[发明专利]基于水动力水质模型和遥感数据的污染水体模拟方法

权利要求书

1.一种基于水动力水质模型和遥感数据的污染水体模拟方法，其特征在于，包括如下步骤：

在目标地点水体上设置采样点，计算采样点的污染程度；

构建遥感反演模型；

将目标地点水体的时序遥感影像数据输入遥感反演模型中，输出不同月份的水质遥感反演值；

将目标地点对应的不同月份的水体数据输入Delft-3D水动力水质模型中，结合污染物对流-扩散方程，得到模拟的不同月份的水体污染值，水体数据包括出入流边界条件、水文气象数据、水体参数、Manning糙率系数和实测水质数据；

采用经过率准和同化的Delft-3D水动力水质模型对连续时间内的水体污染值进行同化，获取当前的同化结果；

利用将来时刻的水体实测污染值校验当前的同化结果，实现对水体污染程度的时间及空间上的连续动态模拟。

2.根据权利要求1所述的基于水动力水质模型和遥感数据的污染水体模拟方法，其中，计算采样点的污染程度是基于内梅罗综合污染指数进行的。

3.根据权利要求1所述的基于水动力水质模型和遥感数据的污染水体模拟方法，其中，构建遥感反演模型时利用时序遥感影像数据和改进的基于patch的深度神经网络回归模型，具体过程为：

使用基于patch的DNN回归模型提时序取遥感影像的非线性空间特征，通过局部感知和权值共享减少参数的数量和冗余；

基于patch的DNN回归模型由三个卷积层、一个辍学层和三个全连接层组成，每个卷积层的步幅为1，第一个卷积层的滤波器大小为3*3，其他卷积层的过滤器大小为2*2，经过三层卷积和dropout将提取的深层特征传入三层全连接层，最终输出值为参数集中度，每层都使用批量归一化和ReLUctant激活函数，通过交叉验证对相关参数进行调整，相关参数包括学习率、周期数和滤波器大小，通过回归评价指标、MSE、平均绝对误差、平均归一化偏差和残差预测偏差对模型的预测性能进行评估。

4.根据权利要求1所述的基于水动力水质模型和遥感数据的污染水体模拟方法，其中，针对Delft-3D水动力水质模型：

根据水体数据计算所需要的边界条件，对水体数据进行预处理，提取出水系结构图层，生成自适应非结构网格，每个网格将视为一个完全混合体；

根据需求设定驱动数据、模型输入参数以及状态变量，以k时刻对应的状态变量作为状态变量的初始值；将伪随机噪声加入状态变量的初始值，产生状态变量的初始集合；基于模式物理过程扰动法计算最优扰动场，将最优扰动场与状态变量进行叠加，计算获取初始扰动场；基于初始扰动场运用Delft-3D水动力水质模型分别计算状态变量在k+1时刻的预测值。

5.根据权利要求1所述的基于水动力水质模型和遥感数据的污染水体模拟方法，其中，同化水质遥感反演值和对应的水体污染值的过程为：利用无迹卡尔曼滤波算法对所述水体污染值和所述水质遥感反演值之间的时序差值进行耦合，建立代价函数，对水体污染值进行迭代更新，实现水体污染值与水体遥感反演值的同化。

6.根据权利要求4所述的基于水动力水质模型和遥感数据的污染水体模拟方法，其中，所述无迹卡尔曼滤波算法采用的增益矩阵为：

上式中，为t+1模型模拟值的均值，P_ZZ和P_XZ分别为观测向量、状态向量与观测向量的误差协方差矩阵，K_t+1为t+1时刻的卡尔曼增益，为第i个sigma点对应的权重，n为状态维数。