基于物联网技术的水文流量实时检测研究.pdf

中国新技术新产品2024 NO.1（下）-131-生 态 与 环 境 工 程我国作为一个水资源短缺的国家，在黄河与长江周边流域却时常面临着洪涝暴发等自然灾害。在雨水多发季节，对水文流量进行实时检测是预防洪水爆发的一项重要内容，水文流量是在一定时间内对河流湖泊等水体的通过水量进行检测。该参数的实时检测对水文学研究和水资源管理具有重要意义，并能够积极应对洪水爆发之前的人员疏通工作。20212023 年，对水文检测的研究有显著成果：徐子萱等1对水文模型在生态系统水文服务评估中的应用进行了综述，分析了水文模型的优势性；而彭娟莹等2的研究表明通过水文检测可以分析环境中的影响参数。本文运用物联网技术对水文流量进行实时监测和分析，旨在为相关研究提供一定的参考。1 基于物联网技术的水文流量实时检测研究1.1 计算流量影响参数在对水文流量的实时检测研究中，本文首先绘制水文-流量的曲线图，该曲线图能够分析两者之间的关系，并总结对应的影响因素，曲线图的绘制结果如图 1 所示。由图 1 分析可知，在较长时期内，断面的实测流量与相应水位的点可用一条单一曲线来表示。这是稳定的水位流量关系，其具有重要的实用意义，说明用于检测的断面具有良好的长期稳定性。水流的冲击对断面影响较小，对检测来说，长期稳定的断面可以减少检测干扰因素。本文所研究的检测方式是在基于稳定断面的基础上进行的。在图1 中绘制的数据图标是根据水文检测的历史数据进行数值测定，但是对于影响水文流量的降雨量因素来说，需要反映降雨量与流量之间的关系，降雨量与水文流量的关系反映了水文数据间的相关性，所以对于降雨量的分析也是水文流量检测研究中的重要环节3。为了对水文数据之间的相关性进行研究，本文采用Copula 函数作为变量间的计算函数，其中能够涵盖水文数据变化中的随机性。采用信息准则法对 Copula 函数的最优拟合进行定义，对应的计算过程如公式（1）所示。()211niiRMSEppn=（1）式中：p 为降水量与水文流量的关系；pi为二者的相关性系数；RMSE 为水文流量与降雨量的相关性离散程度，计算得到的数值越小，说明两者的相关性越高，拟合效果越好，可以判定降雨量对水文流量有较大的影响。1.2 确定降雨量对水文影响数值通过降雨量与水文影响之间的关系可以对相应的影响数值进行计算。本次研究选择水文站的历史资料建立联合分布函数，以结合数值信息来计算相关影响。为了对水文流量进行实时检测，当水文检测过程中出现降雨情况时，出现的流量变化也同样计算在内，所以本文通过分布函数中的单变量的定义来拟合降雨量和水文流量的关系，拟合优度计算过程如公式（2）所示。()()1maxnni nDF xFx=（2）式中：Dn为降雨量与水文流量之间的最优拟合度；F（x）为降雨量的函数分布系数；Fn（x）为水文流量的函数分布。通过拟合优度计算后的系数见表 1。表 1 边缘分布函数的拟合检验表特征变量拟合函数P值临界值降雨量Gamma0.72650.10570.3443Weibull0.55600.2151Lognorma0.69660.1368GEV0.21870.2239Exponentia0.43820.3159广义Pareto0.51280.2397流量Gamma0.73350.15160.3443Weibull0.34130.1689Lognorma0.86600.1106GEV0.21360.2312Exponentia0.18810.1887广义Pareto0.69890.1973通过表 1 中的参数能够对不同变量进行描述，当相关性基于物联网技术的水文流量实时检测研究卢家康（河北省沧州水文勘测研究中心，河北 沧州 061000）摘 要：在常规的水文流量实时检测研究中，采用神经网络的方式对水文流量进行推演，作为一种预测分析，该方法存在一定的误差性，因此提出基于物联网技术的水文流量实时检测研究。