基于嵌入物理约束的河流总磷浓度预测方法及系统

摘要: 本公开涉及河流总磷浓度预测,具体涉及基于嵌入物理约束的河流总磷浓度预测方法及系统。背景技术:1、本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在...
基于嵌入物理约束的河流总磷浓度预测方法及系统

本公开涉及河流总磷浓度预测,具体涉及基于嵌入物理约束的河流总磷浓度预测方法及系统。

背景技术:

1、本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。

2、北方河流类型复杂,兼具山区来水、平原河网、城镇密集区、农业面源和点源排放等特征。总磷浓度受到降雨径流、土壤侵蚀、农业施肥、城市冲刷、污水处理排放、河道滞留和内源释放等多过程共同影响。

3、现有总磷监测和模拟技术在时空连续性、机理一致性和参数可迁移性方面仍存在以下局限性:

4、(1)监测数据稀疏且频率较低。常规水质站点多为离散点位和低频采样,难以刻画暴雨、闸坝调度、面源入河等导致的短时波动,也难以形成连续的河段或栅格尺度总磷浓度图。

5、(2)传统水质模型参数率定成本高。swat等模型能够表达污染源产生和水文响应过程,但在高度异质的下垫面中,需要大量经验参数和人工校准,且不同子流域间迁移性有限。

6、(3)纯数据驱动方法缺少物理一致性。深度学习模型可以拟合监测数据,但容易出现负浓度、上下游不协调、污染物质量不守恒、极端情景外推失真等问题。

7、(4)遥感和地面数据难以直接闭合。总磷并非典型强光学活性指标,仅依靠遥感反演精度有限;而仅依靠地面站点又无法获得高空间分辨率结果。

8、(5)污染源空间分布与河网汇流过程耦合不足。现有方法常将污染源估算和浓度预测割裂处理,未能将污染负荷在汇流路径中的输移、滞留、衰减和上下游累积关系统一到可训练框架内。

技术实现思路

1、本公开为了解决上述问题,提出了一种基于嵌入物理约束的河流总磷浓度预测方法及系统,构建了一种污染源空间分布栅格生成方法,建立栅格至河网的汇流路径,利用参数化神经网络自动学习空间异质物理参数,将总磷质量平衡、非负性、上下游连通一致性、时空平滑和参数先验约束嵌入模型,输出日尺度或指定时间尺度、河段/栅格尺度的总磷浓度高分辨率重构结果,并识别污染热点和高风险时段。

2、根据一些实施例,本公开采用如下技术方案:

3、基于嵌入物理约束的河流总磷浓度预测方法,包括:

4、获取多源流域数据,并对其进行预处理;

5、构建污染源空间分布栅格,将每个栅格的总磷来源表达为空间连续的负荷输入;

6、基于栅格数据计算每个栅格的最陡下降方向,利用八方向单流向算法确定栅格的水流流向,基于流向关系构建总磷输移拓扑网络;

7、利用参数化神经网络将污染源空间分布栅格的静态属性映射为空间异质参数,基于总磷输移拓扑网络对每个栅格或河段构建总磷存量的递推方程,沿总磷输移拓扑网络进行汇流输移,递推总磷存量和浓度;

8、利用替代神经网络对难表征过程进行补偿修正,采用物理约束联合损失函数,输出最终河流总磷浓度预测结果。

9、根据一些实施例,本公开采用如下技术方案:

10、基于嵌入物理约束的河流总磷浓度预测系统,包括:

11、数据获取模块,用于获取多源流域数据,并对其进行预处理;

12、拓扑构建模块,用于构建污染源空间分布栅格,将每个栅格的总磷来源表达为空间连续的负荷输入;基于栅格数据计算每个栅格的最陡下降方向,利用八方向单流向算法确定栅格的水流流向,基于流向关系构建总磷输移拓扑网络;

13、递推重构模块,用于利用参数化神经网络将污染源空间分布栅格的静态属性映射为空间异质参数,基于总磷输移拓扑网络对每个栅格或河段构建总磷存量的递推方程,沿总磷输移拓扑网络进行汇流输移,递推总磷存量和浓度;

14、补偿预测模块,用于利用替代神经网络对难表征过程进行补偿修正,采用物理约束联合损失函数,输出最终河流总磷浓度预测结果。

15、根据一些实施例,本公开采用如下技术方案:

16、一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现所述的基于嵌入物理约束的河流总磷浓度预测方法。

17、根据一些实施例,本公开采用如下技术方案:

18、一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现所述的基于嵌入物理约束的河流总磷浓度预测方法。

19、根据一些实施例,本公开采用如下技术方案:

20、一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现所述的基于嵌入物理约束的河流总磷浓度预测方法。

21、与现有技术相比,本公开的有益效果为:

22、本公开的基于嵌入物理约束的河流总磷浓度预测方法,由离散水质站点扩展到连续河段或栅格尺度,能够形成高分辨率总磷浓度场,提高重构精度和空间连续性。

23、本公开的基于嵌入物理约束的河流总磷浓度预测方法,d8汇流路径、质量守恒和非负性约束使结果符合污染物输移规律,增强物理一致性,减少纯数据模型的异常外推。

24、本公开的基于嵌入物理约束的河流总磷浓度预测方法,空间异质参数由神经网络根据流域属性自动学习,减少人工校准并提高跨子流域迁移能力。

25、本公开的基于嵌入物理约束的河流总磷浓度预测方法,保留污染源产生公式和输移骨架,同时利用替代神经网络补偿难以公式化过程,兼顾机制解释和数据适应。

26、本公开的基于嵌入物理约束的河流总磷浓度预测方法,适用于北方复杂河流:能够同时处理山区径流、平原河网、城市面源、农业面源和点源排放等复合影响;支撑精细治理决策,输出污染热点、关键贡献源区和高风险时段,为总磷削减、断面达标、农业面源治理和排污监管提供依据。

1.基于嵌入物理约束的河流总磷浓度预测方法,其特征在于,包括:

2.如权利要求1所述的基于嵌入物理约束的河流总磷浓度预测方法,其特征在于,所述获取多源流域数据,并对其进行预处理,包括:

3.如权利要求1所述的基于嵌入物理约束的河流总磷浓度预测方法,其特征在于,所述构建污染源空间分布栅格,将每个栅格的总磷来源表达为空间连续的负荷输入,包括:

4.如权利要求1所述的基于嵌入物理约束的河流总磷浓度预测方法,其特征在于,所述基于栅格数据计算每个栅格的最陡下降方向,利用八方向单流向算法确定栅格的水流流向,基于流向关系构建总磷输移拓扑网络,包括:

5.如权利要求1所述的基于嵌入物理约束的河流总磷浓度预测方法,其特征在于,所述利用参数化神经网络将污染源空间分布栅格的静态属性映射为空间异质参数,包括:

6.如权利要求1所述的基于嵌入物理约束的河流总磷浓度预测方法,其特征在于,所述基于总磷输移拓扑网络对每个栅格或河段构建总磷存量的递推方程,沿总磷输移拓扑网络进行汇流输移,递推总磷存量和浓度,包括:

7.基于嵌入物理约束的河流总磷浓度预测系统,其特征在于,包括:

8.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-6任一项所述的基于嵌入物理约束的河流总磷浓度预测方法。

9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如权利要求1-6任一项所述的基于嵌入物理约束的河流总磷浓度预测方法。

10.一种电子设备,其特征在于,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如权利要求1-6任一项所述的基于嵌入物理约束的河流总磷浓度预测方法。