CN104112080B - 水体水华风险快速预警方法 - Google Patents
水体水华风险快速预警方法 Download PDFInfo
- Publication number
- CN104112080B CN104112080B CN201410367734.3A CN201410367734A CN104112080B CN 104112080 B CN104112080 B CN 104112080B CN 201410367734 A CN201410367734 A CN 201410367734A CN 104112080 B CN104112080 B CN 104112080B
- Authority
- CN
- China
- Prior art keywords
- algae
- water
- concentration
- bloom
- preponderant
- 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
Landscapes
- Micro-Organisms Or Cultivation Processes Thereof (AREA)
- Cultivation Of Seaweed (AREA)
Abstract
本发明公开一种水体水华风险快速预警方法,包括步骤:步骤1,基于环境分析结果构建藻类生物量预测模型;步骤2,采用藻类生物量预测模型获得藻类生物量预测值;步骤3,确定优势藻类的藻类生物量水华风险阈值;步骤4,比较藻类生物量预测值和藻类生物量水华风险阈值,判断是否发出水华预警。本发明适用于水环境质量监测,简便快捷,能实现水华风险的快速预警,可为水环境应急管理提供及时、有效的技术支撑。
Description
技术领域
本发明属于水环境保护技术领域,特别涉及一种水体水华风险快速预警方法。
背景技术
随着城镇化的快速扩张和工业快速发展,以及农业生产中化肥、农药的大量使用,大量城镇生活污水和工农业废水流入江、河、湖、库等水体,使水体的污染负荷不断增加,造成我国内陆水体富营养化日益严重,“水华”事件频繁发生。当“水华”的发生影响到水体正常的饮用、养殖、娱乐、景观等功能时,该“水华”事件就成为了影响人们生产生活的水污染事故。“水华”事故的发生,严重影响和制约了水体功能的发挥和水资源的利用,对流域的饮用水安全和社会生产造成了直接威胁。为能够及时有效地实施防灾减灾,富营养化水体水华风险的程度、“水华”暴发时间,以及“水华”暴发影响的水域范围(水华风险评价“三要素”)等的模拟评价就显得尤为重要。
为更好的对富营养化水体进行水环境管理,保证水体使用功能,相关学者做了很多研究。水体富营养化评价方法在评价水体营养程度时,主要利用水体中相关水质指标进行评价,这些评价结果使人们对水体现状水质有了较清晰的认识,为水质管理提供了重要的依据。水环境的变化是水文、水质、气象等多种因素协同作用的结果,而富营养化的定量评价方法忽视了外界气象因素和水文因素对水体水质的影响,且不能对水体未来的水华风险程度,以及“水华”发生的范围进行预测,而这两方面的预测为水环境应急管理的基础。因此,为更好的进行水环境管理,应加强这两个方面预警的研究。
富营养化生态动力学模型能够较好的模拟预测水体中水华风险评价的“三要素”,在水华风险评价中起到了积极的作用,但富营养化生态动力学模型的计算需要大量的实测数据作支撑,模型的参数和结构都比较复杂,其建立和校验过程需要耗费大量时间。水华作为一个累积性的突发事件,对其预警评价应具有一定的及时有效性,才能更有效的为水环境的应急管理服务,因此,需要加强水华风险快速评价和预警方法的研究。
为了有效采取预防措施,首先需要了解水华暴发中藻类累积的规律。目前,人们已对影响藻类生物量的主要因素做了深入的研究,发现藻类生物量的变化过程符合生物累积动力学。因此,从生物累积动力学角度出发,用藻类生物量表征水体富营养化的生态效应,研究水华风险的预测评价方法,对水华风险的“三要素”等进行预警评价,从而及时的采取预防措施,抑制“水华”的大规模暴发。
发明内容
本发明的目的是提供一种水体水华风险快速预警方法,使管理员能及时采取有效的水体应急管理措施,保障水体的使用功能和景观效果。
本发明利用藻类生物量的变化,结合水华风险阈值对水华风险进行评价和预警,能对水体中藻类生物量变化情况、水华风险程度、水华事件暴发时间以及水华事件发生影响的水域范围进行评价和预警。
为达到上述目的,本发明提出的水体水华风险快速预警方法,包括步骤:
