CN116307265B - 一种基于水流模型的水生态治理分析决策方法及*** - Google Patents
一种基于水流模型的水生态治理分析决策方法及*** Download PDFInfo
- Publication number
- CN116307265B CN116307265B CN202310535565.9A CN202310535565A CN116307265B CN 116307265 B CN116307265 B CN 116307265B CN 202310535565 A CN202310535565 A CN 202310535565A CN 116307265 B CN116307265 B CN 116307265B
- Authority
- CN
- China
- Prior art keywords
- river
- model
- data
- river channel
- water
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 605
- 238000011282 treatment Methods 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000004458 analytical method Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 68
- 238000013461 design Methods 0.000 claims abstract description 30
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims description 155
- 238000012544 monitoring process Methods 0.000 claims description 82
- 238000005457 optimization Methods 0.000 claims description 69
- 238000004422 calculation algorithm Methods 0.000 claims description 55
- 238000000746 purification Methods 0.000 claims description 45
- 238000004088 simulation Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 30
- 238000007637 random forest analysis Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 238000013441 quality evaluation Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 description 33
- 230000000694 effects Effects 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000011960 computer-aided design Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 239000013049 sediment Substances 0.000 description 4
- 238000012938 design process Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 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
- G06Q10/04—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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水生态治理技术领域,尤其涉及一种基于水流模型的水生态治理分析决策方法及***。所述方法包括以下步骤:通过GIS技术对河道进行河道地形数据采集,生成河道地形数据;根据河道地形数据进行河道三维物理模型建模处理,从而生成河道地形模型;根据河道地形模型进行导流帷幕架构设计处理,生成导流帷幕架构;根据预设的导流帷幕摆放位置与导流帷幕架构对河道地形模型进行河道导流帷幕增设处理,从而生成河道地形模型的导流帷幕;获取历史河道水文数据;利用循环神经网络模型对历史河道水文数据进行模拟水文数据预测处理,生成模拟水文数据。本发明通过分析河道特征构建出水流模型,以实现对河道水生态的治理及分析。
Description
技术领域
本发明涉及水生态治理技术领域,尤其涉及一种基于水流模型的水生态治理分析决策方法及***。
背景技术
目前水生态治理措施可以通过建立水流模型并对水流模型进行仿真运行,可以增强水生态***的自净能力,改善水质和生态环境,完善水生态保护制度,规范水资源利用和管理行为,有效保护水生态环境,以此分析对河道的治理决策方法。然而,传统的水流模型不好掌控水文数据的变化量,未考虑河道中存在的复杂性与不确定性,并且不能通过水流模型中的导流帷幕合理的分配水流模型的水资源净化区间与水资源流动区间两者的区间距离,对河道的治理达不到理想的效果。
发明内容
基于此,本发明提供一种基于水流模型的水生态治理分析决策方法及***,以解决至少一个上述技术问题。
为实现上述目的,一种基于水流模型的水生态治理分析决策方法,包括以下步骤:
步骤S1:通过GIS技术对河道进行河道地形数据采集,生成河道地形数据;根据河道地形数据进行河道三维物理模型建模处理,从而生成河道地形模型;
步骤S2:根据河道地形模型进行导流帷幕架构设计处理,生成导流帷幕架构;根据预设的导流帷幕摆放位置与导流帷幕架构对河道地形模型进行河道导流帷幕增设处理,从而生成河道地形模型的导流帷幕;
步骤S3:获取历史河道水文数据;利用循环神经网络模型对历史河道水文数据进行模拟水文数据预测处理,生成模拟水文数据;将模拟水文数据传输至河道地形模型中进行河道模型仿真运行处理,从而生成水流模型;
步骤S4:根据导流帷幕将水流模型进行河道区域划分,分别生成水流模型的河道净化区与河道流动区;对河道流动区的模拟水文数据进行河道安全实时监测处理,生成河道流动区安全监测数据;利用河道流动区优化调节算法对河道流动区安全监测数据进行河道流动区安全区间计算处理,生成河道流动区安全区间数据;根据河道流动区安全区间数据对导流帷幕进行导流帷幕智能调节处理,以此获得优化水流模型;
步骤S5:利用随机森林算法对历史河道水文数据进行河道水质检测模型建立处理,生成水质检测模型;对优化水流模型进行优化水流模型的水文数据采集,生成优化水文数据;将优化水文数据传输至水质检测模型中进行水质检测处理,生成优化水流模型的水质评估状况数据。
本发明通过GIS技术采集河道地形数据,可以获得更加精准、全面的河道地形数据,有助于后续的河道模型建立和水流模拟;利用河道地形数据进行河道三维物理模型建模,可以生成高质量的河道地形模型,该模型可以用于后续的水流模拟、水质检测等处理,实现对河道的全面、立体化管理,有助于提升河道管理效率;导流帷幕可以将水流导向河道的特定区域,增加水流速度和流量,将河道分为净化区与流动区,用于河水的流动与净化,减少水流的互相混合,从而减少底泥的沉积和积累,保持河道的深度和宽度,将泥沙从河道的特定区域移除,从而减少泥沙淤积,降低水流的阻力,减少水流对河岸的侵蚀和破坏,保护河岸,将污染物从水流中分离和去除,提高水质;通过使用循环神经网络模型对历史河道水文数据进行预测处理,生成模拟水文数据,可以提高水文数据的准确性和可靠性;将模拟水文数据传输至河道地形模型中进行仿真运行处理,可以生成更为精确的水流模型,优化了河道模型的仿真运行,通过生成更为准确和可靠的水流模型,可以帮助决策者更好地了解河道的水流特性,从而提高河道治理的效率和准确性;通过根据导流帷幕将水流模型进行河道区域划分,分别生成水流模型的河道净化区与河道流动区,根据河道不同的水质特点和治理需求实现差异化管理,更有效地提高治理效率和水质水量管理水平;对河道流动区的模拟水文数据进行河道安全实时监测处理,生成河道流动区安全监测数据,实现了对河道水流状态的实时监测,能够及时发现并处理河道水流异常情况,保障了河道运行的安全性和稳定性;利用河道流动区优化调节算法对河道流动区安全监测数据进行河道流动区安全区间计算处理,生成河道流动区安全区间数据,可以根据安全区间数据进行导流帷幕智能调节处理,实现了对河道水流的智能化管理,提高了治理效率和治理效果;对导流帷幕进行导流帷幕智能调节处理,以此获得优化水流模型,可以优化河道的水流状态,提高水流运行效率和水质水量管理水平,为河道的水环境治理提供更有效的技术支持;水质检测模型的建立可以对历史河道水文数据进行准确的水质预测,有助于提高对水质的监测和管理效率;对优化水流模型的水文数据采集,获取通过优化水流模型优化后的水文数据,从而提高水质检测时的精度与可靠性;优化水流模型的水质评估状况数据可以为水质管理提供科学依据,有助于保护水资源、提高水质水量,保障生态环境和人类健康。因此,本发明基于水流模型的水生态治理分析决策方法的水流模型能够很好地掌控模拟的水文数据的变化量,考虑到河道中存在的复杂性与不确定性,并且能够通过水流模型中的导流帷幕合理的分配水流模型的水资源净化区间与水资源流动区间两者的区间距离,对河道的治理达到理想的效果。
