CN106846229A - 湖泊生态系统灾变早期预警方法 - Google Patents
湖泊生态系统灾变早期预警方法 Download PDFInfo
- Publication number
- CN106846229A CN106846229A CN201710083064.6A CN201710083064A CN106846229A CN 106846229 A CN106846229 A CN 106846229A CN 201710083064 A CN201710083064 A CN 201710083064A CN 106846229 A CN106846229 A CN 106846229A
- Authority
- CN
- China
- Prior art keywords
- ecosystem
- lake
- catastrophe
- energy
- matter
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 66
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 33
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims abstract description 32
- 229910052698 phosphorus Inorganic materials 0.000 claims abstract description 32
- 239000011574 phosphorus Substances 0.000 claims abstract description 32
- 230000035772 mutation Effects 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims abstract description 14
- 230000001086 cytosolic effect Effects 0.000 claims abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 28
- 239000005416 organic matter Substances 0.000 claims description 15
- 150000003839 salts Chemical class 0.000 claims description 12
- 230000007774 longterm Effects 0.000 claims description 10
- 230000000050 nutritive effect Effects 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 7
- 241000894007 species Species 0.000 claims description 7
- 241000195493 Cryptophyta Species 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 241000196324 Embryophyta Species 0.000 claims description 5
- 244000025254 Cannabis sativa Species 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 2
- 230000004044 response Effects 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 239000002028 Biomass Substances 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 235000015097 nutrients Nutrition 0.000 description 4
- 238000012851 eutrophication Methods 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- BHEPBYXIRTUNPN-UHFFFAOYSA-N hydridophosphorus(.) (triplet) Chemical compound [PH] BHEPBYXIRTUNPN-UHFFFAOYSA-N 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明公开了一种湖泊生态系统突变早期预警方法，该方法采用生态系统突变检测结果可以获取湖泊生态系统能质出现突变即灾变的时间节点，由此选取生态系统能质突变临界点，结合由生态系统总磷、总氮和能质时间序列构建的湖泊生态系统灾变预警模型，计算得到相应的总氮、总磷浓度即为太湖生态系统预警阈值，其结果更能适用于实际湖泊环境。本发明可以解决传统基于临界放缓理论的扰动模拟试验方法难以适应现实生态系统干扰因子的问题，是一种更准确、更实用的湖泊生态系统灾变预警方法。
Description
技术领域
