一种流域全尺度水生态系统动态模拟方法及装置

本发明涉及环境监测，特别是指一种流域全尺度水生态系统动态模拟方法和装置。

背景技术：

1、地表水是人类赖以生存的重要自然资源，水质的优劣取决于多重自然和人为因素的作用，水质在任何时候都会受到区域自然过程和人类活动的影响。

2、流域水质是水环境监管的重要对象之一，需要在时间和空间上进行持续监测，以便及时发现流域出现的水质问题，进而做出快速、科学的处置措施。水质模型是解决水质问题的基本方法之一，是利用数学模拟技术对水质污染进行估计和预测的一种方法。然而，水质模型受到用户缺乏经验、环境参数缺乏校准、基础数据误差等限制因素的影响，模拟结果具有较大的不确定性。其不确定性主要表现在多源异类数据的输入误差、参数不确定性、特定模型结构无法再现物理机制而导致的结构误差。

3、近年来，随着《生态环境大数据建设总体方案》的实施，我国生态环境大数据事业蓬勃发展，已建成覆盖农田、草原、森林、海湾、荒漠、喀斯特、湖泊、沼泽及城市等9大土地类型，涉及600多个观测站和280多项观测指标的生态监测系统；涵盖大气、水、土壤等要素，涉及93000多个监测站的环境质量监测网络。逐步形成了集生态系统、环境污染、气象、水文、冰冻及资源环境遥感为一体的“天空地”立体监测系统。

4、在过去的半个世纪里，随着遥感技术的蓬勃发展，国内外众多研究者开发了基于遥感大数据的水生态指标反演方法，这些方法大致可以分为物理驱动方法(physics-driven methods)和数据驱动方法(data-driven methods)两类。实际上，遥感监测大多是针对特定应用和科学问题展开，这往往需要耦合上述多种方法进行交叉研究。

5、物理驱动方法主要是根据水体的成分组成，对水、气在不同光学场景下的辐射传输过程进行模拟，进而推算出其在遥感影像上的成像特征；该类方法主要包括辐射传输模型和数值模拟两类。因为考虑了物理守恒、动量守恒，以及水体成分的固有吸收和散射特征，该类方法物理意义明确、因果关系严谨、可移植性强，在水生态指标遥感估算中得到了广泛使用。

6、与数值模拟相结合的水质参数遥感估算模型是另一种常见的物理驱动方法。这些方法利用高精度遥感反演结果作为数据驱动场，基于数值模拟模型，通过湍流、对流、紊流等参数的率定，从而激活水生态三维尺度上的长时序大范围物理模拟。结合数值模拟的定量遥感反演在水质三维立体估算、克服云雨覆盖导致的图像可用性不足方面具有显著优势，为长期、多尺度、大范围的水生态质量动态监测提供了理论支撑。

7、然而这些方法有一定的问题，首先，该类方法计算复杂，模型运行时间长。在实际操作和参数率定过程中，往往需要计算复杂的偏微分方程。其次，模型的最终模拟效果受遥感反演结果的影响很大，对遥感反演的精度要求很高。此外，这种方法需要大量的水动力数据和高精度的水底地形数据，对于数据不足或有大坝干扰的河流断面适用性较差。另外，遥感反演结果与数值模拟之间的空间尺度效应显著；当两种方法匹配度不佳时，模拟结果可能不准确，结果难以解释。

技术实现思路

1、本技术提供了一种流域全尺度水生态系统动态模拟方法。针对现有水质模型的模拟结果具有较大的不确定性问题。本公开不仅可以应用与长期、多尺度、大范围的水生态质量动态监测，还可以解决多源异类数据的输入误差、参数不确定性、特定模型的结构误差等问题。准确及时的发现流域出现的水质问题。为解决上述发明目的，所述技术方案如下：

