CN116630122B - 基于水文-生态响应关系的湖泊生态水力调控方法及系统 - Google Patents
基于水文-生态响应关系的湖泊生态水力调控方法及系统 Download PDFInfo
- Publication number
- CN116630122B CN116630122B CN202310907730.9A CN202310907730A CN116630122B CN 116630122 B CN116630122 B CN 116630122B CN 202310907730 A CN202310907730 A CN 202310907730A CN 116630122 B CN116630122 B CN 116630122B
- Authority
- CN
- China
- Prior art keywords
- data
- ecological
- hydrologic
- lake
- regulation
- 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 72
- 230000004044 response Effects 0.000 title claims abstract description 35
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 149
- 238000003062 neural network model Methods 0.000 claims abstract description 46
- 238000004088 simulation Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000011160 research Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 19
- 230000001105 regulatory effect Effects 0.000 claims description 45
- 230000008859 change Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000013074 reference sample Substances 0.000 claims description 9
- 239000000523 sample Substances 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000001276 controlling effect Effects 0.000 claims 6
- 238000004891 communication Methods 0.000 description 24
- 241000195493 Cryptophyta Species 0.000 description 12
- 230000000694 effects Effects 0.000 description 7
- 239000000126 substance Substances 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000192700 Cyanobacteria Species 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 229910019142 PO4 Inorganic materials 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000001970 hydrokinetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 1
- 239000010452 phosphate Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer 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
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Fluid Mechanics (AREA)
- Mathematical Optimization (AREA)
- Primary Health Care (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
Abstract
本发明提供了一种基于水文‑生态响应关系的湖泊生态水力调控方法及系统，包括如下步骤：确定研究区域，构建训练集和测试集；构建基于图结构的时序预测神经网络模型，并分别采用训练集、测试集进行训练和测试，采用测试后的时序预测神经网络模型预测未来预定时间内各个采集点的水文数据和生态数据；构建河湖水文水动力模拟模型，以至少N个采集点的水文数据和生态数据为输入，获得至少M个采集点的水文数据和生态数据；采用决策方法筛选符合要求的调度方案，构建湖泊生态调控方案集合。本发明能够准确且快速地给出不同水情下受水湖泊生态水力学调控方法与策略。
Description
技术领域
本发明涉及水力调控技术，尤其是一种基于水文-生态响应关系的湖泊生态水力调控方法。
背景技术
水系连通以江、河、湖、库等为水系单元，采取合理疏导、连通、引排、调度等工程和非工程措施，建立或改善江河湖库水体之间的水力联系，是解决水灾害频发、水资源短缺、水环境恶化等水安全问题的重要举措。
受强人类活动与气候变化等因素影响，浅水湖泊普遍呈现富营养化状态，甚至发生蓝藻水华暴发灾害。水系连通在建立河湖水力联系的同时，也会调节浅水湖泊水位、缩短换水周期、改变受水湖泊流场，对受水浅水湖泊物质运移与生物种群及功能的影响不容忽视。由于污染物质转移、外源物种输入、水文动力扰动等多种风险因子的存在，水系连通对水生态系统的影响存在众多争议，严重制约了水系连通工程应用的综合效益。浅水湖泊由于水浅的特点，对水位、换水周期、湖流结构等水文要素的变化较深水湖泊更为敏感。科学评价水系连通工程河湖水生态环境效应，弄清工程影响受水河湖生态环境的驱动机理，提出针对性的调控方法与策略是解决这一问题的关键。
故需要进一步的研究和创新。
发明内容
发明目的：提供一种基于水文-生态响应关系的湖泊生态水力调控方法，以解决现有技术存在的上述问题。本申请的另一个目的，是提供一种实现上述方法的系统。
技术方案：根据本申请的一个方面，提供一种基于水文-生态响应关系的湖泊生态水力调控方法，其特征在于，包括如下步骤：
