1.本发明涉及水质预测
技术领域：
：，具体涉及一种基于连续和分级混合数据的水质快速预测方法。
背景技术：
：：2.随着社会经济发展和人类排污活动的增加，水体污染已经成为制约我国社会可持续发展和人民优质生活追求的重要因素。然而，随着地区之间社会经济联系的不断加强以及气候变化的影响，我国的水环境演变呈现跨区域、多因素耦合影响的复杂变化，单一水样或者河段的水质预测和水环境治理已逐渐不能满足要求，亟需大空间范围多影响因素的水质综合预测。3.传统的水质预测方法主要包括数值模拟方法和数理统计方法。然而，由于流域水动力过程和污染物水化学过程的复杂性，水体污染物的迁移转化机理还不完全清楚，导致数值模拟的精确度不高。此外，数值模拟方法的计算量大，在大范围应用上具有一定的困难。在数理统计方法方面，虽然计算量数值模拟方法低，但对数据时序性、连续性以及正态分布的要求严格，建模相对困难，应用性不强。4.与此同时，现有的基于深度学习的水质预测方法要是基于循环神经网络，比如长短期记忆模型(lstm)，一般根据历史的水质数据预测未来的水质变化，往往只考虑单个水质指标的变化趋势或者水质指标之间的影响，未能考虑社会经济等外部因素对水质变化的影响，因此导致此类预测方法在决策者水环境治理决策和经济社会发展规划中的支撑作用不足，实用性不高。5.此外，由于人类社会经济系统的复杂性，与水质相关的社会经济指标很多，包括gdp、人口、粮食产量、耕地面积、排污量、污水处理程度等等，在流域社会经济数据统计中常常面临某个时段或者某个区域的数据缺失或者统计不全。本发明采用社会经济分类等级数据进行水质预测，避免了社会经济统计数据缺失的问题，可不需要准确的社会经济指标数值，仅使用社会经济指标的等级数据即可进行水质预测，实用性更强。技术实现要素：6.为解决
背景技术：
：中水质预测方法的单一性，应用性不强以及仅采用单一指标进行预测，实用性不高的缺点，本发明提供一种基于连续和分级混合数据的水质快速预测方法。该方法融合了社会经济分类等级数据，具有计算速度快、运行效率高的优点。7.为实现上述目的，本发明的基于分类数据深度学习的流域水质快速预测方法的技术方案为：8.一种基于连续和分级混合数据的水质快速预测方法，包括以下步骤：9.s1、确定流域范围及其内部分区，所述内部分区包括子流域分区和行政区分区；10.s2、确定流域在预测时段内的气象参数，接着将所述气象参数转换为子流域气象数据；所述气象参数包括t时刻i气象点观测的降雨、蒸发和气温数据；11.s3、确定子流域在预测时段内的社会经济参数，生成子流域的社会经济参数集合；12.s4、确定子流域水质参数；13.s5、对子流域社会经济参数集合中的数据进行等级分类；14.s6、将等级分类的社会经济参数进行热编码，形成社会经济参数的热编码矩阵；15.s7、对气象参数和水质参数进行标准化处理；16.s8、在社会经济参数的热编码矩阵和标准化的子流域气象数据、水质参数中划分训练集和测试集；17.s9、构建全连接深度学习神经网络，并定义损失函数和迭代优化算法；18.s10、将训练集输入到深度学习神经网络中得到训练后的深度学习神经网络，接着将测试集输入到训练后的深度学习神经网络得到预测的水质参数；将预测的水质参数与实测的水质参数进行对比，调整模型参数，最终储存符合精度要求的深度学习神经网络及其参数数据；19.s11、选取流域某一时段的气象和社会经济数据，输入到s10中存储的深度学习神经网络，预测得到所有子流域在该时段的水质参数。20.进一步地，步骤s2更具体为：21.s21、气象站点获取预测时段内的降雨、蒸发和气温数据；22.s22、根据气象站点的经纬度坐标制作气象站点空间分布图，并将每个站点、每个时段的降雨、蒸发和气温数据导入到站点分布图的属性表中；23.s23、以整个流域为边界，采用克里金插值法对每个站点的气象数据进行空间插值，生成每个时段流域降雨、蒸发和气温的栅格数据，并存储到地理空间数据库中；24.s24、以子流域为范围，计算每个子流域范围内所有栅格的降雨、蒸发和气温数据的平均值，得到子流域的气象参数。25.进一步地，所述社会经济参数包括土地利用面积、常住人口、gdp、人均gdp、人口密度、粮食产量、城市污水处理率。26.