CN105973207B - 大型浅水湖泊水华集聚水域的补水控藻方法 - Google Patents

Abstract

本发明公开一种大型浅水湖泊水华集聚水域补水控藻方法。该方法的技术体系包括水环境模拟技术、软性围隔技术以及动态监测调度技术，具体实施方法包括建立湖泊水环境模拟模型、建设柔性围隔工程形成目标水域、目标水域实施在线监测、建立目标水域的时空高精度水环境模拟模型、构建水质神经网络模型、建立补水河流的流量调度系统。该方法提出在大型浅水湖泊的水华集聚水域利用入湖河流进行补水以控制其藻类密度的系统性、定量化的技术体系，在补水水量水质与目标水域的水质响应之间建立起确定性的定量化联系，从而实现流域水资源调度系统的定量化补水配置，克服了现有引水控藻工程措施未形成定量化技术方案，致使控藻效果不确定或不显著的缺陷。

Description

大型浅水湖泊水华集聚水域的补水控藻方法

技术领域

本发明属环境保护技术领域，具体涉及水体污染控制技术领域。

背景技术

大型浅水湖泊一般指面积大于50km²的平均水深小于6m的湖泊。对于富营养化的大型浅水湖泊而言，藻类空间分布并不均匀，会受到风力和湖流的驱使而迁移聚集，因而风力风向成为出现局部水华重灾区的主要原因。在我国太湖北部的梅梁湾，滇池北部海埂公园水域，均由于蓝藻在盛行风作用下的堆积而形成严重的水华。

目前控制湖泊蓝藻水华的方法主要有：化学、物理、生物、营养负荷控制法。

化学法：采用杀藻剂，可快速降低藻类密度，但添加化学物质，可能对水体产生化学污染，对鱼类等其它水生生物产生毒害，危害水生生态系统，具有不可预知的潜在危险。

物理方法：用重力振动、旋振和离心等方法将藻类收集并使之与湖泊水体分离等，只适宜在水华严重的局部水域应急使用，机械清除法成本和能耗过高。

生物控藻法：主要包括微生物控藻、大型水生植物抑藻、水生动物控藻。其中，微生物灭藻尚不成熟，抑藻微生物种群投入水体后，面临土著微生物的激烈竞争，很难长时期形成优势种群而发挥持续的抑藻作用，且微生物溶藻后导致蓝藻藻毒素的陡然释放，可能危害水体中的水生生物，导致新的生态问题。植物化感物质可以有效地抑制藻类的生长，但关于化感物质的研究成果大都是在超过自然界可能浓度的实验条件下获得的，正确评价其真正作用，需要长时间的试验才可以定论。水生动物控藻是通过捕食食物链遏制藻类增殖，在小型、封闭、浅水性富营养化湖泊中已显示一定的效果，但在大型湖泊尚无成功的事例。由于湖泊生态系统的复杂性，这种经典的生物操纵方法的有效性与稳定性仍存在一定的争议，有待发展和完善。目前在湖泊中实施的生态浮岛技术，围隔生物控藻技术等，是生物控藻理论的技术实践，取得了一定效果。秦伯强等(秦伯强等.太湖水源地水质净化的生态工程试验研究.环境科学学报，2007，27(1)：5-12)在我国太湖梅梁湾牵龙口水厂周边建成了总面积近10km²的水源地水生态修复示范区。示范区采用了PVC围隔挡藻，主要通过恢复水生植物、放养滤食性鱼类发挥生态效应而控藻除藻，净化水质。该示范工程运行后，围隔内水质得到了明显改善，但是就藻类密度(叶绿素a浓度)而言没有显著好转，有关研究分析认为可能是盛行风导致夏季蓝藻水华富集堆积于示范区，造成控藻效果不佳(陈雪初等.富营养化湖库水源地原位控藻技术研究进展.水资源保护，2008，24(2)：10-13)。实践表明，仅依靠围隔的物理阻隔及围隔内的各种生物控藻技术，在大型湖泊的水华堆积区并不能有效抑制水华的发生。

营养负荷控制法：需要控制湖泊的外源和内源两种营养盐输入途径，属于流域－湖泊系统的全面治理，涉及湖泊及其流域的社会经济发展模式的调整。此方法是控制水华的根本性措施。但牵涉面广，成本高，时间长，见效慢。

除以上方法外，国内外还尝试通过引清调水工程来改善湖泊水质和控制藻类。有研究显示水文条件影响到蓝藻的生长和分布，在水力滞留时间短的水体中蓝藻会失去竞争优势。一般认为水力滞留时间少于2周时，蓝藻难以有效地聚集形成水华。水力滞留时间越长，发生水华的可能性越大；相反，滞留时间越短，则不利于藻类的繁殖，较难以维持种群数量，不易形成水华。引清调水工程在国内外有较多的实例，如；美国引Mississippi河入Pontchartrain湖，荷兰veluwemeetr湖的引换水工程，国内的引江济太工程，杭州西湖引水工程，武汉东湖的调水工程，南京玄武湖的引水工程等。

以“引江济太“工程为例，周小平等(周小平等.2007～2008年引江济太调水对太湖水质改善效果分析.水资源保护，2006，26(1)：40-48)针对2007年引江济太应急调水应对无锡供水危机，以及2008年冬春季“引江济太“抑制太湖夏季蓝藻暴发的效果进行了分析。”在2007年引江济太应急调水中，由于长江清水大量进入太湖的贡湖湾，有效抑制了贡湖蓝藻生长，贡湖湾锡东水厂的叶绿素a浓度由调水前的53μg/L逐步降低到10.5μg/L，贡湖湾蓝藻暴发现象得到明显抑制。在2008年冬春季引江济太调水实践中，与2007年同期相比，代表藻类密度的叶绿素a质量浓度贡湖下降达60％，但毗邻的太湖水华重灾区－梅梁湾下降有限，仅下降5％，其它湖湾甚至有所上升。说明引江济太调水对改善局部特定湖区的水质及抑制蓝藻发生可以在某些时期起到一定的作用。但目前的引水控藻方式尚未形成定量化的技术体系，如引水水量水质的定量化，且实践效果说明尚不完全适用于大中型湖泊的水华集聚水域，如太湖梅梁湾，并没有获得显著的效果。

发明内容

目的

本发明要解决的技术问题在于改变目前利用河道补水进行大中型浅水湖泊水华水域控藻所表现出的主观经验性，解决在水华集聚水域所进行的补水控藻工程效果不显著、不确定性较高的问题，旨在使利用河道补水方式对大中型浅水湖泊的水华堆积区所实施的控藻成为可以定量化、规范化操作的环保水利工程。

原理和适用条件：

本发明通过入湖河道，按预设方案向藻类聚集水域实施补水，通过水动力调控及补充低氮磷浓度水来控制藻类密度。本发明适用于毗邻入湖河流的近岸湖泊水域；入湖河流所在流域具有流域水资源调度系统，且通常情况下水质良好(明显优于湖泊水质)。

