CN103678910B - 河道型水库支流库湾水华的云体系架构预警系统及方法 - Google Patents
河道型水库支流库湾水华的云体系架构预警系统及方法 Download PDFInfo
- Publication number
- CN103678910B CN103678910B CN201310675332.5A CN201310675332A CN103678910B CN 103678910 B CN103678910 B CN 103678910B CN 201310675332 A CN201310675332 A CN 201310675332A CN 103678910 B CN103678910 B CN 103678910B
- Authority
- CN
- China
- Prior art keywords
- module
- data
- consultation
- bloom
- risk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000192710 Microcystis aeruginosa Species 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 claims abstract description 132
- 238000003860 storage Methods 0.000 claims abstract description 125
- 238000004891 communication Methods 0.000 claims abstract description 45
- 230000004044 response Effects 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 118
- 241000195493 Cryptophyta Species 0.000 claims description 66
- 230000007613 environmental effect Effects 0.000 claims description 60
- 230000008569 process Effects 0.000 claims description 31
- 230000005540 biological transmission Effects 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 25
- 239000005422 algal bloom Substances 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 21
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 14
- 229930002875 chlorophyll Natural products 0.000 claims description 14
- 235000019804 chlorophyll Nutrition 0.000 claims description 14
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 14
- 238000007726 management method Methods 0.000 claims description 14
- 229910052760 oxygen Inorganic materials 0.000 claims description 14
- 239000001301 oxygen Substances 0.000 claims description 14
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 12
- 239000003053 toxin Substances 0.000 claims description 11
- 231100000765 toxin Toxicity 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 10
- 230000001360 synchronised effect Effects 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 9
- 235000015097 nutrients Nutrition 0.000 claims description 9
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 8
- 229910052698 phosphorus Inorganic materials 0.000 claims description 8
- 239000011574 phosphorus Substances 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- 230000004907 flux Effects 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 7
- 150000003839 salts Chemical class 0.000 claims description 7
- 229910052710 silicon Inorganic materials 0.000 claims description 7
- 239000010703 silicon Substances 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 229910052757 nitrogen Inorganic materials 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 239000003643 water by type Substances 0.000 claims description 5
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims 2
- 230000000050 nutritive effect Effects 0.000 claims 2
- 241001269238 Data Species 0.000 claims 1
- 238000000151 deposition Methods 0.000 claims 1
- 230000003203 everyday effect Effects 0.000 claims 1
- 230000003137 locomotive effect Effects 0.000 claims 1
- 230000007774 longterm Effects 0.000 claims 1
- 238000011022 operating instruction Methods 0.000 claims 1
- 238000012502 risk assessment Methods 0.000 abstract description 24
- 230000001939 inductive effect Effects 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 17
- 210000004027 cell Anatomy 0.000 description 12
- 239000000523 sample Substances 0.000 description 11
- 230000005791 algae growth Effects 0.000 description 9
- 238000012937 correction Methods 0.000 description 5
- 230000009365 direct transmission Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 239000013049 sediment Substances 0.000 description 5
- 230000002269 spontaneous effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000012010 growth Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000000835 fiber Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 210000000476 body water Anatomy 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 229910019142 PO4 Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005189 flocculation Methods 0.000 description 1
- 230000016615 flocculation Effects 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 1
- 239000010452 phosphate Substances 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明涉及一种河道型水库支流库湾水华的云体系架构预警系统及方法，包括监测云模块、信息云模块、应用支撑模块、水华预警模块和会商决策模块；监测云模块由现场信息采集单元和运行通信单元组成，信息云模块的存储介质由固定结合移动的分布式存储站网组成，应用支撑模块由基础支撑单元、应用定制单元、数据协作单元、应急处置单元组成，水华预警模块由风险分析单元和预警预报单元组成，会商决策模块用于实现云环境下的决策会商和信息共享交流。本发明基于云体系架构实现了模块无缝链接与运行控制，对水库支流库湾水华诱发因素及水华生化属性进行全天候监测、云存储与水华风险预警，为预防和减少水华事件提供了基于云体系架构的新手段。
