基于目标检测的北方河道非法采砂智能监管应用研究

河道非法采砂对河道河势稳定、防洪安全、生态环境等产生不利影响。为提高河道非法采砂监管效率,采用基于深度学习的Faster-RCNN目标检测算法研发北方河道非法采砂智能监管系统,采用前后端分离B/S架构、超图WebGIS平台、PaddleDetection开发框架在系统中实现视频基础服务、算法模型管理、非法采砂识别、业务监管等功能。该系统接入高点位河湖视频监控设备回传画面,对禁采区的非法采砂行为自动检测,固定非法采砂证据,辅助水行政执法人员完成非法采砂闭环处置工作。以北方迁安市试点应用情况为例,证明了该系统具有可行性,可提高非法采砂监管水平和效率。     

基于集成学习模型的非平稳月径流预报

针对变化环境下月径流序列的非平稳性日益加剧,传统径流预报模型采用普通学习算法的局限性,基于Bagging和Boosting集成学习算法,构建了随机森林(RF)、梯度提升决策树(GBDT)和轻梯度提升机(LightGBM)3种集成学习模型,融合弹性网(EN)和变分模态分解(VMD),建立VMD-EN-RF、VMD-EN-GBDT和VMD-EN-LightGBM非平稳月径流组合预报模型,并以黄河流域实测月径流为研究对象,评估预报结果的不确定性。结果表明：单一集成学习模型能够提供可靠的预报结果,适用于非平稳月径流预报;融合VMD和EN的集成学习模型预报性能较单一集成学习模型有了显著提高,纳什效率系数提升了15%～20%,均方根误差降低了30%～40%;基于Boosting集成方法构建的集成学习模型优于Bagging集成方法,其中VMD-EN-LightGBM预见期3月内的预报效果优于VMD-EN-RF和VMD-EN-GBDT,在90%置信度的区间预报覆盖率高于90%,表现出良好的性能。     

智能跟踪算法在采砂监管中的应用研究

受利益的驱动,长江流域非法采砂行为屡禁不止,给采砂有效监管造成很大的困扰。采砂监管水平的提高需要高效准确的跟踪识别技术作支撑。提出了一种基于相关滤波器的可变跟踪框智能算法。该算法可以准确快速地跟踪江河湖面上的非法采砂船,计算量少,鲁棒性高,对硬件的要求并不严苛,可以自由应用于从低性能到高性能的各种设备。基于该算法开发了非法采砂船追踪器,再配合百度深度学习平台Easy DL后,可构成一套采砂船监控系统,能够实现对长江水域非法采砂船24 h的有效监控,从而大大提高监控非法采砂行为的效率。     

长江干流河道采砂规划实施情况评估——以《长江上游干流宜宾以下河道采砂规划(2015～2019年)》为例

河道采砂规划是规范和指导河道采砂的重要依据。为了在践行长江大保护基础上,实现长江干流河道砂石资源的科学合理利用,必须严格落实河道采砂规划的实施和监督管理。为此,采用资料收集分析、现场调查、座谈交流等方法,对《长江上游干流宜宾以下河道采砂规划(2015～2019年)》实施情况进行了分析评估。在此基础上,详细掌握了规划期内具体许可及实施情况,总结了采砂规划实施和监管过程中取得的成效以及存在的问题和困难;并在研判长江上游干流河道采砂的特点、需求以及总结采砂规划实施和监管过程中的实践经验等基础上,提出了相应的对策及建议。研究成果可为长江乃至全国江、河、湖、库采砂规划的编制、实施以及监督管理提供借鉴与参考。     

长江委组织开展长江干流河道采砂监督检查工作

<正>为准确掌握长江干流河道采砂管理现状,切实督促沿江各地强化河道采砂监督管理,维护长江干流河道采砂管理秩序的稳定可控,根据水利部《关于加强长江河道采砂现场监管和日常巡查工作的通知》(以下简称《通知》)精神,2014年3月4日至12日,长江水利委员会砂管局组织长江上游和长江中下游两个检查组,分别由局领导带队,在水利部建管司相关领导的现场督导下,针对《通知》中要求开展了现场督导检查。     

土石坝渗流性态分析的IAO-XGBoost集成学习模型与 预测结果解释

针对现有土石坝渗流数值模拟方法计算效率较低、难以实时分析大坝渗流性态，而现有基于机器学习算法建立的代理模型又存在模型可解释性较差的问题，提出土石坝渗流性态分析的IAO-XGBoost集成学习模型，并基于Shapley加性解释(SHapley Additive exPlanation, SHAP)理论对预测结果进行解释。在采用多地质体自动建模方法和CFD技术对大坝渗流场进行计算分析的基础上，基于改进的天鹰(Improved Aquila Optimization, IAO)算法优化极限梯度提升(eXtreme Gradient Boosting, XGBoost)集成学习算法中的n＿estimators、max＿depth和learning＿rate等超参数，进而建立基于IAO-XGBoost集成学习算法的大坝渗流性态指标预测模型，以揭示上下游水位和坝基地层渗透系数等输入特征变量与渗流性态指标模拟值间的复杂非线性映射关系。进一步地，将IAO-XGBoost集成学习算法与可解释机器学习框架SHAP理论相结合，挖掘影响大坝渗流性态指标预测结果的关键特征，并解释特征变量对渗流性态指标预测的影响...     