技术框架

本发明方法包括三部分，分别是高精度水环境模拟技术、软性围隔技术以及动态监测调度技术：

·高精度湖泊水环境模型，可模拟较小湖泊区域(<10km²)的短时间(日)的水质时空变化。

·软性围隔技术。适用于浅水湖泊，可阻隔水流和阻止波浪翻越的临时性设施，用以形成局部水域，与开敞湖面相对隔离。

·动态监测调度技术。采用在线监测技术积累湖泊及入湖河流的水文水质数据，构建神经网络模型，提出入湖河流的流量调度需求。

以上三部分的功能和作用(图1)：

高精度水环境模型的作用：①基于入湖河流及湖泊的情形，通过多情景模拟计算，确定可以利用河流补水改善水质的局部湖泊水域(称为目标水域、下同)的大小(规模)、软性围隔的空间布局。②当动态监测调度技术中的在线监测系统，尚未累积足够多的数据以支撑神经网络模型的建立时，通过多情景模拟，提供构建神经网络模型的初期训练数据；所述多情景模拟是假设不同的补水流量和水质，通过模拟计算得到对应的目标水域的水质结果，这样获得训练神经网络模型的数据集。③基于对湖泊水环境主要过程的较高时空模拟精度，较核动态监测调度技术推求得到的初步调度流量，并最终确定入湖河流的调度流量。

软性围隔技术的作用：①在不永久改变湖泊原有形态的情况下，形成与开敞湖泊水面相对隔离的区域-目标水域。②减轻开敞湖体对目标水域水质的影响，如蓝藻水华在风力作用下的堆积。

动态监测调度技术的作用：①对目标水域及入湖河流实施在线监测，积累目标水域及入湖河流的水文水质数据；②利用积累的数据，校准高精度水环境模型，优化其参数值，提高对目标水域的模拟准确性。③建立神经网络模型，推求提供给流域水资源调度系统的入湖河流的初步调度流量。

本发明方法具体包括以下步骤：

(1)、收集基础资料

A、湖泊及藻华堆积湖湾区的水陆边界及水下地形图

B、藻华堆积湖湾区的沉积物组成及其空间分布；

C、湖泊常规观测点位的水位、水质及浮游植物历史数据；

D、湖泊气象历史数据：大气压力、空气温度、相对湿度、降水、蒸发、太阳辐射、云量、风速和风向。数据为小时数据。

E、入湖河流的水文、水质历史系列数据；

(2)、建立湖泊水环境模拟模型

A.以环境流体动力学模型EFDC(Environmental Fluid Dynamics Code,EFDC)为基础，根据模拟的湖泊水文水质变量或指标，采用EFDC的水动力模块以及模拟水温、溶解氧、氮、磷及蓝绿藻的富营养化模块。

B.湖泊水环境模型计算网格的构建

采用GEFDC软件(Grid Environmental Fluid Dynamics Code)，以曲线网格法，依步骤(1)A的数据划分湖泊水域的计算网格；网格的生成首先是产生水平断面曲线以离散水体，接下来采用步骤(1)C收集的湖泊水位(水深)数据来指定每个网格的深度。

C.建立湖泊水环境模型的边界条件

以步骤(1)E收集的入湖河流的流量日数据，以及入湖河流的氮浓度日数据和磷浓度日数据作为湖泊水环境模型的水陆边界条件。由于入湖河流流量和氮磷浓度在一天内的变化幅度较小，因此为日数据；

驱动湖泊水环境模型水动力模块的大气边界条件为步骤(1)D收集的大气压力、空气温度、相对湿度、降水、蒸发、太阳辐射、云量、风速和风向数据，由于大气边界条件在一日内具有较大的变化，因此，大气边界条件为小时数据。

D.参数率定

基于EFDC建立的湖泊水环境模型的参数包括各类形态的氮、磷、碳的转化系数以及藻类的最大生长速率、基础代谢率、牧食率；藻类营养物质的半饱和系数；藻类最适生长温度；藻类沉降率。

用于率定以上湖泊水环境模型参数的校准变量为水位、水温、叶绿素a(Chl a)、总氮(TN)和总磷(TP)浓度。

用于校准的实测数据为校准变量在湖泊常规监测站点的步骤(1)C水位、水质及浮游植物的历史数据。

参数率定过程是个迭代过程：对一组参数赋值并运行湖泊模型后，将各观测站点的校准变量模拟值与实际观测值进行比较，然后调整参数的赋值再运行湖泊模型，如此重复多次直到模拟值与实测值接近，两者的相关系数应达到0.85以上。

(3)目标水域空间范围的确定

①目标水域的控藻目标及水质目标

控藻目标即藻类密度的上限数值，藻类密度用叶绿素a浓度表示。通过分析步骤(1)C收集的湖泊浮游植物历史数据中的藻类资料，结合野外实地调查和走访，取水面不出现蓝绿色浮沫水华的叶绿素a浓度的上限数值作为控藻目标。同时根据步骤(1)C收集的水质数据确定与目标水域控藻目标相应的氮、磷浓度值作为目标水域水质目标；所述目标水域指拟开展补水控藻的水华集聚湖湾的局部水域；

②目标水域空间位置的确定

A.初步划出目标水域的空间区位，目标水域由岸线及假设的湖面上的围隔所围成，包含入湖河流入湖口；

目标水域的空间区位的确定实际上是湖面上围隔的空间位置的确定。

B.假设目标水域已用围隔与开敞湖面相对隔离，即在步骤(2)建立的湖泊水环境模拟模型中设定围隔两侧步骤(2)B的计算网格之间没有水量交换；

C.采用历史数据运行步骤(2)湖泊水环境模拟模型，得到目标水域的氮磷浓度及叶绿素a浓度的模拟结果；

D.与步骤(3)①的控藻目标相比较，如果叶绿素a浓度值大于控藻目标，则缩小目标水域的范围，重复此过程，反之，则扩大目标水域的范围，直至计算结果与控藻目标的相对偏差小于5％。

(4)在湖面建设柔性围隔形成目标水域

根据步骤(3)确定的围隔在湖面上的空间位置，在湖面建设柔性围隔，形成由围隔与陆地岸线合围而成的目标水域；

目标水域设立一处出流口，目标水域承接的河道入流，流经目标水域后，经出流口进入开敞湖面；

柔性围隔在结构上包括三部分：上部为浮体、中部为墙体，底部是石笼；柔性围隔上部的浮体浮于水中，部分露出水面；围隔中部的墙体竖立于水中，围隔底部的石笼沉于淤泥中；

三部分组合在一起，可以阻挡水流通过和波浪翻越。围隔墙体为PVC材料，而浮体外部也覆盖有PVC材料，在两者的PVC材料上烫孔，上覆有孔钢板，然后用尼龙绳绑扎而连接在一起。石笼是装填卵石的尼龙网，本身有孔；在与石笼连接的墙体PVC材料上烫孔，用尼龙绳将两者绑扎连接在一起。

(5)对目标水域实施在线监测

在目标水域建立在线监测系统的目的在于获得固定时间间隔的目标水域及入湖河流的水文气象水质数据，并建立数据库，储存累积的数据。

在线监测系统包括数据采集系统、数据传输系统、安全系统以及监控中心；监控中心包含数据库及管理软件SQL Server，数据库中存贮有入湖河流及目标水域的水文、气象、水质数据；

