技术摘要：
本发明公开了一种基于遥感解译技术提取河流监测断面水面宽度的方法，包括：构建Bi‑LSTM模型，得到河道流量数据；构建河道水面宽水力模型：并基于遥感检测和线性拟合方法进行水面宽水力模型的系数求解，得到最优的水面宽水力模型，求得高精度的河道断面水面宽表达式。  全部
背景技术：
随着河流水资源开发利用加快，河流生态与环境问题日益凸显，生态流量的概念 也被广泛应用。由于研究者的视角及重点不同，出现了与生态流量相关的诸多概念，如“水 生态需水”、“水生态基流”“最小下泄流量”和“河道生态环境需水量”等。在澳大利亚和南 非，生态流量基本含义是维持河流生态完整性和生物多样性的流量状况，或者说，生态流量 就是留给河流自身用水需求的水量。世界自然保护联盟采纳的生态流量定义为“在用水矛 盾突出、且用水量可以进行调度的河流、湿地和沿海区域，为维持正常的生态系统及功能所 拥有的水量”。而我国制定的生态流量定义为“满足水电工程下游河段保护目标生态需水基 本要求的流量及过程”。 河流流量重要的水力参数之一为河流断面水面宽，其对河流流量具有重要的影 响。现有存在多种河流断面水面宽的检测方法，基本是利用遥感技术如无人机或雷达电磁 波直接进行测量所得，而遥感所得河流断面水面宽仅仅为参考值，其与真实值具有一定的 误差，且不能真实反映河流断面水面宽与流量之间的关系。
技术实现要素：
本发明的目的在于针对现有技术中的上述不足，提供一种基于遥感解译技术提取 河流监测断面水面宽度的方法，以解决现有采用遥感监测河流断面水面宽误差较大，且不 能真实反映河流断面水面宽与流量之间关系的问题。 为达到上述目的，本发明采取的技术方案是： 一种基于遥感解译技术提取河流监测断面水面宽度的方法，其包括： S1、获取河道及其上下游若干年的历史流量数据，并对历史流量数据进行预处理， 得到关于流量数据的时间序列数据； S2、将时间序列数据作为输入数据进行监督学习，得到训练样本数据和测试样本 数据； S3、根据训练样本数据和测试样本数据构建Bi-LSTM模型，并基于测试样本数据对 Bi-LSTM模型进行测试，获取作为预测输出结果的河道流量数据； S4、根据步骤S3中得到的预测输出结果河道流量数据Q和河道断面水面宽w之间的 水力函数关系构建河道水面宽水力模型： W＝α*Q*β 其中，α、β均为河道水面宽水力模型系数； S5、基于遥感实时测量监测获取河道断面水面宽W0，将遥感所测河道断面水面宽 W0作为输出，预测所得的河道流量数据Q作为输入带入河道水面宽水力模型中，得到N组系 4 CN 111553226 A 说　明　书 2/6 页 数αi、βi，其中，αi、βi分别为求解得到的第i组系数，i＝1、2、…N，N≥70000； S6、在N组系数αi、βi中随机选取M组系数αj、βj，j＝1、2、…M，1000≤M≤N，将M组系 数分别带入水面宽水力模型W＝αj*Q*βj中，并随机选取预测所得的河道流量数据Q作为输入 带入W＝αj*Q*βj中，计算得到河道断面水面宽测试值； S7、将河道断面水面宽测试值与其对应的遥感所测河道断面水面宽进行线性拟 合： y＝ax b 其中，令y为河道断面水面宽测试值，x为河道断面水面宽真实值，设定遥感实时测 量监测河道断面水面宽即为河道断面水面宽真实值，a、b为待定参数； S8、设定河道断面水面宽测试值的偏差加权平方和最小为目标函数D： 其中，yi为第i组计算得到的河道断面水面宽测试值，xi为第i组通过遥感实时测量 监测河道断面水面宽，即为河道断面水面宽真实值； 对参数a、b分别求取一阶偏导： 对参数a、b分别求取二阶偏导： 令一阶偏导为0： 解得参数a、b分别为： 其中， 为河道断面水面宽真实值的平均值， 为河道断面水面宽测试值的平均 值； 为河道断面水面宽真实值的平均值与河道断面水面宽测试值平均值的乘积， 为河道断面水面宽真实值与河道断面水面宽测试值乘积的均值， 为河道断面水面宽真 5 CN 111553226 A 说　明　书 3/6 页 实值平方的均值； S9、将参数a、b带入拟合方程，得到河道断面水面宽测试值和遥感实时测量监测河 道断面水面宽真实值之间的线性拟合曲线； S10、根据线性拟合曲线，去除河道断面水面宽测试值和遥感所测河道断面水面宽 真实值之间相对误差大于0.01对应的河道水面宽水力模型系数α、β；选取相对误差小于等 于0.01对应的河道水面宽水力模型系数αk、βk，其中，1≤k≤m； S11、分别计算系数αk、βk的均值系数α’、β’，并将均值系数α’、β’作为最优系数带 入，得到河道断面水面宽的最优解： W＝α’*Q*β’。 优选地，步骤S1中对历史流量数据进行预处理包括： 采用minmaxscaler算法对历史流量数据进行归一化处理，补充流量数据缺失值。 优选地，步骤S2中通过训练样本数据进行Bi-LSTM神经网络训练之前，设置与Bi- LSTM神经网络训练相关的Bi-LSTM神经网络超参数，包括：采用Keras搭建Bi-LSTM神经网 络，确定Bi-LSTM的层数包括输入层、Bi-LSTM层、输出层的节点数，并选择MAE作为损失函 数，选择adam作为优化器，relu函数作为激活函数。 优选地，步骤S2中训练样本数据和测试样本数据之间的比例为5:2。 优选地，步骤S5中基于遥感采集河道断面水面宽W0包括： 选取河流断面，建设河流标识点作为遥感影像识别特征点以及断面位置标识点； 利用得到的高精度遥感影像并结合地面增强标识点的尺寸辨识河流该断面的水 面宽，并沿着被监测河床断面提取河道断面水面宽W0。 优选地，步骤S9基于Matlab平台进行拟合曲线的线性拟合，得到河道断面水面宽 测试值和遥感实时测量监测河道断面水面宽真实值之间的线性拟合曲线。 本发明提供的基于遥感解译技术提取河流监测断面水面宽度的方法，具有以下有 益效果： 本发明基于水文监测站的历史流量数据构建Bi-LSTM模型，并基于遥感检测和线 性拟合方法进行水面宽水力模型的系数求解，得到最优的水面宽水力模型，进而求得高精 度的河道断面水面宽。本发明相比于传统直接利用遥感技术采集河道断面水面宽，本发明 采用线性拟合，有效去除误差较大的数据，提高计算精度，并真实反映了河流断面水面宽与 流量之间的水力函数关系。 附图说明 图1为线性拟合曲线图。