本发明属于水生态系统预警领域，特别涉及一种湖泊生态系统突变早期预警方法。
背景技术
大型浅水湖泊作为一种复杂的、独特的湖泊生态系统，水体受上边界(水-气界面)和下边界(水-土界面)影响极大，泥水界面相互作用强烈，沉积较为缓慢，物质迁移受风浪影响较大，内源营养盐爆发释放风险高，水环境承载力较低，水生生态系统更脆弱，对污染响应比较敏感，是极易发生富营养化的水体之一。湖泊富营养化后会导致一系列的生态系统异常响应，包括微生物生物量与生产力增加、附着生物逐步增加，蓝藻水华频发、湖泊水质恶化等，当外界驱动条件超过某一阈值时，生态系统可能会由于其结构不稳定和功能退化而产生剧烈响应，发生生态系统灾变。若生态系统发生灾变，藻类生物量剧增，营养盐循环速率加快，水生植物的急剧衰退，水体透明度下降，生物趋于小型化和更短生命周期的生物占优势，整个湖泊生态系统也会出现生物多样性下降、生态系统趋于不稳定的现象。湖泊生态系统灾变的发生往往让人始料未及，产生严重后果，并且难以恢复，人们无法确定湖泊生态系统是否在安全范围内运行，更难以预料生态系统的未来发展方向，若能在生态系统发生灾变前，通过提取生态系统发生灾变的早期信号来预警生态系统状态是否不断接近灾变阈值，并采取相应的措施阻止对人类社会产生不利影响的灾变发生，将具有非常重要的现实意义。
生态系统重大突变的早期信号提取存在很大的困难，这主要是由于生态系统发生突变前，系统状态可能只呈现微小的变化，很难察觉和监测。现有湖泊生态系统重大突变预警研究主要基于临界放缓理论，通过测量系统恢复时间，计算系统状态变量的自相关系数、方差、偏度，分析功率谱，观察频繁波动等突变检测方法在时间维度上进行生态系统灾变的早期预警。然而，基于临界放缓理论的系统恢复时间的测量多是通过扰动模拟试验实现，并结合相关模拟模型表征生态系统内部的压力-响应关系，由此得到的结论难以在实际生态系统中得到验证，这是因为现实生态系统的干扰因子远较模拟实验复杂。另一方面，在自相关系数、方差、偏度的计算和功率谱分析过程中，数据获取困难和数据处理过程带入的误差和主观性、外界干扰形态的不确定性等，都会成为造成生态系统突变早期预警方法局限性原因，使得预警信号经常出现误报和漏报。长时间序列数据能够显示生态系统发展过程，有较强的连续性，能够更详细地反映生态系统对外界压力的响应状态。因此，获取长期高分辨率的实际监测数据，将模型模拟、控制实验和现实案例分析结合起来，从多个角度来提取生态系统灾变的预警信号，可以对可能发生的灾变进行更有效地预警。
发明内容
本发明利用长时间序列湖泊实际监测数据，基于能质理论，建立湖泊生态系统灾变预警模型，获得针对特定湖泊的生态系统灾变预警阈值，解决实验室扰动模拟实验难以适用于实际湖泊环境的问题，为实现“一湖一策”的针对性管理提供依据
本发明的目的是基于长时间序列湖泊实际监测数据，提供一种进行亚热带大型浅水湖泊生态系统在灾变预警的方法，该方法可用于湖泊流域战略环境影响评价中支持累积性风险评价工作，也可以用于环境保护部门环境风险管理工作的决策支持。
本发明的技术方案，一种湖泊生态系统突变早期预警方法，包括以下步骤：
(1)步骤一、计算生态系统能质和结构能质：利用生态系统各类有机体或有机质的干重含量、信息含量计算生态系统能质和生态系统结构能质；
(2)步骤二、以总磷和总氮作为湖泊生态系统灾变的预警指标，连续t检验得到的湖泊生态系统能质突变点为灾变临界值；
(3)步骤三、利用湖泊生态系统长时间序列总磷、总氮和能质数据进行多元非线性曲面拟合，构建湖泊生态系统灾变预警模型，得到湖泊生态系统灾变总磷浓度和总氮浓度的预警阈值；
通过生态系统能质突变结果获取湖泊生态系统能质出现突变即灾变的时间节点，由此选取生态系统能质突变临界点，计算得到相应的总氮、总磷浓度即为湖泊生态系统预警阈值。
其中，能质是指能量使生态系统从有组织的、远离平衡状态达到相对于它所处环境的热力学平衡状态时所能做到的最大有用功；它代表了该系统目前状态与热力学平衡状态之间的距离，表征湖泊生态系统所含的生物量及其所携带的信息量，是预示系统演化发展的一个目标函数。
进一步地，所述各类有机体或有机质包括：浮游植物、浮游动物、底栖动物和大型水生植物。
进一步地，采用公式a计算所述步骤一中生态系统能质：
其中，Wi为生态系统第i种有机体或有机物信息含量，即权重转换因子，J/mg；
Ci为生态系统第i种有机体或有机物的干重含量，mg/L；
n为生态系统有机体种类总数；
Wi值是根据生态系统中某一种生物有机体所含的无重复基因的个数来确定的，不同物种有机体所含的无重复基因数不同，甚至相差很大。
对于一般的生态系统而言，系统对环境的响应有使能质变大的趋势，其值越大，表明湖泊对外做功的能力越强，湖泊越健康。
进一步地，采用公式b计算所述步骤二中生态系统结构能质：
其中，Ct为生态系统中有机体总的干重含量。
结构能质可表征湖泊生态系统利用环境资源的能力，反映湖泊生态系统的多样性和复杂性。一般而言，其值越大，湖泊生态系统结构就越复杂。
更进一步地，在所述Ex和Exst计算中，所述浮游植物、浮游动物、底栖动物和大型水生植物的权重依次为3.4、36.6、32.5和58.2。
进一步地，所述步骤二中突变检测的参数：Target p＝0.2,cutoff length＝6,Huber parameter＝1。