在线监测系统在tⁱ时刻观测目标水域气象、水质，以及入湖河流的水文、水质常规监测指标，t表示观测日期，i为时间序列，i＝0，1，…；tⁱ＝t^i-1+T；T定义为流域水利系统进行水量联合调度所需的时间；

在线监测系统的设备、传输系统以及软件均采用目前在水利、环保领域广泛使用的成熟的设备和软件技术。

(6)建立针对目标水域的时空高精度水环境模拟模型

目标水域时空高精度模拟模型指模型的计算网格的面积相对湖泊水环境模型而言要小得多，可以反映目标水域的水下地形和边界形态对水动力的影响；计算的时间步长短，可以反映目标水域对入湖水量和水质日变化的响应。

A.目标水域的计算网格

在步骤(2)湖泊水环境模型的计算网格的基础上，对目标水域计算网格进行细化；当目标水域的网格的面积缩小到能够表征目标水域的水下地形及水陆边界的细节时即完成目标水域计算网格的细化；

B.目标水域的边界条件

柔性围隔将目标水域与开阔水域相隔离，因此在模型的计算网格中，围隔两边的网格之间不存在水量交流。

目标水域的水陆边界条件为流入目标水域的入湖河流及围隔所划定的目标水域边界，在出流口与开敞湖面汇流；

C.参数率定

利用步骤(5)在线监测系统的数据库中存贮的入湖河流及目标水域的水文气象水质数据，按步骤(2)D的方法率定目标水域的时空高精度水环境模拟模型。

随着在线监测系统累积数据的不断增多，目标水域时空高精度水环境模拟模型的模拟准确性也随之提高。

(7)建立神经网络模型

A.初步建立由入湖河流t^i－1时刻水文、水质数据推求入湖河流tⁱ时刻总氮、总磷浓度的神经网络模型(Ⅰ)；

B.初步建立由t^i－1时刻目标水域水质数据，tⁱ时刻目标水域总磷、总氮、叶绿素a浓度，tⁱ时刻入湖河流总氮和总磷浓度推求tⁱ时刻入湖河流流量的神经网络模型(Ⅱ)；

C.利用步骤(5)中的数据库数据，训练上述两个神经网络模型，完成神经网络模型的构建。

理论上，用以训练神经网络模型的数据越多，则神经网络模型的预测准确性就越高。

如果步骤(5)在线监测系统运行时间在1年以下，导致积累的数据较少(建立水质神经网络模型一般需要多年观测数据)，则由步骤(6)目标水域时空高精度模拟模型按假设河流补水情景提供入湖河流的补水水量、水质与目标水域水质响应之间的对应数据，作为神经网络模型(Ⅱ)的初期训练数据的补充；

如果步骤(5)在线监测系统运行时间在5年以上，则完全依靠步骤(5)所述数据库累积的大量数据，进行神经网络模型(Ⅱ)及神经网络模型(Ⅰ)的训练，建立起预测准确性高的神经网络模型；

(8)建立入湖河流的流量调度系统

利用步骤(5)在线监测系统、步骤(6)目标水域时空高精度水环境模型及步骤(7)神经网络模型，提出入湖河流在调度时间T内的入湖流量值，由流域水资源联合调度，实现入湖河流对目标水域的定量化补水；具体步骤如下：

A.利用步骤(5)建立的在线监测系统获得当前tⁱ时刻补水河流的水质数据，再利用步骤(7)建立的神经网络模型(Ⅰ)推求未来tⁱ⁺¹时刻的河流总氮和总磷浓度；

B.假设目标水域在未来tⁱ⁺¹时刻的总氮、总磷及叶绿素a浓度为步骤(3)①中目标水域的控藻目标和水质目标；

C.基于在线监测系统在tⁱ时刻的目标水域水质监测数据，步骤(8)B设定的目标水域tⁱ⁺¹时刻的总氮、总磷和叶绿素a浓度，以及(8)A获得的补水河流的tⁱ⁺¹时刻总氮和总磷浓度值，利用步骤(7)建立的神经网络模型(Ⅱ)，推求补水河流tⁱ⁺¹时刻流量值，得到补水河流在tⁱ时刻后T时间段内的调度流量的初步值；

D.利用步骤(6)建立的目标水域的时空高精度水环境模拟模型较核步骤(8)C所得的初步调度流量值：

以步骤(8)D中的初步调度流量、步骤(8)A所得的tⁱ⁺¹时刻的补水河流的总氮和总磷浓度作为边界条件运行步骤(6)所建立的目标水域的时空高精度水环境模拟模型，计算tⁱ⁺¹时刻及其后续调度时间T目标水域的氮、磷浓度和叶绿素a浓度；

如果计算结果与步骤(3)①中所述的目标水域控藻目标有偏差，则小幅度调整初步调度流量重新模拟计算，当模拟结果达到步骤(3)①中所述的目标水域控藻目标时，则计算中采用的tⁱ⁺¹时刻的入湖流量值，即作为tⁱ⁺¹时刻及其后续调度时间T内的补水河流的调度流量值；

E.将tⁱ⁺¹时刻的调度流量传递给流域水资源联合调度平台，实现tⁱ⁺¹时刻及其后续调度时间T的入湖流量。

以上各步骤所述目标水域水质指湖泊水体常规水质观测指标。

目标水域水质指在目标水域观测的常规指标，包括水温、pH、电导率、溶解氧、高锰酸盐指数、生化需氧量、氨氮、化学需氧量、总磷、总氮；神经网络模型(Ⅱ)利用的目标水域水质指标为上述指标；而神经网络模型(Ⅰ)利用的水质指标也是上述指标，但推求得到的水质指标只有总磷、总氮；水环境模型较核调度流量的计算结果只关注目标水域的叶绿素a浓度，不考虑其它的水质指标。

与现有控藻技术相比，本发明的有益效果：

1、本发明方法提出在大中型浅水湖泊水华堆积区实施河道补水(引水)控藻的系统性、定量化技术体系。

在目前的湖泊控藻技术中，营养盐控制法、化学方法、物理方法、生物方法以及引水工程补水方法都可以在其适用范围内有效抑制蓝藻水华，同时这些方法也存在不足。就通过引水工程补水来控制水华的方法而言，其具有见效快、持续性好的优点，但目前的工程实践表明，对于由于盛行风而形成藻类集聚区的大中型湖泊，虽然有一定效果，但控藻效果存在明显的不确定性。主要原因就是缺乏关于补水控藻的系统性、定量化方法。

而本发明由目标水域时空高精度水环境模型、柔性围隔技术以及目标水域动态监测调度技术共同构成的河道补水控藻方法，通过物理阻隔外源藻(柔性围隔工程)和定量化的补水(目标水域时空高精度湖泊水环境模型、目标水域动态监测调度技术)抑制内源藻，可以达到控制大中型湖泊藻华堆积区藻类密度(控制叶绿素a浓度)的目标。

本发明就特定湖泊水域的水质、浮游植物群落密度对河道补水水量水质过程的响应关系，即在入流水量、水质与围隔内水体的水质及叶绿素a浓度之间建立起确定性的定量化联系，从而实现精确的补水配置，使补水控藻方法具有科学性、客观性。克服了现有引水控藻工程措施未形成定量化技术方案，致使控藻效果不确定或不显著的缺陷。

