CN102135531A - 大型浅水湖泊72小时蓝藻水华预测方法 - Google Patents

Abstract

本发明公开了一种大型浅水湖泊72小时蓝藻水华预测方法，根据蓝藻原位生长率和漂移速率参数，构建水体叶绿素a含量预测模型和水华发生概率预报模型；分析监测水域即时的叶绿素a含量和分布并采集监测期内气象信息数据，输入构建的模型后，输出监测水域未来72小时叶绿素a浓度的预测值和蓝藻水华出现的水域及概率。本发明方法操作性强、用于预测的参数易获取，对蓝藻水华的暴发能做出迅速而准确的预判，时效性强。可用于水源地或重点景观水域蓝藻水华的预报。

Description

大型浅水湖泊72小时蓝藻水华预测方法

技术领域

本发明涉及一种湖泊、水库等水域的短时间尺度内蓝藻水华的监测预报方法，特别是涉及一种大型浅水湖泊72小时蓝藻水华预测方法。

背景技术

蓝藻水华是目前全球许多国家所面临的环境问题，在很多富营养的湖泊或水库中，蓝藻在局部湖区或库区堆积，并在高温下分解，形成恶臭；特别是当蓝藻在水源地取水口附近大量集聚时，就有可能引起水源地的水质恶化，危及供水安全。

目前还缺少有效的治理手段彻底地消除这一环境问题，蓝藻水华仍会大量出现于许多湖泊和水库中。因此，在研究蓝藻水华治理方法的同时，发展短期的蓝藻水华预测、预报技术，提前预知敏感湖区、尤其是水源地和重点景观湖区水华的发生几率，可提高环境管理部门的决策能力，并有利于相关部门及时采取应急措施应对水华污染。

目前国内外还没有关于短期蓝藻水华预报方法的报道。有关蓝藻水华监测预报的报道主要是采用逐步回归的统计学方法对浮游植物在长时间尺度上进行预测，如连续观测水温，透明度，pH，总氮（TN）， 总磷（TP），溶解无机磷（DIP）等指标，经过连续观察，建立叶绿素与环境因子的关系，并在此基础上利用监测的数据来预测藻类密度。蓝藻水华是一定密度的藻类在特定气象、水文条件下上浮并大量聚集于水面的现象，因此，即时的藻类密度、气象、水文条件与水华的发生密切相关，如果能阐明其中的相互关系，并结合大量的野外调查数据，并根据相关参数建立模型，则能够据以对蓝藻水华进行预报。目前已有水体细胞色素快速监测的仪器，但是这些仪器在应用于藻类密度很大的水体时往往会有很大的误差，用于进行蓝藻监测时给预测结果带来较大的误差。卫星遥感图片可以从整体上识别水体中的蓝藻水华分布情况，可用于蓝藻水华预报工作准确性的评价。

发明内容

本发明提供了一种大型浅水湖泊72小时蓝藻水华的预测方法，基于水体中即时的蓝藻状况和未来的气象信息，利用构建的预测模型对蓝藻水华的发生进行短时间尺度的预报。

本发明方法的技术内容如下：

一种大型浅水湖泊72小时蓝藻水华预测方法，其特征在于：根据蓝藻原位生长率和漂移速率参数，构建水体叶绿素a含量预测模型和水华发生概率预报模型；分析监测水域即时的叶绿素a含量和分布状况；将监测水域即时的叶绿素a含量、分布状况，以及监测期内气象信息数据输入模型，输出监测水域预测期内叶绿素a浓度的预测值和蓝藻水华出现的水域及其概率，发布水华监测预报。

本发明方法包括以下步骤：

1）在监测水域设置采样点，采集分析监测水域即时的水质、蓝藻生物量和分布状况；

可根据监测水域的特点和水域面积，结合历史数据设置采样点，通过人工野外巡测，或使用离线或在线监测仪采集并分析获得监测水域即时叶绿素a浓度值和分布状况，以获得本发明方法进行水华预测所需的监测水域即时水质、蓝藻生物量和分布状况数据。

