CN110378822A - 一种影响湖泊水质的最优气象因子构建筛选方法 - Google Patents

Abstract

本发明公开了一种影响湖泊水质的最优气象因子构建筛选方法，与传统技术思路及方法筛选出的影响湖泊水质气象因子相关系数偏低不同，本发明通过重新构建气象因子序列，筛选影响湖泊水质的最优气象因子，客观反映湖泊水质对气象因子的响应及滞后特征，为湖泊水质生态评价研究及水质要素预测预报提供科学依据，具有广阔的运用前景，同时本发明将产生巨大的社会和经济效益。

Description

一种影响湖泊水质的最优气象因子构建筛选方法

技术领域

本发明属于生态环境保护研究预报领域，尤其涉及一种影响湖泊水质的最优气象因子构建筛选方法。

背景技术

生态环境是人类生存的基本条件，与人类活动密切相关，影响人类生存与发展。良好生态环境是最公平的公共产品，是人类生存与健康、文明存在和发展的基础。由于自然、历史、人为等原因，以及对自然资源的不合理利用及过度开发，造成生态环境的破坏，水资源污染日益严重，对人类赖以生存的生态系统造成了严重危害，同时也危害了人类的健康，制约了经济社会的可持续发展。

生态文明建设与气象息息相关，气象是生态环境的主要控制性因素之一，适宜的气候是人类生存发展的基础，气候文明是生态文明的核心组成部分，在生态文明建设中处于突出战略地位，发挥着基础性保障作用。气象与水环境关系极为密切，陆地上的水资源，受气象因素的制约，无论是降水、温度、日照、蒸发、风及气压等短期要素，还是长期的气候及气候变化，对于湖泊水质均有重要的影响。降水会对水溶液起稀释作用，蒸发会使水溶液浓缩，雨水又会将陆地上的氮磷等营养物质带入到水体中，导致水体富营养化，从而引起藻类及其他浮游生物迅速繁殖，水质恶化。

由于气象因子在湖泊水质研究及预测预报中发挥着关键性作用，目前关于气象条件影响湖泊水质的运用方法有很多，大多基于同期或前期气象与水质要素的关系进行分析研究。然而由于湖泊水质的变化是一个累积的过程，对气象因子具有累积滞后效应，而且不同水质要素对气象因子响应的时间尺度各不相同，传统的分析方法所选气象因子具有局限性，所用气象因子并非影响湖泊水质的最优气象因子，所得结论具有局限性。在此背景下，一种影响湖泊水质的最优气象因子构建筛选方法的发明，对湖泊水环境科学评价、生态环境保护以及可持续发展具有重要意义。

发明内容

本发明的目的是为了解决现有技术的不足，提供一种影响湖泊水质的最优气象因子构建筛选方法，与传统技术思路及方法筛选出的影响湖泊水质气象因子相关系数偏低不同，本发明通过重新构建气象因子序列，筛选影响湖泊水质的最优气象因子，客观反映湖泊水质对气象因子的响应及滞后特征，为湖泊水质生态评价研究及水质要素预测预报提供科学依据，具有广阔的运用前景，同时本发明将产生巨大的社会和经济效益。

为了实现上述目的，本发明采用的技术方案如下：

一种湖泊水质最优气象因子构建筛选方法，包括以下步骤：

步骤(1)，数据资料整理及预处理：

整理湖泊水质中化学需氧量、溶解氧、高锰酸盐指数、五日生化需氧量、水温、总磷、总氮、氨氮、透明度、溶解氧饱和率、叶绿素a、藻类数量等水质要素数据时间序列，形成水质要素数据集。整理气温、降水、风向、风速、日照、地温、气压、露点温度、蒸发、相对湿度等持续观测的逐日气象因子数据序列，统计气象因子相应的日合计、日平均值、最大值、最小值等数据，形成气象因子数据集。

步骤(2)，气象因子滞后响应滑动累积序列构造：

由于气象因子自身的变化具有非线性的特征，水质要素与气象因子的同期对应具有不确定性，且水质要素对气象因子的响应需要一定的累积作用时间，并且存在滞后，因此，只有气象因子经过不同时间尺度的滞后累积效应之后，水质要素变化才显现出来，找出影响水质要素的最优响应和滞后时间，是本发明的目的和重点。为了尽可能的找出影响水质要素的响应尺度与滞后效应，需要对气象要素序列进行滞后响应滑动累积序列构造，再分别与水质要素进行相关分析，最后进行筛选，具体步骤如下：

