CN115270632A - 饮用水水源地水华风险预测***和方法 - Google Patents
饮用水水源地水华风险预测***和方法 Download PDFInfo
- Publication number
- CN115270632A CN115270632A CN202210924836.5A CN202210924836A CN115270632A CN 115270632 A CN115270632 A CN 115270632A CN 202210924836 A CN202210924836 A CN 202210924836A CN 115270632 A CN115270632 A CN 115270632A
- Authority
- CN
- China
- Prior art keywords
- algae
- water source
- data
- risk
- model
- 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.)
- Pending
Links
- 241000192710 Microcystis aeruginosa Species 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000003651 drinking water Substances 0.000 title description 8
- 235000020188 drinking water Nutrition 0.000 title description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 238
- 241000195493 Cryptophyta Species 0.000 claims abstract description 164
- 238000004088 simulation Methods 0.000 claims abstract description 72
- 239000002028 Biomass Substances 0.000 claims abstract description 70
- 238000012544 monitoring process Methods 0.000 claims abstract description 60
- 238000013508 migration Methods 0.000 claims abstract description 48
- 230000005012 migration Effects 0.000 claims abstract description 48
- 230000008859 change Effects 0.000 claims abstract description 47
- 230000002776 aggregation Effects 0.000 claims abstract description 32
- 238000004220 aggregation Methods 0.000 claims abstract description 32
- 230000029087 digestion Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 12
- 230000008030 elimination Effects 0.000 claims description 9
- 238000003379 elimination reaction Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 239000005422 algal bloom Substances 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012851 eutrophication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003442 weekly effect Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 241000192700 Cyanobacteria Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- 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 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种水华风险预测方法和***,包括:根据实时监测数据集和模型驱动数据集,通过流域水文水质模型模拟得到目标水源地的流域污染负荷变化趋势,通过藻类生物量生消模拟模型模拟得到目标水源地的藻类生物量变化趋势,通过浅水湖库水动力模型模拟得到目标水源地的藻类迁移规律和藻类聚集高风险区;基于流域污染负荷变化趋势、藻类生物量变化趋势、藻类迁移规律和藻类聚集高风险区,确定目标水源地的水华风险。本发明通过实时监测数据集和模型驱动数据集,模拟得到流域污染负荷变化趋势、藻类生物量变化趋势、藻类迁移规律和藻类聚集高风险区,以确定目标水源地的水华风险,从而提高对于目标水源地水华风险预测的准确性。