预报期间每周至少采样两次，采样后可利用快速水质监测仪器测定采样点各层水体的平均叶绿素浓度。

快速水质监测仪器在测量野外群体蓝藻叶绿素a含量时存在一定的误差，本发明方法建立了水体平均叶绿素浓度与快速水质监测仪器测定结果的校正关系式，即：

水体平均叶绿素a浓度=Chla _YSI×7.76 （Chl _YSI≤40μg/L）

水体平均叶绿素a浓度=Chla _YSI×2.2  （Chl _YSI＞40μg/L）

式中Chla _YSI为快速水质监测仪器测定结果。

2）采集预测期内的包括风速、风向、降雨在内的气象信息数据

根据气象部门的预报，采集监测水域预测期内未来天气情况（晴、阴以及降雨）以及风速、风向、温度等气象信息。

本发明选取并采集特定的监测数据，并据以建立短时间尺度的水华预报模型。本发明方法利用生态学原理，根据不同气候条件下蓝藻原位生长率，以及不同风向和风速条件下水华蓝藻的漂移速率参数，构建水体叶绿素a含量预报模型和水华发生概率预报模型。

蓝藻水华发生与很多因素相关，如藻类密度，风速，风向，降雨等，建立蓝藻水华的预报模型通常用如下公式进行表达：

F (水华概率)= f (藻类密度，风速，风向，降雨，有效光辐射，湖流，总氮，总磷，

水温，电导率，溶解无机氮，溶解无机磷，pH，溶氧，…)       公式1

为本发明目的，根据历史数据可将营养盐等在长时间尺度上影响蓝藻生物量的环境因素忽略，将公式1简化为如下公式：

F＝f（N _t  V_w, R）                                                        公式2

式中，F为水华的发生频率，N_t为对应时刻水体中的藻类密度，V_w为该时刻的风速，R为降雨情况。风速和降雨情况可以通过气象预报获得，而水体中藻类的数量则可根据生态学原理由如下公式计算：

N _t  = N₀+（Bt－Dt）+（It－Et）                                            公式3

式中，Nt为所预报时刻（t）的水体中藻类密度，N₀为监测时刻（0）藻类密度，Bt、Dt、It、Et分别是0—t时段该湖区藻类的生长、死亡、迁入、迁出的数量。

本发明根据上述生态学原理，分别建立用于短时间内蓝藻水华的水体叶绿素a浓度预测模型和水华发生概率预报模型：

3）构建水体叶绿素a浓度预测模型，输入监测水域即时的叶绿素a浓度值、分布状况以及气象信息数据，输出监测水域预测期内叶绿素a浓度的预测值；

为定量描述水域叶绿素a浓度的分布及变化过程，将监测水体网格化，水体网格单元大小为am×bm的矩形，通常a、b可根据预测要求在200---500m范围内选择。

如上文所述，水体中藻类的数量则可根据公式3计算：

N _t  = N₀+（Bt－Dt）+（It－Et）

蓝藻由于生长、死亡引起的变化量，可用以下公式计算：

                                                                    公式4

式中，q为叶绿素a浓度的日变化率，各气象条件下藻类日变化率用表1的参数来进行计算，N₀可以通过步骤1）现场监测获得。

对于水体网格单元内迁入（或迁出）的蓝藻量，风速是决定蓝藻迁移的主要因素，迁入（或迁出）的蓝藻量可用以下公式计算：

E＝a×V×t×d×P×C                                                                               公式5

式中，a为网格的边长，E为迁入（或迁出）的藻类量，V为风速，t为时间（1h，3600s），d为水深，P为发生漂移的藻类占总藻量的百分比，C为水体中叶绿素a的浓度，相关参数根据观测数据，按下表2选取。以此计算出所有漂移出（移入）的藻类。

表1 不同气象条件下蓝藻由于原位生长死亡引起的日变化率（q）

天气、风速	1-2级	2-3级	3－4级	4-5级	5级以上
						晴	0.6	0.4	0.3	0.08	0
晴到多云	0.5	0.3	0.2	0.06	0
						多云	0.4	0.2	0.07	0.05	0
多云到阴	0.2	0.1	0.05	0.05	0
						阴，降雨	0	0	0	0	0

表2 不同风力条件下漂移的藻类比例和对应的漂移速度

风力（风速m/s）	漂移藻类占总藻的百分比(%)	漂移速度(m/s)
			1－2级（0.3-3.3）	50	0.07
3级（3.4-5.4）	40	0.04
			4级（5.5-7.9）	25	0.03
5级（8.0-10.7）	10	0.01
			5级以上（>10.8）	5	0.005