优选地,步骤S1包括以下步骤:
步骤S11:通过GIS技术对河道进行河道地形数据采集,生成初始河道地形数据;
步骤S12:对初始河道地形数据进行数据清洗处理,生成清洗河道地形数据;
步骤S13:利用中值滤波对清洗河道地形数据进行数据降噪处理,生成河道地形数据;
步骤S14:对河道地形数据进行形状特征提取处理,生成河道地形特征数据;
步骤S15:根据河道地形特征数据进行河道三维物理模型建模处理,从而生成河道地形模型。
本发明通过GIS技术采集河道地形数据,可以获得更加精准、全面的河道地形数据,有助于后续的河道模型建立和水流模拟;对初始河道地形数据进行数据清洗和数据降噪处理,有效提高河道地形数据的质量和准确性,更好地支持后续的建模和模拟分析;对河道地形数据进行形状特征提取处理,更加精准地捕捉到河道地形的特征,支持后续的物理模型建模和仿真分析;将河道地形特征数据用于物理模型建模处理,更加准确地描述河道的物理特性,支持后续的导流帷幕架构设计、水文数据预测、水流模拟、水质检测等分析。
优选地,步骤S2包括以下步骤:
步骤S21:对河道地形模型进行模型参数数据提取,生成河道地形模型参数;
步骤S22:获取导流帷幕需求信息;
步骤S23:根据河道地形模型参数与导流帷幕需求信息进行导流帷幕架构设计处理,生成导流帷幕架构;
步骤S24:根据预设的导流帷幕摆放位置与导流帷幕架构对河道地形模型进行河道导流帷幕增设处理,从而生成河道地形模型的导流帷幕。
本发明提取的河道地形模型参数可以为后续的导流帷幕建设提供了数据参数,更加准确地涉及符合该河道地形模型的导流帷幕,使治理决策更加达到理想效果;获取的导流帷幕需求信息可以为导流帷幕的架构设计提供明确指导,确定为何种类型的导流帷幕,避免了设计过程中的盲目性和不确定性,提高了导流帷幕设计的效率和准确性;导流帷幕架构能够优化导流帷幕的设计,使得导流帷幕在保障水流顺畅的同时,最大限度地减少了对生态环境的影响,保护了河道生态***;增设导流帷幕能够减少河道的水流速度和波动,保护了河道沿岸的水生植物,维护了河道的生态平衡,提高了河道的水资源利用效率。
优选地,步骤S3包括以下步骤:
步骤S31:获取历史河道水文数据;
步骤S32:对历史河道水文数据进行特征提取处理,生成历史河道水文特征数据;
步骤S33:利用循环神经网络模型对历史河道水文特征数据进行迭代计算,生成预测河道水文数据;
步骤S34:根据河道地形模型将预测河道水文数据进行模拟水文数据转换调整,生成模拟水文数据;
步骤S35:将模拟水文数据传输至河道地形模型中进行河道模型仿真运行处理,从而生成水流模型。
本发明获取历史河道水文数据是为了获取真实河道的水文情况,以分析真实河道的详细的水文数据,为模型建立提供基础数据;对历史河道水文数据进行特征提取处理,可以提取出水文数据中的有效信息,为模型建立提供更有用的特征,使得数据降维,减少数据处理的时间,保证数据准确的情况节约了算力;利用循环神经网络模型对历史河道水文特征数据进行迭代计算,可以预测未来的水文情况,为模型建立提供更全面的数据;根据河道地形模型将预测河道水文数据进行模拟水文数据转换调整,可以将水文数据转换为模型需要的格式,为后续步骤中的水文模型建立提供更适合的数据;将模拟水文数据传输至河道地形模型中进行河道模型仿真运行处理,通过模拟实验,更好地了解水流的运动规律、水位变化等,生成更精确的水流模型,为后续的优化设计提供基础和依据。
优选地,步骤S4包括以下步骤:
步骤S41:根据导流帷幕将水流模型进行河道区域划分,分别生成水流模型的河道净化区与河道流动区;
步骤S42:对河道流动区的模拟水文数据进行河道安全实时监测处理,生成河道流动区安全监测数据;
步骤S43:利用河道流动区优化调节算法对河道流动区安全监测数据进行河道流动区安全区间计算处理,生成河道流动区安全区间数据;
步骤S44:根据河道流动区安全区间数据对导流帷幕进行导流帷幕优化调节处理,生成优化导流帷幕;
步骤S45:根据优化导流帷幕分别将河道净化区与河道流动区进行区域优化划分处理,分别生成优化河道净化区与优化河道流动区;
步骤S46:根据优化河道净化区与优化河道流动区将水流模型进行物理模型优化处理,以获得优化水流模型。
本发明根据导流帷幕将水流模型进行河道区域划分,可以将河道净化区与河道流动区分开,用于分析河道水资源的流动区间与净化区间,以对河道的治理提供分析决策,有助于进一步的处理和优化;对河道流动区的模拟水文数据进行河道安全实时监测处理,及时地发现和处理河道流动区的安全隐患,提高河道运行的安全性;利用河道流动区优化调节算法对河道流动区安全监测数据进行处理,计算出河道流动区的安全区间范围,有助于更加精确地对河道流动区进行管理和控制;根据河道流动区安全区间数据对导流帷幕进行导流帷幕优化调节处理,调整河道净化区与河道流动区两者的区间范围,优化导流帷幕的设计和布局,提高导流帷幕的效率和安全性;通过优化导流帷幕分别将河道净化区与河道流动区进行区域优化划分处理,优化河道净化区与河道流动区的设计和管理,提高水流的净化和流动效率;通过优化河道净化区与优化河道流动区将水流模型进行物理模型优化处理,提高水流模型的准确性和实用性,更好地指导和控制河道的运行。
优选地,步骤S43中的河道流动区优化调节算法如下所示:
;
式中,表示为河道流动区安全区间数据,/>表示为河道流动区的上游位置,/>表示为河道流动区的下游位置,/>表示为河道流动区的平均水流速度,/>表示为河道流动区的河段位置,/>表示为河道流动区安全监测数据的监测时间段,/>表示为河道流动区的最高水位高度,/>表示为河道流动区的水流流量,/>表示为河道流动区的最高水位高度的权重信息,/>表示为导流帷幕的高度,/>表示为河道流动区的河床平均坡度,/>表示为河道流动区安全区间数据的异常调整值。
本发明利用河道流动区优化调节算法,该算法综合考虑了河道流动区的上游位置、河道流动区的下游位置/>、河道流动区的平均水流速度/>、河道流动区的河段位置/>、河道流动区安全监测数据的监测时间段/>、河道流动区的最高水位高度/>、河道流动区的水流流量/>、河道流动区的最高水位高度的权重信息/>、/>导流帷幕的高度、河道流动区的河床平均坡度/>以及函数之间的相互作用关系,以形成函数关系,通过对河道流动区安全监测数据进行分析,从而得到河道流动区位置进行调整的数据,以选取最佳的河道流动区的区间范围,以此防止河道流动区的河水流到河道净化区导致水生态治理效果较差。在监测时间段内计算出河道流动区间内各因素对水位高度产生的影响而需要调整河道流动区的最佳区间距离,有效地预防洪水等自然灾害的发生,从而对水流进行优化,减少水流的湍流程度,提高水流的稳定性,达到优化水流的目的。利用河道流动区安全区间数据的异常调整值/>对函数关系进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成河道流动区安全区间数据/>,提高了对河道流动区安全监测数据进行河道流动区安全区间计算处理的准确性喝可靠性。同时该公式中的调整值以及权重信息可以根据实际情况进行调整,应用于不同河道的河道流动区,提高算法的灵活性与适用性。
优选地,步骤S46包括以下步骤:
步骤S461:根据优化河道净化区与优化河道流动区将水流模型进行物理模型调节处理,生成调节水流模型;
步骤S462:对优化河道流动区的模拟水文数据进行实时监测处理,生成优化河道流动区监测数据;
步骤S463:根据调节水流模型进行活动帷幕设计处理,生成调节水流模型的活动帷幕;
步骤S464:根据优化河道流动区监测数据对活动帷幕进行智能调节,生成智能调节活动帷幕;
步骤S465:根据智能调节活动帷幕对调节水流模型进行水流模型优化处理,生成优化水流模型。
本发明根据优化河道净化区与优化河道流动区将水流模型进行物理模型调节处理,对物理模型进行调节,使水流模型更加符合实际河道情况,提高模型精度和可靠性,以生成调节水流模型;对优化河道流动区的模拟水文数据进行实时监测处理,实时监测河道流动区的水文情况,防止水位过高超过导流帷幕的高度,导致优化河道净化区与优化河道流动区之间的模拟河水进行交汇,从而生成优化河道流动区监测数据;根据调节水流模型进行活动帷幕设计处理,生成调节水流模型的活动帷幕,基于调节水流模型的结果,设计适合的活动帷幕来进一步优化水流模型;根据优化河道流动区监测数据对活动帷幕进行智能调节,生成智能调节活动帷幕,通过对监测数据的分析和处理,对活动帷幕进行智能化调节,防止水位过高使得优化河道净化区与优化河道流动区两者的河水进行交汇,提高水流模型的准确性和可靠性;根据智能调节活动帷幕对调节水流模型进行水流模型优化处理,生成优化水流模型,通过对活动帷幕的智能调节,进一步优化水流模型,使得水流模型更加完善可靠,也防止水流模型中的河水出现特殊状况导致对水生态治理造成影响。
优选地,步骤S5包括以下步骤:
步骤S51:利用随机森林算法进行河道水质检测映射关系的随机森林模型构建,以生成水质检测模型架构;
