河口区污染物漂移扩散预测方法及系统与流程

1.本发明涉及污染物检测领域，尤其涉及一种河口区污染物漂移扩散预测方法及系统。


背景技术：

2.近些年来随着经济发展，河口区污染问题日益凸显，河口区污染物漂移扩散模拟能够为河口污染物预测、应急响应和环境损害评估等提供理论指导、技术参考和数据支撑，对防范、治理河口区污染具有至关重要的作用。一方面，传统的河口区污染物漂移扩散模拟由于数据量巨大导致其预测时效性不高，另一方面，由于海洋环境中流在传播过程中往往伴随风与浪的存在，仅考虑风浪流而不考虑三者间的相互影响会导致污染物三维运输模型预报结果精度有限。
3.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

4.为解决上述技术问题，本发明提供一种河口区污染物漂移扩散预测方法，包括：
5.s1：获取污染物浓度背景场数据、风场背景场数据和河口区的河流监测数据；
6.s2：通过深度学习对所述河流监测数据进行预测，获得污染物浓度；
7.s3：通过emd经验模式分解方法和lstm神经网络对所述河流监测数据进行预测，获得预测流量；
8.s4：将所述预测流量和所述风场背景场数据输入风浪流耦合模型，获得大气驱动和流场驱动；
9.s5：将所述污染物浓度背景场数据、所述流场驱动、所述大气驱动和所述污染物浓度输入污染物三维运输模型进行预测，获得河口区污染物漂移扩散预测结果。
10.优选的，步骤s2中，所述污染物浓度的污染物包括：氨氮、总氮、总磷、硝氮、toc、cod、亚硝酸盐、六价铬、铜和锌。
11.优选的，步骤s3具体为：
12.s31：通过所述emd经验模式分解方法对所述河流监测数据进行分解，获得数据分量；将各所述数据分量进行归一化，获得对应的归一化后的数据分量；
13.s32：通过所述lstm神经网络对各所述归一化后的数据分量进行训练，获得对应的训练后的数据分量；
14.s33：将各所述训练后的数据分量进行反归一化和重构，获得所述预测流量。
15.优选的，步骤s31具体为：
16.s311：t时刻的河流监测数据表示为x(t)，t为监测时间；
17.找出x(t)的所有极大值点，通过三次样条插值函数将所有极大值点拟合形成上包络线；
18.找出x(t)的所有极小值点，通过三次样条插值函数将所有极小值点拟合形成下包络线；
19.将上包络线和下包络线的均值记作ml；
20.s312：数据分量的表达式如下：
21.r
t
＝x(t)-ml
22.其中，r
t
为t时刻的数据分量；
23.s313：对各所述数据分量进行归一化，获得对应的归一化后的数据分量；r
t
为t时刻的归一化后的数据分量。
24.优选的，步骤s32具体为：
25.将所述归一化后的数据分量输入所述lstm神经网络，lstm神经网络包括：遗忘门、输入门和输出门；
26.通过归一化后的数据分量r
t
构建遗忘门、输入门和输出门的权重矩阵；
27.所述遗忘门的表达式如下：
28.f
t
＝σ(wf·
[h
f(t-1)
,x
ft
] bf)
[0029]
其中，t为监测时间；f
t
为t时刻的遗忘门；σ为sigmoid函数；wf为遗忘门的权重矩阵；权重矩阵wf由矩阵w
fh
和矩阵w
fx
拼接而成；h
f(t-1)
为矩阵w
fh
在t-1时刻的对应输出项；x
ft
为矩阵w
fx
在t时刻的对应输出项；bf为遗忘门的偏置项；
[0030]
所述输入门的表达式如下：
[0031]it
＝σ(wc·
[h
c(t-1)
,x
ct
] bc)
[0032]
其中，i
t
为t时刻的输入门；wc为输入门的权重矩阵；权重矩阵wc由矩阵w
ch
和矩阵w
cx
拼接而成；h
c(t-1)
为矩阵w
ch
在t-1时刻的对应输出项；x
ct
为矩阵w
cx
在t时刻的对应输出项；bc为输入门的偏置项；
[0033]
t时刻的输入单元状态的表达式如下：
[0034][0035]
其中，z为任意值；
[0036]
t时刻的输出单元状态c
t
的表达式如下：
[0037][0038]
其中，c
t-1
为t-1时刻的输出单元状态；符号
⊙
表示按元素乘；
[0039]
所述输出门的表达式如下：
[0040]ot
＝σ(wo·
[h
o(t-1)
,x
ot
] bo)
[0041]
其中，o
t
为t时刻的输出门，wo为输入门的权重矩阵；权重矩阵wo由矩阵w
oh
和矩阵w
ox
拼接而成；h
o(t-1)
为矩阵w
oh
在t-1时刻的对应输出项；x
ot
为矩阵w
ox
在t时刻的对应输出项；bo为输出门的偏置项；
[0042]
所述训练后的数据分量的表达式如下：