4）构建水华概率预测模型，输入监测水域叶绿素a浓度值、分布状况的预测值以及气象信息数据，输出蓝藻水华出现的水域及其概率；

为实现本发明目的，本发明方法将叶绿素a浓度，降雨和风速作为水华形成的共同的触发因子，预测模型各因子之间的关系如下：

F=f₁ (Nt)×f₂（V）×f₃（R）                                              公式6

其中f₁ (Nt)为t时刻由藻类密度引起的水华发生概率；f₂（V）为由风速条件引起的水华发生概率；f₃（R）为降雨条件引起的水华发生概率。

根据实际监测数据，将叶绿素a含量划分为5个等级，并将相应气象条件下的水华发生概率赋值（表3）。

表3蓝藻水华预报中叶绿素a含量、风速和降雨与水华发生概率的对应表

叶绿素a（μg/L）	f1(Nt)	风力（风速m/s）	f2(V)	降雨	f3（R）
						60以上	1	1－2级（0.3-3.3）	1	晴、多云	1
50	0.9	3级（3.4-5.4）	0.9	阴、小雨	0.9
						40	0.8	4级（5.5-7.9）	0.8	阵雨、雷阵雨	0.8
30	0.6	5级（8.0-10.7）	0.7	中雨	0.7
						20	0.4	5级以上（>10.8）	0.5	中、大、暴雨	0

将监测水域蓝藻生物量、分布状况以及气象信息数据输入预报模型，得到预测期内蓝藻水华在特定水域出现的概率及其强度。

5）水华预报发布

根据模型输出数据，发布湖区未来三天的叶绿素a浓度等值线图和未来水华趋势的预报。水华的预报以文字阐述并结合图表对未来三天特定水域蓝藻水华的概率和程度进行描述，同时提供相关的建议。

本发明方法还可以利用遥感影像数据对水华预报进行修正，并对本方法的预报方法进行评价。

附图说明   

图1为本发明的72小时蓝藻水华预测方法的工作流程图（T0表示预测开始的时间，T0+4h表示四小时以后，余类推）；

图2A-2C 为本发明方法预测的太湖水域未来72小时叶绿素a浓度的等值线图；

图3A-3C 为本发明方法预测的太湖水域未来72小时叶绿素a的浓度分布图。

具体实施方式

按照本发明方法在2007，2008，2009年水华发生期间对太湖蓝藻水华进行预报。工作流程图参见图1。

72小时蓝藻水华预测方法，包括以下步骤：

1）资料的采集和应用

包括分析太湖水域即时的水质、蓝藻生物量和分布状况和气象信息数据的采集。

人工巡测：预报期间每周采样两次，根据历史数据，北太湖的三个湖湾（梅梁湾、贡湖湾和竺山湾）是蓝藻水华发生比较频繁的区域，而梅梁湾、贡湖湾又是水源地和景观水域，因此，在太湖区域对蓝藻水华的预报主要关注梅梁湾、贡湖湾的水华状况。在这两个湖区的每个水厂取水口附近和景观水域设立采样点，采样分析以获得关注区域的叶绿素a浓度，其它水域则选择有代表性的位点设立采样点，以获得该水域整体的叶绿素a浓度。

到达采样点后，用2m的PVC管采集整水柱，置于测量桶中摇匀，将多功能水质参数仪（YSI6600）放入测量桶中进行测定，以获得采样点各层水体的平均叶绿素浓度。

数据的校正：由于YSI6600在测量野外群体蓝藻叶绿素a含量时存在一定的误差，根据YSI6600测定结果与室内化学法测定的比较分析，按下式根据YSI6600测定结果对水体平均叶绿素浓度a进行校正：

水体平均叶绿素a浓度=Chla _YSI×7.76 （Chl _YSI≤40μg/L）

水体平均叶绿素a浓度=Chla _YSI×2.2  （Chl _YSI＞40μg/L）

式中Chla _YSI为YSI6600测定结果。

遥感数据：除非湖面上有云层覆盖，每天10点左右自太湖上空获得MODIS遥感影像。

气象数据：来自气象部门的关于太湖区域的气象预报，应用的主要参数有天气情况（晴、阴以及降雨）、风速、风向、温度。

2007年 7 月 26 日采集的数据如下表4所示：

表4  2007年7月26日太湖各巡测点叶绿素a含量以及未来72h气象信息

人工巡测数据和气象数据用于输入模型进行叶绿素a含量和水华概率预测，遥感数据能获得湖面蓝藻水华大致的分布状况，可用于人工巡测数据的校正和预报结果的评价。

2）水华预报

1. 水体中叶绿素含量的预测

为定量描述太湖叶绿素a浓度的变化过程，本发明将太湖水体网格化，水体网格单元大小为500m×500m。建立生态学模型，以人工巡测获得初始时刻的藻类密度(N₀)和采集的气象数据为输入量，分别预测蓝藻由于原位生长、死亡的变化量，和蓝藻由于迁入、迁出的变化量，从而预测每个水体单元格中在预测期内的不同时刻叶绿素a浓度。

