CN108875230A - 水库水质预测模型的建立方法及装置 - Google Patents

水库水质预测模型的建立方法及装置 Download PDF

Info

Publication number
CN108875230A
CN108875230A CN201810675620.3A CN201810675620A CN108875230A CN 108875230 A CN108875230 A CN 108875230A CN 201810675620 A CN201810675620 A CN 201810675620A CN 108875230 A CN108875230 A CN 108875230A
Authority
CN
China
Prior art keywords
water quality
reservoir
model
prediction
analysis result
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.)
Pending
Application number
CN201810675620.3A
Other languages
English (en)
Inventor
叶照金
吕正勇
苗竹
冯国杰
甄胜利
朱湖地
李淑彩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Geoenviron Engineering and Technology Inc
Original Assignee
Beijing Geoenviron Engineering and Technology Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Geoenviron Engineering and Technology Inc filed Critical Beijing Geoenviron Engineering and Technology Inc
Priority to CN201810675620.3A priority Critical patent/CN108875230A/zh
Publication of CN108875230A publication Critical patent/CN108875230A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种水库水质预测模型的建立方法及装置，该方法包括：获取水质指标监测数据和藻类生长特征数据；将每一种水质指标监测数据与藻类生长特征数据进行拟合分析，确定待测水库的主要影响因素和多元非线性模型；采用SPSS对拟合分析结果和水质指标监测数据进行分析，得到参数估计值，进而得到第一预测模型和第二预测模型；在第一预测模型和第二预测模型中确定最优模型，将最优模型作为水库水质预测模型，以对待测水库的水质进行预测。该方法能够得到水库水质预测模型，进而通过该水库水质预测模型对待测水库的水质进行预测，能够在发生水华事件前提前预警，以提示相关人员提前采取应对措施，缓解了目前对于水库的检测存在滞后性的技术问题。

Description

水库水质预测模型的建立方法及装置
技术领域
本发明涉及水污染治理的技术领域，尤其是涉及一种水库水质预测模型的建立方法及装置。
背景技术
湖库已经成为保障人们生产和生活用水、减轻洪涝灾害、维持生态平衡的重要水源地。然而，随着面源污染的进一步加剧，进入水库的污染物急剧增加，使得众多湖库水体水质不断恶化，水质安全得不到保证，对城镇人民的健康构成了直接威胁。特别是最近几年频繁发生的各类人为性、事故性水质污染事件，使得水质变化问题成为人们关注的重点。
水体富营养化影响因素复杂而多样，其中最重要的影响因素是氮素和磷素，其中磷的作用远大于氮，另外还跟水温、溶解氧、生化需氧量、氨氮、高锰酸盐指数等有关。水体富营养化的标志便是水体藻类发生水华现象。
现有技术中，在对水库水质进行检测时，一般是检测水库中的蓝藻密度和叶绿素a的浓度，当水库中的蓝藻密度或叶绿素a的浓度达到预设阈值后，确定水库中发生了蓝藻水华事件，然后，再采取应急措施，这样，不但会产生大量的经济损失，而且应急措施的效果会大打折扣。
为了控制水质安全，减少因水质恶化带来的经济损失和不良影响，采用科学、先进的手段对水质进行预警就显得十分必要，特别是对于城市大中型供水水库而言，水华预警对于保障居民的饮用水安全具有非常重要的意义。
但是，目前还没有对水库水华预警方面的研究，对于水库的检测还停留在发生水华事件后再采取应对措施的层面，存在滞后性。
发明内容
有鉴于此，本发明的目的在于提供一种水库水质预测模型的建立方法及装置，以缓解目前对于水库的检测存在滞后性的技术问题。
第一方面，本发明实施例提供了一种水库水质预测模型的建立方法，所述方法包括：
获取待测水库预设时间段内的水质指标监测数据和藻类生长特征数据，其中，所述预设时间段至少为一年，所述水质指标监测数据至少包括：水温数据，pH值数据，溶解氧数据，高锰酸盐指数，氨氮浓度，总磷浓度，总氮浓度，所述藻类生长特征数据包括：叶绿素a浓度，蓝藻密度；
将每一种所述水质指标监测数据分别与所述叶绿素a浓度和所述蓝藻密度进行拟合分析，根据拟合分析结果确定所述待测水库的主要影响因素和所述待测水库的多元非线性模型；
采用SPSS对所述拟合分析结果和所述主要影响因素所对应的水质指标监测数据进行分析，得到所述多元非线性模型中的参数估计值，以得到以叶绿素a浓度作为水库水质预测指标的第一预测模型和以蓝藻密度作为水库水质预测指标的第二预测模型；
在所述第一预测模型和所述第二预测模型中确定最优模型，并将所述最优模型作为所述待测水库的水库水质预测模型，以通过所述水库水质预测模型对所述待测水库的水质进行预测。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，将每一种所述水质指标监测数据分别与所述叶绿素a浓度和所述蓝藻密度进行拟合分析包括：
通过EXCEL或ORIGIN将每一种所述水质指标监测数据与所述叶绿素a浓度进行拟合分析，得到第一拟合分析结果，其中，所述第一拟合分析结果中包括：每一种所述水质指标监测数据与所述叶绿素a浓度之间的第一拟合方程，所述第一拟合方程所对应的第一相关系数；