Description
技术领域
本发明涉及水利水电工程及水环境保护技术领域，特别涉及一种河道型水库支流库湾水华的云体系架构预警系统及方法。
背景技术
在水流较缓的富营养化水体内，若环境条件适宜，藻类易快速繁殖聚集形成水华。河道型水库蓄水后水体自净能力显著下降，环境条件适宜时，易在敏感水域(如支流库湾)发生水华。例如，三峡水库蓄水后，多数次级河流形成库湾，流速减缓、透明度增加、水温季节分层，十分有利于形成春夏水华灾害。水华会对生态多样性、供水安全、鱼类保护、旅游观光等造成严重破坏。河道型水库的支流库湾的水表面积往往占水库总面积的三分之一强，库区水质管控问题很大程度上转化为支流库湾水华的预防与控制问题。河道型水库支流库湾水华的爆发往往没有先兆，水华爆发后的治理技术目前还不成熟，因此水华管控最优策略是在其爆发之前和初期就能进行准确预报与应急处置。
长期以来，国内外围绕着湖泊水华问题开展了大量预警预报与后期治理的研究与实践，但针对河道型水库支流库湾水华问题，尚无成熟的水华预警实践报道。现有水华监测与预警技术主要分为三种：基于人工采样的水华预警、基于自动监测站的水华预警、基于遥感影像的水华预警。以上方法均存在较大的不足与缺陷：
(1)基于人工采样的水华预警方法，需要通过人工现场采集水样，然后带至实验室内进行离线水化学分析的方式获取水质信息，该方法时效性明显不足，存在着监测周期长、劳动强度大、针对性差、数据采集慢等问题，无法反映水环境动态变化，且不易及早发现污染源并报警；
(2)基于自动监测站的水华预警方法，一般由监测中心和若干个固定远程自动监测站组成水质自动监测系统，但由于河道型水库支流库湾的地域范围广，固定监测站点难以全面监测目标水域，同时远程监测会产生海量数据，数据存储传输和数据挖掘都较为困难，目前硬件设备的计算能力、存储能力及应用服务能力一般不足以支撑需求；
(3)基于遥感影像的水华预警方法，该方法主要采用了卫星遥感影像或雷达技术，虽然解决了传统采用布点方式在测量数据空间分辨率不足的缺陷，但由于遥感卫星测量周期较长会导致测量影像时间分辨率较低的新问题，同时遥感技术同样需要现场测量数据进行率定，才提高水质、水华等信息提取的精度。
近年来随着云技术在多个领域的快速发展，给水环境与水生态保护提供了新的思路。然而，现有云计算理论并非针对河道型水库支流库湾水华灾害具有的大尺度、强人为影响、随机性、非线性的实际特点，因此需要采用全新的云体系架构进行水华预警，使之既能摆脱大数据监测所需的昂贵硬件成本，实现高性能快速有效的信息挖掘，也能克服河道型水库支流库湾水华爆发时空随机性对预警预报造成的障碍。
发明内容
发明目的：为了克服目前已有的大尺度水域水华监测技术的缺点，弥补河道型水库支流库湾水华预警技术领域的不足，本发明提供一种河道型水库支流库湾水华的云体系架构预警系统及方法，对水库支流库湾水华诱发因素及水华生化属性进行全天候监测、云存储与水华风险预警，为预防和减少水华危害提供基于可靠完整的新手段。
技术方案：为了实现上述发明目的，本发明采用的技术方案为：
河道型水库支流库湾水华的云体系架构预警系统，包括监测云模块、信息云模块、应用支撑模块、水华预警模块和会商决策模块，其中：
所述的监测云模块由终端采集单元和运行通信单元组成；其中的终端采集单元包括若干套安置在现场的水华预警多参数采集设备，用于获取河道型水库支流库湾中与水华暴发风险相关的关键参数实时数据；其中的运行通信单元包括无线通讯器、临时存储器、远程控制器、电源和太阳能电池板，负责终端采集单元的运行控制和数据传输，通过3G和2G两种无线通信方式与终端采集单元进行交互通信，用于接收和执行应用支撑模块下发的远程指令控制终端采集单元各监测装置，同时将终端采集单元采集的大数据集传输至信息云模块；
所述的信息云模块的存储介质由存储站网组成，用于接受和存储监测云模块采集的大数据集，同时存储站网的各存储节点间可进行自发式数据内网传输和数据调用；
所述的应用支撑模块由基础支撑单元、应用定制单元、数据协作单元、应急处置单元组成，构建在SOA组件模型+服务总线+组件框架之上，通过基于流程驱动总线+模块组件的方式，使各单元间具有互操作交换业务信息和调用业务功能，满足系统客户终端、监测现场、存储节点、移动车船、流域管理层的需求，用于设定系统运行环境和执行模块协作；其中的基础支撑单元提供系统运行环境设定、基础辅助功能、远程指令下发、防火墙管控等服务；应用定制单元为客户终端提供可选服务功能包和可视化开发模板，由客户自主定制功能；其中的数据协作单元实现对信息云模块的过程指令、监控数据、过程分析数据进行一体化功能管控，包括数据存储、条件查询、选择调用、可逆追踪、数据纠错、信息过滤等；其中的应急处置单元用于接受会商决策模块发出的最终指令，根据水华预警模块给出的水华潜在严重程度判据，启动针对性的预存应急预案，应急预案部署过程与实施效果同步反馈给会商决策模块供其同步会商决策；
所述的水华预警模块由风险分析单元和预警预报单元组成；其中的风险分析单元接受信息云模块的实时采集信息数据，采用主因动态测试、数据驱动风险预测与事件类比重现的耦合技术，分析不同气象、水文及水环境条件下水华爆发的风险度及其潜在严重程度；其中的预警预报单元接受风险分析单元输出结果，根据水华风险阈值进行判别，分发不同的预警指令给会商决策模块；
所述的会商决策模块包括显示设备、扩声设备、同步通讯设备和监控工作台，采用多情景会商室的并行通讯互动模式，支持语音、文字、视频的同步通讯显示。
进一步地，为实现上述监测云模块所采用的具体方案为：
监测云模块包括终端采集单元和运行通信单元；
特别的，其中的终端采集单元用于获取河道型水库支流库湾中与水华暴发风险相关的关键参数实时数据，包括诱发水华爆发的环境因素和水华自身生化表征参数；终端采集单元包括若干套设置在现场的水华预警多参数采集设备，采用固定结合移动的分布式布设方式，即以沿岸固定站点方式为主，在不能满足沿岸固定建设条件的区域采用水上浮标方式，同时采用移动车／船载采集设备的移动方式进行定期走航监测及对固定设备进行数据复查；
特别的，其中的运行通信单元为监测云模块的主控模块，通过3G(同时支持CDMA2000，WCDMA，TD-SCDMA)和2G(支持GPRS)两种无线通信方式与终端采集单元进行交互通信；运行通信单元接收和执行应用支撑模块远程指令启动终端采集设备运行；同时运行通信单元将终端采集单元的多个终端设备采集的大数据集，包括监测数据和视频图像，无线传输至信息云模块的存储节点中。
进一步地，所述监测云模块的终端采集单元由若干套安置在现场的水华预警多参数采集设备组成，其中：
特别的，每套水华预警多参数采集设备，由流速计、水位计、垂向紊动测量仪、藻细胞垂向迁移测量仪、光照计、温度传感器、营养盐传感器、PH传感器、水浊度传感器、溶解氧测量仪、探头式藻类荧光仪、藻毒素监测仪、风速传感器和视频摄像机组成；
特别的，每套水华预警多参数采集设备的采集参数包括诱发水华爆发的环境因素和水华自身生化表征参数，前者包括流速、水位、水温、光照度、风速、水浊度、溶解氧浓度、PH值、营养盐(总磷、总氮、溶解硅)浓度、垂向紊动参数、底泥藻类细胞复苏通量，后者包括叶绿素浓度、藻细胞丰度、藻毒素浓度；
特别的，每套水华预警多参数采集设备都配置一台全景水上视频摄像机和一台水下全景视频摄像机，每天定时运行两次，昼夜各一次，每次监测2小时；
特别的，每套水华预警多参数采集设备均有统一授时控制芯片、唯一身份识别码、GPS定位模块、3G和2G无线通信端口。
特别的，所述监测云模块的终端采集单元下辖的每套水华预警多参数采集设备，有统一授时控制芯片，用于配置校准时钟和设置水华预警多参数采集设备唯一身份识别码，其中的唯一身份识别码由设备独立ID和独立IP加密而成；统一授时控制芯片通过3G和2G无线通信端口接受应用支撑模块的基础支撑单元统一授时，以保证监测实施时间一致性、数据时段匹配、数据包查找汇集的便利性；统一授时控制芯片接收到应用支撑模块运行指令后，自动回复所处地理位置经纬度、高程、唯一身份识别码，确认其已与应用支撑模块连接成功后，正式开始进行监测工作。
进一步地，为实现前述信息云模块所采用的具体方案为：
信息云模块接受和存储监测云模块上传的大数据集，其存储介质由固定结合移动的分布式存储站网组成：永久式大容量存储节点安置在多个水文站机房内，可拆卸式普通容量存储节点设置在多个沿岸固定监测点周边，可拆卸式普通容量备用存储节点设置在可移动车／船上；
针对监测云模块采集与传输数据具有大数据的特征，为避免出现无线传输障碍及其数据延迟问题，信息云模块采用大数据相机数据工作模式，分布式存储站网在优化传输模式下进行自发式直传、中转、继传、备存数据流动；其中直传是指各存储节点可接受终端采集单元直接上传的大数据集，以及同时可直接接受水华预警模块和会商决策模块的过程记录；其中的中转是指各存储节点可接受其他存储节点中转的分发数据包；继传是指各存储节点可作为中转站继续分发数据包至其他相对闲置存储节点；备存是指当该存储节点遭遇极端情况无法寻找到闲置存储节点时，呼叫备用移动存储车船，进行临时存储，再相机转发至其他节点。
进一步地，上述大数据相机数据工作模式，具体而言是指：
(1)某存储节点A接收临近若干采集设备上传的数据包；(2)若存储节点A传输通道濒临堵塞，则采集设备自动选择传输通道占用率最小的存储节点B存储；(3)若存储节点A接收的数据包超过预设容量，则将已存数据集进行分包转发，原理是将相邻存储节点的剩余存储空间的倒数值看作节点间的路程，用Dijkstra算法找出距离存储节点A路径最短的存储节点B，将数据包传输给该存储节点，依次同理选择若干个存储节点C、D、E发送数据包，直至存储节点A有闲置存储空间，其他存储节点依此类推；(4)当存储节点A遭遇极端情况无法寻找到闲置存储节点时，呼叫备用移动存储车船，进行临时存储，再相机转发至其他节点。
上述的相机式大数据存储及转发模式确保了大数据环境下数据高效操作，在不设中心控制存储站的情况下，实现了大数据随机云存储和智能自发调控的服务功能，可以避免大数据环境下常出现的数据传输分布不均衡的问题。
进一步地，所述的信息云模块的分布式存储站网各存储节点的数据类型分为应用指令集单元、监测数据综合库单元、过程分析数据库单元三类数据的存储服务；其中：