2、本发明方法实现了补水控藻的工程化

补水定量化方法以及柔性围隔设施的组合使得利用河道对湖泊的补水控藻可以按照环保或水利工程的规划、设计、建设方式实施，实现了补水控藻的工程化。

3、本发明方法高效利用现有的流域水资源治理湖泊水华

本发明提出由流域水资源管理机构的流域水资源调度平台来实现入湖河流的流量调度，使有限的地表径流在湖泊水华治理中发挥最大的作用，提高流域水资源综合利用效率。

4、本发明方法具有广泛的适用性

本发明提出的系统性控藻方法，可以在普遍存在水华灾害的国内外大中型浅水湖泊使用，具有重要的推广价值。

附图说明

图1是大型浅水湖泊水华集聚水域的补水控藻方法的技术框架图。

图2是EFDC模型的结构示意图。

图3为滇池水环境模型校准中的实测与模拟的日水位变化比较图。图中：横坐标表示时间，用儒略日表示；纵坐标表示水位，单位为米；a为模拟水位、b为观测水位。

图4为滇池实测水位与模拟水位的相关性图。图中：横坐标表示观测水位，单位为米，纵坐标表示模拟水位，单位为米。

图5为滇池的常规观测点－灰湾的实测与模拟的水温变化过程比较图。图中：横坐标表示时间,用儒略日表示；纵坐标表示水温，单位为℃；a为模拟水温，b为观测水温。

图6为滇池的常规观测点－灰湾的实测与模拟的水温相关性图。图中：横坐标表示观测水温，单位为℃；,纵坐标表示模拟水温，单位为℃。

图7为滇池的常规观测点－灰湾的实测与模拟的叶绿素a(Chl a)浓度过程比较图。图中：横坐标表示时间,用儒略日表示；纵坐标表示Chl a浓度，单位为μg/L。a为Chla浓度模拟值，b为Chla浓度观测值。

图8为滇池的常规观测点－灰湾的实测与模拟的总氮(TN)浓度过程比较图。图中：横坐标表示时间，用儒略日表示；纵坐标表示TN浓度，单位为mg/L。a为TN浓度模拟值、b为TN浓度的观测值。

图9为滇池的常规观测点－灰湾的实测与模拟的总磷(TP)浓度过程比较图。图中：横坐标表示时间,用儒略日表示；纵坐标表示TP浓度，单位为mg/L。a为TP浓度模拟值、b为TP浓度观测值。

图10是目标水域的布局示意图。图中，①表示竹筏木排、②表示柔性围隔工程、③表示常规水面警示装置、④表示湖岸线、⑤表示动态监测点(水文水质在线监测仪器的安装点)；A表示入湖河道盘龙江、B表示导流围隔、C表示滇池海埂公园的控藻水域，即目标水域、D表示藻类滞留区、E表示出流口、F表示滇池的开敞水体、G为滇池北岸。图10中，由②、④、D及B围成目标水域C。由A进入的盘龙江水流经导流围隔B、目标水域C、经藻类滞留区D后经出流口E流入围隔外部的开敞水体F。

图11是柔性围隔的结构示意图，其中，1表示水～大气界面、2表示水～沉积物界面、3表示围隔的浮体部分、4表示围隔的墙体部分、5表示围隔的石笼部分、6表示浮体与墙体的连接处、7表示墙体与石笼的连接处。

浮体半浮于水面，用于产生浮力使围隔墙体在水中基本保持直立，随风浪的摆动保持在较小的幅度内，另外浮体还可阻挡漂浮藻类随浪进入。围隔墙体用于截断围隔内外的水流交换。沉入底质中的石笼用来固定墙体。

图12是目标水域高精度水环境模型的网格图，其中8为滇池北部的加密网格，即为目标水域的网格。9为除加密网格以外的滇池湖体的计算网格。

为使计算易于收敛，与目标水域相邻水域的网格也较小。

图13是示范工程入湖河流-盘龙江的严家桥监测断面的总氮神经网络模型的拓扑结构示意图。图中w(input)1.1、w(output)1.1、w(input)k.h、w(output)h.m表示神经元之间的连接强度，称为连接权。

实施例

实施例为国家科技重大专项，水体污染控制与治理主题，滇池项目的第六课题《滇池流域水资源联合调度改善湖体水质关键技术与工程示范》(2013ZX07102-006)关键技术的部分研究成果及示范工程的设计方案。

(1)、收集基础资料

A、滇池及其北部近岸水域的水陆边界及水下地形图

B、滇池北岸近岸水域的沉积物组成及其空间分布；

C、滇池8个常规观测点位的水位、水质及浮游植物历史数据；

D、滇池气象历史数据：大气压力、空气温度、相对湿度、降水、蒸发、太阳辐射、云量、风速和风向。数据为小时数据。

E、盘龙江的水文、水质历史系列数据；

(2)建立湖泊水环境模拟模型

以环境流体动力学模型(Environmental Fluid Dynamics Code,EFDC)为基础建立滇池湖泊水环境模型。

在湖泊生态模型的发展历程中，水质水动力模型因其对地球化学循环、藻类生长消亡和水动力过程的详尽模拟，以及人们对湖泊富营养控制的迫切需求而在在环境管理中得到广泛应用和认可。环境流体动力学模型(Environmental Fluid Dynamics Code,EFDC)即为这类模型。

EFDC是由美国环保署(EPA)支持并由美国Tetra Tech公司维护开发的用于模拟湖泊、水库、海湾、湿地和河口等地表水数值模型软件。EFDC是一个源程序公开的地表水模拟系统，它可以系统地模拟水动力、水质、富营养化和沉积物输移的动态变化及其相互影响。与其它类似模拟系统相比较，其优点十分明显，主要包括：a:EFDC具有较强的适应能力，根据需要，可以用于零维、一维、二维或三维水环境模拟，目前在河流、湖泊、河口、港湾以及湿地等水环境系统中已经有很多成功的应用实例。b:EFDC成功地在一个集成的体系中解决了水动力、水质、沉积物模型的耦合问题。c:EFDC所采用的数值方法和系统开发方法代表了目前国际上水环境模拟系统开发、研究的主流方向与前沿。

EFDC的控制方程是一组联立的偏微分方程，包括水动力过程、21个状态变量的水质与富营养化模块以及27个状态变量的底泥地球化学动力模块(图2)。此外，EFDC还模拟任意多种泥沙颗粒以及相应的有毒有害物质在水体中的迁移转化及与底泥的交互作用过程。

EFDC可以模拟的指标主要有：温度、磷、大肠细菌、藻类、盐度、总活性金属、溶解有机物、二氧化硅、泥沙、溶解氧(DO)、沉积物、氮以及保守性痕量物质等。

本发明的水环境模型，只基于EFDC的水动力模块，水温、溶解氧、氮、磷等水质指标及蓝绿藻的富营养化模块，以及氮磷的底泥地球化学动力模块。

B:计算网格构建

采用GEFDC软件，利用滇池水下地形图和湖体边界图划分网格。

为精确地代表滇池的湖岸线，构建的滇池水环境模型采用了曲线网格法(而非笛卡尔网格)，以更好地匹配湖的边界形状而无需划分太多数量的网络，并在保证空间精度的情况下提高计算效率。网格的生成首先是产生水平断面曲线以离散水体，接下来采用水下地形数据资料来指定每个网格的深度。

