河网水质的监测方法、装置和可读存储介质与流程

1.本发明涉及监测技术领域，具体而言，涉及一种河网水质的监测方法、装置和可读存储介质。


背景技术：

2.随着城市化、工业化的发展，越来越多的工业废水、生活废水被排放至河道、水库、湖泊和海洋，使得淡水资源受到污染，同时，导致水资源更加紧张。为避免水污染的进一步恶化，水质监管刻不容缓。
3.相关技术中，水环境建模往往根据历史数据进行建模，不具有前瞻性，无法使用未来的数据进行建模。


技术实现要素：

4.本发明旨在解决或改善上述技术问题的至少之一。
5.为此，本发明的第一目的在于提供一种河网水质的监测方法。
6.本发明的第二目的在于提供一种河网水质的监测装置。
7.本发明的第三目的在于提供一种河网水质的监测装置。
8.本发明的第四目的在于提供一种可读存储介质。
9.为实现本发明的第一目的，本发明的技术方案提供了一种河网水质的监测方法，河网包括多条河流，监测方法包括：获取全部河流监测断面的第一数据，第一数据包括第一流量、第一水位、盐度、第一污染物浓度；获取河网内企业排污口的第二数据，第二数据包括第二流量、第二污染物浓度；获取河网的气象数据，气象数据包括温度、风速、风向、降雨；基于第一数据，采用神经网络模型，获取全部河流监测断面的预测流量和预测水位；基于第一数据、第二数据、气象数据、预测流量和预测水位，采用水动力模型和水质模型，获取河网的模拟结果，模拟结果包括水位模拟结果、流量模拟数据、流场模拟结果、污染物质模拟结果。
10.本技术方案中，通过获取得到的第一数据、第二数据、气象数据以及预测得到的预测流量和预测水位，采用水动力模型和水质模型，可以进行河网水环境的模拟，得到模拟结果。通过对河网进行水环境模拟，可以更加直观的得到河网的水环境情况，对河网整体流域范围内的水环境进行较为全面的监测，便于掌握整个河网的整体情况。
11.另外，本发明提供的技术方案还可以具有如下附加技术特征：
12.上述技术方案中，在获取全部河流监测断面的第一数据之前，还包括：获取每条河流监测断面第一时间段内的历史数据，历史数据包括第三流量和第二水位；对历史数据进行清洗，对清洗后的历史数据进行归一化处理；针对归一化处理后的历史数据，将连续多个时刻的数据作为输入，下一时刻的数据作为输出，得到输入数据集和输出数据集；将输入数据集和输出数据集拆分为训练集、验证集和测试集；构建每条河流监测断面的深度学习神经网络模型，采用每条河流监测断面对应的训练集、验证集训练深度学习神经网络模型，采用测试集评估深度学习神经网络模型，进而得到训练好的每条河流监测断面的深度学习神
经网络模型。
13.本技术方案中，通过获取历史数据，再对历史数据进行清洗和归一化，生成训练集、验证集和测试集，可以显著提高神经网络模型预测结果的准确性。
14.上述任一技术方案中，基于第一数据，采用神经网络模型，获取全部河流监测断面的预测流量和预测水位，具体包括：获取每条河流监测断面当前时刻和此前连续多个时刻的第一流量和第一水位作为输入，输入至训练好的河流的深度学习神经网络模型，得到每条河流监测断面预测流量和预测水位。
15.本技术方案中的河网包括多条河流，采用深度学习神经网络模型，得到每条河流监测断面准确的预测流量和预测水位，为水动力模型和水质模型提供准确的参数，提升水动力模型和水质模型输出模拟结果的准确率。
16.上述任一技术方案中，在采用水动力模型和水质模型，获取模拟结果之前，还包括：对河网进行建模，得到河网概化图；构建水动力模型和水质模型。
17.本技术方案对河网进行建模，得到河网概化图，通过构建河域范围内的河网概化图，实现对多条河流的整体模拟，可以对河网整体流域范围内的水环境进行较为全面的监测，便于掌握整个河网的整体情况。
18.上述任一技术方案中，对河网进行建模，得到河网概化图，具体包括：基于河网，制作河道网格，得到河网概化文件；获取河流的河流底高程数据，制作河道地形数据；将河道网格与河道地形数据进行插值处理；根据河道实际情况对相应的河道网格添加干点；根据实际地理信息在相应的河道网格上添加薄坝。
19.本技术方案通过构建河域范围内的河网概化图，实现对多条河流的整体模拟，通过构建一维的河网概化图，压缩河网概化图网格的数量，提高模型整体的运行速度。