通过EXCEL或ORIGIN将每一种所述水质指标监测数据与所述蓝藻密度进行拟合分析，得到第二拟合分析结果，其中，所述第二拟合分析结果中包括：每一种所述水质指标监测数据与所述蓝藻密度之间的第二拟合方程，所述第二拟合方程所对应的第二相关系数；
将所述第一拟合分析结果和所述第二拟合分析结果作为所述拟合分析结果。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述主要影响因素包括：第一主要影响因素和第二主要影响因素，所述多元非线性模型包括：第一多元非线性模型和第二多元非线性模型，根据拟合分析结果确定所述待测水库的主要影响因素和所述待测水库的多元非线性模型包括：
将所述第一拟合分析结果中的第一相关系数与预设阈值进行对比，将大于所述预设阈值的第一相关系数所对应的水质指标监测数据的类型作为所述待测水库的所述第一主要影响因素，并根据所述第一拟合分析结果中的第一拟合方程确定所述第一多元非线性模型，其中，所述第一主要影响因素为相对于所述叶绿素a浓度的主要影响因素；
将所述第二拟合分析结果中的第二相关系数与所述预设阈值进行对比，将大于所述预设阈值的第二相关系数所对应的水质指标监测数据的类型作为所述待测水库的所述第二主要影响因素，并根据所述第二拟合分析结果中的第二拟合方程确定所述第二多元非线性模型，其中，所述第二主要影响因素为相对于所述蓝藻密度的主要影响因素。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，采用SPSS对所述拟合分析结果和所述主要影响因素所对应的水质指标监测数据进行分析，得到所述多元非线性模型中的参数估计值包括：
采用所述SPSS对所述第一拟合分析结果和所述第一主要影响因素所对应的水质指标监测数据进行分析，得到所述第一多元非线性模型中的第一参数估计值和所述第一参数估计值所对应的第一目标相关系数；
将所述第一参数估计值代入所述第一多元非线性模型中，得到第一预测方程，并将所述第一预测方程和所述第一目标相关系数作为所述第一预测模型；
采用所述SPSS对所述第二拟合分析结果和所述第二主要影响因素所对应的水质指标监测数据进行分析，得到所述第二多元非线性模型中的第二参数估计值和所述第二参数估计值所对应的第二目标相关系数；
将所述第二参数估计值代入所述第二多元非线性模型中，得到第二预测方程，并将所述第二预测方程和所述第二目标相关系数作为所述第二预测模型。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，在所述第一预测模型和所述第二预测模型中确定最优模型包括：
在所述第一目标相关系数与所述第二目标相关系数中确定最大相关系数；
将所述最大相关系数所对应的模型作为所述最优模型。
结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，在将所述最优模型作为所述待测水库的水库水质预测模型之后，所述方法还包括：
基于历史水质指标监测数据，当前水质指标监测数据和所述水库水质预测模型对所述待测水库的未来水质信息进行预测，得到预测结果，其中，所述预测结果包括：所述水库水质预测模型中包含的主要影响因素所对应的水质指标监测数据，所述水库水质预测模型中包含的水库水质预测指标的数据结果。
第二方面，本发明实施例还提供了一种水库水质预测模型的建立装置，所述装置包括：
获取模块，用于获取待测水库预设时间段内的水质指标监测数据和藻类生长特征数据，其中，所述预设时间段至少为一年，所述水质指标监测数据至少包括：水温数据，pH值数据，溶解氧数据，高锰酸盐指数，氨氮浓度，总磷浓度，总氮浓度，所述藻类生长特征数据包括：叶绿素a浓度，蓝藻密度；
拟合分析模块，用于将每一种所述水质指标监测数据分别与所述叶绿素a浓度和所述蓝藻密度进行拟合分析，根据拟合分析结果确定所述待测水库的主要影响因素和所述待测水库的多元非线性模型；
分析模块，用于采用SPSS对所述拟合分析结果和所述主要影响因素所对应的水质指标监测数据进行分析，得到所述多元非线性模型中的参数估计值，以得到以叶绿素a浓度作为水库水质预测指标的第一预测模型和以蓝藻密度作为水库水质预测指标的第二预测模型；
确定模块，用于在所述第一预测模型和所述第二预测模型中确定最优模型，并将所述最优模型作为所述待测水库的水库水质预测模型，以通过所述水库水质预测模型对所述待测水库的水质进行预测。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述拟合分析模块包括：
第一拟合分析单元，用于通过EXCEL或ORIGIN将每一种所述水质指标监测数据与所述叶绿素a浓度进行拟合分析，得到第一拟合分析结果，其中，所述第一拟合分析结果中包括：每一种所述水质指标监测数据与所述叶绿素a浓度之间的第一拟合方程，所述第一拟合方程所对应的第一相关系数；
第二拟合分析单元，用于通过EXCEL或ORIGIN将每一种所述水质指标监测数据与所述蓝藻密度进行拟合分析，得到第二拟合分析结果，其中，所述第二拟合分析结果中包括：每一种所述水质指标监测数据与所述蓝藻密度之间的第二拟合方程，所述第二拟合方程所对应的第二相关系数；
第一设定单元，用于将所述第一拟合分析结果和所述第二拟合分析结果作为所述拟合分析结果。
结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，所述主要影响因素包括：第一主要影响因素和第二主要影响因素，所述多元非线性模型包括：第一多元非线性模型和第二多元非线性模型，所述拟合分析模块还包括：
第一确定单元，用于将所述第一拟合分析结果中的第一相关系数与预设阈值进行对比，将大于所述预设阈值的第一相关系数所对应的水质指标监测数据的类型作为所述待测水库的所述第一主要影响因素，并根据所述第一拟合分析结果中的第一拟合方程确定所述第一多元非线性模型，其中，所述第一主要影响因素为相对于所述叶绿素a浓度的主要影响因素；
第二确定单元，用于将所述第二拟合分析结果中的第二相关系数与所述预设阈值进行对比，将大于所述预设阈值的第二相关系数所对应的水质指标监测数据的类型作为所述待测水库的所述第二主要影响因素，并根据所述第二拟合分析结果中的第二拟合方程确定所述第二多元非线性模型，其中，所述第二主要影响因素为相对于所述蓝藻密度的主要影响因素。
