[发明专利]一种基于数据同化的河网水流水质实时预测方法及装置

说明书

本申请提供了一种基于数据同化的河网水流水质实时预测方法及装置，本申请技术方案基于河网的水位、流量和水质等实时监测数据，利用集合卡尔曼滤波或其改进算法，将实时监测数据同化到河网水流水质模型中，构建河网水流水质数据同化模型，并利用并行计算架构来提升数据同化模型的计算效率。由于数据同化技术综合考虑了水流水质模型结构误差、进出口边界误差和观测值误差，融合实时观测资料来动态校正水流水质模型的水位、流量和水质浓度状态变量和糙率、水质参数，因此采用河网水流水质数据同化模型和并行计算架构能够动态预测复杂河网系统的水位、流量和水质浓度，可以提高模型预测精度。

技术领域

本发明涉及水资源监控管理领域，尤其涉及一种基于数据同化的河网水流水质实时预测方法及装置。

背景技术

随着城市化快速发展和城市人口的高速增长，城市供水需求不断增加，加之工业废水、生活污水的大量排放，使得本就突显的水资源供需矛盾及水污染问题更加剧烈。如何科学合理的进行取水以及污染物排放成为水资源可持续利用和发展以及水环境保护急需解决的问题。

水环境数学模型是将水动力问题和污染物在水体中的迁移转化问题用数学方程进行描述，并在一定的定解条件下求解这些方程，从而模拟水流、水质状况动态变化的有效工具，并有力支持实际问题的解决，可用于指导水环境工程实践并实现水资源调配、水环境和水生态治理保护等。

传统的预测系统主要采用历史回归的方法，如神经网络、支持向量机等对河道的水沙现状进行预测。这些方法忽略了河道水流演进中动力学特性和守恒规律，因此此类系统只适合于瞬时预测，无法辅助决策,达不到水资源实时管理的目的。

近年来，利用水流水质数学模型对水流水质状态变化进行数值计算成为了重要的预测手段，并在水资源管理、水环境保护等等方面起到了关键作用。然而，利用模型进行实时水位、流量、水质等方面预报时出现了误差大、精度低的问题，其主要原因是：(1)传统水质方程存在的误差；(2)未知量不封闭或者条件参数不封闭；(3)模型参数不能适应边界条件的变化；(4)水质指标众多，不同指标之间具有相互作用，而且众多参数率定效率非常低，对模型计算精度影响较大。

将原型观测资料纳入到水流水质数学模型方程中，用于提高模型预测精度成为系统研究和开发的新方向。但是，直接将实时观测值带入水流水质数学模型会导致方程计算失稳和整个计算区域的不和谐。对于大区域来讲，因为水动力水质模型和数据同化算法计算中涉及河段众多，还有复杂的矩阵计算，势必影响模型的计算效率。

发明内容

针对上述问题，本发明提供了一种基于数据同化的河网水流水质实时预测方法及装置。

为了解决上述问题，本发明公开了一种基于数据同化的河网水流水质实时预测方法，所述方法包括：

采集河网的基础数据和实时数据；

根据所述基础数据以及河网拓扑结构，建立基于并行计算架构的水动力水质模型；

根据河网的实时监测数据，利用集合卡尔曼滤波或其改进算法，对所述水动力水质模型进行数据同化，得到基于并行计算架构的数据同化模型；

采用所述数据同化模型，对河网各河段的水位、流量和水质浓度预测，并同步更新糙率、水质扩散系数和水质模型参数。

可选地，所述河网的基础数据包括：河网的河道底部高程和河宽、河网边界的水位、流量和水质浓度，各个断面的初始流量场Q_初始、初始水位场Z_初始以及初始水质浓度场C_初始；

所述的实时数据包括：河网出入流边界的监测数据、河网内部河段关键断面的监测数据以及卫星遥感反演的数据产品。

可选地，所述根据所述基础数据以及河网拓扑结构，建立基于并行计算架构的水动力水质模型的步骤，包括：