步骤S1、确定研究区域，构建包含采集点信息在内的河湖水网拓扑，获取各个采集点的水文数据和生态数据，构建时间序列数据，并基于时间序列数据构建训练集和测试集；
步骤S2、构建基于图结构的时序预测神经网络模型，并分别采用训练集、测试集进行训练和测试，采用测试后的时序预测神经网络模型预测未来预定时间内各个采集点的水文数据和生态数据；
步骤S3、构建河湖水文水动力模拟模型，以至少N个采集点的水文数据和生态数据为输入，获得至少M个采集点的水文数据和生态数据，并与时序预测神经网络模型的预测结果进行比较；若误差在阈值范围内，则将时序预测神经网络模型作为水文生态响应关系预测模型；N、M为大于1的自然数；
步骤S4、构建调控方案集，并采用河湖水文水动力模型进行模拟，获得水文数据，以水文数据作为输入通过时序预测神经网络模型预测各个采集点的生态数据；评价生态数据是否符合要求；采用决策方法筛选符合要求的调度方案，构建湖泊生态调控方案集合。
根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、确定研究区域并获取研究数据，采用ArcGIS或QGIS从研究数据中提取河流和湖泊水系，生成河网文件；为每一河流和湖泊分配唯一的标识ID；获取采集点的位置信息，将采集点和河网文件进行空间匹配，生成包含采集点信息在内的河湖水网拓扑文件；
步骤S12、采集或调取每一采集点的水文数据和生态数据，并按照标准格式进行统计、汇总和对齐，形成每个采集点的水文数据表和生态数据表；
步骤S13、将各个采集点的水文数据表和生态数据表按照时间顺序合并，形成每一采集点的时间序列数据表，从时间序列表中选取数据作为输入变量和输出变量；
步骤S14、根据时间序列数据表，按照预定的比例划分训练集和测试集，并根据模型的要求，将训练集和测试集分别转换为适合模型输入输出格式的数组或张量。
根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、读取并分析河湖水网拓扑，获得河湖水网拓扑的特性数据，根据特性数据，构建基于图结构的时序预测神经网络模型，配置包括学习率、批大小和优化器在内的超参数，筛选损失函数和评估指标；
步骤S22、采用滑动窗口法和序列填充法对训练集和测试集中的时间序列数据进行补全处理，并通过异常检测算法识别训练集和测试集中是否存在异常值；获得预处理后的训练集和测试集；
步骤S23、采用测试后的时序预测神经网络模型预测未来预定时间内各个采集点的水文数据和生态数据。
根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、构建河湖水文水动力模拟模型，获取各个采集点水文数据和生态数据，以及河湖地形、边界条件和水工建筑信息；并对模型参数进行率定；
步骤S32、构建水文水动力模拟场景，获得至少两个区域和至少两个时段的模拟场景，针对每个模拟场景，以至少N个采集点的水文数据和生态数据为输入，获得至少M个采集点的水文数据和生态数据；
步骤S33、将输出结果与时序预测神经网络模型的预测结果进行比较；若误差在阈值范围内，则将时序预测神经网络模型作为水文生态响应关系预测模型。
根据本申请的一个方面，所述步骤S31中，对模型参数进行率定的过程具体包括：
步骤S31a、收集河湖的水文数据和水动力数据，并将河湖水文水动力模拟模型的参数分为基本参数、关键参数和次要参数；
步骤S31b、根据河湖的空间相关性，选择上下游或邻近断面的水文数据和水动力数据作为输入项，选择目标断面的基本参数作为输出项，构建参数率定神经网络模型，利用BP优化算法训练参数率定神经网络模型，得到基本参数的估计值；
步骤S31c、根据河流的时间相关性，选择历史场次的水文数据和水动力数据作为参考样本集，选择当前场次的水文数据和水动力数据作为目标样本集；利用K最近邻算法计算目标样本与参考样本之间的距离，并选取距离最小的K个参考样本；根据参考样本的关键参数和目标样本的水文数据和水动力数据，利用线性回归方法得到关键参数的率定值；
步骤S31d、选择至少两个评价指标作为优化目标函数，利用多目标优化算法在给定的参数范围内搜索最优解集，并根据帕累托前沿选择最优解，得到次要参数的优化值。
根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、读取研究区域中的河湖水网拓扑以及每一河湖的水工建筑数据，将每一水工建筑作为调控节点，根据约束条件、调控目标和调控策略特点，将调控节点的调控策略分为基础调控策略和机动调控策略，构建包含至少两个调控节点的调控方案，并生成针对不同调控场景构建调控方案集合；
步骤S42、针对每一调控场景，顺次调取调控方案，用河湖水文水动力模型进行模拟，获得水文数据；
步骤S43、以水文数据作为输入通过时序预测神经网络模型预测各个采集点的生态数据；评价生态数据是否符合要求；采用层次分析法筛选符合要求的调度方案，构建湖泊生态调控方案集合。
根据本申请的一个方面，所述步骤S41中将调控节点的调控策略分为基础调控策略和机动调控策略的过程包括：
步骤S41a、逐一读取每个调控节点的调控策略，并判断该调控策略是否导致河湖水网拓扑发生改变，若是，将该调控节点标记为动态调控节点；构建动态调控节点集合；
步骤S41b、一一改变动态调控节点的调控策略，形成动态河湖水网拓扑集合；
步骤S41c、针对动态河湖拓扑水网，逐一计算每个调控节点的调控策略对水文数据和生态数据的改变量，并降序排列；
步骤S41d、选择前P个调控节点的调控策略，作为基础调控策略，将其余调控策略作为机动调控策略。
根据本申请的一个方面，所述步骤S43中，采用层次分析法筛选符合要求的调度方案，构建湖泊生态调控方案集合的过程进一步为：
步骤S43a、构建调度方案的层次结构模型，包括目标层、准则层和方案层；
步骤S43b、构造判断矩阵，以对准则层和方案层的元素进行两两比较，给出相对重要性的评分；
步骤S43c、进行层次单排序和一致性检验，即根据判断矩阵计算各元素的权重向量和最大特征根，并检验判断矩阵的一致性指标是否小于阈值；
步骤S44d、进行层次总排序和一致性检验，根据综合权重对调度方案进行排序和筛选，选择出符合要求的最优方案。
根据本申请的一个方面，所述步骤S12a进一步为：
步骤S12a、根据研究区域的基础数据，构建至少两个水情时期，并针对每个水情时期，采集或调取每一采集点的水文数据和生态数据，所述水情时期包括丰平枯时期；
步骤S12b、并按照标准格式进行统计、汇总和对齐，形成每个采集点的水文数据表和生态数据表。
根据本申请的另一个方面，基于水文-生态响应关系的湖泊生态水力调控系统，包括：
至少一个处理器；以及
与至少一个所述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处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的基于水文-生态响应关系的湖泊生态水力调控方法。