所述的应用指令集单元用于记录应用支撑模块在控制监测云模块的过程中产生的远程指令集，以及该指令发出后终端采集单元各监测装置返回的唯一身份识别码、地理位置经纬度、高程等，为应用支撑模块的数据协作单元进行数据存储、条件查询、选择调用、可逆追踪、数据纠错、信息过滤提供校核依据；
所述的监测数据综合库单元为水华预警模块进行水华爆发风险及其潜在严重程度分析提供信息，包括专业数据库和基础数据库，其中的专业数据库存储管控风险分析单元采集的监测数据与视频监视图像，监测数据包括水华诱发环境参数和水华自身生化表征参数实时数据流，视频监视图像主要包括所有监测装置拍摄的视频监视数据，当出现故障或异常情况时，视频信息应能自动或人工干预下允许采用抽帧或粗化或减色存储；基础数据库记录长序列监测区域历史水情数据、监测区域历史水质数据、监测区域历史气象数据、监测区域工程基础数据、监测区域遥感影像数据、监测区域基础地理数据、监测区域元数据库等；
所述的过程分析数据库单元用于记录水华预警模块的过程分析记录、会商决策模块运行的过程决策信息，为应用支撑模块的数据协作单元进行数据存储、条件查询、选择调用、可逆追踪、数据纠错、信息过滤提供数据支撑。
进一步地，为实现前述应用支撑模块，所采用的具体方案为：
所述的应用支撑模块由基础支撑单元、应用定制单元、数据协作单元、应急处置单元组成；其中：
所述的基础支撑单元主要由操作系统和信息服务器组成，为系统提供运行环境设定、基础辅助功能如系统安装、组装、维修、注册、定位、配置、卸载注销、远程指令下发、防火墙管控、用户管理、身份认证、单点登录、授权管理等服务；所述应用定制单元为客户终端提供可选服务功能包和可视化开发模板，由客户自主定制与业务应用紧密相关的功能，如监测设备指令服务、空间信息服务、数据展现服务、告警服务、虚拟演示服务等，并可将之打包为APP组件至终端进行远程操作；数据协作单元用于对大数据集进行多功能数据管控和数据挖掘应用，包括数据查询、选择调用、可逆追踪、数据纠错、信息过滤、趋势分析等；应急处置单元预存若干应急预案，依据会商决策模块的最终指令，启动针对性应急预案进行部署。
进一步地，为实现前述会商决策模块，所采用的具体方案为：
所述的会商决策模块实现决策会商、信息共享交流和数据、语音、视频等多媒体信息快速交互传递的功能，具体提供本地会议讨论功能和异地视频会商功能；会商决策模块为多情景会商室的并行通讯互动模式，采用了包括显示设备、扩声设备、监控工作台等设备，支持语音、文字、视频的同步通讯显示，能实现不同会商环境下的、不同会商接入端口的、不同会商成员的无障碍信息共享交流及决策，会商接入端口包括会商主控制大厅、分系统接入室、便携式计算机、手持智能机、车载蓝牙耳麦、无线电台等；
所述的会商环境根据会商主题的不同，提供不同的服务重点，在组织会商主题信息服务时，根据会商主题确定信息内容，依照会商流程或阶段提供相应的信息主题服务，具体有常年度水质调度工作会商服务、月旬水质调度方案会商服务、应急水华调度会商服务、重大污染事件处理会商服务、重大水华事件调度事故处置会商服务和危机调度会商服务。
应用上述装置，提供一种河道型水库支流库湾水华的云体系架构预警方法，按以下步骤进行：
(1)监测云模块接受应用支撑模块远程指令，开始采集河道型水库大范围水域中诱发水华爆发的环境因素及水华自身生化表征参数，按如下步骤执行：
①应用支撑模块通过监测云模块的运行通信单元，对终端采集单元全部或部分的现场水华预警多参数采集设备下发远程指令，对现场各监测装置进行统一授时；
②终端信息采集单元的各现场设备接收到中心应用系统运行指令后，自动回复所处地理位置经纬度、高程、唯一身份识别码，经应用支撑模块查验后正式进行监测；
③此外，终端原位信息采集单元的各现场设备定时接受视频启动指令，经应用支撑模块查验后正式进行水上、水下视频监测，每天昼夜各一次，每次监测2小时；
(2)采用大数据相机数据工作模式，将步骤(1)中采集的水华相关大数据传输存储到信息云模块，按如下情形执行：
①直传模式：当采集设备与存储节点传输通道畅通时，存储节点直接接受其所采集的数据流，接受数据后进行标准化处理并存储；
②中转模式：当上述存储节点传输通道濒临堵塞时，采集设备的数据分包传输至就近的一个或多个相对闲置存储节点，接受数据后进行标准化处理并存储；
③继转模式：当该存储节点接受数据包超过预设容量时，将已存数据集进行分包，选择若干个相对闲置存储节点，进行分包转发，接受数据后进行标准化处理并存储；
④备存模式：当该存储节点遭遇极端情况无法寻找到闲置存储节点时，呼叫备用移动存储车船，进行临时存储，再相机转发至其他节点，接受数据后进行标准化处理并存储。
(3)水华预警模块的风险分析单元结合已采集到的目标水体水华相关数据和视频资料，采用主因动态测试、数据驱动风险预测与事件类比重现的耦合技术，对不同气象、水文及水环境条件下目标水体的水华暴发风险及潜在严重程度进行分析，按如下步骤执行：
①采用主因动态测试方法分析不同环境条件下不同环境因子对藻类生长的贡献程度的大小及范围，找出驱动藻类生长的关键环境因素；
②采用数据驱动风险预测方法针对步骤(1)的步骤①的关键环境因素，基于数据驱动神经网络技术建立模型训练后，进行水华风险初步预测，给出水华风险度的高低预测结果；
③采用事件类比重现方法针对步骤(1)的步骤①的关键环境因素，搜寻在上述类似环境条件下，历史数据记录中水华事件的标准数据，给出水华暴发的潜在严重程度。
(4)水华预警模块的预警预报单元接受风险分析单元输出结果，根据不同水华暴发风险，分发不同的预警指令给会商决策模块；
(5)会商决策模块呼叫不同应用终端，根据风险分析单元反馈的水华潜在严重程度进行决策会商，一旦形成应急处置决策，则向应急处置单元发出指令启动针对性应急预案，应急预案部署过程与实施效果同步反馈给会商决策模块供其会商决策。
为实现上述方法，进一步的技术方案为：
所述的水华预警模块由风险分析单元和预警预报单元组成，其中的风险分析单元结合已采集到的目标水体水华相关数据和视频资料，采用主因动态测试、数据驱动风险预测与事件类比重现的耦合技术，对不同气象、水文及水环境条件下目标水体的水华暴发风险及潜在严重程度进行分析，按如下具体步骤执行：
①主因动态测试：针对目标水体水华相关采集数据Ai和Bi，其中的Ai为诱发水华爆发的环境因素，i表示各环境参数，包括流速、水位、水温、光照度、风速、水浊度、溶解氧浓度、PH值、总磷、总氮、溶解硅浓度、垂向紊动参数、底泥藻类细胞复苏通量，其中的Bi为水华自身生化表征参数，其中i包括叶绿素浓度、藻细胞丰度、藻毒素浓度；采用Pearson相关性分析进行主因动态测试，求出Ai与Bi的皮尔逊相关系数Pi，其中i表示Ai与Bi的变量之间的因果紧密度，即不同环境因子对藻类生长的贡献程度相对大小；找出Pi＞0.55的环境因素Aj(j∈i)，记为Zj，，即为在该时段实际条件下驱动藻类生长的最关键的单个或多个关键环境驱动因素；
②数据驱动风险预测：对上述Zj的样本数据进行归一化处理映射到[0，1]范围内，采用公式为(Zj-Zjmin)／(Zjmax-Zjmin)，其中Zj为某指标实测值，Zjmin为某指标样本中最小值，Zjmax为某指标样本中最大值；然后将其输入基于历史水质监测数据训练后的水华风险预测神经网络，进行初步水华风险预测，该网络采用BP算法；所述的水华风险预测神经网络包括输入层、隐含层和输出层，其中输入层包括j个节点，其中j为Zj的个数，节点分别对应步骤①动态测试出的该时段最关键的环境驱动因素；隐含层包括2j+1个节点，采用双曲正切函数tanh(x)模拟神经元响应方式；输出层用于输出水华风险度H，分别由值0.2、0.4、0.6、0.8、1.0表征对应无风险、低风险、普通风险、高风险、极端风险；
③事件类比重现：针对步骤①动态测试出的该时段关键环境驱动因素Zj，在监测数据综合库单元的基础数据库的历史数据资料中，选择关键环境驱动因素值在Zj+0.2Zj的范围内的历史时段作为类比事件，分析在该些历史事件中、该环境条件下1～7天内的叶绿素浓度Ci变化情况，以此重现出本次监测时段未来一周内藻类最可能的生长情况；若步骤②预测结果为无风险或低风险，而Ci在该些历史事件中平均值小于10μg／L，表明预测结果正确，无需决策会商；若步骤②预测结果为高风险水华或极端风险水华，而Ci在该些历史事件中平均值大于10μg／L，表明预测结果正确，且不同Ci的大小反映潜在的水华严重程度，需决策会商启动应急处置；若步骤②预测结果为普通风险水华，则根据Ci的大小选择是否启动决策会商，即Ci大于10μg／L则启动决策会商，反之不启动；若步骤②预测结果为高风险水华及极端风险水华，而Ci在该些历史事件中平均值小于10μg／L，表明预测结果存疑，需进一步决策会商；若步骤②预测结果为无风险或低风险或普通风险，而Ci在该些历史事件中平均值大于10μg／L，则表明预测结果存疑，需进一步决策会商。
进一步地，为实现所述的水华预警模块，具体技术方案为：
水华预警模块由风险分析单元和预警预报单元组成，其中的预警预报单元针对风险分析单元结果，发出五级预警信号，其中：蓝色预警信号代表未来一周内无发生水华的风险，无需启动会商决策模块；绿色预警信号代表未来一周内有较低的风险暴发水华，无需启动会商决策模块；黄色预警信号代表未来一周内有普通的风险暴发水华或风险分析单元结果存疑，可启动会商决策模块；橙色预警信号代表未来一周内有高的风险暴发水华，需启动会商决策模块；红色预警信号代表未来一周内有极高的风险暴发水华，需立刻启动会商决策模块。
有益效果：
1、本发明解决了对河道型水库支流库湾水域中水华环境诱发因子及水华自身表征生化参数难以实施时空高分辨率的统一监测问题，通过固定结合移动的分布式监测站网的布设方式，可以迅速地部署无线移动通信网络，能够对大范围水域进行快速信息采集，通过统一授时、自动回复校验等保障技术，为实时水华预警提供了基于云架构体系的监测手段，避免了出现监测空白区与时间延迟的问题；
2、本发明将存储节点采集设备通过通讯单元联系形成智能式监测站网，利用大数据相机数据工作模式在优化传输模式下进行自发式直传、中转、继传、备存数据流动，确保了大数据环境下数据高效操作，在不设中心控制存储站的情况下，实现了大数据随机云存储和智能自发调控的服务功能，可以避免大数据环境下常出现的数据传输分布不均衡的问题；
3、本发明基于云体系架构克服了远程监测海量数据存储、传输和分析的困难，利用普通的软硬件设备实现高性能的计算能力，减少了资源的浪费和闲置，降低了用户对的经济投入；并且由于资源和软件的集中管理和维护，降低了对用户系统维护能力的要求，操作简单易于实施；
