1. 引言
水面蒸发量是指在特定时间和空间范围内从含水物质溢出的总量,是估算大气蒸发需求的重要指标之一,其数值可以有效表征大气的干湿程度[1] [2]。观测蒸发量对于分析气候、水循环等具有重要研究意义,且在水资源管理、农业灌溉等领域具有重要应用价值[3]。蒸发量受多种因素的影响,包括当地太阳辐射、温度、湿度、风力、降水、水面面积等因素[4]。然而,传统的蒸发观测设备需要人工每日手动测量,存在测量精度低、实时性差、无法自动观测等问题。因此,设计一款精度高、数据稳定的蒸发量智能观测设备对于水利工程设计、农林牧业土壤改良、土壤水分调节、灌溉定额制定以及研究水分资源、制定气候区划等方面都具有重要意义[3] [5]。
传统的蒸发变化观测方式有人工直接读取蒸发皿刻度、水量平衡、水热平衡法、微气象学方法等[6]。但仍存在一些局限性,传统方法往往依赖人工操作,实时性不够高,测量的精度受限。新型的一些设备采用机器学习,神经网络等方法构建模型去观测蒸发变化[7] [8]。虽然可以一定程度上克服传统方法的局限性,但仍然面临着数据需求量大、模型训练复杂、泛化能力不足等挑战,需要进一步研究和改进。
本文基于计算机视觉技术[9] [10],利用人工智能技术设计了一种新型高精度武大AiMeteo视觉蒸发量智能观测设备,可直接嵌入已有蒸发站点,旨在解决人工操作、精度受限、实时性不高、建站成本高等问题。该设备能够实时监测蒸发皿的视频画面,实现对蒸发过程的多维监测和分析。文章详细描述了武大AiMeteo视觉蒸发量智能观测设备的系统架构,并介绍了每个硬件组成及其实现原理。在贵州麦壤水文站和广东蕉坑水文站进行实验验证时,分别将人工观测方法、液位传感器和本设备自动观测的结果进行了比对分析,结果证实了本设备在自动观测蒸发量方面的稳定性和可靠性,为武大AiMeteo视觉蒸发量智能观测设备在水文站的应用提供了充分的依据。
2. 武大AiMeteo视觉蒸发量智能观测设备系统架构
武大AiMeteo视觉蒸发量智能观测设备基于非接触式方式测量水面蒸发量,可极大降低蒸发站建站成本,也可直接在已有的蒸发站点进行加装应用,极大地减少了建站成本,实现智能自动化。建站示意图如图1所示,主要包括标准水面蒸发器设备以及智能监控系统设备等,其设备仪器、安装及观测形式符合SL 630-2013《水面蒸发观测规范》[11]要求。
图1. 设备建站示意图
2.1. 系统框架
武大AiMeteo视觉蒸发量智能观测设备由网络摄像机,智能算法盒子,路由器等三大模块组成。所有设备均采用岸基式布设,以非接触式方法进行观测。整体的硬件架构图如图2所示。
1) 网络摄像机:以立杆形式安装于蒸发池外围。用于采集蒸发池中视频画面,视场角满足蒸发观测要求,网络继电器和无线同步开关智能控制补光灯的开关,红外距离需能达到观测范围,焦距、画面分辨率满足0.1 mm每像素的精度要求。
2) 智能算法盒子:蒸发量计算的大脑,内置NPU模块以及智能蒸发计算算法,实施处理视频画面,计算蒸发量。额外部署蒸发观测软件并实现视频数据定时采集、处理、存储、显示及成果传输。
3) 路由器:工业级路由器,吞吐量 > 90 Mbps,支持网络协议CSMA/CD,TCP/IP,DHCP,ICMP,如现场设备较多,超过路由器接口数量,需另外配备交换机。
图2. 硬件架构图
2.2. 视觉蒸发计算原理
武大AiMeteo视觉蒸发量智能观测设备利用网络摄像头实时拍摄蒸发皿的水面视频,应用深度学习技术增强图像特征并智能感知水面语义信息[10] [12],通过水位变幅进行蒸发量的计算。具体来说,首先通过图像编码器对蒸发站的视频图像进行编码,然后利用prompt提示模块学习画面中水面区域的语义信息[13] [14],最后通过掩码解码器得到画面中水面区域的掩码图像,同时结合图像处理技术获取蒸发皿中水位线的像素坐标。