对于所构建的模型，采用特定的计算机语言（如python）进行编程，确立太湖的边界条件，并根据划分形成的特定大小的网格，在windows条件下输入起始条件（叶绿素a浓度、气象预报等数据），即可进行运算，得到每个网格内t时段后叶绿素a的浓度，进而得到各个湖区的藻类密度情况。

根据已有的研究结果（Tsjimura，2000；吴晓东等，2008），蓝藻生长速率多数在0.2-0.3，裂解速率在0.02-0.2之间，藻类的生长和死亡速率均与气象条件相关。用Kriging空间插值法以500m×500m的大小获得各湖区网格单元，具体网格内的藻类总量按该网格内插值所得到的叶绿素a值计算总量，以如下公式计算t时刻后每个网格内藻类原位生长、死亡后的总量：

                                                                                  公式4

式中，q为叶绿素a浓度的日变化率，各气象条件下藻类日变化率用表1的参数来进行计算。该公式中原位生长的藻类以原有藻类的基数为准，不考虑漂移的变化量。

风速是决定蓝藻上浮的主要因素，根据实际情况和相关研究结果，将不同的风力条件下蓝藻的漂移量和漂移速度按如表2计算。

藻类漂移与风速风向相关。由于风是矢量，结合相关部门提供的气象预报信息，将东、东南、南、西南、西、西北、北和东北的8个方位角依次赋值为1、2、3、4、5、6、7、8，并以此确定不同风向条件下模型的计算网格，其中2、4、6、8风向条件下将网格的漂移方向按水平面的两个方向计算，依据漂移的距离来确定漂移的藻类进入相邻网格的量。

例如，在风速为1（东）方向的条件下，确定靠近东岸的网格为起始运算网格，其每个网格发生漂移而出的藻类量为：

E₁＝500×V₁×t₁×d₁×P₁×C₁                                                                         公式6

式中，500为网格的边长，E₁为漂移出的藻类量，V₁为风速，t₁为时间（1h，3600s），d₁为水深，P₁为该网格内发生漂移的藻类占总藻量百分比，C₁为该网格内水体中叶绿素a的浓度。以此计算出所有网格内漂移出的藻类，至于最西岸的网格，由于其没有迁出，将这些网格内的E₁设为0。

同理，该网格内由上一网格迁移而入的藻类量，即为上一网格漂移出的藻类量，计算公式为：

I₁＝E₁’＝500×V₁×t₁×d₁×P₁×C₁’                                             公式7

式中各参数同以上公式，C₁’为东边网格中的藻类密度。

同理，计算出风向为3，5，7情况下各个网格内藻类漂移迁出和迁入情况。

在风向为2（东南）的条件下，将藻类漂移速度分解为向东和向南两个方向的矢量，则每个方向的漂移速度为0.707V。运算开始时，以最靠近东岸和南岸的所有网格为计算的初始网格，不过藻类的漂移总是在与其相邻的三个网格内发生（即北部、西部和西北部的网格），由于风速相同，风向视为理想条件下的45度，则漂移进入该三个网格内藻类总量相等：

E_N＝E_W＝E_NW＝ 0.707 V₁×0.707 V₁××t₁×d₁×P₁×C₁                                          公式8