Description
技术领域
本发明涉及水环境管理技术领域,尤其是涉及一种饮用水水源地水华风险预测***和方法。
背景技术
蓝藻水华及富营养化问题一直是饮用水源地水环境管理的重难点。据《中国环境状况公报》中公布我国有近四分之一的大型饮用水源地处于富营养化状态。许多不包含在国控点位内的小型及城市内部水源地富营养化和蓝藻水华爆发的问题更为严重。因此,为最大程度的降低蓝藻水华产生的危害,科学有效为水华防控提供技术支持成为饮用水环境管理亟需解决的问题。
现有的水华预测方法在数据监测手段方面已经比较完善,但是在基于这些监测数据实现预测方面,现有的水华预测方法是基于预报数据建立模型进行预测的,存在输入数据为预报数据、预测结果单一和预测准确度较低的问题。
发明内容
有鉴于此,本发明的目的在于提供一种饮用水水源地水华风险预测***和方法,该方法中,通过实时监测数据集和模型驱动数据集,模拟得到流域污染负荷变化趋势、藻类生物量变化趋势、藻类迁移规律和藻类聚集高风险区,以确定目标水源地的水华风险,从而提高对于目标水源地水华风险预测的准确性。
第一方面,本发明实施例提供了一种水华风险预测方法,包括:获取目标水源地的实时监测数据集和预先存储的模型驱动数据集;其中,实时监测数据集包括实时监测的气象数据、水文数据和水质数据;模型驱动数据集包括流域DEM高程数据、水源地高精度地形高程数据和用地类型数据;根据实时监测数据集和模型驱动数据集,通过预先训练好的流域水文水质模型模拟得到目标水源地的流域污染负荷变化趋势,通过预先训练好的藻类生物量生消模拟模型模拟得到目标水源地的藻类生物量变化趋势,通过预先训练好的浅水湖库水动力模型模拟得到目标水源地的藻类迁移规律和藻类聚集高风险区;基于模拟得到流域污染负荷变化趋势、藻类生物量变化趋势、藻类迁移规律和藻类聚集高风险区,确定目标水源地的水华风险。
进一步的,流域水文水质模型通过将目标水源地的历史气象数据中的降雨数据和历史产流数据输入第一网络模型得到。
进一步的,通过预先训练好的流域水文水质模型模拟得到目标水源地的流域污染负荷变化趋势的步骤,包括:将实时监测的气象数据中的降雨数据输入训练好的流域水文水质模型,输出目标水源地的流域污染负荷变化趋势。
进一步的,藻类生物量生消模拟模型通过下述方式训练得到:将目标水源地的历史时间段的水质数据和气象数据作为输入,与历史时间段间隔预设时间差的第一未来时段的目标水源地的藻类密度作为输出,对第二网络模型进行训练,直至满足预设训练条件,得到训练好的藻类生物量生消模拟模型。
进一步的,通过预先训练好的藻类生物量生消模拟模型模拟得到目标水源地的藻类生物量变化趋势的步骤,包括:将实时监测的指定时间段的水质数据和气象数据输入训练好的藻类生物量生消模拟模型,输出目标水源地的与指定时间段间隔预设时间差的第二未来时段的藻类密度;基于第二未来时段的藻类密度,确定目标水源地的藻类生物量变化趋势。
进一步的,浅水湖库水动力模型以平面二维浅水方程作为控制方程组,以目标水源地陆地边界和库底高程数据作为地形数据得到。浅水湖库水动力模型以目标水源地的气象数据和水文数据为输入,以该气象条件下目标水源地的流场为输出。
进一步的,通过预先训练好的浅水湖库水动力模型模拟得到目标水源地的藻类迁移规律和藻类聚集高风险区的步骤,包括:将实时监测的气象数据和水文数据输入训练好的浅水湖库水动力模型,输出当前气象条件下目标水源地的流场;根据当前气象条件下目标水源地的流场的分布情况,确定目标水源地的藻类迁移规律和藻类聚集高风险区。
进一步的,基于模拟得到流域污染负荷变化趋势、藻类生物量变化趋势、藻类迁移规律和藻类聚集高风险区,确定目标水源地的水华风险的步骤,包括:基于模拟得到流域污染负荷变化趋势、藻类生物量变化趋势、藻类迁移规律和藻类聚集高风险区,确定目标水源地的水华风险预测初始结果;基于预设的会商专家库对水华风险预测初始结果进行评估,得到目标水源地的水华风险;水华风险包括突发事件发生风险及其对应的应急措施。
第二方面,本发明实施例提供了一种水华风险预测***,包括:数据获取模块,用于获取目标水源地的实时监测数据集和预先存储的模型驱动数据集;其中,实时监测数据集包括实时监测的气象数据、水文数据和水质数据;模型驱动数据集包括流域DEM高程数据、水源地高精度地形高程数据和用地类型数据;预测分析模块,用于根据实时监测数据集和模型驱动数据集,通过预先训练好的流域水文水质模型模拟得到目标水源地的流域污染负荷变化趋势,通过预先训练好的藻类生物量生消模拟模型模拟得到目标水源地的藻类生物量变化趋势,通过预先训练好的浅水湖库水动力模型模拟得到目标水源地的藻类迁移规律和藻类聚集高风险区;预测信息报送模块,用于基于模拟得到流域污染负荷变化趋势、藻类生物量变化趋势、藻类迁移规律和藻类聚集高风险区,确定目标水源地的水华风险。