4、本发明实现了模块无缝链接与运行控制，为系统运行提供了灵活可靠的操作环境，通过应用支撑模块的基础支撑单元、应用定制单元、数据协作单元、应急处置单元的互操作交换业务信息和调用业务功能，使得这个系统能够应用于不同客户层级；
5、本发明能够充分挖掘历史及现场数据，通过采用主因动态测试、数据驱动风险预测与事件类比重现的耦合技术，准确分析不同气象、水文及水环境条件下水华爆发的风险度及其潜在严重程度，通过结合会商决策与应急处置技术，能够有效维护河道型水库支流库湾的水环境状况，有效预防与控制水华爆发。
附图说明
图1为河道型水库支流库湾水华云体系架构预警系统示意图；
图2为河道型水库支流库湾水华云体系架构预警方法示意图；
图3为本发明的监测云模块的水华预警多参数采集设备功能示意图；
图4为实施例中某库湾采用本发明所设的固定与移动采样点；
图5为实施例中某库湾采用本发明的水位监测结果图；
图6为实施例中某库湾采用本发明的部分采样点水温监测平均结果图；
图7为实施例中某库湾采用本发明的部分采样点水体PH监测平均结果图；
图8为实施例中部分库湾采样点的水体溶解氧监测平均结果图；
图9为实施例中部分库湾采样点的水体浊度监测平均结果图；
图10为实施例中部分库湾采样点的水体营养盐监测平均结果图；
图11为实施例中部分库湾采样点的水体叶绿素浓度监测平均结果图。
具体实施方式
实施例1
河道型水库支流库湾水华的云体系架构预警系统由监测云模块1、信息云模块2、应用支撑模块3、水华预警模块4和会商决策模块5组成。
第一部分：监测云模块
监测云模块1由终端采集单元11和运行通信单元12组成，用于水华相关多参数指标信息采集、传输与存储服务，涉及到远程现场采集终端、通讯硬件及存储介质；
1、终端采集单元11包括若干套安置在现场的水华预警多参数采集设备，采用固定结合移动的分布式布设方式：根据河道型水库具有的狭长型水域形态的特征，以沿岸固定站点方式为主，每隔一定距离，布设一个岸边式固定站；在不能满足沿岸固定建设条件的区域，如陡峭山体或岸边农田等处，则采用水上浮标站点方式在水体中布设一个监测点；同时，采用移动车／船载采集设备的移动站点方式，即进行定期走航监测、也用于对固定设备进行数据复查与仪器检修。
以上终端采集单元11的固定式和移动式监测站点均由水华预警多参数采集设备、固定电力供应系统、太阳能辅助供电系统、电缆等元器件、通讯设备等组成，用于获取河道型水库支流库湾中与水华暴发风险相关的关键参数实时数据，包括诱发水华爆发的环境因素和水华自身生化表征参数。
现场的每套水华预警多参数采集设备，由流速计(声学多普勒流速仪)、水位计(Senlod投入式液位变送器)、垂向紊动测量仪(自制气泡式水体垂向紊动测量装置)、藻细胞垂向迁移测量仪(自制絮凝吸附式藻类复苏及垂向迁移监测装置)、光照计(HS1010数字式照度计)、温度传感器(DS18b20不锈钢封装防水型温度传感器)、营养盐传感器(氨氮传感器、磷酸盐传感器、溶解硅传感器)、PH传感器(4-20mA／0-5V／RS485可选水质PH传感变送器)、水浊度传感器(WGZ-1B浊度计)、溶解氧测量仪(DO12-A0002溶解氧传感器)、探头式藻类荧光仪(FL3500藻类荧光测量仪)、藻毒素监测仪(Agilent高效液相色谱仪)、风速传感器(HS-FS01风速传感器)和视频摄像机(TY06EDVR-40M管道摄像机)组成；
每套水华预警多参数采集设备的采集参数包括诱发水华爆发的环境因素和水华自身生化表征参数，前者包括流速、水位、水温、光照度、风速、水浊度、溶解氧浓度、PH值、营养盐(总磷、总氮、溶解硅)浓度、垂向紊动参数，后者包括叶绿素浓度、藻细胞丰度、藻毒素浓度、底泥藻类细胞复苏通量；
每套水华预警多参数采集设备都配置一台全景水上视频摄像机和一台水下全景视频摄像机，每天定时运行两次，昼夜各一次，每次监测2小时；
每套水华预警多参数采集设备均有统一授时控制芯片(M-285MTK芯片)、唯一身份识别码、GPS定位模块、3G(同时支持CDMA2000，WCDMA，TD-SCDMA)和2G(支持GPRS)无线通信端口。
每套水华预警多参数采集设备，有统一授时控制芯片(M-285MTK芯片)，用于配置校准时钟和设置本设备唯一身份识别码，其中的唯一身份识别码由设备独立ID和独立IP采用MD5加密算法转变而成；统一授时控制芯片通过3G和2G无线通信端口接受应用支撑模块的基础支撑单元统一授时，以保证监测实施时间一致性、数据时段匹配、数据包查找汇集的便利性；统一授时控制芯片接收到应用支撑模块的运行指令后，自动回复所处地理位置经纬度、高程、唯一身份识别码，确认其已与应用支撑模块连接成功后，正式开始进行监测工作。
2、运行通信单元12由无线通讯器、临时存储器、远程控制器、电源、太阳能电池板组成，负责终端采集单元11的运行控制和数据传输，可接受应用支撑模块3下发的远程指令控制终端采集单元11各监测装置，同时将终端采集单元11采集的大数据集传输至信息云模块2。运行通信单位12为监测云模块2的主控模块，通过3G和GPRS两种无线通信方式进行交互通信；运行通信单元12接收和执行应用支撑模块3远程指令启动终端采集设备运行；同时，运行通信单元12将终端采集单元11的多个终端设备采集的大数据集，包括监测数据和视频图像，无线传输至信息云模块2的存储节点中。
第二部分：信息云模块
信息云模块2由固定结合移动的分布式存储站网组成。
信息云模块2接受和存储监测云模块1上传的大数据集，其存储介质由固定结合移动的分布式存储站网组成：在多个水文站机房内安置永久式大容量存储节点(存储容量不少于500T)；在多个沿岸固定监测点周边设置可拆卸式普通容量存储节点(存储容量不少于100T)；在可移动车／船上设置可拆卸式普通容量备用存储节点(存储容量不少于100T)；所述的信息云模块2采用大数据相机数据工作模式，分布式存储站网在优化传输模式下进行自发式直传、中转与继传数据流动。
上述的大数据相机数据工作模式，具体而言是指：某存储节点A接收临近若干采集设备上传的数据包；若存储节点A传输通道濒临堵塞，则采集设备自动选择传输通道占用率最小的存储节点B存储收的数据包超过预设容量，则将已存数据集进行分包转发，原理是将相邻存储节点的剩余存储空间的倒数值看作节点间的路程，用Dijkstra算法找出距离存储节点A路径最短的存储节点B，将数据包传输给该存储节点，依次同理选择若干个存储节点C、D、E发送数据包，直至存储节点A有闲置存储空间，其他存储节点依此类推；当存储节点A遭遇极端情况无法寻找到闲置存储节点时，呼叫备用移动存储车船，进行临时存储，再相机转发至其他节点。
信息云模块2接受和存储监测云模块1采集的大数据集，各存储站网的存储节点之间通过无线网络进行自发式不间断数据内网传输、中转、继转和数据包查找分发；信息云模块2的信息集分为应用指令集单元21、监测数据综合库单元22、过程分析数据库单元23，其中：
a、应用指令集单元21用于记录应用支撑模块的远程指令，以及该指令发出后监测云模块返回的装置唯一身份识别码、地理位置经纬度、高程等数据，支持TXT、DOC、XLS与WPS文件格式；
b、监测数据综合库单元22为水华预警模块进行水华爆发风险及其潜在严重程度分析提供信息，包括专业数据库和基础数据库，其中的专业数据库存储管控风险分析单元采集的监测数据与视频监视图像，监测数据包括水华诱发环境参数和水华自身生化表征参数实时数据流，视频监视图像包括所有监测装置拍摄的视频监视数据；其中的基础数据库记录长序列监测区域历史水情数据、监测区域历史水质数据、监测区域历史气象数据、监测区域工程基础数据、监测区域遥感影像数据、监测区域基础地理数据、监测区域元数据库等，基础数据来源于库区管理部门或流域管理机构信息中心；支持TXT、XLS、WPS、MDF、DBF、JPG、PNG、TIF、MP4、AVI文件格式；
c、过程分析数据库单元23用于记录水华预警模块和会商决策模块运行中产生的过程决策信息，并反馈至应用支撑模块的数据协作单位，支持TXT、DOC、XLS、WPS文件格式。
第三部分：应用支撑模块
应用支撑模块3由基础支撑单元31、应用定制单元32、数据协作单元33、应急处置单元34组成，构建在SOA组件模型+服务总线+组件框架之上，用于设定系统运行环境和执行模块协作，通过基于流程驱动总线+模块组件的方式，使各单元间具有互操作交换业务信息和调用业务功能，满足系统客户终端、监测现场、存储节点、移动车船、流域管理层的需求。
应用支撑模块3由业务应用服务器、备份管理服务器与本地存储系统组成，其中服务器主要进行指令分发、信息处理和数据库运行，在服务器安装多块光纤通道(HBA)卡，提供多条数据通道，提供多通道之间的功能切换和流量负载均衡，确保高性能的指令访问。本地存储系统由光纤交换机、光缆、HBA卡等构成，不少于6-10TB数据裸容量配置，存储层的最大可扩充能力至少应大于20TB，整个SAN网络存储系统的核心设备是磁盘阵列。服务器与存储器之间采用冗余的有线通讯网络设计，配置2台光纤通道交换机，为业务应用服务器和本地存储系统提供冗余的连接路径。备份管理服务器由虚拟磁带库、物理磁带库、备份服务器、备份管理软件等组成，备份介质容量按存储平台实际存储容量的3～5倍进行配置，非压缩备份介质容量不少于实际存储容量的3倍；配置管理软件，制定备份策略，设置存储压缩比和重复数据删除等，支持LAN-FREE备份和主流备份软件。根据安全要求，需要数据备份介质可离线异地存放，采用物理磁带库作为存储介质，磁带介质的容量配置不少于15TB。
在应用支撑模块3中：
1、基础支撑单元31包括系统运行环境设定服务块、基础辅助功能服务块、远程指令下发服务块、防火墙管控服务块；
2、应用定制单元32为客户终端提供可选服务功能包和可视化开发模板，由客户自主定制功能；
3、数据协作单元33包括数据存储块、条件查询块、选择调用块、可逆追踪块、数据纠错块、信息过滤块，对信息云模块的过程指令、监控数据、过程分析数据进行一体化功能管控。
4、应急处置单元34用于接受会商决策模块发出的最终指令，根据水华预警模块给出的水华潜在严重程度判据，启动针对性的预存应急预案，应急预案部署过程与实施效果同步反馈给会商决策模块供其同步会商决策。
第四部分：水华预警模块
水华预警模块4由风险分析单元41和预警预报单元42组成；
1、风险分析单元41接受信息云模块2的实时采集信息数据，采用主因动态测试、数据驱动风险预测与事件类比重现的耦合技术，分析不同气象、水文及水环境条件下水华爆发的风险度及其潜在严重程度，按如下步骤执行：