20.上述任一技术方案中，河网水质的监测方法还包括：通过水动力模型和水质模型，得到水位数据、流场数据、污染物质浓度数据；将水位数据、流场数据、污染物质浓度数据转换为geojson数据；基于geojson数据，得到水位的gis(地理信息系统，geographic information system或geo－information system)可视化效果、流场的gis可视化效果和污染物质浓度的gis可视化效果。
21.本技术方案通过对水位数据、流场数据、污染物质浓度数据的转换，得到水位的gis可视化效果、流场的gis可视化效果和污染物质浓度的gis可视化效果，得到的gis可视化效果，可以更加直观的展示水环境，便于掌握整个河网的整体情况。
22.上述任一技术方案中，第一数据、第二数据和气象数据分别通过数据接口获取。
23.本技术方案中，第一数据、第二数据和气象数据通过数据接口进行获取，不需要额外安装传感器进行检测获取，节省成本。并且，通过数据接口获取数据，可以提高数据来源的准确性，获取数据过程速度快。
24.为实现本发明的第二目的，本发明的技术方案提供了一种河网水质的监测装置，河网包括多条河流，监测装置包括：第一获取模块、第二获取模块、第三获取模块、预测模块和模拟模块；第一获取模块获取全部河流监测断面的第一数据，第一数据包括第一流量、水位、盐度、第一污染物浓度；第二获取模块获取河网内企业排污口的第二数据，第二数据包括第二流量、第二污染物浓度；第三获取模块获取河网的气象数据，气象数据包括温度、风速、风向、降雨；预测模块基于第一数据，采用神经网络模型，获取全部河流监测断面的预测
流量和预测水位；模拟模块基于第一数据、第二数据、气象数据、预测流量和预测水位，采用水动力模型和水质模型，获取河网的模拟结果，模拟结果包括水位模拟结果、流量模拟数据、流场模拟结果、污染物质模拟结果。
25.本技术方案的第一获取模块获取河流监测断面的第一数据，预测模块通过第一数据中的第一流量和第一水位，采用神经网络模型，预测监测断面未来的流量和未来的水位，即监测断面的预测流量和预测水位。本技术方案通过神经网络模型进行水位和流量的预测，可以显著提高预测数值的准确性。
26.为实现本发明的第三目的，本发明的技术方案提供了一种河网水质的监测装置，包括：存储器和处理器，存储器存储有程序或指令，处理器执行程序或指令；其中，处理器在执行程序或指令时，实现如本发明任一技术方案的河网水质的监测方法的步骤。
27.本技术方案提供的河网水质的监测装置实现如本发明任一技术方案的河网水质的监测方法的步骤，因而其具有如本发明任一技术方案的河网水质的监测方法的全部有益效果，在此不再赘述。
28.为实现本发明的第四目的，本发明的技术方案提供了一种可读存储介质，可读存储介质存储有程序或指令，程序或指令被执行时，实现上述任一技术方案的河网水质的监测方法的步骤。
29.本技术方案提供的可读存储介质实现如本发明任一技术方案的河网水质的监测方法的步骤，因而其具有如本发明任一技术方案的河网水质的监测方法的全部有益效果，在此不再赘述。
30.本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
附图说明
31.本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
32.图1为根据本发明一个实施例的河网水质的监测方法流程图之一；
33.图2为根据本发明一个实施例的河网水质的监测方法流程图之二；
34.图3为根据本发明一个实施例的河网水质的监测方法流程图之三；
35.图4为根据本发明一个实施例的河网水质的监测方法流程图之四；
36.图5为根据本发明一个实施例的河网水质的监测方法流程图之五；
37.图6为根据本发明一个实施例的河网水质的监测方法流程图之六；
38.图7为根据本发明一个实施例的河网水质的监测装置组成示意图之一；
39.图8为根据本发明一个实施例的河网水质的监测装置组成示意图之二；
40.图9为根据本发明一个实施例的河网水质的监测方法流程图之七；
41.图10为根据本发明一个实施例的示意性河网建模结果示意图；
42.图11为根据本发明一个实施例的图10的局部放大示意图；
43.图12为根据本发明一个实施例的示意性河网不同时刻的水位截图之一；
44.图13为根据本发明一个实施例的示意性河网不同时刻的水位截图之二；
45.图14为根据本发明一个实施例的示意性河网不同时刻的水位截图之三；
46.图15为根据本发明一个实施例的示意性河网不同时刻的流量截图之一；
47.图16为根据本发明一个实施例的示意性河网不同时刻的流量截图之二；