第三方面,本发明实施例提供了电子设备,包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的方法。
本发明实施例提供了一种水华风险预测方法和***,包括:获取目标水源地的实时监测数据集和预先存储的模型驱动数据集;其中,实时监测数据集包括实时监测的气象数据、水文数据和水质数据;模型驱动数据集包括流域DEM高程数据、水源地高精度地形高程数据和用地类型数据;根据实时监测数据集和模型驱动数据集,通过预先训练好的流域水文水质模型模拟得到目标水源地的流域污染负荷变化趋势,通过预先训练好的藻类生物量生消模拟模型模拟得到目标水源地的藻类生物量变化趋势,通过预先训练好的浅水湖库水动力模型模拟得到目标水源地的藻类迁移规律和藻类聚集高风险区;基于模拟得到流域污染负荷变化趋势、藻类生物量变化趋势、藻类迁移规律和藻类聚集高风险区,确定目标水源地的水华风险。该方法中,通过实时全方位自动监测数据和高精度模拟相结合的方法,得到流域污染负荷变化趋势、藻类生物量变化趋势、藻类迁移规律和藻类聚集高风险区,从而确定了目标水源地的水华风险,减少了水华风险预测的误差,提高水华风险预测的准确性。与现有技术相比,本发明可模拟不同风速风向条件下藻类的迁移聚集规律,实现了实时现状监测、模拟藻类分布及迁移趋势的功能,为水华科学防控提供技术支持。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的水华风险预测方法流程图;
图2为本发明实施例一提供的神经网络预测模型示意图;
图3为本发明实施例一提供的藻类生物量生消模拟模型训练示意图;
图4为本发明实施例二提供的水华风险预测***示意图;
图5为本发明实施例二提供的另一水华风险预测***示意图;
图6为本发明实施例二提供的目标水源地水华预测日报和预测周报示意图。
图标:1-数据获取模块;2-预测分析模块;3-预测信息报送模块;4-数据整合模块;41-监测数据输入单元;42-模型驱动数据输入单元;5-预警分析模块;51-水文及污染负荷模拟单元;52-藻类生物量生消模拟单元;53-藻类迁移聚集特征模拟单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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。
为便于对本实施例进行理解,下面对本发明实施例进行详细介绍。
实施例一:
图1为本发明实施例一提供的水华风险预测方法流程图。
参照图1,水华风险预测方法包括:
步骤S101,获取目标水源地的实时监测数据集和预先存储的模型驱动数据集;其中,实时监测数据集包括实时监测的气象数据、水文数据和水质数据;模型驱动数据集包括流域DEM高程数据、水源地高精度地形高程数据和用地类型数据。
这里,实时监测数据集中,获取监测数据的手段包括气象自动监测站点、水质自动监测站点、水文自动监测站点、人工巡视采样等。数据类型可分为气象数据、水文数据、水质数据。气象数据包括平均气温、降水量、日照时长、气压。水文数据包括水源地水位、蓄水量、输配水流量。水质数据包括库区及输配水水温、pH值、电导率、浊度、高锰酸盐指数、氨氮、总氮、总磷、叶绿素a和藻密度。
模型驱动数据集中,流域DEM高程数据和用地类型数据用于流域污染负荷模拟,水源地高精度地形高程数据准确的地形数据是二维模型计算的基础,也是必备的硬件条件。地形数据可以通过现场勘察测绘获取。地形数据的精度也影响着数值模型的计算准确性。
步骤S102,根据实时监测数据集和模型驱动数据集,通过预先训练好的流域水文水质模型模拟得到目标水源地的流域污染负荷变化趋势,通过预先训练好的藻类生物量生消模拟模型模拟得到目标水源地的藻类生物量变化趋势,通过预先训练好的浅水湖库水动力模型模拟得到目标水源地的藻类迁移规律和藻类聚集高风险区。
这里,对流域水文水质模型的训练包括对流域水文水质模型的构建、率定和验证;对浅水湖库水动力模型的训练包括对浅水湖水动力模型的构建、率定和验证。
在一实施方式中,步骤S102的流域水文水质模型通过将目标水源地的历史气象数据中的降雨数据和历史产流数据输入第一网络模型得到。
这里,第一网络模型为GWLF(Generalized Watershed Loading Function流域负荷模型)。通过产流数据生成产流系数,根据GWLF和产流系数构建流域水文水质模型。通过对浅水湖动力模型的率定和验证,将模拟值与实际值进行对比,如果模拟值与实际值差距较大,则根据实际情况调整产流系数以及相关水质参数以使拟合效果达到期望效果。
具体地,通过预先训练好的流域水文水质模型模拟得到目标水源地的流域污染负荷变化趋势的步骤,包括:
将实时监测的气象数据中的降雨数据输入训练好的流域水文水质模型,输出目标水源地的流域污染负荷变化趋势。
这里,构建、率定、验证完成的流域水文水质模型可以根据输入的实时降雨数据输出目标水源地的流域污染负荷变化趋势。
在一实施方式中,步骤S102的藻类生物量生消模拟模型通过下述方式训练得到:
将目标水源地的历史时间段的水质数据和气象数据作为输入,与历史时间段间隔预设时间差的第一未来时段的目标水源地的藻类密度作为输出,对第二网络模型进行训练,直至满足预设训练条件,得到训练好的藻类生物量生消模拟模型。
这里,因为除极端情况外,水质及气象的变化情况作用在藻类上并对藻类数量产生影响这个过程会有一定的滞后性,即当前藻类的生长或者衰减是过去时间里发生的气象及水质等因素的变化造成的,所以在构建模型时,引入时间差的方法,选取预设时间段内的水质数据和气象数据作为输入。依据藻类的生长特点,预设时间差确定为3天。参照图2和图3,第二网络模型为BP(Multiple-layer feedforward network,神经网络预测模型),且为一个有时间差的BP模型。训练条件为上述神经网络模型可以基于当前的监测数据预测未来藻类生物量变化。第一未来时段为历史时间段后3天。
具体地,通过预先训练好的藻类生物量生消模拟模型模拟得到目标水源地的藻类生物量变化趋势的步骤,包括:
将实时监测的指定时间段的水质数据和气象数据输入训练好的藻类生物量生消模拟模型,输出目标水源地的与指定时间段间隔预设时间差的第二未来时段的藻类密度;
基于第二未来时段的藻类密度,确定目标水源地的藻类生物量变化趋势。
这里,学习训练完成的藻类生物量生消模拟模型可以根据输入的当前时间点3天内的水质数据和气象数据,输出目标水源地的藻类生物量变化趋势。第二未来时间段为当前时间点的未来3天。
在一实施方式中,步骤S102的浅水湖库水动力模型以平面二维浅水方程作为控制方程组,以目标水源地陆地边界和库底高程数据作为地形数据得到。浅水湖库水动力模型以目标水源地的气象数据和水文数据为输入,以该气象条件下目标水源地的流场为输出。
这里,气象数据主要包括风速和风向等,水文数据主要包括水量数据、入流位置、入流水量、出流水量和一段时间内的水位数据等。
浅水湖水动力模型为二维水动力模型,采用MIKE21中的水动力模块进行模拟,在MIKE21中输入目标水源地陆地边界和库底地形高程数据作为地形数据构建目标水源地形状,选用平面二维浅水方程作为控制方程组,在笛卡尔坐标系下通过对水平动量方程沿垂向进行积分,计算区域采用非结构三角形网格进行离散,并内插水深,同时输入气象数据、水质数据和水文数据以构建浅水湖动力模型。通过对浅水湖动力模型的率定和验证,将模拟值与实际值进行对比,如果模拟值与实际值差距较大,则根据实际情况调整对应参数以使拟合效果达到期望效果。
具体地,通过预先训练好的浅水湖库水动力模型模拟得到目标水源地的藻类迁移规律和藻类聚集高风险区的步骤,包括:
将实时监测的气象数据和水文数据输入训练好的浅水湖库水动力模型,输出当前气象条件下目标水源地的流场;
根据当前气象条件下目标水源地的流场的分布情况,确定目标水源地的藻类迁移规律和藻类聚集高风险区。
这里,浅水湖库水动力模型可以根据风速、风量、入流位置、入流水量、出流水量和监测时间段的水位数据,输出当前天气条件下的浅水湖库流场的分布情况,以目标水源地的藻类迁移规律和藻类聚集高风险区。
步骤S103,基于模拟得到流域污染负荷变化趋势、藻类生物量变化趋势、藻类迁移规律和藻类聚集高风险区,确定目标水源地的水华风险。
在一实施方式中,步骤S103还包括:
基于模拟得到流域污染负荷变化趋势、藻类生物量变化趋势、藻类迁移规律和藻类聚集高风险区,确定目标水源地的水华风险预测初始结果;
基于预设的会商专家库对水华风险预测初始结果进行评估,得到目标水源地的水华风险;水华风险包括突发事件发生风险及其对应的应急措施。
这里,水华风险包括水华堆积风险时空演变趋势、重点区域堆积风险与时长等。
将水华风险预测结果发送至会商专家库,以使会商专家库成员对水华风险预测结果进行评估,以获得目标水源地的突发事件发生风险及其对应的应急措施。
这里,会商专家库中应涵盖气象、水文、水质等多方面专家,全方位对水华风险预测结果进行评估,重点评估突发事件发生风险,指定应急措施。
具体地,将目标水源地的水华风险预测结果与目标水源地的突发事件发生风险及其对应的应急措施结合,生成预测日报和/或预测周报,报送内容包括未来一天或一周的水源地水质情况,藻类水华分布及变化趋势。
本发明实施例提供了一种水华风险预测方法,包括:获取目标水源地的实时监测数据集和预先存储的模型驱动数据集;其中,实时监测数据集包括实时监测的气象数据、水文数据和水质数据;模型驱动数据集包括流域DEM高程数据、水源地高精度地形高程数据和用地类型数据;根据实时监测数据集和模型驱动数据集,通过预先训练好的流域水文水质模型模拟得到目标水源地的流域污染负荷变化趋势,通过预先训练好的藻类生物量生消模拟模型模拟得到目标水源地的藻类生物量变化趋势,通过预先训练好的浅水湖库水动力模型模拟得到目标水源地的藻类迁移规律和藻类聚集高风险区;基于模拟得到流域污染负荷变化趋势、藻类生物量变化趋势、藻类迁移规律和藻类聚集高风险区,确定目标水源地的水华风险。该方法中,通过实时全方位自动监测数据和高精度模拟相结合的方法,得到流域污染负荷变化趋势、藻类生物量变化趋势、藻类迁移规律和藻类聚集高风险区,从而确定了目标水源地的水华风险,减少了水华风险预测的误差,提高水华风险预测的准确性。