C:滇池湖泊模型的边界条件

在模型中，水陆界面的水平边界条件(模型输入数据)即入湖河流流量和营养物质负荷(氮磷浓度)。鉴于入湖流量和负荷随时间的变化幅度较小，因此入湖流量和负荷为日数据。

水陆水平边界条件的空间表示由模型网格中入湖口的地理坐标点决定。

模型用来驱动其水动力模块的大气边界条件包括大气压力、空气温度、相对湿度、降水、蒸发、太阳辐射、云量、风速和风向。由于大气边界条件在一日内具有较大的变化幅度，因此大气边界条件为小时数据。

在滇池水环境模型的建模过程中，由于2009年在滇池流域、湖体开展了入湖流量、营养负荷以及水体30个点位的观测，具有全面的能够表征滇池流域及湖泊水体实际状况的观测数据，因此，滇池水动力水质模型的水陆界面的边界条件为滇池流域污染负荷模拟模型计算得到的2009年入湖水量以及入湖河流的水质监测数据；大气边界条件为2009昆明大观楼气象站、呈贡气象站和晋宁气象站的每小时气象数据。

D:滇池湖泊水环境模型的参数率定

利用2009年到2010年的滇池湖体监测数据进行模型的参数率定，即模拟校准。

率定的主要参数包括各类形态的氮、磷、碳的转化系数以及与藻类有关的最大生长速率、基础代谢率、牧食率、藻类营养物质的半饱和系数、藻类最适生长温度、藻类沉降率等。

分别对湖泊模型的水动力模块及水质模块进行模拟校准，其中表示藻类密度的叶绿素a浓度与其它水质指标同时在富营养水质模块内进行模拟校准。

校准采用的初始条件：在2009年数据的基础上确定初始条件。首先确定2009年1月1日观察到的湖泊水位为最初的水位；确定2009年1月的总氮、总磷、氨氮、硝态氮、正磷酸盐、叶绿素a、溶解氧7项指标的数据作为初始条件，将2009年1月的观测数据进行空间插值到每个计算网格，从而形成水质模拟的初始场。为了得到合理的具有代表性的初始水动力条件(如：温度场和流场)来驱动水质模块，水动力模块将提前运行一个月作为预热期。设置2009年1月1日湖泊水位1887.37m为初始水位，初始水温取实测得到的12℃，所有3个速度向量初始化为0.0m/s。

一般而言，水环境模型校准的相关系数达到0.85即为满意。

滇池湖泊模型的水动力模块校准结果:

滇池水动力模块校准的模拟的时间为2009-01-01至2009-12-31。

水动力模块可以模拟湖泊的流场和水位。浅水湖泊滇池主要为风生流，由于一日内风场的变异性较大，加之流场的测定误差较大，因此一般而言，不采用流场，而采用湖水水位为校准变量。

对于淡水水体的水质模拟，温度是模型中最重要的一个校准变量，如果一个模型可以再现观测到的温度，一般就可视为已很好的模拟了所模拟水体的流体动力学物理过程和热量平衡。此外，良好的温度模拟是准确校准水质模块的必须条件。

图3、图4比较了滇池模型模拟水位与实测水位，可以看出，模型很好的模拟了滇池日水位变化过程，模拟与实测的相关性达到0.97，说明水动力模型的水量总体平衡。

图5、图6给出了对滇池中灰湾监测点的模型模拟结果与实测水温的比较，由图可见，模型很好地模拟了季节趋势和总体的观测温度水平，模拟与实测的相关性达到0.91。

滇池湖泊模型的水质校验是基于滇池的8个常规监测点位：灰湾中、罗家营、观音山西、观音山中、观音山东、白鱼口、海口西、滇池南。水质校准变量为叶绿素a(Chl a)、总氮(TN)和总磷(TP)浓度。

模型水质模块的校准过程是一个迭代的过程，在此过程中要对涉及的关键参数进行调整，并同时将模拟值与观测数据进行比较。这个过程将重复多次直到模拟值能够重现多个水质校准变量的观测趋势为止。

水质模块建立在已校验的水动力模块基础上。水动力模块从2009年1月1日开始运行，在模拟运行一个月之后对水质系统进行初始化。具体而言，水动力模块从2009年1月1日开始运行一个月，产生的水深、流场和温度被用来作为2009年1月1日水质模块模拟的起点。水质模拟校准的时间段为2009年1月1日至2009年12月31日。校验过程进行了大约100次迭代，直至模拟的与观测到的水质状况在时间和空间分布匹配良好才结束。

图7、图8至图9给出了滇池灰湾常规监测点Chla、TN和TP模型模拟与实测的比较情况。

(3)目标水域空间范围的确定

在水专项2013ZX07102-006课题的任务书中已确定示范工程的区位在盘龙江入湖口，海埂公园水域，面积要求不小于2km²。水质改善考核指标为藻类密度下降10％以上，TN、TP由劣Ⅴ类变为Ⅳ类。

示范工程区即为实施控藻的目标水域，水质改善考核指标即为目标水域的控藻指标和水质指标。

结合实施地点的具体情况，计划在滇池湖面建设的软性围隔工程基本平行距离滇池北岸600m，围隔平均高6m，长度约4742m。围隔与岸线合围而成的目标水域面积约2.57km²，水量约1542万m³。

目标水域的空间布设如图10，除修建柔性围隔工程②以形成目标水域C以外，还同样利用软性围隔布设了导流围隔B、藻类滞留区D以及出流口E。在空间布局上，整个实施控藻的水域沿水流方向由入湖河道盘龙江A、导流围隔B，目标水域C、藻类滞留区D及出流口E组成。

目标水域的附属设施有：

Ⅰ：导流围隔B：由于入湖河道盘龙江A-盘龙江汛期的洪峰流量较大，水质也较差，可能导致汛期进入目标水域C的流量及水质超过补水要求，因而在目标水域的盘龙江入口处，布设了导流围隔B，以在需要时分流盘龙江入湖流量，使超过需求的水量直接进入滇池。

Ⅱ:藻类滞留区：目标水域的出流口也作为航道使用(图10中E)，供在海埂公园水域的游船进出。出流口E的出流方向与外部滇池在夏季盛行风场下的湖流的流向基本一致，以使出流基本上不受到目标水域外部的湖流顶托而影响出流效率。

为防止围隔外部漂浮的水华随向北吹的湖面风(西南风、东南风及南风)经出流口E漂入目标水域C内，在出流口E以北设立藻类滞留区(图10中D)。藻类滞留区D与出流口E组成开口面向北方的“U”形，使在湖面风为南风向时，由出流口随风飘入的漂浮藻华积聚于此，而不会大量进入目标水域内。

