【技术实现步骤摘要】
本专利技术涉及水利，尤其涉及一种融合二维水动力模型和ca-markov的湖泊湿地植物类型预测方法及系统。
技术介绍
1、水文情势是湿地生态系统发育和演化的主要驱动力，主要指水文水力要素在时空上的变化状况。水利工程建设和气候变化可通过直接或间接地改变湖泊湿地的水文情势，导致了天然湿地植被大面积损失，引发了湿地生态功能的丧失和生物多样性的衰退，进而导致湿地保护动物种类及数量持续减少。开展湖泊湿地植物类型的模拟预测是植物保护的基础，对于湿地生物多样性维持具有重要意义。
2、元胞自动机-马尔科夫链（ca-markov）是一种基于过程的动态系统方法，可以很好地解释植物种群动态的空间效应，并模拟连续的环境动力过程和湿地植物的时空演变，已被广泛用于植物生长和扩散的模拟。目前的研究多使用遥感手段对湿地植物群落动态进行解译，从而获得植物类型分布，进而使用ca-markov方法进行植物的演替模拟。然而，此类研究忽略了水文情势过程对植物演替的重要影响，且对湿地水文情势变化引起的植物间物候差异考虑不足。
技术实现思路
1、本专利技术提供一种融合二维水动力模型和ca-markov的湖泊湿地植物类型预测方法及系统，以解决现有技术忽略了水文情势过程对植物演替的重要影响，且对湿地水文情势变化引起的植物间物候差异考虑不足的问题。
2、第一方面，本专利技术提供一种融合二维水动力模型和ca-markov的湖泊湿地植物类型预测方法，包括：
3、步骤一，获取湖泊湿地水文气象相关的基础数据
4、步骤二，基于所述基础数据，设置研究区域的上、下边界，定义模型的糙率参数，采用二维不可压缩navier-stokes方程构建二维水动力模型，
5、步骤三，采用年度淹没时间作为水文情势指标，根据所述二维水动力模型获得的湖泊湿地每个水动力网格的水深数据，计算年度淹没时间；
6、步骤四，采用高斯函数进行水文情势指标与不同植物类型的关系拟合；
7、步骤五，根据高斯函数的拟合结果，计算不同植物类型的水文情势生态阈值；
8、步骤六，根据当前年份的植物类型与年度淹没时间，采用元胞自动机-马尔科夫方法建立下一时期植物类型的转移矩阵；
9、步骤七，使用模糊集隶属函数制作水文情势生态阈值适宜性图，并作为转移矩阵的约束条件，最终获得下一时刻植物类型。
10、进一步地，步骤一中，所述日尺度水文数据包括日尺度流量数据和水位数据；所述日尺度气象数据包括日尺度降雨数据、温度数据、风速数据。
11、进一步地，步骤二中，二维不可压缩navier-stokes方程沿水深积分的连续方程和动量方程公式如下所示：
12、连续方程：
13、
14、动量方程：
15、
16、式中， h为水深； t为时间步长；、分别为横向 x、纵向 y方向的流速； u、 v分别为垂线平均流速在 x、 y方向上的分量； z为水位； g为重力加速度； c为谢才系数； vt为紊动黏性系数。
17、进一步地，步骤四中，拟合的高斯函数公式如下所示：
18、
19、式中， x是一个自然年内的环境因子； y是植物的生长状态； u是最适宜生长阈值的点；当环境因子数值为 u时，植物生长最佳，而 u的数值等于高斯曲线的峰值； t是植物的适应范围，指的是群落适应环境因子的能力，同时， t还是高斯曲线的形状参数， t的值越大，数据分布越分散，曲线越平坦；a和 y0均为常数。
20、进一步地，步骤五中，根据高斯函数拟合结果，通过参数 u和 t来计算生态阈值，把环境梯度划分成最适（ u- t， u+ t）和限制（< u-2 t，> u+2 t）两个区间。
21、进一步地，步骤六中，将所需植物类型模拟预测的区域进行元胞自动机网格划分，将研究区域划分为正方形网格，根据元胞自动机原理，构建元胞的转移函数，如下式所示：
22、
23、式中，、分别为中心细胞在时间 t和时间 t+1时的状态结果， n为细胞的邻域， f表示邻域内细胞单元相互作用的状态转换规则函数；
24、根据当前年份的植物类型与年度淹没时间计算转移矩阵，计算公式如下式所示：
25、
26、式中，0≤ pij＜1；； pij( i, j=1, 2,..., n)为当前年份内植物类型 i转化为 j的概率； p为综合状态转移概率矩阵； n为植物类型数量； st和 st+1分别为 t和 t+1年的植物类型。
27、进一步地，步骤七中，根据计算年的年度淹没时间和不同植物类型的生态阈值使用模糊集隶属函数制作适宜性图，使用模糊集隶属函数中的j型对称函数概化不同植物类型的适宜性；对于模拟结果，采用卡帕系数进行精度的验证，kappa系数的计算公式如下：
28、
29、式中， x0为预测正确元素与实际总元素的比例，x c为预测正确元素在随机状态下的比例；kappa系数计算结果分为五组来表示不同级别的一致性：0本文档来自技高网...
