩阵形式,其中每行代表一个关键预警参数,每列代表一个专家的评价。根据专家评价数据,构建关键预警参数的判断矩阵,其中元素表示不同预警参数之间的相对重要性。利用层次分析法(AHP)模型,对判断矩阵进行计算,得到关键预警参数的相对权重。将计算得到的相对权重进行归一化处理,使得它们的总和为1。通过将评价指标权重矩阵与判断矩阵进行点乘,得到综合评价矩阵,其中每个元素表示对应关键预警参数的综合评价。
优选地,步骤S4包括以下步骤:
步骤S41:通过预设的评价指标隶属度规则对综合评价矩阵数据进行模糊隶属度函数制定,生成指标隶属度函数;
步骤S42:将综合评价矩阵数据进行评价值离散化处理,从而得到离散综合评价数据;
步骤S43:利用指标隶属度函数对离散综合评价数据进行隶属度映射处理,生成隶属度矩阵数据;
步骤S44:对隶属度矩阵数据进行矩阵归一化处理,生成归一化隶属度矩阵;
步骤S45:根据归一化隶属度矩阵进行综合隶属度值计算,并通过预设的咸潮影响程度规则进行影响程度匹配,生成咸潮影响程度值数据。
本发明通过预设的评价指标隶属度规则,可以根据各个评价指标的重要性、权重等因素,制定合适的模糊隶属度函数,使得对于不同的评价指标值,能够得到相应的隶属度值。对综合评价矩阵中的数值进行离散化处理。采用某种分段方法,将连续的数值划分成离散的区间,从而得到相应的离散综合评价数据。这种处理方式有助于将连续的评价结果转化为离散的类别,更符合实际的应用场景。通过前面制定的指标隶属度函数,对离散综合评价数据进行隶属度映射处理。这意味着每个离散评价值都被映射为对应的隶属度值,反映了在模糊逻辑框架下的隶属程度。对隶属度矩阵数据进行矩阵归一化处理。这可以通过采用一定的归一化方法,确保隶属度矩阵的每一行之和为1。归一化处理有助于消除不同评价指标隶属度值之间的量纲影响。利用归一化隶属度矩阵进行综合隶属度值的计算。这个值反映了整体的综合评价结果。通过预设的咸潮影响程度规则,系统对综合隶属度值进行影响程度匹配,生成咸潮影响程度值数据。
作为本发明的一个实例,参考图3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:
步骤S41:通过预设的评价指标隶属度规则对综合评价矩阵数据进行模糊隶属度函数制定,生成指标隶属度函数;
本发明实施例中,针对每个预警参数,领域专家根据经验和知识预设评价指标隶属度规则。例如,对于上溯最大距离,规定值越小,隶属度越低。根据预设规则,制定模糊隶属度函数,将具体的数值映射到[0,1]的隶属度范围。例如,对于规则1,“上溯最大距离”可以采用三角形隶属度函数,规定最小值对应隶属度0,最大值对应隶属度1,中间值对应隶属度0.5。
步骤S42:将综合评价矩阵数据进行评价值离散化处理,从而得到离散综合评价数据;
本发明实施例中,制定离散化处理规则,将模糊隶属度函数的输出值映射到预设的离散化等级。例如,制定规则1:“隶属度在[0,0.3)范围内对应等级A(优秀)”;规则2:“隶属度在[0.3,0.6)范围内对应等级B(合格)”;规则3:“隶属度在[0.6,1]范围内对应等级C(需关注)”。根据离散化处理规则,将模糊隶属度函数输出的连续值转化为离散的评价等级。例如,对于某个预警参数,其隶属度为0.4,根据规则2,将其离散为等级B(合格)。
步骤S43:利用指标隶属度函数对离散综合评价数据进行隶属度映射处理,生成隶属度矩阵数据;
本发明实施例中,对于每个离散综合评价数据,根据相应的指标隶属度函数,将其映射到[0,1]的隶属度范围。例如,对于评价等级B(合格),应用规则2中的隶属度函数,将其映射为隶属度值为0.5。针对每个关键预警参数,构建隶属度矩阵,其中每行表示一个离散综合评价数据对应的隶属度向量。
步骤S44:对隶属度矩阵数据进行矩阵归一化处理,生成归一化隶属度矩阵;
本发明实施例中,通过最小-最大归一化,将隶属度矩阵中的每个元素进行线性变换,映射到[0,1]范围。得到最终的归一化隶属度矩阵,其中每个元素表示对应关键预警参数的归一化隶属度值。
步骤S45:根据归一化隶属度矩阵进行综合隶属度值计算,并通过预设的咸潮影响程度规则进行影响程度匹配,生成咸潮影响程度值数据。
本发明实施例中,对归一化隶属度矩阵的每一行进行综合计算,得到综合隶属度值。利用预设的咸潮影响程度规则,将综合隶属度值映射到相应的咸潮影响程度范围。例如,假设综合隶属度值为0.6,通过预设规则,可以匹配到对应的咸潮影响程度范围为"中等"。
优选地,步骤S5包括以下步骤:
步骤S51:根据咸潮模式数据进行咸潮发生概率处理,生成咸潮模式概率数据;
