شبیه سازی عددی هیدرودینامیک دریاچه دونگو و کیفیت آب بر اساس سنجش از دور و MIKE 21

خلاصه

شبیه‌سازی عددی روش مهمی است که در مطالعه مکانیسم‌های تکامل کیفیت آب دریاچه مورد استفاده قرار می‌گیرد. در عین حال، فناوری وارونگی کیفیت آب دریاچه با استفاده از ویژگی‌های داده‌های پیوستگی نوری فضایی از ماهواره‌های سنجش از دور به طور مداوم در حال بهبود است. با این حال، این یک نقطه تحقیقاتی برای ترکیب مزایای مکانی و زمانی هر دو روش، به منظور توسعه شبیه‌سازی و فناوری پیش‌بینی دقیق برای کیفیت آب دریاچه است. این مقاله دریاچه دونگو در ووهان را به عنوان منطقه تحقیقاتی خود در نظر می گیرد. داده‌های مکانی از سنجش از دور و اطلاعات پایش کیفیت آب برای ساخت یک مدل برازش رگرسیون غیرخطی چند منبعی (الگوریتم ژنتیک (GA) – مدل انتشار برگشتی (BP)) برای معکوس کردن کیفیت آب دریاچه استفاده شد. بر اساس داده های هواشناسی و هیدرولوژیکی، و همچنین داده‌های پایه کیفیت آب، یک مدل هیدرودینامیکی با استفاده از مدل MIKE21 برای شبیه‌سازی قوانین تکامل کیفیت آب در دریاچه دونگهو ایجاد شد. با ترکیب مزایای این دو، بهترین نتایج وارونگی برای ارائه یک مکمل داده برای بهینه‌سازی فرآیند شبیه‌سازی کیفیت آب، بهبود دقت و کیفیت شبیه‌سازی استفاده شد. نتایج آماری بر اساس داده های اندازه گیری شده با نتایج شبیه سازی کیفیت آب مقایسه شد. نتایج نشان می‌دهد که شبیه‌سازی کیفیت آب کلروفیل a و میانگین مربعات نیتروژن نیترات پس از بهینه‌سازی با استفاده از اطلاعات مکانی سنجش از دور به ترتیب از 19 و 31 درصد به 17 و 24 درصد کاهش یافت. بنابراین دقت مدل بهبود یافت و این با وضعیت آلودگی واقعی دریاچه دونگهو مطابقت دارد. یک مدل هیدرودینامیکی با استفاده از مدل MIKE21 برای شبیه‌سازی قوانین تکامل کیفیت آب در دریاچه دونگهو ایجاد شد. با ترکیب مزایای این دو، بهترین نتایج وارونگی برای ارائه یک مکمل داده برای بهینه‌سازی فرآیند شبیه‌سازی کیفیت آب، بهبود دقت و کیفیت شبیه‌سازی استفاده شد. نتایج آماری بر اساس داده های اندازه گیری شده با نتایج شبیه سازی کیفیت آب مقایسه شد. نتایج نشان می‌دهد که شبیه‌سازی کیفیت آب کلروفیل a و میانگین مربعات نیتروژن نیترات پس از بهینه‌سازی با استفاده از اطلاعات مکانی سنجش از دور به ترتیب از ۱۹ و ۳۱ درصد به ۱۷ و ۲۴ درصد کاهش یافت. بنابراین دقت مدل بهبود یافت و این با وضعیت آلودگی واقعی دریاچه دونگهو مطابقت دارد. یک مدل هیدرودینامیکی با استفاده از مدل MIKE21 برای شبیه‌سازی قوانین تکامل کیفیت آب در دریاچه دونگهو ایجاد شد. با ترکیب مزایای این دو، بهترین نتایج وارونگی برای ارائه یک مکمل داده برای بهینه‌سازی فرآیند شبیه‌سازی کیفیت آب، بهبود دقت و کیفیت شبیه‌سازی استفاده شد. نتایج آماری بر اساس داده های اندازه گیری شده با نتایج شبیه سازی کیفیت آب مقایسه شد. نتایج نشان می‌دهد که شبیه‌سازی کیفیت آب کلروفیل a و میانگین مربعات نیتروژن نیترات پس از بهینه‌سازی با استفاده از اطلاعات مکانی سنجش از دور به ترتیب از ۱۹ و ۳۱ درصد به ۱۷ و ۲۴ درصد کاهش یافت. بنابراین دقت مدل بهبود یافت و این با وضعیت آلودگی واقعی دریاچه دونگهو مطابقت دارد. بهترین نتایج وارونگی برای ارائه مکمل داده برای بهینه‌سازی فرآیند شبیه‌سازی کیفیت آب، بهبود دقت و کیفیت شبیه‌سازی استفاده شد. نتایج آماری بر اساس داده های اندازه گیری شده با نتایج شبیه سازی کیفیت آب مقایسه شد. نتایج نشان می‌دهد که شبیه‌سازی کیفیت آب کلروفیل a و میانگین مربعات نیتروژن نیترات پس از بهینه‌سازی با استفاده از اطلاعات مکانی سنجش از دور به ترتیب از ۱۹ و ۳۱ درصد به ۱۷ و ۲۴ درصد کاهش یافت. بنابراین دقت مدل بهبود یافت و این با وضعیت آلودگی واقعی دریاچه دونگهو مطابقت دارد. بهترین نتایج وارونگی برای ارائه مکمل داده برای بهینه‌سازی فرآیند شبیه‌سازی کیفیت آب، بهبود دقت و کیفیت شبیه‌سازی استفاده شد. نتایج آماری بر اساس داده های اندازه گیری شده با نتایج شبیه سازی کیفیت آب مقایسه شد. نتایج نشان می‌دهد که شبیه‌سازی کیفیت آب کلروفیل a و میانگین مربعات نیتروژن نیترات پس از بهینه‌سازی با استفاده از اطلاعات مکانی سنجش از دور به ترتیب از ۱۹ و ۳۱ درصد به ۱۷ و ۲۴ درصد کاهش یافت. بنابراین دقت مدل بهبود یافت و این با وضعیت آلودگی واقعی دریاچه دونگهو مطابقت دارد. نتایج نشان می‌دهد که شبیه‌سازی کیفیت آب کلروفیل a و میانگین مربعات نیتروژن نیترات پس از بهینه‌سازی با استفاده از اطلاعات مکانی سنجش از دور به ترتیب از ۱۹ و ۳۱ درصد به ۱۷ و ۲۴ درصد کاهش یافت. بنابراین دقت مدل بهبود یافت و این با وضعیت آلودگی واقعی دریاچه دونگهو مطابقت دارد. نتایج نشان می‌دهد که شبیه‌سازی کیفیت آب کلروفیل a و میانگین مربعات نیتروژن نیترات پس از بهینه‌سازی با استفاده از اطلاعات مکانی سنجش از دور به ترتیب از ۱۹ و ۳۱ درصد به ۱۷ و ۲۴ درصد کاهش یافت. بنابراین دقت مدل بهبود یافت و این با وضعیت آلودگی واقعی دریاچه دونگهو مطابقت دارد.

کلید واژه ها:

شبیه سازی عددی ; سنجش از دور ؛ MIKE21 ; دریاچه ؛ جدول GA-BP

1. معرفی

موضوع کیفیت آب به دلیل افزایش اتروفیکاسیون در دریاچه های کم عمق جدی شده است [ 1 ]. در حال حاضر حدود سه چهارم دریاچه‌های شهری در چین تحت‌تاثیر اتروفیکاسیون قرار دارند که به یکی از مشکلات اصلی مدیریت آنها تبدیل شده است [ 2 ].

شبیه‌سازی عددی محیط آبی فرآیندی است برای بیان اطلاعات پایه آب و تغییرات مکانی-زمانی آن در زبان ریاضی. این شامل هر دو شبیه سازی عددی هیدرودینامیک و کیفیت آب [ 3 ] است. تحقیقات در مورد این موضوع در سال 1925 آغاز شد، بیش از 90 سال قبل از توسعه کامل. در دهه 1970 در سرزمین اصلی چین معرفی شد و از آن زمان به طور گسترده در زمینه های مختلف به کار گرفته شد و به ابزاری مهم برای مطالعه آب های داخلی و مشکلات زیست محیطی مرتبط تبدیل شد [ 4 ]]. شبیه‌سازی عددی کیفیت آب می‌تواند برای کشف تکامل آن و پیش‌بینی چگونگی تغییر آن در آینده تحت شرایط خاص استفاده شود. نتایج شبیه‌سازی را می‌توان برای ارزیابی اتروفیکاسیون دریاچه‌های داخلی و پایش شاخص کیفیت آب، که به جزء مهمی از مطالعات زیست‌محیطی آب دریاچه تبدیل شده است، اعمال کرد [ 5 ].