有益效果：使用本发明的方法，揭示了水系连通影响下受水浅水湖泊水文-生态响应机理；同时，建立基于水文-生态响应的水系连通多维目标协同水力调控技术体系，提出不同水情下受水湖泊生态水力学调控方法与策略。相关技术优势和效果将在后文进行详细描述。
附图说明
图1是本发明的流程图。
图2是本发明步骤S1的流程图。
图3是本发明步骤S2的流程图。
图4是本发明步骤S3的流程图。
实施方式
目前对于水系连通影响下受水湖泊不同水文参数与生物种群响应间的可量化关系研究较少，导致现有的水系连通水力调控方法缺乏可靠的生态学依据，难以取得预期生态调度效果。
如图1所示，根据本申请的一个方面，提供一种基于水文-生态响应关系的湖泊生态水力调控方法，其特征在于，包括如下步骤：
步骤S1、确定研究区域，构建包含采集点信息在内的河湖水网拓扑，获取各个采集点的水文数据和生态数据，构建时间序列数据，并基于时间序列数据构建训练集和测试集；
步骤S2、构建基于图结构的时序预测神经网络模型，并分别采用训练集、测试集进行训练和测试，采用测试后的时序预测神经网络模型预测未来预定时间内各个采集点的水文数据和生态数据；该模型可以更准确地预测未来一段时间内各个采集点的水文数据和生态数据，提高了预测精度。
步骤S3、构建河湖水文水动力模拟模型，以至少N个采集点的水文数据和生态数据为输入，获得至少M个采集点的水文数据和生态数据，并与时序预测神经网络模型的预测结果进行比较；若误差在阈值范围内，则将时序预测神经网络模型作为水文生态响应关系预测模型；N、M为大于1的自然数。该步骤用于提高模型的可靠性和准确性。
步骤S4、构建调控方案集，并采用河湖水文水动力模型进行模拟，获得水文数据，以水文数据作为输入通过时序预测神经网络模型预测各个采集点的生态数据；评价生态数据是否符合要求；采用决策方法筛选符合要求的调度方案，构建湖泊生态调控方案集合。
在本实施例中，通过河湖水网拓扑与采集点的结合，获取受水湖泊和河流的时间和空间的水文数据和生态数据，并进而对上述数据进行分析，获取水文数据和生态数据的时空演变过程和响应关系，通过基于图结构的时序预测神经网络模型，对时序数据的空间关联信息进行提取，并与水文水动力的模型进行耦合和对比分析，提高数据处理速度和预测准确度，从而为后续调控方案的模拟提供依据，在获得相应的数据后，通过水文水动力模型，对调控方案进行模拟和预测，根据评价输出结果来筛选调控方案。总之，本实施例利用水文气象周期性、生物活动数据集、敏感生物筛选与指标权重设置等多元因素，构建了更为精确、全面的生物生境质量评估模型。这有助于为生态保护、水利工程规划和环境改善提供有力支持。
根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、确定研究区域并获取研究数据，采用ArcGIS或QGIS从研究数据中提取河流和湖泊水系，生成河网文件；为每一河流和湖泊分配唯一的标识ID；获取采集点的位置信息，将采集点和河网文件进行空间匹配，生成包含采集点信息在内的河湖水网拓扑文件。通过将不同数据来源的河流和湖泊水系信息，融合到同一河湖水网拓扑文件，增加数据的完整性，还能够提高数据处理效率，减少人工操作的错误。
步骤S12、采集或调取每一采集点的水文数据和生态数据，并按照标准格式进行统计、汇总和对齐，形成每个采集点的水文数据表和生态数据表；本步骤能够更好地反映时间序列数据之间的关系，从而更准确地预测未来一段时间内各个采集点的水文数据和生态数据。
步骤S13、将各个采集点的水文数据表和生态数据表按照时间顺序合并，形成每一采集点的时间序列数据表，从时间序列表中选取数据作为输入变量和输出变量；
步骤S14、根据时间序列数据表，按照预定的比例划分训练集和测试集，并根据模型的要求，将训练集和测试集分别转换为适合模型输入输出格式的数组或张量。确保模型在独立、未知数据上的性能检验，增强实际应用的可靠性。该方法还可以保证数据的准确性和可靠性，从而提高模型预测精度。
本实施例能够综合考虑河湖水网拓扑、水工建筑、水文数据和生态数据等多方面因素，构建时序预测神经网络模型和河湖水文水动力模拟模型，实现对湖泊生态调控方案的评价和筛选，为湖泊生态保护和恢复提供科学依据和技术支持。同时，能够根据不同的调控场景，生成针对不同调控目标和约束条件的调控方案集合，并采用层次分析法等决策方法筛选符合要求的最优或最优化方案，为湖泊生态调控提供可操作性强的指导意见。
对于数据的采集过程，以某个受水湖为例，采用野外定点跟踪观测手段，在两大湖泊和入湖河流设置监测点位，每5天一次观测汛期与非汛期受水湖区水位、流速、水体，不同形态氮磷浓度、浮游藻类种群丰度以及工程外源输入水量、氮磷生源物质通量、外源藻类生物量等指标，汛期与非汛期各连续观测2个月，剖析两湖泊水系连通输水前、中、后三阶段水文、外源物质通量参数与受水湖泊理化生境及浮游藻类群落变动间的同步变化规律。在采集到相关数据后，还可以运用多元相关（MVC）、线性回归（GLM）以及结构方程模型（SEM）等数据分析方法，重点解析受水湖泊水文参数变化与浮游藻类群落及理化生境参数的同步响应，建立受水湖泊水位、换水周期、输水时长等要素与浮游藻类群落间的定量关系。
根据本申请的另一方面，相关数据还可以通过实验室模拟手段来获取上述数据，例如：构建基于连续流动培养装置的受水湖泊生态系统微宇宙模拟体系，分别设置4个重复体系；采用湖水作为循环水源，以剥离水系连通外源物质输入的影响；设置受水湖泊不同水位、换水周期等水文参数，实验室模拟微宇宙系统中理化生境与浮游藻类生物量的变化。实验周期与野外一致，为 60 天，每5天测定受水湖泊微宇宙系统的水体理化参数与浮游藻类群落。
根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、读取并分析河湖水网拓扑，获得河湖水网拓扑的特性数据，根据特性数据，构建基于图结构的时序预测神经网络模型，配置包括学习率、批大小和优化器在内的超参数，筛选损失函数和评估指标。通过读取并分析河湖水网拓扑，可以有效地提取水网的空间结构信息，反映水网中各个采集点之间的关联性和影响程度，为时序预测神经网络模型的构建提供基础；通过构建基于图结构的时序预测神经网络模型，可以充分利用水网拓扑信息和时间序列信息，实现对水文数据和生态数据的高精度预测，同时具有较强的泛化能力和鲁棒性；通过配置超参数，可以根据不同的水网特性和数据特征，调整模型的学习效率和收敛速度，优化模型的性能和效果；通过筛选损失函数和评估指标，可以根据不同的预测目标和需求，选择合适的模型评价方法，量化模型的预测误差和准确度。
步骤S22、采用滑动窗口法和序列填充法对训练集和测试集中的时间序列数据进行补全处理，并通过异常检测算法识别训练集和测试集中是否存在异常值；获得预处理后的训练集和测试集。通过采用滑动窗口法和序列填充法对时间序列数据进行补全处理，可以解决数据缺失或不完整的问题，保证模型输入数据的完整性和一致性，提高模型的稳定性和可靠性；通过异常检测算法识别训练集和测试集中是否存在异常值，可以排除数据中的噪声或干扰因素，减少模型的预测偏差和方差，提高模型的准确性和鲁棒性。