2、一方面，本技术实施例提供了一种流域全尺度水生态系统动态模拟方法，包括以下步骤：

3、s1：获取待模拟水生态环境的遥感影像，对选定区域的遥感影像进行预处理，得到预处理后的遥感影像；

4、s2：构建遥感大数据反演模型，将预处理后的遥感影像输入遥感大数据反演模型，得到遥感大数据反演模型的输出；

5、s3：利用改进的卡尔曼滤波对遥感大数据反演模型的输出进行重采样，得到重采样后的遥感大数据反演模型的输出，所述改进的卡尔曼滤波是多粒子重采样和卡尔曼滤波的结合；

6、s4：获取待模拟水生态环境对应的边界条件、水文气象数据和水质空间分布特征指标的初始测量值，并输入fvcom水动力模型，得到fvcom水动力模型的输出；

7、s5：利用重采样后的遥感大数据反演模型的输出对所述fvcom水动力模型的输出进行验证和率定，得到率定后的fvcom水动力模型；

8、s6：将待模拟区域对应的边界条件、水文气象数据、水质空间分布特征指标的初始测量值输入率定后的fvcom水动力模型，按照预设频率，对待模拟水生态环境进行动态连续模拟。

9、优选地,所述s1的获取待模拟水生态环境的遥感影像，对选定区域的遥感影像进行预处理，得到预处理后的遥感影像，包括：

10、s11：获取待模拟水生态环境的遥感影像；

11、s12：对所述遥感影像进行几何校正，获得几何校正后的遥感影像；

12、s13：对几何校正后的遥感影像进行辐射定标与大气校正得到辐射定标后的遥感影像；

13、s14：对辐射定标后的遥感影像进行长时序数据一致性检验，得到预处理后的遥感影像。

14、优选地,所述s2的构建遥感大数据反演模型，将预处理后的遥感影像输入遥感大数据反演模型，得到遥感大数据反演模型的输出，包括：

15、s21：初始化ga-ann模型，所述初始化ga-ann模型包括：初始化ga参数和初始化ann模型的网络权重和偏差；

16、s22：收集待模拟水生态环境的光谱和水质参数数据，基于ann模型对待模拟水生态环境的光谱和水质参数数据进行回归分析；

17、s23：基于ga通过计算反向路径优化ann模型，得到ann模型的网络权重和偏差的全局最优参数，所述ga包括：染色体、初始化的种群、选择操作、交叉操作和突变操作；

18、s24：基于ann模型的网络权重和偏差的全局最优参数更新ga-ann模型，将更新后的ga-ann模型设为遥感大数据反演模型。

19、优选地,所述s23的基于ga通过计算反向路径优化ann模型，得到ann模型的网络权重和偏差的全局最优参数，所述ga包括：染色体、初始化的种群、选择操作、交叉操作和突变操作，包括：

20、s231：创建包含一系列染色体的初始化的种群；

21、s232：基于公式(1)计算适应度，得到每个染色体的适应度评分：

22、

23、其中，n是采样点的数量；yi′是采样点的预测，yi是采样点的实测值；

24、s233：基于选择算法对种群进行选择操作，选择适应度评分高于阈值的染色体作为父代染色体；

25、s234：将父代染色体进行交叉操作，生成子代染色体，所述交叉操作包括单点交叉、多点交叉或均匀交叉；

26、s235：对子代染色体进行随机的突变操作，所述突变操作是随机改变染色体中的基因值；

27、s236：重复执行s232-s235，直到达到预定的停止条件，得到ann模型的网络权重和偏差的全局最优参数，所述预定的停止条件为最大迭代次数或优化函数达到预设阈值的优化结果。

28、优选地,所述s3的利用改进的卡尔曼滤波对遥感大数据反演模型的输出进行重采样，得到重采样后的遥感大数据反演模型的输出，所述改进的卡尔曼滤波是多粒子重采样和卡尔曼滤波的结合，包括：

29、s31：基于遥感大数据反演模型的输出对粒子空间进行初始化，定义多个尺度，并设定每个尺度的粒子权重，基于粒子权重，对粒子空间进行重采样操作，得到多尺度的粒子空间，所述粒子权重为对应尺度的熵值度量；

