一种基于质量平衡约束时空图神经网络的河流总磷重构与源贡献解析方法
本发明涉及河流水环境监测、深度学习及污染源解析交叉,特别是涉及一种基于质量平衡约束时空图神经网络的河流总磷重构与源贡献解析方法。
背景技术:
1、总磷是表征河流水体营养状态和富营养化风险的重要水质指标。随着河流水环境监测站网的建设和完善,多监测节点、长时间序列的水质及水文监测数据不断积累。然而,受监测设备故障、通信异常、数据质量控制及站点运行条件差异等因素影响,实际总磷监测数据通常存在不同程度的缺失,导致不同监测节点之间的数据时间覆盖不完整,影响河流总磷时空变化分析及后续污染源解析。
2、现有技术通常采用插值方法、时间序列模型或者深度学习模型对缺失水质数据进行重构。其中,循环神经网络等方法能够提取水质数据的时间变化特征,图神经网络能够利用河网中不同监测节点之间的连接关系进行空间信息传递,因此可用于多节点河流水质数据的时空建模。但是,现有数据驱动方法主要依据监测数据之间的统计关系进行模型训练,通常缺少河流污染物输运及质量平衡关系的约束。在监测数据较为稀疏的情况下,重构结果可能与实际河流中的总磷输入、输出及内部交换过程不一致。此外,在河流总磷监测场景中,现有数据驱动重构方法与来源解析方法多分别进行,重构结果与后续源贡献解析之间尚缺乏一致的物理基础。
3、另一方面,现有总磷来源解析方法通常基于污染源清单、河流输运参数及质量平衡关系计算不同来源的总磷贡献。该类方法往往需要预先确定多个表征污染物输运、入河及水体—沉积物交换过程的关键参数,而上述参数具有明显的空间和时间差异,部分参数难以通过直接监测获得,需要进行经验设定或针对不同流域分别校准,从而影响来源解析结果的可靠性及方法的适用性。
4、因此,在河流总磷监测数据存在缺失、且来源解析对经验参数依赖较强的背景下,如何在提高总磷时空重构结果物理一致性的同时,降低来源贡献解析对预先设定参数和分流域校准的依赖,并使重构结果与来源贡献解析在物理一致性方面相互协调,是本领域需要解决的技术问题。现有技术尚缺乏一种能够同时改善重构结果物理一致性和源解析参数适应性的技术方案。
5、需要说明的是,在上述背景技术部分公开的信息仅用于对本技术的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本发明的主要目的在于克服上述背景技术中存在的缺陷,提供一种基于质量平衡约束时空图神经网络的河流总磷重构与源贡献解析方法。
2、为实现上述目的,本发明采用以下技术方案:
3、一种基于质量平衡约束时空图神经网络的河流总磷重构与源贡献解析方法,包括以下步骤:
4、s1、获取目标河流系统中多个水质监测节点的水质监测数据、水文数据、气象数据、集水区环境属性数据、人类活动特征数据以及表征各水质监测节点之间上下游水力连接关系的河网拓扑数据,基于所述河网拓扑数据构建有向河网图,并确定各水质监测节点对应的贡献集水区;
5、s2、在模型训练阶段,基于已有总磷实测值构建总磷重构监督样本,所述总磷重构监督样本包括人工缺失位置及其对应的总磷实测值,并将未作为监督样本的总磷实测值作为模型条件输入;
6、s3、将预设时间窗口内各水质监测节点的节点特征数据以及所述有向河网图输入时空图神经网络,分别提取各水质监测节点的时间演化特征和河网空间关联特征,并对所述时间演化特征和河网空间关联特征进行融合,获得各水质监测节点在各时间步的总磷重构值;
7、s4、根据作为条件输入而保留的总磷实测值、人工缺失位置对应的总磷重构值以及原始缺失位置对应的总磷重构值,构建连续总磷浓度场;
8、s5、以各水质监测节点及其对应贡献集水区作为控制体,根据上游总磷输入、局地点源总磷输入、局地非点源总磷输入、沉积物—水体总磷净交换量以及所述水质监测节点的下游总磷输出,建立节点尺度总磷质量平衡关系;
9、s6、根据所述人工缺失位置的总磷重构值与对应总磷实测值之间的数据重构误差,以及基于所述连续总磷浓度场计算得到的节点尺度总磷质量平衡残差,构建联合训练目标,并基于所述联合训练目标联合优化所述时空图神经网络的网络参数和可学习物理参数;所述可学习物理参数包括用于表征河网总磷输运衰减的有效输运长度参数、用于表征非点源排放进入河网比例的入河系数以及用于表征沉积物与水体之间总磷净交换的可学习有符号交换量;