结合第二方面，本发明实施例提供了第二方面的第三种可能的实施方式，其中，所述分析模块包括：
第一分析单元，用于采用所述SPSS对所述第一拟合分析结果和所述第一主要影响因素所对应的水质指标监测数据进行分析，得到所述第一多元非线性模型中的第一参数估计值和所述第一参数估计值所对应的第一目标相关系数；
第二设定单元，用于将所述第一参数估计值代入所述第一多元非线性模型中，得到第一预测方程，并将所述第一预测方程和所述第一目标相关系数作为所述第一预测模型；
第二分析单元，用于采用所述SPSS对所述第二拟合分析结果和所述第二主要影响因素所对应的水质指标监测数据进行分析，得到所述第二多元非线性模型中的第二参数估计值和所述第二参数估计值所对应的第二目标相关系数；
第三设定单元，用于将所述第二参数估计值代入所述第二多元非线性模型中，得到第二预测方程，并将所述第二预测方程和所述第二目标相关系数作为所述第二预测模型。
本发明实施例带来了以下有益效果：
目前，对于水库的检测还停留在发生水华事件后再采取应对措施的层面，存在滞后性。与现有的水库检测相比，本发明的水库水质预测模型的建立方法中，先获取待测水库预设时间段内的水质指标监测数据和藻类生长特征数据，然后将每一种水质指标监测数据分别与叶绿素a浓度和蓝藻密度进行拟合分析，根据拟合分析结果确定待测水库的主要影响因素和待测水库的多元非线性模型，进而采用SPSS对拟合分析结果和主要影响因素所对应的水质指标监测数据进行分析，得到多元非线性模型中的参数估计值，以得到以叶绿素a浓度作为水库水质预测指标的第一预测模型和以蓝藻密度作为水库水质预测指标的第二预测模型，最后，在第一预测模型和第二预测模型中确定最优模型，并将最优模型作为待测水库的水库水质预测模型，以通过水库水质预测模型对待测水库的水质进行预测。该方法能够得到水库水质预测模型，进而通过该水库水质预测模型对待测水库的水质进行预测，能够在发生水华事件前提前预警，以提示相关人员提前采取应对措施，节省了后期治理的成本，保证了通过水库用水的居民的饮水安全，便于对水库水质的管理，缓解了目前对于水库的检测存在滞后性的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种水库水质预测模型的建立方法的流程图；
图2(a)，图2(b)，图2(c)，图2(d)和图2(e)为本发明实施例提供的水质指标监测数据与叶绿素a浓度的拟合分析结果的示意图；
图3为本发明实施例提供的采用SPSS对拟合分析结果和主要影响因素所对应的水质指标监测数据进行分析的流程图；
图4为本发明实施例提供的一种水库水质预测模型的建立装置的功能模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种水库水质预测模型的建立方法进行详细介绍。
实施例一：
一种水库水质预测模型的建立方法，参考图1，该方法包括：
S102、获取待测水库预设时间段内的水质指标监测数据和藻类生长特征数据，其中，预设时间段至少为一年，水质指标监测数据至少包括：水温数据，pH值数据，溶解氧数据，高锰酸盐指数，氨氮浓度，总磷浓度，总氮浓度，藻类生长特征数据包括：叶绿素a浓度，蓝藻密度；
在本发明实施例中，先要获取待测水库预设时间段内的水质指标监测数据和藻类生长特征数据。
具体的，在待测水库中布置多个监测点，然后在监测点的位置布置监测装置，以对待测水库进行监测。当然，如果待测水库的位置有监测站，可以从监测站处获取得到水质指标监测数据和藻类生长特征数据。这些数据至少是监测一年后得到的数据，数据量越大，得到的水库水质预测模型的精确度越高。
S104、将每一种水质指标监测数据分别与叶绿素a浓度和蓝藻密度进行拟合分析，根据拟合分析结果确定待测水库的主要影响因素和待测水库的多元非线性模型；
在得到多种水质指标监测数据后，将每一种水质指标监测数据分别与叶绿素a浓度和蓝藻密度进行拟合分析，根据拟合分析结果确定待测水库的主要影响因素和待测水库的多元非线性模型。具体过程将在下文中进行介绍，在此不再赘述。
S106、采用SPSS对拟合分析结果和主要影响因素所对应的水质指标监测数据进行分析，得到多元非线性模型中的参数估计值，以得到以叶绿素a浓度作为水库水质预测指标的第一预测模型和以蓝藻密度作为水库水质预测指标的第二预测模型；
在确定得到待测水库的主要影响因素后，采用SPSS对拟合分析结果和主要影响因素所对应的水质指标监测数据进行分析，得到多元非线性模型中的参数估计值，进而基于该参数估计值得到以叶绿素a浓度作为水库水质预测指标的第一预测模型和以蓝藻密度作为水库水质预测指标的第二预测模型。具体内容将在下文中进行介绍，在此不再赘述。
S108、在第一预测模型和第二预测模型中确定最优模型，并将最优模型作为待测水库的水库水质预测模型，以通过水库水质预测模型对待测水库的水质进行预测。
在得到第一预测模型和第二预测模型后，在第一预测模型和第二预测模型中确定最优模型，进而将该最优模型作为待测水库的水库水质预测模型，以通过水库水质预测模型对待测水库的水质进行预测。确定最优模型的过程和水质预测的过程将在下文中进行具体介绍，在此不再赘述。
目前，对于水库的检测还停留在发生水华事件后再采取应对措施的层面，存在滞后性。与现有的水库检测相比，本发明的水库水质预测模型的建立方法中，先获取待测水库预设时间段内的水质指标监测数据和藻类生长特征数据，然后将每一种水质指标监测数据分别与叶绿素a浓度和蓝藻密度进行拟合分析，根据拟合分析结果确定待测水库的主要影响因素和待测水库的多元非线性模型，进而采用SPSS对拟合分析结果和主要影响因素所对应的水质指标监测数据进行分析，得到多元非线性模型中的参数估计值，以得到以叶绿素a浓度作为水库水质预测指标的第一预测模型和以蓝藻密度作为水库水质预测指标的第二预测模型，最后，在第一预测模型和第二预测模型中确定最优模型，并将最优模型作为待测水库的水库水质预测模型，以通过水库水质预测模型对待测水库的水质进行预测。该方法能够得到水库水质预测模型，进而通过该水库水质预测模型对待测水库的水质进行预测，能够在发生水华事件前提前预警，以提示相关人员提前采取应对措施，节省了后期治理的成本，保证了通过水库用水的居民的饮水安全，便于对水库水质的管理，缓解了目前对于水库的检测存在滞后性的技术问题。