①主因动态测试：针对目标水体水华相关采集数据Ai和Bi，其中的Ai为诱发水华爆发的环境因素，i表示各环境参数，包括流速、水位、水温、光照度、风速、水浊度、溶解氧浓度、PH值、总磷、总氮、溶解硅浓度、垂向紊动参数、底泥藻类细胞复苏通量，其中的Bi为水华自身生化表征参数，其中i包括叶绿素浓度、藻细胞丰度、藻毒素浓度；采用Pearson相关性分析进行主因动态测试，求出Ai与Bi的皮尔逊相关系数Pi，其中Pi表示Ai与Bi的变量之间的因果紧密度，即不同环境因子对藻类生长的贡献程度相对大小；找出满足Pi＞0.55的环境因素Aj(j∈i)，记为Zj，即为在该时段实际条件下驱动藻类生长的最关键的单个或多个关键环境驱动因素；
②数据驱动风险预测：对上述Zj的样本数据进行归一化处理映射到[0，1]范围内，采用公式为(Zj-Zjmin)／(Zjmax-Zjmin)，其中Zj为某指标实测值，Zjmin为某指标样本中最小值，Zjmax为某指标样本中最大值；然后将其输入基于历史水质监测数据训练后的水华风险预测神经网络，进行初步水华风险预测，该网络采用BP算法；所述的水华风险预测神经网络包括输入层、隐含层和输出层，其中输入层包括j个节点，其中j为Zj的个数，节点分别对应步骤①动态测试出的该时段最关键的环境驱动因素；隐含层包括2j+1个节点，采用双曲正切函数tanh(x)模拟神经元响应方式；输出层用于输出水华风险度H，分为五级，分别由值0.2、0.4、0.6、0.8、1.0表征对应无风险、低风险、普通风险、高风险、极端风险；
③事件类比重现：针对步骤①动态测试出的该时段最关键的环境驱动因素Zj，在监测数据综合库单元(22)基础数据库中，选择环境因素在Zj+0.2Zj的范围内的历史时段作为类比事件，分析在该些历史事件中、该环境条件下1～7天内的叶绿素浓度Ci变化情况，以此重现出本次监测时段未来一周内藻类最可能的生长情况；若步骤②预测结果为无风险或低风险，而Ci在该些历史事件中平均值小于10μg／L，表明预测结果正确，无需决策会商；若步骤②预测结果为高风险水华或极端风险水华，而Ci在该些历史事件中平均值大于10μg／L，表明预测结果正确，且不同Ci的大小反映潜在的水华严重程度，需决策会商启动应急处置；若步骤②预测结果为普通风险水华，则根据Ci的大小选择是否启动决策会商，即Ci大于10μg／L则启动决策会商，反之不启动；若步骤②预测结果为高风险水华及极端风险水华，而Ci在该些历史事件中平均值小于10μg／L，表明预测结果存疑，需进一步决策会商；若步骤②预测结果为无风险或低风险或普通风险，而Ci在该些历史事件中平均值大于10μg／L，则表明预测结果存疑，需进一步决策会商。
2、预警预报单元42针对风险分析单元41结果，发出不同预警信号，其中：蓝色预警信号代表未来一周内无发生水华的风险，无需启动会商决策模块5；绿色预警信号代表未来一周内有较低的风险暴发水华，无需启动会商决策模块5；黄色预警信号代表未来一周内有普通的风险暴发水华或风险分析单元41结果存疑，需启动会商决策模块5；橙色预警信号代表未来一周内有高的风险暴发水华，需启动会商决策模块5；红色预警信号代表未来一周内有极高的风险暴发水华，需立刻启动会商决策模块5。
第五部分：会商决策模块
会商决策模块5包括显示设备、扩声设备、同步通讯设备、监控工作台等设备，采用多情景会商室的并行通讯互动模式，支持语音、文字、视频的同步通讯显示，能实现不同会商环境下的、不同接入端口的、不同会商成员的无障碍信息共享交流及决策，会商接入端包括会商主控制大厅、分系统接入室、便携式计算机、手持智能机、车载蓝牙耳麦、无线电台等。
所述会商环境根据会商主题的不同，提供不同的服务重点，在组织会商主题信息服务时，根据会商主题确定信息内容，依照会商流程或阶段提供相应的信息主题服务，具体有常年度水质调度工作会商服务、月旬水质调度方案会商服务、应急水华调度会商服务、重大污染事件处理会商服务、重大水华事件调度事故处置会商服务和危机调度会商服务。
实施例2
采用河道型水库支流库湾水华云体系架构预警系统(如图1所示)，对长江上游河道型水库的支流库湾进行水华实时监测与预警。该河道型水库地处山区，海拔约1200～2000m，河道狭长。在大坝修建后，水库蓄水后该支流库湾的水域面积也逐渐增大，形成了典型的河道型水库支流库湾，具有纵向大尺度狭长深水水体的特征，回水区长约40km，但宽度约为50～120m，最深处约107m。该支流库湾水体为富营养化水体，春夏季节经常爆发水华灾害，对其进行水华预警时，在该支流库湾中共设置8个监测点，包括4个固定监测点和4个移动式监测点，该实施例的监测布置站点如图4所示，具体实施按以下步骤进行(如图2所示)：
一、监测云模块1接受应用支撑模块3的远程指令，开始采集该河道型水库支流库湾大范围水域中诱发水华爆发的环境因素及水华自身生化表征参数。
①应用支撑模块3通过监测云模块1的运行通信单元12，对终端采集单元11的全部现场水华预警多参数采集设备(如图3所示)下发远程指令，对现场各监测装置进行统一授时；
②终端信息采集单元11的各现场设备接收授时指令后，自动回复所处地理位置经纬度、高程、唯一身份识别码，经应用支撑模块3查验后正式进行监测；
③终端信息采集单元的各现场设备定时接受视频启动指令，进行水上、水下视频监测，每天昼夜各一次，每次监测2小时。
二、采用大数据相机数据工作模式，将步骤(一)中采集的水华相关大数据传输存储到信息云模块2，本实施例中采用直传模式，存储节点直接接受采集的数据流，接受数据后进行标准化处理并存储。
三、水华预警模块4的风险分析单元41结合已采集到的目标水体水华相关数据和视频资料，采用主因动态测试、数据驱动风险预测与事件类比重现的耦合技术，对不同气象、水文及水环境条件下目标水体的水华暴发风险及潜在严重程度进行分析，按如下步骤执行：
①采用主因动态测试方法分析不同环境条件下不同环境因子对藻类生长的贡献程度的大小及范围，找出驱动藻类生长的关键环境因素；
针对目标水体水华相关采集数据Ai和Bi，其中的Ai为诱发水华爆发的环境因素，i表示各环境参数，包括流速、水位、水温、光照度、风速、水浊度、溶解氧浓度、PH值、总磷、总氮、溶解硅浓度、垂向紊动参数、底泥藻类细胞复苏通量，其中的Bi为水华自身生化表征参数，i包括叶绿素浓度、藻细胞丰度、藻毒素浓度；采用Pearson相关性分析进行主因动态测试，求出Ai与Bi的皮尔逊相关系数Pi，其中i表示Ai与Bi的变量之间的因果紧密度，即不同环境因子对藻类生长的贡献程度相对大小；找出Pi＞0.55的环境因素Aj(j∈i)，记为Zj，即为在该时段实际条件下驱动藻类生长的最关键的单个或多个关键环境驱动因素；
②采用数据驱动风险预测方法针对步骤①的关键环境因素，基于数据驱动神经网络技术建立模型训练后，进行水华风险初步预测，给出水华风险度的高低预测结果；
对上述Zj的样本数据进行归一化处理映射到[0，1]范围内，采用公式为(Zj-Zjmin)／(Zjmax-Zjmin)，其中Zj为某指标实测值，Zjmin为某指标样本中最小值，Zjmax为某指标样本中最大值；然后将其输入基于历史水质监测数据训练后的水华风险预测神经网络，进行初步水华风险预测，该网络采用BP算法；所述的水华风险预测神经网络包括输入层、隐含层和输出层，其中输入层包括j个节点，其中j为Zj的个数，节点分别对应步骤①动态测试出的该时段最关键的环境驱动因素；隐含层包括2j+1个节点，采用双曲正切函数tanh(x)模拟神经元响应方式；输出层用于输出水华风险度H，分别由值0.2、0.4、0.6、0.8、1.0表征对应无风险、低风险、普通风险、高风险、极端风险；
③采用事件类比重现方法针对步骤①的关键环境因素，搜寻在上述类似环境条件下，历史数据记录中水华事件的标准数据，给出水华暴发的潜在严重程度；
针对步骤①动态测试出的该时段最关键的环境驱动因素Zj，在监测数据综合库单元22基础数据库中，选择环境因素在Zj±0.2Zj的范围内的历史时段作为类比事件，分析在该些历史事件中、该环境条件下1～7天内的叶绿素浓度Ci变化情况，以此重现出本次监测时段未来一周内藻类最可能的生长情况；若步骤②预测结果为无风险或低风险，而Ci在该些历史事件中平均值小于10μg／L，表明预测结果正确，无需决策会商；若步骤②预测结果为高风险水华或极端风险水华，而Ci在该些历史事件中平均值大于10μg／L，表明预测结果正确，且不同Ci的大小反映潜在的水华严重程度，需决策会商启动应急处置；若步骤②预测结果为普通风险水华，则根据Ci的大小选择是否启动决策会商，即Ci大于10μg／L则启动决策会商，反之不启动；若步骤②预测结果为高风险水华及极端风险水华，而Ci在该些历史事件中平均值小于10μg／L，表明预测结果存疑，需进一步决策会商；若步骤②预测结果为无风险或低风险或普通风险，而Ci在该些历史事件中平均值大于10μg／L，则表明预测结果存疑，需进一步决策会商。
四、水华预警模块4的预警预报单元42接受风险分析单元41的输出结果，根据不同水华暴发风险，分发不同的预警指令给会商决策模块5。
五、会商决策模块5呼叫不同应用终端，根据风险分析单元41反馈的水华潜在严重程度进行决策会商，一旦形成应急处置决策，则向应急处置单元34发出指令启动针对性应急预案，应急预案部署过程与实施效果同步反馈给会商决策模块5供其会商决策。
六、预警预报单元42针对风险分析单元41结果，发出五级预警信号，其中：蓝色预警信号代表未来一周内无发生水华的风险，无需启动会商决策模块5；绿色预警信号代表未来一周内有较低的风险暴发水华，无需启动会商决策模块5；黄色预警信号代表未来一周内有普通的风险暴发水华或风险分析单元结果存疑，需启动会商决策模块5；橙色预警信号代表未来一周内有高的风险暴发水华，需启动会商决策模块5；红色预警信号代表未来一周内有极高的风险暴发水华，需启动会商决策模块5。
本例中，采用本发明实施监测后，在库湾内：所有监测点水位平均连续变化监测结果图如图5所示，采用本发明的部分采样点水温平均监测结果如图6所示，采用本发明的部分采样点水体PH值平均监测结果如图7所示，部分采样点的水体溶解氧平均监测结果如图8所示，库湾采样点的水体浊度平均监测结果如图9所示，库湾采样点的水体营养盐平均监测结果如图10所示，部分采样点的水体叶绿素浓度平均监测结果如图11所示。采用本发明的水华预警模块4进行水华风险分析，举例如下：首先，启动预警预报单元42进行水华分析预测，根据实测资料，采用主因动态测试方法得出该时段最关键的环境驱动因素为水温与营养盐磷浓度(Pi分别为0.76与0.65)；进而，采用数据驱动风险预测方法分析得出采样点04位置水华风险为高风险，其他位置为低风险；再则，使用事件类比重现方法找出历史资料中自2003年至2012年间(水库蓄水后)共有23次历史时段的水温与营养盐磷浓度值与本时段类似，在这些历史事件的1～7天内叶绿素浓度平均值为13.8μg／L，表明水华风险预测预测结果正确，且水华潜在的严重程度为一般水华事件，对采样点04启动橙色预警信号。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.河道型水库支流库湾水华的云体系架构预警系统，其特征在于：该系统包括监测云模块（1）、信息云模块（2）、应用支撑模块（3）、水华预警模块（4）和会商决策模块（5）；