10、s7、在完成所述联合优化后,基于所述连续总磷浓度场以及优化后的可学习物理参数,分别确定各水质监测节点在各时间步的上游总磷输入量、局地点源总磷输入量、局地非点源总磷输入量和沉积物—水体总磷净交换量,并根据各预算分量确定对应的总磷源贡献解析结果。
11、本发明具有如下有益效果:
12、针对现有河流总磷监测数据存在缺失、数据驱动重构结果通常缺少物理约束,以及重构与源贡献解析多分别进行、源解析又依赖经验设定参数等问题,本发明提供了一种基于质量平衡约束时空图神经网络的河流总磷重构与源贡献解析方法,能够实现缺失总磷的连续重构,提高重构结果的物理一致性,并获得节点尺度的总磷源贡献解析结果。
13、首先,本发明通过构建反映各水质监测节点上下游水力连接关系的有向河网图,并将预设时间窗口内的节点特征数据与有向河网图共同输入时空图神经网络,分别提取时间演化特征和河网空间关联特征进行融合,从而充分利用多监测节点之间的时间变化信息和河网上下游空间关联信息辅助恢复缺失的总磷监测数据。与仅依据监测数据统计关系进行重构、或仅侧重单一时间或空间建模的现有方式相比,本发明能够提高监测数据不完整条件下河流总磷连续时空信息的重构能力,为后续物理约束和源贡献解析提供更为完整的数据基础。
14、进一步地,本发明根据作为条件输入保留的总磷实测值、人工缺失位置对应的总磷重构值以及原始缺失位置对应的总磷重构值,构建连续总磷浓度场,并在此基础上以各水质监测节点及其对应贡献集水区作为控制体,建立包含上游总磷输入、局地点源总磷输入、局地非点源总磷输入、沉积物—水体总磷净交换量以及下游总磷输出的节点尺度总磷质量平衡关系。通过将数据重构误差与基于连续总磷浓度场计算得到的质量平衡残差共同构成联合训练目标,使时空图神经网络的网络参数与可学习物理参数在同一训练过程中联合优化。由此,总磷重构过程不再仅受监测数据统计关系驱动,而是同时受到节点尺度总磷质量平衡关系的约束;原始缺失位置的重构值也能够通过连续总磷浓度场参与质量平衡残差计算,从而在缺少直接实测值的条件下仍获得物理约束。与现有技术中重构与源解析相互分离、物理约束不足的方式相比,这一设置使数据驱动时空建模与总磷质量平衡约束在同一训练过程中相互配合。
15、在此基础上,本发明将有效输运长度参数、非点源入河系数以及沉积物—水体总磷净交换量作为可学习物理参数,与时空图神经网络参数共同优化,能够减少完全依赖预设经验参数对总磷源贡献解析结果的影响。特别是,沉积物—水体总磷净交换量被设置为可学习有符号物理量,既可表征沉积物向水体的总磷净释放,也可表征水体向沉积物方向的总磷净去除。模型训练完成后,通过将连续总磷浓度场和优化后的物理参数重新代入节点尺度总磷质量平衡关系,能够分别获得各水质监测节点在各时间步的上游总磷输入、局地点源总磷输入、局地非点源总磷输入和沉积物—水体总磷净交换量,并据此确定各预算分量的贡献,实现由总磷缺失数据重构向总磷源贡献定量解析的扩展。与仅获得总磷重构结果的方式相比,本发明获得的是基于物理预算分量的节点尺度源贡献解析结果,能够更直接地反映河网中不同来源的作用。
16、此外,本发明还能够将源流域训练得到的时空图神经网络迁移至目标流域,并根据目标流域可获得的监测数据,采用直接迁移模式或目标流域适配模式,对部分或全部网络参数以及目标流域对应的可学习物理参数进行更新和优化。由此,在监测资料有限或目标流域与源流域空间尺度、河网结构存在差异的条件下,仍可为跨流域总磷重构和源贡献解析提供技术支持。整体而言,本发明通过有向河网图时空特征学习、连续总磷浓度场构建、节点尺度总磷质量平衡约束、可学习物理参数联合优化以及训练后总磷预算重建之间的协同配合,形成了从缺失数据重构到源贡献解析的整体方案,提高了重构结果的物理一致性、源解析参数适应性和源贡献解析结果的可靠性。
17、本发明实施例中的其他有益效果将在下文中进一步述及。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com