مدل‌های رایجی که می‌توانند فرآیندهای هیدرودینامیکی را با تغییرات کیفیت آب بیوشیمیایی ترکیب کنند عبارتند از Delft3D، برنامه شبیه‌سازی تحلیل کیفیت آب (WASP)، کد دینامیک سیالات محیطی (EFDC)، MIKE و غیره. لیو و همکاران [ 6 ] رودخانه Songhua در شمال شرقی چین را به عنوان منطقه تحقیقاتی خود در نظر گرفتند، وضعیت آلودگی مجاز در حوضه را با استفاده از مدل MIKE تجزیه و تحلیل کردند و اقدامات منطقی و علمی بهبود را پیشنهاد کردند. وانگ و همکاران [ 7 ] مدل WASP را برای پیش‌بینی و ارزیابی محیط آبی در بخش هاربین حوضه رودخانه Songhua اعمال کرد و شبیه‌سازی خوبی به دست آورد. لیو و همکاران [ 8] کل فرآیند تحقیق بسته بندی و ادغام مدل EFDC را انجام داد و عملیات تجاری را با تغییرات کم و راندمان بالا محقق کرد. WASP را می توان برای شبیه سازی کیفیت در انواع مختلف آب اعمال کرد، اما در شبیه سازی های هیدرودینامیکی سه بعدی نسبت به EFDC پایین تر است. اگرچه کد منبع مدل EFDC عمومی شد و می‌توان آزادانه به آن دسترسی داشت، مدل کسب‌وکار کپسوله‌شده گران است و به یک دوره طولانی مطالعه عمیق و با حجم زیادی از اکتساب داده‌های دشوار نیاز دارد. مدل‌های سری MIKE شامل شبیه‌سازی فرآیند هیدرولوژیکی و پیش‌بینی محیط آب و ویژگی‌های حوضه است. MIKE دارای یک عملیات رابط تعاملی خوب طراحی شده است و می تواند به طور یکپارچه با سیستم های اطلاعات جغرافیایی (GIS)، اتوکد و سایر برنامه های مهندسی ادغام شود.

فرآیند شبیه‌سازی عددی کیفیت آب تقاضای بالایی برای داده‌های اندازه‌گیری دارد، برخلاف کمیت مورد نیاز برای نظارت بر کیفیت آب معمولی، که محدود است زیرا فقط بر نمونه‌برداری دستی از نقاط انتخاب شده متکی است. به همین دلیل، به دست آوردن نتایج نظارت بر کیفیت آب به طور مداوم توزیع شده در مکان و زمان دشوار است [ 9 ].

سنجش از دور کیفیت آب یک روش نظارتی جدید است که می تواند اطلاعات نوری آب را به صورت دوره ای در یک منطقه بزرگ اندازه گیری کند و به طور گسترده در داخل و خارج از کشور استفاده شده است [ 10 ]. می‌تواند به سرعت و با دقت توزیع داده‌های مکانی پیوسته شاخص‌های پایش کیفیت آب [ 11 ] را به‌دست آورد و بر مشکلات مرتبط با دست‌یابی به مقادیر کمی از داده‌های اندازه‌گیری شده فیزیکی غلبه کند.

بسیاری از شاخص‌های کیفیت آب داخلی وجود دارد که می‌توان آنها را با سنجش از دور کنترل کرد، از جمله تمام جنبه‌های فیزیک، زیست‌شناسی و شیمی. آنها را می توان به دو نوع تقسیم کرد: پارامترهای مبتنی بر رنگ (مانند کلروفیل، مواد جامد معلق و غیره) و پارامترهای غیر رنگی (فسفر کل، نیتروژن کل و غیره) که در این میان بیشتر مطالعات وارونگی روی کلروفیل بوده است. الف، نیتروژن کل و فسفر کل [ 12 ].

چهار روش اصلی وارونگی سنجش از دور کلروفیل وجود دارد: تجربی، نیمه تجربی، تحلیلی و فیزیکی. Yunfang Z و همکاران. [ 13 ] یک مدل سنتی BP-ANN برای دریاچه تایهو در استان جیانگ سو بر اساس سنجش از دور چند طیفی از یک ماهواره چند منبعی و داده‌های کیفیت آب در زمان واقعی اندازه‌گیری شده روی زمین ایجاد کرد. این برای شبیه سازی رابطه رگرسیون غیر خطی بین طیف و غلظت پارامترهای شاخص کیفیت آب استفاده شد. شی روی و همکاران [ 14] یک مدل کلروفیل یک وارونگی را با ترکیب تحلیل موجک با یک مدل شبکه عصبی، بر اساس داده‌های تصویری TM موضوعی Landsat و کلروفیل یک داده جمع‌آوری‌شده از یک ایستگاه نظارت محیطی ساخت. این تحقیق در دریاچه Wuliangsuhai در مغولستان داخلی انجام شد و نتایج رضایت بخشی را ارائه کرد و به بهبود فناوری تشخیص کیفیت آب در دریاچه کمک کرد. محققان داخلی نیز تحقیقات زیادی در این زمینه انجام داده اند. کائو و همکاران [ 15]، که در دریاچه ویشان کار می کرد، انواع مدل های تجربی و مجموعه ای را برای اعمال وارونگی کیفیت آب با استفاده از داده های چند فازی فراطیفی، کلروفیل a اندازه گیری شده، کل مواد جامد معلق و داده های کدورت ساخت. این ثابت کرد که الگوریتم بهینه سازی ازدحام ذرات همراه با مدل جمع آوری ماشین بردار پشتیبان دقیق ترین شبیه سازی ها را ایجاد می کند.

برخی از محققان داخلی و خارجی از الگوریتم هوشمند اکتشافی ترکیبی اطلاعات طیفی سنجش از دور برای ایجاد مدل برازش رگرسیون چند منبع غیرخطی برای شاخص غیر آبی (مانند نیتروژن کل (TN)، فسفر کل (TP) و غیره استفاده کامل می کنند. ) تحلیل وارونگی وانگ و همکاران [ 16 ] یک مدل الگوریتم شبکه عصبی مصنوعی را بر اساس تصاویر سنجش از دور TM و داده‌های TP، TN ایجاد کرد و تجزیه و تحلیل وارونگی غلظت مواد مغذی را در منطقه مورد مطالعه دریاچه پویانگ انجام داد. چانگ و همکاران [ 17] توزیع حالت فضایی کل فسفر را در خلیج تامپا، فلوریدا، ایالات متحده با استفاده از نظریه الگوریتم ژنتیک هوشمند اکتشافی و بر اساس تصاویر ماهواره‌ای MODIS برای ایجاد یک مدل رگرسیون غیرخطی پیچیده مورد مطالعه و تجزیه و تحلیل قرار داد. برخی از محققان داخلی همچنین با تجزیه و تحلیل ویژگی‌های طیفی نیتروژن کل و فسفر کل، ارتباط بین نیتروژن کل و فسفر کل و مقادیر نوار حساس را ایجاد کردند تا به وارونگی کمی دست یابند.

با این حال، سنجش از دور فقط می تواند اطلاعات آنی را از سطح آب جمع آوری کند. قادر به پیش بینی تکامل دینامیکی یک بدنه آبی در طول زمان نیست.

در نتیجه، این دو روش در حال حاضر برای مطالعات کیفیت آب دریاچه بهینه شده و مکمل یکدیگر هستند. مدل عددی بالغ محیط هیدرولوژیکی با فناوری وارونگی سنجش از دور هنوز در حال توسعه ترکیب شده است. این نه تنها می تواند مکانیسم های تکامل را دنبال کند، بلکه می تواند شبیه سازی های عددی را نیز بهبود بخشد و در نهایت نتایج دقیق کیفیت آب را تولید کند. این در حال حاضر اولین انتخاب برای مدیریت آبریزش دریاچه در یک محیط جدید است [ 18 ]. در حال حاضر، تنها چند کاربرد در پایش کیفیت آب و کنترل آلودگی دریاچه های کم عمق در چین وجود دارد که اهمیت اکتشافی و تحقیقاتی مهمی دارد.

در این مقاله، ما یک وارونگی کیفیت آب دریاچه دونگهو در ووهان را انجام داده‌ایم و آن را با یک مدل وارونگی کمی تجربی با استفاده از داده‌های اندازه‌گیری کیفیت آب و داده‌های تصویر سنجش از دور همزمان از نقاط پایش دریاچه ترکیب کرده‌ایم. بر اساس MIKE21، یک مدل کوپلینگ عددی با استفاده از داده‌های هواشناسی و هیدرولوژیکی ایجاد شد و کیفیت آب دریاچه دونگو شبیه‌سازی شد. علاوه بر این، وارونگی سنجش از دور و شبیه‌سازی عددی کیفیت آب ترکیب شده‌اند. یعنی بهترین نتایج وارونگی به عنوان شرایط اولیه و مرزی مدل عددی کیفیت آب برای تکمیل و بهینه سازی داده ها در فرآیند شبیه سازی انتخاب می شود. در نهایت، نتایج بهینه‌سازی و شبیه‌سازی سنتی مقایسه و تحلیل می‌شوند.