上述内容对水库水质预测模型的建立方法进行了简要介绍，下面对其中涉及到的具体内容进行详细介绍。
在一个可选地实施方式中，将每一种水质指标监测数据分别与叶绿素a浓度和蓝藻密度进行拟合分析包括：
(1)通过EXCEL或ORIGIN将每一种水质指标监测数据与叶绿素a浓度进行拟合分析，得到第一拟合分析结果，其中，第一拟合分析结果中包括：每一种水质指标监测数据与叶绿素a浓度之间的第一拟合方程，第一拟合方程所对应的第一相关系数；
下面以浙江省某待测水库为研究对象进行。在得到水质指标监测数据和藻类生长特征数据后，通过EXCEL软件或ORIGIN软件将每一种水质指标监测数据与叶绿素a浓度进行拟合分析，得到第一拟合分析结果。
具体的，参考图2(a)，图2(b)，图2(c)，图2(d)和图2(e)，其中示出了水质指标监测数据与叶绿素a浓度的拟合分析结果。
实际中，将得到的一种水质指标监测数据与叶绿素a浓度的数据导入EXCEL软件或ORIGIN软件中，根据软件的功能得到一个拟合方程和对应的相关系数。
如图2(a)所示，总磷浓度与叶绿素a浓度之间具有显著性的线性回归关系，TP-Chla关系为：Chla＝0.8449×[TP]+0.0102，(R2＝0.6267,P＜0.05)，Chla表示叶绿素a浓度，TP表示总磷浓度。
如图2(b)所示，水温与叶绿素a浓度之间具有显著正相关关系，T-Chla回归方程为：Chla＝0.0001×[T]2-0.0031×[T]+0.024，(R2＝0.5608,P＜0.05)，Chla表示叶绿素a浓度，T表示水温。
如图2(c)所示，高锰酸盐指数与叶绿素a浓度之间的相关性显著，CODMn-Chla回归方程为：Chla＝0.0065×[CODMn]2-0.0185×[CODMn]+0.0193，(R2＝0.5296,P＜0.05)，Chla表示叶绿素a浓度，CODMn表示高锰酸盐指数。
如图2(d)所示，总氮浓度与叶绿素a浓度之间具有较强的相关性关系，TN-Chla多项式关系为：Chla＝1367.5×[TN]2-13.091×[TN]+0.8502，(R2＝0.4934,P＜0.05)，Chla表示叶绿素a浓度，TN表示总氮浓度。
如图2(e)所示，氨氮浓度与叶绿素a浓度之间具有明显的多项式回归关系。NH4 +-N-Chla多项式回归方程为：Chla＝408.6×[NH4 +-N]2-8.8526×[NH4 +-N]+0.1879，(R2＝0.4201,P＜0.05)，Chla表示叶绿素a浓度，NH4 +-N表示氨氮浓度。
(2)通过EXCEL或ORIGIN将每一种水质指标监测数据与蓝藻密度进行拟合分析，得到第二拟合分析结果，其中，第二拟合分析结果中包括：每一种水质指标监测数据与蓝藻密度之间的第二拟合方程，第二拟合方程所对应的第二相关系数；
同理，通过EXCEL软件或ORIGIN软件将每一种水质指标监测数据与蓝藻密度进行拟合分析，得到第二拟合分析结果。
(3)将第一拟合分析结果和第二拟合分析结果作为拟合分析结果。
在一个可选地实施方式中，主要影响因素包括：第一主要影响因素和第二主要影响因素，多元非线性模型包括：第一多元非线性模型和第二多元非线性模型，根据拟合分析结果确定待测水库的主要影响因素和待测水库的多元非线性模型包括：
(1)将第一拟合分析结果中的第一相关系数与预设阈值进行对比，将大于预设阈值的第一相关系数所对应的水质指标监测数据的类型作为待测水库的第一主要影响因素，并根据第一拟合分析结果中的第一拟合方程确定第一多元非线性模型，其中，第一主要影响因素为相对于叶绿素a浓度的主要影响因素；
在本发明实施例中，预设阈值的大小为0.4，如图2(a)所示，总磷浓度与叶绿素a浓度之间的相关系数R2＝0.6267，相关系数大于预设阈值0.4，所以，总氮浓度为相对于叶绿素a浓度的主要影响因素。
同理，可以得到第一主要因素包括：总磷浓度、水温、高锰酸盐指数、总氮浓度和氨氮浓度。
通过第一拟合分析结果中的第一拟合方程可以得到第一多元非线性模型为：其中，x1表示总磷浓度，x2表示水温，x3表示高锰酸盐指数，x4表示总氮浓度，x5表示氨氮浓度，其中的a0、b1、b2、b3、b4、b5、c1、c2、c3、c4、c5均为待求的第一参数估计值。
(2)将第二拟合分析结果中的第二相关系数与预设阈值进行对比，将大于预设阈值的第二相关系数所对应的水质指标监测数据的类型作为待测水库的第二主要影响因素，并根据第二拟合分析结果中的第二拟合方程确定第二多元非线性模型，其中，第二主要影响因素为相对于蓝藻密度的主要影响因素。
同样可以得到第二主要因素包括：总磷浓度、水温、高锰酸盐指数、总氮浓度和氨氮浓度。
通过第二拟合分析结果中的第二拟合方程可以得到第二多元非线性模型为：其中，x1表示总磷浓度，x2表示水温，x3表示高锰酸盐指数，x4表示总氮浓度，x5表示氨氮浓度，其中的d0、e1、e2、e3、e4、e5、f1、f2、f3、f4、f5均为待求的第二参数估计值。
在一个可选地实施方式中，参考图3，采用SPSS对拟合分析结果和主要影响因素所对应的水质指标监测数据进行分析，得到多元非线性模型中的参数估计值包括：
S301、采用SPSS对第一拟合分析结果和第一主要影响因素所对应的水质指标监测数据进行分析，得到第一多元非线性模型中的第一参数估计值和第一参数估计值所对应的第一目标相关系数；
在得到第一拟合分析结果后，将第一拟合分析结果输入至SPSS，并将第一主要影响因素所对应的水质指标监测数据输入至SPSS，就能得到第一多元非线性模型中的第一参数估计值(如表1所示)和第一参数估计值所对应的第一目标相关系数(如表1所示)。
表1
表2
S302、将第一参数估计值代入第一多元非线性模型中，得到第一预测方程，并将第一预测方程和第一目标相关系数作为第一预测模型；
在得到第一参数估计值后，将其代入第一多元非线性模型中，得到第一预测方程：
Chl-a＝0.025+0.108×x1+0.001×x2-0.021×x3-0.035×x4+0.013×x5
-4.751×x1 2-0.000012×x2 2+0.006×x3 2+0.016×x4 2+0.035×x5 2