步骤S23、采用测试后的时序预测神经网络模型预测未来预定时间内各个采集点的水文数据和生态数据。本步骤实现对河湖水网动态变化情况的实时监测和预报。
总之，本实施例为河湖水网的水文数据和生态数据的高精度、高效率、高可靠性的预测提供基础，提高了模型的泛化能力和鲁棒性。
根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、构建河湖水文水动力模拟模型，获取各个采集点水文数据和生态数据，以及河湖地形、边界条件和水工建筑信息；并对模型参数进行率定；本步骤能够为时序预测神经网络模型的验证提供基准数据，同时模型更加细致和准确。
步骤S32、构建水文水动力模拟场景，获得至少两个区域和至少两个时段的模拟场景，针对每个模拟场景，以至少N个采集点的水文数据和生态数据为输入，获得至少M个采集点的水文数据和生态数据；至少两个区域和至少两个时段的模拟场景保证了场景覆盖的多样性，有助于捕捉各种可能的水文生态变化情况，进而提高模型的泛化能力。还增强了模型的空间和时间扩展性。
步骤S33、将输出结果与时序预测神经网络模型的预测结果进行比较；若误差在阈值范围内，则将时序预测神经网络模型作为水文生态响应关系预测模型。本步骤用于提高模型预测的准确性与可靠性。该模型能够更好地捕获水文生态关系的动态特性和非线性特性，提高预测的准确性和可信度。
本实施例可以更好地反映不同情况下湖泊生态系统的变化趋势，从而更全面地评估时序预测神经网络模型的预测能力。
换言之，通过不同的模拟场景，可以通过部分采集点模拟获取其他采集点的数据，即在侧重在空间上进行模拟和预测，还可以通过前段时间的采集点数据，模拟后续一段时间的采集点数据，从而实现在时间的预测。为后续调控方案的优选提供基础。
根据本申请的一个方面，所述步骤S31中，对模型参数进行率定的过程具体包括：
步骤S31a、收集河湖的水文数据和水动力数据，并将河湖水文水动力模拟模型的参数分为基本参数、关键参数和次要参数；
步骤S31b、根据河湖的空间相关性，选择上下游或邻近断面的水文数据和水动力数据作为输入项，选择目标断面的基本参数作为输出项，构建参数率定神经网络模型，利用BP优化算法训练参数率定神经网络模型，得到基本参数的估计值；
步骤S31c、根据河流的时间相关性，选择历史场次的水文数据和水动力数据作为参考样本集，选择当前场次的水文数据和水动力数据作为目标样本集；利用K最近邻算法计算目标样本与参考样本之间的距离，并选取距离最小的K个参考样本；根据参考样本的关键参数和目标样本的水文数据和水动力数据，利用线性回归方法得到关键参数的率定值；
步骤S31d、选择至少两个评价指标作为优化目标函数，利用多目标优化算法在给定的参数范围内搜索最优解集，并根据帕累托前沿选择最优解，得到次要参数的优化值。
本实施例中，参数率定神经网络模型的构建和利用BP优化算法训练，将模型参数的估计与现代机器学习方法相结合，提高了参数估计的准确性和效率。结合河流的时间相关性和空间相关性，对模型参数进行率定，有效提高了模型参数的适应性和准确性。本实施例利用多目标优化算法，实现在多个评价指标间进行综合权衡，从而提高了模型参数优化的全面性和适应性。
总之，本实施例通过对河湖水文水动力模拟模型的参数进行率定，从而提高模型的预测精度和可靠性。根据不同的参数类型和特性，采用不同的方法进行率定，充分利用河湖水网的空间相关性和时间相关性，以及参数之间的非线性关系和线性关系，提高率定的效果和效率；可以综合考虑多个评价指标，寻求最优解集，并根据帕累托前沿选择最优解，实现对模型预测效果的全面评价和优化调整。同时，该方法可以更好地反映自然环境和人类活动对湖泊生态系统的影响，从而更好地指导湖泊生态水力调控工作。
根据本申请的一个方面，模型参数的率定还可以通过如下方式实现：构建湖泊三维水动力~水质~浮游藻类模型，运用不同水情期受水湖泊水文、理化以及生态因子连续观测数据率定验证模型。模型水平方向采用笛卡尔直角坐标系，垂直方向采用σ坐标，划分为10层。以大气、风速风向、连通出入湖流量、水质、沉积物作为模型的边界条件输入。大气条件、风场、降雨量数据收集自监测站。假设初始水位为水平，初始流速为0 m/s，模型计算时间为 365 d，时间步长 10 s。模型的率定采用上述野外观测数据，选取几次连续的野外观测结果进行率定和验证。模型主要模拟的状态变量为水体水温、溶解氧、水体氨氮浓度、磷酸盐浓度、蓝藻丰度等。
根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、读取研究区域中的河湖水网拓扑以及每一河湖的水工建筑数据，将每一水工建筑作为调控节点，根据约束条件、调控目标和调控策略特点，将调控节点的调控策略分为基础调控策略和机动调控策略，构建包含至少两个调控节点的调控方案，并生成针对不同调控场景构建调控方案集合；通过读取研究区域中的河湖水网拓扑及水工建筑数据，有助于有效地把握水资源系统的整体情况，提高方案的准确性和可靠性。
步骤S42、针对每一调控场景，顺次调取调控方案，用河湖水文水动力模型进行模拟，获得水文数据；根据不同调控场景构建调控方案集合，并通过评价生态数据筛选符合要求的调度方案，从而实现湖泊生态调控的科学化和精准化。
步骤S43、以水文数据作为输入通过时序预测神经网络模型预测各个采集点的生态数据；评价生态数据是否符合要求；采用层次分析法筛选符合要求的调度方案，构建湖泊生态调控方案集合。
在本实施例中，根据不同的约束条件、调控目标和调控策略特点，构建包含至少两个调控节点的调控方案，并针对不同的调控场景生成调控方案集合，提高调控方案的多样性和适应性。并可以实现对河湖生态状况的动态预测和评价。
根据本申请的一个方面，所述步骤S41中将调控节点的调控策略分为基础调控策略和机动调控策略的过程包括：
步骤S41a、逐一读取每个调控节点的调控策略，并判断该调控策略是否导致河湖水网拓扑发生改变，若是，将该调控节点标记为动态调控节点；构建动态调控节点集合；可以提高调控方案的灵活性和针对性；
步骤S41b、一一改变动态调控节点的调控策略，形成动态河湖水网拓扑集合；
步骤S41c、针对动态河湖拓扑水网，逐一计算每个调控节点的调控策略对水文数据和生态数据的改变量，并降序排列；可以反映河湖水网在不同调控策略下的空间结构变化，为河湖水网的动态模拟提供基础。
步骤S41d、选择前P个调控节点的调控策略，作为基础调控策略，将其余调控策略作为机动调控策略。P为大于1的自然数。可以实现对河湖生态状况的基本保障和灵活调整。
