河口区污染物漂移扩散预测方法及系统技术方案

本发明专利技术涉及污染物检测领域，提供一种河口区污染物漂移扩散预测方法及系统，包括：S1：获取污染物浓度背景场数据、风场背景场数据和河口区的河流监测数据；S2：通过深度学习对河流监测数据进行预测，获得污染物浓度；S3：对河流监测数据进行预测，获得预测流量；S4：将预测流量和风场背景场数据输入风浪流耦合模型，获得大气驱动和流场驱动；S5：将污染物浓度背景场数据、流场驱动、大气驱动和污染物浓度输入污染物三维运输模型进行预测，获得河口区污染物漂移扩散预测结果。本发明专利技术充分考虑了预测的效率与质量，结合风浪流耦合模型，可进一步的提升污染物三维运输模型的速度、精确度，有效提高了河口区污染物漂移扩散数值预报的时效性与精确度。与精确度。与精确度。

【技术实现步骤摘要】
河口区污染物漂移扩散预测方法及系统


[0001]本专利技术涉及污染物检测领域，尤其涉及一种河口区污染物漂移扩散预测方法及系统。

技术介绍

[0002]近些年来随着经济发展，河口区污染问题日益凸显，河口区污染物漂移扩散模拟能够为河口污染物预测、应急响应和环境损害评估等提供理论指导、技术参考和数据支撑，对防范、治理河口区污染具有至关重要的作用。一方面，传统的河口区污染物漂移扩散模拟由于数据量巨大导致其预测时效性不高，另一方面，由于海洋环境中流在传播过程中往往伴随风与浪的存在，仅考虑风浪流而不考虑三者间的相互影响会导致污染物三维运输模型预报结果精度有限。
[0003]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0004]为解决上述技术问题，本专利技术提供一种河口区污染物漂移扩散预测方法，包括：
[0005]S1：获取污染物浓度背景场数据、风场背景场数据和河口区的河流监测数据；
[0006]S2：通过深度学习对所述河流监测数据进行预测，获得污染物浓度；
[0007]S3：通过EMD经验模式分解方法和LSTM神经网络对所述河流监测数据进行预测，获得预测流量；
[0008]S4：将所述预测流量和所述风场背景场数据输入风浪流耦合模型，获得大气驱动和流场驱动；
[0009]S5：将所述污染物浓度背景场数据、所述流场驱动、所述大气驱动和所述污染物浓度输入污染物三维运输模型进行预测，获得河口区污染物漂移扩散预测结果。
>[0010]优选的，步骤S2中，所述污染物浓度的污染物包括：氨氮、总氮、总磷、硝氮、TOC、COD、亚硝酸盐、六价铬、铜和锌。
[0011]优选的，步骤S3具体为：
[0012]S31：通过所述EMD经验模式分解方法对所述河流监测数据进行分解，获得数据分量；将各所述数据分量进行归一化，获得对应的归一化后的数据分量；
[0013]S32：通过所述LSTM神经网络对各所述归一化后的数据分量进行训练，获得对应的训练后的数据分量；
[0014]S33：将各所述训练后的数据分量进行反归一化和重构，获得所述预测流量。
[0015]优选的，步骤S31具体为：
[0016]S311：t时刻的河流监测数据表示为X(t)，t为监测时间；
[0017]找出X(t)的所有极大值点，通过三次样条插值函数将所有极大值点拟合形成上包络线；
[0018]找出X(t)的所有极小值点，通过三次样条插值函数将所有极小值点拟合形成下包络线；
[0019]将上包络线和下包络线的均值记作ml；
[0020]S312：数据分量的表达式如下：
[0021]r
t
＝X(t)
‑
ml
[0022]其中，r
t
为t时刻的数据分量；
[0023]S313：对各所述数据分量进行归一化，获得对应的归一化后的数据分量；R
t
为t时刻的归一化后的数据分量。
[0024]优选的，步骤S32具体为：
[0025]将所述归一化后的数据分量输入所述LSTM神经网络，LSTM神经网络包括：遗忘门、输入门和输出门；
[0026]通过归一化后的数据分量R
t
构建遗忘门、输入门和输出门的权重矩阵；
[0027]所述遗忘门的表达式如下：
[0028]f
t
＝σ(W
f
·
[h
f(t
‑
1)
,x
ft
]+b
f
)
[0029]其中，t为监测时间；f
t
为t时刻的遗忘门；σ为sigmoid函数；W
f
为遗忘门的权重矩阵；权重矩阵W
f
由矩阵W
fh
和矩阵W
fx
拼接而成；h
f(t
‑
1)
为矩阵W
fh
在t
‑
1时刻的对应输出项；x
ft
为矩阵W
fx
在t时刻的对应输出项；b
f
为遗忘门的偏置项；
[0030]所述输入门的表达式如下：
[0031]i
t
＝σ(W
c
·
[h
c(t
‑
1)
,x
ct
]+b
c
)
