一种可兼容弯曲河段的航道大范围水深快速预测方法与流程

本发明属于水文地质测量领域，具体涉及一种可兼容弯曲河段的航道大范围水深快速预测方法。

背景技术：

1、改革开发以来，为充分发挥航运运能大、占地少、能耗低、污染小的优势，重点推进了长江、珠江、淮河等水系为主体的航运建设与发展。目前，受人类活动(如圈围造地、大型水电大坝蓄水运行等)及河床自然冲淤的影响，航道水域水深冲淤变化频繁，而弯曲河段，在弯道形成横向二次环流影响下，弯段河床冲淤变化更为复杂，通航条件较差。因此，为及时发现航道碍航浅点，不少河段需花费大量人力、物力频繁开展航道及周边水域水深的监测及扫测工作。因此如何对一定时间内的航道水深条件实现更快捷有效的预测，同时以便及时预警出浅情况，成为需要迫切解决的一个现实问题。

2、目前已有的航道水深预测方法多基于平面数学模型预测或单点时序模型预测。其中，由于自然条件下泥沙运动的内在机制十分复杂，一些泥沙基础性的理论预测方法尚不完善，导致基于泥沙运动物理过程的平面数学模型在航道水深预测的误差较大(根据最新《水运工程模拟试验技术规范》要求，泥沙数学模型验证的区域河床冲淤量在20％以内)。

3、另一方面，现有实际中已有的预测均基于单点时序模型预测，该种预测方法仅能较好地预测单点水深的冲淤趋势，虽然模型预测精度高，但其只能逐个测点逐步建立预测模型以实现预测某一范围内水深的平面冲淤变化及分布。这种水深预测方法效率较低，实际应用的难度较大。且逐个单点预测破坏了点与点之间本身的内在关联性，对于整体而言的精度不甚理想。

4、申请号为：cn201610768591.6的发明申请，公开了“一种基于时间序列的水深预测方法和系统”，首先得将多次测量的水深点通过合适的方法映射到同一个位置上，再进行之后的计算。根据同一位置上不同时期的测量值，应用时间序列中的加权平均法以及机器学习的梯度下降来对该位置上未来的水深值进行预测。

5、申请号为：cn202210270196.0的发明申请，公开了“一种城市雨水井多点位水深快速预报的方法”包括以下步骤：构建街道-雨水下水道双排水系统耦合模型，利用耦合模型得到水深数据集；对水深数据集采用基于互相关分析的皮尔逊相关系数法，得到时间相关性分析结果；采用min-max法对水深数据集进行归一化；采用软注意最大权值法对水深数据集中空间相关性进行分析，得到空间相关性分析结果；根据时、空间相关性分析结果构建城市雨水井多点位水深快速预报模型；使用均方误差作为损失函数，训练水深快速预报模型并优化，得到优化后的模型；对优化后的模型进行评价；将评价通过的模型应用于实际水深预报，得到预报结果。

6、申请号为：cn201510040013.6的发明申请，公开了“一种基于gw和bp神经网络的分布式水深预测方法”，先对遥感图像进行预处理，再将激光雷达采集到的实测水深值和遥感图像中对应坐标点的蓝、绿波段dn值，建立采样数据，再基于gwr方法待预测区域划分为多个子区域，并建立每个子区域的神经网络水深预测模型，最后，通过设计待预测区域内每个待预测点周围的所有区域神经网络水深预测模型的加权因子，建立起整个待预测区域的分布式神经网络水深预测模型。

7、申请号为：cn201910943234.2的发明申请，公开了“一种基于分类与回归树的岛礁浅海水深预测方法”，所述方法包括如下步骤：获取岛礁浅海区的多光谱反射率；获取岛礁浅海区的水深控制点的实际水深值和悬浮泥沙含量；根据所述多光谱反射率中的近红外和红外波段反射率计算水深控制点的悬浮泥沙含量预测值；根据水深控制点的多光谱反射率、实际水深值和悬浮泥沙含量，利用分类和回归树算法构建浅海水深、多光谱反射率和悬浮泥沙含量的非线性回归映射模型；将所述岛礁浅海区的多光谱反射率输入至所述非线性回归映射模型进行时空序列连续反演，获得水深预测值。

技术实现思路

1、为解决以上问题，同时实现对弯曲河段的兼容，本发明提供了一种可兼容弯曲河段的航道大范围水深快速预测方法，其技术方案具体如下：

2、一种可兼容弯曲河段的航道大范围水深快速预测方法，包括如下步骤：

3、s1：首先，基于历史水深数据集，建立以时间和空间的函数表征的水深场；

4、其次，以被分解为多个正交模态的形式，建立对水深场的表征，据此建立基于水深空间模态及相应的时间系数表征的历史水深数据；

5、s2：以时间系数矩阵表征的历史水深信息为样本集，以时间系数为预测目标，以水文数据和河道特征数据为输入，通过神经网络完成预测输出；

6、s3：依次对输出的时间系数进行反归一化及反演处理，得到预测水深。

7、进一步地，

8、步骤s1中的历史水深信息，为通过空间数据插值，形成固定空间坐标的网格水深数据。

9、进一步地，

10、步骤s1具体为：

11、s11：对历史水深数据进行中心化处理；

12、s12：对中心化处理后的数据进行协方差矩阵计算；

13、s13：完成协方差矩阵特征值及对应的特征基的计算；

14、s14：以计算的特征基表征区域的水深变化空间模态，以特征值的大小表征空间模态对信息量的贡献大小；并将特征值按从大到小的顺序排列，计算各特征值对信息量的贡献率；