在水文流量实时检测研究中，首先，利用 Copula 函数计算流量的影响参数。其次，分析降雨量与水文流量之间的拟合值，确定降雨量对水文流量的影响，进而构建各参数影响下的水文流量检测模型。最后，在应用物联网技术的过程中，通过传感器的水位传感实现水文流量的实时检测。在试验中，试验组的检测误差为3.74%，对照组的检测误差为4.95%；对照组的检测误差为9.69%，试验结果可以证明所设计的检测研究方法具有一定的优势，可以运用于实际的流量检测中。关键词：物联网技术；水文流量；流量检测；水文分析中图分类号：P641文献标志码：A图 1 水文-流量关系曲线图水位（m）流量（m2/s）中国新技术新产品2024 NO.1（下）-132-生 态 与 环 境 工 程值大于 0.5 后，说明两者的相关性较好。根据上述的 Copula 函数可以构建相应的概率分布曲线，结果如图 2 所示。当降雨量和峰值流量同时上升时，洪水暴发的危险性也随上升，当处于黄色区域时，需要相应的单位做好灾害防护的准备，根据图 2 的数据可知，降雨量计算可以作为水文流量实时监测的数据支撑4。1.3 构建水文检测模型在对水文流量进行实时检测的研究中，结合上述水文流量影响参数计算来构建相应的水文流量检测模型。本次研究采用以自然子流域为计算单元的概念性流域水文模型，在单元内对水文流量进行计算，概括整体的流量总和，通过流域出口的径流计算得到区域内水文流量的总径流。本文对于水文流量检测模型的建构，结合了各参数以及地势情况，包括水源区域的划分以及水流的演算。首先，对区域内的雨量进行计算，通过克里金插值方法对雨量数值进行栅格处理，得到在水文区域内的所划分单元的单元雨量5。其次，对水文单元内的水量蒸散发数值进行单元划分，为了计算的全面性，本文采用三层蒸发计算模式对上、下和深三层分别进行表述，如公式（3）所示。EUK EMELK EMEUWLLMEDC K EM?（3）式中：EU 为上层蒸散量；EL 为下层蒸散量；ED 为深层蒸散量；EM 为区域内水流的蒸散发能力；K 为深层的蒸散发系数；WL 为下层土壤的含水量；LM 为下土层张力水容量；C 为深层的蒸散发系数。最后，本文在构建单元性水文流量检测模型的过程中，计算前期影响雨量，通过经验公式分析降雨指数，如公式（4）所示。P=kPt-1+kPt-2+knPt-n （4）式中：Pt为前期降雨指数；n 为影响本文水文流量的降雨天数；k 为常系数；Pt-i为 t 日前 i 天的日降雨量。为了方便计算本文参数，将公式（4）进行简化，如公式（5）所示。Pt+1=k（P+Pt）（5）公式（5）中的指标与公式（4）相同，可以分析前期影响雨量指数，进而构建水文流量检测模型。1.4 基于物联网技术上传水文检测数据通过模型构建能够获得相应的水文流量数值，为了对水文流量进行实时检测，基于物联网技术将水文检测结果进行上传，选择超声波水位计来传感水文信息。该传感器能够应用于河流湖泊等水域内的水位检测，符合本文的检测要求。结合上述水文模型，应用超声波水位计的检测结果与水位感应换能器，输出相应的水文流量数据。水位传感器的工作原理如图3 所示。图 3 中的水位传感器通过超声波的发送来计算安装点和水面之间的水位差，可以获得水位的高度。然后将水位传感器的数据进行物联网传输，能够在各周边的水文站中获得相应的数据信息，并对水文流量进行分析，如果存在危险，就可以提前进行灾害预警。2 试验论证2.1 试验说明在试验中，通过将本文研究的水文流量实时检测的方法与其他 2 组方法进行对比，通过多方面的前期试验准备来降低试验误差，在试验过程中，为了本次试验表述的简洁性，将本文所研究的基于物联网技术的水文流量实时检测方法设置为试验组；将基于改进深度神经网络的水文流量实时检测方法设置为对照组；将基于流固耦合的水文流量实时检测方法设置为对照组。2.2 试验准备在本次试验中，为了试验变量的统一性，在水文检测的降雨量计算的环节中，采用的雨量采集传感器为 SRY 1 雨量计。