在本实施例中，通过区分基础调控策略和机动调控策略，可以提高调控方案的灵活性和针对性，有效地应对不同水文气象条件和生态需求。通过逐一读取和判断调控节点的调控策略，找出动态调控节点，有助于更好地理解和捕获河湖网络拓扑变化，从而制定更合适的调控策略。通过形成动态河湖水网拓扑集合，可以反映河湖水网在不同调控策略下的空间结构变化，为河湖水网的动态模拟提供基础。而针对动态河湖拓扑水网，计算每个调控节点的调控策略对水文数据和生态数据的改变量，有助于找出对系统最为关键的调控策略，为后续调控策略的制定提供依据。最后，通过选择前P个调控节点的调控策略作为基础调控策略，实现对河湖生态状况的基本保障，同时采用机动调控策略灵活应对不同情况，综合平衡生态需求与水资源管理。
根据本申请的一个方面，所述步骤S43中，采用层次分析法筛选符合要求的调度方案，构建湖泊生态调控方案集合的过程进一步为：
步骤S43a、构建调度方案的层次结构模型，包括目标层、准则层和方案层；
步骤S43b、构造判断矩阵，以对准则层和方案层的元素进行两两比较，给出相对重要性的评分；
步骤S43c、进行层次单排序和一致性检验，即根据判断矩阵计算各元素的权重向量和最大特征根，并检验判断矩阵的一致性指标是否小于阈值；
步骤S44d、进行层次总排序和一致性检验，根据综合权重对调度方案进行排序和筛选，选择出符合要求的最优方案。
根据本申请的一个方面，还可以通过如下方法来实现。基于不同水情期多维目标的协同准则与方法，运用可拓物元理论与非支配排序遗传算法(NSGA~II)等方法，研发基于现代优化理论的智能优化调度方法；耦合上述生态水力学模型与优化调度方法模块，形成水系连通多维目标协同水力调控技术模型。选取研究区域典型水文年份，收集水文与水质等参数数据，针对不同水文年的水情期，采用受水湖泊生态水力学模型模拟水系连通工程影响下受水湖泊的水文、理化及藻类指标变动；统筹防洪、供水以及水生态安全的水力调控情景，并针对计算结果进行多目标协同优化，优选适用于不同水文年水情期的水系连通水力调控方案，构建典型区水系连通工程防洪~供水~生态多维目标协同的水力学调控方法与策略，为水系连通工程河湖生态风险管控提供技术支撑。
根据本申请的一个方面，所述步骤S12a进一步为：
步骤S12a、根据研究区域的基础数据，构建至少两个水情时期，并针对每个水情时期，采集或调取每一采集点的水文数据和生态数据，所述水情时期包括丰平枯时期；
步骤S12b、并按照标准格式进行统计、汇总和对齐，形成每个采集点的水文数据表和生态数据表。
在本实施例中，通过构建至少两个水情时期，能够更好地反映湖泊生态系统的季节性变化和动态演变。这样可以更加准确地评估湖泊生态系统的状况和趋势。换句话说，通过构建至少两个水情时期（例如丰、平、枯、汛期和非汛期），以确保评估结果全面覆盖了研究区域的各种水文情况，从而提高评估的准确性和可靠性。通过形成每个采集点的水文数据表和生态数据表，可以更容易地进行后续的数据分析和调整，从而更好地评估生物生境质量。通过结合多个水情时期的水文数据和生态数据，可以为相关领域的权衡分析和决策提供可靠的数据支持。
根据本申请的另一个方面，基于水文-生态响应关系的湖泊生态水力调控系统，包括：
至少一个处理器；以及
与至少一个所述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处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的基于水文-生态响应关系的湖泊生态水力调控方法。
在本实施例中，时序预测神经网络模型可以采用诸如DCRNN（散卷积递归神经网络，本实施例采用的模型）、GAT（Graph Attention Network）、基于编码器和解码器的神经网络模块，比如Transformer、ConvS2S。河湖水文水动力模拟模型可以采用浅水湖泊物理-生态过程模拟平台LAMP、HydroMPM（一二维耦合水动力模型）、Delft3D（三维水动力-富营养化模型）。
总之，通过本申请的研究，发现了不同水情期水系连通影响下受水湖泊水文与生态参数的时空同步变化规律，建立了水系连通影响下湖泊敏感水文参数与浮游藻类群落指标间的定量关系，揭示了水系连通影响下受水浅水湖泊水文-生态响应机理；建立了基于水文-生态响应关系的受水湖泊生态水力学数值模拟方法，模拟提出了水系连通影响下规避蓝藻水华风险的水文参数阈值，为水系连通影响下受水湖泊水力调控提供理论与方法依据；建立了基于水文-生态响应的水系连通多维目标协同水力调控技术体系，给出了不同水情下受水湖泊生态水力学调控方法与策略。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。
Claims (9)
1.基于水文-生态响应关系的湖泊生态水力调控方法，其特征在于，包括如下步骤：
步骤S1、确定研究区域，构建包含采集点信息在内的河湖水网拓扑，获取各个采集点的水文数据和生态数据，构建时间序列数据，并基于时间序列数据构建训练集和测试集；
步骤S2、构建基于图结构的时序预测神经网络模型，并分别采用训练集、测试集进行训练和测试，采用测试后的时序预测神经网络模型预测未来预定时间内各个采集点的水文数据和生态数据；
步骤S3、构建河湖水文水动力模拟模型，以至少N个采集点的水文数据和生态数据为输入，获得至少M个采集点的水文数据和生态数据，并与时序预测神经网络模型的预测结果进行比较；若误差在阈值范围内，则将时序预测神经网络模型作为水文生态响应关系预测模型；N、M为大于1的自然数；
步骤S4、构建调控方案集，并采用河湖水文水动力模型进行模拟，获得水文数据，以水文数据作为输入通过时序预测神经网络模型预测各个采集点的生态数据；评价生态数据是否符合要求；采用决策方法筛选符合要求的调度方案，构建湖泊生态调控方案集合；
所述步骤S4进一步为：
步骤S41、读取研究区域中的河湖水网拓扑以及每一河湖的水工建筑数据，将每一水工建筑作为调控节点，根据约束条件、调控目标和调控策略特点，将调控节点的调控策略分为基础调控策略和机动调控策略，构建包含至少两个调控节点的调控方案，并针对不同调控场景构建调控方案集合；
步骤S42、针对每一调控场景，顺次调取调控方案，用河湖水文水动力模型进行模拟，获得水文数据；
步骤S43、以水文数据作为输入通过时序预测神经网络模型预测各个采集点的生态数据；评价生态数据是否符合要求；采用层次分析法筛选符合要求的调度方案，构建湖泊生态调控方案集合。
2.如权利要求1所述的基于水文-生态响应关系的湖泊生态水力调控方法，其特征在于，所述步骤S1进一步为：
步骤S11、确定研究区域并获取研究数据，采用ArcGIS或QGIS从研究数据中提取河流和湖泊水系，生成河网文件；为每一河流和湖泊分配唯一的标识ID；获取采集点的位置信息，将采集点和河网文件进行空间匹配，生成包含采集点信息在内的河湖水网拓扑文件；
步骤S12、采集或调取每一采集点的水文数据和生态数据，并按照标准格式进行统计、汇总和对齐，形成每个采集点的水文数据表和生态数据表；