步骤(2.1)，将气象因子与水质要素进行时间同步

由于湖泊水质要素是每月一次数据，气象因子则为每日一次数据，因此需要将气象因 子与水质要素进行时间同步对应。将水质要素数据序列及其所对应的时间序列记为和(p=1,2,…,c)，为当前最近水质要素观测时刻，序列长度为c，将气象因子数据序列 及其所对应的时间序列记为和(q=1,2,…,d)，为当前最近气象因子观测时刻，序 列长度为d，，令水质要素的时间序列中的每一个时次与气象要素的时间序列 分别进行对应，记时的q值序列为，即。

步骤(2.2)，滞后响应滑动累积序列构造

通过滞后响应滑动累积序列的构造，在考虑了气象因子影响水质要素作用时间的基础 上进行对气象因子与水质要素间的相关关系研究，以体现气象因子对水质要素影响的滞后 响应，具体构造方法如图5；以p作为水质要素的时次，q作为气象因子的时次，为水 质要素时间序列在气象因子时间序列中对应的时次，对气象因子进行滞后响应 滑动累积序列构造：

对应水质要素的第1个时次，对气象因子的i天滞后、j天响应进行构造，

。

对应水质要素的第2个时次，对气象因子的i天滞后、j天响应进行构造，

。

对应水质要素的第c个时次，对气象因子的i天滞后、j天响应进行构造，

。

为时次为t时的气象因子b的值，第个时次所对应的i天滞后、j天响应的气象 因子b的滑动累积值为在气象因子b的时间序列中，第个时次前i日的值累 加至前(i+j-1）日的值所得到的累积值，即：

。

设滞后天数i、响应天数j为定值时，则可得到气象因子水质要素逐时次对 应的滞后响应滑动累积序列：

。

步骤(2.3)，滞后响应滑动累积矩阵构造

应用步骤(2.2)中滞后响应滑动累积序列构造的方法，气象因子对应时次进行0 到n天滞后、1到m天响应的滞后响应滑动累积矩阵构造(m、n为常数，且满足)：

对应水质要素的第1个时次，对气象因子的0到n天滞后、1到m天响应进行构造，

。

对应水质要素的第2个时次，对气象因子的0到n天滞后、1到m天响应进行构 造，

。

对应水质要素的第c个时次，对气象因子的0到n天滞后、1到m天响应进行构 造，

；

则可得到三维矩阵：

。

亦可写为滞后响应滑动累积序列集：

。

步骤(3)，相关系数计算：

步骤(3.1)，相关系数计算公式

相关系数是由统计学家卡尔·皮尔逊所设计的，用以反映随机变量之间相关关系密切程度的统计指标。相关系数的计算经过了标准化处理，消除了单位，便于比较不同要素之间的关系。相关系数的计算公式为：

。

步骤(3.2)，相关系数计算

对步骤(2.3)中所构造的气象因子滞后响应滑动累积矩阵中的序列和水质要素数据序 列做相关系数计算，滞后天数为i，响应天数为j。当i=0， j=1时，得到相关系数;当i=0，j=2时，得到相关系数;…;当i=n，j=m时，得到相关系数，以此类推，得到相关系数矩阵：

。

步骤(4)，最优因子筛选：

步骤(4.1)，相关系数分析

对步骤(3.2)中计算得到的相关系数矩阵进行显著性检验，并在通过显著性检验的区域对不同滞后、响应天数的气象因子相关性强弱进行分析。具体方法如下：

在假设总体相关系数成立的条件下，样本相关系数r的概率密度函数为:

；

n为样本数量，变换可得到：

；

（样本自由度），得到上式后，可用t检验法：

。

对相关系数的显著性水平进行检验，并且可由此求得，在指定显著性水平下，通 过显著性检验计算的t值应至少等于在下否定域的起点：

；

即为刚好通过检验的相关系数临界值，可由上式解得：

。

应用相关系数的t检验法对相关系数矩阵R进行显著性检验，并对通过显著性检验 区域中的正负高值区所对应的滞后、响应天数进行分析和筛选，从而得到气象因子的构 造序列与水质要素相关关系最优的滞后响应天数。

步骤(4.2)，气象因子分类

在筛选出的显著相关因子中，按照地温、气温、气压、日照、蒸发、降水、湿度、风等进行归类分析，每一类气象因子挑选相关系数绝对值最大者作为该类最优因子。

本发明的有益效果是：通过重新构建气象因子序列，筛选影响湖泊水质的最优气象因子，客观反映湖泊水质对气象因子的响应及滞后特征，为湖泊水质生态评价研究及水质要素预测预报提供科学依据，具有广阔的运用前景，同时本发明将产生巨大的社会和经济效益。