步骤1,对水体进行环境分析获得水华爆发的主要影响因素及优势藻种,基于水华爆发的主要影响因素构建优势藻种的藻类生物量随时间变化的函数,即藻类生物量预测模型;
步骤2,采集并分析实时的水体水质变化特征、水体污染源特征和气候特征获得藻类生物量预测模型中各参数实时值,结合各参数实时值和藻类生物量预测模型获得优势藻种生物量预测值;
步骤3,确定优势藻种的藻类生物量水华风险阈值,具体为:
3.1使优势藻种在不同氮浓度的培养液中生长,获得不同氮浓度下优势藻种的最大比增长率,并获得最大比增长率的临界值Sgmax1;
3.2使优势藻种在不同磷浓度的培养液中生长,获得不同磷浓度下优势藻种的最大比增长率,并获得最大比增长率的临界值Sgmax2;
3.3将临界值Sgmax1除以优势藻种可利用的溶解性无机氮占营养盐TN的质量比得到营养盐TN的水华风险阈值,将临界值Sgmax2除以优势藻种可利用的磷占营养盐TP的质量比得到营养盐TP的水华风险阈值;
3.4基于水体中优势藻种浓度、水体营养盐TN浓度及水体营养盐TP浓度的监测数据,采用线性回归分析法构建优势藻种浓度与水体营养盐TN浓度、水体营养盐TP浓度间的回归模型;
3.5令水体营养盐TN浓度等于营养盐TN的水华风险阈值,令水体营养盐TP浓度等于营养盐TP的水华风险阈值,采用回归模型获得的优势藻种浓度即优势藻种的藻类生物量水华风险阈值。
步骤4,比较优势藻种生物量预测值和藻类生物量水华风险阈值,当优势藻种生物量预测值不小于藻类生物量水华风险阈值时,发出水华预警。
所述的对水体进行环境分析获得水华爆发的主要影响因素及优势藻种具体为:
采集气候特征数据、水体污染源特征数据、水体水质变化特征数据,根据气候特征数据、水体污染源特征数据和水体水质变化特征数据,并结合水动力条件及生物因素进行环境分析,确定水华爆发的主要影响因素及优势藻种。
所述的优势藻种的藻类生物量预测模型的构建包括步骤:
1.1基于生物累积模型构建藻类累积模型其中,C表示优势藻种浓度,t表示时间,G和D分别为优势藻种的生长速率和死亡速率;
1.2结合多因素藻类生长动力学模型、藻类累积模型及水华爆发的主要影响因素,获得考虑主要影响因素的藻类累积动力学模型;
1.3在评价期内对藻类累积动力学模型进行微积分,获得优势藻种的藻类生物量随时间变化的函数,即藻类生物量预测模型。
子步骤3.4具体为:
根据水体中营养盐TN浓度、营养盐TP浓度的实测值,及对应的藻类生物量,构建营养盐TN浓度、营养盐TP浓度和藻类生物量间的多元线性关系方程;运用多元线性回归分析法求得多元线性关系方程的线性回归系数,从而获得优势藻种浓度与水体营养盐TN浓度、水体营养盐TP浓度间的回归模型。
本发明原理如下:
生物累积动力学模型是生物富集研究中最常用的数值模型,在考虑外界因素影响下,该模型能动态模拟生物体吸收和释放污染物质的动力学过程。富营养化水体中过量生长的藻类可认为是水体中的污染物质,在适宜外界环境因素的持续作用下,水体中藻类大量快速生长繁殖的过程,也可以视为污染物质在控制体内的累积过程。因此,可采用生物累积动力学模型程描述水体中藻类生物量的动态变化过程。通过模拟藻类生物量累积动力学模型,结合水体水华风险阈值,从而对水体水华风险“三要素”进行评价和预警。
和现有技术相比,本发明具有以下优点和有益效果:
1、简单方便,评价模型基于生物累积一级动力学模型构建,模型结构简单,模型中参数相对较少,且计算简便。
2、综合性强,同时考虑水动力、水质、气象、藻类种间竞争等多种因素对藻类生物量的累积影响。
3、及时性强,能对水华风险三要素进行快速预测,保证评价结果的及时有效性,从而为水环境部门的应急管理提供支撑。
4、适用性强,可用于不同资料程度的水体,具有普遍适用性。
5、需要较少的水文、水质和气象等实测监测数据。
附图说明
图1为本发明具体的流程框架图;
图2为实施例中氮浓度对优势藻种最大增长比率的影响曲线;
图3为实施例中磷浓度对优势藻种最大生长率的影响曲线;
图4为实施例中东湖水体的水华风险预警结果。
具体实施方式
图1为本发明的具体流程图,具体包括步骤:
步骤1,对水体进行环境分析获得水华爆发的主要影响因素及优势藻种,基于影响水华爆发的主要因素构建优势藻种的藻类生物量预测模型。
水体环境分析具体为:采集气候特征数据、水体污染源特征数据、水体水质变化特征数据,气候特征数据包括温度和光照强度,水体污染源特征数据包括水体中氮、磷的排放情况及排放量,水体水质变化特征数据包括水体中氮含量和磷含量的变化;根据气候特征数据、水体污染源特征数据和水体水质变化特征数据,并结合水动力条件及生物因素进行环境分析,确定水华爆发的主要影响因素及水华爆发的优势藻种。水动力条件指水体流速,生物因素指藻类种群变化情况。