所以，第一预测模型为：
S303、采用SPSS对第二拟合分析结果和第二主要影响因素所对应的水质指标监测数据进行分析，得到第二多元非线性模型中的第二参数估计值和第二参数估计值所对应的第二目标相关系数；
同理，可以得到第二参数估计值和第二参数估计值所对应的第二目标相关系数。
S304、将第二参数估计值代入第二多元非线性模型中，得到第二预测方程，并将第二预测方程和第二目标相关系数作为第二预测模型。
具体的，第二预测模型为：
Algae density＝6967.676-25944.846×x1+197.105×x2-7620.645×x3-970.688×x4-7477.671×x5-1390.080×x1 2-5.416×x2 2+2024.947×x3 2+272.954×x4 2+22669.850×x5 2，R2＝0.9390(P<0.01)。
可选地，在第一预测模型和第二预测模型中确定最优模型包括：
(1)在第一目标相关系数与第二目标相关系数中确定最大相关系数；
显然，第一相关系数0.9650大于第二相关系数0.9390，所以最大相关系数为0.9650。
(2)将最大相关系数所对应的模型作为最优模型。
也就是第一预测模型：
为最优模型。
可选地，在将最优模型作为待测水库的水库水质预测模型之后，该方法还包括：
基于历史水质指标监测数据，当前水质指标监测数据和水库水质预测模型对待测水库的未来水质信息进行预测，得到预测结果，其中，预测结果包括：水库水质预测模型中包含的主要影响因素所对应的水质指标监测数据，水库水质预测模型中包含的水库水质预测指标的数据结果。
在得到水库水质预测模型后，就能根据历史水质指标监测数据，当前水质指标监测数据和水库水质预测模型预测未来水质信息，得到预测结果。
比如已经得到了连续10年的监测数据，并根据该10年的监测数据得到了水库水质预测模型，就能根据这些信息得到第11年第1个月的预测结果；同时，在得到第11年第1个月的实际监测数据后，再用该实际监测数据对水库水质预测模型进行优化。
本发明对监测数据进行深入挖掘，通过单因素、多元回归非线性等方法找到水库水质主要影响因子并构建预测模型，以对未来水库可能发生的水质恶化情况进行及时的预测。本方法可以充分挖掘利用各水库监测数据，克服数据资源浪费、水质应急管理滞后等困难，并能很好的指导各城市水库水质预警模型的搭建，对保证水库水质安全具有重要意义。
实施例二：
一种水库水质预测模型的建立装置，参考图4，该装置包括：
获取模块11，用于获取待测水库预设时间段内的水质指标监测数据和藻类生长特征数据，其中，预设时间段至少为一年，水质指标监测数据至少包括：水温数据，pH值数据，溶解氧数据，高锰酸盐指数，氨氮浓度，总磷浓度，总氮浓度，藻类生长特征数据包括：叶绿素a浓度，蓝藻密度；
拟合分析模块12，用于将每一种水质指标监测数据分别与叶绿素a浓度和蓝藻密度进行拟合分析，根据拟合分析结果确定待测水库的主要影响因素和待测水库的多元非线性模型；
分析模块13，用于采用SPSS对拟合分析结果和主要影响因素所对应的水质指标监测数据进行分析，得到多元非线性模型中的参数估计值，以得到以叶绿素a浓度作为水库水质预测指标的第一预测模型和以蓝藻密度作为水库水质预测指标的第二预测模型；
确定模块14，用于在第一预测模型和第二预测模型中确定最优模型，并将最优模型作为待测水库的水库水质预测模型，以通过水库水质预测模型对待测水库的水质进行预测。
本发明的水库水质预测模型的建立装置中，先获取待测水库预设时间段内的水质指标监测数据和藻类生长特征数据，然后将每一种水质指标监测数据分别与叶绿素a浓度和蓝藻密度进行拟合分析，根据拟合分析结果确定待测水库的主要影响因素和待测水库的多元非线性模型，进而采用SPSS对拟合分析结果和主要影响因素所对应的水质指标监测数据进行分析，得到多元非线性模型中的参数估计值，以得到以叶绿素a浓度作为水库水质预测指标的第一预测模型和以蓝藻密度作为水库水质预测指标的第二预测模型，最后，在第一预测模型和第二预测模型中确定最优模型，并将最优模型作为待测水库的水库水质预测模型，以通过水库水质预测模型对待测水库的水质进行预测。该装置能够得到水库水质预测模型，进而通过该水库水质预测模型对待测水库的水质进行预测，能够在发生水华事件前提前预警，以提示相关人员提前采取应对措施，节省了后期治理的成本，保证了通过水库用水的居民的饮水安全，便于对水库水质的管理，缓解了目前对于水库的检测存在滞后性的技术问题。
可选地，拟合分析模块包括：
第一拟合分析单元，用于通过EXCEL或ORIGIN将每一种水质指标监测数据与叶绿素a浓度进行拟合分析，得到第一拟合分析结果，其中，第一拟合分析结果中包括：每一种水质指标监测数据与叶绿素a浓度之间的第一拟合方程，第一拟合方程所对应的第一相关系数；
第二拟合分析单元，用于通过EXCEL或ORIGIN将每一种水质指标监测数据与蓝藻密度进行拟合分析，得到第二拟合分析结果，其中，第二拟合分析结果中包括：每一种水质指标监测数据与蓝藻密度之间的第二拟合方程，第二拟合方程所对应的第二相关系数；
第一设定单元，用于将第一拟合分析结果和第二拟合分析结果作为拟合分析结果。
可选地，主要影响因素包括：第一主要影响因素和第二主要影响因素，多元非线性模型包括：第一多元非线性模型和第二多元非线性模型，拟合分析模块还包括：
第一确定单元，用于将第一拟合分析结果中的第一相关系数与预设阈值进行对比，将大于预设阈值的第一相关系数所对应的水质指标监测数据的类型作为待测水库的第一主要影响因素，并根据第一拟合分析结果中的第一拟合方程确定第一多元非线性模型，其中，第一主要影响因素为相对于叶绿素a浓度的主要影响因素；
第二确定单元，用于将第二拟合分析结果中的第二相关系数与预设阈值进行对比，将大于预设阈值的第二相关系数所对应的水质指标监测数据的类型作为待测水库的第二主要影响因素，并根据第二拟合分析结果中的第二拟合方程确定第二多元非线性模型，其中，第二主要影响因素为相对于蓝藻密度的主要影响因素。
可选地，分析模块包括：
第一分析单元，用于采用SPSS对第一拟合分析结果和第一主要影响因素所对应的水质指标监测数据进行分析，得到第一多元非线性模型中的第一参数估计值和第一参数估计值所对应的第一目标相关系数；