48.图17为根据本发明一个实施例的示意性河网不同时刻的污染物质截图之一；
49.图18为根据本发明一个实施例的示意性河网不同时刻的污染物质截图之二。
50.其中，图7和图8中附图标记与部件名称之间的对应关系为：
51.100：河网水质的监测装置，110：第一获取模块，120：第二获取模块，130：第三获取模块，140：预测模块，150：模拟模块；200：河网水质的监测装置，210：存储器，220：处理器。
具体实施方式
52.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
53.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
54.下面参照图1至图18描述本发明一些实施例的河网水质的监测方法、装置和可读存储介质。
55.实施例1：
56.如图1所示，本实施例提供了一种河网水质的监测方法，河网包括多条河流，监测方法包括以下步骤：
57.步骤s102，获取全部河流监测断面的第一数据，第一数据包括第一流量、第一水位、盐度、第一污染物浓度；
58.步骤s104，获取河网内企业排污口的第二数据，第二数据包括第二流量、第二污染物浓度；
59.步骤s106，获取河网的气象数据，气象数据包括温度、风速、风向、降雨；
60.步骤s108，基于第一数据，采用神经网络模型，获取全部河流监测断面的预测流量和预测水位；
61.步骤s110，基于第一数据、第二数据、气象数据、预测流量和预测水位，采用水动力模型和水质模型，获取河网的模拟结果，模拟结果包括水位模拟结果、流量模拟数据、流场模拟结果、污染物质模拟结果。
62.河网包括多条河流，每条河流均设有监测断面，获取河流监测断面的第一数据，通过第一数据中的第一流量和第一水位，采用神经网络模型，预测监测断面未来的流量和未来的水位，即监测断面的预测流量和预测水位。本实施例通过神经网络模型进行水位和流量的预测，可以显著提高预测数值的准确性。
63.本实施例中，通过获取得到的第一数据、第二数据、气象数据以及预测得到的预测流量和预测水位，采用水动力模型和水质模型，可以进行河网水环境的模拟，得到模拟结果。通过对河网进行水环境模拟，可以更加直观的得到河网的水环境情况，对河网整体流域范围内的水环境进行较为全面的监测，便于掌握整个河网的整体情况。
64.本实施例中，获取的第一数据、第二数据、气象数据可以是实时数据，也可以是过
去的历史数据，当采用历史数据时，可以实现对过去水环境的模拟，采用实时数据时，可以实现对未来水环境的模拟。本实施例可以对过去或未来水环境的模拟，使得河网水质预测时间段更加灵活，应用更加广泛。
65.实施例2：
66.如图2所示，本实施例提供了一种河网水质的监测方法，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：
67.在获取全部河流监测断面的第一数据之前，还包括以下步骤：
68.步骤s202，获取每条河流监测断面第一时间段内的历史数据，历史数据包括第三流量和第二水位；
69.步骤s204，对历史数据进行清洗，对清洗后的历史数据进行归一化处理；
70.步骤s206，针对归一化处理后的历史数据，将连续多个时刻的数据作为输入，下一时刻的数据作为输出，得到输入数据集和输出数据集；
71.步骤s208，将输入数据集和输出数据集拆分为训练集、验证集和测试集。
72.步骤s210，构建每条河流监测断面的深度学习神经网络模型，采用每条河流监测断面对应的训练集、验证集训练深度学习神经网络模型，采用测试集评估深度学习神经网络模型，进而得到训练好的每条河流监测断面的深度学习神经网络模型。
73.进一步地，第一时间段为大于等于1年的时间段，采用第一时间段内的数据，构建神经网络模型，可以使神经网络模型的训练集、验证集等样本数据大小适合，并且神经网络模型预测结果准确。
74.进一步地，数据清洗是指对历史数据中的缺失值进行插值处理，补全数据，然后，对历史数据进行归一化处理。本实施例通过对历史数据进行清洗，可以将不完整以及不准确的历史数据进行修补，得到完成以及准确的历史数据，进而，通过完整准确的历史数据对神经网络模型进行训练，提高神经网络的预测准确性，使得监测断面的预测水位和预测流量更加准确。