步骤S52:利用历史河道水文特征数据对水质检测模型架构进行模型训练处理,生成初始水质检测模型;
步骤S53:利用优化水质检测模型误差函数算法对初始水质检测模型进行模型优化处理,生成水质检测模型;
步骤S54:对优化水流模型进行优化水流模型的水文数据采集,生成优化水文数据;
步骤S55:将优化水文数据传输至水质检测模型中进行水质检测处理,生成优化水流模型的水质评估状况数据。
本发明利用随机森林算法进行河道水质检测映射关系的随机森林模型构建,更加准确地预测河道水质检测结果,提高水质检测的精度;利用历史河道水文特征数据对水质检测模型架构进行模型训练处理,生成初始水质检测模型,让初始水质检测模型更好地适应实际情况,提高初始水质检测模型的准确度和可靠性;利用优化水质检测模型误差函数算法对初始水质检测模型进行模型优化处理,生成水质检测模型,进一步提高水质检测模型的准确度和鲁棒性,使得水质检测模型能够更好地应对复杂的实际环境;对优化水流模型的水文数据采集,获取通过优化水流模型优化后的水文数据,更好地反映实际情况,提高水质检测时的精度与可靠性;将优化水文数据传输至水质检测模型中进行水质检测处理,生成优化水流模型的水质评估状况数据,准确地评估河道的水质状况,为水环境保护提供有力的数据支持。
优选地,步骤S53中的优化水质检测模型误差函数算法如下所示:
;
式中,表示为水质检测模型误差函数的优化指数,/>表示为数据的样本数量,/>表示为模型参数,/>表示为模型衰减速率,/>表示为水质检测值,/>表示为预测的水质检测值,表示为调整修正项,/>表示为平均水质检测值,/>表示为根据水质检测值的区间范围生成的权重信息,/>表示为水质检测模型误差函数的优化指数的异常调整值。
本发明利用优化水质检测模型误差函数算法,该算法综合考虑了数据的样本数量、模型参数、模型衰减速率/>、水质检测值/>、预测的水质检测值/>、调整修正项/>、平均水质检测值/>、根据水质检测值的区间范围生成的权重信息/>以及函数之间的相互作用关系,以形成函数关系/>,通过分析通过比较实际检测值和预测检测值之间的差异,并利用各参数不断进行优化,计算出模型的误差,减少误差影响,使得模型得到的预测的水质检测值不断提高。该函数关系式由两部分组成,第一个部分是指数项,它测量实际检测值和预测检测值之间的距离,并通过衰减速率来惩罚误差,使得函数关系预测出的结果更加精准,降低其他因素造成的误差影响;第二个部分是调整修正项,它考虑了平均水质检测值、区间范围权重信息和异常调整值,更加准确地评估模型的误差。利用水质检测模型误差函数的优化指数的异常调整值/>对函数关系进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成水质检测模型误差函数的优化指数,提高了对初始水质检测模型进行模型优化处理的准确性喝可靠性。同时该公式中的调整值、权重信息、衰减速率以及调整修正项可以根据实际情况进行调整,应用于不同的水质检测模型中,提高了算法的灵活性与适用性。
在本说明书中,提供了一种基于水流模型的水生态治理分析决策***,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的基于水流模型的水生态治理分析决策方法。
本申请的有益效果在于,本发明基于水流模型的水生态治理分析决策方法通过对水文地质资料、流域水系及水生态环境监测数据的获取与处理,建立了相应的水流模型,能够准确地模拟出水域内的水流运动和水质变化情况。这为水生态治理提供了科学依据,使得决策者能够更加全面地了解水生态***的现状,制定出更加有效的治理方案。在建模过程中考虑了多种影响因素,如流量、水位、水质、降雨等,通过多种算法对数据进行处理和分析,提高了模型的准确性和可靠性。同时,在模型的建立和分析过程中,还考虑了不确定性和风险因素,能够更好地反映实际情况,提高了决策的可行性和可靠性。在分析决策过程中还充分考虑了环保和可持续性的因素,将生态环境保护与经济社会发展相结合,避免了治理过程中对环境的二次污染,并能够促进水生态***的持续健康发展。实现实时监测和数据分析,对治理效果进行动态评估和优化调整,为决策者提供决策支持和决策优化方案,提高了决策效率和决策质量。同时,该方法还具有可扩展性和可推广性,为其他水生态治理项目提供借鉴和参考。
附图说明
图1为本发明一种基于水流模型的水生态治理分析决策方法的步骤流程示意图;
图2为图1中步骤S1的详细实施步骤流程示意图;
图3为图1中步骤S3的详细实施步骤流程示意图;
图4为图1中步骤S4的详细实施步骤流程示意图;
图5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。
本申请实施例提供一种基于水流模型的水生态治理分析决策方法及***,所述GIS技术全称为:Geographic Information Systems(地理信息***)。所述河道地形数据包括但不限于:A地的河道的岸滩、河床、河面等信息组成的河道地形数据等至少一种。所述历史河道水文数据包括但不限于:A地的河道近10年的水文数据等至少一种。
为实现上述目的,请参阅图1至图5,一种基于水流模型的水生态治理分析决策方法,包括以下步骤:
步骤S1:通过GIS技术对河道进行河道地形数据采集,生成河道地形数据;根据河道地形数据进行河道三维物理模型建模处理,从而生成河道地形模型;
步骤S2:根据河道地形模型进行导流帷幕架构设计处理,生成导流帷幕架构;根据预设的导流帷幕摆放位置与导流帷幕架构对河道地形模型进行河道导流帷幕增设处理,从而生成河道地形模型的导流帷幕;
步骤S3:获取历史河道水文数据;利用循环神经网络模型对历史河道水文数据进行模拟水文数据预测处理,生成模拟水文数据;将模拟水文数据传输至河道地形模型中进行河道模型仿真运行处理,从而生成水流模型;
步骤S4:根据导流帷幕将水流模型进行河道区域划分,分别生成水流模型的河道净化区与河道流动区;对河道流动区的模拟水文数据进行河道安全实时监测处理,生成河道流动区安全监测数据;利用河道流动区优化调节算法对河道流动区安全监测数据进行河道流动区安全区间计算处理,生成河道流动区安全区间数据;根据河道流动区安全区间数据对导流帷幕进行导流帷幕智能调节处理,以此获得优化水流模型;
步骤S5:利用随机森林算法对历史河道水文数据进行河道水质检测模型建立处理,生成水质检测模型;对优化水流模型进行优化水流模型的水文数据采集,生成优化水文数据;将优化水文数据传输至水质检测模型中进行水质检测处理,生成优化水流模型的水质评估状况数据。
本发明通过GIS技术采集河道地形数据,可以获得更加精准、全面的河道地形数据,有助于后续的河道模型建立和水流模拟;利用河道地形数据进行河道三维物理模型建模,可以生成高质量的河道地形模型,该模型可以用于后续的水流模拟、水质检测等处理,实现对河道的全面、立体化管理,有助于提升河道管理效率;导流帷幕可以将水流导向河道的特定区域,增加水流速度和流量,将河道分为净化区与流动区,用于河水的流动与净化,减少水流的互相混合,从而减少底泥的沉积和积累,保持河道的深度和宽度,将泥沙从河道的特定区域移除,从而减少泥沙淤积,降低水流的阻力,减少水流对河岸的侵蚀和破坏,保护河岸,将污染物从水流中分离和去除,提高水质;通过使用循环神经网络模型对历史河道水文数据进行预测处理,生成模拟水文数据,可以提高水文数据的准确性和可靠性;将模拟水文数据传输至河道地形模型中进行仿真运行处理,可以生成更为精确的水流模型,优化了河道模型的仿真运行,通过生成更为准确和可靠的水流模型,可以帮助决策者更好地了解河道的水流特性,从而提高河道治理的效率和准确性;通过根据导流帷幕将水流模型进行河道区域划分,分别生成水流模型的河道净化区与河道流动区,根据河道不同的水质特点和治理需求实现差异化管理,更有效地提高治理效率和水质水量管理水平;对河道流动区的模拟水文数据进行河道安全实时监测处理,生成河道流动区安全监测数据,实现了对河道水流状态的实时监测,能够及时发现并处理河道水流异常情况,保障了河道运行的安全性和稳定性;利用河道流动区优化调节算法对河道流动区安全监测数据进行河道流动区安全区间计算处理,生成河道流动区安全区间数据,可以根据安全区间数据进行导流帷幕智能调节处理,实现了对河道水流的智能化管理,提高了治理效率和治理效果;对导流帷幕进行导流帷幕智能调节处理,以此获得优化水流模型,可以优化河道的水流状态,提高水流运行效率和水质水量管理水平,为河道的水环境治理提供更有效的技术支持;水质检测模型的建立可以对历史河道水文数据进行准确的水质预测,有助于提高对水质的监测和管理效率;对优化水流模型的水文数据采集,获取通过优化水流模型优化后的水文数据,从而提高水质检测时的精度与可靠性;优化水流模型的水质评估状况数据可以为水质管理提供科学依据,有助于保护水资源、提高水质水量,保障生态环境和人类健康。因此,本发明基于水流模型的水生态治理分析决策方法的水流模型能够很好地掌控模拟的水文数据的变化量,考虑到河道中存在的复杂性与不确定性,并且能够通过水流模型中的导流帷幕合理的分配水流模型的水资源净化区间与水资源流动区间两者的区间距离,对河道的治理达到理想的效果。
本发明实施例中,参考图1所述,为本发明一种基于水流模型的水生态治理分析决策方法的步骤流程示意图,在本实例中,所述基于水流模型的水生态治理分析决策方法包括以下步骤:
步骤S1:通过GIS技术对河道进行河道地形数据采集,生成河道地形数据;根据河道地形数据进行河道三维物理模型建模处理,从而生成河道地形模型;
本发明实施例中,确定河道的采集区域和范围,通过GIS技术对河道进行河道地形数据采集,生成河道地形数据;利用河道地形数据建立三维河道物理模型,包括河床、河堤、岸线等地形特征,在建立的三维河道地形模型中设置流场模拟边界条件,建立精确的河道地形模型。
步骤S2:根据河道地形模型进行导流帷幕架构设计处理,生成导流帷幕架构;根据预设的导流帷幕摆放位置与导流帷幕架构对河道地形模型进行河道导流帷幕增设处理,从而生成河道地形模型的导流帷幕;
本发明实施例中,根据河道地形模型,采用CAD等工具进行导流帷幕架构设计。在设计过程中,需要考虑河道地形、水流速度、水流压力等因素,确定导流帷幕的数量、大小、形状、材质等参数;将设计好的导流帷幕架构与河道地形模型进行融合,确定导流帷幕的具***置、大小、形状等参数,并将导流帷幕加入到河道地形模型中;根据导流帷幕的位置、形状等参数,使用数值模拟方法,模拟河道水流通过导流帷幕的情况,评估导流帷幕的效果,并对导流帷幕进行优化调整,综合考虑水流流速、水位、水质等因素,评估导流帷幕对水流的影响,并通过优化导流帷幕的设计,提高导流帷幕的效率和水生态***的保护水平。
步骤S3:获取历史河道水文数据;利用循环神经网络模型对历史河道水文数据进行模拟水文数据预测处理,生成模拟水文数据;将模拟水文数据传输至河道地形模型中进行河道模型仿真运行处理,从而生成水流模型;
本发明实施例中,首先需要获取历史河道水文数据,包括水位、流量、流速等信息,这些数据通常通过气象局、水文局等部门收集并整理得到;利用循环神经网络(RecurrentNeural Network, RNN)模型进行模拟水文数据预测处理,通过学习历史数据的规律预测出的河道水文数据,并将预测出的河道水文数据转化成用于对河道地形模型的模拟水文数据;通过建立水流数学模型将模拟水文数据作为输入,结合河道地形数据和导流帷幕架构等信息,进行水流模型的仿真模拟运行,从而生成水流模型。
步骤S4:根据导流帷幕将水流模型进行河道区域划分,分别生成水流模型的河道净化区与河道流动区;对河道流动区的模拟水文数据进行河道安全实时监测处理,生成河道流动区安全监测数据;利用河道流动区优化调节算法对河道流动区安全监测数据进行河道流动区安全区间计算处理,生成河道流动区安全区间数据;根据河道流动区安全区间数据对导流帷幕进行导流帷幕智能调节处理,以此获得优化水流模型;
本发明实施例中,根据导流帷幕的设置,将水流模型的河道划分为河道净化区和河道流动区,河道净化区用于对河水进行水质优化,河道流动区用于流通上流与下流之间的河水;通过实时监测河道流动区的模拟水文数据,监测数据可以通过模拟水位计、模拟液压传感器等设备进行采集和传输,当模拟水文数据的水位高度超过导流帷幕的高度,则生成危险水位信息,当模拟水文数据的水位高度为超过导流帷幕的高度,则生成安全水位信息,将危险水位信息与安全水位信息出现次数与时间段进行数据整合,生成河道流动区安全监测数据;将河道流动区安全监测数据输入到河道流动区优化调节算法中,算法会根据数据的变化情况计算出河道流动区的最佳区间范围,从而动态地调整导流帷幕的设置,以使得水流模型的流速、水位等指标在安全区间内变化,在这个过程中,河道流动区与河道净化区会结合水流模型特性等因素进行优化调节,例如原本的河道流动区的宽度区间为2m,经过河道流动区优化调节算法计算后得到河道流动区的最佳宽度区间为5m,从而使导流帷幕进行动态优化调整,调整河道流动区与河道净化区的宽度区间范围,将河道流动区的宽度区间动态调整为5m,以此对水流模型进行优化调整,以此获得优化水流模型。
步骤S5:利用随机森林算法对历史河道水文数据进行河道水质检测模型建立处理,生成水质检测模型;对优化水流模型进行优化水流模型的水文数据采集,生成优化水文数据;将优化水文数据传输至水质检测模型中进行水质检测处理,生成优化水流模型的水质评估状况数据。
本发明实施例中,历史水文数据中提取出与水质相关的特征,比如水位、流速、溶解氧、pH值等,然后使用随机森林算法对这些特征进行建模,并利用历史水文数据进行模型训练,从而生成一个水质检测模型;对优化水流模型进行水文数据采集,包括水位、流速、水温等方面的数据,生成优化水文数据;将优化水文数据传输至水质检测模型中进行水质检测处理,水质检测模型输出一系列的水质评估状况数据,包括水的透明度、颜色、浑浊度、酸碱度等等,这些数据能够反映出水质的整体状况,从而为我们评估优化水流模型的水质提供了有力的支持。
优选地,步骤S1包括以下步骤:
步骤S11:通过GIS技术对河道进行河道地形数据采集,生成初始河道地形数据;
步骤S12:对初始河道地形数据进行数据清洗处理,生成清洗河道地形数据;
步骤S13:利用中值滤波对清洗河道地形数据进行数据降噪处理,生成河道地形数据;
步骤S14:对河道地形数据进行形状特征提取处理,生成河道地形特征数据;
步骤S15:根据河道地形特征数据进行河道三维物理模型建模处理,从而生成河道地形模型。
本发明通过GIS技术采集河道地形数据,可以获得更加精准、全面的河道地形数据,有助于后续的河道模型建立和水流模拟;对初始河道地形数据进行数据清洗和数据降噪处理,有效提高河道地形数据的质量和准确性,更好地支持后续的建模和模拟分析;对河道地形数据进行形状特征提取处理,更加精准地捕捉到河道地形的特征,支持后续的物理模型建模和仿真分析;将河道地形特征数据用于物理模型建模处理,更加准确地描述河道的物理特性,支持后续的导流帷幕架构设计、水文数据预测、水流模拟、水质检测等分析。
作为本发明的一个实例,参考图2所示,为图1中步骤S1的详细实施步骤流程示意图,在本实例中所述步骤S1包括:
步骤S11:通过GIS技术对河道进行河道地形数据采集,生成初始河道地形数据;
本发明实施例中,确定河道的采集区域和范围,通过GIS技术对河道进行河道地形数据采集,生成河道地形数据。
步骤S12:对初始河道地形数据进行数据清洗处理,生成清洗河道地形数据;
本发明实施例中,对初始河道地形数据进行数据清洗处理,去除不必要的冗余数据、与河道地形无关的数据等其他无用数据,从而生成清洗河道地形数据。
步骤S13:利用中值滤波对清洗河道地形数据进行数据降噪处理,生成河道地形数据;
本发明实施例中,利用中值滤波对清洗河道地形数据进行数据降噪处理,减少清洗河道地形数据中的噪点数据,有效地去除数据中的噪声,保留信号的重要特征,生成河道地形数据。
步骤S14:对河道地形数据进行形状特征提取处理,生成河道地形特征数据;
本发明实施例中,对河道地形数据进行形状特征提取处理,提取出河道地形的特征数据,例如河道的平均水深、河道宽度、河床坡度等参数,生成河道地形特征数据。
步骤S15:根据河道地形特征数据进行河道三维物理模型建模处理,从而生成河道地形模型。
本发明实施例中,基于河道地形特征数据,利用三维建模软件进行河道三维物理模型建模处理,这个过程包括对河道地形数据的处理、河道地形模型的建立和参数的调整等环节,从而生成河道地形模型。
优选地,步骤S2包括以下步骤:
步骤S21:对河道地形模型进行模型参数数据提取,生成河道地形模型参数;
步骤S22:获取导流帷幕需求信息;
步骤S23:根据河道地形模型参数与导流帷幕需求信息进行导流帷幕架构设计处理,生成导流帷幕架构;
步骤S24:根据预设的导流帷幕摆放位置与导流帷幕架构对河道地形模型进行河道导流帷幕增设处理,从而生成河道地形模型的导流帷幕。
本发明提取的河道地形模型参数可以为后续的导流帷幕建设提供了数据参数,更加准确地涉及符合该河道地形模型的导流帷幕,使治理决策更加达到理想效果;获取的导流帷幕需求信息可以为导流帷幕的架构设计提供明确指导,确定为何种类型的导流帷幕,避免了设计过程中的盲目性和不确定性,提高了导流帷幕设计的效率和准确性;导流帷幕架构能够优化导流帷幕的设计,使得导流帷幕在保障水流顺畅的同时,最大限度地减少了对生态环境的影响,保护了河道生态***;增设导流帷幕能够减少河道的水流速度和波动,保护了河道沿岸的水生植物,维护了河道的生态平衡,提高了河道的水资源利用效率。
本发明实施例中,对设计好的河道地形模型进行物理模型参数数据提取,可以使用计算机辅助设计(CAD)软件等工具,提取河道地形模型的高程、坡度等参数数据;获取导流帷幕需求信息,可以通过考虑河道水流量、水位、水质等因素,结合实际情况和需求,确定导流帷幕的数量、位置、高度、长度等参数信息;根据河道地形模型参数与导流帷幕需求信息进行导流帷幕架构设计处理,可以使用计算机辅助设计(CAD)软件等工具,结合实际情况和需求,设计导流帷幕的架构、尺寸、形状等参数信息,生成导流帷幕的三维模型;根据预设的导流帷幕摆放位置与导流帷幕架构对河道地形模型进行河道导流帷幕增设处理,可以使用计算机模拟软件等工具,将导流帷幕三维模型与河道地形模型进行组合,通过多次模拟调整,最终确定最优的导流帷幕布置方案,以达到最佳的导流效果,生成河道地形模型的导流帷幕。
优选地,步骤S3包括以下步骤:
步骤S31:获取历史河道水文数据;
步骤S32:对历史河道水文数据进行特征提取处理,生成历史河道水文特征数据;
步骤S33:利用循环神经网络模型对历史河道水文特征数据进行迭代计算,生成预测河道水文数据;
