CN109711066A - 一种浅水型小型湖库水华预测方法及预测模型 - Google Patents
一种浅水型小型湖库水华预测方法及预测模型 Download PDFInfo
- Publication number
- CN109711066A CN109711066A CN201811629940.1A CN201811629940A CN109711066A CN 109711066 A CN109711066 A CN 109711066A CN 201811629940 A CN201811629940 A CN 201811629940A CN 109711066 A CN109711066 A CN 109711066A
- Authority
- CN
- China
- Prior art keywords
- wawter bloom
- equation
- prediction
- model
- small
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种浅水型小型湖库水华预测方法及预测模型,S1、采集区域内水华影响因素的历史实测数据;S2、利用步骤S1采集的历史实测数据,带入藻生长动力学模型方程中,对模型参数进行校验;S3、根据校验结果得到水华预测方法的核心预测方程。本发明所述的浅水型小型湖库水华预测方法的框架结构简单,降低了对方法数据量的需求,同时本方法以浮游植物生长动力学机理为核心,预测结果更加接近实际情况,预测精度高,具有很好的实用性。
Description
技术领域
本发明属于水华预测领域,尤其是涉及一种浅水型小型湖库水华预测方法。
背景技术
淡水水华是威胁城市地表饮用水源地安全的巨大威胁,对水华进行预测有助于水源地管理者掌握未来水华发展的趋势从而指导管理者制定水华爆发的应急手段保证城市供水安全减少经济损失。
现有技术的技术方案:现有水华预测模型技术大体可以分为两类:机理预测模型与经验预测模型。机理模型的方法首先根据水动力学的原理建立水流场,模拟水体流量与流速的分布状况。在水流场的基础上建立水质变化与浮游植物生长死亡的相互作用关系。经过大量的实测水量与水质和生物实测数据校验之后再结合天气预报数据来预测未来水体水华状况的发展趋势。这样的机理预测模型有QUAL2kw模型[1]、EFDC-WASP模型[2]、CE-QUAL-W2模型[3]等。经验模型的方法为:将实测水质、气象数据与浮游植物生物量数据建立经验模型,再根据其水质与气象预测结果带入经验模型中得到水华的预测结果。常用的经验模型方法有统计学方法(多元线性回归、广义加性模型等)、机器学习方法(人工神经网络、随机森林等)两大类。
现有方法的缺点:机理模型的方法以确定性的机理为基础具有较好的稳定性能够解释水华爆发的原因对管理具有针对性,但机理模型对于管理部门来讲原理复杂,需要的数据量大,模型运算成本高,正是因为这些原因大大限制了机理模型的应用故造成了机理模型的实用性很差。经验模型的方法相比机理模型模型的原理简单且所需要的数据量较小,故具有良好的实用性,但经验模型不稳定对历史数据的依赖性过强,且没有机理依据不能解释水华的原因,所以限制了经验模型的应用。总之,当前的水华预测方法技术要么太复杂,所需数据量太大不实用;要么太简单不能解释问题的原因。它们都不能很好地兼顾模型的模型复杂度与实用性之间的矛盾。
发明内容
有鉴于此,本发明旨在提出一种浅水型小型湖库水华预测方法,以解决现有的水华预测方法不能兼顾复杂度与实用性之间的矛盾的问题。
为达到上述目的,本发明的技术方案是这样实现的:
一种浅水型小型湖库水华预测方法,包括:
S1、采集区域内水华影响因素的历史实测数据;
S2、利用步骤S1采集的历史实测数据,带入藻生长动力学模型方程中,对模型参数进行校验;
S3、根据校验结果得到水华预测方法的核心预测方程。
进一步的,所述步骤S1中的历史实测数据包括磷浓度、气温、叶绿素a浓度、光照强度。
进一步的,所述步骤S2中,参数校验的具体方法如下:
将步骤S1采集到的数据带入到藻生长动力学模型方程中,利用R语言与WingBUGS软件对模型参数进行校验,得到适于本地湖泊或水库的水华预测的参数。
进一步的,所述步骤S3中,水华预测核心方程包括营养盐限制因子,营养盐限制因子的预测方程为:
其中,Ksp为总磷吸收半饱和常数,TP为磷浓度(mg/L)。
进一步的,所述步骤S3中,水华预测核心方程包括温度限制因子,所述温度限制因子的预测方程为:
其中,kt为温度生长常数(1/℃),T为温度。
进一步的,所述步骤S3中,水华预测核心方程包括光照限制因子,所述光照限制因子的预测方程为:
其中,α、β分别为光合促进效应系数(m2/W)、光合作用抑制效应系数(m2/W),b为浮游植物死亡速率。
一种水华预测模型,根据采集的历史实测数据,把历史实测数据带入到藻生长动力学模型方程中,经过模型参数校验后得到水华预测模型的核心预测方程,方程为:
其中,输出量表示叶绿素a浓度的预测值,c为实际叶绿素a浓度(μg/L),TP为磷浓度(mg/L),PAR为光照强度(W/m2),μ(TP)为营养盐限制因子,ε(T)为温度限制因子,γ(PAR)光照限制因子,为浮游植物最大生长速率。