75.进一步地，针对归一化处理后的历史数据，可以将连续m个时刻的历史数据作为一个输入x，m 1时刻的数据作为输出y(即预测值)，在历史数据集上顺序滑动取到所有的x1，x2，x3，
…
，xn，对应的预测值y1，y2，y3，
…
，yn。最终得到输入数据集x＝{x1,x2,x3,...xn}，输出数据集y＝{y1，y2，y3，
…
，yn}，
76.进一步地，将输入数据集和输出数据集拆分为训练集、验证集和测试集，举例而言，x，y数据按照8:1:1拆分为训练集、验证集、测试集。
77.进一步地，神经网络模型采用深度学习神经网络模型，举例而言，可以采用长短期记忆人工神经网络(lstm)、eemd-lstm、sarima-lstm、差分整合移动平均自回归模型(autoregressive integrated moving average model，简称arima)等等。
78.进一步地，当使用长短期记忆人工神经网络lstm搭建神经网络模型时，可以设置参数：units＝16，dropout＝0.5。采用训练集、验证集训练神经网络模型，测试集评估神经网络模型准确率。可以设置epochs＝1000，batch_size＝32，learning_rate＝0.01，并且，对训练好的网络权重文件进行保存。
79.本实施例中，通过获取历史数据，再对历史数据进行清洗和归一化，生成训练集、验证集和测试集，可以显著提高神经网络模型预测结果的准确性。
80.实施例3：
81.如图3所示，本实施例提供了一种河网水质的监测方法，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：
82.基于第一数据，采用神经网络模型，获取全部河流监测断面的预测流量和预测水位，具体包括以下步骤：
83.步骤s302，获取每条河流监测断面当前时刻和此前连续多个时刻的第一流量和第一水位作为输入，输入至训练好的河流的深度学习神经网络模型，得到每条河流监测断面预测流量和预测水位。
84.本实施例中，对于训练好的河流的深度学习神经网络模型，代入河流监测断面当前时刻和此前连续多个时刻的第一流量和第一水位，即可得到河流监测断面预测流量和预测水位。
85.本实施例中的河网包括多条河流，采用深度学习神经网络模型，得到每条河流监测断面准确的预测流量和预测水位，为水动力模型和水质模型提供准确的参数，提升水动力模型和水质模型输出模拟结果的准确率。
86.实施例4：
87.如图4所示，本实施例提供了一种河网水质的监测方法，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：
88.在采用水动力模型和水质模型，获取模拟结果之前，还包括以下步骤：
89.步骤s402，对河网进行建模，得到河网概化图；
90.步骤s404，构建水动力模型和水质模型。
91.河网包括多条河流，本实施例对河网进行建模，得到河网概化图，通过构建河域范围内的河网概化图，实现对多条河流的整体模拟，可以对河网整体流域范围内的水环境进行较为全面的监测，便于掌握整个河网的整体情况。
92.相关技术中，水动力模型、水质模型的数学模型发展已经趋于成熟，并且出现了mike、efdc、delft3d、wasp(mike、efdc、delft3d和wasp均表示软件名称)等一系列的软件，用于进行水模型数值模拟。通过获取该河流的历史水文数据作为模型输入，进行水模型数值模拟，然后结合真实数据与模型预测结果进行参数校验，最后得出准确的水动力模型和水质模型。
93.实施例5：
94.如图5所示，本实施例提供了一种河网水质的监测方法，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：
95.对河网进行建模，得到河网概化图，具体包括以下步骤：
96.步骤s502，基于河网，制作河道网格，得到河网概化文件；
97.步骤s504，获取河流的河流底高程数据，制作河道地形数据；
98.步骤s506，将河道网格与河道地形数据进行插值处理；
99.步骤s508，根据河道实际情况对相应的河道网格添加干点；
100.步骤s510，根据实际地理信息在相应的河道网格上添加薄坝。
101.具体而言，河网建模可以包括：
102.(1)制作河道网格：通过global mapper、arcgis、delft3d(global mapper、arcgis
和delft3d均表示软件名称)制作grd(文件格式)河网概化文件。