基于生物累积模型,构建优势藻种的藻类累积模型如下:
式(1)中:C表示优势藻种浓度,单位:mg/L;t表示时间;G和D分别为优势藻种的生长速率和死亡速率。
将多因素藻类生长动力学方程代入优势藻种的藻类累积模型,获得优势藻种的藻类累积动力学模型,见公式(2),优势藻种的藻类累积动力学模型可用来模拟在各种外界因素的累积影响下,优势藻种的藻类生物量随时间的动态变化。
式(2)中:G(T)表示温度影响下优势藻种生长率;G(NU)表示营养盐影响下优势藻种生长速率;G(I)表示光照强度影响下优势藻种生长速率;D(Da)表示优势藻种死亡率;D(Sa)表示优势藻种有效沉降或损失率,单位:天(d-1);D(pl)表示水体中其它藻类对优势藻种的竞争抑制率。
根据公式(2)并结合多因素风险评价模型思想,获得藻类生物量预测模型(即水华风险评估模型)为:
式(3)中:C表示优势藻种浓度,单位:mg/L;C1为优势藻种初始浓度,单位:mg/L;Δtj表示第j个时间段;Gj和Dj分别为第j个时间段优势藻种的生长速率和死亡速率;Gj(T)表示第j个时间段温度影响下优势藻种生长率,Gj(NU)表示第j个时间段营养盐影响下优势藻种生长速率,Gj(I)表示第j个时间段光照强度影响下优势藻种生长速率;Dj(Da)表示第j个时间段优势藻种死亡率,Dj(Sa)表示第j个时间段优势藻种有效沉降或损失率。
优势藻种的藻类生物量预测模型,是基于综合考虑气象(温度和光照)、水文(流速)、水质(总氮、总磷、氨氮),以及生物(藻类死亡、藻类沉积、种群竞争)等因素对藻类生长率和死亡率影响,基于多因素风险评价模型构架和藻类累积动力学模型,构建多种因素影响下,优势藻种的藻类生物量(生态受体)随时间变化的函数。
步骤2,采集并分析实时的水体水质变化特征、水体污染源特征和气候特征,采用藻类生物量预测模型预测水体藻类生物量,即优势藻种浓度。
本步骤中,采集并分析实时的水体水质变化特征、水体污染源特征和气候特征,可获得水体中优势藻种实时浓度(即藻类生物量预测模型中的优势藻种初始浓度)、各主要影响因素影响下优势藻种的生成速率及与优势藻种死亡速率相关的参数。本具体实施中,各主要影响因素影响下优势藻种的生成速率包括温度影响下优势藻种生长率G(T)、示营养盐影响下优势藻种生长速率G(NU)及光照强度影响下优势藻种生长速率G(I);与优势藻种死亡速率相关的参数包括优势藻种的死亡率D(Da)、优势藻种有效沉降或损失率D(Sa)及水体中其它藻类对优势藻种的竞争抑制率D(pl),G(T)、G(NU)、G(I)、D(Da)、D(Sa)、D(pl)均可通过分析水体水质变化特征、水体污染源特征和气候特征获得,为本领域内常规技术,在此不做赘述。
步骤3,基于优势藻种的氮剂量-效应关系试验及磷剂量-效应关系试验确定水体藻类生物量的水华风险阈值ART。
本步骤进一步包括子步骤:
3.1氮剂量-效应关系试验。
使水体优势藻种在不同氮浓度的培养液中生长,获得不同氮浓度下优势藻种的最大比增长率,并获得最大比增长率的临界值Sgmax1。
比增长率Sg的计算公式如下:
式(4)中:T1和T2分别为表示计数时间,M1和M2分别为时间T1和T2时的藻类生物量。
3.2磷剂量-效应关系试验。
使水体优势藻种在不同磷浓度的培养液中生长,获得不同磷浓度下优势藻种的最大比增长率,并获得最大比增长率的临界值Sgmax2。
3.3水体中不同形态磷和氮的特征分析
实测水体获得优势藻种可利用的溶解性无机氮占营养盐TN的质量比a,同时获得优势藻种可利用的磷占营养盐TP的质量比b,临界值Sgmax1除以质量比a即为水体中营养盐TN的水华风险阈值,临界值Sgmax2除以质量比b即为水体中营养盐TP的水华风险阈值。
3.4采用线性回归法分析确认优势藻种的藻类生物量水华风险阈值ART。
基于时间段T内水体中优势藻种浓度的监测数据、水体营养盐TN浓度的监测数据及水体营养盐TP浓度的监测数据,采用线性回归分析法构建优势藻种浓度与水体营养盐TN浓度、水体营养盐TP浓度间的回归模型:
lnY=E+AlnX1+BlnX2(5)
式中(5):Y为水体中优势藻种浓度,单位:mg/L;X1为水体营养盐TN浓度,单位:mg/L;X2为水体营养盐TP浓度值,单位:mg/L。
