一种基于连续和分级混合数据的水质快速预测方法技术

本发明专利技术提供一种基于连续和分级混合数据的水质快速预测方法，该方法利用流域土地利用面积、GDP、人口等参数的分类等级，对流域内不同区域的水质变化进行预测，构建深度学习神经网络，快速计算得到流域不同等级社会经济发展情况下的地表水质变化及其空间分布，作为流域水环境治理的依据。与现有技术相比，本发明专利技术的有益效果为：本发明专利技术的水质预测方法避免了采用社会经济数据进行水质预测时社会经济统计数据缺失的问题，可以不需要准确的社会经济数据，仅使用社会经济分类等级数据即可进行预测，实用性更强。并且通过深度学习神经网络进行水质预测，相比传统的数值模拟方法，计算速度更快、适用范围更广。适用范围更广。适用范围更广。

【技术实现步骤摘要】
一种基于连续和分级混合数据的水质快速预测方法


[0001]本专利技术涉及水质预测
，具体涉及一种基于连续和分级混合数据的水质快速预测方法。

技术介绍

[0002]随着社会经济发展和人类排污活动的增加，水体污染已经成为制约我国社会可持续发展和人民优质生活追求的重要因素。然而，随着地区之间社会经济联系的不断加强以及气候变化的影响，我国的水环境演变呈现跨区域、多因素耦合影响的复杂变化，单一水样或者河段的水质预测和水环境治理已逐渐不能满足要求，亟需大空间范围多影响因素的水质综合预测。
[0003]传统的水质预测方法主要包括数值模拟方法和数理统计方法。然而，由于流域水动力过程和污染物水化学过程的复杂性，水体污染物的迁移转化机理还不完全清楚，导致数值模拟的精确度不高。此外，数值模拟方法的计算量大，在大范围应用上具有一定的困难。在数理统计方法方面，虽然计算量数值模拟方法低，但对数据时序性、连续性以及正态分布的要求严格，建模相对困难，应用性不强。
[0004]与此同时，现有的基于深度学习的水质预测方法要是基于循环神经网络，比如长短期记忆模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于连续和分级混合数据的水质快速预测方法，其特征在于，包括以下步骤：S1、确定流域范围及其内部分区，所述内部分区包括子流域分区和行政区分区；S2、确定流域在预测时段内的气象参数，接着将所述气象参数转换为子流域气象数据；所述气象参数包括t时刻i气象点观测的降雨、蒸发和气温数据；S3、确定子流域在预测时段内的社会经济参数，生成子流域的社会经济参数集合；S4、确定子流域水质参数；S5、对子流域社会经济参数集合中的数据进行等级分类；S6、将等级分类的社会经济参数进行热编码，形成社会经济参数的热编码矩阵；S7、对气象参数和水质参数进行标准化处理；S8、在社会经济参数的热编码矩阵和标准化的子流域气象数据、水质参数中划分训练集和测试集；S9、构建全连接深度学习神经网络，并定义损失函数和迭代优化算法；S10、将训练集输入到深度学习神经网络中得到训练后的深度学习神经网络，接着将测试集输入到训练后的深度学习神经网络得到预测的水质参数；将预测的水质参数与实测的水质参数进行对比，调整模型参数，最终储存符合精度要求的深度学习神经网络及其参数数据；S11、选取流域某一时段的气象和社会经济数据，输入到步骤S10中存储的深度学习神经网络，预测得到所有子流域在该时段的水质参数。2.根据权利要求1所述的方法，其特征在于：步骤S2更具体为：S21、气象站点获取预测时段内的降雨、蒸发和气温数据；S22、根据气象站点的经纬度坐标制作气象站点空间分布图，并将每个站点、每个时段的降雨、蒸发和气温数据导入到站点分布图的属性表中；S23、以整个流域为边界，采用克里金插值法对每个站点的气象数据进行空间插值，生成每个时段流域降雨、蒸发和气温的栅格数据，并存储到地理空间数据库中；S24、以子流域为范围，计算每个子流域范围内所有栅格的降雨、蒸发和气温数据的平均值，得到子流域的气象参数。3.根据权利要求1所述的方法，其特征在于：所述社会经济参数包括土地利用面积、常住人口、GDP、人均GDP、人口密度、粮食产量、城市污水处理率。4.根据权利要求3所述的方法，其特征在于：步骤S3更具体为：S31、获取预测时段内土地利用面积、常住人口、GDP、人均GDP、人口密度、粮食产量、城市污水处理率的社会经济参数；S32、将步骤S31中的社会经济参数转换为子流域的相关参数；S33、生成子流域的社会经济参数集合。5.根据权利要求1所述的方法，其特征在于：所述水质参数包括地表水的溶解氧、COD锰、氨氮、总磷、总氮的浓度值；步骤S4更具体为：S41、确定所有子流域内河道水质监...

【专利技术属性】
技术研发人员：刘悦忆，郑航，万文华，
申请(专利权)人：东莞理工学院，
类型：发明
国别省市：