[0043]ht
＝o
t
⊙
tanh(c
t
)
[0044]
其中，h
t
表示t时刻的训练后的数据分量。
[0045]
优选的，步骤s4具体为：
[0046]
s41：所述风浪流耦合模型包括：大气模式wrf、海洋模式fvcom和海浪模式swan；将所述风场背景场数据输入所述大气模式wrf，获得大气驱动；
[0047]
s42：将所述大气驱动输入所述海洋模式fvcom和所述海浪模式swan，所述海洋模式fvcom会将流速水位数据实时传输至所述海浪模式swan，所述海浪模式swan会将波高数据、波向数据、波长数据和谱峰周期实时传输至所述海洋模式fvcom；
[0048]
s43：将所述预测流量、所述大气驱动、波高数据、波向数据、波长数据和谱峰周期作为所述海洋模式fvcom的输入，获得所述流场驱动。
[0049]
一种河口区污染物漂移扩散预测系统，包括：
[0050]
数据获取模块，用于获取污染物浓度背景场数据、风场背景场数据和河口区的河流监测数据；
[0051]
污染物浓度获取模块，用于通过深度学习对所述河流监测数据进行预测，获得污染物浓度；
[0052]
预测流量获取模块，用于通过emd经验模式分解方法和lstm神经网络对所述河流监测数据进行预测，获得预测流量；
[0053]
大气驱动和流场驱动获取模块，用于将所述预测流量和所述风场背景场数据输入风浪流耦合模型，获得大气驱动和流场驱动；
[0054]
河口区污染物漂移扩散预测模块，用于将所述污染物浓度背景场数据、所述流场驱动、所述大气驱动和所述污染物浓度输入污染物三维运输模型进行预测，获得河口区污染物漂移扩散预测结果。
[0055]
本发明具有以下有益效果：
[0056]
不同于传统的深度学习算法进行数据训练，本发明提出基于emd经验模式分解方法和lstm神经网络对河流监测数据进行数据的预测，该方法充分考虑了预测的效率与质量，结合风浪流耦合模型，可进一步的提升污染物三维运输模型的速度、精确度，有效提高了河口区污染物漂移扩散数值预报的时效性与精确度。
附图说明
[0057]
图1为本发明实施例方法流程图；
[0058]
图2为本发明实施例系统结构图；
[0059]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0060]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0061]
参照图1，本发明提供一种河口区污染物漂移扩散预测方法，包括：
[0062]
s1：获取污染物浓度背景场数据、风场背景场数据和河口区的河流监测数据；
[0063]
具体的，通过大面观测调查可获取污染物浓度背景场数据和风场背景场数据，通过监测站监测获取河口区的河流监测数据；
[0064]
s2：通过深度学习对所述河流监测数据进行预测，获得污染物浓度；具体的，污染物浓度为预测得到的未来48小时内的污染物浓度；
[0065]
s3：通过emd经验模式分解方法和lstm神经网络对所述河流监测数据进行预测，获
得预测流量；具体的，预测流量为预测得到的未来48小时内的预测流量；
[0066]
s4：将所述预测流量和所述风场背景场数据输入风浪流耦合模型，获得大气驱动和流场驱动；
[0067]
s5：将所述污染物浓度背景场数据、所述流场驱动、所述大气驱动和所述污染物浓度输入污染物三维运输模型进行预测，获得河口区污染物漂移扩散预测结果；
[0068]
具体的，污染物三维运输模型考虑了近海污染物的模拟过程中初始状态和源汇的影响，同时保留污染物变化过程中的对流和扩散过程，且考虑了不同种类污染物的影响，其模型表达式如下：
[0069][0070]
其中，t表示监测时间，x、y和z表示污染物三维运输模型的空间坐标，p和q均表示污染物种类的编号，c
p
表示第p号污染物的污染物浓度，u表示东西方向的流速分量，v表示南北方向的流速分量，w表示垂直方向的速度分量，ah表示水平方向的扩散系数，kh表示垂直方向的扩散系数，θ
p,q
表示第q号污染物对第p号污染物的影响，∑qθ
p,q
表示其他污染物对第p号污染物的整体影响。
[0071]
本实施例中，步骤s2中，所述污染物浓度的污染物包括：氨氮、总氮、总磷、硝氮、toc、cod、亚硝酸盐、六价铬、铜和锌；
[0072]
具体的，当需要检测其他污染物时可根据需求具体添加。
[0073]
本实施例中，步骤s3具体为：
[0074]
s31：通过所述emd经验模式分解方法对所述河流监测数据进行分解，获得数据分量；将各所述数据分量进行归一化，获得对应的归一化后的数据分量；
[0075]