实施例二:
图4为本发明实施例二提供的水华风险预测***示意图。
参照图4,水华风险预测***包括:
数据获取模块1,用于获取目标水源地的实时监测数据集和预先存储的模型驱动数据集;其中,实时监测数据集包括实时监测的气象数据、水文数据和水质数据;模型驱动数据集包括流域DEM高程数据、水源地高精度地形高程数据和用地类型数据;
预测分析模块2,用于根据实时监测数据集和模型驱动数据集,通过预先训练好的流域水文水质模型模拟得到目标水源地的流域污染负荷变化趋势,通过预先训练好的藻类生物量生消模拟模型模拟得到目标水源地的藻类生物量变化趋势,通过预先训练好的浅水湖库水动力模型模拟得到目标水源地的藻类迁移规律和藻类聚集高风险区;
预测信息报送模块3,用于基于模拟得到流域污染负荷变化趋势、藻类生物量变化趋势、藻类迁移规律和藻类聚集高风险区,确定目标水源地的水华风险。
在一实施方式中,参照图5的另一水华风险预测***示意图,水华风险预测***还包括:按顺序相连的数据整合模块4、预警分析模块5、专家会商模块6和预警信息报送模块7。
这里,数据整合模块4包括监测数据输入单元41和模型驱动数据输入单元42;预警分析模块5包括水文及污染负荷模拟单元51、藻类生物量生消模拟单元52和藻类迁移聚集特征模拟单元53。
具体地,数据整合模块用于存储目标水源地的实时监测数据集和模型驱动数据集。
监测数据输入单元是一个监测数据库,用于存储目标水源地的实时监测数据集,监测数据数量多、覆盖面广,所收集的数据经过审核整理存储到数据库中,不仅便于随时调用查询也作为了监测数据输入单元,为水华风险预测预警***提供了完整的数据储备。
模型驱动数据输入单元,用于存储模型驱动数据集,包括流域DEM高程数据、水源地高精度地形高程数据、用地类型数据。
预警分析模块包括水文及污染负荷模拟单元、藻类生物量生消模拟单元、藻类迁移聚集特征模拟单元。从流域尺度逐步递进,从生物量到迁移规律多方面考虑以更好的实现预测预警功能。
水文及污染负荷模拟单元,用于通过预先训练好的流域水文水质模型模拟得到目标水源地的流域污染负荷变化趋势。降雨事件是水华风险预测预警工作过程中产生不确定性的主要因素之一,降雨产生的径流冲刷地面携带着面源污染进入水源地。饮用水源地管理严格,点源排放基本消除,面源污染就成了水源地最主要的污染来源也是水源地富营养化加剧的主要原因。为了研究水源地流域污染负荷的变化,应用流域水文水质模型分析不同降雨情景下各个子流域产流量及水质。
藻类生物量生消模拟单元,用于通过预先训练好的藻类生物量生消模拟模型模拟得到目标水源地的藻类生物量变化趋势。神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。因为其具有运算速度快、联想能力强、适应性容错性好的特点被广泛应用。相比于传统的神经网络模型本单元采用有时间差的神经网络算法应用于藻类水华预测。
藻类迁移聚集特征模拟单元,用于通过预先训练好的浅水湖库水动力模型模拟得到目标水源地的藻类迁移规律和藻类聚集高风险区。主导风向影响着浅水湖库流场,基于流场变化分析藻类迁移运动规律,实现常态状况下蓝藻水华短期预警。
专家会商模块,用于构建会商专家库,专家库成员应涵盖气象、水文、水质等多方面专家,全方位对水华预测预警***预测结果进行评估,重点评估突发事件发生风险,指定应急措施,与应急防控需求相适应。
预警信息报送模块,用于将目标水源地的水华风险预测结果与目标水源地的突发事件发生风险及其对应的应急措施结合,生成预测日报和/或预测周报,参照图6,报送内容包括未来一天或一周的水源地水质情况,藻类水华分布及变化趋势。
本发明实施例提供了一种水华风险预测***,包括:获取目标水源地的实时监测数据集和预先存储的模型驱动数据集;其中,实时监测数据集包括实时监测的气象数据、水文数据和水质数据;模型驱动数据集包括流域DEM高程数据、水源地高精度地形高程数据和用地类型数据;根据实时监测数据集和模型驱动数据集,通过预先训练好的流域水文水质模型模拟得到目标水源地的流域污染负荷变化趋势,通过预先训练好的藻类生物量生消模拟模型模拟得到目标水源地的藻类生物量变化趋势,通过预先训练好的浅水湖库水动力模型模拟得到目标水源地的藻类迁移规律和藻类聚集高风险区;基于模拟得到流域污染负荷变化趋势、藻类生物量变化趋势、藻类迁移规律和藻类聚集高风险区,确定目标水源地的水华风险。该***中,通过水文及污染负荷模拟单元、藻类生物量生消模拟单元和藻类迁移聚集特征模拟单元,对流域污染负荷变化趋势、藻类生物量变化趋势、藻类迁移规律和藻类聚集高风险区进行预测,通过专家会商对水华预测结果进行评估并指定应急措施,生成预测日报和/或周报,从而更全面地确定了目标水源地的水华风险和变化趋势,与应急防控需求相适应,减少了水华风险预测的误差,提高水华风险预测的准确性。