回归分析为一种数据分析方法,利用线性回归方程的最小二乘函数对一个或多个自变量和因变量间关系进行建模。按照自变量和因变量间的关系类型,回归分析可分为线性回归分析和非线性回归分析。具体实施时,可采用excel或spass来进行回归分析。本步骤中线性回归的具体实施方式为:
根据水体中营养盐TN浓度和营养盐TP浓度的实测值,及对应的藻类生物量,获得营养盐TN浓度、营养盐TP浓度与藻类生物量间的多元线性关系,见公式(5),根据多元线性分析法回求系数A、B、E的值;令X1为水体中营养盐TN的水华风险阈值,令X2为水体中营养盐TP的水华风险阈值,采用回归模型(5)获得的Y值即水华风险阈值。
步骤4,将优势藻种生物量预测值与水华风险阈值ART进行比较,以获得预警结果:
(1)若0≤优势藻类生物量预测值C<ART,表明水体中优势藻种生物量未超过水华风险阈值,评价期内不会发生“水华”事件;
(2)若优势藻类生物量预测值C≥ART,表明水体中优势藻种生物量超过水华风险阈值,评价期内会发生“水华”事件。
本具体实施中,评价期表示测量日至其后一周内的时间。
下面将以武汉东湖水体为例对本发明作进一步说明。
1、环境分析,并构建优势藻种的藻类生物量预测模型。
分析东湖环境状况,获得湖泊水体中藻类生长的主要影响因素。根据多因素藻类生长动力学方程,考虑温度、营养盐(TN、TP、NH3-N)浓度、光照强度、藻类死亡以及藻类沉淀等因素,根据东湖藻类生长率与其影响因素间的相关关系方程,获得东湖水体优势藻种的叶绿素a浓度预测模型:
式(4)中:Cd代表东湖水体中优势藻种的叶绿素a浓度,单位:mg/L;Gj(T)表示第j个时间段温度影响下优势藻种生长率,Gj(NU)表示第j个时间段营养盐影响下优势藻种生长速率,Gj(I)表示第j个时间段光照强度影响下优势藻种生长速率;Dj(Da)表示第j个时间段优势藻种死亡率,Dj(Sa)表示第j个时间段优势藻种有效沉降或损失率。
本实施例中,通过环境分析得知水华爆发的主要影响因素包括温度、光照、营养盐及其他藻类,所以上述叶绿素a浓度预测模型中仅引入上述主要影响因素。
具体实施时,采用2004~2005年东湖环境状态的实测数据对优势藻种的生长速率G和藻类死亡速率D的计算模型中参数进行率定,并采用东湖2008年7~11月叶绿素a浓度的实测值和预测值验证叶绿素a浓度预测模型,通过误差分析,叶绿素a浓度的模拟值和预测值间的平均误差在±20%以内,即该叶绿素a浓度可用来评价东湖的水华风险。
2、采用叶绿素a浓度预测模型预测东湖中优势藻种的叶绿素a浓度随时间的变化。
基于东湖监测数据分析,综合考虑水文因素、水质因素和气象因素对藻类生长的影响,选取三种环境条件进行叶绿素a浓度预测,选取的环境条件见表1,其中,环境条件Ⅰ、Ⅱ、Ⅲ分别代表2012年第15天、第221天和第280天的实测数据。分别将环境条件Ⅰ、Ⅱ、Ⅲ作为测量日的环境条件,将环境条件输入叶绿素a浓度预测模型预测优势藻种在测量日起10日内,即评价期内的叶绿素a浓度值。模拟预测时,假定评价期内气象条件和水质条件保持不变。评价期根据实际需求设定,一般评价期越短,预测精确越高。
表1环境条件
3、根据东湖中优势藻种的氮剂量-效应关系试验及磷剂量-效应关系试验确定优势藻种的叶绿素a浓度水华风险阈值ART。
分析东湖藻类种群,东湖优势藻种为蓝藻,其中微囊藻为主要的蓝藻属,分离纯化优势藻种,对微囊藻进行培养,进行氮剂量-效应关系试验及磷剂量-效应关系试验。
(1)氮剂量-效应关系试验。
各培养液中氮的浓度梯度分别为0.05mg/L、0.10mg/L、0.3mg/L、0.5mg/L、0.8mg/L、1.2mg/L、2mg/L、5mg/L、8mg/L和10mg/L。分析氮浓度对微囊藻生长的影响结果,见图2,在氮浓度为0.05-0.5mg/L时,微囊藻最大比增长率持续增加,并在0.5mg/L氮浓度时出现拐点,即最大比增长率的极限值,此时微囊藻最大比增长率为0.61d-1,即东湖水体氮浓度在0.5mg/L以上时,达到水华暴发临界状态。因此,为防止东湖水华的发生,东湖水体中藻类可利用氮含量应控制在0.5mg/L以下。
(2)磷剂量-效应关系试验。
各培养液中磷的浓度梯度分别为0.005mg/L、0.01mg/L、0.015mg/L、0.025mg/L、0.04mg/L、0.06mg/L、0.1mg/L、0.4mg/L、0.6mg/L和1.0mg/L。分析磷浓度对微囊藻生长的影响结果,见图3,微囊藻的最大比增长率在磷浓度0.025mg/L时为0.63d-1,即最大比增长率的极限值,即水体在磷浓度0.025mg/L时,达到水华暴发临界状态。在磷浓度为0.06-0.6mg/L时,微囊藻一直以较高的比增长率增长,在磷浓度达到0.6mg/L以上后,微囊藻增长速度减缓,生长量持平或呈下降趋势。因此,为防止东湖水华发生,应使东湖中可利用磷含量控制在0.025mg/L以下。
