大型运河富营养化智能精准预警与生态治理方法与流程

本发明涉及水环境监测与生态治理。更具体地说，本发明涉及一种大型运河富营养化预警与生态治理方法。

背景技术：

1、大型运河是兼具航运、输水、生态等多重功能的人工水道，其水体流动受闸坝调控影响显著，整体水流缓慢、换水周期长，沿线污染排放与营养盐易在局部河段累积，在适宜的水温、光照条件下，易诱发藻类异常增殖，导致叶绿素a浓度升高，严重时形成藻华，既会破坏水生态系统、影响供水水质安全，也会对航道景观与通航环境造成不利影响。

2、目前工程上主流采用水动力-水质耦合数值模型开展藻华预测与方案评估，其受计算精度要求限制，单次模拟耗时较长，难以在应急窗口期完成多组调控方案的快速推演比对，预警与决策存在衔接断层，纯数据驱动的人工智能模型虽推理速度快，但缺乏物理过程约束，极端工况下预测误差大、泛化性弱，无法直接作为调控决策的可靠依据。

3、生态治理方面，现有调控措施多独立实施，如补水稀释、曝气增氧、收割沉水植物等，未将多类调控手段在水动力、水质、生态的耦合关系下进行协同优化，且普遍以水质达标为单一目标，未量化航运延误成本、未设置航行安全水位约束，导致方案难以兼顾防控效果与通航经济性。物理信息神经网络虽在部分领域展现融合数据与物理方程的优势，但如何将其有效用于运河富营养化预警，实现未来时段水动力场与叶绿素a浓度的同步预测，并基于此构建闭环验证调控，仍是尚未解决的技术问题。

技术实现思路

1、本发明提供一种大型运河富营养化预警与生态治理方法，其针对传统运河富营养化预测模型效率低、物理一致性差，且生态调控易与通航功能冲突的问题，通过物理信息神经网络融合多源数据，兼顾航运成本与安全约束，实现高效精准预警与协同管控。

2、为了实现根据本发明的这些目的和其它优点，提供了一种大型运河富营养化预警与生态治理方法，包括以下步骤：

3、获取运河各监测断面的水动力、水质、气象、闸泵运行数据以及卫星遥感反演的沉水植物覆盖度数据，经时空对齐与空间插值生成沿程网格点的多源时序数据；

4、构建物理信息神经网络模型，以归一化后的历史多源时序数据为输入，输出沿程网格点未来24~72h的水位、流量水动力场及叶绿素a浓度预测值，模型训练的损失函数由叶绿素a预测均方误差项、一维圣维南方程组残差均方项、含沉水植物营养盐吸收与溶解氧抑制的藻类生长动力学方程残差均方项加权求和构成；

5、将实时多源时序数据输入训练完成的物理信息神经网络模型，得到全河段叶绿素a浓度时空预测分布；

6、当任一沿程网格点预测值连续2h超过预设藻华风险阈值时，以泵站补水流量增量、曝气机功率增量、沉水植物收割面积为决策变量，以包括航运延误机会成本的调控总成本最小为目标，以航行安全水位变率为约束条件，采用双层嵌套优化算法求解调控方案，外层优化泵站补水总流量增量、曝气机总运行功率增量以及沉水植物总收割面积的组合，内层优化各曝气机布设点位的功率增量分配比例；若无满足约束的可行解，则选取最大超标幅度最小的方案作为执行方案；

7、将执行方案的调控变量对应修正原始输入序列，输入物理信息神经网络模型推演验证调控后浓度分布，确认达标后转换为控制指令下发至对应执行设备。

8、优选的是，空间插值包括：对水位、流量、总磷浓度、总氮浓度、水温、溶解氧浓度以及沉水植物覆盖度的时间序列数据，沿河道纵向一维进行空间插值，生成沿程网格点的水动力、水质与生态序列；

9、对沉水植物覆盖度数据进行空间插值时，将一维圣维南方程组计算的沿程水深作为插值算法的权重约束因子，沉水植物覆盖度数据的时间插值采用logistic生长曲线约束的非线性时间插值算法。

10、优选的是，一维圣维南方程组采用有限差分法在沿程网格点上离散，物理信息神经网络模型的输入层同时输入各离散网格点的空间坐标与对应物理量序列，通过模型自动微分计算方程中物理量对空间的偏导数。