步骤S52:通过咸潮影响程度值数据对咸潮模式概率数据进行风险指数计算,生成咸潮风险指数数据;
步骤S53:利用咸潮风险指数数据对咸潮模式数据进行风险等级阈值划分,生成风险等级评判数据;
步骤S54:利用预设的长短期记忆网络模型对预警评价指标数据以及咸潮风险指数数据进行迁移学习,从而得到咸潮风险预测模型;
步骤S55:获取河口实时监测数据;对河口实时监测数据进行数据预处理,生成预处理河口实时监测数据;
步骤S56:将预处理河口实时监测数据传输至咸潮风险预测模型进行咸潮风险指数预测,生成实时咸潮风险预测指数;
步骤S57:利用风险指数评估算法对实时咸潮风险预测指数进行适应性评估,生成适应性评估数据;当适应性评估数据高于或者等于预设的适应性评估阈值时,将实时咸潮风险预测指数标记为有效风险预测指数,执行步骤S58;当适应性评估数据低于预设的适应性评估阈值时,将实时咸潮风险预测指数标记为无效风险预测指数,返回步骤S56再次风险指数预测;
步骤S58:通过风险等级评判数据对有效风险预测指数进行实时咸潮预警等级匹配,并根据终端设备发布咸潮预警等级,生成咸潮预警等级数据。
本发明通过分析历史咸潮模式数据,计算咸潮发生的概率。这一概率反映了咸潮事件在不同条件下发生的可能性。通过概率计算能够量化咸潮的发生趋势。利用咸潮影响程度值数据,结合咸潮模式概率数据,进行风险指数的计算。这个风险指数综合考虑了咸潮事件的概率和的咸潮模式影响程度,用于量化潜在的咸威胁程度。通过设定风险等级的阈值,将咸潮风险指数分成不同的风险等级。这有助于更直观地表达咸潮风险的程度。使用预设的长短期记忆网络模型进行迁移学习。迁移学习是通过在一个任务上学到的知识,来改善在另一个相关任务上的学习效果。通过将模型应用于预警评价指标数据和咸潮风险指数数据,模型可以从已有的知识中学到更适应当前问题的特征,从而得到咸潮风险预测模型。通过获取河口实时监测数据,这些数据可能包括水位、盐度、流速等监测指标。对这些数据进行预处理的目的在于清洗、转换或处理原始数据。将经过预处理的河口实时监测数据传输至咸潮风险预测模型。通过模型,系统能够对当前的监测数据进行分析,预测咸潮风险指数,即实时反映当前河口地区可能发生咸潮的程度。使用风险指数评估算法对实时咸潮风险预测指数进行适应性评估。适应性评估考虑当前的咸潮风险情况与系统的应对能力,生成适应性评估数据。通过风险等级评判数据对有效风险预测指数进行实时咸潮预警等级匹配。匹配结果可根据预设的咸潮预警等级标准,为不同等级的咸潮风险发出相应的预警。
本发明实施例中,基于咸潮模式数据的历史出现频率,计算每个咸潮模式的发生概率,例如,如果某个咸潮模式在历史数据中出现了10次,而总的咸潮模式数为100,那么该模式的概率为10%。利用咸潮模式概率数据和咸潮影响程度值数据,采用适当的算法(例如,加权计算),计算咸潮风险指数,风险指数计算公式是综合考虑咸潮模式概率和影响程度值。根据咸潮风险指数数据和设定的阈值,将咸潮模式数据划分为不同的风险等级。例如,前20%为极高风险,20-40%为高风险,40-60%为中风险,60-80%为低风险,80-100%为极低风险,各风险等级分割值为等级阙值,如大于10即为极高风险,小于10为高风险。利用预警评价指标数据和咸潮风险指数数据进行模型训练,使用LSTM模型。在迁移学习中,可以保留预设的LSTM模型的一部分权重,以加速收敛和提高性能。使用验证集对迁移学习后的咸潮风险预测模型进行验证,调整模型超参数以提高性能。从实时监测站点或传感器中获取河口实时监测数据,清理实时监测数据中的异常值和缺失值。将预处理后的河口实时监测数据传输至咸潮风险预测模型,利用已训练好的咸潮风险预测模型对实时监测数据进行预测,得到实时咸潮风险预测指数。使用预设的风险指数评估算法对实时咸潮风险预测指数进行适应性评估。如果适应性评估数据高于或等于阈值,将实时咸潮风险预测指数标记为有效风险预测指数,并执行步骤S58。如果适应性评估数据低于阈值,将实时咸潮风险预测指数标记为无效风险预测指数,返回步骤S56重新进行风险指数预测。利用预设的风险等级划分规则,将有效风险预测指数映射到相应的咸潮预警风险等级。将匹配得到的咸潮预警等级数据传输至终端设备,在终端设备上根据收到的咸潮预警等级数据,发布相应的咸潮预警信息。
优选地,步骤S57中的风险指数评估算法公式如下所示:
;
式中,表示为适应性评估数据,/>表示为预警评价指标中评价指标数量,/>表示为评价指标的序号值,/>表示为数学偏微分符号,/>表示为实时咸潮风险预测指数,/>表示为河口实时监测数据中第/>个实时预警指标数据,/>表示为适应性调整因子,/>表示为第/>个实时预警指标数据的历史平均值,/>表示为第/>个时刻的咸潮预警等级。
本发明利用一种风险指数评估算法,该算法充分考虑了预警评价指标中评价指标数量、评价指标的序号值/>、实时咸潮风险预测指数/>、河口实时监测数据中第/>个实时预警指标数据/>、适应性调整因子/>、第/>个实时预警指标数据的历史平均值/>、第/>个时刻的咸潮预警等级/>以及函数之间的相互作用关系,以形成函数关系式:
即,,通过比较实时咸潮风险预测指数/>与实际情况的差异,以及咸潮预警等级/>的变化,来评估实时咸潮风险预测指数/>的适应性,即是否需要进行调整,以更准确地反映河口咸潮入侵的风险。式子项/>可以将实时预警指标数据/>转换为一个无量纲的数值,这样可以消除不同预警指标的量纲和量级的影响,使得相对差异更加客观和合理。式子项/>引入适应性调整因子/>,用于调节实时预警指标数据/>对实时咸潮风险预测指数/>的影响程度,/>越大,说明/>对/>的影响越小,反之亦然。/>的取值范围是0到/>,/>的确定方法可以是一个经验值,也可以是一个动态调整,具体取决于不同的预警指标的特性和变化规律。式子项反映出实时咸潮风险预测指数/>与实际情况的偏离程度,以及实时咸潮风险预测指数/>的变化速率。将实时预警指标数据/>对实时咸潮风险预测指数/>的影响程度和实时咸潮风险预测指数/>与实际情况的偏离程度相乘,得到实时预警指标数据/>对适应性评估数据/>的贡献值,用于衡量实时预警指标数据/>的重要性和敏感性。式子项/>根据每个时刻的咸潮预警等级/>,计算出咸潮入侵的变化程度,用于衡量咸潮入侵的动态性和不确定性。变化程度的计算方法是对咸潮预警等级/>的正弦值的开方求和,这样可以反映出咸潮预警等级/>的变化对咸潮入侵的变化的影响。正弦值的开方可以使得变化程度更加敏感和平滑,避免出现突变和抖动。式子项/>表示实时咸潮风险预测指数R对第/>个实时预警指标数据/>的偏导数,它反映了/>对/>的影响程度,即/>变化一个单位时,/>变化的大小和方向。/>越大,表示/>对/>的影响越大,反之亦然,/>的正负号,表示/>对/>的影响是正相关还是负相关,通过式子计算最终得到适应性评估数据/>。
本申请有益效果在于,获取历史咸情数据,包括咸度、水温、潮汐等信息,进行数据清洗和处理。应用标准化公式对历史咸情数据进行标准化处理,设定咸潮事件的阈值,生成历史咸潮事件数据。从历史咸潮事件数据中选择多维特征,对每个咸潮事件中的选定特征进行提取,形成多维咸潮特征向量。利用K均值聚类对多维咸潮特征向量进行聚类分析,确定合适的聚类数量,将数据点分配到不同的聚类簇中。每个聚类簇视为一个咸潮模式,包含一组具有相似特征的咸潮事件。基于咸潮模式数据,确定可能影响咸潮事件的关键预警参数,对选定的关键预警参数进行重要性评价,构建关键预警参数之间的判断矩阵。使用AHP模型对构建的判断矩阵进行计算,得到各关键预警参数的综合评价权重,形成综合评价矩阵。定义离散化标准,对每个关键预警参数的综合评价值进行离散化处理,设定隶属度函数,将离散综合评价数据映射到隶属度空间。对隶属度矩阵进行归一化处理,将矩阵归一化后的数据映射为咸潮影响程度值。设定风险指数计算方法,对每个咸潮模式的影响程度值进行风险指数计算,生成咸潮风险指数数据。设定风险等级阈值,将咸潮风险指数划分为相应的风险等级,生成风险等级评判数据。构建长短期记忆网络(LSTM)模型,使用历史数据对模型进行训练,优化模型参数。从河口实时监测设备中获取实时监测数据,对实时监测数据进行预处理,将预处理后的实时监测数据输入到咸潮风险预测模型中,得到实时咸潮风险预测指数。根据风险等级评判数据将实时咸潮风险预测指数匹配到相应的咸潮预警等级,通过终端设备发布咸潮预警等级数据。
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 (8)
1.一种河口咸潮预警等级划分方法,其特征在于,包括以下步骤:
步骤S1:获取历史咸情数据;对历史咸情数据进行标准化处理,生成标准历史咸情数据;根据标准历史咸情数据进行历史咸潮事件识别,生成历史咸潮事件数据;其中,步骤S1具体为:
步骤S11:获取历史咸情数据;
步骤S12:根据历史咸情数据进行数据平滑处理,生成平滑历史咸情数据;
步骤S13:对平滑历史咸情数据进行离群值检测,生成历史咸情异常数据;
步骤S14:对历史咸情异常数据进行线性插值处理,从而得到完整历史咸情数据;
步骤S15:根据完整历史咸情数据进行标准化处理,生成标准历史咸情数据;
其中,标准化处理公式如下所示:
;
式中,表示为标准化后数据,/>表示为原始数据,/>表示为原始数据的平均值,/>表示为原始数据的标准差;