30、s32：将多尺度的粒子空间中的每个粒子作为预测状态，并基于公式(2)进行卡尔曼滤波，得到重采样后的遥感大数据反演模型的输出：

31、

32、其中，xr是滤波后的数值，xt-1是t-1步的数值，ut-1是系统噪声。

33、优选地,所述s4的获取待模拟水生态环境对应的边界条件、水文气象数据和水质空间分布特征指标的初始测量值，并输入fvcom水动力模型，得到fvcom水动力模型的输出，包括：

34、s41：获取待模拟区域对应的边界条件、水文气象数据、水质空间分布特征指标，所述水文气象数据包括温度、径流量、流速和风力，所述水质空间分布特征指标包括叶绿素、总氮、总磷和氨氮；

35、s42：基于预设参数，生成水动力模型的网格数据，并设定初始条件数据；

36、s43：将待模拟区域对应的边界条件、水文气象数据、水质空间分布特征指标、网格数据、和初始条件数据输入fvcom模型，得到fvcom模型的输出。

37、优选地,所述s5的利用重采样后的遥感大数据反演模型的输出对所述fvcom水动力模型的输出进行验证和率定，得到率定后的fvcom水动力模型，包括：

38、s51：在fvcom模型中设置模拟的时间范围和时间步长；

39、s52：运行fvcom模型，通过目标函数，将重采样后的遥感大数据反演模型的输出与fvcom模型的输出进行对比，使用卡尔曼滤波器来调整模型参数，直到目标函数达到最优，所述目标函数用于计算重采样后的遥感大数据反演模型的输出与观测数据的吻合度。

40、第二方面，本技术实施例提供了一种流域全尺度水生态系统动态模拟装置，包括以下步骤：

41、遥感影像单元：用于获取待模拟水生态环境的遥感影像，对选定区域的遥感影像进行预处理，得到预处理后的遥感影像；

42、反演模型单元：用于构建遥感大数据反演模型，将预处理后的遥感影像输入遥感大数据反演模型，得到遥感大数据反演模型的输出；

43、重采样单元：用于利用改进的卡尔曼滤波对遥感大数据反演模型的输出进行重采样，得到重采样后的遥感大数据反演模型的输出，所述改进的卡尔曼滤波是多粒子重采样和卡尔曼滤波的结合；

44、水动力模型单元：用于获取待模拟水生态环境对应的边界条件、水文气象数据和水质空间分布特征指标的初始测量值，并输入fvcom水动力模型，得到fvcom水动力模型的输出；

45、率定单元：用于利用重采样后的遥感大数据反演模型的输出对所述fvcom水动力模型的输出进行验证和率定，得到率定后的fvcom水动力模型；

46、连续模拟单元：用于将待模拟区域对应的边界条件、水文气象数据、水质空间分布特征指标的初始测量值输入率定后的fvcom水动力模型，按照预设频率，对待模拟水生态环境进行动态连续模拟。

47、第三方面，本技术实施例提供了一种电子设备，其特征在于，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前面任意一项所述的方法。

48、第四方面，本技术实施例提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前面任意一项所述的方法。

49、本发明实施例提供的技术方案带来的有益效果至少包括：

50、上述技术方案，与现有技术相比至少具有如下有益效果：上述方案，流域全尺度水生态系统动态模拟方法，通过将ga和ann结合建立遥感大数据反演模型，再基于fvcom水动力模型，准确的对水质情况进行模拟。本方案有以下几个优势，首先，计算不复杂，模型运行时间短。不需要计算复杂的偏微分方程。其次，模型的最终模拟效果对遥感反演的精度要求很不高。可以解决遥感反演结果与数值模拟之间的空间尺度效应。此外，不需要大量的水动力数据和高精度的水底地形数据，对于数据不足或有大坝干扰的河流断面适用性较好。