步骤S34:根据河道地形模型将预测河道水文数据进行模拟水文数据转换调整,生成模拟水文数据;
步骤S35:将模拟水文数据传输至河道地形模型中进行河道模型仿真运行处理,从而生成水流模型。
本发明获取历史河道水文数据是为了获取真实河道的水文情况,以分析真实河道的详细的水文数据,为模型建立提供基础数据;对历史河道水文数据进行特征提取处理,可以提取出水文数据中的有效信息,为模型建立提供更有用的特征,使得数据降维,减少数据处理的时间,保证数据准确的情况节约了算力;利用循环神经网络模型对历史河道水文特征数据进行迭代计算,可以预测未来的水文情况,为模型建立提供更全面的数据;根据河道地形模型将预测河道水文数据进行模拟水文数据转换调整,可以将水文数据转换为模型需要的格式,为后续步骤中的水文模型建立提供更适合的数据;将模拟水文数据传输至河道地形模型中进行河道模型仿真运行处理,通过模拟实验,更好地了解水流的运动规律、水位变化等,生成更精确的水流模型,为后续的优化设计提供基础和依据。
作为本发明的一个实例,参考图3所示,为图1中步骤S3的详细实施步骤流程示意图,在本实例中所述步骤S3包括:
步骤S31:获取历史河道水文数据;
本发明实施例中,获取历史河道水文数据,包括水位、流量、流速等信息,这些数据通常通过气象局、水文局等部门收集并整理得到。
步骤S32:对历史河道水文数据进行特征提取处理,生成历史河道水文特征数据;
本发明实施例中,对历史水文数据进行时间序列分析,提取时间序列特征,包括趋势、周期性等,提取水文数据的统计特征,包括平均值、方差、偏度、峰度等各种水文数据信息,生成历史河道水文特征数据。
步骤S33:利用循环神经网络模型对历史河道水文特征数据进行迭代计算,生成预测河道水文数据;
本发明实施例中,建立循环神经网络模型,输入历史河道水文特征数据以进行循环神经网络模型训练,得到模型参数,根据训练好的循环神经网络模型对历史河道水文特征数据进行迭代计算,得到预测河道水文数据。
步骤S34:根据河道地形模型将预测河道水文数据进行模拟水文数据转换调整,生成模拟水文数据;
本发明实施例中,根据河道地形模型对预测水文数据进行模拟水文数据空间插值与时间插值,得到空间分布水文数据与时间分布水文数据,结合空间分布水文数据与时间分布水文数据,得到模拟水文数据。
步骤S35:将模拟水文数据传输至河道地形模型中进行河道模型仿真运行处理,从而生成水流模型。
本发明实施例中,将模拟水文数据输入到河道地形模型中,进行水动力仿真模拟运行,运用数值计算方法,求解水动力学方程,得到水流速度、水位等参数,以此设计模仿河道的水流模型。
优选地,步骤S4包括以下步骤:
步骤S41:根据导流帷幕将水流模型进行河道区域划分,分别生成水流模型的河道净化区与河道流动区;
步骤S42:对河道流动区的模拟水文数据进行河道安全实时监测处理,生成河道流动区安全监测数据;
步骤S43:利用河道流动区优化调节算法对河道流动区安全监测数据进行河道流动区安全区间计算处理,生成河道流动区安全区间数据;
步骤S44:根据河道流动区安全区间数据对导流帷幕进行导流帷幕优化调节处理,生成优化导流帷幕;
步骤S45:根据优化导流帷幕分别将河道净化区与河道流动区进行区域优化划分处理,分别生成优化河道净化区与优化河道流动区;
步骤S46:根据优化河道净化区与优化河道流动区将水流模型进行物理模型优化处理,以获得优化水流模型。
本发明根据导流帷幕将水流模型进行河道区域划分,可以将河道净化区与河道流动区分开,用于分析河道水资源的流动区间与净化区间,以对河道的治理提供分析决策,有助于进一步的处理和优化;对河道流动区的模拟水文数据进行河道安全实时监测处理,及时地发现和处理河道流动区的安全隐患,提高河道运行的安全性;利用河道流动区优化调节算法对河道流动区安全监测数据进行处理,计算出河道流动区的安全区间范围,有助于更加精确地对河道流动区进行管理和控制;根据河道流动区安全区间数据对导流帷幕进行导流帷幕优化调节处理,调整河道净化区与河道流动区两者的区间范围,优化导流帷幕的设计和布局,提高导流帷幕的效率和安全性;通过优化导流帷幕分别将河道净化区与河道流动区进行区域优化划分处理,优化河道净化区与河道流动区的设计和管理,提高水流的净化和流动效率;通过优化河道净化区与优化河道流动区将水流模型进行物理模型优化处理,提高水流模型的准确性和实用性,更好地指导和控制河道的运行。
作为本发明的一个实例,参考图4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:根据导流帷幕将水流模型进行河道区域划分,分别生成水流模型的河道净化区与河道流动区;
本发明实施例中,根据已经生成的水流模型以及导流帷幕的位置和参数,将水流模型分成河道净化区和河道流动区,其中,河道净化区是指导流帷幕包围起来的区域范围,主要用于截留和净化来水中的悬浮物和溶解物质,以保护生态环境和水质,而河道流动区间是指正常流通的河水区间范围,主要用于控制来水流量和流速,防止水流对生态环境和建筑物的影响。
步骤S42:对河道流动区的模拟水文数据进行河道安全实时监测处理,生成河道流动区安全监测数据;
本发明实施例中,对河道流动区的模拟水文数据进行实时监测处理,以检测是否存在超过安全水位的情况。如果存在超过安全水位的情况,则需要及时采取措施以保障人民群众的生命财产安全,监测数据可以通过模拟水位计、模拟液压传感器等设备进行采集和传输,当模拟水文数据的水位高度超过导流帷幕的高度,则生成危险水位信息,当模拟水文数据的水位高度为超过导流帷幕的高度,则生成安全水位信息,将危险水位信息与安全水位信息出现次数与时间段进行数据整合,从而生成河道流动区安全监测数据。
步骤S43:利用河道流动区优化调节算法对河道流动区安全监测数据进行河道流动区安全区间计算处理,生成河道流动区安全区间数据;
本发明实施例中,利用优化调节算法对河道流动区的安全监测数据进行处理,以确定河道流动区的安全区间,安全区间是指河道流动区在不同的水位下的安全流量范围,超出该范围就会对下游环境和设施造成危害,河道流动区优化调节算法可以计算出最合适的河道流动区的安全区间范围,例如原本的河道流动区的宽度区间为2m,经过河道流动区优化调节算法计算后得到河道流动区的最佳宽度区间为5m,以生成河道流动区安全区间数据。
步骤S44:根据河道流动区安全区间数据对导流帷幕进行导流帷幕优化调节处理,生成优化导流帷幕;
本发明实施例中,根据上述步骤计算得到的河道流动区安全区间数据,对导流帷幕进行动态优化调整,调整河道流动区与河道净化区的宽度区间范围,将河道流动区原本2m的宽度区间动态调整为5m,最终生成新的导流帷幕即为优化导流帷幕。
步骤S45:根据优化导流帷幕分别将河道净化区与河道流动区进行区域优化划分处理,分别生成优化河道净化区与优化河道流动区;
本发明实施例中,根据优化导流帷幕再次把原本的河道净化区与河道流动区划分为新的河道净化区与新的河道流动区,从而分别生成优化河道净化区与优化河道流动区。
步骤S46:根据优化河道净化区与优化河道流动区将水流模型进行物理模型优化处理,以获得优化水流模型。
本发明实施例中,根据优化河道净化区和优化河道流动区对水流模型进行物理模型优化处理,使用一些数值模拟软件(如FLUENT、FLOW-3D等)对水流模型进行模拟,并利用优化后的模型参数进行模拟,优化水流模型的水流速度、水位、流向等参数,以获得优化水流模型。
优选地,步骤S43中的河道流动区优化调节算法如下所示:
;
式中,表示为河道流动区安全区间数据,/>表示为河道流动区的上游位置,/>表示为河道流动区的下游位置,/>表示为河道流动区的平均水流速度,/>表示为河道流动区的河段位置,/>表示为河道流动区安全监测数据的监测时间段,/>表示为河道流动区的最高水位高度,/>表示为河道流动区的水流流量,/>表示为河道流动区的最高水位高度的权重信息,/>表示为导流帷幕的高度,/>表示为河道流动区的河床平均坡度,/>表示为河道流动区安全区间数据的异常调整值。
本发明利用河道流动区优化调节算法,该算法综合考虑了河道流动区的上游位置、河道流动区的下游位置/>、河道流动区的平均水流速度/>、河道流动区的河段位置/>、河道流动区安全监测数据的监测时间段/>、河道流动区的最高水位高度/>、河道流动区的水流流量/>、河道流动区的最高水位高度的权重信息/>、/>导流帷幕的高度、河道流动区的河床平均坡度/>以及函数之间的相互作用关系,以形成函数关系,通过对河道流动区安全监测数据进行分析,从而得到河道流动区位置进行调整的数据,以选取最佳的河道流动区的区间范围,以此防止河道流动区的河水流到河道净化区导致水生态治理效果较差。在监测时间段内计算出河道流动区间内各因素对水位高度产生的影响而需要调整河道流动区的最佳区间距离,有效地预防洪水等自然灾害的发生,从而对水流进行优化,减少水流的湍流程度,提高水流的稳定性,达到优化水流的目的。利用河道流动区安全区间数据的异常调整值/>对函数关系进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成河道流动区安全区间数据/>,提高了对河道流动区安全监测数据进行河道流动区安全区间计算处理的准确性喝可靠性。同时该公式中的调整值以及权重信息可以根据实际情况进行调整,应用于不同河道的河道流动区,提高算法的灵活性与适用性。
优选地,步骤S46包括以下步骤:
步骤S461:根据优化河道净化区与优化河道流动区将水流模型进行物理模型调节处理,生成调节水流模型;
步骤S462:对优化河道流动区的模拟水文数据进行实时监测处理,生成优化河道流动区监测数据;
步骤S463:根据调节水流模型进行活动帷幕设计处理,生成调节水流模型的活动帷幕;
步骤S464:根据优化河道流动区监测数据对活动帷幕进行智能调节,生成智能调节活动帷幕;
步骤S465:根据智能调节活动帷幕对调节水流模型进行水流模型优化处理,生成优化水流模型。
本发明根据优化河道净化区与优化河道流动区将水流模型进行物理模型调节处理,对物理模型进行调节,使水流模型更加符合实际河道情况,提高模型精度和可靠性,以生成调节水流模型;对优化河道流动区的模拟水文数据进行实时监测处理,实时监测河道流动区的水文情况,防止水位过高超过导流帷幕的高度,导致优化河道净化区与优化河道流动区之间的模拟河水进行交汇,从而生成优化河道流动区监测数据;根据调节水流模型进行活动帷幕设计处理,生成调节水流模型的活动帷幕,基于调节水流模型的结果,设计适合的活动帷幕来进一步优化水流模型;根据优化河道流动区监测数据对活动帷幕进行智能调节,生成智能调节活动帷幕,通过对监测数据的分析和处理,对活动帷幕进行智能化调节,防止水位过高使得优化河道净化区与优化河道流动区两者的河水进行交汇,提高水流模型的准确性和可靠性;根据智能调节活动帷幕对调节水流模型进行水流模型优化处理,生成优化水流模型,通过对活动帷幕的智能调节,进一步优化水流模型,使得水流模型更加完善可靠,也防止水流模型中的河水出现特殊状况导致对水生态治理造成影响。
本发明实施例中,在优化河道净化区和优化河道流动区划分完毕后,可以根据实际情况对水流模型进行调节处理,根据模型特性和目的进行选择调节,例如调节模型参数,以达到更好的模拟效果,生成调节水流模型;对优化河道流动区的模拟水文数据进行实时监测处理,例如通过模拟流量计、模拟液位计等设备进行监测,以获取实时的水文数据;利用调节水流模型进行活动帷幕设计,结合实际情况和需要,例如考虑河道流量、水位等因素设计活动帷幕,生成调节水流模型的活动帷幕;根据优化河道流动区监测数据对活动帷幕进行智能调节,例如当模拟水文数据的水位高度大于预设的水位最高阈值,自动打开活动帷幕,当模拟水文数据的水位高度小于预设的水位最低阈值,自动关闭活动帷幕,以此生成智能调节活动帷幕;根据智能调节活动帷幕对调节水流模型进行水流模型优化处理,对调节水流模型的水文数据进行监测,并自动打开或关闭活动帷幕,以此得到更安全的优化水流模型。
优选地,步骤S5包括以下步骤:
步骤S51:利用随机森林算法进行河道水质检测映射关系的随机森林模型构建,以生成水质检测模型架构;
步骤S52:利用历史河道水文特征数据对水质检测模型架构进行模型训练处理,生成初始水质检测模型;
步骤S53:利用优化水质检测模型误差函数算法对初始水质检测模型进行模型优化处理,生成水质检测模型;
步骤S54:对优化水流模型进行优化水流模型的水文数据采集,生成优化水文数据;
步骤S55:将优化水文数据传输至水质检测模型中进行水质检测处理,生成优化水流模型的水质评估状况数据。
本发明利用随机森林算法进行河道水质检测映射关系的随机森林模型构建,更加准确地预测河道水质检测结果,提高水质检测的精度;利用历史河道水文特征数据对水质检测模型架构进行模型训练处理,生成初始水质检测模型,让初始水质检测模型更好地适应实际情况,提高初始水质检测模型的准确度和可靠性;利用优化水质检测模型误差函数算法对初始水质检测模型进行模型优化处理,生成水质检测模型,进一步提高水质检测模型的准确度和鲁棒性,使得水质检测模型能够更好地应对复杂的实际环境;对优化水流模型的水文数据采集,获取通过优化水流模型优化后的水文数据,更好地反映实际情况,提高水质检测时的精度与可靠性;将优化水文数据传输至水质检测模型中进行水质检测处理,生成优化水流模型的水质评估状况数据,准确地评估河道的水质状况,为水环境保护提供有力的数据支持。
作为本发明的一个实例,参考图5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:
步骤S51:利用随机森林算法进行河道水质检测映射关系的随机森林模型构建,以生成水质检测模型架构;
本发明实施例中,选择水文数据的特征变量如pH值、溶解氧含量、水温、电导率等,利用随机森林算法选取特征变量为参数进行河道水质检测映射关系的随机森林模型构建,以生成水质检测模型架构。
步骤S52:利用历史河道水文特征数据对水质检测模型架构进行模型训练处理,生成初始水质检测模型;
本发明实施例中,将历史河道水文数据及其对应的水质检测数据作为训练集,使用步骤S51生成的水质检测模型架构进行模型训练,根据训练集的预测准确率评估模型性能,得到初始水质检测模型。
步骤S53:利用优化水质检测模型误差函数算法对初始水质检测模型进行模型优化处理,生成水质检测模型;
本发明实施例中,分析初始水质检测模型的误差函数,确定可优化的参数和算法,利用优化水质检测模型误差函数算法对初始水质检测模型的误差函数进行模型参数优化调整处理,根据训练集的预测准确率评估模型性能,确定最优的水质检测模型。
步骤S54:对优化水流模型进行优化水流模型的水文数据采集,生成优化水文数据;
本发明实施例中,选择合适的采样点和采样频率对优化水流模型的水文数据进行数据采集,采集的水文数据包括水位、流量、流速等指标,生成优化水文数据。
步骤S55:将优化水文数据传输至水质检测模型中进行水质检测处理,生成优化水流模型的水质评估状况数据。
本发明实施例中,将优化水文数据传输至水质检测模型中进行水质检测处理,水质检测模型输出一系列的水质评估状况数据,包括水的透明度、颜色、浑浊度、酸碱度等等,这些数据能够反映出水质的整体状况,从而为我们评估优化水流模型的水质提供了有力的支持。
优选地,步骤S53中的优化水质检测模型误差函数算法如下所示:
;
式中,表示为水质检测模型误差函数的优化指数,/>表示为数据的样本数量,/>表示为模型参数,/>表示为模型衰减速率,/>表示为水质检测值,/>表示为预测的水质检测值,表示为调整修正项,/>表示为平均水质检测值,/>表示为根据水质检测值的区间范围生成的权重信息,/>表示为水质检测模型误差函数的优化指数的异常调整值。
本发明利用优化水质检测模型误差函数算法,该算法综合考虑了数据的样本数量、模型参数、模型衰减速率/>、水质检测值/>、预测的水质检测值/>、调整修正项/>、平均水质检测值/>、根据水质检测值的区间范围生成的权重信息/>以及函数之间的相互作用关系,以形成函数关系/>,通过分析通过比较实际检测值和预测检测值之间的差异,并利用各参数不断进行优化,计算出模型的误差,减少误差影响,使得模型得到的预测的水质检测值不断提高。该函数关系式由两部分组成,第一个部分是指数项,它测量实际检测值和预测检测值之间的距离,并通过衰减速率来惩罚误差,使得函数关系预测出的结果更加精准,降低其他因素造成的误差影响;第二个部分是调整修正项,它考虑了平均水质检测值、区间范围权重信息和异常调整值,更加准确地评估模型的误差。利用水质检测模型误差函数的优化指数的异常调整值/>对函数关系进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成水质检测模型误差函数的优化指数,提高了对初始水质检测模型进行模型优化处理的准确性喝可靠性。同时该公式中的调整值、权重信息、衰减速率以及调整修正项可以根据实际情况进行调整,应用于不同的水质检测模型中,提高了算法的灵活性与适用性。
在本说明书中,提供了一种基于水流模型的水生态治理分析决策***,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的基于水流模型的水生态治理分析决策方法。
本申请的有益效果在于,本发明基于水流模型的水生态治理分析决策方法通过对水文地质资料、流域水系及水生态环境监测数据的获取与处理,建立了相应的水流模型,能够准确地模拟出水域内的水流运动和水质变化情况。这为水生态治理提供了科学依据,使得决策者能够更加全面地了解水生态***的现状,制定出更加有效的治理方案。在建模过程中考虑了多种影响因素,如流量、水位、水质、降雨等,通过多种算法对数据进行处理和分析,提高了模型的准确性和可靠性。同时,在模型的建立和分析过程中,还考虑了不确定性和风险因素,能够更好地反映实际情况,提高了决策的可行性和可靠性。在分析决策过程中还充分考虑了环保和可持续性的因素,将生态环境保护与经济社会发展相结合,避免了治理过程中对环境的二次污染,并能够促进水生态***的持续健康发展。实现实时监测和数据分析,对治理效果进行动态评估和优化调整,为决策者提供决策支持和决策优化方案,提高了决策效率和决策质量。同时,该方法还具有可扩展性和可推广性,为其他水生态治理项目提供借鉴和参考。
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 (7)
1.一种基于水流模型的水生态治理分析决策方法,其特征在于,包括以下步骤:
步骤S1:通过GIS技术对河道进行河道地形数据采集,生成河道地形数据;根据河道地形数据进行河道三维物理模型建模处理,从而生成河道地形模型;