步骤S16:根据标准历史咸情数据进行历史咸潮事件识别,生成历史咸潮事件数据;其中,步骤S16具体为:
步骤S161:根据标准历史咸情数据进行咸潮入侵空间图绘制,生成咸潮入侵空间图数据;对标准历史咸情数据进行水文参数选择,生成咸潮水文参数数据;
步骤S162:根据咸潮水文参数数据进行非线性变换处理,从而得到非线性水文数据;
步骤S163:对非线性水文数据进行相对值特征提取,生成水文相对值特征数据;
步骤S164:通过咸潮入侵空间图数据对水文相对值特征数据进行气泡图设计,得到水文气泡图数据;
步骤S165:根据水文气泡图数据进行多尺度时空分析,生成局部多尺度咸情数据;
步骤S166:根据局部多尺度咸情数据进行差分运算,并进行局部趋势线拟合处理,得到局部趋势线数据;
步骤S167:对局部趋势线数据进行拐点检测处理,生成关键事件拐点数据;根据关键事件拐点数据进行历史咸潮事件识别,生成历史咸潮事件数据;
步骤S2:根据历史咸潮事件数据进行多维特征构建,从而得到多维咸潮特征向量;对多维咸潮特征向量进行无监督聚类分析,生成咸潮模式数据;
步骤S3:根据咸潮模式数据进行关键预警参数选取,得到关键预警参数;根据关键预警参数进行指标重要性评价,从而得到重要性评价数据;通过重要性评价数据对关键预警参数进行判断矩阵构建,生成重要性判断矩阵;利用AHP模型对重要性判断矩阵进行综合评价处理,生成综合评价矩阵数据;
步骤S4:将综合评价矩阵数据进行评价值离散化处理,得到离散综合评价数据;对离散综合评价数据进行隶属度映射处理,生成隶属度矩阵数据;对隶属度矩阵数据进行矩阵归一化处理,并通过预设的咸潮影响程度规则进行影响程度匹配,生成咸潮影响程度值数据;
步骤S5:根据咸潮影响程度值数据进行风险指数处理,生成咸潮风险指数数据;利用咸潮风险指数数据对咸潮模式数据进行风险等级阈值划分,生成风险等级评判数据;基于长短期记忆网络模型构建咸潮风险预测模型;获取河口实时监测数据;将河口实时监测数据传输至咸潮风险预测模型进行咸潮风险指数预测,生成实时咸潮风险预测指数;通过风险等级评判数据对实时咸潮风险预测指数进行实时咸潮预警等级匹配,并根据终端设备发布咸潮预警等级,生成咸潮预警等级数据。
2.根据权利要求1所述的河口咸潮预警等级划分方法,其特征在于,步骤S165包括以下步骤:
步骤S1651:将水文气泡图数据进行动态时间序列标记,并进行滞后值特征引入,生成时序水文气泡图数据;
步骤S1652:根据时序水文气泡图数据进行空间聚类处理,生成时空聚类数据;
步骤S1653:根据时空聚类数据进行热点区域识别,生成密集咸潮区域数据;
步骤S1654:对时序水文气泡图数据进行咸潮周期季节性处理,得到咸潮周期季节数据;
步骤S1655:通过咸潮周期季节数据对密集咸潮区域数据进行交叉时空窗口处理,生成交叉时空窗口数据;
步骤S1656:通过交叉时空窗口数据对时序水文气泡图数据进行多尺度纵深分析,生成局部多尺度咸情数据。
3.根据权利要求1所述的河口咸潮预警等级划分方法,其特征在于,步骤S167中关键事件拐点数据通过拐点检测算法进行拐点检测处理,其中,拐点检测算法公式如下所示:
;
;
式中,表示为拐点检测函数,/>表示为趋势线时间变量,/>表示为拐点的相对高度值,表示为趋势线起始点值,/>表示为趋势线终止点值,/>表示为局部趋势线数据,/>表示为关键事件拐点的阈值,/>表示为数学偏导数符号,/>表示为趋势线的波动强度,/>表示为趋势线的波动频率,/>表示为极限求导因子。
4.根据权利要求1所述的河口咸潮预警等级划分方法,其特征在于,步骤S2包括以下步骤:
步骤S21:根据历史咸潮事件数据进行多维特征构建,从而得到多维咸潮特征向量;
步骤S22:根据多维咸潮特征向量构建自编码器模型,其中自编码器模型包括编码器以及解码器;
步骤S23:对多维咸潮特征向量进行随机划分处理,分别得到训练集以及验证集;
步骤S24:通过编码器对训练集进行模型训练,并通过验证集进行模型验证以及超参数调优处理,生成调优自编码器模型;
步骤S25:利用调优自编码器模型对多维咸潮特征向量进行降维特征向量学习,生成降维咸潮特征向量数据;
步骤S26:对降维咸潮特征向量数据无监督聚类分析,生成咸潮聚类数据;将咸潮聚类数据进行咸潮模式标记,从而得到咸潮模式数据。
5.根据权利要求4所述的河口咸潮预警等级划分方法,其特征在于,步骤S3包括以下步骤:
步骤S31:根据咸潮模式数据进行关键预警参数选取,得到关键预警参数,其中关键预警参数包括咸潮上溯最大距离数据、咸潮超标时间数据、咸潮最大含氯度数据以及可保障供水天数数据;