藻华滞留区堆积的藻类可利用机械除藻船或岸边除藻站及时去除。

Ⅲ:为避免波浪对柔性围隔工程(图10中②)的直接冲击，也为了拦截可能对柔性围隔工程②造成损伤的锐利漂浮物而沿围隔外围设置50m宽的竹筏木排(图10中①)，可有效降低波高。为降低船只冲撞围隔的风险而沿围隔内部设立了水面警示装置(图10中③)。

(4)在湖面建设柔性围隔形成目标水域

作为形成目标水域C的主体工程措施，柔性围隔工程(图10中②)的作用在于：一是形成目标水域，使围隔内外水体相对隔离，使河道补水集中在目标水域，以实现对目标水域藻类密度的控制；二是阻挡水面的漂浮蓝藻随风浪和湖流进入目标水域内部，避免藻类在目标水域内的堆积。

故而对柔性围隔的性能要求包含阻隔性和稳定性。阻隔性指在通常的风浪条件下，可有效阻挡围隔外部漂浮蓝藻，避免其随波浪翻越进入围隔内部，同时隔绝(除出流口E以外)围隔内外水体的交流。稳定性指在不出现极端气象条件的情况下，围隔保持整体结构的完整性，不出现破损，不倒伏于水面以下。

B:不透水柔性围隔的结构、材料

围隔结构见图11，分为三部分：上部浮体、中部墙体以及作为围隔基础的石笼。

上部浮体的作用在于产生浮力，使围隔墙体在水中不倒伏；并拦截水面漂浮的水华，不使其随波浪翻越进入。墙体的作用在于隔断内外水体的交流。石笼作为基础，沉入淤泥中，与浮体共同牵引墙体，使其不倒伏于水中。

浮体包括浮体外层材料、浮子室。外层材料由高强度、耐磨、耐油性能好的氯丁橡胶，涂敷在NN-200型尼龙帆布上，硫化加工而成。尼龙帆布的抗拉强度为200千牛/米，橡胶布外观质量满足HG/T3046-1999的要求。橡胶布层间粘合强度不小于4.5N/mm，外贴胶的粘合强度不小于5N/mm。浮子为EPS聚苯乙烯泡外覆EPE耐油薄膜，呈水滴型，内加配重条，具有不倒翁特点。浮子室上部开口装入多枚浮子后粘连封闭，目测无缝隙。浮子室封口处硫化宽度不少50mm。

墙体由高强度、化学稳定好、耐腐蚀的PVC材料做成。

石笼由填充卵石的尼龙网缝制而成。

C:围隔的高度、长度

由于水中的围隔在垂直方向及水面水平上并不呈直线，而是略有弯曲，且围隔会在水中因风浪和湖流冲击而摆动，因此围隔墙体的实际高度为水深的1.15倍；围隔水平实际长度为直线距离的1.15倍。

D:施工方法

围隔单元每条20米长，叠放捆扎。围隔单元两侧均有接头，便于连接。围隔布放前，先将每捆围隔依次放好，打开包装，将接头对接好，然后由拖船缓缓拖下水。围隔下水前，由人工整理好围隔墙体，避免下水后产生扭曲、缠结，确保布放流畅。为防止磨损，围隔下水处须设有托辊或铺有铺垫物。

(5)对目标水域实施在线监测

目标水域设置在线监测系统的目的在于获得目标水域及盘龙江入湖河道的水文气象和水质数据。

在线监测的建设目标在于建立一套先进实用、准确可靠、快速及时、高度自动化的信息采集、监视和监控系统，以及相应的数据库系统。

在线监测系统包括监控中心、气象水文自动监测系统、水质在线监测系统。

监控中心的硬件设备包括工业计算机、便携式计算机、硬盘录像机、USP电源、液晶电视机；监控中心的软件包括数据库及其管理软件SQL Server。数据库管理系统采用微软公司的SQL Server 2008，系统开发使用微软公司的Visual Studio 2008，系统架构模式采用C/S和B/S混合架构。实时接收和完整安全的保存风向风速、水深、水温、氮、磷、COD、溶解氧以及叶绿素a浓度等监测数据，按规定的格式自动导入到数据库服务器。

气象水文自动监测系统包括气象信息监测单元及水文自动监测单元。

气象信息检测单元实现风速风向和温湿度数据的实时采集。单元由风速风向仪、温湿度传感器以及检测软件组成。风速风向仪与温湿度传感器将实时数据通过RS485传给监控中心主机，监控主机读取实时数据，通过软件解析并显示。

水文自动监测单元是一套由多通道动态监测装置、多线程接收系统以及后台管理信息系统构成。主要功能是将水位信息加密后实时或定时利用GPRS无线传输系统传输到监控中心。此系统还具有自动报警机制，一旦出现问题系统将自动报警，并会将报警信息发送到相关人员的手机上。本单元与Internet相连及手机PDA互联互通，本系统就可以智能地完成对水域实时数据的采集—传输—存储—管理—查询显示及预警的全过程。硬件包括风速风向仪、温湿度传感器、压力式水位计及配套数据采集器。

水质在线监测系统以WQMS水质自动分析仪为核心，以自动监测技术为基础，综合运用现代传感器技术、自动控制技术、计算机应用技术、专用分析技术和通信技术组成的水质自动在线监测系统。该系统可按预设程序控制采水系统、配水系统、预处理系统、现场监测仪器、辅助反吹清洗系统等运转，同时启动数据采集通讯系统、现场控制系统及水质监测信息管理软件，实时的将仪器的测量结果、系统运行状况、各台仪器的运行状况、系统日志、系统故障、仪器故障等信息经过控制管理系统自动传送到监控中心。水质在线监测系统的硬件设施包括WQMS水质自动分析仪，移动工作站、RTU传输终端、GPRS传输模块以及蓄电池组成。其中WQMS水质在线自动分析仪是针对环保、工矿企业、水文水利等部门需求研发的新一代水质在线分析仪，监测参数包含：pH、电导率、溶解氧、浊度、温度、余氯、氧化还原电位、氨氮、COD、叶绿素、蓝绿藻、盐度等指标。电极拆卸更换方便，可以根据实际环境检测需要，灵活定制参数组合。

由于示范工程尚未建成，因此目标水域的在线监测方案尚未实施。

(6)建立针对目标水域的时空高精度水环境模拟模型

A.目标水域的计算网格

在滇池湖泊水环境模型的计算网格的基础上，对目标水域计算网格进行细化；当目标水域的网格的面积缩小到能够表征目标水域的水下地形及水陆边界的细节时即完成目标水域计算网格的细化；

图12显示了最终生成的网格。整个湖体被水平划分为1687个网格，其中最小的网格约为0.003km²，最大的约为0.74km2。

虽然滇池是一个浅水湖，不存在明显的垂直热分层，但是，准确地表示光以及养分对浮游植物与水生植被动力学地影响，需要表征光线的垂直变化以及在三维空间分辨率内的养分利用变化。为此，在本模型中，水平网格进一步被切成4层，从顶部到底部共生成6748个计算网格来代表整个滇池。