步骤S13、将各个采集点的水文数据表和生态数据表按照时间顺序合并，形成每一采集点的时间序列数据表，从时间序列表中选取数据作为输入变量和输出变量；
步骤S14、根据时间序列数据表，按照预定的比例划分训练集和测试集，并根据模型的要求，将训练集和测试集分别转换为适合模型输入输出格式的数组或张量。
3.如权利要求2所述的基于水文-生态响应关系的湖泊生态水力调控方法，其特征在于，所述步骤S2进一步为：
步骤S21、读取并分析河湖水网拓扑，获得河湖水网拓扑的特性数据，根据特性数据，构建基于图结构的时序预测神经网络模型，配置包括学习率、批大小和优化器在内的超参数，筛选损失函数和评估指标；
步骤S22、采用滑动窗口法和序列填充法对训练集和测试集中的时间序列数据进行补全处理，并通过异常检测算法识别训练集和测试集中是否存在异常值；获得预处理后的训练集和测试集；
步骤S23、采用测试后的时序预测神经网络模型预测未来预定时间内各个采集点的水文数据和生态数据。
4.如权利要求1所述的基于水文-生态响应关系的湖泊生态水力调控方法，其特征在于，所述步骤S3进一步为：
步骤S31、构建河湖水文水动力模拟模型，获取各个采集点水文数据和生态数据，以及河湖地形、边界条件和水工建筑信息；并对模型参数进行率定；
步骤S32、构建水文水动力模拟场景，获得至少两个区域和至少两个时段的模拟场景，针对每个模拟场景，以至少N个采集点的水文数据和生态数据为输入，获得至少M个采集点的水文数据和生态数据；
步骤S33、将输出结果与时序预测神经网络模型的预测结果进行比较；若误差在阈值范围内，则将时序预测神经网络模型作为水文生态响应关系预测模型。
5.如权利要求4所述的基于水文-生态响应关系的湖泊生态水力调控方法，其特征在于，所述步骤S31中，对模型参数进行率定的过程具体包括：
步骤S31a、收集河湖的水文数据和水动力数据，并将河湖水文水动力模拟模型的参数分为基本参数、关键参数和次要参数；
步骤S31b、根据河湖的空间相关性，选择上下游或邻近断面的水文数据和水动力数据作为输入项，选择目标断面的基本参数作为输出项，构建参数率定神经网络模型，利用BP优化算法训练参数率定神经网络模型，得到基本参数的估计值；
步骤S31c、根据河流的时间相关性，选择历史场次的水文数据和水动力数据作为参考样本集，选择当前场次的水文数据和水动力数据作为目标样本集；利用K最近邻算法计算目标样本与参考样本之间的距离，并选取距离最小的K个参考样本；根据参考样本的关键参数和目标样本的水文数据和水动力数据，利用线性回归方法得到关键参数的率定值；
步骤S31d、选择至少两个评价指标作为优化目标函数，利用多目标优化算法在给定的参数范围内搜索最优解集，并根据帕累托前沿选择最优解，得到次要参数的优化值。
6.如权利要求1所述的基于水文-生态响应关系的湖泊生态水力调控方法，其特征在于，所述步骤S41中将调控节点的调控策略分为基础调控策略和机动调控策略的过程包括：
步骤S41a、逐一读取每个调控节点的调控策略，并判断该调控策略是否导致河湖水网拓扑发生改变，若是，将该调控节点标记为动态调控节点；构建动态调控节点集合；
步骤S41b、一一改变动态调控节点的调控策略，形成动态河湖水网拓扑集合；
步骤S41c、针对动态河湖拓扑水网，逐一计算每个调控节点的调控策略对水文数据和生态数据的改变量，并降序排列；
步骤S41d、选择前P个调控节点的调控策略，作为基础调控策略，将其余调控策略作为机动调控策略。
7.如权利要求6所述的基于水文-生态响应关系的湖泊生态水力调控方法，其特征在于，所述步骤S43中，采用层次分析法筛选符合要求的调度方案，构建湖泊生态调控方案集合的过程进一步为：
步骤S43a、构建调度方案的层次结构模型，包括目标层、准则层和方案层；
步骤S43b、构造判断矩阵，以对准则层和方案层的元素进行两两比较，给出相对重要性的评分；
步骤S43c、进行层次单排序和一致性检验，即根据判断矩阵计算各元素的权重向量和最大特征根，并检验判断矩阵的一致性指标是否小于阈值；
步骤S44d、进行层次总排序和一致性检验，根据综合权重对调度方案进行排序和筛选，选择出符合要求的最优方案。
8.如权利要求2所述的基于水文-生态响应关系的湖泊生态水力调控方法，其特征在于，所述步骤S12进一步为：
步骤S12a、根据研究区域的基础数据，构建至少两个水情时期，并针对每个水情时期，采集或调取每一采集点的水文数据和生态数据，所述水情时期包括丰平枯时期；
步骤S12b、并按照标准格式进行统计、汇总和对齐，形成每个采集点的水文数据表和生态数据表。
9. 基于水文-生态响应关系的湖泊生态水力调控系统，其特征在于，包括：
至少一个处理器；以及
与至少一个所述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处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1~8任一项所述的基于水文-生态响应关系的湖泊生态水力调控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310907730.9A CN116630122B (zh) | 2023-07-24 | 2023-07-24 | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310907730.9A CN116630122B (zh) | 2023-07-24 | 2023-07-24 | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116630122A CN116630122A (zh) | 2023-08-22 |
| CN116630122B true CN116630122B (zh) | 2023-09-19 |
Family
ID=87610273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310907730.9A Active CN116630122B (zh) | 2023-07-24 | 2023-07-24 | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116630122B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117273313B (zh) * | 2023-09-08 | 2024-05-24 | 中关村科学城城市大脑股份有限公司 | 水网调蓄方法、装置、电子设备和计算机可读介质 |
| CN116976529B (zh) * | 2023-09-22 | 2023-12-26 | 南京大学 | 基于供需预测动态校正的跨流域调水方法和系统 |