进一步地，步骤s3更具体为：27.s31、获取预测时段内土地利用面积、常住人口、gdp、人均gdp、人口密度、粮食产量、城市污水处理率的社会经济参数；28.s32、将s31中的社会经济参数转换为子流域的相关参数；29.s33、生成子流域的社会经济参数集合。30.进一步地，所述水质参数包括地表水的溶解氧、cod锰、氨氮、总磷、总氮的浓度值；步骤s4更具体为：31.s41、确定所有子流域内河道水质监测站点的经纬度坐标以制作水质观测站点的空间分布图，接着将每个河道水质观测站点、每个时段的水质指标数据导入到站点分布图的属性表中；32.s42、计算子流域河道中的水质分布；33.s43、以子流域为范围，计算每个子流域范围内河道水质的平均值，作为子流域的水质参数。34.进一步地，步骤s42更具体为；35.s421、搜集整个流域内五级以上河流的河网数据；36.s422、以流域河网为边界，采用反距离权重法对站点每个时段的水质数据进行空间插值，生成沿着河流的、每个时段的水质栅格数据，并存储到地理空间数据库中。37.进一步地，所述土地利用面积包括耕地、林地、草地、水域、城市和居民用地、未利用土地的利用面积；步骤s5更具体为：为耕地、林地、草地、水域、城市和居民用地、未利用土地的面积以及常住人口、gdp、粮食产量、人均gdp、人口密度和城市污水处理率的社会经济参数的等级阈值，计算各社会经济变量的等级数值，形成社会经济等级变量。38.进一步地，步骤s6更具体为：39.s61、将每个子流域、每个时段的社会经济等级变量转换为0‑1行向量；行向量的长度为该社会经济变量的分级总数n，即行向量为1行n列；行向量中，对应该社会经济等级变量等级数值n的第n列，取值为1；行向量中其余元素取值为0；40.s62、构建社会经济等级变量的热编码0‑1矩阵。41.进一步地，步骤s8更具体为：将子流域气象数据和社会经济数据的热编码0‑1矩阵合并成一个数字矩阵，作为深度学习神经网络的输入数字矩阵；将子流域水质参数转化为数字矩阵，作为深度学习神经网络的输出标签矩阵；接着将输入数字矩阵和输出标签矩阵中70％的行做训练集，30％的行做测试集。42.进一步地，所述深度学习神经网络的参数包括网络隐藏层数量k、每个隐藏层的节点数目n、激活函数、损失函数、准确率计算函数、学习率、批量大小、最大迭代次数和节点随机丢弃比率；所述深度学习神经网络采用四层隐藏层；每层的激活函数采用selu函数；第四隐藏层采用节点随机丢弃机制；43.所述定义损失函数和迭代优化算法，更具体为：损失函数采用均方误差mse，准确率采用平均值误差mae，具体的计算公式为：[0044][0045][0046]其中，zi为实际值，yi为预测值。[0047]与现有技术相比，本发明的优点及有益效果为：本发明采用土地利用面积、gdp、人口等流域社会经济分类等级数据进行流域尺度大范围的水质预测，克服了传统水质预测中依靠数值模拟造成的计算范围小和计算速度慢的缺点，同时避免了传统统计学方法以及目前常用的循环神经网络进行水质预测对于输入数据连续性的严格要求，可更便捷地计算离散型的社会经济分类等级数据与连续变化的水质数据之间的定量关系，提高了预测的实用性。此外，该发明避免了采用社会经济数据进行水质预测时，社会经济统计数据缺失的问题，可以不需要准确的社会经济数据，仅采用社会经济分类等级数据即可进行预测，理论意义明确，操作简单易行，容易在实际水质管理中应用。附图说明[0048]图1为本发明流域水质快速预测方法的流程图；[0049]图2为codmn的预测值与实测值散点图；[0050]图3为某日codmn的预测值空间分布图。具体实施方式[0051]附图仅用于示例性说明，不能理解为对本专利的限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。[0052]下面结合图1至3和实施例对本发明的技术方案做进一步的说明。[0053]一种基于连续和分级混合数据的水质快速预测方法，如图1所示，包括以下步骤：[0054]s1、确定流域范围及其内部分区，所述内部分区包括子流域分区和行政区分区；[0055]按照《全国水资源综合规划》的中国水资源分区，选取珠江片区作为实施例流域。采用nasa的srtm90米的数字高程数据，进行实施例流域的数字高程数据提取以及汇水区计算，得到珠江片区的138个子流域。