结合环境参数和标定参数,设备能够进行数据空间转换,从而精确地计算出当前蒸发皿中的水量。通过对设定时间内水量变化的准确识别,该系统实现了对蒸发量的高精度计算。为了方便部署到边缘端,减少模型的参数量,额外对编码器进行了知识蒸馏。计算原理如图3所示:
图3. 技术原理示意图
由于武大AiMeteo视觉蒸发量智能观测设备具备自动计算降雨量的功能,根据SL 630-2013《水面蒸发观测规范》[11]的相关技术要求,无需考虑自动溢流量和补水量,因此非冰期日蒸发量的计算公式如下:
(1)
其中E为单位时间内蒸发量,P为单位时间内降雨量,hT和h_T-1分别为当前时间以及上单位时间的水位高程。武大AiMeteo视觉蒸发量智能观测设备可自定义观测单位时间,并且精度达到了0.1 mm级别。
3. 对比观测与分析
对武大AiMeteo视觉蒸发量智能观测设备积累的蒸发量数据与人工标准直接观测的蒸发量数据进行比对分析,对观测误差进行统计评价分析。
3.1. 对比方法
本文将以蒸发量的相对误差,绝对误差以及相关系数来评估人工直接观测和武大AiMeteo智能观测设备两类数据。其中误差∆以及平均绝对误差∆m公式为:
(2)
其中Er和Ez为人工观测的蒸发量和武大AiMeteo设备观测的蒸发量,i为观测数据索引,N为观测数据总数。蒸发量的相对误差
以及平均相对误差
计算如下:
(3)
3.2. 站点应用案例及比测分析
3.2.1. 麦穰水文蒸发站
麦穰水文站于2019年1月设立,位于长江流域乌江水系清水河上游南明河的贵阳市乌当区东风镇麦穰村,隶属贵州省贵阳市水文水资源局管辖。本次实验场地选取了贵州麦壤水文站点,在已有的蒸发站设备上装置武大AiMeteo视觉蒸发量智能观测设备,如下图4所示。
图4. 麦穰水文蒸发站
本文选取了2024年1月至4月的人工观测数据以及设备自动观测的数据作比对分析。其中人工数据为每天八点记录的数据,每个月随机选取部分数据,除去系统故障时不合理的数据,共90组数据。采用3.1节的评估指标对武大AiMeteo设备观测数据和人工观测数据进行分析,误差比对结果如图5所示:
图5. AiMeteo智能设备与人工观测的蒸发量误差比对分析
表1. AiMeteo智能设备与人工观测的蒸发量差值分布表
差值(mm) |
<−1.0 |
−1.0~−0.5 |
−0.5~−0.2 |
−0.2~0.2 |
0.2~0.5 |
0.5~1.0 |
>1.0 |
天数 |
2 |
9 |
17 |
38 |
15 |
8 |
1 |
百分比 |
2.2% |
10% |
18.9% |
42.2% |
16.7% |
8.9% |
1.1% |
图6. AiMeteo智能设备与人工观测蒸发量差值分布图
观察表1和图6不同差值区间的数据分布,可以看出武大AiMeteo设备观测数据和人工观测数据差值主要集中在−0.2~0.2 mm之间,占比达到了42.2%;其次在0.2~0.5 mm区域之间,占比为16.7%,共有96.7%的数据误差在±1 mm之内,证明了武大AiMeteo设备观测的稳定性和可靠性,满足蒸发量自动化上报的标准。
根据以上数据,对武大AiMeteo设备观测数据和人工观测数据进行了相关分析,如图7所示,R2系数被用来描述武大AiMeteo设备观测数据和人工观测数据之间的相关性。R2系数(也称为判定系数)是一种统计指标,用于衡量因变量(在这种情况下是蒸发量)的变化可以通过自变量(在这种情况下是两种不同观测方法)来解释的程度。
二者观测的蒸发量相关系数R2为0.9972,两组数据相关性较强。R2系数的高值表明了武大AiMeteo设备观测数据和人工观测数据之间的高度相关性,这使得这两种观测方法可以相互验证和互补,从而增强了对蒸发量的观测和预测的可靠性。