| CN117078114B (zh) * | 2023-10-16 | 2023-12-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 引水工程影响下受水湖泊水质评价方法和系统 |
| CN117116382B (zh) * | 2023-10-18 | 2023-12-26 | 水利部交通运输部国家能源局南京水利科学研究院 | 引水工程影响下受水湖泊水质时空预测方法和系统 |
| CN117150975B (zh) * | 2023-10-31 | 2024-01-26 | 长江三峡集团实业发展(北京)有限公司 | 一种水动力模型参数优化、水动力过程模拟方法及装置 |
| CN117236199B (zh) * | 2023-11-14 | 2024-02-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市水网区域河湖水质提升与水安全保障方法及系统 |
| CN117875193B (zh) * | 2024-03-12 | 2024-05-28 | 北京师范大学 | 一种湖泊热力学过程模拟方法及模拟系统 |
| CN118396227A (zh) * | 2024-05-07 | 2024-07-26 | 中国科学院武汉岩土力学研究所 | 一种基于多元异构地理信息的数据融合治理方法 |
| CN118260538B (zh) * | 2024-05-30 | 2024-08-06 | 水利部交通运输部国家能源局南京水利科学研究院 | 强人类干扰河湖生态结构与功能复苏评价方法及系统 |
| CN118364977B (zh) * | 2024-06-20 | 2024-11-08 | 中国水产科学研究院南海水产研究所 | 一种海水池塘菌藻群落的养殖生态智能调节方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183123A (zh) * | 2020-09-15 | 2021-01-05 | 湖北省水利水电规划勘测设计院 | 用于水华防控的河道内生态环境需水量分析方法 |
| CN112506990A (zh) * | 2020-12-03 | 2021-03-16 | 河海大学 | 一种基于时空信息的水文数据异常检测方法 |
| AU2021103039A4 (en) * | 2021-06-02 | 2021-07-22 | Institute of Hydroecology, MWR&CAS | an ecological dispatch method and apparatus for complex ecosystem of lakes and rivers |
| CN114117848A (zh) * | 2021-11-10 | 2022-03-01 | 北京师范大学 | 一种基于多模型耦合的流域水环境模拟预测的方法及装置 |
| CN114240196A (zh) * | 2021-12-21 | 2022-03-25 | 中国科学院东北地理与农业生态研究所 | 一种基于水动力-水质-生态模型的湖泊多水源调控方法 |
| WO2022099852A1 (zh) * | 2020-11-10 | 2022-05-19 | 广东粤海水务股份有限公司 | 一种城市景观湖泊水生态系统健康评价及诊断方法 |
| CN114548711A (zh) * | 2022-02-09 | 2022-05-27 | 四川大学 | 基于模糊综合评价法的梯级水库水文生态调度效果评估方法 |
| CN115130736A (zh) * | 2022-06-10 | 2022-09-30 | 武汉大学 | 基于贝叶斯层次模型的水文生态响应关系、生态流量确定方法及系统 |
| CN115496148A (zh) * | 2022-09-22 | 2022-12-20 | 中国长江三峡集团有限公司 | 一种河流大尺度水文情势变化的评价方法及装置 |
| CN115907436A (zh) * | 2023-01-10 | 2023-04-04 | 河海大学 | 基于量质耦合预报的水资源水环境调控方法和系统 |
| CN116070971A (zh) * | 2023-03-27 | 2023-05-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 河湖水系有序流动调控方法和系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AR109623A1 (es) * | 2018-02-16 | 2019-01-09 | Pescarmona Enrique Menotti | Proceso y sistema de análisis y gestión hidrológica para cuencas |
| CN109489637B (zh) * | 2018-11-08 | 2019-10-18 | 清华大学 | 水量变化监测方法、装置、计算机设备和存储介质 |
-
2023
- 2023-07-24 CN CN202310907730.9A patent/CN116630122B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183123A (zh) * | 2020-09-15 | 2021-01-05 | 湖北省水利水电规划勘测设计院 | 用于水华防控的河道内生态环境需水量分析方法 |
| WO2022099852A1 (zh) * | 2020-11-10 | 2022-05-19 | 广东粤海水务股份有限公司 | 一种城市景观湖泊水生态系统健康评价及诊断方法 |
| CN112506990A (zh) * | 2020-12-03 | 2021-03-16 | 河海大学 | 一种基于时空信息的水文数据异常检测方法 |
| AU2021103039A4 (en) * | 2021-06-02 | 2021-07-22 | Institute of Hydroecology, MWR&CAS | an ecological dispatch method and apparatus for complex ecosystem of lakes and rivers |
| CN114117848A (zh) * | 2021-11-10 | 2022-03-01 | 北京师范大学 | 一种基于多模型耦合的流域水环境模拟预测的方法及装置 |
| CN114240196A (zh) * | 2021-12-21 | 2022-03-25 | 中国科学院东北地理与农业生态研究所 | 一种基于水动力-水质-生态模型的湖泊多水源调控方法 |