进一步的,营养盐限制因子的预测方程为:
其中,Ksp为总磷吸收半饱和常数,TP为磷浓度(mg/L)。
进一步的,所述温度限制因子的预测方程为:
其中,kt为温度生长常数(1/℃),T为温度。
进一步的,所述光照限制因子的预测方程为:
其中,α、β分别为光合促进效应系数(m2/W)、光合作用抑制效应系数(m2/W),b为浮游植物死亡速率。
相对于现有技术,本发明所述的浅水型小型湖库水华预测方法具有以下优势:
本发明所述的浅水型小型湖库水华预测方法的框架结构简单,降低了对方法数据量的需求,同时本方法以浮游植物生长动力学机理为核心,预测结果更加接近实际情况,预测精度高,具有很好的实用性。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的浅水型小型湖库水华预测模型创建流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“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”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,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,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示,首先需要获取影响水华的一些因素的历史实测数据,包括磷浓度-TP、气温-T、叶绿素a浓度-c与光照强度-PAR等历史实测数据,数据来源可以是地方气象监测部门提供或者是中国气象数据共享服务网下载。
其次,模型参数校验:将上一步骤收集来的实测数据(c-叶绿素a浓度(μg/L),TP-磷浓度(mg/L),PAR-为光照强度(W/m2))带入藻生长动力学模型方程中,利用R语言与WingBUGS软件对模型参数(Ksp为总磷吸收半饱和常数,kt为温度生长常数(1/℃),α、β分别为光合反应系数(m2/W)、光合作用抑制效应系数(m2/W),b为浮游植物死亡速率)进行校验,得到一套适合于本地湖泊或水库的参数。
具体校验过程如下:
第一步:将实测数据(c-叶绿素a浓度(μg/L),TP-磷浓度(mg/L),PAR-为光照强度(W/m2))整理成WinBUGS可编译的数据格式输入到WinBUGS软件中。
第二步:设置五个参数(Ksp、kt、α、β、b)的先验分布,建议先验分布为:Ksp~dunif(0,1);v0m~dunif(0,1);kt~dunif(0,0.2);α~dunif(0,1);β~dunif(0,0.1);b~dunif(0,1),dunif意思是先验分析的形式为均匀分布,括号内的数字分别为均匀分布的最小值与最大值。然后为每个参数赋予初始值,初始值的范围为均匀分布最小值与最大值之间。
第三步:运行WinBUGS软件得到经过校验后的五个参数的校验值,至此完成模型参数校验过程。
根据校验后的模型参数,得到预测水华方法的核心预测方程。
通过各个限制因子的预测方程,得到限制因子的预测值,将预测值带入到预测水华的预测方程中,得到浮游植物的生物量(叶绿素a浓度)预测值,将预测值与实际值相比对就可以得知水华的变化趋势,其中气温-T与光照强度-PAR可以由天气预报或当地气象研究部门提供,磷浓度的预测值可以由其他模型得到或假设为恒定值。
水华预测模型的预测方程包括了三个边界条件变量:磷浓度-TP、气温-T与光照强度-PAR,输出变量为叶绿素a浓度预测值,通过叶绿素a浓度得知浮游植物的生物量,模型的驱动需要这四个变量的实测值与预测值,其中实测值由实验分析测量得到,TP、T与PAR的预测值由其他预测方程给出,按照预测流程即可得到叶绿素a浓度的预测结果。
其中方程(1)为水华预测模型的核心预测方程,方程(2)为营养盐限制因子的预测方程,方程(3)为温度限制因子的预测方程,方程(4)为所述光照限制因子的预测方程。
方程中的营养盐、温度与光照限制因子是藻生长动力学方程的子集或一部分正如上文所说,藻生长动力学模型由四个变量(c-实际叶绿素a浓度(μg/L),TP-磷浓度(mg/L),PAR-为光照强度(W/m2))与五个参数(Ksp为总磷吸收半饱和常数,kt为温度生长常数(1/℃),α、β分别为光合反应系数(m2/W),b为浮游植物死亡速率)组成。
方程(2)为营养盐限制因子的预测方程,其中,Ksp为总磷吸收半饱和常数,TP为磷浓度(mg/L)。
方程(3)为温度限制因子的预测方程,kt为温度生长常数(1/℃),T为温度。
方程(4)为所述光照限制因子的预测方程,其中,α、β分别为光合反应系数(m2/W),b为浮游植物死亡速率。
将方程(2)、(3)、(4)带入到方程(1)就是完成的水华预测方程。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种浅水型小型湖库水华预测方法,其特征在于,包括:
S1、采集区域内水华影响因素的历史实测数据;
S2、利用步骤S1采集的历史实测数据,带入藻生长动力学模型方程中,对模型参数进行校验;
S3、根据校验结果得到水华预测方法的核心预测方程。
2.根据权利要求1所述的浅水型小型湖库水华预测方法,其特征在于:所述步骤S1中的历史实测数据包括磷浓度、气温、叶绿素a浓度、光照强度。
3.根据权利要求1所述的浅水型小型湖库水华预测方法,其特征在于,所述步骤S2中,参数校验的具体方法如下:
将步骤S1采集到的数据带入到藻生长动力学模型方程中,利用R语言与WingBUGS软件对模型参数进行校验,得到适于本地湖泊或水库的水华预测的参数。
4.根据权利要求1所述的浅水型小型湖库水华预测方法,其特征在于:所述步骤S3中,水华预测核心方程包括营养盐限制因子,营养盐限制因子的预测方程为:
其中,Ksp为总磷吸收半饱和常数,TP为磷浓度(mg/L)。
5.根据权利要求1所述的浅水型小型湖库水华预测方法,其特征在于:所述步骤S3中,水华预测核心方程包括温度限制因子,所述温度限制因子的预测方程为:
其中,kt为温度生长常数(1/℃),T为温度。
6.根据权利要求1所述的浅水型小型湖库水华预测方法,其特征在于:所述步骤S3中,水华预测核心方程包括光照限制因子,所述光照限制因子的预测方程为:
其中,α、β分别为光合促进效应系数(m2/W)、光合作用抑制效应系数(m2/W),b为浮游植物死亡速率。
7.一种应用权利要求1所述的预测方法得到的水华预测模型,其特征在于,根据采集的历史实测数据,把历史实测数据带入到藻生长动力学模型方程中,经过模型参数校验后得到水华预测模型的核心预测方程,方程为:
其中,输出量表示叶绿素a浓度的预测值,c为实际叶绿素a浓度(μg/L),TP为磷浓度(mg/L),PAR为光照强度(W/m2),μ(TP)为营养盐限制因子,ε(T)为温度限制因子,γ(PAR)光照限制因子,为浮游植物最大生长速率。
8.根据权利要求7所述的浅水型小型湖库水华预测模型,其特征在于,营养盐限制因子的预测方程为:
其中,Ksp为总磷吸收半饱和常数,TP为磷浓度(mg/L)。
9.根据权利要求7所述的浅水型小型湖库水华预测模型,其特征在于,所述温度限制因子的预测方程为:
其中,kt为温度生长常数(1/℃),T为温度。
10.根据权利要求7所述的浅水型小型湖库水华预测模型,其特征在于:所述光照限制因子的预测方程为:
其中,α、β分别为光合促进效应系数(m2/W)、光合作用抑制效应系数(m2/W),b为浮游植物死亡速率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811629940.1A CN109711066B (zh) | 2018-12-28 | 2018-12-28 | 一种浅水型小型湖库水华预测方法及预测模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811629940.1A CN109711066B (zh) | 2018-12-28 | 2018-12-28 | 一种浅水型小型湖库水华预测方法及预测模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109711066A true CN109711066A (zh) | 2019-05-03 |
CN109711066B CN109711066B (zh) | 2023-01-31 |
Family
ID=66259213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811629940.1A Active CN109711066B (zh) | 2018-12-28 | 2018-12-28 | 一种浅水型小型湖库水华预测方法及预测模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711066B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852472A (zh) * | 2019-09-24 | 2020-02-28 | 广州地理研究所 | 一种基于随机森林算法的陆地水储量预测方法及设备 |
CN111584014A (zh) * | 2020-05-26 | 2020-08-25 | 自然资源部第二海洋研究所 | 一种基于高分辨率水动力模式的桑沟湾水质分析方法 |
CN115114867A (zh) * | 2022-07-11 | 2022-09-27 | 中国水利水电科学研究院 | 一种挺水植物生物量预测方法 |
TWI786711B (zh) * | 2021-07-07 | 2022-12-11 | 台灣電力股份有限公司 | 智慧型微藻養殖系統及其方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050164333A1 (en) * | 2004-01-22 | 2005-07-28 | Bowling Green State University | Method and apparatus for detecting phycocyanin-pigmented algae and bacteria from reflected light |