步骤S32:将关键预警参数进行评价指标构建,生成预警评价指标数据;
步骤S33:根据预警评价指标数据进行评估调查问卷制定,生成调查问卷数据;
步骤S34:通过专家对调查问卷数据进行指标重要性评价,从而得到重要性评价数据;
步骤S35:通过重要性评价数据对关键预警参数进行判断矩阵构建,生成重要性判断矩阵;
步骤S36:利用AHP模型对重要性判断矩阵进行相对权重计算,并进行归一化处理,生成评价指标权重数据;
步骤S37:通过评价指标权重数据对关键预警参数进行矩阵点乘计算,生成综合评价矩阵数据。
6.根据权利要求5所述的河口咸潮预警等级划分方法,其特征在于,步骤S4包括以下步骤:
步骤S41:通过预设的评价指标隶属度规则对综合评价矩阵数据进行模糊隶属度函数制定,生成指标隶属度函数;
步骤S42:将综合评价矩阵数据进行评价值离散化处理,从而得到离散综合评价数据;
步骤S43:利用指标隶属度函数对离散综合评价数据进行隶属度映射处理,生成隶属度矩阵数据;
步骤S44:对隶属度矩阵数据进行矩阵归一化处理,生成归一化隶属度矩阵;
步骤S45:根据归一化隶属度矩阵进行综合隶属度值计算,并通过预设的咸潮影响程度规则进行影响程度匹配,生成咸潮影响程度值数据。
7.根据权利要求6所述的河口咸潮预警等级划分方法,其特征在于,步骤S5包括以下步骤:
步骤S51:根据咸潮模式数据进行咸潮发生概率处理,生成咸潮模式概率数据;
步骤S52:通过咸潮影响程度值数据对咸潮模式概率数据进行风险指数计算,生成咸潮风险指数数据;
步骤S53:利用咸潮风险指数数据对咸潮模式数据进行风险等级阈值划分,生成风险等级评判数据;
步骤S54:利用预设的长短期记忆网络模型对预警评价指标数据以及咸潮风险指数数据进行迁移学习,从而得到咸潮风险预测模型;
步骤S55:获取河口实时监测数据;对河口实时监测数据进行数据预处理,生成预处理河口实时监测数据;
步骤S56:将预处理河口实时监测数据传输至咸潮风险预测模型进行咸潮风险指数预测,生成实时咸潮风险预测指数;
步骤S57:利用风险指数评估算法对实时咸潮风险预测指数进行适应性评估,生成适应性评估数据;当适应性评估数据高于或者等于预设的适应性评估阈值时,将实时咸潮风险预测指数标记为有效风险预测指数,执行步骤S58;当适应性评估数据低于预设的适应性评估阈值时,将实时咸潮风险预测指数标记为无效风险预测指数,返回步骤S56再次风险指数预测;
步骤S58:通过风险等级评判数据对有效风险预测指数进行实时咸潮预警等级匹配,并根据终端设备发布咸潮预警等级,生成咸潮预警等级数据。
8.根据权利要求7所述的河口咸潮预警等级划分方法,其特征在于,步骤S57中风险指数评估算法公式如下所示:
;
式中,表示为适应性评估数据,/>表示为预警评价指标中评价指标数量,/>表示为评价指标的序号值,/>表示为数学偏微分符号,/>表示为实时咸潮风险预测指数,/>表示为河口实时监测数据中第/>个实时预警指标数据,/>表示为适应性调整因子,/>表示为第/>个实时预警指标数据的历史平均值,/>表示为第/>个时刻的咸潮预警等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166994.8A CN117709603B (zh) | 2024-02-06 | 2024-02-06 | 一种河口咸潮预警等级划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166994.8A CN117709603B (zh) | 2024-02-06 | 2024-02-06 | 一种河口咸潮预警等级划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117709603A CN117709603A (zh) | 2024-03-15 |
CN117709603B true CN117709603B (zh) | 2024-05-17 |
Family
ID=90144754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410166994.8A Active CN117709603B (zh) | 2024-02-06 | 2024-02-06 | 一种河口咸潮预警等级划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117709603B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521710A (zh) * | 2011-12-22 | 2012-06-27 | 上海建科工程咨询有限公司 | 一种建筑施工质量安全在线风险评估系统 |