本发明实施例还提供一种电子设备,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,处理器执行计算机程序时实现上述实施例提供的水华风险预测方法的步骤。
本发明实施例所提供的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种水华风险预测方法,其特征在于,包括:
获取目标水源地的实时监测数据集和预先存储的模型驱动数据集;其中,所述实时监测数据集包括实时监测的气象数据、水文数据和水质数据;所述模型驱动数据集包括流域DEM高程数据、水源地高精度地形高程数据和用地类型数据;
根据所述实时监测数据集和所述模型驱动数据集,通过预先训练好的流域水文水质模型模拟得到所述目标水源地的流域污染负荷变化趋势,通过预先训练好的藻类生物量生消模拟模型模拟得到所述目标水源地的藻类生物量变化趋势,通过预先训练好的浅水湖库水动力模型模拟得到所述目标水源地的藻类迁移规律和藻类聚集高风险区;
基于模拟得到所述流域污染负荷变化趋势、所述藻类生物量变化趋势、所述藻类迁移规律和所述藻类聚集高风险区,确定所述目标水源地的水华风险。
2.根据权利要求1所述的水华风险预测方法,其特征在于,所述流域水文水质模型通过将所述目标水源地的历史气象数据中的降雨数据和历史产流数据输入第一网络模型得到。
3.根据权利要求2所述的水华风险预测方法,其特征在于,所述通过预先训练好的流域水文水质模型模拟得到所述目标水源地的流域污染负荷变化趋势的步骤,包括:
将实时监测的所述气象数据中的降雨数据输入训练好的所述流域水文水质模型,输出所述目标水源地的流域污染负荷变化趋势。
4.根据权利要求1所述的水华风险预测方法,其特征在于,所述藻类生物量生消模拟模型通过下述方式训练得到:
将所述目标水源地的历史时间段内的水质数据和气象数据作为输入,与所述历史时间段间隔预设时间差的第一未来时段的所述目标水源地的藻类密度数据作为输出,对第二网络模型进行训练,直至满足预设训练条件,得到训练好的所述藻类生物量生消模拟模型。
5.根据权利要求4所述的水华风险预测方法,其特征在于,所述通过预先训练好的藻类生物量生消模拟模型模拟得到所述目标水源地的藻类生物量变化趋势的步骤,包括:
将实时监测的指定时间段内的所述水质数据和所述气象数据输入训练好的所述藻类生物量生消模拟模型,输出所述目标水源地的与所述指定时间段间隔所述预设时间差的第二未来时段的藻类密度;
基于所述第二未来时段的藻类密度,确定所述目标水源地的藻类生物量变化趋势。
6.根据权利要求1所述的水华风险预测方法,其特征在于,所述浅水湖库水动力模型以平面二维浅水方程作为控制方程组,以目标水源地陆地边界和库底高程数据作为地形数据得到。所述浅水湖库水动力模型以所述目标水源地的气象数据和水文数据为输入,以该气象条件下所述目标水源地的流场为输出。
7.根据权利要求6所述的水华风险预测方法,其特征在于,所述通过预先训练好的浅水湖库水动力模型模拟得到所述目标水源地的藻类迁移规律和藻类聚集高风险区的步骤,包括:
将实时监测的所述气象数据和所述水文数据输入所述训练好的浅水湖库水动力模型,输出当前气象条件下所述目标水源地的流场;
根据当前气象条件下所述目标水源地的流场的分布情况,确定所述目标水源地的藻类迁移规律和藻类聚集高风险区。
8.根据权利要求1所述的水华风险预测方法,其特征在于,所述基于模拟得到所述流域污染负荷变化趋势、所述藻类生物量变化趋势、所述藻类迁移规律和所述藻类聚集高风险区,确定所述目标水源地的水华风险的步骤,包括:
基于模拟得到所述流域污染负荷变化趋势、所述藻类生物量变化趋势、所述藻类迁移规律和所述藻类聚集高风险区,确定所述目标水源地的水华风险预测初始结果;
基于预设的会商专家库对所述水华风险预测初始结果进行评估,得到所述目标水源地的水华风险;所述水华风险包括突发事件发生风险及其对应的应急措施。
9.一种水华风险预测***,其特征在于,包括:
数据获取模块,用于获取目标水源地的实时监测数据集和预先存储的模型驱动数据集;其中,所述实时监测数据集包括实时监测的气象数据、水文数据和水质数据;所述模型驱动数据集包括流域DEM高程数据、水源地高精度地形高程数据和用地类型数据;
预测分析模块,用于根据所述实时监测数据集和所述模型驱动数据集,通过预先训练好的流域水文水质模型模拟得到所述目标水源地的流域污染负荷变化趋势,通过预先训练好的藻类生物量生消模拟模型模拟得到所述目标水源地的藻类生物量变化趋势,通过预先训练好的浅水湖库水动力模型模拟得到所述目标水源地的藻类迁移规律和藻类聚集高风险区;
预测信息报送模块,用于基于模拟得到所述流域污染负荷变化趋势、所述藻类生物量变化趋势、所述藻类迁移规律和所述藻类聚集高风险区,确定所述目标水源地的水华风险。