CN101706494A (zh) * | 2009-11-11 | 2010-05-12 | 清华大学 | 一种水体水华爆发潜力判定和预警的方法 |
CN102135531A (zh) * | 2010-12-24 | 2011-07-27 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊72小时蓝藻水华预测方法 |
CN102141517A (zh) * | 2011-01-05 | 2011-08-03 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊翌年蓝藻水华首次发生水域预测方法 |
CN104112080A (zh) * | 2014-07-29 | 2014-10-22 | 武汉大学 | 水体水华风险快速预警方法 |
CN104899653A (zh) * | 2015-06-02 | 2015-09-09 | 北京工商大学 | 基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法 |
CN107292436A (zh) * | 2017-06-16 | 2017-10-24 | 北京工商大学 | 基于非线性动力学时序模型的蓝藻水华预测方法 |
CN108038351A (zh) * | 2017-12-06 | 2018-05-15 | 武汉大学 | 一种基于遥感影像和水生态模型的叶绿素计算方法 |
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 |
-
2018
- 2018-12-28 CN CN201811629940.1A patent/CN109711066B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050164333A1 (en) * | 2004-01-22 | 2005-07-28 | Bowling Green State University | Method and apparatus for detecting phycocyanin-pigmented algae and bacteria from reflected light |
CN101706494A (zh) * | 2009-11-11 | 2010-05-12 | 清华大学 | 一种水体水华爆发潜力判定和预警的方法 |
CN102135531A (zh) * | 2010-12-24 | 2011-07-27 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊72小时蓝藻水华预测方法 |
CN102141517A (zh) * | 2011-01-05 | 2011-08-03 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊翌年蓝藻水华首次发生水域预测方法 |
CN104112080A (zh) * | 2014-07-29 | 2014-10-22 | 武汉大学 | 水体水华风险快速预警方法 |
CN104899653A (zh) * | 2015-06-02 | 2015-09-09 | 北京工商大学 | 基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法 |
CN107292436A (zh) * | 2017-06-16 | 2017-10-24 | 北京工商大学 | 基于非线性动力学时序模型的蓝藻水华预测方法 |
CN108038351A (zh) * | 2017-12-06 | 2018-05-15 | 武汉大学 | 一种基于遥感影像和水生态模型的叶绿素计算方法 |
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 |
Non-Patent Citations (1)
Title |
---|
康元昊 等: ""三峡库区汝溪河浮游植物动态及其与水质的关系"", 《水生态学杂志》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852472A (zh) * | 2019-09-24 | 2020-02-28 | 广州地理研究所 | 一种基于随机森林算法的陆地水储量预测方法及设备 |
CN110852472B (zh) * | 2019-09-24 | 2020-11-10 | 广州地理研究所 | 一种基于随机森林算法的陆地水储量预测方法及设备 |
