基于物聯網技術的水文流量實時檢測研究

摘 要：在常規的水文流量實時檢測研究中，采用神經網絡的方式對水文流量進行推演，作為一種預測分析，該方法存在一定的誤差性，因此提出基于物聯網技術的水文流量實時檢測研究。在水文流量實時檢測研究中，首先，利用Copula函數計算流量的影響參數。其次，分析降雨量與水文流量之間的擬合值，確定降雨量對水文流量的影響，進而構建各參數影響下的水文流量檢測模型。最后，在應用物聯網技術的過程中，通過傳感器的水位傳感實現水文流量的實時檢測。在試驗中，試驗組的檢測誤差為3.74%，對照組Ⅰ的檢測誤差為4.95%；對照組Ⅱ的檢測誤差為9.69%，試驗結果可以證明所設計的檢測研究方法具有一定的優勢，可以運用于實際的流量檢測中。

關鍵詞：物聯網技術；水文流量；流量檢測；水文分析

中圖分類號：P 641" " " " " " " 文獻標志碼：A

我國作為一個水資源短缺的國家，在黃河與長江周邊流域卻時常面臨著洪澇暴發等自然災害。在雨水多發季節，對水文流量進行實時檢測是預防洪水爆發的一項重要內容，水文流量是在一定時間內對河流湖泊等水體的通過水量進行檢測。該參數的實時檢測對水文學研究和水資源管理具有重要意義，并能夠積極應對洪水爆發之前的人員疏通工作。

2021—2023年，對水文檢測的研究有顯著成果：徐子萱等[1]對水文模型在生態系統水文服務評估中的應用進行了綜述，分析了水文模型的優勢性；而彭娟瑩等[2]的研究表明通過水文檢測可以分析環境中的影響參數。本文運用物聯網技術對水文流量進行實時監測和分析，旨在為相關研究提供一定的參考。

1 基于物聯網技術的水文流量實時檢測研究

1.1 計算流量影響參數

在對水文流量的實時檢測研究中，本文首先繪制水文-流量的曲線圖，該曲線圖能夠分析兩者之間的關系，并總結對應的影響因素，曲線圖的繪制結果如圖1所示。

由圖1分析可知，在較長時期內，斷面的實測流量與相應水位的點可用一條單一曲線來表示。這是穩定的水位流量關系，其具有重要的實用意義，說明用于檢測的斷面具有良好的長期穩定性。水流的沖擊對斷面影響較小，對檢測來說，長期穩定的斷面可以減少檢測干擾因素。本文所研究的檢測方式是在基于穩定斷面的基礎上進行的。在圖1中繪制的數據圖標是根據水文檢測的歷史數據進行數值測定，但是對于影響水文流量的降雨量因素來說，需要反映降雨量與流量之間的關系，降雨量與水文流量的關系反映了水文數據間的相關性，所以對于降雨量的分析也是水文流量檢測研究中的重要環節[3]。

為了對水文數據之間的相關性進行研究，本文采用Copula函數作為變量間的計算函數，其中能夠涵蓋水文數據變化中的隨機性。采用信息準則法對Copula函數的最優擬合進行定義，對應的計算過程如公式（1）所示。

（1）

式中：p為降水量與水文流量的關系；pi為二者的相關性系數；RMSE為水文流量與降雨量的相關性離散程度，計算得到的數值越小，說明兩者的相關性越高，擬合效果越好，可以判定降雨量對水文流量有較大的影響。

1.2 確定降雨量對水文影響數值

通過降雨量與水文影響之間的關系可以對相應的影響數值進行計算。本次研究選擇水文站的歷史資料建立聯合分布函數，以結合數值信息來計算相關影響。為了對水文流量進行實時檢測，當水文檢測過程中出現降雨情況時，出現的流量變化也同樣計算在內，所以本文通過分布函數中的單變量的定義來擬合降雨量和水文流量的關系，擬合優度計算過程如公式（2）所示。

（2）

式中：Dn為降雨量與水文流量之間的最優擬合度；F（x）為降雨量的函數分布系數；Fn（x）為水文流量的函數分布。通過擬合優度計算后的系數見表1。

通過表1中的參數能夠對不同變量進行描述，當相關性值大于0.5后，說明兩者的相關性較好。根據上述的Copula函數可以構建相應的概率分布曲線，結果如圖2所示。

當降雨量和峰值流量同時上升時，洪水暴發的危險性也隨上升，當處于黃色區域時，需要相應的單位做好災害防護的準備，根據圖2的數據可知，降雨量計算可以作為水文流量實時監測的數據支撐[4]。

1.3 構建水文檢測模型

在對水文流量進行實時檢測的研究中，結合上述水文流量影響參數計算來構建相應的水文流量檢測模型。本次研究采用以自然子流域為計算單元的概念性流域水文模型，在單元內對水文流量進行計算，概括整體的流量總和，通過流域出口的徑流計算得到區域內水文流量的總徑流。本文對于水文流量檢測模型的建構，結合了各參數以及地勢情況，包括水源區域的劃分以及水流的演算。首先，對區域內的雨量進行計算，通過克里金插值方法對雨量數值進行柵格處理，得到在水文區域內的所劃分單元的單元雨量[5]。

其次，對水文單元內的水量蒸散發數值進行單元劃分，為了計算的全面性，本文采用三層蒸發計算模式對上、下和深三層分別進行表述，如公式（3）所示。

（3）

式中：EU為上層蒸散量；EL為下層蒸散量；ED為深層蒸散量；EM為區域內水流的蒸散發能力；K為深層的蒸散發系數；WL為下層土壤的含水量；LM為下土層張力水容量；C為深層的蒸散發系數。