具体的，empirical mode decomposition(emd)经验模式分解方法是基于以下假设条件：数据至少有两个极值，一个最大值和一个最小值；数据的局部时域特性是由极值点间的时间尺度唯一确定；如果数据没有极值点但有拐点，则可以通过对数据微分一次或多次求得极值，然后再通过积分来获得分解结果；
[0076]
s32：通过所述lstm神经网络对各所述归一化后的数据分量进行训练，获得对应的训练后的数据分量；
[0077]
s33：将各所述训练后的数据分量进行反归一化和重构，获得所述预测流量。
[0078]
本实施例中，所述emd经验模式分解方法具体为：
[0079]
s311：t时刻的河流监测数据表示为x(t)，t为监测时间；
[0080]
找出x(t)的所有极大值点，通过三次样条插值函数将所有极大值点拟合形成上包络线；
[0081]
找出x(t)的所有极小值点，通过三次样条插值函数将所有极小值点拟合形成下包络线；
[0082]
将上包络线和下包络线的均值记作ml；
[0083]
s312：数据分量的表达式如下：
[0084]rt
＝x(t)-ml
[0085]
其中，r
t
为t时刻的数据分量；若还存在负的局部极大值和正的局部极小值，需要继续循环上述步骤s311-s312，直到满足要求；
[0086]
s313：对各所述数据分量进行归一化，获得对应的归一化后的数据分量；r
t
为t时刻的归一化后的数据分量。
[0087]
本实施例中，长短记忆神经网络(long-short term memory,lstm)，是一种特殊的循环神经网络(recurrent neural network,rnn)；
[0088]
步骤s32具体为：
[0089]
将所述归一化后的数据分量输入所述lstm神经网络，lstm神经网络包括：遗忘门、输入门和输出门；
[0090]
通过归一化后的数据分量r
t
构建遗忘门、输入门和输出门的权重矩阵；
[0091]
(1)遗忘门，可以帮助我们从内存中删除某些数据；
[0092]
(2)输入门，可以让我们将某些数据添加到内存中；
[0093]
(3)输出门，可以通过它实现基于输入和现有内存生成并输出预测；
[0094]
lstm神经网络非常适合基于时间序列数据进行分类、处理和预测，河流监测数据为时间序列，前后相关性较强；未来48小时预测流量和污染物浓度属于时间序列预测；由于传统的神经网络不适用于处理时间序列数据，因此将采用lstm神经网络对未来48小时流量和污染物浓度进行预测；
[0095]
门实际上就是一层全连接层，用公式可以表达为：
[0096]
g(x)＝σ(wx b)
[0097]
其中g为门，σ为激活函数(sigmoid函数)，x为输入向量，w为权重矩阵，b为偏置项；
[0098]
lstm用两个门来控制单元状态的内容，一个是遗忘门，它决定了上一时刻的单元状态c
t-1
有多少保留到当前时刻c
t
，另一个是输入门，它决定了当前时刻t网络的输入x
t
有多少保存到单元状态c
t
，lstm用输出门来控制单元状态c
t
有多少输出到lstm的当前输出值ht；
[0099]
所述遗忘门的表达式如下：
[0100]ft
＝σ(wf·
[h
f(t-1)
,x
ft
] bf)
[0101]
其中，t为监测时间；f
t
为t时刻的遗忘门；σ为sigmoid函数；wf为遗忘门的权重矩阵；权重矩阵wf由矩阵w
fh
和矩阵w
fx
拼接而成；h
f(t-1)
为矩阵w
fh
在t-1时刻的对应输出项；x
ft
为矩阵w
fx
在t时刻的对应输出项；bf为遗忘门的偏置项；
[0102]
所述输入门的表达式如下：
[0103]it
＝σ(wc·
[h
c(t-1)
,x
ct
] bc)
[0104]
其中，i
t
为t时刻的输入门；wc为输入门的权重矩阵；权重矩阵wc由矩阵w
ch
和矩阵w
cx
拼接而成；h
c(t-1)
为矩阵w
ch
在t-1时刻的对应输出项；x
ct
为矩阵w
cx
在t时刻的对应输出项；bc为输入门的偏置项；
[0105]
t时刻的输入单元状态的表达式如下：
[0106][0107]
其中，z为任意值；
[0108]
t时刻的输出单元状态c
t
的表达式如下：
[0109][0110]
其中，c
t-1
为t-1时刻的输出单元状态；符号
⊙
表示按元素乘；
[0111]
所述输出门的表达式如下：
[0112]ot
＝σ(wo·
[h
o(t-1)
,x
ot
] bo)
[0113]
其中，o
t
为t时刻的输出门，wo为输入门的权重矩阵；权重矩阵wo由矩阵w
oh
和矩阵w
ox
拼接而成；h
o(t-1)
为矩阵w