15、s15：以总贡献率达到90％为约束，对按从大到小排序的特征值完成依次的筛选，据此完成空间模态数目的确定；

16、s16：根据确定出的空间模态及确定相应的时间系数，形成基于空间特征向量矩阵及对应的时间系数矩阵基于表征的历史水深数据。

17、进一步地，

18、步骤s2中所述的水文数据，包括有：径流、外海潮差、潮位、水位比降；

19、步骤s2中所述的河道特征数据，包括有：水深、弯曲河道曲率半径、容积、弯道河道横流强度指标因子。

20、进一步地，

21、通过建立的弯道河道横流强度指标因子形成对河道曲率半径的表征；

22、所述的弯道河道横流强度指标因子，根据如下步骤确定：

23、ss1：以东西向为x轴、以南北向为y轴，将河道横断面进行等距测点划分；

24、ss2：基于横断面划分的测点及各测点的水深值，确定各断面的中心点位置；

25、ss3：基于确定的各断面中心点位置，统计各期的河道转弯半径大小；同时计算河道横断面的平均水深；

26、ss4：基于河道横断面的各期平均水深及各期河道转弯半径，确定相应的弯道河道横流强度指标因子。

27、进一步地，

28、步骤ss2中，各断面的中心点位置根据下式确定：

29、

30、式中，

31、各端面的中心点位置坐标值；

32、xi：河道各横断面按等距分隔的测点东西向坐标值；

33、yi：河道各横断面按等距分隔的测点南北向坐标值；

34、hi：横断面各测点水深值，单位：m；

35、nn：横断面测点个数。

36、进一步地，

37、步骤ss4中所述的弯道河道横流强度指标因子，由河道横断面的各期平均水深及相应河道转弯半径的比值确定。

38、进一步地，

39、基于随机森林完成对神经网络输入数据的特征提取。

40、进一步地，

41、所述神经网络为基于遗传算法的神经网络。

42、进一步地，

43、步骤s3的数据反演处理，具体为：

44、

45、式中，

46、x′ij：模型预测的第i个网格点及第j个时间段下的水深冲淤积变化，单位：m；

47、t′kj：模型预测的第k个模态及第j个时间段下的时间系数；

48、vik：模型采用的第k个空间模态中第i个网格点的水深变化模态值，单位：m；

49、第i个网格点的多年平均水深值，单位：m；

50、hij：模型预测的第i个网格点及第j个时间段下的水深值，单位：m。

51、本发明的一种可兼容弯曲河段的航道大范围水深快速预测方法，以神经网络为基础预测模型，从输入数据的形成及神经网络的泛化能力两方面着手与配合，设置出了一种以水文数据及河道特征数据为基本输入数据的、基于多源数据的输入；以输入数据尽可能保留与符合一定程度的客观属性，神经网络的泛化能力较优两方面着手，配合设计出了一个能够快速且准确预测的水深预测方法。

52、在河道特征数据中，为了能够兼容弯曲河段特有的横向二次环流特征，通过设置的能够综合反映弯道横流强度与不同河槽形态相关的弯道横流强度指标因子，形成与各期水深强相关的河道弯曲程度表征值。为了能够形成较优的特征供神经网络学习、减少无效计算带来的计算量问题，本发明一方面构建了一个以时间系数表征的水深值为学习样本+以多源数据为输入的结构，另一方面对输入数据进行了两级优化的技术设置；首先通过对水深数据的时空分解，将水深数据转化为基于时间系数的表示形式，形成与基于时间函数的神经网络的匹配，其中为了在转化的时候能够以最小的失真度保留最大信息量，利用了数据分散程度与包含的信息量等价、协方差矩阵是一个实对称矩阵(实对称矩阵不同特征值对应的特征向量互相正交，互相正交则意味着线性无关)这两个基本知识点，通过基于协方差矩阵的处理完成特征空间的确定，这样处理得到的水深空间模态特征，保留了水深在空间上变化的客观关联性，同时为后续神经网络的运行效率服务；其次，以多源数据为输入保证了输入数据中本身携带的客观属性特征，然后通过随机森林的方式对输入进行特征提取，最终形成输入数据本身携带着客观属性特征、学习样本本身携带着一定程度的空间关联性，提供给神经网络学习的特征是较优的特征的一个结构，形成多维度的输入特征优化处理，从两个角度形成共同服务于模型准确性与泛化能力的技术设置；由于泛化能力不仅与输入收据的特征处理相关，还与模型是否陷入局部最优相关，所以为了避免模型陷入局部最优，本技术方案又通过设置神经网络为基于遗传算法(可获得最优的初始权值及阈值)的神经网络，形成对提高泛化能力的响应；技术方案整体上实现了预测的快速性、准确性及对弯曲河段的兼容性。