2. منطقه مطالعه

دریاچه دونگهو که در جنوب رودخانه یانگ تسه در استان ووهان هوبی (30 درجه و 33 دقیقه و 33 سانتی‌متر شمالی، 114 درجه و 24 دقیقه و 5/38 سانتی‌متر شرقی) قرار دارد، یکی از بزرگترین دریاچه‌های شهری چین است که هم بارندگی و هم آفتاب فراوان دارد [ 19 ] ]. ابعاد دریاچه دونگو به شرح زیر است: مساحت حوضه 187 کیلومتر مربع ^، مساحت سطح دریاچه 34.27 کیلومتر مربع ^است . طول دریاچه 11.3 کیلومتر است. بزرگترین عرض دریاچه 10.3 کیلومتر است. طول خط ساحلی 121.7 کیلومتر است. حداکثر عمق آب 4.75 متر است. متوسط عمق آب 2.21 متر و حجم کل دریاچه حدود 6.2 میلیون متر مکعب ^است .

از اواخر قرن گذشته، دریاچه دونگو با مداخله مصنوعی به چندین دریاچه فرعی تقسیم شده است. این دریاچه از دریاچه های Xiaotan و Tangling در شمال تشکیل شده است. دریاچه های Shaohji، Fruit، Miao و Guozheng در جنوب غربی؛ و دریاچه های Tuanhu، Yujia و Hou در جنوب شرقی. محیط های منطقه ای و اتصال سیستم های آبی بین دریاچه های فرعی مختلف متفاوت است. کانال های بندری در اطراف دریاچه وجود دارد. از طریق دروازه بندر Qingshan، ایستگاه پمپاژ Zengjiaxiang و دروازه جاده Luojia به سیستم رودخانه یانگ تسه متصل می شود و یک حلقه انحراف و زهکشی را تشکیل می دهد.

پس از دهه 1980، با رشد ساخت و سازهای اقتصادی شهری، بسیاری از مناطق دریاچه دونگهو گل‌آلود شدند و ارتباط با دریاچه‌های اطراف تحت تأثیر دخالت انسان قرار گرفت. کانال اصلی بندر به شدت کاهش یافت و ناپدید شد. جریان آب از رودخانه یانگ تسه نیز تحت تأثیر قرار گرفت و در نتیجه فرکانس و درجه تبادل آب کم شد. کیفیت آب به تدریج رو به وخامت است و تنوع زیستی آبزیان نیز رو به کاهش است. اکثر دسته بندی های کیفی آب کلاس IV و کلاس V هستند و برخی از آنها حتی پایین تر هستند. از سال 1983، پروژه تصفیه جامع دریاچه دونگو، که عمدتاً بر رهگیری فاضلاب و تصفیه فاضلاب متمرکز است، اجرا شده است. نتایج پایش کیفیت آب در استان هوبی توسط اداره حفاظت از محیط زیست استان هوبی از سال 2013 تا 2017 نشان می‌دهد که دریاچه دونگهو اساساً کیفیت آب کلاس IV پایدار و وضعیت متوسط بین اوتروفیکاسیون خفیف و متوسط را حفظ کرده است. اکسیژن مورد نیاز شیمیایی و فسفر کل شاخص های اصلی بیش از کلاس III هستند. در سال های اخیر، اتروفیکاسیون دریاچه دونگهو شدید شده و شکوفه های جلبکی در درجات مختلف ظاهر شده است. بنابراین، بهبود نظارت بر آبریزش دریاچه و بهبود کیفیت آب دریاچه دونگهو ضروری است. اکسیژن مورد نیاز شیمیایی و فسفر کل شاخص های اصلی بیش از کلاس III هستند. در سال های اخیر، اتروفیکاسیون دریاچه دونگهو شدید شده و شکوفه های جلبکی در درجات مختلف ظاهر شده است. بنابراین، بهبود نظارت بر آبریزش دریاچه و بهبود کیفیت آب دریاچه دونگهو ضروری است. اکسیژن مورد نیاز شیمیایی و فسفر کل شاخص های اصلی بیش از کلاس III هستند. در سال های اخیر، اتروفیکاسیون دریاچه دونگهو شدید شده و شکوفه های جلبکی در درجات مختلف ظاهر شده است. بنابراین، بهبود نظارت بر آبریزش دریاچه و بهبود کیفیت آب دریاچه دونگهو ضروری است.

3. روش تحقیق

3.1. مدل MIKE21

نرم افزار MIKE21 توسط DHI (موسسه آب و محیط زیست دانمارکی سابق) تولید شده است. چندین دهه توسعه را پشت سر گذاشته و به طور مداوم بهبود یافته است. نرم افزار MIKE21 دارای قابلیت پردازش قدرتمندی در شبیه سازی عددی مکانی – زمانی جریان سطحی آزاد آب کم عمق است. این به طور گسترده ای برای پروژه های بزرگ در چین اعمال می شود و در این مطالعه برای شبیه سازی تکامل هیدرودینامیکی و کیفیت آب دریاچه دونگو استفاده شد.

3.1.1. ماژول هیدرودینامیکی

MIKE21 Flow Mode FM برای شبیه‌سازی محیط هیدرودینامیکی آب‌های دریاچه دونگو، از جمله مدل هیدرودینامیکی (HD) و مدل انتشار فرارفت هیدرودینامیکی (AD) به کار گرفته شد.

مدل هیدرودینامیکی (HD) تغییرات سطح آب و جریان آب را با زمان در اثر نیروهای مختلف شبیه‌سازی می‌کند. مدل بر اساس معادلات Navies-Stokes با تراکم ناپذیری سه بعدی و توزیع یکنواخت مقادیر رینولدز است. تابع فرض Boussinesq و فرض فشار هیدرواستاتیک است.

شرایط جوی مختلفی مانند باد و طیف وسیعی از آب آزاد در سطح دریاچه دونگهو جریان دارد. جهت عمودی عمدتاً آب کم عمق با سرعت کم است. شتاب عمودی بسیار کمتر از شتاب گرانشی است و اثر تلاطم عمودی نسبتاً کوچک است. بنابراین، فرض فشار هیدرواستاتیک و فرض ویسکوزیته گردابی Boussinesq برآورده می شود. معادله حاکم، یعنی معادله حرکت پایه جریان آب ناپایدار دو بعدی، به شرح زیر است:

معادله تداوم:

∂ساعت∂تی+∂ساعتتو¯∂ایکس+∂ساعتv¯∂y=0

(1)

معادله حرکت:

در جهت X:

∂ساعتتو¯∂تی+∂ساعتتو¯2∂ایکس+∂ساعتتوv¯∂y=fv¯ساعت-gساعت∂η∂ایکس-ساعتρ0∂پآ∂ایکس-gساعت22ρ0∂ρ∂ایکس+τسایکسρ0-τبایکسρ0-1ρ0(∂سایکسایکس∂ایکس+∂سایکسy∂y)+∂∂ایکس(ساعتتیایکسایکس)+∂∂y(ساعتتیایکسy)+ساعتتوساس

(2)

در جهت Y:

∂ساعتv∂تی+∂ساعتتوv∂ایکس+∂ساعتv2∂y=-fv¯ساعت-gساعت∂η∂y-ساعتρ0∂پآ∂y-gساعت22ρ0∂ρ∂y+τایکسyρ0-τبyρ0-1ρ0(∂سyایکس∂ایکس+∂سyy∂y)+∂∂ایکس(ساعتتیایکسy)+∂∂y(ساعتتیyy)+ساعتvساس

(3)

که در آن x ، y و z مختصات دکارتی راست دست هستند. t زمان است. h عمق کل آب است ( h = d + η، که d عمق استراحت است، و η ارتفاع سطح آب است). ρ0چگالی آب (شیرین) است. u , v و w مولفه های سرعت در جهت های x , y و z هستند. g شتاب ناشی از گرانش است. f (ضریب نیروی کوریولیس) = 2Ω sin φ و (Ω سرعت زاویه ای چرخش است؛ φ عرض جغرافیایی است). سمنjتانسور تنش تشعشعی است. اس و ( توس، vس) به ترتیب سرعت تخلیه و تخلیه منبع نقطه آلودگی هستند. تو¯و v¯مقادیر متوسط سرعت در عمق عمودی هستند. ساعتتو¯=🔻-دηتودzو ساعتv¯=🔻-دηvدzتنش جانبی (از جمله اصطکاک چسبناک، اصطکاک آشفته، اصطکاک همرفت دیفرانسیل) هستند. تیایکسایکس=2آ∂تو¯∂ایکس، تیایکسy=آ(∂تو¯∂y+∂v¯∂ایکس)و تیyy=2آ∂تو¯∂y، A ضریب ویسکوزیته گردابی جریان افقی است.

شرط تحدید حدود شامل شرایط اولیه و مرزی مورد نیاز برای حل معادله فوق است. شرایط مرزی شامل مرز بسته، مرز باز و مرز خشک و مرطوب است. در امتداد مرز بسته (یعنی مرز زمین)، همه متغیرهایی که عمود بر مرز جریان دارند باید 0 باشند. شرایط مرزی باز را می توان به عنوان جریان یا فرآیندهای سطح آب مشخص کرد. واحد مرز خشک و مرطوب به صورت خشک، نیمه خشک و مرطوب برای تعیین مرز سیلابی تعریف می شود. شرایط اولیه شامل مقادیر پس‌زمینه مربوط به میدان جریان است، مانند سطح آب، جریان و سرعت جریان. ابتدا، مقادیر اولیه مربوط به مرز مدل باید تنظیم شود تا مقادیر اولیه هر سلول در ناحیه محاسبات شبکه به دست آید.