103.(2)制作河道地形数据：搜集河流的河流底高程数据制作成地形数据。
104.(3)地形插值：将河道网格与地形数据进行插值处理。
105.(4)添加干点：根据河道实际情况对相应的网格添加干点。
106.(5)添加薄坝：根据实际地理信息在相应的网格上添加薄坝。
107.本实施例中，通过制作河道网格、制作河道地形数据、将河道网格与河道地形数据进行插值处理、添加干点和添加薄坝，最终得到河网概化图，本实施例中的河网概化图为一维河网概化图，通过控制河道网格的数量，提升大范围水环境模拟的水动力模型和水质模型的运行速度，使得模拟结果获取更加快速。
108.本实施例通过构建河域范围内的河网概化图，实现对多条河流的整体模拟，通过构建一维的河网概化图，压缩河网概化图网格的数量，提高模型整体的运行速度。
109.实施例6：
110.如图6所示，本实施例提供了一种河网水质的监测方法，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：
111.河网水质的监测方法还包括以下步骤：
112.步骤s602，通过水动力模型和水质模型，得到水位数据、流场数据、污染物质浓度数据；
113.步骤s604，将水位数据、流场数据、污染物质浓度数据转换为geojson数据；
114.步骤s606，基于geojson数据，得到水位的gis可视化效果、流场的gis可视化效果和污染物质浓度的gis可视化效果。
115.本实施例中，基于geojson(一种对各种地理数据结构进行编码的格式)数据，得到水位的gis(地理信息系统，geographic information system或geo－information system)可视化效果、流场的gis可视化效果和污染物质浓度的gis可视化效果，举例而言，可以采用folium库分别读取geojson数据，然后分别生成gis的html文件，通过采用浏览器打开html文件，即可展示水位的gis可视化效果、流场的gis可视化效果和污染物质浓度的gis可视化效果。其中，可以采用folium(python通过leaflet集成的库，用于python调用)库做gis可视化，也可使用cesium、leaflet(cesium、leaflet是javascript集成的库，用于前端可视化，html文件可调用)等gis库实现，根据河网参数的设定，可展现出三维效果。
116.本实施例通过对水位数据、流场数据、污染物质浓度数据的转换，得到水位的gis可视化效果、流场的gis可视化效果和污染物质浓度的gis可视化效果，得到的gis可视化效果，可以更加直观的展示水环境，便于掌握整个河网的整体情况。
117.实施例7：
118.本实施例提供了一种河网水质的监测方法，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：
119.第一数据、第二数据和气象数据分别通过数据接口获取。
120.本实施例中，第一数据可以包括第一流量、第一水位、盐度、第一污染物浓度，第一数据可以通过数据接口获取，接口获取对象可以是自动监测站、环保局的网站等。
121.本实施例中，第二数据可以包括第二流量、第二污染物浓度，第二数据可以通过数据接口获取，获取对象可以是环保局等。
122.本实施例中，气象数据包括温度、风速、风向、降雨，气象数据可以通过数据接口获取，获取对象可以是气象局等。
123.本实施例中，第一数据、第二数据和气象数据通过数据接口进行获取，不需要额外安装传感器进行检测获取，节省成本。并且，通过数据接口获取数据，可以提高数据来源的准确性，获取数据过程速度快。
124.实施例8：
125.如图7所示，本实施例提供了一种河网水质的监测装置100，河网包括多条河流，监测装置100包括：第一获取模块110、第二获取模块120、第三获取模块130、预测模块140和模拟模块150。
126.第一获取模块110获取全部河流监测断面的第一数据，第一数据包括第一流量、水位、盐度、第一污染物浓度；第二获取模块120获取河网内企业排污口的第二数据，第二数据包括第二流量、第二污染物浓度；第三获取模块130获取河网的气象数据，气象数据包括温度、风速、风向、降雨；预测模块140基于第一数据，采用神经网络模型，获取全部河流监测断面的预测流量和预测水位；模拟模块150基于第一数据、第二数据、气象数据、预测流量和预测水位，采用水动力模型和水质模型，获取河网的模拟结果，模拟结果包括水位模拟结果、流量模拟数据、流场模拟结果、污染物质模拟结果。
