【技术实现步骤摘要】
本专利技术涉及河网水环境预测，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。
技术介绍
1、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。
2、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。
3、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
技术实现思路
1、为此，本专利技术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。
2、为解决上述技术问题，本专利技术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：
3、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；
4、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；
5、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；
6、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；
7、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；
8、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。
9、在本专利技术的一个实施例中，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：
10、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。
11、在本专利技术的一个实施例中，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：
12、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：
13、，
14、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。
15、在本专利技术的一个实施例中，在s3中，河网水动力-水质耦合模型为：
16、，
17、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。
18、在本专利技术的一个实施例中，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=。
19、在本专利技术的一个实施例中，在s5中，lstm神经网络的数学公式为：
20、，
21、，
22、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。
23、在本专利技术的一个实施例中，在s6中，河网透明度预测值的计算公式为：
24、，
25、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。
26、此外，本专利技术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。
27、并且，本专利技术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。
28、本专利技术的上述技术方案相比现有技术具有以下优点：
29、1.本专利技术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本文档来自技高网...
【技术保护点】
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：
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：
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：
4.根据权利要求1至3任一项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S3中，河网水动力-水质耦合模型为：
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
6.根据权利要求5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：
7.根据权利要求5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：
8.一种计算机设备，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7任一项所述方法的步骤。
9.一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7任一项所述方法的步骤。
...【技术特征摘要】
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：
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：
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：
4.根据权利要求1至3任一项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s3中，河网水动力-水质耦合模型为：
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...
【专利技术属性】
技术研发人员：廖轶鹏，高瑾瑾，李云，范子武，李星，赵金箫，粟一帆，
申请(专利权)人：水利部交通运输部国家能源局南京水利科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。