改进YOLOv3的轻量化漂浮物检测算法

【目的】为解决水域监控下漂浮物检测效率低、检测模型复杂度高的问题，提出一种基于改进YOLOv3的轻量化漂浮物检测算法。【方法】使用轻量级网络MobileNetv3代替YOLOv3的主干特征提取网络Darknet53以降低模型计算量和参数；构建简化版加权双向特征金字塔网络(Bi-FPN-tiny)以进行多尺度特征的加权融合；利用Focal Loss优化损失函数，加强对于困难样本的学习。为验证所提算法的有效性，建立了PASCAL VOC格式的漂浮物数据集，并进行数据标注和增广。【结果】结果表明：改进后的算法平均精度均值(mAP)达到92.8%,比原算法提高了7.1%;在NVIDIA Quadro P2200显卡下检测速度达到了86 fps/s,高于YOLOv3算法的47 fps/s;模型体积为43.7 MB,仅为初始算法的17.7%。【结论】改进YOLOv3是一种性能优越且轻量化的模型，为在移动端进行实时漂浮物检测提供了新的契机。     

长江江苏段工程类采砂项目吹填区方量检测技术探讨与研究

正近年,随着长江等重要骨干河湖两岸开发的不断深入,以吹填造地为目的的河道采砂项目不断增多,施工和管理过程中出现的新情况、新问题,为水行政主管部门如何在确保河势稳定和防洪安全等前提下加强管理提出了新课题,而采砂量控制及管理是其中的重点和难点。在采砂现场监管中,一项比较重要的工作是对采砂吹填量的确认。然而在同一工程类采砂项目的实施过程中,先后会出现许可量、施工量(包括采、运、吹三方)、现场测量(包括水下和     

基于主波长水色参数的水库采砂遥感监测

利用遥感技术监测河道采砂行为,通常根据经验阈值划分水体悬浮物浓度高值区为采砂嫌疑区。针对分割阈值受大气纠正及悬浮物浓度反演模型精度限制难以自动客观确定的问题,提出了基于主波长水色参数自动识别异常浑浊水体的方法。采用Landsat8、Sentinel-2卫星图像数据,基于CIE-XYZ颜色系统,提取红、绿、蓝三波段遥感图像主波长水色参数,结合自然断点分类法将指示悬浮物浓度的主波长水色参数自动划分高、中、低3类,识别高值区为采砂嫌疑区。应用该方法研究浑浊水体时空分布,识别了2016—2017年广东鹤地水库九洲江、化州库湾水域的采砂现象,以及2019年11月—2020年4月广东枫树坝水库寻邬水水域的采砂现象。试验证明,方法具有抗大气干扰性强、自动性高、稳定可靠、适用于多源遥感图像的优势,可为传统人工巡查监管提供及时、有效的采砂嫌疑区时空分布信息,提升常态化采砂监管的能力。     

黄河下游豫北区高砷地下水空间分布研究

不同类型机器学习模型对地下水砷的预测存在较大差别，现有机器学习模型不能较好预测地下水砷的空间分布。基于黄河下游豫北区1 081个浅层地下水砷质量浓度实测值，结合人类活动、气候、沉积环境、土壤理化特征、水文地质等环境因子，构建以随机森林(RF)、极端梯度提升(XGBoost)、支持向量机(SVM)为基学习器，线性判别分析(LDA)为元学习器的堆叠(Stacking)集成学习模型，对研究区高砷地下水空间分布进行预测，并对关键环境变量进行识别。结果表明：研究区地下水砷质量浓度为0.01～190μg/L,超标率为16.74%;相对于RF、XGBoost、SVM模型，Stacking集成学习模型ROC曲线下面积(AUC)、准确率(Accuracy)、特异性(Specificity)和敏感性(Recall)最大；研究区高砷地下水主要分布在太行山前洼地及黄河决口扇地区，占总面积的33.81%;黄河决口情况、年均气温、年降水量、高程、水力梯度是影响研究区高砷地下水分布的重要环境变量，沉积环境与地下水中砷富集显著相关。     