步骤S2:根据河道地形模型进行导流帷幕架构设计处理,生成导流帷幕架构;根据预设的导流帷幕摆放位置与导流帷幕架构对河道地形模型进行河道导流帷幕增设处理,从而生成河道地形模型的导流帷幕;
步骤S3:获取历史河道水文数据;利用循环神经网络模型对历史河道水文数据进行模拟水文数据预测处理,生成模拟水文数据;将模拟水文数据传输至河道地形模型中进行河道模型仿真运行处理,从而生成水流模型;
步骤S4,包括:
步骤S41:根据导流帷幕将水流模型进行河道区域划分,分别生成水流模型的河道净化区与河道流动区;
步骤S42:对河道流动区的模拟水文数据进行河道安全实时监测处理,生成河道流动区安全监测数据;
步骤S43:利用河道流动区优化调节算法对河道流动区安全监测数据进行河道流动区安全区间计算处理,生成河道流动区安全区间数据;
其中,步骤S43中的河道流动区优化调节算法如下所示:
;
式中,表示为河道流动区安全区间数据,/>表示为河道流动区的上游位置,/>表示为河道流动区的下游位置,/>表示为河道流动区的平均水流速度,/>表示为河道流动区的河段位置,/>表示为河道流动区安全监测数据的监测时间段,/>表示为河道流动区的最高水位高度,表示为河道流动区的水流流量,/>表示为河道流动区的最高水位高度的权重信息,/>表示为导流帷幕的高度,/>表示为河道流动区的河床平均坡度,/>表示为河道流动区安全区间数据的异常调整值;
步骤S44:根据河道流动区安全区间数据对导流帷幕进行导流帷幕优化调节处理,生成优化导流帷幕;
步骤S45:根据优化导流帷幕分别将河道净化区与河道流动区进行区域优化划分处理,分别生成优化河道净化区与优化河道流动区;
步骤S46,包括:
步骤S461:根据优化河道净化区与优化河道流动区将水流模型进行物理模型调节处理,生成调节水流模型;
步骤S462:对优化河道流动区的模拟水文数据进行实时监测处理,生成优化河道流动区监测数据;
步骤S463:根据调节水流模型进行活动帷幕设计处理,生成调节水流模型的活动帷幕;
步骤S464:根据优化河道流动区监测数据对活动帷幕进行智能调节,生成智能调节活动帷幕;
步骤S465:根据智能调节活动帷幕对调节水流模型进行水流模型优化处理,生成优化水流模型;
步骤S5:利用随机森林算法对历史河道水文数据进行河道水质检测模型建立处理,生成水质检测模型;对优化水流模型进行优化水流模型的水文数据采集,生成优化水文数据;将优化水文数据传输至水质检测模型中进行水质检测处理,生成优化水流模型的水质评估状况数据。
2.根据权利要求1所述的基于水流模型的水生态治理分析决策方法,其特征在于,步骤S1包括以下步骤:
步骤S11:通过GIS技术对河道进行河道地形数据采集,生成初始河道地形数据;
步骤S12:对初始河道地形数据进行数据清洗处理,生成清洗河道地形数据;
步骤S13:利用中值滤波对清洗河道地形数据进行数据降噪处理,生成河道地形数据;
步骤S14:对河道地形数据进行形状特征提取处理,生成河道地形特征数据;
步骤S15:根据河道地形特征数据进行河道三维物理模型建模处理,从而生成河道地形模型。
3.根据权利要求1所述的基于水流模型的水生态治理分析决策方法,其特征在于,步骤S2包括以下步骤:
步骤S21:对河道地形模型进行模型参数数据提取,生成河道地形模型参数;
步骤S22:获取导流帷幕需求信息;
步骤S23:根据河道地形模型参数与导流帷幕需求信息进行导流帷幕架构设计处理,生成导流帷幕架构;
步骤S24:根据预设的导流帷幕摆放位置与导流帷幕架构对河道地形模型进行河道导流帷幕增设处理,从而生成河道地形模型的导流帷幕。
4.根据权利要求2所述的基于水流模型的水生态治理分析决策方法,其特征在于,步骤S3包括以下步骤:
步骤S31:获取历史河道水文数据;
步骤S32:对历史河道水文数据进行特征提取处理,生成历史河道水文特征数据;
步骤S33:利用循环神经网络模型对历史河道水文特征数据进行迭代计算,生成预测河道水文数据;
步骤S34:根据河道地形模型将预测河道水文数据进行模拟水文数据转换调整,生成模拟水文数据;
步骤S35:将模拟水文数据传输至河道地形模型中进行河道模型仿真运行处理,从而生成水流模型。
5.根据权利要求4所述的基于水流模型的水生态治理分析决策方法,其特征在于,步骤S5包括以下步骤:
步骤S51:利用随机森林算法进行河道水质检测映射关系的随机森林模型构建,以生成水质检测模型架构;
步骤S52:利用历史河道水文特征数据对水质检测模型架构进行模型训练处理,生成初始水质检测模型;
步骤S53:利用优化水质检测模型误差函数算法对初始水质检测模型进行模型优化处理,生成水质检测模型;
步骤S54:对优化水流模型进行优化水流模型的水文数据采集,生成优化水文数据;
步骤S55:将优化水文数据传输至水质检测模型中进行水质检测处理,生成优化水流模型的水质评估状况数据。
6.根据权利要求5所述的基于水流模型的水生态治理分析决策方法,其特征在于,步骤S53中的优化水质检测模型误差函数算法如下所示:
;
式中,表示为水质检测模型误差函数的优化指数,/>表示为数据的样本数量,/>表示为模型参数,/>表示为模型衰减速率,/>表示为水质检测值,/>表示为预测的水质检测值,/>表示为调整修正项,/>表示为平均水质检测值,/>表示为根据水质检测值的区间范围生成的权重信息,/>表示为水质检测模型误差函数的优化指数的异常调整值。
7.一种基于水流模型的水生态治理分析决策***,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的基于水流模型的水生态治理分析决策方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310535565.9A CN116307265B (zh) | 2023-05-12 | 2023-05-12 | 一种基于水流模型的水生态治理分析决策方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310535565.9A CN116307265B (zh) | 2023-05-12 | 2023-05-12 | 一种基于水流模型的水生态治理分析决策方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307265A CN116307265A (zh) | 2023-06-23 |
CN116307265B true CN116307265B (zh) | 2023-09-01 |
Family
ID=86794422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310535565.9A Active CN116307265B (zh) | 2023-05-12 | 2023-05-12 | 一种基于水流模型的水生态治理分析决策方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307265B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040083979A (ko) * | 2003-03-26 | 2004-10-06 | 농업기반공사 | 지아이에스를 이용한 담수호관리 시스템 및 방법 |
CN105893763A (zh) * | 2016-04-01 | 2016-08-24 | 中山大学 | 南方感潮河网区水流水质耦合模拟*** |
KR101912627B1 (ko) * | 2017-05-30 | 2018-10-30 | 에스지에이블록체인 주식회사 | Gis 기반의 수문-수리모형 분석결과의 통합 가시화 방법 |
CN111626504A (zh) * | 2020-05-26 | 2020-09-04 | 生态环境部环境规划院 | 傍河型水源污染风险的预警方法、装置、设备及介质 |
CN112101693A (zh) * | 2020-05-12 | 2020-12-18 | 天津市市政工程设计研究院 | 基于正交分析的现状城区河道水质达标分析方法 |
CN113235523A (zh) * | 2021-06-04 | 2021-08-10 | 无锡本源建设工程有限公司 | 河道生态治理导流渠施工方法 |
CN113279687A (zh) * | 2021-06-07 | 2021-08-20 | 中国矿业大学 | 一种临河煤矿老空区水害查治一体化治理方法 |
CN113688522A (zh) * | 2021-08-25 | 2021-11-23 | 河北省生态环境科学研究院 | 流域生态水文及生态补水调控方法 |
CN116011756A (zh) * | 2022-12-28 | 2023-04-25 | 清华大学 | 基于nsga-ii算法的河道水质多目标优化调度方法 |
-
2023
- 2023-05-12 CN CN202310535565.9A patent/CN116307265B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040083979A (ko) * | 2003-03-26 | 2004-10-06 | 농업기반공사 | 지아이에스를 이용한 담수호관리 시스템 및 방법 |