10.一种电子设备,包括存储器、处理器,所述存储器上存储有可在所述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计算机程序时实现上述权利要求1-8所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924836.5A CN115270632A (zh) | 2022-08-02 | 2022-08-02 | 饮用水水源地水华风险预测***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924836.5A CN115270632A (zh) | 2022-08-02 | 2022-08-02 | 饮用水水源地水华风险预测***和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115270632A true CN115270632A (zh) | 2022-11-01 |
Family
ID=83747063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210924836.5A Pending CN115270632A (zh) | 2022-08-02 | 2022-08-02 | 饮用水水源地水华风险预测***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270632A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050951A (zh) * | 2023-04-03 | 2023-05-02 | 云南碧翔物联网科技有限公司 | 一种基于数据分析模型的污染监测方法及*** |
CN116109462A (zh) * | 2023-04-11 | 2023-05-12 | 乐百氏(广东)饮用水有限公司 | 一种自然灾害后饮水水源地污染监测预警方法及*** |
CN117113735A (zh) * | 2023-10-25 | 2023-11-24 | 湖南大学 | 基于多层次生态模型的藻华智能预警方法与*** |
-
2022
- 2022-08-02 CN CN202210924836.5A patent/CN115270632A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050951A (zh) * | 2023-04-03 | 2023-05-02 | 云南碧翔物联网科技有限公司 | 一种基于数据分析模型的污染监测方法及*** |
CN116050951B (zh) * | 2023-04-03 | 2023-08-11 | 云南碧翔物联网科技有限公司 | 一种基于数据分析模型的污染监测方法及*** |
CN116109462A (zh) * | 2023-04-11 | 2023-05-12 | 乐百氏(广东)饮用水有限公司 | 一种自然灾害后饮水水源地污染监测预警方法及*** |
CN117113735A (zh) * | 2023-10-25 | 2023-11-24 | 湖南大学 | 基于多层次生态模型的藻华智能预警方法与*** |
CN117113735B (zh) * | 2023-10-25 | 2024-01-02 | 湖南大学 | 基于多层次生态模型的藻华智能预警方法与*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tung et al. | A survey on river water quality modelling using artificial intelligence models: 2000–2020 | |
CN115270632A (zh) | 饮用水水源地水华风险预测***和方法 | |
Chawla et al. | Modeling spatial dependencies for mining geospatial data | |
Coccia et al. | Recent developments in predictive uncertainty assessment based on the model conditional processor approach | |
Aziz et al. | Application of artificial neural networks in regional flood frequency analysis: a case study for Australia | |
CN108053071A (zh) | 区域空气污染物浓度预测方法、终端及可读存储介质 | |
Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
CN109886456B (zh) | 基于pca与混合核函数lssvr的泥石流预测方法 | |