[0032]其中，i
t
为t时刻的输入门；W
c
为输入门的权重矩阵；权重矩阵W
c
由矩阵W
ch
和矩阵W
cx
拼接而成；h
c(t
‑
1)
为矩阵W
ch
在t
‑
1时刻的对应输出项；x
ct
为矩阵W
cx
在t时刻的对应输出项；b
c
为输入门的偏置项；
[0033]t时刻的输入单元状态的表达式如下：
[0034][0035]其中，z为任意值；
[0036]t时刻的输出单元状态C
t
的表达式如下：
[0037][0038]其中，C
t
‑1为t
‑
1时刻的输出单元状态；符号
⊙
表示按元素乘；
[0039]所述输出门的表达式如下：
[0040]O
t
＝σ(W
o
·
[h
o(t
‑
1)
,x
ot
]+b
o
)
[0041]其中，O
t
为t时刻的输出门，W
o
为输入门的权重矩阵；权重矩阵W
o
由矩阵W
oh
和矩阵W
ox
拼接而成；h
o(t
‑
1)
为矩阵W
oh
在t
‑
1时刻的对应输出项；x
ot
为矩阵W
ox
在t时刻的对应输出项；b
o
为输出门的偏置项；
[0042]所述训练后的数据分量的表达式如下：
[0043]h
t
＝O
t
⊙
tanh(C
t
)
[0044]其中，h
t
表示t时刻的训练后的数据分量。
[0045]优选的，步骤S4具体为：
[0046]S41：所述风浪流耦合模型包括：大气模式WRF、海洋模式FVCOM和海浪模式SWAN；将所述风场背景场数据输入所述大气模式WRF，获得大气驱动；
[0047]S42：将所述大气驱动输入所述海洋本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种河口区污染物漂移扩散预测方法，其特征在于，包括：S1：获取污染物浓度背景场数据、风场背景场数据和河口区的河流监测数据；S2：通过深度学习对所述河流监测数据进行预测，获得污染物浓度；S3：通过EMD经验模式分解方法和LSTM神经网络对所述河流监测数据进行预测，获得预测流量；S4：将所述预测流量和所述风场背景场数据输入风浪流耦合模型，获得大气驱动和流场驱动；S5：将所述污染物浓度背景场数据、所述流场驱动、所述大气驱动和所述污染物浓度输入污染物三维运输模型进行预测，获得河口区污染物漂移扩散预测结果。2.根据权利要求1所述的河口区污染物漂移扩散预测方法，其特征在于，步骤S2中，所述污染物浓度的污染物包括：氨氮、总氮、总磷、硝氮、TOC、COD、亚硝酸盐、六价铬、铜和锌。3.根据权利要求1所述的河口区污染物漂移扩散预测方法，其特征在于，步骤S3具体为：S31：通过所述EMD经验模式分解方法对所述河流监测数据进行分解，获得数据分量；将各所述数据分量进行归一化，获得对应的归一化后的数据分量；S32：通过所述LSTM神经网络对各所述归一化后的数据分量进行训练，获得对应的训练后的数据分量；S33：将各所述训练后的数据分量进行反归一化和重构，获得所述预测流量。4.根据权利要求3所述的河口区污染物漂移扩散预测方法，其特征在于，步骤S31具体为：S311：t时刻的河流监测数据表示为X(t)，t为监测时间；找出X(t)的所有极大值点，通过三次样条插值函数将所有极大值点拟合形成上包络线；找出X(t)的所有极小值点，通过三次样条插值函数将所有极小值点拟合形成下包络线；将上包络线和下包络线的均值记作ml；S312：数据分量的表达式如下：r
t
＝X(t)
‑
ml其中，r
t
为t时刻的数据分量；S313：对各所述数据分量进行归一化，获得对应的归一化后的数据分量；R
t
为t时刻的归一化后的数据分量。5.根据权利要求3所述的河口区污染物漂移扩散预测方法，其特征在于，步骤S32具体为：将所述归一化后的数据分量输入所述LSTM神经网络，LSTM神经网络包括：遗忘门、输入门和输出门；通过归一化后的数据分量R
t
构建遗忘门、输入门和输出门的权重矩阵；所述遗忘门的表达式如下：f
t
＝σ(W
f
·
[h
f(t
‑
1)
,x
ft
]+b
f
)其中，t为监测时间；f
t
为t时刻的遗忘门；σ为sigmoid函数；W
f
为遗忘门的权重矩阵；权
重矩阵W
f
由矩阵W
fh
和矩阵W
fx
拼接而成；h
f(t
‑
1)
为矩阵W
fh
在t
‑
1时刻的对应输出项；x
ft
为矩阵W
fx
在t时刻的对应输出项；b
f
为遗忘门的偏置项；所述输入门的表达式如下：i
t
＝σ(W
c
·
[h
c(t
‑
1)
,x
ct
]+b
c

【专利技术属性】
技术研发人员：牟林，罗梽轩，王道胜，牛茜如，
申请(专利权)人：中地大海洋广州科学技术研究院有限公司，
类型：发明
国别省市：