附图说明

图1 为本发明提供的影响湖泊水质的最优气象因子构建筛选方法技术路线图；

图2 为本发明与其他方法相关系数对比；

图3 为滞后0天蒸发量累积与总磷相关系数；

图4 为蒸发量与总磷相关系数图；

图5为滞后响应滑动累积序列的构造方法。

具体实施方式

下面结合附图对本发明作进一步详细的说明。

步骤(5)，实例说明：

为进一步说明本发明的优势，以云南省大理市境内的高原湖泊洱海水质与距离洱海最近的大理市气象站观测资料为例，对影响湖泊水质的最优气象因子构建筛选方法进行简要说明。

步骤(5.1)，资料

水质要素使用2008年1月-2018年3月大理白族自治州环境监测站监测的月水质要素数据，包括总磷、化学需氧量、溶解氧、高锰酸盐指数、五日生化需氧量、藻类数量、总氮、氨氮、透明度、溶解氧饱和率、叶绿素a、水温等12项水质要素，共计123次月监测数据。气象资料使用2006年1月-2018年3月大理市气象站所监测的日气象数据，包括地温、气温、气压、日照、蒸发、降水量、风向、风速、相对湿度、水汽压、露点温度等。

表1 气象要素及水质要素

步骤(5.2)，气象因子序列构造及相关系数计算

首先，按时间顺序整理出表2中的气象因子日序列数据，按照图1的方法分别构造这61 项气象因子序列，每项气象因子构造出个时间序列对应的矩阵；然后，根据水质 要素监测日期，分别挑选每次水质监测所对应的气象因子，形成包含水质要素、气象因子的 数据矩阵；最后，分别计算水质要素与气象因子的相关系数。

表2 气象要素列表

步骤(5.3)，最优因子筛选

对计算出的相关系数，按照表3所对应的显著性水平分别进行检验，在通过显著性检验的因子中按照相关系数绝对值最大的原则筛选为该要素的最优因子。筛选出的显著相关因子，将相对湿度、水汽压、露点温度归为湿度类，风向、风速归为风类，然后按照地温、气温、气压、日照、蒸发、降水量、湿度、风等8个类别进行归类分析，每一类气象因子挑选相关系数最大的作为该类最优因子。

表3 相关系数查算表

步骤(5.4)，效果验证

为检验本发明的实际效果，以洱海水质要素中的总磷为例，分别与日（当天）、候（5天）、旬（10天）、月合计（30天）等传统方法所选因子相关系数进行比较，说明该发明的创新之处及优势。

(1)本发明筛选的所有气象因子与水质因子的相关系数均高于日、候、旬、月合计 （平均）等传统方法所选因子，筛选出的最优因子全部通过显著性水平的检验。同 时表明，气象因子与湖泊总磷关系非常密切，气象要素显著影响湖泊总磷，科学的因子筛选 方法对湖泊总磷的变化研究及预报预测具有重要意义。

(2)图2为本发明筛选出的最优气象因子与传统方法所选因子相关系数对比，地温、气温、气压、日照、蒸发、降水量、湿度、风等8类因子相关系数均明显高于传统方法所选因子，尤其是气温、降水量等。

(3)为进一步说明该发明的优势，选择滞后0天蒸发量累积与总磷的相关系数作说明，其结果如图3所示，从图中清晰看出随着蒸发量累积尺度的增加相关系数存在明显的区别，相关系数在-0.26-0.63之间， 218天累积蒸发量与总磷的相关系数最大，表明不同响应时间尺度气象因子与湖泊总磷的关系差异较大，气象因子的筛选方法显得尤为重要。

(4)上述筛选方法说明了响应尺度的重要性之后，再对总磷对气象因子的滞后效应进行分析，通过延迟0-250天的方法分别构建气象因子，再次进行最优因子筛选，其结果如图4所示。从图中看到72天滞后97天累积的蒸发量与总磷正相关系数最大，最大正相关系数为0.71，243天滞后132天累积的蒸发量与总磷负相关系数绝对值最大，负相关系数达-0.63。

(5)其余水质要素因子筛选的结果与总磷类似，在此不做进一步描述。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实例的限制，上述实例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.一种影响湖泊水质的最优气象因子构建筛选方法，其特征在于：包括以下步骤：