(3)水体中不同形态磷和氮的特征分析
东湖水体中,经实测可知:微囊藻可利用的溶解性无机氮占营养盐TN的质量比为53.44%,微囊藻可利用的磷占营养盐TP的质量比为64.18%。根据东湖水体中生物可利用氮和生物可利用磷分别占营养盐TN和营养盐TP的质量比,获得东湖水体营养盐TN和营养盐TP的水华风险阈值分别为0.936mg/L、0.039mg/L。
(4)线性回归分析确认风险评估阈值ART
采集东湖营养盐TN浓度、营养盐TP浓度和优势藻种叶绿素a浓度的监测数据并取自然对数,进行线性回归分析,得到叶绿素a浓度与营养盐TN浓度、营养盐TP浓度间的回归模型如下:
lnY=9.10-3.18lnX1+3.79lnX2(7)
式(7)中:Y为优势藻种的叶绿素a浓度,单位:mg/L;X1为营养盐TN浓度,单位:mg/L;X2为营养盐TP浓度,单位:mg/L。
将营养盐TN和营养盐TP的水华风险阈值代入公式(7),获得东湖水体的叶绿素a浓度水华风险阈值ART为0.051mg/L。
4、根据水华风险阈值对东湖的水华风险进行评价和预警。
将环境条件I、Ⅱ、Ⅲ下,分别计算评价期内优势藻种的叶绿素a浓度,并将叶绿素a浓度与水华风险阈值ART进行对比,见图4,可看出在环境条件I的评价期内,叶绿素a浓度均小于水华风险阈值ART,因此判断评价期内不会发生“水华”事件,实际上,东湖在2012年第15天起的1~3月未发生“水华”事件。
在环境条件Ⅱ的评价期内,第6天叶绿素a浓度均大于水华风险阈值ART,判断“水华”事件发生。根据实际监测结果,2012年8月20日,庙湖暴发了大面积“水华”事件,本发明预测的“水华”暴发时间比实际“水华”暴发时间稍早,但可以起到很好的“水华”预警作用。
在环境条件Ⅲ的评价期内,叶绿素a浓度均小于水华风险阈值ART,因此判断评价期内不会发生“水华”事件,由于其污染物浓度稍低,实际上,东湖在2012年第280天起10天内未发生“水华”事件。
Claims (3)
1.一种水体水华风险快速预警方法,其特征在于,包括步骤:
步骤1,对水体进行环境分析获得水华爆发的主要影响因素及优势藻种,基于水华爆发的主要影响因素构建优势藻类的藻类生物量随时间变化的函数,即藻类生物量预测模型;
所述的优势藻类的藻类生物量预测模型的构建包括步骤:
1.1基于生物累积模型构建藻类累积模型其中,C表示优势藻类浓度,t表示时间,G和D分别为优势藻类的生长速率和死亡速率;
1.2结合多因素藻类生长动力学模型、藻类累积模型及水华爆发的主要影响因素,获得考虑主要影响因素的藻类累积动力学模型;
1.3在评价期内对藻类累积动力学模型进行微积分,获得优势藻类的藻类生物量随时间变化的函数,即藻类生物量预测模型;
步骤2,采集并分析实时的水体水质变化特征、水体污染源特征和气候特征获得藻类生物量预测模型中各参数实时值,结合各参数实时值和藻类生物量预测模型获得优势藻类生物量预测值;
步骤3,确定优势藻类的藻类生物量水华风险阈值,具体为:
3.1使优势藻类在不同氮浓度的培养液中生长,获得不同氮浓度下优势藻类的最大比增长率,并获得最大比增长率的临界值Sgmax1;
3.2使优势藻类在不同磷浓度的培养液中生长,获得不同磷浓度下优势藻类的最大比增长率,并获得最大比增长率的临界值Sgmax2;
3.3将临界值Sgmax1除以优势藻类可利用的溶解性无机氮占营养盐TN的质量比得到营养盐TN的水华风险阈值,将临界值Sgmax2除以优势藻类可利用的磷占营养盐TP的质量比得到营养盐TP的水华风险阈值;
3.4基于水体中优势藻类浓度、水体营养盐TN浓度及水体营养盐TP浓度的监测数据,采用线性回归分析法构建优势藻类浓度与水体营养盐TN浓度、水体营养盐TP浓度间的回归模型;
3.5令水体营养盐TN浓度等于营养盐TN的水华风险阈值,令水体营养盐TP浓度等于营养盐TP的水华风险阈值,采用回归模型获得的优势藻类浓度即优势藻类的藻类生物量水华风险阈值;
步骤4,比较优势藻类生物量预测值和藻类生物量水华风险阈值,当优势藻类生物量预测值不小于藻类生物量水华风险阈值时,发出水华预警。
2.如权利要求1所述的水体水华风险快速预警方法,其特征在于:
所述的对水体进行环境分析获得水华爆发的主要影响因素及优势藻种具体为:
采集气候特征数据、水体污染源特征数据、水体水质变化特征数据,根据气候特征数据、水体污染源特征数据和水体水质变化特征数据,并结合水动力条件及生物因素进行环境分析,确定水华爆发的主要影响因素及优势藻类。
3.如权利要求1所述的水体水华风险快速预警方法,其特征在于:
子步骤3.4具体为:
根据水体中营养盐TN浓度、营养盐TP浓度的实测值,及对应的藻类生物量,构建营养盐TN浓度、营养盐TP浓度和藻类生物量间的多元线性关系方程;运用多元线性回归分析法求得多元线性关系方程的线性回归系数,从而获得优势藻类浓度与水体营养盐TN浓度、水体营养盐TP浓度间的回归模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410367734.3A CN104112080B (zh) | 2014-07-29 | 2014-07-29 | 水体水华风险快速预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410367734.3A CN104112080B (zh) | 2014-07-29 | 2014-07-29 | 水体水华风险快速预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104112080A CN104112080A (zh) | 2014-10-22 |
CN104112080B true CN104112080B (zh) | 2016-03-02 |
Family
ID=51708867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410367734.3A Active CN104112080B (zh) | 2014-07-29 | 2014-07-29 | 水体水华风险快速预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104112080B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104569306A (zh) * | 2014-12-24 | 2015-04-29 | 中国科学院重庆绿色智能技术研究院 | 一种预判藻类种群演替和水华的方法 |
CN105184101B (zh) * | 2015-10-09 | 2018-08-28 | 中国环境科学研究院 | 一种藻类对水质tp贡献的估算方法 |
CN105205332B (zh) * | 2015-10-09 | 2018-04-24 | 中国环境科学研究院 | 一种藻类对水质CODCr贡献的估算方法 |
CN105184099B (zh) * | 2015-10-09 | 2018-08-10 | 中国环境科学研究院 | 一种藻类对水质CODMn贡献的估算方法 |
CN105184100B (zh) * | 2015-10-09 | 2018-08-28 | 中国环境科学研究院 | 一种藻类对水质tn贡献的估算方法 |
CN105403680B (zh) * | 2015-12-02 | 2017-09-08 | 浙江省海洋监测预报中心 | 一种基于浮标在线监测数据的赤潮短期预警方法及用途 |
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 |
CN108893519A (zh) * | 2018-07-24 | 2018-11-27 | 成都蔚瑞生物科技有限公司 | 一种基于藻春化太湖铜绿微囊藻暴发的藻密度预测方法 |
CN109460869B (zh) * | 2018-11-06 | 2021-03-12 | 北京英视睿达科技有限公司 | 水环境预警方法和装置 |
CN109657200B (zh) * | 2018-12-05 | 2020-10-23 | 北京师范大学 | 一种确定湖泊水库蓝藻水华爆发几率的方法 |
CN109711066B (zh) * | 2018-12-28 | 2023-01-31 | 南开大学 | 一种浅水型小型湖库水华预测方法及预测模型 |
CN110414051B (zh) * | 2019-06-27 | 2023-04-18 | 长江水资源保护科学研究所 | 一种抑制河流水华的生态需水核算方法 |
CN115206040B (zh) * | 2021-04-12 | 2023-08-04 | 南方科技大学 | 核电取水口的生物入侵预警方法、装置及终端 |