CN105893763A (zh) * | 2016-04-01 | 2016-08-24 | 中山大学 | 南方感潮河网区水流水质耦合模拟*** |
KR101912627B1 (ko) * | 2017-05-30 | 2018-10-30 | 에스지에이블록체인 주식회사 | Gis 기반의 수문-수리모형 분석결과의 통합 가시화 방법 |
CN112101693A (zh) * | 2020-05-12 | 2020-12-18 | 天津市市政工程设计研究院 | 基于正交分析的现状城区河道水质达标分析方法 |
CN111626504A (zh) * | 2020-05-26 | 2020-09-04 | 生态环境部环境规划院 | 傍河型水源污染风险的预警方法、装置、设备及介质 |
CN113235523A (zh) * | 2021-06-04 | 2021-08-10 | 无锡本源建设工程有限公司 | 河道生态治理导流渠施工方法 |
CN113279687A (zh) * | 2021-06-07 | 2021-08-20 | 中国矿业大学 | 一种临河煤矿老空区水害查治一体化治理方法 |
CN113688522A (zh) * | 2021-08-25 | 2021-11-23 | 河北省生态环境科学研究院 | 流域生态水文及生态补水调控方法 |
CN116011756A (zh) * | 2022-12-28 | 2023-04-25 | 清华大学 | 基于nsga-ii算法的河道水质多目标优化调度方法 |
Non-Patent Citations (1)
Title |
---|
张慕恩 ; 赵志庆 ; .基于ArcGIS技术的都会城市山地流域研究――以台北水源区为例.城市建筑.2017,(24),27-31. * |
Also Published As
Publication number | Publication date |
---|---|
CN116307265A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mehdizadeh et al. | Hybrid artificial intelligence-time series models for monthly streamflow modeling | |
Tayfur | Modern optimization methods in water resources planning, engineering and management | |
Riahi-Madvar et al. | Comparative analysis of soft computing techniques RBF, MLP, and ANFIS with MLR and MNLR for predicting grade-control scour hole geometry | |
Annis et al. | Investigating hydrogeomorphic floodplain mapping performance with varying DTM resolution and stream order | |
Guven | Linear genetic programming for time-series modelling of daily flow rate | |
Hassan et al. | Evaluation of gene expression programming and artificial neural networks in PyTorch for the prediction of local scour depth around a bridge pier | |
Sattar et al. | Artificial intelligence models for prediction of the aeration efficiency of the stepped weir | |
Vojinovic et al. | Multi-objective rehabilitation of urban drainage systems under uncertainties | |
Yazdi | Rehabilitation of urban drainage systems using a resilience-based approach | |
CN116227390B (zh) | 一种河道水环境整治与水生态修复方法及*** | |
CN117236673B (zh) | 城市水网多尺度防洪排涝联合优化调度方法和*** | |
Yazdi et al. | A stochastic optimization algorithm for optimizing flood risk management measures including rainfall uncertainties and nonphysical flood damages | |
Elkharbotly et al. | Toward sustainable water: prediction of non-revenue water via artificial neural network and multiple linear regression modelling approach in Egypt | |
Pulido et al. | Study of the spatiotemporal correlation between sediment-related blockage events in the sewer system in Bogotá (Colombia) | |
Gumiere et al. | Evaluating the impact of the spatial distribution of land management practices on water erosion: case study of a Mediterranean catchment | |
Seyedian et al. | Reliable prediction of the discharge coefficient of triangular labyrinth weir based on soft computing techniques | |
Gong et al. | Considering different streamflow forecast horizons in the quantitative flood risk analysis for a multi-reservoir system | |
Yang et al. | Study on urban flood simulation based on a novel model of SWTM coupling D8 flow direction and backflow effect | |
Kheirfam et al. | A regional suspended load yield estimation model for ungauged watersheds | |
Yoon et al. | Urban stream overflow probability in a changing climate: Case study of the Seoul Uicheon Basin, Korea | |
Safarzadeh et al. | Comparative assessment of the hybrid genetic algorithm–artificial neural network and genetic programming methods for the prediction of longitudinal velocity field around a single straight groyne | |
CN116307265B (zh) | 一种基于水流模型的水生态治理分析决策方法及*** | |
Ni et al. | Application of artificial neural network to the rapid feedback of potential ecological risk in flood diversion zone | |
Sauida | Simulation of relative energy loss downstream of multi-gate regulators using ANN | |
Talaee et al. | Numerical model and computational intelligence approaches for estimating flow through rockfill dam |
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 |