步骤(1)，数据资料整理及预处理：

至少整理湖泊水质中包含化学需氧量、溶解氧、高锰酸盐指数、五日生化需氧量、水温、总磷、总氮、氨氮、透明度、溶解氧饱和率、叶绿素a、藻类数量的水质要素数据时间序列，形成水质要素数据集；至少整理包含气温、降水、风向、风速、日照、地温、气压、露点温度、蒸发、相对湿度的持续观测的逐日气象因子数据序列，至少统计气象因子相应的日合计、日平均值、最大值、最小值的数据，形成气象因子数据集；

步骤(2)，气象因子滞后响应滑动累积序列构造：

对气象要素序列进行滞后响应滑动累积序列构造，再分别与水质要素进行相关分析，最后进行筛选，具体步骤如下：

步骤(2.1)，将气象因子与水质要素进行时间同步

将水质要素数据序列及其所对应的时间序列记为和(p=1,2,…,c)，为当前最 近水质要素观测时刻，序列长度为c，将气象因子数据序列及其所对应的时间序列记为和(q=1,2,…,d)，为当前最近气象因子观测时刻，序列长度为d，，令水质要素的 时间序列中的每一个时次与气象要素的时间序列分别进行对应，记时的q 值序列为，即；

步骤(2.2)，滞后响应滑动累积序列构造

通过滞后响应滑动累积序列的构造，具体构造方法如下：

以p作为水质要素的时次，q作为气象因子的时次，为水质要素时间序列在 气象因子时间序列中对应的时次，对气象因子进行滞后响应滑动累积序列构造：

对应水质要素的第1个时次，对气象因子的i天滞后、j天响应进行构造，

对应水质要素的第2个时次，对气象因子的i天滞后、j天响应进行构造，

对应水质要素的第c个时次，对气象因子的i天滞后、j天响应进行构造，

为时次为t时的气象因子b的值，第个时次所对应的i天滞后、j天响应的气象因子b 的滑动累积值为在气象因子b的时间序列中，第个时次前i日的值累加至前 (i+j-1）日的值所得到的累积值，即：

设滞后天数i、响应天数j为定值时，则可得到气象因子水质要素逐时次对应的 滞后响应滑动累积序列：

；

步骤(2.3)，滞后响应滑动累积矩阵构造

应用步骤(2.2)中滞后响应滑动累积序列构造的方法，气象因子对应时次进行0到 n天滞后、1到m天响应的滞后响应滑动累积矩阵构造(m、n为常数，且满足)；

对应水质要素的第1个时次，对气象因子的0到n天滞后、1到m天响应进行构造，

对应水质要素的第2个时次，对气象因子的0到n天滞后、1到m天响应进行构造，

对应水质要素的第c个时次，对气象因子的0到n天滞后、1到m天响应进行构造，

则可得到三维矩阵：

亦可写为滞后响应滑动累积序列集：

；

步骤(3)，相关系数计算：

步骤(3.1)，相关系数计算公式

相关系数的计算公式为：

步骤(3.2)，相关系数计算

对步骤(2.3)中所构造的气象因子滞后响应滑动累积矩阵中的序列和水质要素数据序 列做相关系数计算，滞后天数为i，响应天数为j；当i=0， j=1时，得到相关系数;当i=0，j=2时，得到相关系数;…；当i=n，j=m时，得到相关系数，以此类推，得到相关系数矩阵：

步骤(4)，最优因子筛选：

步骤(4.1)，相关系数分析

对步骤(3.2)中计算得到的相关系数矩阵进行显著性检验，并在通过显著性检验的区域对不同滞后、响应天数的气象因子相关性强弱进行分析，具体方法如下：

在假设总体相关系数成立的条件下，样本相关系数r的概率密度函数为:

n为样本数量，变换可得到：

（样本自由度），得到上式后，可用t检验法：

对相关系数的显著性水平进行检验，并且可由此求得，在指定显著性水平下，通过显 著性检验计算的t值应至少等于在下否定域的起点：

即为刚好通过检验的相关系数临界值，可由上式解得：

应用相关系数的t检验法对相关系数矩阵R进行显著性检验，并对通过显著性检验区域 中的正负高值区所对应的滞后、响应天数进行分析和筛选，从而得到气象因子的构造序 列与水质要素相关关系最优的滞后响应天数；

步骤(4.2)，气象因子分类

在筛选出的显著相关因子中，至少按照地温、气温、气压、日照、蒸发、降水、湿度、风进行归类分析，每一类气象因子挑选相关系数绝对值最大者作为该类最优因子。