CN112990614A (zh) * | 2021-05-21 | 2021-06-18 | 芯视界(北京)科技有限公司 | 水华检测方法及装置、电子设备和存储介质 |
CN114324796B (zh) * | 2021-12-28 | 2023-03-10 | 中国科学院南京地理与湖泊研究所 | 一种水草上附着丝状藻类水华的预测方法 |
CN114861996B (zh) * | 2022-04-20 | 2023-04-07 | 江苏瑞沃农业发展集团有限公司 | 一种水库大水面污染治理方法及系统 |
CN115662497B (zh) * | 2022-11-10 | 2023-12-29 | 淮阴师范学院 | 基于营养盐浓度的蓝藻生长模型的构建方法 |
CN117092100B (zh) * | 2023-08-22 | 2024-03-22 | 华南理工大学 | 一种基于图像处理的水环境间歇抽样检测方法及相关装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678910A (zh) * | 2013-12-12 | 2014-03-26 | 河海大学 | 河道型水库支流库湾水华的云体系架构预警系统及方法 |
-
2014
- 2014-07-29 CN CN201410367734.3A patent/CN104112080B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678910A (zh) * | 2013-12-12 | 2014-03-26 | 河海大学 | 河道型水库支流库湾水华的云体系架构预警系统及方法 |
Non-Patent Citations (2)
Title |
---|
基于水质目标的水环境累积风险评估模型;张万顺 等;《环境科技》《环境影响评价》;20130915(第5期);第51-54页 * |
营养因子与藻生物量的回归模型;王志红;《广东工业大学学报》;20050625;第22卷(第2期);第26-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104112080A (zh) | 2014-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104112080B (zh) | 水体水华风险快速预警方法 | |
Rocha et al. | Assessing the impacts of sustainable agricultural practices for water quality improvements in the Vouga catchment (Portugal) using the SWAT model | |
Huo et al. | Using artificial neural network models for eutrophication prediction | |
Prasad et al. | Long-term variability of nutrients and chlorophyll in the Chesapeake Bay: A retrospective analysis, 1985–2008 | |
CN101858065B (zh) | 一种考虑污染胁迫的浅水湖泊生态需水量估算方法 | |
Pizarro et al. | Nutrients dynamics in the main river basins of the centre-southern region of Chile | |
CN102831297A (zh) | 一种湖泊污染成因诊断的集成方法 | |
Cox et al. | Impacts of climate change scenarios on dissolved oxygen in the River Thames, UK | |
CN108573302A (zh) | 一种流域面源污染负荷模拟及最佳管理措施优化方法 | |
CN105389742A (zh) | 一种水环境敏感区遥感识别方法及系统和岸边带建设方法 | |
Rounds | Development of a neural network model for dissolved oxygen in the Tualatin River, Oregon | |