通过单片机将信号指令输送至雨量计中，在降雨的时间段内，利用雨量器进行降雨量记录，如果降雨量超出雨量器的警戒值，那么雨量器通过警报声告警检测人员，以便于应对自然灾害。测试的具体流程如下：首先，将雨量器置于不同的测试点，在雨水较多发的天气中，对具体的雨量降水进行测定。采集检测点的雨量降水，检测间隔为每小时测定一次雨量。采图 2 洪水的降雨量-流量的联合概率分布等值线峰值流量/（m3s-1）中国新技术新产品2024 NO.1（下）-133-生 态 与 环 境 工 程用传统的精确雨量计进行测定，将测得的值与采集得到的雨量进行比对，分析误差是否符合本次试验需求。其次，在不同测试点的降雨量采集结束后，通过模拟人工降雨的方式，变化降雨量的数值，随着降雨量的变化，查看对应的雨量计的数据值，并比较其中的差值是否符合本次试验模拟的数据。最后，逐渐停止人工降雨，查看雨量计的采集数据是否符合渐变趋势，将上述流程中采集的数据以表的形式进行呈现，数据记录见表 2。表 2 雨量计数据记录表传感器节点数据采集时间降雨量（mm/h）实际降雨量（mm/h）测试点18：3012.813.0测试点28：3013.0测试点19：3013.613.5测试点29：3014.0测试点110：3020.520.5测试点210：3021.0测试点111：3014.715.0测试点211：3015.0通过对表 2 数据的分析可知，在不同的测试点中雨量计采集的数据基本一致，并且比较符合实际的降雨量数值，验证了本次试验中选择的雨量器的准确性。因此，该雨量器的传感检测可以统一试验变量，保证不同方法中试验只有唯一的自变量。采用不同方法进行计算，为了提高各试验组别之间的可比性，将水文流量检测数据进行归一化处理，归一化计算过程如公式（6）所示。(),4QsH uT=（6）式中：Q 为模型中的水文流量检测；H 为传感器与水面高度差；u 为水文流量的降雨影响参数；为水文流量的蒸散发影响参数；T 为导水流量；s 为贮水流量。通过公式（6）的参数计算，将不同方法的水文检测结果进行数据对比。2.3 试验结果将不同方法代入水文模型中，获得的检测对比结果见表 3。表 3 不同方法水文流量实时检测结果对比试验组别导水流量T/（ms-1）贮水流量s/（ms-1）检测相对误差试验组208.9005.9843.74%对照组191.3995.5844.95%对照组220.9006.239.69%根据表 3 的数据信息能够得出，试验组对于水文流量的检测误差指数为 3.74%，对照组对于水文流量的检测误差指数为 4.95%；对照组对于水文流量的检测误差指数为9.69%。本文所设计的基于物联网技术下的水文流量检测误差较小，能够做到流量的实时检测。3 结语本文通过物联网技术来研究水文流量的实时检测效果。通过对水文流量影响参数的分析，构建相应的检测模型，并通过物联网技术进行数据传输，能够达到检测误差较小的要求，与其他方法相比，具有一定的优势。参考文献1 胡星星，陈星，卢娟娟，等.基于 CA-Markov 模型的滦河上游流域生态承载力时空动态模拟 J.湖北农业科学，2023，62（3）：165-172.2 彭娟莹，于子铖，付意成.大宁河巫溪段水文变异归因及其环境流量组分变化分析 J.水利水电技术（中英文），2023，54（9）：86-98.3 侯庆贺，成玉宁.建成环境景观水文研究框架构建基于数字景观技术的景观水文分析、评价与优化 J.中国园林，2023，39（7）：77-82.4 赵亮，王静波.基于 Nwis 水文数据库模型的河南水文数据库设计与应用 J.水利技术监督，2022（11）：51-53.5 涂玉律，李英海，王永强，等.基于中断时间序列分析和IHA-RVA 法的水文情势综合评价 J.水电能源科学，2022，40（10）：26-30.图 3 水位传感器的工作原理（单位：m）h h