CN103617306A (zh) * | 2013-10-23 | 2014-03-05 | 广东省水文局佛山水文分局 | 一种基于潮汐和径流的河口咸潮预报方法 |
CN108876184A (zh) * | 2018-06-29 | 2018-11-23 | 中车建设工程有限公司 | 一种高速铁路隧道运营期的安全风险评价及预警方法 |
CN109919411A (zh) * | 2019-01-09 | 2019-06-21 | 天津市市政工程设计研究院 | 一种城市内涝灾害预警等级评估方法 |
CN111008734A (zh) * | 2019-11-26 | 2020-04-14 | 华南理工大学 | 洪水危险性的区划和时空演变规律的研究方法 |
CN113609783A (zh) * | 2021-08-17 | 2021-11-05 | 中山大学 | 耦合大尺度环流气候信息的咸潮上溯预报系统和方法 |
CN113887819A (zh) * | 2021-10-20 | 2022-01-04 | 珠江水资源保护科学研究所 | 一种河口枯水期的咸潮预报方法及预报设备 |
CN116434475A (zh) * | 2022-12-13 | 2023-07-14 | 绍兴文理学院 | 一种基于降雨强度与地表位移变化率的滑坡预警方法 |
CN116864139A (zh) * | 2023-06-30 | 2023-10-10 | 平安科技(深圳)有限公司 | 疾病风险评估方法、装置、计算机设备及可读存储介质 |
-
2024
- 2024-02-06 CN CN202410166994.8A patent/CN117709603B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521710A (zh) * | 2011-12-22 | 2012-06-27 | 上海建科工程咨询有限公司 | 一种建筑施工质量安全在线风险评估系统 |
CN103617306A (zh) * | 2013-10-23 | 2014-03-05 | 广东省水文局佛山水文分局 | 一种基于潮汐和径流的河口咸潮预报方法 |
CN108876184A (zh) * | 2018-06-29 | 2018-11-23 | 中车建设工程有限公司 | 一种高速铁路隧道运营期的安全风险评价及预警方法 |
CN109919411A (zh) * | 2019-01-09 | 2019-06-21 | 天津市市政工程设计研究院 | 一种城市内涝灾害预警等级评估方法 |
CN111008734A (zh) * | 2019-11-26 | 2020-04-14 | 华南理工大学 | 洪水危险性的区划和时空演变规律的研究方法 |
CN113609783A (zh) * | 2021-08-17 | 2021-11-05 | 中山大学 | 耦合大尺度环流气候信息的咸潮上溯预报系统和方法 |
CN113887819A (zh) * | 2021-10-20 | 2022-01-04 | 珠江水资源保护科学研究所 | 一种河口枯水期的咸潮预报方法及预报设备 |
CN116434475A (zh) * | 2022-12-13 | 2023-07-14 | 绍兴文理学院 | 一种基于降雨强度与地表位移变化率的滑坡预警方法 |
CN116864139A (zh) * | 2023-06-30 | 2023-10-10 | 平安科技(深圳)有限公司 | 疾病风险评估方法、装置、计算机设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117709603A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Hybrid forecasting model for non-stationary daily runoff series: a case study in the Han River Basin, China | |
Nadiri et al. | Modelling groundwater level variations by learning from multiple models using fuzzy logic | |