11、优选的是，物理信息神经网络模型的训练采用分阶段训练：第一阶段仅以叶绿素a浓度预测均方误差为损失函数，训练至叶绿素a浓度预测均方误差低于第一预设阈值，第二阶段加入一维圣维南方程组残差均方项，训练至一维圣维南方程组残差低于第二预设阈值，第三阶段加入藻类生长动力学方程残差均方项，训练至总损失函数低于第三预设阈值且连续预设迭代次数下降幅度小于设定值；

12、损失函数中各分项权重根据训练迭代次数动态调整，权重为训练迭代次数的函数，随迭代次数增加，数据项的权重单调递减，一维圣维南方程组残差项与藻类生长动力学方程残差项的权重单调递增。

13、优选的是，藻类生长动力学方程中的沉水植物营养盐吸收项采用分段函数表示，由沉水植物覆盖度阈值触发：当覆盖度低于生态恢复阈值时，采用恢复阶段吸收速率函数；当覆盖度高于稳定饱和阈值时，采用维持阶段吸收速率函数；当覆盖度处于两阈值之间时，采用线性过渡的吸收速率函数。

14、优选的是，曝气机运行功率与溶解氧浓度的转换关系由一个与物理信息神经网络模型联合训练的子神经网络进行表征，子神经网络以曝气机运行功率、当地水深、水温、流速为输入，以溶解氧增量为输出，嵌入于物理信息神经网络模型的输入特征层与藻类生长动力学方程残差计算模块之间，溶解氧抑制项的输入溶解氧浓度由原始溶解氧浓度与子神经网络输出的溶解氧增量叠加得到；子神经网络的参数随主网络训练同步更新。

15、优选的是，航运延误机会成本通过以下方式量化：模拟调控方案下的船闸上下游水位变率，根据预设的水位变率与通航延误时间的映射关系，结合单位时间船舶通航的经济损失值计算得到；

16、航行安全水位变率约束条件为：执行方案导致的船闸上下游水位变率不得超过预设的航行安全水位变率阈值。

17、优选的是，物理信息神经网络模型的输入还包括运河沿程排污口的实时排放流量、氨氮浓度与总磷浓度的序列数据；

18、藻类生长动力学方程相应增加点源营养盐输入项，该点源输入项对应于各排污口所在的沿程网格点，纳入对应网格点的藻类生长动力学方程计算。

19、优选的是，沉水植物收割面积与覆盖度减少量之间的折算系数通过以下方式率定：在同一河段进行原位样方实验，测量在不同收割留茬高度和不同初始覆盖度下收割后覆盖度的衰减量，拟合留茬高度与覆盖度衰减量的关系曲线，并据此确定折算系数。

20、优选的是，还包括：实时计算各监测数据的信噪比以及连续采集缺失率，当信噪比低于预设下限或者缺失率高于预设上限时，自动将调控方案生成方式从基于物理信息神经网络模型推演切换为基于预先离线构建的紧急预案库匹配的方式；

21、紧急预案库的构建方式为：在离线状态下，使用传统水动力-水质耦合数值模型，对历史上的各种极端工况进行情景模拟，并以航行安全水位变率为约束、以调控总成本最小为目标进行优化求解，将最优解预案与对应极端工况进行关联保存。

22、本发明至少包括以下有益效果：

23、第一、本发明通过融合多源监测数据与物理信息神经网络，同步预测水动力场与叶绿素a浓度，兼顾航运延误成本与航行安全约束开展双层优化，实现生态治理与航运功能协同，提升调控方案可行性与综合效益。

24、第二、本发明通过水深权重约束的空间插值与logistic生长曲线约束的时间插值，使沉水植物覆盖度贴合真实生境与生长规律，降低通用插值的随机性偏差，提升生态参数质量，为神经网络提供可靠输入。

25、第三、本发明通过分阶段逐步引入物理约束结合损失权重动态调整，避免多目标损失相互干扰引发的收敛震荡，使模型先建立数据映射再满足物理规律，显著提升训练稳定性与泛化能力。

26、第四、本发明通过设置异常工况诊断与紧急预案库切换机制，监测数据异常时自动匹配离线最优预案，避免数据质量不足导致系统失效，保障极端工况下方案可靠性，提升系统整体运行鲁棒性。

27、本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。