Park et al. | Evaluation of weir construction on water quality related to algal blooms in the Nakdong River | |
CN109544021A (zh) | 一种区域水生态服务价值综合评价方法 | |
Wild-Allen et al. | Continuous nutrient observations capture fine-scale estuarine variability simulated by a 3D biogeochemical model | |
Pätynen et al. | Modelling the impact of higher temperature on the phytoplankton of a boreal lake | |
Pan et al. | Assessment Methods of Small Watershed Ecosystem Health. | |
Blaas et al. | Large-scale circulation and flushing characteristics of the North Sea under various climate forcings | |
Chen et al. | Estimation of phosphorus flux in rivers during flooding | |
Chen et al. | Water environmental capacity analysis and eutrophication assessment of water-supplied reservoirs | |
Bärlund et al. | Three approaches to estimate inorganic nitrogen loading under varying climatic conditions from a headwater catchment in Finland | |
Li et al. | Evaluation of AnnAGNPS and its applications in a semi-arid and semi-humid watershed in Northwest China | |
Cleveland et al. | The wetland disturbance index: links with soil and water nitrate concentrations | |
Zeng et al. | Seasonal Variation in the Water Quality and Eutrophication of Lake Xingyun in Southwestern China. Water 2022, 14, 3677 | |
Tominack | Phytoplankton dynamics in an urbanizing south Texas estuary, Corpus Christi Bay, Texas | |
Pernica | Implications of periodic weak thermal stratification in the Epilimnion of Lake Opeongo |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220825 Address after: Room 401, Building A1, Zhongan Chuanggu Science and Technology Park, Wangjiang West Road, High-tech Zone, Hefei City, Anhui Province, 230000 Patentee after: Luojia Haojing Digital Technology (Hefei) Co.,Ltd. Address before: 430072 Hubei Province, Wuhan city Wuchang District of Wuhan University Luojiashan Patentee before: WUHAN University |