基于机器学习的排涝闸站雨后水位预测

【目的】精准预测排涝闸站雨后水位。【方法】在分析为期1a的田间实测水位数据的基础上,收集了四湖流域2个典型闸站(习家口站、田关站)为期10 a(2010-2020年)的历史水情资料,利用2种机器学习算法(支持向量机回归算法、回归树算法)对排涝闸站的雨后水位进行预测分析。【结果】支持向量机回归算法和回归树算法均较好地预测了习家口站和田关站的雨后最高闸上水位,R2基本大于0.80;2种机器学习算法在习家口站的表现均优于田关站,核函数的选取对支持向量机回归算法的预测结果有一定影响,线性核函数表现较为稳定。回归树算法的效果略优于支持向量机回归算法。【结论】基于闸上水位、降水量、降水时间、泵站排水流量预测雨后最高闸上水位是可行的。不同闸站应分开进行训练,并寻找最优的机器学习算法,未来有必要结合降水预报数据实现农田涝灾情况的实时预报。

黑龙江省地表水灌溉水质评价分析

【目的】合理制定管理策略改善灌溉水质。【方法】以黑龙江省2017年5-8月295个测点的16项水质监测指标为基础,以《地表水水质评价标准》(GB 3838-2002)和《农田灌溉水质标准》(GB5084-2005)为依据进行等级分类,采用Office以及ArcGIS软件分析了黑龙江省灌溉水质(主要指地表水)指标时空变化特征。【结果】①黑龙江省灌溉用水的主要污染物为有机污染物类(BOD5、COD和高锰酸盐指数)和面源污染类(氨氮、TN和TP)指标,其中仅有60.9%~76.7%和68.6%~78.3%测点的灌溉水质中COD和高锰酸盐指数能够达到III类标准以上;而面源污染类指标的表现较差,且TN和TP指标的超标问题较为严重;②时间变化方面,随着生育季的进行,有机物和面源污染类指标的劣类水测点均呈现逐渐增多趋势,且这一现象在TN和TP指标上表现更为明显;③空间变化方面,农业面源污染类指标的高风险区主要集中在佳木斯和七台河市,涉及的灌区主要包括鹤立河灌区、金沙灌区、三合灌区、孟家岗灌区和万家灌区。【结论】黑龙江省灌溉水质主要受农业面源污染类指标影响,且以TN、TP为主。制定合理的水肥管理策略是改善黑龙江省灌溉水质的重要手段。