进一步地，所述步骤三中使用湖泊生态系统灾变预警模型分析生态系统能质变化过程，当总磷、总氮小于预警阈值时，生态系统能质随营养盐浓度的增加而增加，即越多的营养盐输入，生态系统健康状态越好；当总磷、总氮等于预警阈值时，生态系统能质为最大值，达到生态系统灾变预警状态；当超过灾变预警阈值后，随着营养盐的增加，水环境生态系统能质出现递减状态，更为频繁和更高强度的蓝藻水华，导致水生态系统群落结构遭到破坏，大型沉水植被退化，生态系统自我恢复能力丧失，从而引发浅水湖泊草型清水稳态向藻型浊水稳态的转变，继而发生生态系统灾变。
进一步地，所述湖泊生态系统突变早期预警方法适用于亚热带浅水湖泊。
能质：指能量使生态系统从有组织的、远离平衡状态达到相对于它所处环境的热力学平衡状态时所能做到的最大有用功；它代表了该系统目前状态与热力学平衡状态之间的距离，表征湖泊生态系统所含的生物量及其所携带的信息量，是预示系统演化发展的一个目标函数
结构能质：表征湖泊生态系统利用环境资源的能力，反映湖泊生态系统的多样性和复杂性。一般而言，其值越大，湖泊生态系统结构就越复杂。
生态系统灾变：湖泊富营养化后会导致一系列的生态系统异常响应，包括微生物生物量与生产力增加、附着生物逐步增加，蓝藻水华频发、湖泊水质恶化等，当外界驱动条件超过某一阈值时，生态系统可能会由于其结构不稳定和功能退化而产生剧烈响应，发生生态系统灾变。若生态系统发生灾变，藻类生物量剧增，营养盐循环速率加快，水生植物的急剧衰退，水体透明度下降，生物趋于小型化和更短生命周期的生物占优势，整个湖泊生态系统也会出现生物多样性下降、生态系统趋于不稳定的现象。
本发明将能质理论用于湖泊生态系统灾变预警，该方法的数据基础是长时间序列的实际监测数据，其结果更能适用于实际湖泊环境。本方法可以解决传统基于临界放缓理论的扰动模拟试验方法难以适应现实生态系统干扰因子的问题，是一种更准确、更实用的湖泊生态系统灾变预警方法。
附图说明
图1. 1960-2012年太湖湖泊水质、水生态时间序列及突变点；
图2. 1960-2012年太湖湖泊生态系统灾变预警模型。
具体实施方式
实施例1
一种湖泊生态系统突变早期预警方法，包括以下步骤：
(1)步骤一、计算生态系统能质和结构能质：利用生态系统各类有机体或有机质的干重含量、信息含量计算生态系统能质和生态系统结构能质，其中，各类有机体或有机质包括：浮游植物、浮游动物、底栖动物和大型水生植物；
(2)步骤二、以总磷和总氮作为湖泊生态系统灾变的预警指标，连续Student’s t检验得到的湖泊生态系统能质突变点为灾变临界值；
(3)步骤三、利用湖泊生态系统长时间序列总磷、总氮和能质数据进行多元非线性曲面拟合，构建湖泊生态系统灾变预警模型，得到湖泊生态系统灾变总磷浓度和总氮浓度的预警阈值；
通过生态系统能质突变结果获取湖泊生态系统能质出现突变即灾变的时间节点，由此选取生态系统能质突变临界点，计算得到相应的总氮、总磷浓度即为湖泊生态系统预警阈值。
其中，能质是指能量使生态系统从有组织的、远离平衡状态达到相对于它所处环境的热力学平衡状态时所能做到的最大有用功；它代表了该系统目前状态与热力学平衡状态之间的距离，表征湖泊生态系统所含的生物量及其所携带的信息量，是预示系统演化发展的一个目标函数。
采用公式(a)计算所述步骤一中生态系统能质：
其中，Wi为生态系统第i种有机体或有机物信息含量，即权重转换因子，J/mg；
Ci为生态系统第i种有机体或有机物的干重含量，mg/L；
n为生态系统有机体种类总数；
Wi值是根据生态系统中某一种生物有机体所含的无重复基因的个数来确定的，不同物种有机体所含的无重复基因数不同，甚至相差很大。
采用公式(b)计算所述步骤二中生态系统结构能质：
其中，Ct为生态系统中有机体总的干重含量。
在所述Ex和Exst计算中，浮游植物、浮游动物、底栖动物和大型水生植物的权重依次为3.4、36.6、32.5和58.2。
其中，所述步骤二中突变检测的参数设置：Target p＝0.2，cutoff length＝6，Huber parameter＝1。
其中，所述步骤三中使用湖泊生态系统灾变预警模型分析生态系统能质变化过程，当总磷、总氮小于预警阈值时，生态系统能质随营养盐浓度的增加而增加，即越多的营养盐输入，生态系统健康状态越好；当总磷、总氮等于预警阈值时，生态系统能质为最大值，达到生态系统灾变预警状态；当超过灾变预警阈值后，随着营养盐的增加，水环境生态系统能质出现递减状态，更为频繁和更高强度的蓝藻水华，导致水生态系统群落结构遭到破坏，大型沉水植被退化，生态系统自我恢复能力丧失，从而引发浅水湖泊草型清水稳态向藻型浊水稳态的转变，继而发生生态系统灾变。
实施例2
以太湖生态系统水环境为例，太湖湖泊生态系统演变规律与突变发生的关键时间节点的早期预警方法，包括以下步骤：
(1)步骤一、计算太湖湖泊生态系统能质和结构能质：利用生态系统各类有机体或有机质的干重含量、信息含量计算生态系统能质和结构能质；
在太湖生态系统Ex计算中将太湖湖泊生态系统划分为浮游植物、浮游动物、底栖动物和大型水生植物，并分别赋予权重为3.4、36.6、32.5和58.2。
采用公式a计算生态系统能质：
其中，Wi为生态系统第i种有机体或有机物信息含量，即权重转换因子，J/mg；
Ci为生态系统第i种有机体或有机物的干重含量，mg/L；
n为生态系统有机体种类总数；
Wi值是根据生态系统中某一种生物有机体所含的无重复基因的个数来确定的，不同物种有机体所含的无重复基因数不同。
(2)步骤二、以总磷和总氮作为湖泊生态系统灾变的预警指标，连续Student’s t检验得到的湖泊生态系统能质突变点为灾变临界值；