B.目标水域的水陆边界条件

目标水域的水陆边界条件为流入目标水域的入湖河流及围隔所划定的目标水域边界，在出流口与开敞湖面汇流；

C.参数率定

利用步骤在线监测系统的数据库中存贮的入湖河流及目标水域的水文气象水质数据，率定目标水域的时空高精度水环境模拟模型。

由于示范工程尚未建成，在线监测系统尚未运行，因此暂时不能完成对目标水域高精度模型的参数率定。

(7)建立神经网络模型

A.初步建立由入湖河流t^i－1时刻水文、水质数据推求入湖河流tⁱ时刻总氮、总磷浓度的神经网络模型(Ⅰ)：滇池盘龙江严家村桥断面总氮神经网络模型。

BP网络是一种多层前馈神经网络。神经元的激励函数为S型函数，输出量为0到1之间的连续量，可以实现从输入到输出的任意的非线性映射。网络各层连接权值的调整是利用实际输出与期望输出之差，对网络的各层连接权由后向前逐层进行校正(Back-Propogation学习算法)。

神经网络模型建立的工具为“Matlab2010b”。

基于盘龙江严家村桥常规观测断面2014年月监测数据，建立神经网络模型(Ⅰ)。2014年盘龙江河流严家村桥断面进行了12次数据收集，时间跨度为2014年1月-2014年12月。水文数据为观测时间的断面流量；水质常规观测指标包括水温、pH值、溶解氧DO、电导率、高锰酸盐指数、生化需氧量、氨氮、化学需氧量、总磷和总氮。除了化学需氧量在二月份数据未监测到，其余指标均无缺失数据。

由于输入变量包括了相应输出变量上月的数据，这样可用的样本数量为11次调查数据。对于神经网络，11组样本较少。如果样本数足够，模型对数据之间内在规律的拟合能力以及预测能力都将增加。

样本集中随机选取2个作为测试集，其余为训练集。

模型建立方法：

①输入、输出变量的预处理：处理方式为：(变量-最小值)/(最大值-最小值)。神经网络模型，无法处理有缺失的数据集，对于个别缺失数据的处理是根据最临近内插的方法将它的值计算出来。

②拓扑结构建立

根据已有的相关资料和经验，神经网络模型(Ⅰ)含两个隐层的四层拓扑结构，即有一个输入层，两个隐含层和一个输出层。

输入层：t-1时刻严家村桥断面水温、流量、pH、电导率、溶解氧、高锰酸盐指数、生化需氧量、氨氮、化学需氧量、总磷、总氮，共有11个输入层节点。

隐层：2个隐层，第一个隐层是5个节点，第二层是3个节点。

输出层：输出层是只有一个节点，即严家村总氮浓度。

严家村桥总氮的神经网络模型结构如图13所示。

③模型参数设置

模型所使用的函数和设置的参数见表。

表严家村桥总磷浓度的神经网络模型设置参数

④严家桥总氮神经网络模型模拟结果

从11个样本随机抽取9组作为模型训练集，剩余两组作为模型的测试集。预测结果存在着高估和低估模型预测，总氮两次预测的相对误差均低于20％。

B.初步建立由t^i－1时刻目标水域水质数据，tⁱ时刻目标水域总磷、总氮、叶绿素a浓度，tⁱ时刻入湖河流总氮和总磷浓度推求tⁱ时刻入湖河流流量的神经网络模型(Ⅱ)；

由于示范工程尚未建成，在线监测系统尚未运行，因此缺乏构建盘龙江入湖流量神经网络模型(Ⅱ)的水质数据。

C.利用在线监测的数据库数据，训练上述两个神经网络模型，完成神经网络模型的构建。

(8)建立入湖河流的流量调度系统

利用在目标水域布设的线监测系统、构建完成的目标水域时空高精度水环境模型及神经网络模型，提出入湖河流在调度时间T内的入湖流量值，由流域水资源联合调度，实现入湖河流对目标水域的定量化补水；具体步骤如下：

A.利用目标水域在线监测系统获得当前tⁱ时刻补水河流的水质数据，再利用步骤(7)建立的神经网络模型(Ⅰ)推求未来tⁱ⁺¹时刻的盘龙江严家桥断面总氮和总磷浓度；

B.假设目标水域在未来tⁱ⁺¹时刻的总氮、总磷及叶绿素a浓度为目标水域的控藻目标和水质目标；

C.基于在线监测系统在tⁱ时刻的目标水域水质监测数据，设定的目标水域tⁱ⁺¹时刻的总氮、总磷和叶绿素a浓度，以及推求得到的补水河流盘龙江在tⁱ⁺¹时刻总氮和总磷浓度值，利用神经网络模型(Ⅱ)，推求盘龙江tⁱ⁺¹时刻流量值，得到在tⁱ时刻后T时间段内的调度流量的初步值；

D.利用建立的目标水域的时空高精度水环境模拟模型校核所得的初步调度流量值：

以初步调度流量、tⁱ⁺¹时刻的盘龙江总氮和总磷浓度作为边界条件运行目标水域的时空高精度水环境模拟模型，计算tⁱ⁺¹时刻及其后续调度时间T目标水域的氮、磷浓度和叶绿素a浓度；

如果计算结果与目标水域控藻目标有偏差，则小幅度调整初步调度流量重新模拟计算，当模拟结果达到目标水域控藻目标时，则计算中采用的tⁱ⁺¹时刻的入湖流量值，即作为tⁱ⁺¹时刻及其后续调度时间T内的补水河流的调度流量值；

E.将tⁱ⁺¹时刻的调度流量传递给流域水资源联合调度平台，实现tⁱ⁺¹时刻及其后续调度时间T的盘龙江入湖流量。

Claims (1)

1.大型浅水湖泊水华集聚水域的补水控藻方法，其特征在于包括以下步骤：

(1)、收集基础资料

A.湖泊及藻华堆积湖湾区的水陆边界及水下地形图；

B.藻华堆积湖湾区的沉积物组成及其空间分布；

C.湖泊常规观测点位的水位、水质及浮游植物的历史数据；

D.湖泊气象历史数据：大气压力、空气温度、相对湿度、降水、蒸发、太阳辐射、云量、风速和风向，数据为小时数据；

E.入湖河流的水文、水质历史系列数据；

(2)、建立湖泊水环境模拟模型

A.以环境流体动力学模型EFDC为基础，根据模拟的湖泊水文水质变量或指标，采用EFDC的水动力模块以及模拟水温、溶解氧、氮、磷及蓝绿藻的富营养化模块；

B.湖泊水环境模拟模型计算网格的构建

采用GEFDC软件，以曲线网格法，依步骤(1)A的数据划分湖泊水域的计算网格；网格的生成首先是产生水平断面曲线以离散水体，接下来采用步骤(1)C收集的湖泊水位数据来指定每个网格的深度；

C.建立湖泊水环境模拟模型的边界条件

以步骤(1)E收集的入湖河流的流量日数据，以及入湖河流的氮浓度日数据和磷浓度日数据作为湖泊水环境模拟模型的水陆边界条件；

驱动湖泊水环境模拟模型水动力模块的大气边界条件为步骤(1)D收集的大气压力、空气温度、相对湿度、降水、蒸发、太阳辐射、云量、风速和风向数据；

D.参数率定

基于EFDC建立的湖泊水环境模拟模型的参数包括各类形态的氮、磷、碳的转化系数以及藻类的最大生长速率、基础代谢率、牧食率、藻类营养物质的半饱和系数、藻类最适生长温度、藻类沉降率；