最后，本文在構建單元性水文流量檢測模型的過程中，計算前期影響雨量，通過經驗公式分析降雨指數，如公式（4）所示。

P=k·Pt-1+k·Pt-2+…+kn·Pt-n " " " "（4）

式中：Pt為前期降雨指數；n為影響本文水文流量的降雨天數；k為常系數；Pt-i為t日前i天的日降雨量。為了方便計算本文參數，將公式（4）進行簡化，如公式（5）所示。

Pt+1=k（P+Pt） " " " " " " " " " （5）

公式（5）中的指標與公式（4）相同，可以分析前期影響雨量指數，進而構建水文流量檢測模型。

1.4 基于物聯網技術上傳水文檢測數據

通過模型構建能夠獲得相應的水文流量數值，為了對水文流量進行實時檢測，基于物聯網技術將水文檢測結果進行上傳，選擇超聲波水位計來傳感水文信息。該傳感器能夠應用于河流湖泊等水域內的水位檢測，符合本文的檢測要求。結合上述水文模型，應用超聲波水位計的檢測結果與水位感應換能器，輸出相應的水文流量數據。水位傳感器的工作原理如圖3所示。

圖3中的水位傳感器通過超聲波的發送來計算安裝點和水面之間的水位差，可以獲得水位的高度。然后將水位傳感器的數據進行物聯網傳輸，能夠在各周邊的水文站中獲得相應的數據信息，并對水文流量進行分析，如果存在危險，就可以提前進行災害預警。

2 試驗論證

2.1 試驗說明

在試驗中，通過將本文研究的水文流量實時檢測的方法與其他2組方法進行對比，通過多方面的前期試驗準備來降低試驗誤差，在試驗過程中，為了本次試驗表述的簡潔性，將本文所研究的基于物聯網技術的水文流量實時檢測方法設置為試驗組；將基于改進深度神經網絡的水文流量實時檢測方法設置為對照組Ⅰ；將基于流固耦合的水文流量實時檢測方法設置為對照組Ⅱ。

2.2 試驗準備

在本次試驗中，為了試驗變量的統一性，在水文檢測的降雨量計算的環節中，采用的雨量采集傳感器為SRY 1雨量計。通過單片機將信號指令輸送至雨量計中，在降雨的時間段內，利用雨量器進行降雨量記錄，如果降雨量超出雨量器的警戒值，那么雨量器通過警報聲告警檢測人員，以便于應對自然災害。測試的具體流程如下：首先，將雨量器置于不同的測試點，在雨水較多發的天氣中，對具體的雨量降水進行測定。采集檢測點的雨量降水，檢測間隔為每小時測定一次雨量。采用傳統的精確雨量計進行測定，將測得的值與采集得到的雨量進行比對，分析誤差是否符合本次試驗需求。

其次，在不同測試點的降雨量采集結束后，通過模擬人工降雨的方式，變化降雨量的數值，隨著降雨量的變化，查看對應的雨量計的數據值，并比較其中的差值是否符合本次試驗模擬的數據。最后，逐漸停止人工降雨，查看雨量計的采集數據是否符合漸變趨勢，將上述流程中采集的數據以表的形式進行呈現，數據記錄見表2。

通過對表2數據的分析可知，在不同的測試點中雨量計采集的數據基本一致，并且比較符合實際的降雨量數值，驗證了本次試驗中選擇的雨量器的準確性。因此，該雨量器的傳感檢測可以統一試驗變量，保證不同方法中試驗只有唯一的自變量。采用不同方法進行計算，為了提高各試驗組別之間的可比性，將水文流量檢測數據進行歸一化處理，歸一化計算過程如公式（6）所示。

（6）

式中：Q為模型中的水文流量檢測；H為傳感器與水面高度差；u為水文流量的降雨影響參數；β為水文流量的蒸散發影響參數；T為導水流量；s為貯水流量。通過公式（6）的參數計算，將不同方法的水文檢測結果進行數據對比。

2.3 試驗結果

將不同方法代入水文模型中，獲得的檢測對比結果見表3。

根據表3的數據信息能夠得出，試驗組對于水文流量的檢測誤差指數為3.74%，對照組Ⅰ對于水文流量的檢測誤差指數為4.95%；對照組Ⅱ對于水文流量的檢測誤差指數為9.69%。本文所設計的基于物聯網技術下的水文流量檢測誤差較小，能夠做到流量的實時檢測。

3 結語

本文通過物聯網技術來研究水文流量的實時檢測效果。通過對水文流量影響參數的分析，構建相應的檢測模型，并通過物聯網技術進行數據傳輸，能夠達到檢測誤差較小的要求，與其他方法相比，具有一定的優勢。

參考文獻

[1]胡星星，陳星，盧娟娟，等.基于CA-Markov模型的灤河上游流域生態承載力時空動態模擬[J].湖北農業科學，2023，62（3）：165-172.

[2]彭娟瑩，于子鋮，付意成.大寧河巫溪段水文變異歸因及其環境流量組分變化分析[J].水利水電技術（中英文），2023，54（9）：86-98.

[3]侯慶賀，成玉寧.建成環境景觀水文研究框架構建——基于數字景觀技術的景觀水文分析、評價與優化[J].中國園林，2023，39（7）：77-82.

[4]趙亮，王靜波.基于Nwis水文數據庫模型的河南水文數據庫設計與應用[J].水利技術監督，2022（11）：51-53.

[5]涂玉律，李英海，王永強，等.基于中斷時間序列分析和IHA-RVA法的水文情勢綜合評價[J].水電能源科學，2022，40（10）：26-30.