127.河网包括多条河流，每条河流均设有监测断面，第一获取模块110获取河流监测断面的第一数据，预测模块140通过第一数据中的第一流量和第一水位，采用神经网络模型，预测监测断面未来的流量和未来的水位，即监测断面的预测流量和预测水位。本实施例通过神经网络模型进行水位和流量的预测，可以显著提高预测数值的准确性。
128.本实施例中，模拟模块150通过获取得到的第一数据、第二数据、气象数据以及预测得到的预测流量和预测水位，采用水动力模型和水质模型，可以进行河网水环境的模拟，得到模拟结果。通过对河网进行水环境模拟，可以更加直观的得到河网的水环境情况，对河网整体流域范围内的水环境进行较为全面的监测，便于掌握整个河网的整体情况。
129.本实施例中，获取的第一数据、第二数据、气象数据可以是实时数据，也可以是过去的历史数据，当采用历史数据时，可以实现对过去水环境的模拟，采用实时数据时，可以实现对未来水环境的模拟。本实施例可以对过去或未来水环境的模拟，使得河网水质预测时间段更加灵活，应用更加广泛。
130.实施例9：
131.如图8所示，本实施例提供了一种河网水质的监测装置200，包括：存储器210和处理器220，存储器210存储有程序或指令，处理器220执行程序或指令；其中，处理器220在执行程序或指令时，实现如本发明任一实施例的河网水质的监测方法的步骤。
132.实施例10：
133.本实施例提供了一种可读存储介质，可读存储介质存储有程序或指令，程序或指令被处理器执行时，实现上述任一实施例的河网水质的监测方法的步骤。
134.具体实施例：
135.如图9所示，本实施例提供了一种河网水质的监测方法，涉及水环境管理领域及计算机技术领域，尤其涉及一种基于地理信息系统(gis)与efdc计算引擎的河流水污染扩散及河流监测断面预警预报的方法，监测方法包括：
136.步骤s702，获取实时数据；
137.通过接口获取当前时刻的河域内所有河流的监测断面的流量、水位、盐度、污染物浓度数据，接口获取对象可以是自动监测站、环保局的网站等。
138.通过接口获取企业排污口的流量、污染物浓度等，获取对象可以是环保局等。
139.通过接口获取气象数据，如温度、风速、风向、降雨等，获取对象可以说气象局等。
140.步骤s704，预测未来流量和未来水位；
141.(1)收集数据：收集河流n年(n≥1)的历史水文数据，包括流量、水位等；
142.(2)训练预测模型，包括：
143.数据清洗：将收集的数据中缺失值进行插值处理，补全数据，并对数据进行归一化处理。将连续m个时刻的数据作为一个x，m 1时刻的数据作为y(即预测值)，在数据集上顺序滑动取到所有的x1,x2,x3,...xn，对应的预测值y1,y2,y3,...,yn。最终得到输入数据集x＝{x1,x2,x3,...xn}，输出数据集y＝{y1,y2,y3,...,yn}。
144.数据拆分：将上述x，y数据按照8:1:1拆分为训练集、验证集、测试集。
145.搭建深度学习神经网络模型：使用长短期记忆人工神经网络lstm搭建网络，设置参数：units＝16，dropout＝0.5。
146.使用训练集、验证集训练lstm模型，测试集评估模型准确率：设置epochs＝1000，batch_size＝32，learning_rate＝0.01。保存训练好的网络权重文件。
147.(3)应用lstm模型预测水文数据；
148.输入数据：当前时刻及之前的前m个时刻的数据作为输入数据x。
149.将输入数据x输入到模型中，模型预测结果为y，即为预测的水文数据结果。其中，输入数据包括流量、水位，输出结果包括未来流量、未来水位(预测流量、预测水位)。
150.步骤s706，进行水模型模拟；
151.(1)河网建模
152.制作河道网格：通过globalmapper、arcgis、delft3d制作grd河网概化文件
153.制作河道地形数据：搜集河流的河流底高程数据制作成地形数据地形插值：将河道网格与地形数据进行插值处理
154.添加干点：根据河道实际情况对相应的网格添加干点
155.添加薄坝：根据实际地理信息在相应的网格上添加薄坝
156.(2)模型构建；
157.设置水动力模型的参数：