基于视频序列的火焰识别模型研究

枕头坝电站利用高效的图像处理算法,建立火焰识别模型,并增加LSTM网络模块,对厂区已安装的工业电视摄像头采集的图像和视频提取有效图像,记录视频前后时序特征,进行视频动态目标的处理,完成对异物的识别,排除了厂区复杂环境的影响。模型指标精确率达到96%,召回率为93%,准确率94%,满足水电站复杂环境的要求。     

基于时序高分一号影像的平原河网区水体信息快速提取研究

水体信息的高精度提取是区域水资源利用研究的基础和关键。为改善平原河网区水体遥感信息提取中城镇、阴影和裸土等像元混淆问题,基于多时相高分一号影像,提出时序归一化水体指数(NDWI)、归一化植被指数(NDVI)和近红外波段反照率信息相结合的决策树水体信息提取方法,并以江淮下游典型平原区开展实证研究。试验结果表明,多时相光谱信息的使用有效改善了阴影和裸土等像元的混淆,提高了较小水体的提取精度,总体精度为93%,Kappa系数为0.85,更合理地反映了水面率呈自西向东逐渐减少的空间特征,研究成果可为其他平原区水体信息提取提供借鉴。     

缺水灌区农业水土资源优化配置模型

考虑水资源和土地资源大系统特征,以灌区灌溉净效益最大为目标,建立缺水灌区农业水土资源优化配置模型,根据模型特点,提出多阶段人工鱼群算法。将模型应用于某大型灌区,得出灌区2015年平水年(P=50%)和一般干旱年(P=75%)3种主要农作物的优化种植面积以及水资源年内分配方案,结果表明:采用优化配置模型优化效果显著,2015年平水年(P=50%)与一般干旱年(P=75%)农业净效益比采用传统配置模式下的农业净效益分别提高7.5%和10.3%;多阶段人工鱼群算法对解决缺水灌区复杂的农业水土资源优化配置问题合理有效,为大系统优化问题提供了一种新的解决思路。     

基于GMM-CNN的鱼道内鱼类游泳行为提取方法

鱼道设计离不开鱼类行为特性的研究,智能监控是观测、记录和量化鱼类行为的主要手段,但由于鱼道紊动的水流环境对鱼体精确跟踪造成了困难。本研究提出一种适用于鱼道研究的鱼类游泳行为提取方法,通过高斯混合模型（GMM）和卷积神经网络模型（CNN）对鱼体图像语义分割,再根据鱼体像素计算上溯轨迹、游泳速度和摆尾幅度。方法的验证以草鱼为试验对象,分别进行基于UNet和SegNet的鱼体语义分割对比试验和鱼类游泳行为提取试验。试验结果表明：（1） UNet模型的图像语义分割结果（MPA=95.9%,MIoU=93.3%）优于SegNet模型（MPA=95.5%,MIoU=92.8%）;（2）应用GMM-CNN模型进行过鱼轨迹跟踪,其坐标平均相对误差（MRE_x=7.1%,MRE_y=2.4%）低于单独使用GMM方法23.1%、11.6%;（3） GMM-CNN模型测算鱼类行为能够准确定位鱼体特征点,应用于提取鱼类游泳行为时具有较高的精确度。基于GMM-CNN鱼类游泳行为提取方法可以为鱼道设计提供技术支持。     

基于深度学习的黑臭水体遥感信息提取模型

黑臭水体分布广泛,严重损害人民的居住环境和城市整体美观形象。以河北省廊坊市为研究区,利用高分二号(GF-2)多光谱数据和实测数据,使用PSPNet(Pyramid Scene Parsing Network)和U-Net模型对黑臭水体遥感信息提取进行对比实验研究。基于可见光波段(RGB)及近红外波段(NIR)计算归一化差异植被指数(NDVI)和归一化差异黑臭水体指数(NDBWI),针对细小形状的黑臭水体普遍存在的漏检问题,引入注意力机制模块对模型进行优化改进,构建改进型深度学习黑臭水体遥感信息提取模型。结果表明:输入RGB+NIR+NDVI+NDBW六通道组合遥感影像并引入注意力机制的U-Net网络模型对黑臭水体的提取结果最佳,其精度评价指标F1-srore、MIoU、Recall分别达到了0.864 5、0.868 1、0.835 9。     

水工结构变形预测模型构建与解释

现有基于机器学习算法的水工结构安全监控模型结果的可解释性较差。为提高安全监控模型的可解释性,发展一种基于集成学习算法的水工结构变形预测模型构建与解释方法。简述改进统计模型及随机森林（RF）、极端梯度提升树（XGBoost）两种常用的集成学习算法,引入沙普利值可加性解释（SHAP）方法实现集成学习算法模型结果的可解释性,阐述SHAP方法的原理和推导过程。以某运行初期特高拱坝变形数据为例验证方法的有效性和实用性。结果表明,XGBoost模型具有较高的预测精度,预测集决定系数大于0.982,改进统计模型精度次之,RF模型精度相对较低;SHAP方法可以分离不同自变量对效应量的影响大小,并能给出全局和局部的影响机制,实现模型拟合和预测结果的可解释性。提出的方法综合了“机理驱动”和“数据驱动”模型的优势,可为水工结构运行管理提供决策参考。     

基于EEMD-NGO-LSTM神经网络耦合的月径流预测模型及应用

为了提高径流序列的稳定度和精度，减小参数优化不当导致的非线性误差，研究将长短期记忆神经网络(LSTM)、集成经验模态分解(EEMD)和北方苍鹰优化算法(NGO)相结合，构建了EEMD-NGO-LSTM耦合预测模型。将此预测模型应用于模拟东辽河中下游的控制总站——王奔水文站2012年～2021年逐月径流过程，并与鲸鱼算法(WOA)以及灰狼算法(GWO)优化的长短期记忆神经网络进行模型比较。结果表明，EEMD-NGO-LSTM耦合预测模型的超参数迭代速度最快，精度最高，预测结果最接近实测值，其决定系数R²为0.864 3。而后采用CMIP6气候模式(SSP126情景)下的2030年的降水、气温数据输入模型进行预测，在气温上升1℃,降水不变的情景下，年径流量将增加6.61%;在降水升高5%,气温不变的情景下，年径流量将增加6.95%;在气温上升1℃、降水升高5%的情境下，年径流量将增加22.16%。     

基于人工智能方法的隧道塌方风险预测研究

为了对隧道塌方风险展开研究,整理246起隧道塌方事故案例,通过建立塌方风险评估指标体系,基于人工智能预测方法,分别采用随机森林算法、径向基函数神经网络、BP神经网络模型、粒子群算法优化BP神经网络模型,对塌方风险进行预测。结果表明,随机森林算法、径向基函数神经网络、BP神经网络模型、粒子群算法优化BP神经网络模型的塌方预测准确率分别为81.67%、83.33%、86.67%、93.33%,F₁值分别为0.645、0.642、0.5、0.833。粒子群算法优化BP神经网络模型预测准确率和F₁值均大幅提高,预测效果最好,大大减少了评估结果的主观性,为隧道塌方风险研究提供了新的研究思路。     

基于PSR和PSO的区域地下水埋深ELM预测模型

针对传统区域地下水埋深预测方法精度不高问题,提出一种基于相空间重构(PSR)、粒子群算法(PSO)的极限学习机(ELM)的非线性预测模型。首先利用C-C法对地下水埋深原始时序数据进行相空间重构(PSR),然后利用PSO-ELM对地下水埋深进行预测。将模型应用于中国黑龙江省红兴隆管理局红旗岭农场地下水埋深预测,结果表明:该模型取得了较好的预测效果,后验差比值C为0.074,小误差频率p为1,相对均方误差E1为6.36%,拟合准确率E2达到92.66%,试预报效果指标E3达到95.80%;与PSR-ELM、PSR-RBF等模型相比,PSR-PSO-ELM在试预报方面可使RMSE分别降低49%和70%,使误差区间分别降低28.2%和68.6%,证明PSO能够有效改善ELM模型的预测性能;分析了气候因素和人类活动对当地地下水埋深动态变化的影响。     

基于多尺度卷积神经网络的管道泄漏检测模型研究

如何有效检测管道泄漏是节水型社会建设迫切需要解决的关键和热点问题之一。近年来基于深度学习的管道泄漏检测方法发展迅速,本文针对传统单尺度卷积神经网络对泄漏特征提取不充分的问题,提出一种基于多尺度一维卷积神经网络(MS1DCNN)的管道系统泄漏检测模型。该方法利用多个不同卷积尺度的卷积通路并行提取管道泄漏的特征并进行泄漏信息的分类预测。基于经典的管道系统布置,利用瞬变流模型生成管道泄漏工况下的三个水压数据集对模型进行验证,三个数据集分别用于预测管道的泄漏位置、泄漏量和非恒定摩阻系数,对应样本数为39601、3980、4900,并将预测结果与其他深度学习方法和传统的机器学习方法进行对比分析。结果表明：MS1DCNN模型对数据集样本下泄漏位置、泄漏量、非恒定摩阻系数的分类准确率达到99.96%、98.48%、100%,三者平均预测精度比传统一维卷积神经网络(1DCNN)、BP神经网络、支持向量机(SVM)和k近邻算法(KNN)提高0.31%、2%、1.27%、22.8%;MS1DCNN在信噪比为-4～12 dB的噪声环境下各数据集的平均F₁分数分别为99.2%、97.02...