[發明專利]基于水動力、水質和SOM神經網絡的河流水量聚類及水質評價方法

有效

• 申請號: 201611182874.9
• 申請日: 2016-12-20
• 公開（公告）號: CN106777987B
• 公開（公告）日: 2019-05-10
• 發明（設計）人: 謝顯傳;賀輝輝;丁玨;海子彬;程宇;王瑩
• 申請（專利權）人: 南京大學
• 主分類號: G16Z99/00
• 分類號: G16Z99/00;G06N3/04
• 代理公司: 貴陽睿騰知識產權代理有限公司 52114
• 代理人: 谷慶紅

本發明公開了一種基于水動力、水質和SOM神經網絡的河流水量聚類及水質評價方法，首先收集河流的各項資料數據，輸入水動力模型和水質模型中，得到河流的各節點的水動力數據以及各節點的污染濃度時間序列。然后將每個時刻河流流量數據輸入SOM神經網絡，得到合理分類的n×n種模式，這n×n種模式組合在一起得到河流流量的拓撲圖。然后根據流量的聚類結果，繼續利用SOM神經網絡對各節點的污染濃度時間序列結果進行特征提取，得到各污染源對于河流污染分布的拓撲圖，通過拓撲圖得到污染源在一維河道的污染模式分類。本發明可以對一維河流的水量以及水質進行評價，并將結果可視化表示。

技術領域

本發明涉及一維河流流量及水質評價技術領域，具體是涉及基于水動力、水質和SOM神經網絡的河流水量聚類及水質評價方法。

背景技術

隨著人們對水資源環境的日益重視，水質的評價方法也多種多樣，如傳統的模糊綜合指數法、灰色評價法，以及具有很強的自學習、自適應能力的BP神經網絡。傳統的模糊綜合指數法、灰色評價法需要精確的數學模型來進行描述，針對水系統中存在的復雜非線性關系和不確定性因素，很難真實模擬水環境系統的非線性變化過程；BP神經網絡法具有表示任意非線性關系和很強的自學習、自適應能力，可以對簡單的非線性作用函數的復合進行映射，在評價水質時可以很好的解決水系統中的非線性關系和不確定因素，但是不適合用于對復雜多變的水環境系統進行評價和分類研究，而且往往沒有考慮到河流的污染排放源的位置及排放量對河流水質的影響。由于無法提供非常準確節點的水質信息，使得河流的治理的效率不夠高。

而基于水動力、水質模型和SOM神經網絡的方法則可以很好地解決這些問題，首先水動力、水質模型可以產生大量的河道流量數據和各節點的污染濃度時間序列結果，可以作為SOM神經網絡模型的網絡訓練樣本，使得網絡輸出更加準確。SOM神經網絡在無監督、無先驗知識的狀態下對樣本進行自組織、自學習，實現對樣本的評價與分類的特點則可以很好的適用于復雜多變的水環境系統。

發明內容

本發明的目的在于提供一種可以很好地評價河流各節點的流量及水質評價的方法，可以得到河流中各節點的水質情況。

本發明的技術方案是：基于水動力、水質和SOM神經網絡的河流水量聚類及水質評價方法，包括水動力模型、水質模型和SOM神經網絡三大部分；

所述水動力模型、水質模型用于構建所研究河流流量及污染濃度時間序列，分別由Sant-Venant方程和對流擴散方程建立，用于分析一位河道的水動力、污染物分布狀況，具體包括如下步驟：

1)搜集所研究河流的流量資料、水位資料、河流底高程資料及單位污染負荷資料等數據；

2)將這些資料數據輸入水動力模型中，模擬得到河流的水動力情況，河流流量時間序列，并利用現有的水文站資料進行驗證，經驗證準確后將數據導出；

3)將搜集的單位污染負荷資料輸入水質模型，構建一維河道的水質模型，并將模擬的河流各節點的污染濃度時間序列結果導出；將河流的污染排放源的位置及排放量考慮在內；

所述SOM神經網絡模型用于將水動力模型、水質模型得到的河流流量時間序列及各節點的污染濃度時間序列進行聚類分析并作出評價，具體為：將水動力模型得到的河流流量數據輸入SOM神經網絡中，按照每個時刻流量在河道上的分布相似性進行聚類，得到一個合理分類的n×n的SOM神經網絡拓撲圖，總計n²個流量模式，每種模式代表了不同的河流流量模式，該圖可以表示河流節點的河床高程及流量；再將水質模型得到的污染濃度時間序列數據用與流量同樣的聚類結果進行特征提取，得到河流的各污染源污染分布拓撲圖。

進一步地，利用水動力模型及水質模型得到大量的高維度流量數據及污染濃度時間序列。