采用连续t检验对太湖生态系统1960-2012年间各水质参数、水生态参数及生态系统能质、结构能质、系统弹性系数时间序列进行突变检测。
同样，在太湖生态系统Exst计算中将太湖湖泊生态系统划分为浮游植物、浮游动物、底栖动物和大型水生植物，并分别赋予权重为3.4、36.6、32.5和58.2。
采用公式b计算所述步骤二中生态系统结构能质：
其中，Ct为生态系统中有机体总的干重含量；
突变检测中设置Target p＝0.2,cutoff length＝6,Huber parameter＝1，检验得到太湖湖泊生态系统时间序列突变点见图1。
(3)步骤三、利用湖泊生态系统长时间序列总磷、总氮和能质数据进行多元非线性曲面拟合，构建湖泊生态系统灾变预警模型，得到湖泊生态系统灾变总磷浓度和总氮浓度的预警阈值；
从湖泊氮磷营养盐供给和水生生物的毒害作用角度出发，以总磷和总氮同时作为大型浅水湖泊生态系统灾变的预警指标。综合分析搜集到的50余年太湖生态系统总氮、总磷与能质时间序列数据，通过对总磷、总氮和Ex进行多元非线性曲面拟合(r2＝0.61，p<0.01)，构建太湖湖泊生态系统灾变预警模型，以寻求太湖水生态系统发生灾变的总磷和总氮预警阈值，见图2。
由所建太湖湖泊生态系统灾变预警模型(图2)可以看出，当总磷浓度小于0.09mg/L，总氮小于1.75mg/L时，生态系统能质随营养盐浓度的增加而增加，即越多的营养盐输入，生态系统健康状态越好；而当总磷浓度等于0.106mg/L且总氮浓度等于2.85mg/L时，生态系统能质为最大值，达到生态系统灾变预警状态，当超过灾变预警值后，随着营养盐的增加，水环境生态系统能质出现递减状态，可能的原因是更为频繁和更高强度的蓝藻水华，导致水生态系统群落结构遭到破坏，大型沉水植被退化，生态系统自我恢复能力丧失，从而引发浅水湖泊草型清水稳态向藻型浊水稳态的转变，继而发生生态系统灾变。生态系统突变检测结果(图1)显示，太湖生态系统能质于2009年出现突降(即灾变)，因此选取2008年能质值(3.50E+05J/L)作为生态系统能质突变临界点，计算得到相应的总氮、总磷浓度(总氮大于2.85mg/L，总磷大于0.106mg/L)即为太湖生态系统灾变阈值。
本发明将能质计算技术用于长时间序列的湖泊实际监测数据，并建立湖泊生态系统灾变预警模型。将多元非线性曲面拟合技术用于模拟总氮、总磷和能质的关系，构建了湖泊生态系统灾变预警模型，并结合湖泊生态系统状态变化获取预警阈值，其结果更能适用于实际湖泊环境。
以上对本发明实施例所提供的湖泊生态系统突变早期预警方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种湖泊生态系统灾变早期预警方法，其特征在于，包括以下步骤：
(1)步骤一、计算生态系统能质和结构能质：利用生态系统各类有机体或有机质的干重含量、信息含量计算生态系统能质和生态系统结构能质；
(2)步骤二、以总磷和总氮作为湖泊生态系统灾变的预警指标，连续t检验得到的湖泊生态系统能质突变点为灾变临界值；
(3)步骤三、利用湖泊生态系统长时间序列总磷、总氮和能质数据进行多元非线性曲面拟合，构建湖泊生态系统灾变预警模型，得到湖泊生态系统灾变总磷浓度和总氮浓度的预警阈值；
通过生态系统能质突变结果获取湖泊生态系统能质出现突变即灾变的时间节点，由此选取生态系统能质突变临界点，计算得到相应的总氮、总磷浓度即为湖泊生态系统预警阈值。
2.根据权利要求1所述的方法，其特征在于，所述各类有机体或有机质包括：浮游植物、浮游动物、底栖动物和大型水生植物。
3.根据权利要求2所述的方法，其特征在于，采用公式a计算所述步骤一中生态系统能质：
其中，Wi为生态系统第i种有机体或有机物信息含量，即权重转换因子，J/mg；
Ci为生态系统第i种有机体或有机物的干重含量，mg/L；
n为生态系统有机体种类总数；
Wi值是根据生态系统中某一种生物有机体所含的无重复基因的个数来确定的，不同物种有机体所含的无重复基因数不同。
4.根据权利要求2所述的方法，其特征在于，采用公式b计算所述步骤二中生态系统结构能质：
其中，Ct为生态系统中有机体总的干重含量。
5.根据权利要求3或4所述的方法，其特征在于，在所述Ex和Exst计算中，所述浮游植物、浮游动物、底栖动物和大型水生植物的权重依次为3.4、36.6、32.5和58.2。
6.根据权利要求1所述的方法，其特征在于，所述步骤二中突变检测的参数：Target p＝0.2,cutoff length＝6,Huber parameter＝1。
7.根据权利要求1所述的方法，其特征在于，所述步骤三中使用湖泊生态系统灾变预警模型分析生态系统能质变化过程，当总磷、总氮小于预警阈值时，生态系统能质随营养盐浓度的增加而增加，即越多的营养盐输入，生态系统健康状态越好；当总磷、总氮等于预警阈值时，生态系统能质为最大值，达到生态系统灾变预警状态；当超过灾变预警阈值后，随着营养盐的增加，水环境生态系统能质出现递减状态，更为频繁和更高强度的蓝藻水华，导致水生态系统群落结构遭到破坏，大型沉水植被退化，生态系统自我恢复能力丧失，从而引发浅水湖泊草型清水稳态向藻型浊水稳态的转变，继而发生生态系统灾变。