مدل انتشار فرارفت هیدرودینامیکی (AD) یک معادله انتقال آلاینده آب است. هنگامی که با مدل HD ترکیب می شود، می توان همرفت، انتشار و سایر فرآیندهای انتقال آلاینده های محلول در آب را شبیه سازی کرد. با توجه به قانون بقای جرم، با توجه به عوامل انتشار و تخریب همرفتی در فرآیندهای مهاجرت آلاینده ها، معادله مهاجرت قابل حل است:

∂∂تی(ساعت ج)+∂∂ایکس(تو¯ ساعت ج)+∂∂y(v¯ ساعت ج)+کد ساعت ج-اس=∂∂ایکس(ساعت λایکس∂ج∂ایکس)+∂∂y(ساعت λy∂ج∂y)

(4)

که در آن c غلظت آلاینده ها است. کدضریب تضعیف خطی؛ λایکسو λyبه ترتیب ضریب انتشار x ، y است.

3.1.2. ماژول کیفیت آب

ماژول کیفیت آب (WQ) برای توصیف تخریب مواد آلی و محیط اکسیژن در آب استفاده می شود. ماژول اوتروفیکاسیون (EU) برای توصیف گردش مواد مغذی در آب، رشد فیتوپلانکتون ها و گیاهان، و همچنین رشد و توزیع جلبک ها استفاده می شود. ماژول فلزات سنگین (ME) فرآیندهای جذب و دفع بین فلزات سنگین و جامدات معلق در آب و فرآیند تبادل فلز بین ذرات رسوب و آب منفذی را توصیف می کند.

3.2. مدل وارونگی سنجش از دور

در مدل شبکه عصبی پس انتشار (BP)، به راحتی می توان در طول آموزش در مقادیر شدید محلی قرار گرفت. بنابراین، این مطالعه از یک الگوریتم ژنتیک (GA) برای بهینه‌سازی مدل شبکه عصبی BP استفاده می‌کند تا مدل رگرسیون GA-BP را برای وارونگی کیفیت آب دریاچه دونگو ایجاد کند.

3.2.1. شبکه عصبی BP بهینه شده توسط GA

در سال های اخیر، شبکه عصبی مصنوعی BP به طور گسترده در وارونگی رنگ آب اقیانوس برای تحقیقات شکوفه جلبکی استفاده شده است [ 20 ]]. این هنگام شبیه سازی رابطه پیچیده بین ویژگی های طیفی سنجش از دور و پارامترهای رنگ آب بدون درک واضح مکانیسم داخلی موثر است. با این حال، محدودیت هایی برای شبکه عصبی BP نیز وجود دارد. به عنوان مثال، آموزش شبکه تمایل دارد در ناحیه اشباع تابع نوع S قرار گیرد که منجر به حداقل مقدار محلی می شود، بنابراین رسیدن به حداقل میانگین مربعات خطا (MSE) دشوار است. در فرآیند یادگیری شبکه، سرعت همگرایی کند است و یادگیری و حافظه ناپایدار است. تأثیر ورودی انسان بر پارامترها باعث می شود که نتایج آموزشی شبکه BP بسیار متفاوت باشد.

الگوریتم ژنتیک یک جستجوی موازی چند راه حلی را برای بهینه سازی اتخاذ می کند، که می تواند از همگرایی زودرس به دلیل بهینه سازی محلی در آموزش شبکه جلوگیری کند.

3.2.2. پیاده سازی مدل

شبکه عصبی BP بهینه شده GA از سه بخش تشکیل شده است: تعیین ساختار توپولوژی شبکه عصبی BP. بهینه سازی الگوریتم ژنتیک و جستجوی پارامترها. و آموزش و پیش بینی شبکه عصبی BP. توپولوژی شبکه عصبی BP با توجه به تعداد پارامترهای ورودی و خروجی در مسائل مهندسی واقعی تعیین می شود و سپس طول بخش های جداگانه (کروموزوم) الگوریتم ژنتیک تعیین می شود. پارامترهای شبکه عصبی BP مقداردهی اولیه شد و وزن و آستانه پس از بهینه‌سازی GA بدست آمد. در این مورد، هر کروموزوم در جمعیت شامل تمام وزن ها و آستانه های شبکه بود. ارزش تناسب اندام افراد با تابع تناسب اندام محاسبه می شود، و الگوریتم ژنتیک ارزش تناسب اندام بهینه افراد را با انتخاب، تلاقی و جهش پیدا می کند. شبکه عصبی BP از فرد بهینه برای اختصاص مقداری به آستانه وزن شبکه و آموزش شبکه استفاده می کند. نمودار جریان الگوریتم مربوط به نتیجه پیش بینی خروجی در نشان داده شده استشکل 1 .

بر اساس تئوری فوق، GA برای بهینه سازی جریان الگوریتم شبکه عصبی BP با استفاده از برنامه نویسی MATLAB استفاده شد و مدل برازش رگرسیون غیرخطی ساخته شد. الگوریتم ژنتیک برای جستجوی پارامترهای آستانه وزن بهینه استفاده شد و فرآیند آموزش شبکه عصبی BP برای بهبود دقت خروجی مدل بهینه شد.

4. شبیه سازی عددی هیدرودینامیک و کیفیت آب دریاچه دونگهو

4.1. وارونگی کیفیت آب سنجش از دور در دریاچه دونگهو

این مطالعه بر اساس مدل شبکه عصبی بهبود یافته پس انتشار الگوریتم ژنتیک، رابطه بین شاخص کیفیت آب و بازتاب طیفی دریاچه را برای به دست آوردن مقدار پیش‌بینی‌شده شاخص کیفیت آب ایجاد کرد.

4.1.1. منابع داده و پردازش داده ها

داده های مورد نیاز برای مطالعه شامل سنجش از دور و داده های اندازه گیری شده بود. داده‌های اندازه‌گیری شده شامل فسفر کل (TP)، نیتروژن کل (TN)، کلروفیل a، نیاز شیمیایی به اکسیژن (COD)، اکسیژن محلول (DO)، دمای آب، pH و کدورت بود. نمونه های داده برای نوامبر 2017، دسامبر 2017، مارس 2018 و اکتبر 2018 جمع آوری شد ( جدول 1 و شکل 2 را ببینید). 30 سایت نمونه در نوامبر 2017، 46 در دسامبر 2017، 48 در مارس 2008 و 43 در اکتبر 2008 وجود داشت.

داده های اندازه گیری شده از مرکز شبیه سازی 201 دانشکده برق آبی و مهندسی دیجیتال، دانشگاه علم و فناوری Huazhong به دست آمده است. با توجه به اصل همگام سازی یا شبه همگام سازی وارونگی سنجش از دور، دانش آموزان یک بار در ماه اندازه گیری کیفیت آب را مطابق با تاریخ داده های Landsat8 انجام می دهند. دانش‌آموزان نمونه‌های آب را از دریاچه دونگهو جمع‌آوری کردند و تعیین شیمیایی و تجزیه و تحلیل پارامترهای کیفیت آب را در آزمایشگاه محیطی انجام دادند و در نهایت داده‌های کیفیت آب اندازه‌گیری شده را از منطقه تحقیقاتی دریاچه دونگو به دست آوردند.

سنجش از دور از داده های Landsat-8 با وضوح فضایی 30 متر و محدوده باند 0.43-0.89 میکرومتر، b1-b5 به ترتیب استفاده کرد. تصاویر Landsat-8 مربوط به زمان نمونه برداری با کیفیت واقعی آب به منظور اطمینان از همگام سازی مکانی-زمانی تصاویر و داده های اندازه گیری شده استفاده شد.

4.1.2. آموزش مدل GA-BP

مدل رگرسیون GA-BP با استفاده از کیفیت آب اندازه گیری شده در نوامبر و دسامبر 2017 و داده های پردازش طیفی مربوطه از دریاچه دونگهو آموزش داده شد. پارامترهای اساسی مدل بهینه سازی در جدول 2 نشان داده شده است.

4.1.3. اعتبارسنجی مدل GA-BP

ابتدا مقادیر کیفیت آب با ابزار MATLAB وارد مدل بهینه‌سازی شد. سپس مجموعه داده های آموزشی اندازه گیری شده برای آموزش مدل شبکه وارد شد. در نهایت، مجموعه داده های آزمون برای تایید مدل و ارزیابی دقت استفاده شد و نتایج آماری به دست آمد ( شکل 3 ).

شکل 3 نتایج آماری ضریب همبستگی آموزش، آزمون، تأیید و نمونه کلی، روند میانگین مربعات خطا (MSE) مدل، روند منحنی برازش در تکامل الگوریتم ژنتیک و تضاد بین مقدار مورد انتظار و ارزش مورد انتظار در طول شبیه سازی غلظت کلروفیل a در دریاچه دونگهو

الگوریتم ژنتیک در نسل 50 پایان یافت ( شکل 1 را ببینید ). مقدار خطا به تدریج کاهش یافت و ارزش تناسب فرد بهینه مربوطه 2.47 بود. تناسب اندام برای ارزیابی کیفیت یک فرد استفاده می شود و هر چه فرد تناسب بیشتری داشته باشد، بهتر است. مدل به بهترین اثر برازش در تکرار 15 دست یافت و حداقل MSE مربوطه 0.055 بود. ضریب همبستگی کل (R) مدل به 0.869 رسید و اثر شبیه سازی خوب بود.

4.1.4. برنامه مدل GA-BP

غلظت کلروفیل دریاچه دونگهو بر اساس مدل وارونگی بهینه سازی آموزش دیده با استفاده از مجموعه داده های سنجش از دور به عنوان داده های ورودی (15 نوامبر و 17 دسامبر) پیش بینی شد. برای انجام درونیابی از ابزار کریجینگ ArcGIS استفاده شد. یک نقشه توزیع موضوعی تهیه شد و نتایج توزیع معکوس غلظت کلروفیل در دریاچه دونگهو در شکل 4 و شکل 5 قابل مشاهده است.

همانطور که در شکل 4 نشان داده شده است ، غلظت کلروفیل ناحیه نزدیک به حاشیه ساحل جنوب غربی دریاچه دونگهو در نوامبر 2017 به طور کلی ضعیف بود که اساساً در کلاس 4 و 5 باقی ماند. کیفیت آب به تدریج نزدیک به منطقه مرکزی بهبود یافت. این دریاچه عمدتاً در کلاس 1 و 2 باقی مانده است. توزیع کلی با وضعیت واقعی مطابقت دارد که با مقدار اندازه گیری شده به دست آمده از سایت مطابقت دارد و نتیجه وارونگی خوب است.

همانطور که در شکل 5 نشان داده شده است ، توزیع مقدار معکوس غلظت کلروفیل a در دسامبر نیز با وضعیت واقعی در فضا و اندازه گیری واقعی در مناطق محلی مطابقت دارد.

علاوه بر این، در مقایسه با نوامبر، میانگین دما در ماه دسامبر کاهش می یابد. جلبک ها کندتر رشد می کنند و کلروفیل موجود در بدن آب باید کاهش یابد. در رابطه کمی توزیع وارونگی دو ماهه مشاهده می شود که ارزش شبیه سازی مدل با وضعیت واقعی مطابقت دارد. نتایج مدل وارونگی شبکه عصبی GA-BP در عمل معقول و قابل اعتماد هستند.

4.2. شبیه سازی عددی هیدرودینامیک دریاچه دونگهو

اولین مرحله شبیه‌سازی کیفیت آب هیدرودینامیکی مستلزم تعمیم دیجیتال توپوگرافی آب واقعی به عنوان مبنای مدل‌سازی است. در این مطالعه، یک مدل هیدرودینامیکی دریاچه دونگو بر اساس ماژول MIKE21 FM ایجاد شد. مراحل اصلی عبارتند از: (1) تهیه داده های توپوگرافی و عمق سنجی برای تعیین منطقه محاسبه شده. (2) تقسیم مش های بدون ساختار با استفاده از ژنراتور مش. (3) ایجاد فایل سری زمانی به عنوان شرایط مرزی مدل. (4) راه اندازی فایل هیدرودینامیکی، پارامترها و ذخیره شبیه سازی در حال اجرا. و (5) پس از پردازش نتایج (کالیبراسیون پارامتر و اعتبار مدل).

4.2.1. تقسیم گرید منطقه مطالعاتی

زمین دریاچه دونگهو بر اساس یک ژنراتور مش بدون ساختار از MIKE ZERO تقسیم شد. مش بدون ساختار یک شبکه المان محدود است که از هر مثلث یا چهار ضلعی تشکیل شده است. اندازه، شکل و موقعیت گره سلول های شبکه را می توان به طور انعطاف پذیر تنظیم کرد. در مقایسه با یک شبکه ساخت یافته، سازگاری بیشتری با مرزهای پیچیده دارد و بنابراین می تواند تناسب بهتری با زمین ایجاد کند.

در این مطالعه، یک شبکه مثلثی بدون ساختار برای تقسیم منطقه زمین دریاچه دونگهو استفاده شد. فرآیند تقسیم خاص شامل انتخاب یک منطقه شبیه‌سازی، تعیین وضوح شبکه زمین، تعریف مرز باز در مرز زمین، تولید مش، هموارسازی و محاسبه اختلاف زمین بود. نتیجه تقسیم مش مثلثی در شکل 6 نشان داده شده است .

داده‌های مرزی زمین مورد نیاز از پیش پردازش داده‌های برداری GIS از دریاچه دونگهو به دست می‌آید. پس از معرفی مرز توپوگرافی، راس مرزی مجدداً توزیع شد (با توجه به وضعیت واقعی حوضه دریاچه دونگو؛ فاصله بین دو راس 80 متر تعیین شد) و مرز هموار شد. در نهایت حداکثر مساحت و حداقل زاویه شبکه 5000 متر مربع ^و 30 متر مربع ^{تعریف شد.}به ترتیب، به منظور جلوگیری از یک شبکه مثلثی منطقه ای ناموفق. پس از ذخیره تنظیمات، برای تولید حوزه محاسباتی شبکه بدون ساختار حوضه دریاچه دونگهو (11823 واحد محاسباتی مثلثی و 6462 راس شبکه) اجرا شد. سپس با هموارسازی حوزه شبکه مثلثی (60 تکرار هموارسازی) واحدهای محلی بهینه شدند و مثلث های شبکه تا حد امکان به مثلث های متساوی الاضلاع نزدیک شدند. بر این اساس، داده‌های عمق‌سنجی باینری وارد شد و روش همسایگی طبیعی (که تقریب هموارتری برای تابع «واقعی» پایه ارائه می‌کند و از روش درونیابی نزدیک‌ترین همسایه سودمندتر است) برای پردازش درونیابی عمق‌سنجی به کار گرفته شد. سرانجام،

4.2.2. شرایط مرزی اولیه

دوره شبیه سازی از ساعت 00:00 در 15 نوامبر 2017 تا ساعت 00:00 ساعت در 17 دسامبر 2017 تعریف شده است. در مجموع 32 روز مقدار اولیه سطح آب به عنوان مقدار متوسط سالانه سطح آب دریاچه دونگهو (19.15 متر) و سرعت جریان اولیه 0 متر بر ثانیه تعیین شد. با اشاره به طرح برنامه ریزی انحراف آب بهینه در “گزارش تحقیقات امکان سنجی در مورد پروژه شبکه آب زیست محیطی دریاچه دونگهو در شهر ووهان، استان هوبی” [ 21 ]، بندر Qingshan در سمت شمال غربی دریاچه Donghu و کوچه Zengjia در جنوب غربی سمت به عنوان دروازه های انحرافی در نظر گرفته شد. کانال Dongshahu و بندر Donghu ورودی دریاچه بودند. خندق Xin و کانال Jiufeng خروجی برای تعیین مرز هیدرودینامیکی بودند.

مکان های مربوط به مکان های فوق به عنوان مرز باز تعیین شد. بندر Donghu و کانال Dongshahu به عنوان مرز باز آب ورودی (مقادیر کد 2 و 3) و کانال Jiufeng و خندق Xin به عنوان مرز باز آب خروجی تعیین شدند (مقادیر کد 4 و 5 ). شرایط اولیه برای هر شبکه مثلثی در شبیه سازی مدل هیدرودینامیکی تنظیم شد.

انواع مرزها به طور عمده به مرز جریان و مرز سطح آب تقسیم شدند. مقادیر ثبت‌شده سری زمانی مرز سطح آب عمدتاً از سیستم استعلام اطلاعات آب و باران استان هوبی و بولتن داده‌های دفتر بررسی هیدرولوژیک ووهان آمده است.

از آنجایی که دوره تحقیق زمستان بود، مشخص نیست که آیا جریان انحراف و زهکشی مطابق با طرح بهینه سازی اجرا شده است یا خیر، بنابراین به عنوان تصفیه مرزی سطح آب تعیین شد. به دلیل کمبود ایستگاه های سطح آب در دریاچه دونگهو، به دست آوردن دقیق داده های سطح آب در یک سری زمانی طولانی دشوار است. در این مطالعه، برخی از نقاط مرزی با درونیابی MIKE بر اساس مقدار متوسط سطح آب پردازش شدند و مدل در قالب داده DFS1 وارد شد.

4.2.3. تنظیم پارامتر

پارامترهای اصلی تنظیم شده در مدل هیدرودینامیکی شامل فرمول معادله حاکم، عمق آب مرز خشک و مرطوب، ضریب ناهمواری کف دریاچه، ضریب مانینگ، عمل باد (عمدتا سرعت و جهت باد)، منبع و سینک جریان، و داده های سری زمانی. روش دقیق مرتبه اول سریع در معادله آب کم عمق هیدرودینامیکی انتخاب شد. طول گام اصلی شبیه سازی مدل 2 ساعت (7200 ثانیه) بود. تعداد کل مرحله زمانی 384 بار بود. و مقدار Courant number (CFL) 0.85 تعیین شد. مرزهای خشک و مرطوب در منطقه مدل وجود دارد که به عنوان مقدار پارامتر پیش فرض تنظیم شده است (عمق آب خشک 0.005 متر، عمق آب غوطه ور 0.05 متر، و عمق آب مرطوب 0.1 متر بود).

داده‌های باد عمدتاً از وب‌سایت جهانی هواشناسی (وب‌سایت NOAA) از 15 نوامبر تا 17 دسامبر به دست آمد. ایستگاه هواشناسی واقع در نزدیکی دریاچه دونگهو در سمت شمالی رودخانه یانگ تسه انتخاب شد (پایش هر 3 ساعت؛ داده‌های ناقص و داده‌های غیرعادی با توجه به پرس و جوهای تاریخی شبکه هواشناسی چین تکمیل و تصحیح شدند). داده های موجود شامل سرعت و جهت باد بود که در قالب فایل باینری DFS0 وارد مدل شد. اصطکاک باد به عنوان تابعی از سرعت باد تنظیم شد.

τ¯س=ρآسید|توس|تو¯w

(5)

جایی که ρآچگالی هوا است. سیدنیروی کشش هوا است. توسسرعت باد است تو¯w= ( توw،vw) سرعت باد است که در 10 متر بالاتر از سطح دریا اندازه گیری می شود.

مرزهای شرایط منبع و سینک در طول شبیه‌سازی کیفیت آب تعیین شد. پارامترهای هیدرودینامیکی خاص در جدول 3 نشان داده شده است.

4.2.4. کالیبراسیون و اعتبارسنجی پارامترهای مدل

پس از تنظیم پارامترهای فوق، مدل عددی هیدرودینامیکی اجرا شد و نتایج در فرمت فایل توالی صفحه دو بعدی (DFSU) تولید شد. ابزار استخراج داده MIKE برای استخراج اطلاعات در نقطه تأیید مشخص شده از نتیجه خروجی برای اعتبارسنجی مدل و کالیبراسیون پارامتر استفاده شد. خروجی آب خندق شین در دریاچه دونگو به عنوان نقطه تأیید انتخاب شد. مقادیر سطح آب و سرعت اندازه‌گیری‌شده در سایت انتخاب‌شده تأیید شد (با اشاره به داده‌های منتشر شده توسط دفتر هیدرولوژی هوبی)، و ابزار ترکیب نمودار MIKE برای تجزیه و تحلیل آماری استفاده شد. نتایج در شکل 7 نشان داده شده است.

از مقایسه بین داده های سرعت واقعی و شبیه سازی شده در شکل 5 ، می توان دریافت که روند داده های شبیه سازی شده مطابق با واقعیت است، اما مقدار نسبتا کوچک منجر به خطای بزرگی می شود. طبق محاسبات، خطا بیش از 40 درصد است. سطح آب مطابق با روند غرب-بالا شرق-پایین زمین دریاچه دونگهو است، اما سطح آب به طور غیرعادی بالا در نقطه دیدنی لویان وجود دارد. بنابراین مدل نیاز به کالیبراسیون پارامتر دارد. خطای سرعت را می توان با کاهش نیروی اصطکاک در کف دریاچه، یعنی افزایش مقدار ثابت ضریب مانینگ (تغییر به 42) یا کاهش مقدار ضریب ویسکوزیته گردابی (0.29) اصلاح کرد. نتایج تأیید سرعت جریان اصلاح شده در نشان داده شده استشکل 8 و نتایج تایید سطح آب در شکل 9 نشان داده شده است. همانطور که از شکل ها مشخص است، میانگین مقدار خطای نسبی سطح آب کمتر از 15 درصد و میانگین مقدار خطای نسبی سرعت جریان کمتر از 25 درصد از 17 دسامبر تا 15 دسامبر (گام زمانی: 1 ساعت) است. . اثر شبیه‌سازی اساساً با وضعیت واقعی جریان آزاد در سطح دریاچه دونگهو مطابقت دارد.

4.3. شبیه سازی عددی کیفیت آب دریاچه دونگهو با وارونگی سنجش از دور

4.3.1. تنظیم اولیه

(1) تنظیمات اولیه شرایط مرزی

آلاینده‌های موجود در دریاچه دونگهو عمدتاً از مناطق مسکونی اطراف می‌آیند، از جمله آلودگی منبع نقطه‌ای، آلودگی منبع غیر نقطه‌ای و آلودگی درون‌زا. آلودگی منبع غیر نقطه ای عمدتاً از آلاینده های خارجی ناشی از بارندگی، رواناب، رسوب اتمسفر و غیره ناشی می شود. آلودگی درون زا عمدتاً به دلیل انتشار آلاینده از رسوبات کف و آلودگی طعمه ای پرورش آبزیان ماهیگیر ایجاد می شود. از آنجایی که این کار شبیه‌سازی در مدت زمان نسبتاً کوتاهی و نزدیک به زمستان انجام شد، دریاچه دونگهو در دوره‌ای خشک و فاقد باران بود. اصطلاح آلودگی منبع نقطه ای عمدتاً به عنوان یک شرایط مرزی کیفیت آب ایجاد می شود که آلودگی منبع غیر نقطه ای ناشی از بارندگی و رسوب اتمسفر را حذف می کند. آلودگی منبع غیر نقطه ای بر اساس اطلاعات کاربری اراضی، بارندگی و رواناب اطراف دریاچه محاسبه شد که نیاز به جمع آوری داده های با کیفیت بالا داشت. بر اساس گزارش خروجی فاضلاب شرکت توسعه زهکشی شهری ووهان و گزارش کیفیت آب شهر ووهان، دو تصفیه خانه بزرگ فاضلاب در دریاچه دونگهو وجود دارد. اینها کارخانه فاضلاب Lubuzui و کارخانه فاضلاب Longwangzui (کانال باز Jiufeng) هستند، با ایستگاه های تصفیه فاضلاب محیطی کوچک اضافی که عمدتاً در منطقه جنوب غربی دریاچه Donghu توزیع شده اند. در این مطالعه، با پیگیری وضعیت واقعی هر دریاچه فرعی و داده‌های شاخص کیفیت آب مربوط به آن در دوره شبیه‌سازی، آلودگی منبع نقطه‌ای دریاچه دونگو ابتدا به ۷ منبع فاضلاب تعمیم داده شد.22 ] و داده های تحقیق موجود [ 23 ]، مقادیر تخمین بار هر شاخص آلودگی (شامل COD، BOD، TP و TN) در منبع آلودگی تعمیم یافته به دست آمد.

ماژول کیفیت آب (WQ) مدل ECO Lab در این تحقیق برای شبیه‌سازی کیفیت آب دریاچه دونگو استفاده شد و شاخص‌های این مدل شامل BOD، کلروفیل a، DO، نیترات نیتروژن، فسفر ارتوفسفات و غیره بود. هزینه اندازه گیری نیترات نیتروژن و ارتوفسفات بالا بود، بنابراین نسبت (TP و TN) در شاخص بار آلودگی (نیتروژن نیتروژن 20٪ و ارتوفسفات 25٪) را بر اساس نتایج تحقیقات موجود تعیین کردیم [ 24 ].]، به منظور تعیین مقدار تنظیم شده و وارد کردن آن به مدل کیفیت آب. علاوه بر این، شرایط مرزی و غلظت‌های اولیه شاخص‌های آلودگی برای هر منبع و ترم سینک در ترکیب با مقدار غلظت اندازه‌گیری شده (BOD، کلروفیل a، DO) شاخص کیفیت آب دریاچه دونگهو در 15 نوامبر 2016 تنظیم شد.

(2) تنظیم پارامتر

بر اساس مدل هیدرودینامیک تکمیل شده (FM)، مدل سازی WQ با مواد مغذی و کلروفیل، یک الگو از مدل کیفیت آب آزمایشگاه ECO اضافه شد. کلروفیل a، نیترات نیتروژن و نیتریت به عنوان شاخص های اصلی برای شبیه سازی کیفیت آب انتخاب شدند. شبیه سازی در 15 نوامبر 2017 با گام زمانی 2 ساعت و فاصله زمانی 384 گام آغاز شد. در میان آنها، تنظیم ضرایب انتشار و تجزیه آلاینده، و همچنین برخی از پارامترهای ثابت و پارامترهای نیرو، به مقادیر تجربی تاریخی اشاره دارد [ 25 ]. مقادیر خاص در جدول 4 نشان داده شده است.

(3) کالیبراسیون و اعتبارسنجی مدل

کالیبراسیون پارامتر مدل عددی کیفیت آب عمدتاً شامل تنظیم ضریب انتشار، ضریب تضعیف و نرخ واکنش بیوشیمیایی مربوط به پارامتر آلودگی بر اساس نتایج شبیه‌سازی بود. پس از تنظیم اولیه پارامترهای فوق، شبیه‌سازی کیفیت آب برای دوره مطالعه دریاچه دونگهو (مدت اجرای مدل 75 دقیقه) برای به دست آوردن نتایج شبیه‌سازی غلظت شاخص اصلی آلودگی آب (کلروفیل a، نیترات نیترات، آمونیاک، فسفر ارتوفسفات) و میدان جریان هیدرودینامیکی. بر اساس تجزیه و تحلیل جامع، نتایج شبیه‌سازی کلروفیل a خطای زیادی را نشان داد و نتایج شبیه‌سازی نیترات نیتروژن و فسفر ارتوفسفات با وضعیت واقعی مطابقت نسبتاً خوبی داشت. اما تغییرات فضایی محلی بزرگی نیز وجود داشت. دلیل ممکن است این باشد که نرخ انتشار کیفیت آب بسیار بالا و نرخ تخریب آلاینده بسیار پایین تنظیم شده است. بنابراین، لازم بود که پارامترهای اصلی مدل جفت مجدد کالیبره شوند و نتایج نهایی نشان داده شده استجدول 5 .

با استفاده از کلروفیل a به عنوان مرجع، اثر شبیه سازی پس از کالیبراسیون پارامتر مورد تجزیه و تحلیل قرار گرفت. نتایج مقایسه در شکل 10 نشان داده شده است. نتایج شبیه‌سازی پس از کالیبراسیون پارامتر با نتایج قبلی مقایسه شد و اطلاعات مکانی تا حدودی بهبود یافت. نتایج شبیه‌سازی در نزدیکی دریاچه میوه و بیمارستان لیوان با توزیع فضایی در منطقه واقعی سازگار بود.

محدوده غلظت در برخی مناطق محلی تصحیح شده است زیرا نتایج شبیه سازی در Miaohu، Yujia Lake و جاهای دیگر بسیار فراتر از محدوده واقعی بود. کالیبراسیون شبیه سازی به خوبی با وضعیت واقعی مطابقت دارد.

4.3.2. بهینه سازی تنظیمات بر اساس سنجش از راه دور

(1) بهینه سازی میدان غلظت اولیه کیفیت آب بر اساس وارونگی سنجش از دور

در این مطالعه، داده‌های اندازه‌گیری شده با TN در دریاچه دونگهو در 15 نوامبر و 17 دسامبر برای آزمایش و تأیید مدل رگرسیون GA-BP (مدل وارونگی سنجش از دور شبکه عصبی BP بهینه‌سازی شده توسط GA) مورد استفاده قرار گرفت. نتایج آمار رگرسیون نشان می دهد که ضریب همبستگی (R) = 0.88، ضریب تعیین کننده ( ^R2) = 0.78 و خطای ریشه میانگین مربع (RMSE) = 1.49. دقت شبیه سازی الزامات را برآورده می کند. بنابراین، برای وارونگی غلظت نیتروژن کل در دریاچه دونگو برای به دست آوردن توزیع میدان غلظت اولیه اعمال شد. نتایج نشان می‌دهد که توزیع فضایی کلی غلظت وارونگی TN معقول است و هر منطقه زیر دریاچه با وضعیت واقعی سازگار است که قابلیت اطمینان مدل را تأیید می‌کند. نتیجه آماری در شکل 11 نشان داده شده است . بر این اساس، میدان غلظت اولیه فضایی TN به دست آمد.

(2) بهینه سازی منبع آلودگی بر اساس سنجش از دور

آلودگی منبع نقطه ای تأثیر زیادی بر کیفیت آب دریاچه دونگهو دارد. تنظیم منابع آلودگی در مدل عددی نیز برای نتایج شبیه‌سازی بسیار مهم است. هرچه اطلاعات منبع دقیق تر باشد، نتایج شبیه سازی دقیق تر و قابل اعتمادتر خواهد بود. بنابراین، همانطور که در شکل 12 نشان داده شده است، همزمان با تکمیل میدان غلظت اولیه پس زمینه، از نتایج وارونگی نیز می توان برای غنی سازی اطلاعات منبع آلودگی محلی استفاده کرد . تعداد منابع آلودگی فضایی تعمیم یافته از 7 به 13 افزایش یافته است. داده های اندازه گیری شده قبلی محدود هستند و نمی توان آنها را به طور خاص پوشش داد.

(3) بهینه سازی شرایط اولیه مدل کیفیت آب بر اساس سنجش از دور

شاخص های کیفیت آب، کلروفیل a و نیترات نیتروژن به عنوان داده های تکمیلی اصلی در نظر گرفته شد. برای به دست آوردن مقدار غلظت شاخص کیفیت آب در زمان اولیه مدل از وارونگی سنجش از دور به عنوان میدان اولیه این شاخص استفاده شد.

ابزار ویرایش عنصر ArcGIS برای انتخاب مقادیر شاخص کیفیت آب مربوط به هر منطقه معمولی برای به دست آوردن داده‌های وارونگی سنجش از دور بهینه مرحله اولیه شبیه‌سازی (15 نوامبر 2017) با توجه به توزیع فضایی آنها استفاده شد. این ورودی در ناحیه همگام سازی دامنه سطح محاسبه MIKE (DFSU) بود، و پردازش درونیابی محلی برای تکمیل و بهبود میدان غلظت اولیه دو شاخص کیفیت آب، همانطور که در شکل 13 نشان داده شده است، انجام شد .

5. نتایج و بحث

فرآیند شبیه‌سازی هیدرودینامیکی و کیفیت آب با استفاده از داده‌های بهینه‌سازی شده با و بدون داده‌های سنجش از دور تکمیل شد. سپس مقایسه افقی انجام شد ( شکل 14 را ببینید ).

شاخص های اصلی اوتروفیکاسیون (کلروفیل a و نیتروژن نیترات) برای تجزیه و تحلیل انتخاب شدند و نتایج آماری تأیید در جدول 4 نشان داده شده است.

از توزیع مکانی نتایج در شکل 11 و جدول 6 بالا، نتایج شبیه‌سازی مدل کیفیت آب پس از افزایش میدان غلظت اولیه پس‌زمینه و اطلاعات منبع آلودگی، از نظر مکانی بهینه شد. اطلاعات محلی فراوان‌تر و توزیع معقول‌تر بود، که تأثیر خطای مدل ناشی از فقدان مقادیر اندازه‌گیری شده در برخی مناطق را جبران می‌کرد. جدول 7میانگین مقادیر خطای نسبی 13 نقطه تأیید مجدد محاسبه شده را نشان می دهد. در نتایج محاسبات مشاهده می شود که میانگین خطای نسبی شبیه سازی مدل کیفیت آب پس از تکمیل داده ها با وارونگی کوچکتر شده است. MSE شبیه سازی کلروفیل a از 19% به 17% کاهش یافت و MSE شبیه سازی نیتروژن نیترات از 31% به 24% کاهش یافت. دقت مدل بهبود یافته و نقاط پرت در مدل اصلی تا حدودی اصلاح شد. به عنوان مثال، خطای نسبی شبیه سازی نیتروژن نیترات در نقطه تأیید Yujiahu از 71٪ به 11.5٪ کاهش یافت. نتایج محاسبه‌شده امکان‌سنجی وارونگی سنجش از دور برای بهینه‌سازی شبیه‌سازی کیفیت آب از دیدگاه آماری را نشان می‌دهد.

6. نتیجه گیری

در این مطالعه از دریاچه دونگهو، یک الگوریتم هوشمند اکتشافی در زمینه وارونگی سنجش از دور تجربی استفاده شده است و یک مدل الگوریتم شبکه عصبی BP بهبود یافته بر اساس الگوریتم ژنتیک (GA) پیشنهاد شده است. بر اساس کیفیت آب و داده های طیفی اندازه گیری شده از دریاچه دونگهو، رابطه برازش رگرسیون غیرخطی بین داده های اندازه گیری شده کلروفیل a و بازتاب طیفی باند موج با استفاده از الگوریتم بهینه سازی و مدل وارونگی غلظت کلروفیل a ایجاد شد. در Donghu آب دریاچه تاسیس شد. آمار نشان می دهد که نتایج شبیه سازی مدل از دقت بیشتری برخوردار است و مدل وارونگی سازگاری بالاتری با تعمیم هر دوره از داده ها دارد.

نتایج شبیه‌سازی عددی کیفیت آب بر اساس داده‌های اندازه‌گیری سنتی کافی نیست و نتایج شبیه‌سازی در اطلاعات مکانی ضعیف هستند. نتایج شبیه‌سازی کیفیت آب به‌دست‌آمده با استفاده از مدل وارونگی سنجش از دور GA-BP دارای حساسیت نوری فضایی است و می‌تواند به طور منطقی توزیع منطقه‌ای غلظت شاخص کیفیت آب در دریاچه دونگو را نشان دهد. بر این اساس، با ترکیب مزایای این دو، شاخص های کلروفیل a و نیتروژن نیترات انتخاب شدند و مناطق فاقد داده های اندازه گیری شده با مقادیر وارونگی تکمیل شدند. پس از بهینه سازی، MSE شبیه سازی شده شاخص کلروفیل a به 17.8 درصد کاهش یافت و MSE نیتروژن نیترات به 24.9 کاهش یافت. علاوه بر این، خطای ناهنجاری محلی تصحیح شد و نتایج شبیه‌سازی فضایی معقول‌تر است.

منابع

آهنگ، ن. بای، ال. خو، اچ. جیانگ، H. تفاوت ترکیب مواد آلی محلول حاصل از بستر ماکروفیت با تجزیه نوری و تجزیه زیستی: نقش گونه‌های اکسیژن فعال بر روی جزء نسوز. Chemosphere 2020 , 242 , 125155. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کین، بی. گائو، جی. زو، جی. ژانگ، ی. آهنگ، ی. تانگ، ایکس. خو، اچ. دنگ، جی. اوتروفیکاسیون دریاچه و پاسخ اکوسیستم آن. چانه. علمی گاو نر 2013 ، 58 ، 961-970. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ویچون، MA; Zhang, C. شبیه سازی عددی کیفیت آب نهر سوژو بر اساس GIS. Acta Geographica Sinica 1998 , 53 (Suppl. 6), 66-75. [ Google Scholar ]
شیائو، سی. لیانگ، ایکس. دو، سی. زی، اس. نیش، ز. ما، ز. فنگ، بی. تیان، زی. شبیه سازی عددی و اقدامات بهبود کیفیت آب در دریاچه یانگ شاپائو. در مجموعه مقالات سومین کنفرانس بین المللی 2009 در بیوانفورماتیک و مهندسی بیومدیکال، پکن، چین، 11 ژوئن 2009. صص 1-4. [ Google Scholar ]
مانو، ا. Malve، O.; کوپونن، اس. کالیو، ک. تاسکینن، آ. روپونن، جی. جونتونن، ج. Liukko، N. جذب داده های ماهواره ای به مدل هیدرودینامیکی سه بعدی دریاچه Säkylän Pyhäjärvi. علوم آب تکنولوژی 2015 ، 71 ، 1033-1039. [ Google Scholar ] [ CrossRef ] [ PubMed ]
پنگ، اس. فو، جی. ژائو، ایکس. مور، BC ادغام مدل کد دینامیک سیالات محیطی (EFDC) با پلت فرم سیستم اطلاعات جغرافیایی (GIS) و کاربردهای آن. جی. محیط زیست. آگاه کردن. 2011 ، 17 ، 75-82. [ Google Scholar ] [ CrossRef ]
جیا، اچ. ژانگ، ی. Guo، Y. توسعه یک مدل اکودینامیک جلبکی چند گونه برای سیستم های آب سطحی شهری و کاربرد آن. Ecol. مدل. 2010 ، 221 ، 1831-1838. [ Google Scholar ] [ CrossRef ]
وو، جی. Xu, Z. پیش‌بینی شکوفایی جلبک با استفاده از مدل EFDC: مطالعه موردی در دریاچه Daoxiang. Ecol. مدل. 2011 ، 222 ، 1245-1252. [ Google Scholar ] [ CrossRef ]
هوانگ، ام. Tian, Y. یک سیستم مدل‌سازی گرافیکی یکپارچه برای شبیه‌سازی سه بعدی هیدرودینامیکی و کیفیت آب در دریاچه‌ها. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 18. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
صفا، ح. عصام، اول. شناسایی و ارزیابی آب های زیرزمینی در واحه سیوا، مصر با استفاده از تجزیه و تحلیل داده های هیدروژئوشیمیایی و سنجش از دور. محیط زیست آب Res. 2018 ، 90 ، 465-478. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ژو، Q. تیان، ال. وای، اوو. لی، جی. سان، ز. لی، دبلیو. نظارت با فرکانس بالا تغییرات رسوب معلق برای ارزیابی کیفیت آب در خلیج عمیق، مصب رودخانه مروارید، چین: عوامل تأثیرگذار و پیامدهای استراتژی نمونه‌برداری. Water 2018 , 10 , 323. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کوپونن، اس. پولیانن، جی. کالیو، ک. Hallikainen، M. طبقه بندی کیفیت آب دریاچه با طیف سنج ابرطیفی هوا و داده های MERIS شبیه سازی شده است. سنسور از راه دور محیط. 2002 ، 79 ، 51-59. [ Google Scholar ] [ CrossRef ]
زو، ی. زو، ال. لی، جی. چن، ی. ژانگ، ی. هو، اچ. جو، ایکس. Zhang, Y. مطالعه وارونگی کلروفیل a در Taihu بر اساس تصویر GF-1 WFV و شبکه عصبی BP. Acta Scientiae Circumstantiae 2017 ، 37 ، 130-137. [ Google Scholar ]
شی، ر. ژانگ، اچ. یو، آر. ژانگ، ایکس. وانگ، ام. Shi، W. یک نظریه موجک مبتنی بر وارونگی سنجش از دور غلظت کلروفیل a برای دریاچه های داخلی در مناطق خشک با استفاده از داده های تصویر TM. Acta Ecol. گناه 2017 ، 37 ، 1043-1053. [ Google Scholar ]
کائو، ی. بله، ی. ژائو، اچ. جیانگ، ی. وانگ، اچ. وانگ، جی. روشهای مدلسازی گروهی برای بازیابی سنجش از دور پارامترهای کیفیت آب در آبهای داخلی. محیط زیست چین علمی 2017 ، 37 ، 3940-3951. (به زبان چینی) [ Google Scholar ]
وانگ، جی. چنگ، اس. جیا، اچ. وانگ، ز. تانگ، U. یک مدل شبکه عصبی مصنوعی برای وارونگی رنگ دریاچه با استفاده از تصاویر TM. محیط زیست علمی 2003 ، 24 ، 73-76. (به زبان چینی) [ Google Scholar ]
چانگ، NB; ژوان، ز. Yang, YJ بررسی الگوهای مکانی-زمانی غلظت فسفر در یک خلیج ساحلی با تصاویر MODIS و مدل‌های یادگیری ماشین. سنسور از راه دور محیط. 2013 ، 134 ، 100-110. [ Google Scholar ] [ CrossRef ]
حاجیقلی زاده، م. Melesse, AM; Fuentes، فرسایش منابع انسانی و مدل‌سازی انتقال رسوب در آب‌های کم عمق: مروری بر رویکردها، مدل‌ها و کاربردها. بین المللی جی. محیط زیست. Res. سلامت عمومی. 2018 ، 15 ، 518. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
چن، کیو. هوانگ، ام. تانگ، X. ارزیابی اتروفیکاسیون دریاچه‌های شهری فصلی در حوضه رودخانه یانگ تسه چین با استفاده از شاخص Forel-Ule مشتق از Landsat 8: یک مشاهده شش ساله (2013-2018). در دسترس آنلاین: https://www.sciencedirect.com/science/article/pii/S0048969719353859 (در 22 آوریل 2019 قابل دسترسی است).
پیشرفت تحقیقات Luo، YX در مورد کیفیت زیست محیطی منابع آب در دریاچه دونگو ووهان. J. Green Sci. تکنولوژی 2018 ، 58–60. (به زبان چینی) [ Google Scholar ]
موسسه بررسی و طراحی منابع آب و انرژی آبی هوبی. گزارش مطالعات امکان سنجی ساخت پروژه اتصال شبکه آب شبکه آب زیست محیطی دریاچه دادونگ در ووهان، استان هوبی. محیط زیست M. مانیتور مطالعه. 2010 . (به زبان چینی) [ Google Scholar ]
دفتر اکولوژی و محیط زیست ووهان. کیفیت محیطی آب های سطحی در ووهان در دسامبر 2017. موجود به صورت آنلاین: https://hbj.wuhan.gov.cn/hbDbsjcbg/28411.jhtml73107479-1/2018-00058 (در 17 آوریل 2019 در دسترس است).
شبیه سازی کیفیت آب Guo، XR دریاچه شرقی در شهر ووهان بر اساس هیدرودینامیک. پایان نامه کارشناسی ارشد، دانشگاه صنعتی شیان، شیان، چین، 2018. (به زبان چینی). [ Google Scholar ]
Jing, Z. شبیه‌سازی عددی محیط آب دریاچه و محاسبات موازی جریان‌های غیر هیدرواستاتیک. موجود به صورت آنلاین: https://gb.oversea.cnki.net/KCMS/detail/detail.aspx?filename=1017145957.nh&dbcode=CDFD&dbname=CDFDREF (در 12 آوریل 2019 قابل دسترسی است).
لی، X. مکانیسم مهاجرت و تبدیل نیتروژن در رسوبات کم عمق دریاچه. دکتری پایان نامه، دانشگاه تیانجین، تیانجین، چین، 2012. (به زبان چینی). [ Google Scholar ]