第二设定单元，用于将第一参数估计值代入第一多元非线性模型中，得到第一预测方程，并将第一预测方程和第一目标相关系数作为第一预测模型；
第二分析单元，用于采用SPSS对第二拟合分析结果和第二主要影响因素所对应的水质指标监测数据进行分析，得到第二多元非线性模型中的第二参数估计值和第二参数估计值所对应的第二目标相关系数；
第三设定单元，用于将第二参数估计值代入第二多元非线性模型中，得到第二预测方程，并将第二预测方程和第二目标相关系数作为第二预测模型。
可选地，确定模块包括：
第三确定单元，用于在第一目标相关系数与第二目标相关系数中确定最大相关系数；
第四设定单元，用于将最大相关系数所对应的模型作为最优模型。
可选地，该装置还包括：
预测模块，用于基于历史水质指标监测数据，当前水质指标监测数据和水库水质预测模型对待测水库的未来水质信息进行预测，得到预测结果，其中，预测结果包括：水库水质预测模型中包含的主要影响因素所对应的水质指标监测数据，水库水质预测模型中包含的水库水质预测指标的数据结果。
该实施例二中的具体内容可以参考上述实施例一中的描述，在此不再赘述。
本发明实施例所提供的水库水质预测模型的建立方法及装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种水库水质预测模型的建立方法，其特征在于，所述方法包括：
获取待测水库预设时间段内的水质指标监测数据和藻类生长特征数据，其中，所述预设时间段至少为一年，所述水质指标监测数据至少包括：水温数据，pH值数据，溶解氧数据，高锰酸盐指数，氨氮浓度，总磷浓度，总氮浓度，所述藻类生长特征数据包括：叶绿素a浓度，蓝藻密度；
将每一种所述水质指标监测数据分别与所述叶绿素a浓度和所述蓝藻密度进行拟合分析，根据拟合分析结果确定所述待测水库的主要影响因素和所述待测水库的多元非线性模型；
采用SPSS对所述拟合分析结果和所述主要影响因素所对应的水质指标监测数据进行分析，得到所述多元非线性模型中的参数估计值，以得到以叶绿素a浓度作为水库水质预测指标的第一预测模型和以蓝藻密度作为水库水质预测指标的第二预测模型；
在所述第一预测模型和所述第二预测模型中确定最优模型，并将所述最优模型作为所述待测水库的水库水质预测模型，以通过所述水库水质预测模型对所述待测水库的水质进行预测。
2.根据权利要求1所述的方法，其特征在于，将每一种所述水质指标监测数据分别与所述叶绿素a浓度和所述蓝藻密度进行拟合分析包括：
通过EXCEL或ORIGIN将每一种所述水质指标监测数据与所述叶绿素a浓度进行拟合分析，得到第一拟合分析结果，其中，所述第一拟合分析结果中包括：每一种所述水质指标监测数据与所述叶绿素a浓度之间的第一拟合方程，所述第一拟合方程所对应的第一相关系数；
通过EXCEL或ORIGIN将每一种所述水质指标监测数据与所述蓝藻密度进行拟合分析，得到第二拟合分析结果，其中，所述第二拟合分析结果中包括：每一种所述水质指标监测数据与所述蓝藻密度之间的第二拟合方程，所述第二拟合方程所对应的第二相关系数；
将所述第一拟合分析结果和所述第二拟合分析结果作为所述拟合分析结果。
3.根据权利要求2所述的方法，其特征在于，所述主要影响因素包括：第一主要影响因素和第二主要影响因素，所述多元非线性模型包括：第一多元非线性模型和第二多元非线性模型，根据拟合分析结果确定所述待测水库的主要影响因素和所述待测水库的多元非线性模型包括：
将所述第一拟合分析结果中的第一相关系数与预设阈值进行对比，将大于所述预设阈值的第一相关系数所对应的水质指标监测数据的类型作为所述待测水库的所述第一主要影响因素，并根据所述第一拟合分析结果中的第一拟合方程确定所述第一多元非线性模型，其中，所述第一主要影响因素为相对于所述叶绿素a浓度的主要影响因素；
将所述第二拟合分析结果中的第二相关系数与所述预设阈值进行对比，将大于所述预设阈值的第二相关系数所对应的水质指标监测数据的类型作为所述待测水库的所述第二主要影响因素，并根据所述第二拟合分析结果中的第二拟合方程确定所述第二多元非线性模型，其中，所述第二主要影响因素为相对于所述蓝藻密度的主要影响因素。
4.根据权利要求3所述的方法，其特征在于，采用SPSS对所述拟合分析结果和所述主要影响因素所对应的水质指标监测数据进行分析，得到所述多元非线性模型中的参数估计值包括：
采用所述SPSS对所述第一拟合分析结果和所述第一主要影响因素所对应的水质指标监测数据进行分析，得到所述第一多元非线性模型中的第一参数估计值和所述第一参数估计值所对应的第一目标相关系数；
将所述第一参数估计值代入所述第一多元非线性模型中，得到第一预测方程，并将所述第一预测方程和所述第一目标相关系数作为所述第一预测模型；
采用所述SPSS对所述第二拟合分析结果和所述第二主要影响因素所对应的水质指标监测数据进行分析，得到所述第二多元非线性模型中的第二参数估计值和所述第二参数估计值所对应的第二目标相关系数；
将所述第二参数估计值代入所述第二多元非线性模型中，得到第二预测方程，并将所述第二预测方程和所述第二目标相关系数作为所述第二预测模型。
5.根据权利要求4所述的方法，其特征在于，在所述第一预测模型和所述第二预测模型中确定最优模型包括：
在所述第一目标相关系数与所述第二目标相关系数中确定最大相关系数；
将所述最大相关系数所对应的模型作为所述最优模型。
6.根据权利要求1所述的方法，其特征在于，在将所述最优模型作为所述待测水库的水库水质预测模型之后，所述方法还包括：
基于历史水质指标监测数据，当前水质指标监测数据和所述水库水质预测模型对所述待测水库的未来水质信息进行预测，得到预测结果，其中，所述预测结果包括：所述水库水质预测模型中包含的主要影响因素所对应的水质指标监测数据，所述水库水质预测模型中包含的水库水质预测指标的数据结果。
7.一种水库水质预测模型的建立装置，其特征在于，所述装置包括：
获取模块，用于获取待测水库预设时间段内的水质指标监测数据和藻类生长特征数据，其中，所述预设时间段至少为一年，所述水质指标监测数据至少包括：水温数据，pH值数据，溶解氧数据，高锰酸盐指数，氨氮浓度，总磷浓度，总氮浓度，所述藻类生长特征数据包括：叶绿素a浓度，蓝藻密度；
拟合分析模块，用于将每一种所述水质指标监测数据分别与所述叶绿素a浓度和所述蓝藻密度进行拟合分析，根据拟合分析结果确定所述待测水库的主要影响因素和所述待测水库的多元非线性模型；