CN111584014A (zh) * | 2020-05-26 | 2020-08-25 | 自然资源部第二海洋研究所 | 一种基于高分辨率水动力模式的桑沟湾水质分析方法 |
TWI786711B (zh) * | 2021-07-07 | 2022-12-11 | 台灣電力股份有限公司 | 智慧型微藻養殖系統及其方法 |
CN115114867A (zh) * | 2022-07-11 | 2022-09-27 | 中国水利水电科学研究院 | 一种挺水植物生物量预测方法 |
CN115114867B (zh) * | 2022-07-11 | 2023-07-11 | 中国水利水电科学研究院 | 一种挺水植物生物量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109711066B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711066A (zh) | 一种浅水型小型湖库水华预测方法及预测模型 | |
CN105572319B (zh) | 一种水力诱导覆盖型岩溶塌陷模拟试验装置及使用方法 | |
CN109086948A (zh) | 基于数据同化的湖库富营养化预警方法 | |
CN109657418A (zh) | 一种基于mike21的湖泊水环境容量计算方法 | |
Maderich et al. | Seasonal and interannual variability of the water exchange in the Turkish Straits System estimated by modelling | |
CN112731969B (zh) | 一种面向河流的多无人机水质采样和监测路径优化方法 | |
CN108984886A (zh) | 一种反演多层油藏井间动态连通性的方法 | |
CN108897363A (zh) | 一种基于大数据分析的水族箱智能控制系统 | |
Onderka | Correlations between several environmental factors affecting the bloom events of cyanobacteria in Liptovska Mara reservoir (Slovakia)—A simple regression model | |
CN109308544A (zh) | 基于对比散度-长短期记忆网络的蓝藻水华预测方法 | |
CN103744362B (zh) | 一种污水电化处理过程智能控制系统及其智能控制方法 | |
CN109858132A (zh) | 基于突变理论和改进布谷鸟算法的蓝藻水华暴发预警方法 | |
CN109657200A (zh) | 一种确定湖泊水库蓝藻水华爆发几率的方法 | |
CN108875230A (zh) | 水库水质预测模型的建立方法及装置 | |
CN111160708A (zh) | 支流生境替代保护效果评价的分析方法及装置 | |
CN105160422B (zh) | 基于自组织级联神经网络的污水处理出水总磷预测方法 | |
Yan et al. | Study on prediction model of dissolved oxygen about water quality monitoring system based on BP neural network | |
Bowers | A simple turbulent energy-based model of fine suspended sediments in the Irish Sea | |
Seidov et al. | Simulated ocean circulation and sediment transport in the North Atlantic during the last glacial maximum and today | |
CN110503882A (zh) | 滨海含水层中均匀密度驱动的环流模拟装置及使用方法 | |
Guven et al. | A review and classification of the existing models of cyanobacteria | |
Khatri et al. | Evolutionary divergence of anaphase spindle mechanics in nematode embryos constrained by antagonistic pulling and viscous forces | |
CN110322140A (zh) | 一种基于mike21的感潮河段水环境容量计算方法 | |
CN109902853A (zh) | 一种大规模养殖地理信息数据整理系统 | |
CN106781882B (zh) | 河流走进实验室的河流环境监测实验教学系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |