[发明专利]一种基于CNN的陆水一体化河流水质时空连续预测方法

说明书

本发明公开了一种基于CNN的陆水一体化河流水质时空连续预测方法，包括：基于SWAT模型，对河流流域的各子流域进行径流模拟，得到各子流域的径流模拟结果；基于EFDC模型，将各子流域的径流结果作为EFDC模型的流量边界进行输入，同时将污染物通量作为EFDC模型的水质边界进行输入，模拟得到水质时空连续分布图像；构建CNN模型，将得到的水质时空连续分布图像作为训练样本输入，对CNN模型进行训练；利用训练好的CNN模型进行河流水质时空连续预测，对于输入的离散断面的水质结果，预测出时空连续分布的水质结果。本发明实现了人工智能技术对流域水质的全方位时空连续预测，能够为水环境监管提供有力的技术支撑。

技术领域

本发明涉及河流水质预测技术领域，特别涉及一种基于CNN的陆水一体化河流水质时空连续预测方法。

背景技术

河流水质预测是流域水环境管理的重要内容，解决水质问题的主要措施包括水质监测、水环境监管和水质预测等。近年来，随着我国水污染治理相关政策的出台和生态环境大数据的快速发展，逐步增强了对流域污染源和水质状况的监测监管能力，极大地减缓了流域水质问题的发生。

同时，河流水质时空连续预测作为预防流域水质问题的重要抓手、应对突发水污染事件的决策支持和跟踪流域水质变化的重要手段，已成为流域水环境管理不可或缺的帮手。当前，生态环境大数据技术在数据存储体量、数据处理类型和数据计算速率等方面均取得了突破性进展，由此给流域水质预测提出了准确、高效、实时和时空连续的新要求。

其中，陆水一体化河流水质时空连续预测流是水环境管控的重要决策支持技术，然而已有的预测方法对河流水质的预测结果在空间上是离散的独立断面，无法表征河流干流各处的水质状况，这限制了水污染治理的监管能力。

发明内容

本发明的目的在于提供一种基于CNN的陆水一体化河流水质时空连续预测方法，通过构建陆水一体化水质模型与人工智能算法联合框架，既充分利用机理模型对河流污染物时空运移的模拟能力，也有力发挥CNN算法对图像特征提取与预测的能力，实现对河流水质的二维时空连续预测。

为解决上述技术问题，本发明的实施例提供如下方案：

一种基于CNN的陆水一体化河流水质时空连续预测方法，包括以下步骤：

S1、基于SWAT模型，对河流流域的各子流域进行径流模拟，得到各子流域的径流模拟结果；

S2、基于EFDC模型，将各子流域的径流结果作为EFDC模型的流量边界进行输入，同时将污染物通量作为EFDC模型的水质边界进行输入，模拟得到水质时空连续分布图像；

S3、构建CNN模型，将得到的水质时空连续分布图像作为训练样本输入，对CNN模型进行训练；

S4、利用训练好的CNN模型进行河流水质时空连续预测，对于输入的离散断面的水质结果，预测出时空连续分布的水质结果。

优选地，所述步骤S1具体包括：

利用SWAT模型将河流流域划分为多个子流域和多个水文响应单元；

建立模型数据库，并进行数据预处理；

对SWAT模型进行率定与验证；

将预处理后的数据加载进SWAT模型，对各子流域进行径流模拟计算；

输出径流模拟结果，作为EFDC模型的流量边界。

优选地，所述模型数据库包括空间数据和属性数据，所述空间数据由DEM数据、土地利用类型数据和土壤类型数据组成，所述属性数据由气象数据和水文数据组成。

优选地，所述SWAT模型包括子流域计算模块和河道产汇流模块，所述子流域计算模块用于模拟各子流域向河道的产汇流过程，所述河道产汇流模块用于模拟水、泥沙、污染物从各子流域向流域总出口的输送过程。