式中，E_N, E_W, E_NW分别为漂移进入北部、西部和西北部网格内的藻类总量，其他参数同公式，总漂移迁出量为（E_N＋E_W＋E_NW）。

漂移进该网格的数量则由东边、南边和东南边的三个网格内藻类而来，记为I_E， I_S和I_SE，其计算公式同公式，只是藻类密度分别为对应网格内的藻类密度，即：

I＝I_E＋ I_S＋ I

计算时，将最靠近东边和南边的网格中将漂移进入的藻类设为0；其中最靠近北边的网格向北漂移的量设为0，最靠近西边的网格内向西的漂移量设为0。

同理，计算出4，6，8风向条件下各个网格内的漂移藻类密度；

根据以上公式，分别计算出（B _t -D _t ）、I _t 和E _t ，即可以计算出不同气象条件下不同时间内的各个网格内的藻类密度。

2. 水华概率预测

公式2确定了主要的模型参数，预报中将降雨和风速视为水华形成的共同的触发因子，从而预测模型各因子之间的关系如下：

F=f1 (Nt)×f2（V）×f3（R）                                             公式6

其中f1 (Nt)为t时刻由藻类密度引起的水华发生概率；f₂（V）为由风速条件引起的水华发生概率；f₃（R）为降雨条件引起的水华发生概率。

蓝藻水华发生的基础是叶绿素a含量达到某一阈值。通常情况下，形成水华的水体的叶绿素a浓度高于10μg/L，但由于不同的水体中叶绿素浓度和水华的关系之间存在差异，而且不同的水体人们的关注程度不同，因此对水华的准确界定也存在差异，目前还没有统一的标准来确定水华发生时绿素浓度的阈值。太湖水体中夏季叶绿素含量高，根据长期太湖的野外观测，发现当水体叶绿素a含量达20μg/L时，即有可能发生水华，且水华概率随着叶绿素a含量的增加而增加，因此，将叶绿素a含量划分为5个等级，并将相应的水华发生概率赋值（表3）。

降雨情况本身是一个二态数据（即降雨有降雨或没有降雨），仅在雨量方面有大小之分。可是当前常规的气象预报都无法获得对应时刻的Vw（风速）和R（降雨），因此也需要对天气预报中的参数进行赋值。在预报中，根据太湖实际监测的情况，将f₂（V）和f₃（R）分别赋值如表3所示。

3） 水华预报的内容和形式

水华的预报包括各湖区监测点即时叶绿素a含量、未来3日气象数据、未来三天特定水域蓝藻水华的概率和程度预测、叶绿素a的浓度等值线图、水华现状及未来水华趋势的文字描述。叶绿素a含量可用surfer软件制等高线图输出，如将上文表4数据输入模型后，可输出图2A-2C所示的2007年7 月26日预测的未来72小时叶绿素a的等高线图，并做出7月27日至29日三天内水华预报如下：

梅梁湾蓝藻水华发生概率90％，其中马山水厂周围比较严重；贡湖湾蓝藻水华发生概率90％，主要区域在北部沿岸，特别是南泉水厂附近。

又如，在太湖梅梁湾、贡湖湾2009年4月15日监测或采集如表5所示的数据，根据本发明方法得到如图3A-3C所示的叶绿素a浓度分布图，并预测4月16日至 4月18日三天内梅梁湾水面（直湖港、湾口西、湾东北）灾害性蓝藻水华发生概率30％，贡湖湾水面（贡湖与大太湖的交界处）灾害性蓝藻水华发生概率为10％，其中叶绿素a含量在Arcgis条件支持下编程后直接输出。

表5    2009年4月15日太湖各巡测点叶绿素a含量以及未来72h气象信息

4） 水华预报的评价

采用了MODIS遥感影像作为参照，得到实际的蓝藻水华发生情况，根据不同的湖区分别对水华预报概率准确率和地点准确率进行评价。

当预报的概率>50%（或<50％）时，对应湖区出现（或未出现）蓝藻水华，评价预报为正确，反之为错误；小面积湖区（湖湾）蓝藻预报有水华湖区和实际发生水华的湖区在70％以上水域相符时，则预报地点为正确；水域面积大的湖区，将每次预报的水华水域与实际水华水域面积对比后加以评价。

采用本发明方法在2009年发布了44份蓝藻水华预报，每次预报三天，共预报132天。梅梁湾内水华概率预报正确率为70％；共30天发生水华，水华发生地点预报正确26天，在概率预报正确的情况下，水华地点的正确率为64％。贡湖湾内水华概率预报正确率为87％；共15天发生水华，在概率预报正确前提下，水华发生地点预报正确10天，正确率为79％。

预报结果评价详见表6，其中预报概率的正确性在80％左右，水华地点的预报正确性也在50％以上。

年太湖蓝藻水华预报的回顾性评价

湖区	评价次数（天）	概率预报正确率	地点预报正确率
				梅梁湾	63	70%	65%
贡湖	63	87%	79%
				其他湖区	63	95%	81%（基本吻合为56%，预测面积为实际发生面积一半水域为29%）

从更长时间来看，2007年、2008年和2009年分别发布了32、54和44份蓝藻水华预报。其中，蓝藻水华发生概率预测的准确性在大太湖为88％-95％，在贡湖和梅梁湾为60％－87％之间；对蓝藻水华发生的具体地点的预测，贡湖湾和梅梁湾准确性介于60％－84％。