用于率定以上模型参数的校准变量为水位、水温、叶绿素a、总氮和总磷浓度；

用于校准的实测数据为校准变量在湖泊常规监测站点的步骤(1)C水位、水质及浮游植物的历史数据；

参数率定过程是个迭代过程：对一组参数赋值并运行湖泊模型后，将各观测站点的校准变量模拟值与实际观测值进行比较，然后调整参数的赋值再运行湖泊模型，如此重复多次直到模拟值与实测值接近，两者的相关系数应达到0.85以上；

(3)目标水域空间范围的确定

①目标水域的控藻目标及水质目标

控藻目标即藻类密度的上限数值，藻类密度用叶绿素a浓度表示；通过分析步骤(1)C收集的湖泊浮游植物历史数据中的藻类资料，结合野外实地调查和走访，取水面不出现蓝绿色浮沫水华的叶绿素a浓度的上限数值作为目标水域控藻目标；同时根据步骤(1)C收集的水质数据确定与目标水域控藻目标相应的氮、磷浓度值作为目标水域水质目标；所述目标水域指拟开展补水控藻的水华集聚湖湾的局部水域；

②目标水域空间位置的确定

A.初步划出目标水域的空间区位，目标水域由岸线及假设的湖面上的围隔所围成，包含入湖河流入湖口；

B.假设目标水域已用围隔与开敞湖面相对隔离，即在步骤(2)建立的湖泊水环境模拟模型中设定围隔两侧步骤(2)B的计算网格之间没有水量交换；

C.采用历史数据运行步骤(2)湖泊水环境模拟模型，得到目标水域的氮磷浓度及叶绿素a浓度的模拟结果；

D.与步骤(3)①的控藻目标相比较，如果叶绿素a浓度值大于控藻目标，则缩小目标水域的范围，重复此过程，反之，则扩大目标水域的范围，直至计算结果与控藻目标的相对偏差小于5％；

(4)在湖面建设柔性围隔形成目标水域

根据步骤(3)确定的围隔在湖面上的空间位置，在湖面建设柔性围隔，形成由围隔与陆地岸线合围而成的目标水域；

目标水域设立一处出流口，目标水域承接的河道入流，流经目标水域后，经出流口进入开敞湖面；

柔性围隔在结构上包括三部分：上部为浮体、中部为墙体，底部是石笼；柔性围隔上部的浮体浮于水中，部分露出水面；柔性围隔中部的墙体竖立于水中，柔性围隔底部的石笼沉于淤泥中；

(5)对目标水域实施在线监测

在线监测系统包括数据采集系统、数据传输系统、安全系统以及监控中心；监控中心包含数据库及管理软件SQL Server，数据库中存贮有入湖河流及目标水域的水文、气象、水质数据；

在线监测系统在tⁱ时刻观测目标水域气象、水质，以及入湖河流的水文、水质常规监测指标，t表示观测日期，i为时间序列，i＝0，1，…；tⁱ＝t^i-1+T；T定义为流域水利系统进行水量联合调度所需的时间；

(6)建立针对目标水域的时空高精度水环境模拟模型

A.目标水域的计算网格

在步骤(2)湖泊水环境模拟模型的计算网格的基础上，对目标水域计算网格进行细化；当目标水域的网格的面积缩小到能够表征目标水域的水下地形及水陆边界的细节时即完成目标水域计算网格的细化；

B.目标水域的水陆边界条件

目标水域的水陆边界条件为流入目标水域的入湖河流及围隔所划定的目标水域边界，在出流口与开敞湖面汇流；

C.参数率定

利用步骤(5)在线监测系统的数据库中存贮的入湖河流及目标水域的水文气象水质数据，按步骤(2)D的方法率定目标水域的时空高精度水环境模拟模型；

(7)建立神经网络模型

A.初步建立由入湖河流t^i－1时刻水文、水质数据推求入湖河流tⁱ时刻总氮、总磷浓度的神经网络模型Ⅰ；

B.初步建立由t^i－1时刻目标水域水质数据，tⁱ时刻目标水域总磷、总氮、叶绿素a浓度，tⁱ时刻入湖河流总氮和总磷浓度推求tⁱ时刻入湖河流流量的神经网络模型Ⅱ；

C.利用步骤(5)中的数据库数据，训练上述两个神经网络模型，完成神经网络模型的构建；

如果步骤(5)在线监测系统运行时间在1年以下，则由步骤(6)目标水域的时空高精度水环境模拟模型按假设河流补水情景提供入湖河流的补水水量、水质与目标水域水质响应之间的对应数据，作为神经网络模型Ⅱ的初期训练数据的补充；

如果步骤(5)在线监测系统运行时间在5年以上，则完全依靠步骤(5)所述数据库累积的数据，进行神经网络模型Ⅱ及神经网络模型Ⅰ的训练；

(8)建立入湖河流的流量调度系统

利用步骤(5)在线监测系统、步骤(6)目标水域的时空高精度水环境模拟模型及步骤(7)中神经网络模型Ⅰ和神经网络模型Ⅱ，提出入湖河流在调度时间T内的入湖流量值，由流域水资源联合调度，实现入湖河流对目标水域的定量化补水；具体步骤如下：

A.利用步骤(5)建立的在线监测系统获得当前tⁱ时刻补水河流的水质数据，再利用步骤(7)建立的神经网络模型Ⅰ推求未来tⁱ⁺¹时刻的河流总氮和总磷浓度；

B.假设目标水域在未来tⁱ⁺¹时刻的总氮、总磷及叶绿素a浓度为步骤(3)①中目标水域的控藻目标和水质目标；

C.基于在线监测系统在tⁱ时刻的目标水域水质监测数据，步骤(8)B设定的目标水域tⁱ⁺¹时刻的总氮、总磷和叶绿素a浓度，以及(8)A获得的补水河流的tⁱ⁺¹时刻总氮和总磷浓度值，利用步骤(7)建立的神经网络模型Ⅱ，推求补水河流tⁱ⁺¹时刻流量值，得到补水河流在tⁱ时刻后T时间段内的调度流量的初步值；

D.利用步骤(6)建立的目标水域的时空高精度水环境模拟模型校核步骤(8)C所得的初步调度流量值；

以步骤(8)D中的初步调度流量、步骤(8)A所得的tⁱ⁺¹时刻的补水河流的总氮和总磷浓度作为边界条件运行步骤(6)建立的目标水域的时空高精度水环境模拟模型，计算tⁱ⁺¹时刻及其后续调度时间T目标水域的氮、磷浓度和叶绿素a浓度；

如果计算结果与步骤(3)①中所述的目标水域控藻目标有偏差，则小幅度调整初步调度流量重新模拟计算，当模拟结果达到步骤(3)①中所述的目标水域控藻目标时，则计算中采用的tⁱ⁺¹时刻的入湖流量值，即作为tⁱ⁺¹时刻及其后续调度时间T内的补水河流的调度流量值；

E.将tⁱ⁺¹时刻的调度流量传递给流域水资源联合调度平台，实现tⁱ⁺¹时刻及其后续调度时间T的入湖流量。