CN110263866B (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
Kankanala et al. | AdaBoost $^{+} $: An ensemble learning approach for estimating weather-related outages in distribution systems | |
CN106022518B (zh) | 一种基于bp神经网络的管道破损概率预测方法 | |
CN111222992A (zh) | 一种基于注意力机制的长短期记忆神经网络的股票价格预测方法 | |
CN117113854B (zh) | 一种基于ConvLSTM和三维数值模拟的咸潮预报方法 | |
Song et al. | Combining time varying filtering based empirical mode decomposition and machine learning to predict precipitation from nonlinear series | |
Weng et al. | Time-series generative adversarial networks for flood forecasting | |
CN118037047A (zh) | 基于ai的矿山安全监控系统 | |
Wang et al. | A Decomposition-based Multi-model and Multi-parameter ensemble forecast framework for monthly streamflow forecasting | |
CN117495109B (zh) | 一种基于神经网络的窃电用户识别系统 | |
CN117093919B (zh) | 基于深度学习的岩土工程地质灾害预测方法及系统 | |
Joshi et al. | Rainfall prediction using data visualisation techniques | |
Tao et al. | An explainable multiscale LSTM model with wavelet transform and layer-wise relevance propagation for daily streamflow forecasting | |
CN117709603B (zh) | 一种河口咸潮预警等级划分方法 | |
Miralles et al. | Bayesian modeling of insurance claims for hail damage | |
CN117096860A (zh) | 基于lssvm模型的架空输电线路载流量区间预测方法及设备 | |
Mascali et al. | A machine learning-based Anomaly Detection Framework for building electricity consumption data | |
CN116341348A (zh) | 一种基于bp神经网络的泥石流灾害易发性预测方法 | |
Cao et al. | Probabilistic runoff forecasting considering stepwise decomposition framework and external factor integration structure | |
Balamurugan et al. | Implementation of Effective Rainfall Forecast Model using Machine Learning | |
Wang et al. | Medium and long-term trend prediction of urban air quality based on deep learning | |
Peyman | Integrated management plan of water distribution systems: forecasting approach | |
Nagure et al. | Rainfall Prediction for Flood Risk Assessment of Kolhapur Region Using Ai/Ml Models |
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 |