Claims (9)

1.  一种大型浅水湖泊72小时蓝藻水华预测方法，其特征在于：根据蓝藻原位生长率和漂移速率参数，构建水体叶绿素a含量预测模型和水华发生概率预报模型；分析监测水域即时的叶绿素a含量和分布；将监测水域即时的叶绿素a含量、分布，以及监测期内气象信息数据输入模型，输出监测水域预测期内叶绿素a浓度的预测值和蓝藻水华出现的水域及概率，发布水华监测预报。

2.  根据权利要求1所述的蓝藻水华预测方法，其特征在于所述方法包括以下步骤：

1）在监测水域设置采样点，采集分析监测水域即时叶绿素a浓度值和分布；

2）采集预测期内的包括风速、风向、降雨在内的气象信息数据；

3）构建水体叶绿素a浓度预测模型，输入监测水域即时的叶绿素a浓度值、分布以及气象信息数据，输出监测水域预测期内叶绿素a浓度的预测值；

4）构建水华发生概率预测模型，输入监测水域叶绿素a浓度值、分布的预测值以及气象信息数据，预测蓝藻水华出现的水域及其概率；

5）输出数据，发布水华监测预报。

3.  根据权利要求1或2所述的蓝藻水华预测方法，其特征在于所述的水体中叶绿素a浓度采用快速水质监测仪器测定并根据下列公式校正：

水体平均叶绿素a浓度=Chla _YSI×7.76 （Chl _YSI≤40μg/L）

水体平均叶绿素a浓度=Chla _YSI×2.2  （Chl _YSI＞40μg/L）

式中Chla _YSI为快速水质监测仪器测定结果。

4.  根据权利要求1或2所述的蓝藻水华预测方法，其特征在于所述的叶绿素a浓度预测模型将监测水域划分为网格单元，并按下式得到水体网格单元内叶绿素a浓度的预测值：

N _t  = N₀+（Bt－Dt）+（It－Et）                                           

式中，N_t为所预报时刻（t）的水体中藻类密度，N₀为监测时刻（0）藻类密度，Bt、Dt、It、Et分别是0—t时段该湖区藻类的生长、死亡、迁入、迁出的数量。

5.  根据权利要求4所述的蓝藻水华预测方法，其特征在于蓝藻由于生长、死亡引起的变化量，可用以下公式计算：

                                                 

                                                                   

式中，q为叶绿素a浓度的日变化率， N₀由现场监测获得。

6.  根据权利要求4所述的蓝藻水华预测方法，其特征在于水体网格单元内迁入或迁出的蓝藻量用以下公式计算：

Et＝a×V×t×d×P×C                                                                               

式中，a为网格的边长，Et为迁入或迁出的藻类量，V为风速，t为时间，d为水深，P为发生漂移的藻类占总藻量百分比，C为水体中叶绿素a的浓度。

7.根据权利要求1或2所述的蓝藻水华预测方法，其特征在于所述的水华发生概率预测模型，按下式计算水华发生概率：

F=f₁ (Nt)×f₂（V）×f₃（R）                                              

其中f₁ (Nt)为t时刻由藻类数量引起的水华发生概率；f₂（V）为由风速条件引起的水华发生概率；f₃（R）为降雨条件引起的水华发生概率；根据输入的叶绿素a和气象数据，按下表1对水华发生概率赋值；

表1蓝藻水华预报中叶绿素a含量、风速和降雨与水华发生概率的对应表

叶绿素a（μg/L） f ₁(Nt) 风力（风速m/s） f₂ (V) 降雨 f₃（R） 60以上 1 1－2级（0.3-3.3） 1 晴、多云 1 50 0.9 3级（3.4-5.4） 0.9 阴、小雨 0.9 40 0.8 4级（5.5-7.9） 0.8 阵雨、雷阵雨 0.8 30 0.6 5级（8.0-10.7） 0.7 中雨 0.7 20 0.4 5级以上（>10.8） 0.5 中、大、暴雨 0

。

8. 根据权利要求1或2所述的蓝藻水华预测方法，其特征在于所述的输出数据包括监测水域叶绿素a浓度预测值的等值线图或浓度分布图、特定水域蓝藻水华发生的概率。

9.  根据权利要求1或2所述的蓝藻水华预测方法，其特征在于利用遥感影像数据对水华预报进行修正，并对预报方法进行评价。

Images