158.在efdc.inp文件及其他物质参数文件中，设置如下参数：设置模拟的起始时间、结束时间，上游监测断面的起始水位、流量，下游监测断面的起始水位、流量，由水文预测模型(即神经网络模型)预测得到的上游监测断面的起始水位、流量，由水文预测模型预测得到的下游监测断面的起始水位、流量，以及风速、风向、空气温度、河水温度、盐度，进出水口的位置，观测点、监测断面，输出文件格式等。
159.设置水质模型的参数：
160.在水质模型inp文件中，设置如下参数：污染物质，初始浓度，排放的时序变化数据，进出水口的位置，观测点、监测断面等。
161.其中，污染物质可以包括kmno4(高锰酸盐指数)、oxy(溶解氧)、so2(二氧化硫)等
等。
162.(3)运行模型
163.模型运行efdc.inp文件，运行之后生成河流各个模拟对象的结果，具体包括网格数据、水位模拟结果、流量模拟数据、流场模拟结果、河流中各个污染物因子的模拟结果，其数据保存在**_cel.dat文件中。
164.步骤s708，模型结果gis可视化；
165.(1)水动力的水位数据可视化。
166.将水动力模型和水质模型中生成的水位数据转换为geojson数据。
167.使用folium库读取geojson数据，生成gis的html文件。
168.使用浏览器打开html，即可展示水位的gis可视化效果。
169.(2)水动力的流场数据可视化。
170.将水动力模型和水质模型中生成的流场数据转换为geojson数据。
171.使用folium库读取geojson数据，生成gis的html文件。
172.使用浏览器打开html，即可展示流场的gis可视化效果。
173.(3)水质的污染物质数据可视化。
174.将水动力模型和水质模型中生成的污染物质浓度数据转换为geojson数据。
175.使用folium库读取geojson数据，生成gis的html文件。
176.使用浏览器打开html，即可展示污染物质浓度的gis可视化效果。
177.针对我国东部沿海局部地区的某个河网进行水质的监测，结果如图10至图18所示，图中，河段不同，浓度不同，不同浓度用不同颜色展示，其中，河网概化结果如图10所示，图10的放大效果如图11所示，图10放大后，网格清晰可见。针对水位可视化，图12、图13、图14为不同时刻的水位截图，通过图12至图14清晰可见水位的变化情况。针对流量可视化，图15、图16为不同时刻的流量截图，通过图15、图16清晰可见流速的变化情况。针对污染物质输移可视化，图17、图18为不同时刻的污染物质截图，通过图17、图18清晰可见水质的变化情况。
178.在完成上述可视化后，本实施例还可以提取河流监测断面的水质数据，包括：
179.(1)设定提取数据时间间隔为n分钟(通常取n＝30min等整数)。
180.(2)设定提取污染物质名称。
181.(3)根据水动力模型和水质模型中设置的监测断面，记录断面对应的网格id。
182.(4)从水质的污染物质数据可视化中生成的污染物质浓度数据中按照物质名称、时间间隔、网格id提取对应的数值数据，即为河流监测断面的水质数据。
183.本实施例中的深度学习神经网络模型也可以采用eemd-lstm、sarima-lstm、arima等。
184.本实施例中使用folium库做gis可视化，也可使用cesium、leaflet等gis库实现，根据河网参数的设定，可展现出三维效果。
185.本实施例使用神经网络算法预测未来水位、水量，可以模拟过去和未来的水环境。
186.本实施例构建河网概化图，结合gis可视化，可以通过html文件动态展示模型结果，较为全面监控得整个河域范围的水环境(水位、流场、水质)变换状况。
187.本实施例构建整体河域的河网概化图，对整个河网进行监控，并且，使用一维河网
概化图，控制河网网格数量，提升大范围水环境模拟的模型运行速度。
188.在本发明中，术语“第一”、“第二”、“第三”仅用于描述的目的，而不能理解为指示或暗示相对重要性；术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
189.本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明的限制。
190.在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
191.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。