Mohammad-Azari et al. | State-of-art of genetic programming applications in water-resources systems analysis | |
CA3172010A1 (en) | Machine learning architecture for quantifying and monitoring event-based risk | |
Rosin et al. | A committee evolutionary neural network for the prediction of combined sewer overflows | |
Mostaghimzadeh et al. | Investigation of a composite two-phase hedging rule policy for a multi reservoir system using streamflow forecast | |
CN117808214A (zh) | 水利工程数据分析*** | |
CN115775437B (zh) | 一种渔港海浪的预警方法及预警装置 | |
Weller et al. | Hydrogeomorphic modeling of low-marsh habitat in coastal Georgian Bay, Lake Huron | |
Bagheri et al. | Sea-level projections using a NARX-NN model of tide gauge data for the coastal city of Kuala Terengganu in Malaysia | |
Huo et al. | Assessing a fuzzy model and HSPF to supplement rainfall data for nonpoint source water quality in the Feitsui reservoir watershed | |
Wang et al. | Drought prediction: Insights from the fusion of LSTM and multi-source factors | |
Gu et al. | A Stacking Ensemble Learning Model for Monthly Rainfall Prediction in the Taihu Basin, China. Water 2022, 14, 492 | |
Zanella et al. | Sensor networks, data processing, and inference: the hydrology challenge | |
Lu et al. | Auto station precipitation data making up using an improved neuro net | |
CN117892983B (zh) | 近岸海域陆源污染负荷分配确定方法及*** | |
CN117094464B (zh) | 一种湖区水生态安全评价方法 | |
Badrzadeh | River flow forecasting using an integrated approach of wavelet multi-resolution analysis and computational intelligence techniques | |
CN117195749B (zh) | 一种气候变化对区域公路网风险预测方法及可读存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221214 Address after: 300191 No. 19, rehabilitation Road, Tianjin, Nankai District Applicant after: TIANJIN ECO-ENVIRONMENTAL MONITORING CENTER Applicant after: TIANJIN TIANBIN RUICHENG ENVIRONMENTAL TECHNOLOGY ENGINEERING CO.,LTD. Address before: 308, 3rd floor, 112 Nankai 2nd Road, Nankai District, Tianjin (Science and Technology Park) Applicant before: TIANJIN TIANBIN RUICHENG ENVIRONMENTAL TECHNOLOGY ENGINEERING CO.,LTD. |
|
TA01 | Transfer of patent application right |