【技术保护点】
1.一种融合二维水动力模型和CA-Markov的湖泊湿地植物类型预测方法，其特征在于，包括：
2.如权利要求1所述的一种融合二维水动力模型和CA-Markov的湖泊湿地植物类型预测方法，其特征在于，步骤一中，所述日尺度水文数据包括日尺度流量数据和水位数据；所述日尺度气象数据包括日尺度降雨数据、温度数据、风速数据。
3.如权利要求1所述的一种融合二维水动力模型和CA-Markov的湖泊湿地植物类型预测方法，其特征在于，步骤二中，二维不可压缩Navier-Stokes方程沿水深积分的连续方程和动量方程公式如下所示：
4.如权利要求1所述的一种融合二维水动力模型和CA-Markov的湖泊湿地植物类型预测方法，其特征在于，步骤四中，拟合的高斯函数公式如下所示：
5.如权利要求1所述的一种融合二维水动力模型和CA-Markov的湖泊湿地植物类型预测方法，其特征在于，步骤五中，根据高斯函数拟合结果，通过参数u和t来计算生态阈值，把环境梯度划分成最适（u-t，u+t）和限制（<u-2t，>u+2t）两个区间。
6.如权利要
7.如权利要求1所述的一种融合二维水动力模型和CA-Markov的湖泊湿地植物类型预测方法，其特征在于，步骤七中，根据计算年的年度淹没时间和不同植物类型的生态阈值使用模糊集隶属函数制作适宜性图，使用模糊集隶属函数中的J型对称函数概化不同植物类型的适宜性；对于模拟结果，采用卡帕系数进行精度的验证，Kappa系数的计算公式如下：
8.一种融合二维水动力模型和CA-Markov的湖泊湿地植物类型预测系统，其特征在于，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，该计算机程序被加载至处理器时实现如权利要求1-7任一项所述的融合二维水动力模型和CA-Markov的湖泊湿地植物类型预测方法。
...【技术特征摘要】
1.一种融合二维水动力模型和ca-markov的湖泊湿地植物类型预测方法，其特征在于，包括：
2.如权利要求1所述的一种融合二维水动力模型和ca-markov的湖泊湿地植物类型预测方法，其特征在于，步骤一中，所述日尺度水文数据包括日尺度流量数据和水位数据；所述日尺度气象数据包括日尺度降雨数据、温度数据、风速数据。
3.如权利要求1所述的一种融合二维水动力模型和ca-markov的湖泊湿地植物类型预测方法，其特征在于，步骤二中，二维不可压缩navier-stokes方程沿水深积分的连续方程和动量方程公式如下所示：
4.如权利要求1所述的一种融合二维水动力模型和ca-markov的湖泊湿地植物类型预测方法，其特征在于，步骤四中，拟合的高斯函数公式如下所示：
5.如权利要求1所述的一种融合二维水动力模型和ca-markov的湖泊湿地植物类型预测方法，其特征在于，步骤五中，根据高斯函数拟合结果，通过参数u和t来计算生态阈值，把环境梯度划分成最适（u-t，u+t）和限制（<u...
【专利技术属性】
技术研发人员：陈求稳，陈诚，姚斯洋，张建云，崔桢，莫康乐，何梦男，马金戈，
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。