| CN114548711A (zh) * | 2022-02-09 | 2022-05-27 | 四川大学 | 基于模糊综合评价法的梯级水库水文生态调度效果评估方法 |
| CN115130736A (zh) * | 2022-06-10 | 2022-09-30 | 武汉大学 | 基于贝叶斯层次模型的水文生态响应关系、生态流量确定方法及系统 |
| CN115496148A (zh) * | 2022-09-22 | 2022-12-20 | 中国长江三峡集团有限公司 | 一种河流大尺度水文情势变化的评价方法及装置 |
| CN115907436A (zh) * | 2023-01-10 | 2023-04-04 | 河海大学 | 基于量质耦合预报的水资源水环境调控方法和系统 |
| CN116070971A (zh) * | 2023-03-27 | 2023-05-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 河湖水系有序流动调控方法和系统 |
Non-Patent Citations (4)
| Title |
|---|
| Variation trends analysis of eco-hydrological factors in lower reaches of the Yellow River during the past 50 years;Zhang Hong-bo 等;《2010 International Conference on Mechanic Automation and Control Engineering》;4676-4679 * |
| 基于水动力-水质-水生态综合模型的查干湖多水源调控;刘雪梅;《中国博士学位论文全文数据库工程科技Ⅰ辑》(第02期);B027-69 * |
| 引水工程湖泊水生态效应评估研究进展;吴时强 等;《南昌工程学院学报》;第37卷(第06期);14-26 * |
| 滇西北湖泊水文调控与生态环境响应的时空特征;王教元;《中国博士学位论文全文数据库工程科技Ⅰ辑》(第01期);B027-4 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116630122A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116630122B (zh) | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 | |
| CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
| CN116090839B (zh) | 水资源耦合系统多重风险分析与评估方法及系统 | |
| CN117116382B (zh) | 引水工程影响下受水湖泊水质时空预测方法和系统 | |
| CN115374376B (zh) | 小水电生态影响监测评估方法与系统 | |
| CN117170221A (zh) | 一种污水处理的人工智能控制系统 | |
| CN116485584B (zh) | 高寒区大底坡河流wee协同调控方法及系统 | |
| Aldrees et al. | Evolutionary and ensemble machine learning predictive models for evaluation of water quality | |
| CN112348290B (zh) | 河流水质预测方法、装置、存储介质及设备 | |
| CN114036838B (zh) | 一种基于多层lstm神经网络的垂向水温模拟方法 | |
| CN110334876A (zh) | 一种基于径流情势、水质及生物多要素的环境流量过程调控方法 | |
| CN117078114B (zh) | 引水工程影响下受水湖泊水质评价方法和系统 | |
| Xia et al. | Bioindicator assessment framework of river ecosystem health and the detection of factors influencing the health of the Huai River Basin, China | |
| CN113269384B (zh) | 一种对河流系统健康状态进行预警的方法 | |
| CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 | |
| Chao et al. | Estimation of species richness and shared species richness | |
| CN118097438A (zh) | 一种基于大数据的施肥方法及系统 | |
| Setiawan et al. | Spatial modeling on land use change in regional scale of Java Island based-on biophysical characteristics | |
| CN112287299A (zh) | 河流健康变化定量归因方法、装置及系统 | |
| Liu et al. | Evaluation of cultivated land quality using attention mechanism-back propagation neural network | |
| CN110322124A (zh) | 一种流域水系统协同承载力评价要素的协同测度方法 | |
| Alredaisy | Recommending the IHACRES model for water resources assessment and resolving water conflicts in Africa | |
| CN115358587A (zh) | 区域多部门协同的基础设施规划方法及系统 | |
| Wang et al. | Simulating runoff changes and evaluating under climate change using CMIP6 data and the optimal SWAT model: a case study | |
| King et al. | Combining ecohydrologic and transition probability-based modeling to simulate vegetation dynamics in a semi-arid rangeland |
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 |