分析模块，用于采用SPSS对所述拟合分析结果和所述主要影响因素所对应的水质指标监测数据进行分析，得到所述多元非线性模型中的参数估计值，以得到以叶绿素a浓度作为水库水质预测指标的第一预测模型和以蓝藻密度作为水库水质预测指标的第二预测模型；
确定模块，用于在所述第一预测模型和所述第二预测模型中确定最优模型，并将所述最优模型作为所述待测水库的水库水质预测模型，以通过所述水库水质预测模型对所述待测水库的水质进行预测。
8.根据权利要求7所述的装置，其特征在于，所述拟合分析模块包括：
第一拟合分析单元，用于通过EXCEL或ORIGIN将每一种所述水质指标监测数据与所述叶绿素a浓度进行拟合分析，得到第一拟合分析结果，其中，所述第一拟合分析结果中包括：每一种所述水质指标监测数据与所述叶绿素a浓度之间的第一拟合方程，所述第一拟合方程所对应的第一相关系数；
第二拟合分析单元，用于通过EXCEL或ORIGIN将每一种所述水质指标监测数据与所述蓝藻密度进行拟合分析，得到第二拟合分析结果，其中，所述第二拟合分析结果中包括：每一种所述水质指标监测数据与所述蓝藻密度之间的第二拟合方程，所述第二拟合方程所对应的第二相关系数；
第一设定单元，用于将所述第一拟合分析结果和所述第二拟合分析结果作为所述拟合分析结果。
9.根据权利要求8所述的装置，其特征在于，所述主要影响因素包括：第一主要影响因素和第二主要影响因素，所述多元非线性模型包括：第一多元非线性模型和第二多元非线性模型，所述拟合分析模块还包括：
第一确定单元，用于将所述第一拟合分析结果中的第一相关系数与预设阈值进行对比，将大于所述预设阈值的第一相关系数所对应的水质指标监测数据的类型作为所述待测水库的所述第一主要影响因素，并根据所述第一拟合分析结果中的第一拟合方程确定所述第一多元非线性模型，其中，所述第一主要影响因素为相对于所述叶绿素a浓度的主要影响因素；
第二确定单元，用于将所述第二拟合分析结果中的第二相关系数与所述预设阈值进行对比，将大于所述预设阈值的第二相关系数所对应的水质指标监测数据的类型作为所述待测水库的所述第二主要影响因素，并根据所述第二拟合分析结果中的第二拟合方程确定所述第二多元非线性模型，其中，所述第二主要影响因素为相对于所述蓝藻密度的主要影响因素。
10.根据权利要求9所述的装置，其特征在于，所述分析模块包括：
第一分析单元，用于采用所述SPSS对所述第一拟合分析结果和所述第一主要影响因素所对应的水质指标监测数据进行分析，得到所述第一多元非线性模型中的第一参数估计值和所述第一参数估计值所对应的第一目标相关系数；
第二设定单元，用于将所述第一参数估计值代入所述第一多元非线性模型中，得到第一预测方程，并将所述第一预测方程和所述第一目标相关系数作为所述第一预测模型；
第二分析单元，用于采用所述SPSS对所述第二拟合分析结果和所述第二主要影响因素所对应的水质指标监测数据进行分析，得到所述第二多元非线性模型中的第二参数估计值和所述第二参数估计值所对应的第二目标相关系数；
第三设定单元，用于将所述第二参数估计值代入所述第二多元非线性模型中，得到第二预测方程，并将所述第二预测方程和所述第二目标相关系数作为所述第二预测模型。
CN201810675620.3A 2018-06-26 2018-06-26 水库水质预测模型的建立方法及装置 Pending CN108875230A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810675620.3A CN108875230A (zh) 2018-06-26 2018-06-26 水库水质预测模型的建立方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810675620.3A CN108875230A (zh) 2018-06-26 2018-06-26 水库水质预测模型的建立方法及装置

Publications (1)

Publication Number Publication Date
CN108875230A true CN108875230A (zh) 2018-11-23

Family

ID=64296026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810675620.3A Pending CN108875230A (zh) 2018-06-26 2018-06-26 水库水质预测模型的建立方法及装置

Country Status (1)

Country Link
CN (1) CN108875230A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109711066A (zh) * 2018-12-28 2019-05-03 南开大学 一种浅水型小型湖库水华预测方法及预测模型
CN109858699A (zh) * 2019-01-31 2019-06-07 北京英视智慧生态科技有限公司 水质定量模拟方法、装置、电子设备及存储介质
CN112347710A (zh) * 2020-10-23 2021-02-09 中国水利水电科学研究院 一种热分层型水库调度优化方法
CN114184755A (zh) * 2021-12-03 2022-03-15 盐城工学院 一种养殖水体自动监控及水体富营养化预防系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120191428A1 (en) * 2011-01-26 2012-07-26 Korea Environment Corporation Apparatus and method for predicting total nitrogen using general water quality data
CN103886218A (zh) * 2014-04-08 2014-06-25 北京工商大学 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法