采用国家基础地理信息中心(http：//www.ngcc.cn/ngcc/)的全国地级市行政区分布图(shp格式)，提取珠江片区内的地级市行政区，75个；并绘制珠江片区的地级市分布图。[0056]s2、确定流域在预测时段内的气象参数，所述气象参数包括t时刻i气象点观测的降雨、蒸发和气温数据，分别用表示；接着将所述气象参数转换为子流域气象数据。具体包括以下步骤：[0057]s21、采用中国气象数据网提供的中国地面气候资料日值数据集(v3.0)，提取实施例流域2020年1月1日至2021年4月30日、69个气象站点的日平均降雨、蒸发和气温数据；[0058]s22、根据气象站点的经纬度坐标，采用arcgis软件制作气象站点空间分布图，并将每个站点、每个时段的降雨、蒸发和气温数据导入到站点分布图的属性表中；[0059]s23、以珠江片区为边界，采用克里金插值法对站点每日的气象数据进行空间插值；制作克里金插值法的批处理程序，生成每个时段(日)珠江片区的降雨、蒸发和气温的栅格数据，并存储到地理空间数据库中。其中，降雨、蒸发和气温数据各486张栅格图，每日一张图。[0060]s24、制作栅格数据处理程序，以子流域为边界，提取珠江片区每个子流域每个时段(日)的降雨、蒸发和气温数据，存储至excel文档中。每个子流域一个excel文档，共计138个excel文档，每个文档包含486个时段的3个变量(降雨、蒸发、气温)的数据(486行，3列)。[0061]s3、确定子流域在预测时段内的社会经济参数，生成子流域的社会经济参数集合；上述社会经济参数包括土地利用面积、常住人口、gdp、人均gdp、人口密度、粮食产量、城市污水处理率。其中，所述土地利用面积包括耕地、林地、草地、水域、城市和居民用地、未利用土地的利用面积。步骤s3具体包括以下步骤：[0062]s31、获取预测时段内土地利用面积、常住人口、gdp、人均gdp、人口密度、粮食产量、城市污水处理率的社会经济参数；更具体为：上述参数可通过以下方式获得：采用卫星遥感数据，获取预测时段内整个流域范围每年的土地利用数据；通过区域统计年鉴，获得预测时段内每一年、各行政区的常住人口、gdp和粮食产量；通过区域统计年鉴，获得预测时段内每一年、各行政区的人均gdp、人口密度和城市污水处理率。[0063]s32、将s31中的社会经济参数转换为子流域的相关参数；[0064](1)确定各子流域、每个时段的土地利用参数，具体为：按照耕地、林地、草地、水域、城市和居民用地、未利用土地对流域土地利用数据进行重分类，生成流域土地利用的栅格数据。然后，根据子流域分区，计算每个子流域内六种土地利用类型的面积，具体如下所示。[0065][0066]其中，j表示子流域编号；d表示土地利用类型编号，包括耕地(d＝1)、林地(d＝2)、草地(d＝3)、水域(d＝4)、城市和居民用地(d＝5)、未利用土地(d＝6)；t表示时段(日)，y表示年；areas是子流域j内一个栅格的面积；表示第y年、子流域j内、属于d类别土地的栅格数目；分别表示第y年和第t时刻子流域j内d类别土地的面积。其中，t时刻在第y年内。[0067](2)确定流域在预测时段内的常住人口、gdp和粮食产量，具体为：采用面积加权平均法，将行政区的社会经济数据转换为子流域的相关参数。具体如下式所示。[0068][0069][0070]其中，k表示流域内行政区编号，n为流域内行政区总数；j为子流域编号；e表示社会经济参数的编号，e＝1代表常住人口、e＝2代表gdp、e＝3代表粮食产量；为第y年、第k行政区的常住人口、gdp和粮食产量；和分别为第y年和第t时刻、第j子流域的常住人口、gdp和粮食产量；其中，t时刻在第y年内。表示第k行政区处于第j子流域内部的面积占第k行政区总面积的比值；表示第k行政区处于第j子流域内部的面积。[0071](3)确定流域在预测时段内的人均gdp，人口密度和城市污水处理率，具体为：人均gdp、人口密度和城市污水处理率属于比例数据，因此不能采用面积加权平均法进行子流域的参数计算。通过构建行政区与子流域的拓扑关系，通过算数平均方法，计算子流域的人均gdp、人口密度和城市污水处理率。具体如下所示。