8.根据权利要求1所述的方法，其特征在于，所述湖泊生态系统突变早期预警方法适用于亚热带浅水湖泊。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710083064.6A CN106846229B (zh) | 2017-02-16 | 2017-02-16 | 湖泊生态系统灾变早期预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710083064.6A CN106846229B (zh) | 2017-02-16 | 2017-02-16 | 湖泊生态系统灾变早期预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106846229A true CN106846229A (zh) | 2017-06-13 |
| CN106846229B CN106846229B (zh) | 2018-03-09 |
Family
ID=59127553
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710083064.6A Active CN106846229B (zh) | 2017-02-16 | 2017-02-16 | 湖泊生态系统灾变早期预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106846229B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596379A (zh) * | 2018-04-18 | 2018-09-28 | 北京大学 | 一种预测陆地生态系统植物群落覆被的技术与装置 |
| CN108875230A (zh) * | 2018-06-26 | 2018-11-23 | 北京高能时代环境技术股份有限公司 | 水库水质预测模型的建立方法及装置 |
| CN109101707A (zh) * | 2018-07-25 | 2018-12-28 | 广州资源环保科技股份有限公司 | 一种用于模拟浅水湖泊生态系统模型的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102052918A (zh) * | 2010-11-04 | 2011-05-11 | 北京师范大学 | 基于湖泊水生植被蔓延的沼泽化动态监测与预警技术 |
| CN102628857A (zh) * | 2012-03-21 | 2012-08-08 | 中国环境科学研究院 | 一种划分草型湖泊不同稳态状态下营养盐阈值的方法 |
| CN106202163A (zh) * | 2016-06-24 | 2016-12-07 | 中国环境科学研究院 | 通江湖泊生态监测信息管理及预警系统 |
-
2017
- 2017-02-16 CN CN201710083064.6A patent/CN106846229B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102052918A (zh) * | 2010-11-04 | 2011-05-11 | 北京师范大学 | 基于湖泊水生植被蔓延的沼泽化动态监测与预警技术 |
| CN102628857A (zh) * | 2012-03-21 | 2012-08-08 | 中国环境科学研究院 | 一种划分草型湖泊不同稳态状态下营养盐阈值的方法 |
| CN106202163A (zh) * | 2016-06-24 | 2016-12-07 | 中国环境科学研究院 | 通江湖泊生态监测信息管理及预警系统 |
Non-Patent Citations (2)
| Title |
|---|
| XIANGCAN JIN 等: "Phosphorus fractions and the effect of pH on the phosphorus release of the sediments from different trophic areas in Taihu Lake, China", 《ENVIRONMENTAL POLLUTION》 * |
| 徐菲 等: "白洋淀生态系统健康评价", 《生态学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596379A (zh) * | 2018-04-18 | 2018-09-28 | 北京大学 | 一种预测陆地生态系统植物群落覆被的技术与装置 |
| CN108596379B (zh) * | 2018-04-18 | 2021-08-03 | 北京大学 | 一种预测陆地生态系统植物群落覆被的技术与装置 |
| CN108875230A (zh) * | 2018-06-26 | 2018-11-23 | 北京高能时代环境技术股份有限公司 | 水库水质预测模型的建立方法及装置 |
| CN109101707A (zh) * | 2018-07-25 | 2018-12-28 | 广州资源环保科技股份有限公司 | 一种用于模拟浅水湖泊生态系统模型的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106846229B (zh) | 2018-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Niu et al. | A novel effluent quality predicting model based on genetic-deep belief network algorithm for cleaner production in a full-scale paper-making wastewater treatment | |
