[发明专利]基于水动力、水质和SOM神经网络的河流水量聚类及水质评价方法

说明书

本发明公开了一种基于水动力、水质和SOM神经网络的河流水量聚类及水质评价方法，首先收集河流的各项资料数据，输入水动力模型和水质模型中，得到河流的各节点的水动力数据以及各节点的污染浓度时间序列。然后将每个时刻河流流量数据输入SOM神经网络，得到合理分类的n×n种模式，这n×n种模式组合在一起得到河流流量的拓扑图。然后根据流量的聚类结果，继续利用SOM神经网络对各节点的污染浓度时间序列结果进行特征提取，得到各污染源对于河流污染分布的拓扑图，通过拓扑图得到污染源在一维河道的污染模式分类。本发明可以对一维河流的水量以及水质进行评价，并将结果可视化表示。

技术领域

本发明涉及一维河流流量及水质评价技术领域，具体是涉及基于水动力、水质和SOM神经网络的河流水量聚类及水质评价方法。

背景技术

随着人们对水资源环境的日益重视，水质的评价方法也多种多样，如传统的模糊综合指数法、灰色评价法，以及具有很强的自学习、自适应能力的BP神经网络。传统的模糊综合指数法、灰色评价法需要精确的数学模型来进行描述，针对水系统中存在的复杂非线性关系和不确定性因素，很难真实模拟水环境系统的非线性变化过程；BP神经网络法具有表示任意非线性关系和很强的自学习、自适应能力，可以对简单的非线性作用函数的复合进行映射，在评价水质时可以很好的解决水系统中的非线性关系和不确定因素，但是不适合用于对复杂多变的水环境系统进行评价和分类研究，而且往往没有考虑到河流的污染排放源的位置及排放量对河流水质的影响。由于无法提供非常准确节点的水质信息，使得河流的治理的效率不够高。

而基于水动力、水质模型和SOM神经网络的方法则可以很好地解决这些问题，首先水动力、水质模型可以产生大量的河道流量数据和各节点的污染浓度时间序列结果，可以作为SOM神经网络模型的网络训练样本，使得网络输出更加准确。SOM神经网络在无监督、无先验知识的状态下对样本进行自组织、自学习，实现对样本的评价与分类的特点则可以很好的适用于复杂多变的水环境系统。

发明内容

本发明的目的在于提供一种可以很好地评价河流各节点的流量及水质评价的方法，可以得到河流中各节点的水质情况。

本发明的技术方案是：基于水动力、水质和SOM神经网络的河流水量聚类及水质评价方法，包括水动力模型、水质模型和SOM神经网络三大部分；

所述水动力模型、水质模型用于构建所研究河流流量及污染浓度时间序列，分别由Sant-Venant方程和对流扩散方程建立，用于分析一位河道的水动力、污染物分布状况，具体包括如下步骤：

1)搜集所研究河流的流量资料、水位资料、河流底高程资料及单位污染负荷资料等数据；

2)将这些资料数据输入水动力模型中，模拟得到河流的水动力情况，河流流量时间序列，并利用现有的水文站资料进行验证，经验证准确后将数据导出；

3)将搜集的单位污染负荷资料输入水质模型，构建一维河道的水质模型，并将模拟的河流各节点的污染浓度时间序列结果导出；将河流的污染排放源的位置及排放量考虑在内；

所述SOM神经网络模型用于将水动力模型、水质模型得到的河流流量时间序列及各节点的污染浓度时间序列进行聚类分析并作出评价，具体为：将水动力模型得到的河流流量数据输入SOM神经网络中，按照每个时刻流量在河道上的分布相似性进行聚类，得到一个合理分类的n×n的SOM神经网络拓扑图，总计n²个流量模式，每种模式代表了不同的河流流量模式，该图可以表示河流节点的河床高程及流量；再将水质模型得到的污染浓度时间序列数据用与流量同样的聚类结果进行特征提取，得到河流的各污染源污染分布拓扑图。

进一步地，利用水动力模型及水质模型得到大量的高维度流量数据及污染浓度时间序列。