所述监测云模块（1）由终端采集单元（11）和运行通信单元（12）组成，所述终端采集单元（11）包括若干套安置在现场的水华预警多参数采集设备，用于获取河道型水库支流库湾中与水华暴发风险相关的关键参数实时数据；所述运行通信单元（12）包括无线通讯器、临时存储器、远程控制器、电源和太阳能电池板，通过 3G和2G两种无线通信方式与终端采集单元（11）进行交互通信，用于接收和执行应用支撑模块（3）下发的远程指令控制终端采集单元（11）的各监测装置，同时将终端采集单元（11）采集的大数据集无线传输至信息云模块（2）；
所述信息云模块（2）的存储介质由固定结合移动的分布式存储站网组成，用于接受和存储监测云模块（1）采集的大数据集，同时存储站网的各存储节点间可进行自发式数据内网传输和数据调用；
所述应用支撑模块（3）由基础支撑单元（31）、应用定制单元（32）、数据协作单元（33）、应急处置单元（34）组成，用于设定系统运行环境和执行模块协作，构建在SOA组件模型+服务总线+组件框架之上，通过基于流程驱动总线+模块组件的方式，使各单元间具有互操作交换业务信息和调用业务功能，满足系统客户终端、监测现场、存储节点、移动车船、流域管理层的需求；所述基础支撑单元（31）提供系统运行环境设定、基础辅助功能、远程指令下发、防火墙管控等服务；所述应用定制单元（32）为客户终端提供自主定制功能服务；所述数据协作单元（33）为信息云模块提供数据存储、条件查询、选择调用、可逆追踪、数据纠错、信息过滤等一体化功能管控；所述应急处置单元（34）根据水华预警模块（4）给出的水华风险与潜在严重程度，启动预存应急预案，预案部署过程与实施效果同步反馈给会商决策模块（5）供其同步会商决策；
所述水华预警模块（4）由风险分析单元（41）和预警预报单元（42）组成；所述风险分析单元（41）接受信息云模块（2）的实时采集信息数据，分析不同气象、水文及水环境条件下水华爆发的风险度及其潜在严重程度；所述预警预报单元（42）接受风险分析单元（41）输出结果，根据水华风险阈值进行判别，分发不同的预警指令给会商决策模块（5）；
所述会商决策模块（5）包括显示设备、扩声设备、同步通讯设备和监控工作台。
2.根据权利要求1所述河道型水库支流库湾水华的云体系架构预警系统，其特征在于：所述终端采集单元（11）由若干套安置在现场的水华预警多参数采集设备采用固定结合移动的分布式布设方式组成，即以沿岸固定站点方式为主，在不能满足沿岸固定建设条件的区域采用水上浮标方式，同时采用移动车/船载采集设备的移动方式进行定期走航监测及对固定设备进行数据复查。
3.根据权利要求1或2所述河道型水库支流库湾水华的云体系架构预警系统，其特征在于：所述水华预警多参数采集设备包括流速计、水位计、垂向紊动测量仪、藻细胞垂向迁移测量仪、光照计、温度传感器、营养盐传感器、PH传感器、水浊度传感器、溶解氧测量仪、探头式藻类荧光仪、藻毒素监测仪、风速传感器、视频摄像机、水上全景视频摄像机、水下全景视频摄像机、统一授时控制芯片、唯一身份识别码、GPS定位模块、3G和2G无线通信端口；
流速计、水位计、垂向紊动测量仪、藻细胞垂向迁移测量仪、光照计、温度传感器、营养盐传感器、PH传感器、水浊度传感器、溶解氧测量仪、探头式藻类荧光仪、藻毒素监测仪、风速传感器和视频摄像机用于采集诱发水华爆发的环境因素和水华自身生化表征参数，包括流速、水位、水温、光照度、风速、水浊度、溶解氧浓度、PH值、营养盐浓度、垂向紊动参数、底泥藻类细胞复苏通量、叶绿素浓度、藻细胞丰度、藻毒素浓度；
水上全景视频摄像机和水下全景视频摄像机用于视频监测；
统一授时控制芯片用于配置校准时钟和设置唯一身份识别码，唯一身份识别码由设备独立ID和独立IP加密而成，统一授时控制芯片通过3G和2G无线通信端口接受应用支撑模块（3）的基础支撑单元（31）统一授时，以保证监测实施时间一致性、数据时段匹配、数据包查找汇集的便利性，统一授时控制芯片接收到运行指令后，自动回复所处地理位置经纬度、高程、唯一身份识别码，确认其已与应用支撑模块（3）连接成功后，正式开始进行监测工作。
4.根据权利要求1所述河道型水库支流库湾水华的云体系架构预警系统，其特征在于：所述信息云模块（2）的存储介质由永久式大容量存储节点、可拆卸式普通容量存储节点和可拆卸式普通容量备用存储节点组成；永久式大容量存储节点安置在多个水文站机房内，可拆卸式普通容量存储节点设置在多个沿岸固定监测点周边，可拆卸式普通容量备用存储节点设置在可移动车/船上。
5.根据权利要求1或4 所述河道型水库支流库湾水华的云体系架构预警系统，其特征在于：所述信息云模块（2）的信息集分为应用指令集单元（21）、监测数据综合库单元（22）、过程分析数据库单元（23）三类；其中：
所述应用指令集单元（21）用于记录应用支撑模块（3）在远程指令和监测云模块（2）返回的装置唯一身份识别码、地理位置经纬度、高程等信息；
所述监测数据综合库单元（22）为水华预警模块（4）进行水华爆发风险及其潜在严重程度分析提供信息，包括专业数据库和基础数据库，所述专业数据库时记录水华诱发环境参数及水华自身生化表征参数数据；所述基础数据库存储历史水情、水华、气象等相关的长序列数据；
所述过程分析数据库单元（23）用于记录水华预警模块（4）和会商决策模块（5）运行中产生的过程数据。
6.根据权利要求1所述河道型水库支流库湾水华的云体系架构预警系统，其特征在于：所述会商决策模块采用多情景会商室的并行通讯互动模式，支持语音、文字、视频同步通讯显示，实现不同会商环境下的、不同会商接入端口的、不同会商成员的无障碍信息共享交流及决策；所述会商接入端口包括会商主控制大厅、分系统接入室、便携式计算机、手持智能机、车载蓝牙耳麦、无线电台；所述会商环境根据会商主题的不同，提供不同的服务重点，在组织会商主题信息服务时，根据会商主题确定信息内容，依照会商流程或阶段提供相应的信息主题服务，具体有常年度水质调度工作会商服务、月旬水质调度方案会商服务、应急水华调度会商服务、重大污染事件处理会商服务、重大水华事件调度事故处置会商服务和危机调度会商服务。
7.利用权利要求1或2或4或6所述系统进行河道型水库支流库湾水华的云体系架构预警方法，其特征在于：按以下步骤进行：
（一）监测云模块（1）接受应用支撑模块（3）的远程指令，开始采集河道型水库大范围水域中诱发水华爆发的环境因素及水华自身生化表征参数，按如下步骤执行：
①应用支撑模块（3）通过运行通信单元（12），对终端采集单元（11）全部或部分的现场水华预警多参数采集设备下发远程指令，对现场各监测装置进行统一授时；
②终端采集单元（11）的各现场设备接收授时指令后，自动回复所处地理位置经纬度、高程、唯一身份识别码，经应用支撑模块（3）查验后正式进行监测；
③此外，终端采集单元（11）的各现场设备定时接受视频启动指令，自动回复所处地理位置经纬度、高程、唯一身份识别码，经应用支撑模块（3）查验后正式进行水上、水下视频监测，每天昼夜各一次，每次监测2小时；
（二）采用大数据相机数据工作模式，将步骤（一）中采集的水华相关大数据传输存储到信息云模块（2），按如下情形执行：
①直传模式：当采集设备与存储节点传输通道畅通时，存储节点直接接受其所采集的数据流，接受数据后进行标准化处理并存储；
②中转模式：当上述存储节点传输通道濒临堵塞时，采集设备的数据分包传输至就近的一个或多个相对闲置存储节点，接受数据后进行标准化处理并存储；
③继转模式：当该存储节点接受数据包超过预设容量时，将已存数据集进行分包，选择若干个相对闲置存储节点，进行分包转发，接受数据后进行标准化处理并存储；
④备存模式：当该存储节点遭遇极端情况无法寻找到闲置存储节点时，呼叫备用移动存储车船，进行临时存储，再相机转发至其他节点，接受数据后进行标准化处理并存储；
（三）水华预警模块（4）的风险分析单元（41）结合已采集到的目标水体水华相关数据和视频资料，采用主因动态测试、数据驱动风险预测与事件类比重现的耦合方法，对不同气象、水文及水环境条件下目标水体的水华暴发风险及潜在严重程度进行分析，按如下步骤执行：
①采用主因动态测试方法分析不同环境条件下不同环境因子对藻类生长的贡献程度的大小及范围，找出驱动藻类生长的关键环境因素；
②采用数据驱动风险预测方法针对步骤①的关键环境因素，基于数据驱动神经网络技术建立模型并经过训练后，进行水华风险初步预测，给出水华风险度预测结果；
③采用事件类比重现方法针对步骤①的关键环境因素，搜寻在上述类似环境条件下，历史数据记录中的水华相关记录数据，以此为依据给出水华暴发的潜在严重程度；
（四）水华预警模块（4）的预警预报单元（42）接受风险分析单元（41）输出结果，根据不同水华暴发风险，分发不同的预警指令给会商决策模块（5）；
（五）会商决策模块（5）选择性呼叫不同应用终端进行决策会商，一旦形成应急处置决策，则启动应急处置单元（34）启动针对性应急预案，应急预案部署过程与实施效果同步反馈给会商决策模块（5）供其会商决策。
8.根据权利要求7所述河道型水库支流库湾水华的云体系架构预警方法，其特征在于：所述步骤（二）采用大数据相机数据工作模式，具体实现过程如下：（1）某存储节点A选择接收临近若干采集设备直接上传的数据包；（2）若存储节点A传输通道濒临堵塞，则采集设备自动选择传输通道占用率最小的存储节点B存储；（3）若存储节点A接收的数据包超过预设容量，将已存数据集进行分包转发，原理是将相邻存储节点的剩余存储空间的倒数值看作节点间的路程，用Dijkstra算法找出距离存储节点A路径最短的存储节点B，将数据包传输给该存储节点，依次同理选择若干个存储节点C、D、E等发送数据包，直至存储节点A有闲置存储空间，其他存储节点依此类推；（4）当存储节点A遭遇极端情况无法寻找到闲置存储节点时，呼叫备用移动存储车船，进行临时存储，再相机转发至其他节点。
9.根据权利要求7所述河道型水库支流库湾水华的云体系架构预警方法，其特征在于：所述水华预警模块（4）中的风险分析单元（41）结合已采集到的目标水体水华相关数据和视频资料，采用主因动态测试、数据驱动风险预测与事件类比重现的耦合方法，对不同气象、水文及水环境条件下目标水体的水华暴发风险及潜在严重程度进行分析，按如下步骤执行：
①主因动态测试：针对目标水体水华相关采集数据A i和B i，其中的A i为诱发水华爆发的环境因素，i表示各环境参数，包括流速、水位、水温、光照度、风速、水浊度、溶解氧浓度、PH值、总磷、总氮、溶解硅浓度、垂向紊动参数、底泥藻类细胞复苏通量，其中的B i为水华自身生化表征参数，i包括叶绿素浓度、藻细胞丰度、藻毒素浓度；采用Pearson 相关性分析进行主因动态测试，求出A i 与B i 的皮尔逊相关系数P i，其中i表示A i 与B i 的变量之间的因果紧密度，即不同环境因子对藻类生长的贡献程度相对大小；找出Pi>0.55的环境因素A j（j∈i），记为Z j，即为在该时段实际条件下驱动藻类生长的最关键的单个或多个关键环境驱动因素；
②数据驱动风险预测：对上述Z j的样本数据进行归一化处理映射到[0,1]范围内，采用公式为(Zj-Zjmin)/(Zjmax-Zjmin)，其中Zj为某指标实测值，Zjmin为某指标样本中最小值，Zjmax为某指标样本中最大值；然后将其输入基于历史水质监测数据训练后的水华风险预测神经网络，进行初步水华风险预测，该网络采用BP算法；所述水华风险预测神经网络包括输入层、隐含层和输出层，其中输入层包括j个节点，其中j为Z j的个数，节点分别对应步骤①动态测试出的该时段最关键的环境驱动因素；隐含层包括2j+1个节点，采用双曲正切函数tanh(x)模拟神经元响应方式；输出层用于输出水华风险度H，分别由值0.2、0.4、0.6、0.8、1.0表征对应无风险、低风险、普通风险、高风险、极端风险；
③事件类比重现：针对步骤①动态测试出的该时段最关键的环境驱动因素Z j，在监测数据综合库单元（22）基础数据库中，选择环境因素在Z j±0.2Zj的范围内的历史时段作为类比事件，分析在该些历史事件中、该环境条件下1~7天内的叶绿素浓度C i变化情况，以此重现出本次监测时段未来一周内藻类最可能的生长情况；若步骤②预测结果为无风险或低风险，而C i在该些历史事件中平均值小于10μg/L，表明预测结果正确，无需决策会商；若步骤②预测结果为高风险水华或极端风险水华，而C i在该些历史事件中平均值大于10μg/L，表明预测结果正确，且不同C i的大小反映潜在的水华严重程度，需决策会商启动应急处置；若步骤②预测结果为普通风险水华，则根据C i的大小选择是否启动决策会商，即C i大于10μg/L则启动决策会商，反之不启动；若步骤②预测结果为高风险水华及极端风险水华，而C i在该些历史事件中平均值小于10μg/L，表明预测结果存疑，需进一步决策会商；若步骤②预测结果为无风险或低风险或普通风险，而Ci在该些历史事件中平均值大于10μg/L，则表明预测结果存疑，需进一步决策会商。
10.根据权利要求9所述河道型水库支流库湾水华的云体系架构预警方法，其特征在于：所述水华预警模块（4）中的预警预报单元（42）针对风险分析单元（41）结果，发出不同预警信号，其中：蓝色预警信号代表未来一周内无发生水华的风险，无需启动会商决策模块（5）；绿色预警信号代表未来一周内有较低的风险暴发水华，无需启动会商决策模块（5）；黄色预警信号代表未来一周内有普通的风险暴发水华或风险分析单元（41）结果存疑，需启动会商决策模块（5）；橙色预警信号代表未来一周内有高的风险暴发水华，需启动会商决策模块（5）；红色预警信号代表未来一周内有极高的风险暴发水华，需立刻启动会商决策模块（5）。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310675332.5A CN103678910B (zh) | 2013-12-12 | 2013-12-12 | 河道型水库支流库湾水华的云体系架构预警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310675332.5A CN103678910B (zh) | 2013-12-12 | 2013-12-12 | 河道型水库支流库湾水华的云体系架构预警系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103678910A CN103678910A (zh) | 2014-03-26 |
| CN103678910B true CN103678910B (zh) | 2014-12-10 |
Family
ID=50316440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310675332.5A Active CN103678910B (zh) | 2013-12-12 | 2013-12-12 | 河道型水库支流库湾水华的云体系架构预警系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103678910B (zh) |
Families Citing this family (44)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103901455B (zh) * | 2014-04-02 | 2016-03-16 | 河海大学 | 一种通用手持式漂流浮标示踪器 |
| CN103934111B (zh) * | 2014-04-03 | 2016-03-02 | 河南东大矿业股份有限公司 | 一种铝土矿正浮选水质的判别方法 |
| CN104036127B (zh) * | 2014-06-04 | 2018-05-11 | 中国科学院科技政策与管理科学研究所 | 基于预案的计算机辅助应急系统和方法 |
| CN104112080B (zh) * | 2014-07-29 | 2016-03-02 | 武汉大学 | 水体水华风险快速预警方法 |
| CN105630845A (zh) * | 2014-11-19 | 2016-06-01 | 北京航天长峰科技工业集团有限公司 | 基于特定种类网络信息的分析研判方法 |
| CN104535736B (zh) * | 2015-02-02 | 2016-05-04 | 四川清和科技有限公司 | 水库水质在线监测系统 |
| CN104950713A (zh) * | 2015-06-11 | 2015-09-30 | 张迪 | 基于北斗的水质监管系统 |
| CN105241524B (zh) * | 2015-10-26 | 2018-03-20 | 河海大学常州校区 | 一种基于径向基函数神经网络模型的城市洪水预警系统及其方法 |
| CN105381641B (zh) * | 2015-11-16 | 2017-05-03 | 河海大学 | 一种适用于弯道水体的水华智能消除系统及方法 |
| CN105303007B (zh) * | 2015-12-04 | 2018-06-26 | 松辽流域水资源保护局松辽流域水环境监测中心 | 一种采用融合技术建立尼尔基水库水生态风险预警模型的方法 |
| CN105657657A (zh) * | 2016-01-11 | 2016-06-08 | 杭州电子科技大学 | 一种水流信息采集与处理方法 |
| CN105978978B (zh) * | 2016-05-16 | 2019-12-06 | 太湖流域管理局水文局（信息中心） | 一种实现水文水环境外业监测数据实时交换的系统 |
| CN107527478A (zh) * | 2016-06-22 | 2017-12-29 | 河南黄河河务局焦作黄河河务局 | 一种基于网络通讯平台的黄河坝岸监控报警报险系统 |
| CN106156947A (zh) * | 2016-07-01 | 2016-11-23 | 北京华科合创科技发展有限公司 | 一种生产作业安全风险管控系统 |
| CN106990216B (zh) * | 2017-04-01 | 2019-03-29 | 河海大学 | 一种浅水湖泊水华风险分析预警系统及其分析预警方法 |
| US11402362B2 (en) * | 2017-06-19 | 2022-08-02 | Nanjing Institute Of Geography | Stereoscopic monitoring and data mining system and method for harmful lake cyanobacteria bloom |
| CN107884530B (zh) * | 2017-09-20 | 2021-02-05 | 江苏杰创科技有限公司 | 水质化学污染在线监测评估预警传感器网络节点系统 |
| CN107766514A (zh) * | 2017-10-23 | 2018-03-06 | 中冶华天工程技术有限公司 | 一种河道软件站点数据管理配置装置及配置方法 |
| CN108121968B (zh) * | 2017-12-20 | 2021-11-12 | 江苏沃顿数字技术有限公司 | 一种鱼群监测方法 |
| CN108241749B (zh) * | 2018-01-12 | 2021-03-26 | 新华智云科技有限公司 | 由传感器数据生成资讯信息的方法及设备 |
| CN108645989A (zh) * | 2018-05-28 | 2018-10-12 | 国家海洋局第二海洋研究所 | 一种走航式海水连续处理、采样和多参数水质监测装置 |
| CN109361724A (zh) * | 2018-07-30 | 2019-02-19 | 上海斗文计算机系统集成工程有限公司 | 生态环境智能监测系统 |
| CN111381233A (zh) * | 2018-12-28 | 2020-07-07 | 中国船舶重工集团公司第七一九研究所 | 一种水下对抗态势显控方法及系统 |
| CN109784752A (zh) * | 2019-01-28 | 2019-05-21 | 中国科学院重庆绿色智能技术研究院 | 一种三峡库区水体富营养化风险评估预警系统及其分析方法 |
| CN109905307B (zh) * | 2019-03-07 | 2021-12-03 | 中国海洋大学 | 一种基于can总线的多通道海水营养盐检测仪控制系统及控制方法 |
| CN110210739B (zh) * | 2019-05-22 | 2021-10-19 | 雷恩友力数据科技南京有限公司 | 一种基于人工智能的核辐射检测方法和系统 |
| CN110379463B (zh) * | 2019-06-05 | 2021-10-26 | 山东大学 | 基于机器学习的海洋藻类成因分析及浓度预测方法和系统 |
| CN110926529B (zh) * | 2019-11-21 | 2021-05-28 | 中国农业科学院北京畜牧兽医研究所 | 一种畜禽直饮水水质实时监测方法 |
| CN110926433A (zh) * | 2019-11-28 | 2020-03-27 | 中国船舶重工集团公司第七一九研究所 | 一种用于滨海核电站海洋致灾物预警系统 |
| CN111122816B (zh) * | 2019-12-30 | 2022-07-05 | 重庆商勤科技有限公司 | 基于在线监测与图像识别相结合的水华预警系统及方法 |
| CN112101790B (zh) * | 2020-09-16 | 2024-03-15 | 清华大学合肥公共安全研究院 | 一种水体监测视频及数据联动预警方法及系统 |
| CN112183624A (zh) * | 2020-09-28 | 2021-01-05 | 河海大学 | 一种基于集成学习的大坝监测数据异常检测方法 |
| CN112365093A (zh) * | 2020-12-01 | 2021-02-12 | 国家海洋信息中心 | 一种基于gru深度学习的多特征因子赤潮预测模型 |
| CN112946631B (zh) * | 2021-01-28 | 2024-07-16 | 中煤科工集团重庆研究院有限公司 | 用于边坡风险监测的点域识别系统及方法 |
| CN113642268B (zh) * | 2021-07-15 | 2024-03-15 | 中国环境科学研究院 | 一种河流水华预测方法及系统 |
| CN113552307A (zh) * | 2021-08-02 | 2021-10-26 | 杨晓波 | 一种基于在线监测的水华监测装置及方法 |
| CN113466424B (zh) * | 2021-08-12 | 2022-02-15 | 广州高得环保科技股份有限公司 | 一种智慧物联网的管道直饮水水质监控方法及系统 |
| CN114088907A (zh) * | 2021-11-05 | 2022-02-25 | 常州市环境科学研究院 | 一种水、陆、空一体化的浅水湖泊蓝藻水华监测及预警系统 |
| CN114518143A (zh) * | 2022-03-07 | 2022-05-20 | 简智科技(海宁)有限公司 | 一种智能环境感知系统 |
| CN114867103A (zh) * | 2022-05-07 | 2022-08-05 | 惠州市旭宝光电科技有限公司 | 一种无线液位定位器及其定位方法 |
| CN116539482B (zh) * | 2023-05-12 | 2025-03-04 | 中国长江三峡集团有限公司 | 河流中磷元素迁移检测方法、装置、电子设备及存储介质 |
| CN117291551B (zh) * | 2023-11-24 | 2024-03-08 | 南通欧贝达电子科技有限公司 | 一种基于数字可视化的环境监测预警系统 |
| CN117782205A (zh) * | 2023-12-18 | 2024-03-29 | 甘肃省武威生态环境监测中心 | 一种河道环境检测系统及预警方法 |
| CN118246610B (zh) * | 2024-05-30 | 2024-09-10 | 福建省水产研究所（福建水产病害防治中心） | 基于大数据的微藻浓度预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202650177U (zh) * | 2012-02-07 | 2013-01-02 | 孟磊 | 智慧林业烟火预警指挥云平台系统 |
| KR20130076844A (ko) * | 2013-06-18 | 2013-07-08 | 이상윤 | 무인항공기를 활용한 해파리 및 이안류와 녹조감시방재시스템 |
| CN103259849A (zh) * | 2013-04-18 | 2013-08-21 | 浪潮齐鲁软件产业有限公司 | 一种基于云平台的数字电视终端状态分析系统及方法 |
| CN103426043A (zh) * | 2012-05-18 | 2013-12-04 | 乔广行 | 一种农作物监测预警与应急管理系统 |
-
2013
- 2013-12-12 CN CN201310675332.5A patent/CN103678910B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202650177U (zh) * | 2012-02-07 | 2013-01-02 | 孟磊 | 智慧林业烟火预警指挥云平台系统 |
| CN103426043A (zh) * | 2012-05-18 | 2013-12-04 | 乔广行 | 一种农作物监测预警与应急管理系统 |
| CN103259849A (zh) * | 2013-04-18 | 2013-08-21 | 浪潮齐鲁软件产业有限公司 | 一种基于云平台的数字电视终端状态分析系统及方法 |
| KR20130076844A (ko) * | 2013-06-18 | 2013-07-08 | 이상윤 | 무인항공기를 활용한 해파리 및 이안류와 녹조감시방재시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103678910A (zh) | 2014-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103678910B (zh) | 河道型水库支流库湾水华的云体系架构预警系统及方法 | |
| CN103175513B (zh) | 水利工程影响下基于物联网的流域水文水质监控系统及方法 | |
| CN103236020B (zh) | 基于物联网的大型水域突发水污染应急处置系统和方法 | |
| CN108288408B (zh) | 一种基于ppu的港口安全船舶引航系统及方法 | |
| CN112423255A (zh) | 一种海洋环境在线监测预警系统 | |
| CN110798256A (zh) | 一种覆盖长江干线的北斗地基增强系统及构建方法 | |
| CN104748785A (zh) | 远程水文水质自动监测系统平台 | |
| CN108418898A (zh) | 一种无线监测站 | |
| CN103727983B (zh) | 一种核电厂的无线水文监测装置 | |
| CN110825011A (zh) | 污染源在线水平衡监测系统 | |
| CN110375720A (zh) | 漂流浮标监测方法及其系统 | |
| CN117949046B (zh) | 面向异常水团的集群组网式海洋环境跟踪监测方法及系统 | |
| CN107908157A (zh) | 地下管廊智能监控系统 | |
| CN116939568A (zh) | 管廊安全风险综合监测预警系统无线传感网络及路由方法 | |
| CN101308384A (zh) | 基于无线传感网的湖泊富营养化监控系统平台 | |
| CN105306601A (zh) | 分布式气象水文信息处理方法 | |
| CN108521319B (zh) | 一种基于云端存储的浮标冗余通信方法 | |
| CN113487094A (zh) | 一种海洋数据管理应用平台 | |
| CN118607746A (zh) | 城市排水可视化指挥调度管理系统 | |
| CN110543154A (zh) | 一种智能水电厂系统 | |
| CN101539431A (zh) | 智能导航巡检仪及提高导航精度的方法 | |
| CN112085922A (zh) | 一种建筑物震害智能预警监测方法 | |
| CN112947130B (zh) | 无人自动污水处理船蜂群控制系统及控制方法 | |
| CN108490467A (zh) | 基于LoRa技术的海洋监测系统及其布设和监测方法 | |
| Akrivopoulos et al. | Modernizing marinas in the Mediterranean Sea using SMartY: Methodologies and lessons learned |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 210000 No. 1 Xikang Road, Gulou District, Nanjing City, Jiangsu Province Patentee after: HOHAI University Patentee after: CHINA THREE GORGES Corp. Address before: 210000 No. 1 Xikang Road, Gulou District, Nanjing City, Jiangsu Province Patentee before: HOHAI University Patentee before: CHINA THREE GORGES Corp. |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 430010 No.1, Liuhe Road, Jiang'an District, Wuhan City, Hubei Province Patentee after: CHINA THREE GORGES Corp. Patentee after: HOHAI University Address before: 210000 No. 1 Xikang Road, Gulou District, Nanjing City, Jiangsu Province Patentee before: HOHAI University Patentee before: CHINA THREE GORGES Corp. |