| Berdalet et al. | Understanding harmful algae in stratified systems: Review of progress and future directions | |
| Huo et al. | Using artificial neural network models for eutrophication prediction | |
| Lehman | The goal of understanding in limnology | |
| Rupika et al. | Measuring the university–industry–government collaboration in Indian research output | |
| CN106202997A (zh) | 一种基于深度学习的细胞分裂检测方法 | |
| CN106846229A (zh) | 湖泊生态系统灾变早期预警方法 | |
| CN106484976B (zh) | 赤潮监测预警系统 | |
| Steele et al. | The significance of interannual variability | |
| CN111506855A (zh) | 利用tlbo算法优化深度置信网络模型在海洋数据预测中的应用 | |
| Li et al. | Prediction and elucidation of the population dynamics of Microcystis spp. in Lake Dianchi (China) by means of artificial neural networks | |
| Peng et al. | Current status and prospects of algal bloom early warning technologies: A Review | |
| Yang et al. | Studies on fault diagnosis of dissolved oxygen sensor based on GA-SVM | |
| Liu et al. | Numerical modeling of the tidal wave run-up and the eelgrass habitat at the Laizhou Bay | |
| Putro et al. | Modeling methane emission of wastewater Anaerobic pond at Palm oil mill using radial basis function neural network | |
| Mynett et al. | Cellular automata in ecological and ecohydraulics modelling | |
| MYNETT | Hydroinformatics tools for ecohydraulics modelling | |
| Yalin et al. | Dissolved oxygen prediction model which based on fuzzy neural network | |
| Dalton et al. | The role of palaeolimnology in implementing the Water Framework Directive in Ireland | |
| Woods | Primitive equation modelling of plankton ecosystems | |
| Zhang et al. | Simulation of oil spill using ANN and CA models | |
| SALIKA | Assessing the beach vulnerability to storm-induced erosion using an index-based approach | |
| Walther et al. | Concepts and application of nonlinear complex systems theory to ecological succession | |
| Fils-aime | Evaluation of a Benchmark Model of Microalgae productivity towards Global Implementation | |
| Song et al. | Water Quality Prediction in Zhengzhou City Based on ESN Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |