针对生态基流监测的智能增强测流方法、系统及其应用技术方案

本申请提出了针对生态基流监测的智能增强测流方法、系统及其应用，包括以下步骤：S00、同时接入ADCP和点流速计；S10、通过基于边界自动判定的双变量决策树算法模型对流场状态的识别，并对ADCP和点流速计进行自动切换；S20、对采集的数据进行异常值识别和处理，并直接向用户推送；其中，该基于边界自动判定的双变量决策树算法模型融合使用了阈值自动选择算法和双变量决策树构建。本申请可综合管理利用这些仪器设备，统一数据口径，加强数据处理能力，弥补单个设备测流能力的不足，扩大监测范围。扩大监测范围。扩大监测范围。

【技术实现步骤摘要】
针对生态基流监测的智能增强测流方法、系统及其应用


[0001]本申请涉及水文测量
，特别是一种涉及针对生态基流监测的智能增强测流方法、系统及其应用。

技术介绍

[0002]河道流域的供水、需水是一个动态平衡的过程。生态基流，是指维持河流基本形态和基本生态功能的河道内最小流量，又称最小生态流量（Minimum ecological Flow）或最小可接受流量(Minimum Acceptable Flow)。持续稳定的生态基流，在维持河道生物正常生长，促进河流水盐、水沙平衡，优化生态需水等方面均有着十分重大的意义。
[0003]不同的地区、时间、季节，河道的流量流速状态都是不同的。在实际的生态流量管控中，日常情况下河流往往保持一个正常的流速，而在流域较为干涸的时，会通过上游水库的水闸，释放持续不间断的小流量，以使得下游河道维持稳定的生态基流，因此，对河道流量的监测是至关重要的，通过河道流量的持续监控，有利于及时发现河道断流，流量减少等情况，避免生态环境问题的产生，实现流域生态的可持续发展，同时也有利于河流生态基流阈值的设定与调整，保证供水科学合理。
[0004]目前国内外的生态基流计算方法种类繁多，大多以水文学、水力学方法为主。“部分流速面积法”是传统水文流量测量最基本的理论，是目前国内外使用最为广泛的测流方法。基本思路：通过测算部分流速Vi和部分面积Ai，两者的乘积为通过该部分面积上的流量Qi，累计可求得全断面的流量Q=ΣQi。
[0005]而因为声学多普勒测流产品（ADCP）有着自动化程度高，实时性强的特点，目前被业内广泛使用，通过测量多位置多点流速，再依据相关水力学模型，推算得出河道平均流速。
[0006]ADCP从安装方式上可以分为两种，一种是垂线式，一种是岸边水平式。垂线式虽然可以准确，稳定地测量低、中、高流速，但其安装困难，成本大，也不利于日常维护。而水平式在选择合适的河道流场位置后，安装较为简单，维护方便，对于中、高流速流场，ADCP能较好地完成测量任务，但其不适合在低流速流场的场景下进行监测，一方面是由于自身设备的固有原因，其工作频率为300
‑
1200khz。一方面是低流速下流场脉动因素影响会相对放大，造成流量流速杂乱无章，流速方向混乱，在对ADCP数据进行处理时难以确定流速方向。
[0007]因此，如何综合管理利用这些仪器设备，统一数据口径，加强数据处理能力，弥补单个设备测流能力的不足，扩大监测范围，是目前业内关注的问题。亟待针对生态基流监测的智能增强测流方法、系统及其应用，以解决现有技术存在的问题。

技术实现思路

[0008]本申请实施例提供了针对生态基流监测的智能增强测流方法、系统及其应用，针对目前技术存在的无法有效利用仪器设备、监测范围受限等问题。
[0009]本专利技术核心技术主要是采用终端控制器同时接入ADCP和点流速计，通过对流场状
态的识别进行设备切换。在算法上，针对测流数据均为连续特征的特点，为增加模型训练的效率，提升流场识别准确度，我们采用了基于边界自动判定的双变量决策树算法，作为训练模型，将训练后模型植入终端控制器中，做到智能决策，实现不同流场场景下的设备自动切换；最后对采集上来的数据进行统一的异常值识别与处理，直接向用户推送，避免用户对数据进行进一步处理，减少使用难度。
[0010]第一方面，本申请提供了针对生态基流监测的智能增强测流方法，所述方法包括以下步骤：S00、同时接入ADCP和点流速计；S10、通过基于边界自动判定的双变量决策树算法模型对流场状态的识别，并对ADCP和点流速计进行自动切换；S20、对采集的数据进行异常值识别和处理，并直接向用户推送；其中，该基于边界自动判定的双变量决策树算法模型融合使用了阈值自动选择算法和双变量决策树构建。
[0011]进一步地，S10步骤中，对流场状态的识别，并对ADCP和点流速计进行自动切换具体步骤为：S11、判断是否为低流速流场；S12、若是，则唤醒点流速计并调整ADCP的监测频率；若否，则使ADCP继续工作并使得点流速计休眠；其中，中、高流速流场统称为非低流速流场。
[0012]进一步地，S10步骤中，通过对测试站点的ADCP数据进行收集，以训练基于边界自动判定的双变量决策树算法模型，并将该基于边界自动判定的双变量决策树算法模型存入遥测终端中，周期性判定ADCP数据是否为低流速流场。
[0013]进一步地，S10步骤中，基于边界自动判定的双变量决策树算法模型的训练步骤包括：对ADCP数据进行降维处理；基于Gini指数进行决策树构造；通过阈值自动算法对ADCP数据中每一个特征的最优分割点进行计算，得到节点集合；通过双变量划分算法组合分割点，并进行分类；取Gini指数中的最小值作为最佳阈值。
[0014]进一步地，S10步骤中，双变量决策树构建中的双变量划分算法步骤为：遍历节点集合组成变量对，并对每一个变量对拟合一个线性判别式；基于判别边界进行样本划分，使用梯度下降法调整，计算Gini指数最小值，确定最优解。
[0015]进一步地，S20步骤中，通过基于预测的准确度来判定模型的优劣，并确定最佳的特征数量，同时以前剪枝的方式调整决策树的最大深度，直至准确度达到设定阈值，以完成决策树的优化。
[0016]进一步地，S30步骤中，通过箱体图法进行异常值识别和处理，并直接向用户推送。
[0017]第二方面，本申请提供了针对生态基流监测的智能增强测流系统，包括：
ADCP，用于测量流体速度分布；点流速计，用于测量流体在特定点的流速和流向；终端控制器，分别连接ADCP和点流速计；通过基于边界自动判定的双变量决策树算法模型对流场状态的识别，并对ADCP和点流速计进行自动切换；对采集的数据进行异常值识别和处理，并直接向用户推送；其中，该基于边界自动判定的双变量决策树算法模型融合使用了阈值自动选择算法和双变量决策树构建。
[0018]第三方面，本申请提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述的针对生态基流监测的智能增强测流方法。
[0019]第四方面，本申请提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据上述的针对生态基流监测的智能增强测流方法。
[0020]本专利技术的主要贡献和创新点如下：1、与现有技术相比，本申请通过智能切换ADCP和点流速计，组合测量能力互补的两个仪器设备，在终端上采用一种基于阈值自动选择的双变量决策树算法，做到对当前流场状态进行智能识别，从而下发设备工作指令，具有测量范围大（同时覆盖低、中、高流速范围内的测量需求），安装方便（基本上就是多了点流速计的安装，难度低），操作简单（自动处理，无需人工操作），数据可靠，成本低下的特点，能对需要进行生态监测的河道进行实时监测；2、与现有技术相比，本申请针对不同流场状态下测量设备的最优选择不同的问题，采用了基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.针对生态基流监测的智能增强测流方法，其特征在于，包括以下步骤：S00、同时接入ADCP和点流速计；S10、通过基于边界自动判定的双变量决策树算法模型对流场状态的识别，并对ADCP和点流速计进行自动切换；S20、对采集的数据进行异常值识别和处理，并直接向用户推送；其中，该基于边界自动判定的双变量决策树算法模型融合使用了阈值自动选择算法和双变量决策树构建。2.如权利要求1所述的针对生态基流监测的智能增强测流方法，其特征在于，S10步骤中，对流场状态的识别，并对ADCP和点流速计进行自动切换具体步骤为：S11、判断是否为低流速流场；S12、若是，则唤醒所述点流速计并调整所述ADCP的监测频率；若否，则使所述ADCP继续工作并使得所述点流速计休眠；其中，中、高流速流场统称为非低流速流场。3.如权利要求1所述的针对生态基流监测的智能增强测流方法，其特征在于，S10步骤中，通过对测试站点的ADCP数据进行收集，以训练基于边界自动判定的双变量决策树算法模型，并将该基于边界自动判定的双变量决策树算法模型存入遥测终端中，周期性判定所述ADCP数据是否为低流速流场。4.如权利要求3所述的针对生态基流监测的智能增强测流方法，其特征在于，S10步骤中，所述基于边界自动判定的双变量决策树算法模型的训练步骤包括：对所述ADCP数据进行降维处理；基于Gini指数进行决策树构造；通过阈值自动算法对ADCP数据中每一个特征的最优分割点进行计算，得到节点集合；通过双变量划分算法组合分割点，并进行分类；取Gini指数中的最小值作为最佳阈值。5.如权利要求4所述的针对生态基流监测的智能增强测流方法，其特征在于，S10步骤中，双变量决策树构建中的双变...

【专利技术属性】
技术研发人员：郑彬彬，朱容良，
申请(专利权)人：杭州开闳流体科技有限公司，
类型：发明
国别省市：