oh
在t-1时刻的对应输出项；x
ot
为矩阵w
ox
在t时刻的对应输出项；bo为输出门的偏置项；
[0114]
所述训练后的数据分量的表达式如下：
[0115]ht
＝o
t
⊙
tanh(c
t
)
[0116]
其中，h
t
表示t时刻的训练后的数据分量。
[0117]
具体实现中，在计算训练后的数据分量的过程中，需要反向计算lstm的每个神经元的误差项δ值，误差项的反向传播也是包括两个方向：一个是沿时间的反向传播，一个是将误差项向上一层传播；根据误差项，计算每个误差项权重的梯度；
[0118]
在t时刻，lstm输出的训练后的数据分量为h
t
，其对应时刻的误差项δ
t
为：
[0119][0120]
其中e为误差矩阵，为了表示方便，将：
[0121][0122][0123][0124][0125][0126][0127][0128][0129]
其中δ
f,t
，δ
i,t
，δ
o,t
，分别表示遗忘门t时刻的误差项，输入门t时刻的误差项，单元状态t时刻的误差项，输出门t时刻的误差项；
[0130]
沿时间反向传递误差项，就是要计算出t-1时刻的误差项δ
t-1
：
[0131]
[0132]
将误差项向前传递到任意时刻k的公式：
[0133][0134]
j为时间计数，t表示其对应的转置矩阵；
[0135]
将误差传递到上一层：
[0136][0137]
其中，l为层数，t为监测时间，f为激活函数，f'为激活函数导数；
[0138]
t时刻权重梯度的计算公式如下：
[0139][0140]
将各个时刻的梯度加在一起，就能得到权重最终梯度。
[0141][0142][0143]
时刻t偏置项的梯度计算：
[0144][0145]
将各个时刻的梯度加在一起，就能得到偏置项最终梯度。
[0146][0147]
对于w
fx
、w
ix
、w
cx
、w
ox
的权重梯度，只需要根据相应的误差项直接计算：
[0148][0149]
本实施例中，步骤s4具体为：
[0150]
s41：所述风浪流耦合模型包括：大气模式wrf、海洋模式fvcom和海浪模式swan；将所述风场背景场数据输入所述大气模式wrf，获得大气驱动；
[0151]
s42：将所述大气驱动输入所述海洋模式fvcom和所述海浪模式swan，所述海洋模式fvcom会将流速水位数据实时传输至所述海浪模式swan，所述海浪模式swan会将波高数据、波向数据、波长数据和谱峰周期实时传输至所述海洋模式fvcom；
[0152]
具体的，大气模式wrf为海洋模式fvcom和海浪模式swan提供大气驱动，海洋模式fvcom和海浪模式swan采用直接耦合的方式，波浪模式swan提供波高数据、波向数据、波长数据和谱峰周期给海洋模式fvcom，海洋模式fvcom提供流速水位数据给海浪模式swan；
[0153]
s43：将所述预测流量、所述大气驱动、波高数据、波向数据、波长数据和谱峰周期作为所述海洋模式fvcom的输入，获得所述流场驱动。
[0154]
与现有技术相比，本发明具有如下优点：不同于传统的深度学习算法进行数据训练，本发明提出基于emd经验模式分解方法和lstm神经网络对河流监测数据进行数据的预测，该方法充分考虑了预测的效率与质量，结合风浪流耦合模型，可进一步的提升污染物三维运输模型的速度、精确度，有效提高了河口区污染物漂移扩散数值预报的时效性与精确度。
[0155]
本发明提供一种河口区污染物漂移扩散预测系统，包括：
[0156]
数据获取模块，用于获取污染物浓度背景场数据、风场背景场数据和河口区的河流监测数据；
[0157]
污染物浓度获取模块，用于通过深度学习对所述河流监测数据进行预测，获得污染物浓度；
[0158]
预测流量获取模块，用于通过emd经验模式分解方法和lstm神经网络对所述河流监测数据进行预测，获得预测流量；
[0159]
大气驱动和流场驱动获取模块，用于将所述预测流量和所述风场背景场数据输入风浪流耦合模型，获得大气驱动和流场驱动；
[0160]
河口区污染物漂移扩散预测模块，用于将所述污染物浓度背景场数据、所述流场驱动、所述大气驱动和所述污染物浓度输入污染物三维运输模型进行预测，获得河口区污染物漂移扩散预测结果。
[0161]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0162]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
[0163]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。