[0072][0073][0074]其中，k表示流域内行政区编号，n为流域内行政区总数；j为子流域编号；a表示社会经济参数的编号，a＝1代表人均gdp、a＝2代表人口密度、a＝3代表城市污水处理率；为第y年、第k行政区的人均gdp，人口密度和城市污水处理率。和分别为第y年和第t时刻、第j子流域的人均gdp，人口密度和城市污水处理率；其中，t时刻在第y年内。[0075]根据上述(步骤s31、s32)内容，步骤s31、s32更具体为：采用landsat8卫星提供的1km分辨率的土地利用年数据，提取珠江片区2020和2021年两年的土地利用数据，共计2张栅格数据图。编制土地利用数据处理程序，以珠江片区138个子流域为范围，提取每个子流域、每年的耕地、林地、草地、水域、城市及居民用多、未利用土地的面积；将子流域的年度土地利用数据转化为日数据，每日的各种类型的土地面积等于该日所在年份的相应土地利用数据。将子流域每日的五种类型的土地面积数据存储到excel文档中。每个子流域一个excel文档，共计138个excel文档，每个文档包含486个时段的6个变量(六种类型的土地面积数据)的数据(486行，6列)。[0076]采用中国知网年鉴数据库，搜集珠江片区范围内2020年和2021年、75个地级市行政区的常住人口、gdp、人均gdp、人口密度、粮食产量、城市污水处理率。编制社会经济数据处理程序，按照面积加权平均法和算数平均法，根据地级市行政区与子流域的空间拓扑关系，将75个地级市的社会经济数据转换为138个子流域的社会经济数据。将子流域的年度社会经济数据转化为日数据，每日的社会经济数据等于该日所在年份的相应数据。数据存储到excel文档。每个子流域一个excel文档，共138个excel文档，每个文档包含486个时段的6个变量(6个社会经济参数)数据(486行，6列)。[0077]s33、生成子流域的社会经济参数集合，为。[0078][0079]s4、确定子流域水质参数；所述水质参数包括地表水的溶解氧、cod锰、氨氮、总磷、总氮的浓度值；采用中国环境监测总站的国家地表水水质自动监测实时数据发布系统提供的全国水质监测数据，提取珠江片区2020年1月1日至2021年4月30日、204个水质站点的日平均水质数据。步骤s4具体包括以下步骤：[0080]s41、确定整个流域(所有子流域)内河道水质监测站点的经纬度坐标，采用arcgis软件制作水质观测站点的空间分布图，接着将每个河道水质站点、每个时段的水质指标数据导入到站点分布图的属性表中。[0081]s42、计算子流域河道中的水质分布；[0082]由于地表水水质属于河流水体的参数，在河流水体中具有一定的空间连续性，但不具有流域面上的空间关联性，因而不采用流域面的空间插值方法计算子流域的水质，采用河道线条插值的方法，计算子流域河道中的水质分布。具体步骤包括：[0083](1)搜集整个流域内五级以上河流的河网数据(shp数据)；[0084](2)以流域河网为边界，采用反距离权重法对站点每个时段的水质数据进行空间插值，生成沿着河流的、每个时段的水质栅格数据，并存储到地理空间数据库中。[0085]s43、以子流域为范围，计算每个子流域范围内河道水质的平均值，作为子流域的水质参数。计算公式如下所示。[0086][0087]其中，j表示子流域编号，t表示时段，s是子流域j内河道位置的栅格的编号；w是水质参数的编号，w＝1代表溶解氧、w＝2代表cod锰、w＝3代表氨氮、w＝4代表总磷、w＝5代表总氮；表示子流域j范围内河道位置处栅格s的水质数据。表示子流域j范围内河道中的栅格总数，表示t时刻子流域j的水质数据。[0088]每个子流域一个excel文档，共计138个excel文档，每个文档包含486个时段的5个变量(5个水质指标)的数据(486行，5列)。[0089]s5、对子流域社会经济参数集合中的数据进行等级分类；[0090]每个子流域的社会经济参数集合中的数据包括：耕地、林地、草地、水域、城市和居民用地、未利用土地的面积、常住人口、gdp和粮食产量、人均gdp、人口密度和城市污水处理率，共12个变量。为每类社会经济变量设置等级阈值，计算各社会经济变量的等级数值，如下式所示。[0091][0092][0093][0094]其中，j表示子流域编号，t表示时段；d表示土地利用类型编号，d＝1表示耕地、d＝2表示林地、d＝3表示草地、d＝4表示水域、d＝5表示城市和居民用地、d＝6表示未利用土地；e表示社会经济参数的编号，e＝1代表常住人口、e＝2代表gdp、e＝3代表粮食产量；a表示社会经济参数的编号，a＝1代表人均gdp、a＝2代表人口密度、a＝3代表城市污水处理率。经济参数的编号，a＝1代表人均gdp、a＝2代表人口密度、a＝3代表城市污水处理率。示第t时刻子流域j内d类别土地的面积；示第t时刻子流域j内d类别土地的面积；表示d类别土地面积的分级阈值，n表示分级数目；表示第t时刻子流域j内d类别土地面积的等级数值。表示第t时刻子流域j内e类别社会经济变量的数值；子流域j内e类别社会经济变量的数值；表示e类别社会经济变量的分级阈值，l表示分级数目；表示第t时刻子流域j内e类别社会经济变量的等级数值。表示第t时刻子流域j内a类别社会经济变量的数值；刻子流域j内a类别社会经济变量的数值；表示a类别社会经济变量的分级阈值，v表示分级数目；表示第t时刻子流域j内a类别社会经济变量的等级数值。[0095]参考每个子流域、每类别社会经济变量的最大最小值进行分级，分级情况如下，耕地按照面积分为4级、林地分为5级、草地分为5级、水域分为3级、城市和居民用地分为3级、未利用土地的面积分为3级，常住人口分为4级、gdp和粮食产量分为4级，人均gdp、人口密度和城市污水处理率分为3级。[0096]s6、将分类等级的社会经济参数进行热编码，形成社会经济参数的热编码矩阵；[0097]s61、将每个子流域、每个时段的社会经济等级变量s61、将每个子流域、每个时段的社会经济等级变量转换为0‑1行向量；行向量中，对应该社会经济等级变量等级数值n的第n列，取值为1；行向量中其余元素取值为0；具体如下式所示：[0098][0099]ca1，n＝1ꢀꢀ(12)[0100][0101]其中，j表示子流域编号，t表示时段；d表示土地利用类型编号；表示第t时刻子流域j内d类别土地面积的等级数值，等于n；为d类别土地面积的等级数值所对应的0‑1行向量，ca1，n为行向量中第n列的数值，取值为1。n表示d类别土地面积的分级总数。采用上述方法，计算其他社会经济等级变量和的0‑1行向量。[0102]s62、构建社会经济等级变量的热编码0‑1矩阵。[0103]常住人口、gdp、粮食产量的等级数值所对应的0‑1行向量人均gdp、人口密度、城市污水处理率的等级数值所对应的0‑1行向量合并在一起构成矩阵具体如下式所示。[0104][0105]s7、对气象参数和水质参数进行标准化处理；具体如下式所示：[0106][0107]其中，代表第t时刻子流域j的气象和水质参数，包括和和和分别为各指标在所有时刻t和所有子流域j中的最大值和最小值；为标准化后的数据。[0108]s8、在社会经济参数的热编码矩阵和标准化的子流域气象数据、水质参数中划分训练集和测试集；[0109]将连续型的子流域气象数据和社会经济数据的热编码0‑1矩阵合并成一个t×j行、3+n+l+v列的数据矩阵，作为深度学习的输入数字矩阵，用tablex表示；将连续性的水质数据转化为t×j行的数据矩阵，作为深度学习的输出标签矩阵，用tabley表示；接着将输入数字矩阵和输出标签矩阵中70％的行做训练集，30％的行做测试集，具体如下式所示：[0110][0111][0112]更具体地，将子流域的气象参数以及社会经济0‑1矩阵参数整合成一个数据集。数据储存在excel表中，每个子流域一个excel文档，共138个excel文档。每个文档包含486个时段的44列数据，变量包括：降雨、蒸发、气温连续性变量，以及耕地、林地、草地、水域、城市及居民用多、未利用土地的面积、常住人口、gdp、人均gdp、人口密度、粮食产量、城市污水处理率的等级数据的0‑1行向量。将138个excel文档数据合并成1个数据矩阵。将此矩阵记为tablex，作为深度学习的输入数据矩阵。[0113]将子流域的水质参数整合成一个数据集。将138个子流域的水质数据合并成1个数据矩阵。矩阵的列，是5个水质变量。矩阵的行，为138个子流域、486天，共计67068行。将此矩阵记为tabley，作为深度学习的输出标签矩阵。[0114]对tablex和tabley进行标准化，采用最大最小标准化进行处理。矩阵中每个数据减去该数据所在列的最小值再除以该列的最大值和最小值之差。