图7. AiMeteo智能设备与人工观测蒸发量相关关系
根据以上结果可见,两者数据的平均绝对误差仅为−0.06 mm。武大AiMeteo视觉蒸发量智能观测设备在稳定性和精准度方面都表现出明显的优势,基本可以取代人工读数,实现智能化、自动化的蒸发量计算和数据上报。
3.2.2. 焦坑水文蒸发站
本文还选取了蕉坑水文站作为实验场地,蕉坑水文站于1955年由广东省水利电力厅在广东省陆丰县(现陆丰市)河东镇蕉坑村设立,位于螺河中下游。使用武大AiMeteo视觉蒸发量智能观测设备(本文方法)与液位传感器自动观测(比测方法)的数据进行比对分析。
通过记录2024年4月14日至5月15日的期间的实验数据,除去系统故障时不合理的数据,共获取30有效组数据。本文方法与比测方法的每日观测蒸发量情况如图8所示:
图8. AiMeteo智能设备与液位传感器观测蒸发量对比
表2. AiMeteo智能设备与液位传感器观测蒸发量误差分布表
差值(mm) |
<−1.0 |
−1.0~−0.5 |
−0.5~−0.2 |
−0.2~0.2 |
0.2~0.5 |
0.5~1.0 |
>1.0 |
天数 |
0 |
3 |
6 |
11 |
8 |
1 |
1 |
百分比 |
0% |
10% |
20% |
36.7% |
26.7% |
3.3% |
3.3% |
图9. AiMeteo智能设备与液位传感器观测蒸发量相关关系
从上图可以看出,本文方法与比测方法所测当日蒸发量的差异值在较小区间内波动,武大AiMeteo设备与液位传感器观测蒸发量误差分布情况如表2所示。
从表2统计的不同差值区间的数据分布可知,两种监测设备有11天的差值在−0.2~0.2 mm之间,占比为36.7%;在−0.5~0.5 mm区域之间,占比达到为83.3%,共有96.7%的数据误差控制在±1 mm之内。
对AiMeteo设备观测数据和液位传感器观测数据进行了相关分析,如图9所示,二者观测的蒸发量相关系数R2为0.994,两组数据相关性较强。证明了武大AiMeteo设备观测的稳定性和可靠性,满足蒸发量自动化上报的标准。
3.3. 对比误差分析分析
蒸发的过程会受到各种因素的影响,例如太阳辐射、温度、湿度、风力、降水、水面面积等因素都会对蒸发造成影响[4]。在武大AiMeteo视觉蒸发量智能观测设备与人工观测的蒸发量进行对比发现,环境条件变化对人工读数影响程度更大,而视觉蒸发量智能观测设备可以通过视觉去雨去噪算法以及增加监测频次的方式降低环境变化带来的影响,确保监测的稳定性和可持续性,将误差控制在合理的范围内,满足规范要求。
4. 结论
本文设计和实现了一种武大AiMeteo视觉蒸发量智能观测设备。经过在贵州麦壤水文站和广东蕉坑水文站的大量比对实验和分析,可以发现本设备与人工观测蒸发量误差大多在−0.2~0.2 mm之间,其平均误差为−0.06 mm,两者相关性R2为0.9972,设备观测精度达到了0.1 mm,安装规范和观测要求均符合SL 630-2013《水面蒸发观测规范》[14]。此外,武大AiMeteo视觉蒸发量智能观测设备比传统蒸发观测设备能节约40%的建站成本,而且本设备在后期维护上能够极大地降低人工成本。基于视觉技术的蒸发量智能观测装置不仅能够在蒸发观测领域中发挥重要作用,在水资源管理、气象观测、农业灌溉等其他重要领域也具有广泛的应用前景。
基金项目
感谢国家重点研发计划项目2023YFC3209101和水利部重大科技项目SKS-2022020对本研究的支持。
NOTES
作者简介:余雷(1977-),湖北武汉人,本科,高级工程师,从事水文测验整编、站网规划管理工作,Email: 315853918@qq.com