CN104794346A (zh) * 2015-04-22 2015-07-22 北京师范大学 一种快速识别人为活动对湖泊水华影响的定量方法
CN106846229A (zh) * 2017-02-16 2017-06-13 中国环境科学研究院 湖泊生态系统灾变早期预警方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120191428A1 (en) * 2011-01-26 2012-07-26 Korea Environment Corporation Apparatus and method for predicting total nitrogen using general water quality data
CN103886218A (zh) * 2014-04-08 2014-06-25 北京工商大学 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法
CN104794346A (zh) * 2015-04-22 2015-07-22 北京师范大学 一种快速识别人为活动对湖泊水华影响的定量方法
CN106846229A (zh) * 2017-02-16 2017-06-13 中国环境科学研究院 湖泊生态系统灾变早期预警方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孙菲 等: "宜兴市殷村港叶绿素a与影响因子的多元分析", 《环境工程》 *
张玄 等: "丰满库区及下游河段水质数据时序预测研究", 《中国农村水利水电》 *
王兆群 等: "洪泽湖藻类与环境因子逐步回归统计和蓝藻水华初步预测", 《中国环境监测》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109711066A (zh) * 2018-12-28 2019-05-03 南开大学 一种浅水型小型湖库水华预测方法及预测模型
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
CN109858699A (zh) * 2019-01-31 2019-06-07 北京英视智慧生态科技有限公司 水质定量模拟方法、装置、电子设备及存储介质
CN109858699B (zh) * 2019-01-31 2021-09-14 北京清丰众智生态科技有限公司 水质定量模拟方法、装置、电子设备及存储介质
CN112347710A (zh) * 2020-10-23 2021-02-09 中国水利水电科学研究院 一种热分层型水库调度优化方法
CN112347710B (zh) * 2020-10-23 2021-08-03 中国水利水电科学研究院 一种热分层型水库调度优化方法
CN114184755A (zh) * 2021-12-03 2022-03-15 盐城工学院 一种养殖水体自动监控及水体富营养化预防系统及方法
CN114184755B (zh) * 2021-12-03 2023-10-13 盐城工学院 一种养殖水体自动监控及水体富营养化预防系统及方法

Similar Documents

Publication Publication Date Title
CN108875230A (zh) 水库水质预测模型的建立方法及装置
CN108830425A (zh) 水库水质预测系统及方法
CN108418841B (zh) 基于ai的下一代关键信息基础设施网络安全态势感知系统
US20170185892A1 (en) Intelligent detection method for Biochemical Oxygen Demand based on a Self-organizing Recurrent RBF Neural Network
CN115774953B (zh) 一种基于数据处理的污染时空风险监管评估系统及方法
CN107563597A (zh) 污染物排放总量的智能预警方法
CN107016236A (zh) 基于非线性量测方程的电网假数据注入攻击检测方法
CN107194040A (zh) 基于双向水流的水质监测网络多目标优化部署方法
CN108931619B (zh) 一种火电厂废水处理设备寿命预测方法及装置
CN113970627A (zh) 一种水质监测及预警方法、系统
CN110019604A (zh) 一种地下水监测预警系统
CN107423564A (zh) 流域生态修复策略的决策分析方法
CN106383501A (zh) 对碳排放过程的监测控制方法
CN104615122A (zh) 一种工控信号检测系统及检测方法
CN117422004B (zh) 基于神经网络的碳势预测方法及系统
Xu et al. River health evaluation based on the Fuzzy matter-element extension assessment model.
CN110543660A (zh) 一种低冲击开发模拟方法、系统及相关装置
CN111027758B (zh) 一种针对供水管网水质监测系统的全局韧性高效评估方法
CN109902265A (zh) 一种基于隐马尔可夫模型的井下预警方法
CN105527398A (zh) 一种凡纳滨对虾养殖池塘水质的评价方法
CN117373215A (zh) 一种罐装燃气泄漏检测方法、设备及存储介质
CN106339357A (zh) 寻优参数化的网络信息安全检测系统和方法
US20230341370A1 (en) Detection of change in physicochemical composition of a liquid
CN113607710B (zh) 一种在线监测水质的方法及其应用的装置和系统
CN112464552B (zh) 一种适用于地下水封储油库渗流场时序预测方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181123

RJ01 Rejection of invention patent application after publication