将矩阵tablex和tabley分为训练集和测试集两部分，70％的行作为训练集，形成trainx和trainy；30％的行作为测试集，形成testx和testy。[0115]s9、构建全连接深度学习神经网络(dnn)，并定义损失函数和迭代优化算法；[0116]所述深度学习神经网络参数包括网络隐藏层数量k、每个隐藏层的节点数目n、激活函数、损失函数(ioss)、准确率计算函数(metrics)、学习率(learningrate)、批量大小(batchsize)、最大迭代次数(epochs)、节点随机丢弃比率(dropout)。该网络采用四层隐藏层，第一层节点数128，第二层节点数64，第三层节点数32，第四层节点数16；每层的激活函数采用selu函数((scaledexponentiallinearunits)。第四隐藏层采用节点随机丢弃机制。在本实施例中，丢弃率20％，学习率(learningrate)取值0.001；量大小(batchsize)取值64，最大迭代次数(epochs)取值1000。[0117]所述定义损失函数和迭代优化算法具体为：损失函数采用均方误差(meansquarederror，mse)，准确率采用平均值误差(meanabsoluteerror，mae)。计算公式如下式所示。训练采用adam算法对训练过程进行优化。[0118][0119][0120]其中，zi为实际值，yi为预测值。mse和mae值越小，模型的预测值与真实值越接近，模型的精度就越高，性能就越好。[0121]s10、将训练集输入到深度学习神经网络中得到训练后的深度学习神经网络，接着将测试集输入到训练后的深度学习神经网络得到预测的水质参数；将预测的水质参数与实测的水质参数进行对比，调整模型参数，最终储存符合精度要求的深度学习神经网络及其参数数据；[0122]更具体地：将trainx作为dnn网络的输入，将trainy作为输出的标签，进行dnn网络的训练。基于训练数据迭代地更新dnn网络的权重，直到模型收敛。采用训练后的dnn网络，进行水质预测。[0123]将testx输入到dnn网络，预测得到对应的水质参数。并将预测值进行反标准化得到实际值，将testy反标准化得到水质实测值。然后，绘制预测的实际值与实测水质值的散点图，计算相关系数r的平方(r2)，r2越大表示预测结果越准确。不断地将地表水水质预测值与实测值进行对比，计算对应的mse和r2，并根据mse和r2的值，调整模型参数，重新进行训练以保证准确度。储存符合精度要求的dnn网络及其权重等参数数据，为管理人员提供决策支持。反标准化公式如下：[0124]y′i＝ymin+yi·(ymax‑ymin)ꢀꢀ(20)[0125]其中，y′i为还原之后的预测值；yi为dnn网络输出的预测值。[0126]s11、选取流域某一时段的气象和社会经济数据，输入到s10中存储的深度学习神经网络，预测得到所有子流域在该时段的水质参数值，包括溶解氧、cod锰、氨氮、总磷、总氮的浓度值。对每一个水质指标，绘制子流域水质的空间分布图，并将分布图转换为栅格数据格式。以流域河网为边界，提取河道位置处的栅格的水质指标数据，得到河网的水质分布图。在本实施例中，codmn的预测值与实测值、某日codmn的预测值空间分布分别如图2、图3所示。[0127]与现有技术相比，本实施例的有益效果为：本实施例以珠江流域为例，采用土地利用面积、常住人口、gdp、人均gdp、人口密度、粮食产量、城市污水处理率的社会经济分类等级数据进行流域尺度大范围的水质预测，克服了传统水质预测中依靠数值模拟造成的计算范围小和计算速度慢的缺点，同时避免了传统统计学方法以及目前常用的循环神经网络进行水质预测对于输入数据连续性的严格要求，可更便捷地计算离散型的社会经济分类等级数据与连续变化的水质数据之间的定量关系，提高了预测的实用性。此外，该发明避免了采用社会经济数据进行水质预测时，社会经济统计数据缺失的问题，可以不需要准确的社会经济数据，仅采用社会经济分类等级数据即可进行预测，理论意义明确，操作简单易行，容易在实际水质管理中应用。[0128]值得说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。当前第1页12当前第1页12