CN110991047A - 一种水源地水库蓝藻水华的快速预警方法 - Google Patents
一种水源地水库蓝藻水华的快速预警方法 Download PDFInfo
- Publication number
- CN110991047A CN110991047A CN201911225346.0A CN201911225346A CN110991047A CN 110991047 A CN110991047 A CN 110991047A CN 201911225346 A CN201911225346 A CN 201911225346A CN 110991047 A CN110991047 A CN 110991047A
- Authority
- CN
- China
- Prior art keywords
- algae
- concentration
- characteristic
- bloom
- algae concentration
- 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
本发明涉及水质质量预警技术领域,尤其涉及一种水源地水库蓝藻水华的快速预警方法,根据历史降藻浓度数据建立的蓝藻水华爆发特征藻浓度模型、气温变化影响特征藻浓度模型、以及正常蓝藻水华特征藻浓度模型,并确定划分度函数;根据划分度函数确定衰减因数、权重因数以及临界阈值,根据权重因数、当日藻浓度数据和前n日有效藻浓度计算特征藻浓度;将特征藻浓度与临界阈值进行比较,根据比较结果确定当日藻浓度是否能够引起蓝藻水华爆发。本发明提供基于藻浓度监测的蓝藻水华预警,根据历史藻浓度数据建立相应的模型,计算相应的临界阈值,各数据均通过计算得到,而不是经验数据,能够有效提高蓝藻水华预警的准确性。
Description
技术领域
本发明涉及水质质量预警技术领域,尤其涉及一种水源地水库蓝藻水华的快速预警方法。
技术背景
湖泊特别是水源的水库由于蓝藻的大量繁殖造成水质污染的事件频发,因此监测和预警蓝藻的过度繁殖具有对维护湖泊周围的生态平衡具有重大意义。目前蓝藻水华预测方法研究主要包括机理驱动模型和数据驱动模型。机理驱动模型包含单一营养盐模型、浮游植物生态模型、生态动力学模型等,这些模型中含有许多生态变量和待定参数,通过描述水华发生的机理过程进行建模,在认识水华和治理水华发面发挥重要作用;而数据驱动模型包括数理统计模型和人工智能模型,这些模型从大量的实测数据中通过智能算法等技术挖掘隐藏于系统的相关信息,能很好的模拟非线性过程,尤其适用于机理不明确的高维非线性系统,在水华预测中得到了运用。上述两类建模方法具有各自的优势,但是也存在一些问题,主要是大量前期数据支持,过程复杂,不能快速的预警,并且考虑的影响因素较多,准确率受到影响。
发明内容`
为解决上述问题,本发明提出藻浓度一种水源地水库蓝藻水华的快速预警方法,能够有效提高蓝藻水华预警的准确性。
一种水源地水库蓝藻水华的快速预警方法,包括以下步骤:
根据历史降藻浓度数据建立的蓝藻水华爆发特征藻浓度模型、气温变化影响特征藻浓度模型、以及正常蓝藻水华特征藻浓度模型,并确定划分度函数;
所述划分度函数为:
G(j)=max[(min{X}-max{Y})+(min{Y}-max{Z})];
其中,X为发生蓝藻水华爆发的特征藻浓度,Y为气温变化影响的特征藻浓度,Z为正常蓝藻水华的特征藻浓度;
根据所述划分度函数确定衰减因数、权重因数以及临界阈值,包括:
求解划分度函数,当划分度函数G(j)为最大时,确定对应的衰减因数A和权重因数j。
采集前n日降藻浓度数据,引入衰减因数计算前n日有效藻浓度;
引入权重因数和当日藻浓度数据,并根据所述权重因数、当日藻浓度数据和所述前n日有效藻浓度计算特征藻浓度;
将所述特征藻浓度与所述临界阈值进行比较,根据比较结果确定当日藻浓度是否能够引起蓝藻水华爆发;
其中,所述有效藻浓度通过以下公式进行计算:
其中,Rn为前n日的有效藻浓度,Ri为第i天的藻浓度,Ai为第i天的衰减因数。
所述特征藻浓度通过以下公式进行计算:
jiRn+R0=t;
其中,ki为第i天的权重因数,0<ji<1,Rn为前n日的有效藻浓度,R0为当日藻浓度,t为特征藻浓度。
优选的,建立蓝藻水华爆发特征藻浓度模型的方法包括:
采集历史蓝藻水华爆发发生当日的降藻浓度数据,以及蓝藻水华爆发发生前n日的藻浓度数据,建立蓝藻水华爆发的特征藻浓度模型:
X=a1+b1(A)×ji;
其中,X为发生蓝藻水华爆发的特征藻浓度,a1为蓝藻水华爆发发生当日藻浓度,b1(A)为蓝藻水华爆发发生前n日的有效藻浓度,ji为第i天的权重因数。
优选的,建立气温变化影响特征藻浓度模型的方法包括:
采集历史气温变化影响发生当日的藻浓度数据,以及气温变化影响发生前n日的藻浓度数据,建立气温变化影响的特征藻浓度模型:
Y=a2+b2(A)×ji;
其中,Y为气温变化影响的特征藻浓度,a2为气温变化影响发生当日藻浓度,b2(A)为气温变化影响发生前n日的有效藻浓度,ji为第i天的权重因数。
进一步的,建立正常蓝藻水华特征藻浓度模型的方法包括:
采集历史正常蓝藻水华发生当日的藻浓度数据,以及正常蓝藻水华发生前n日的藻浓度数据,建立正常蓝藻水华特征藻浓度模型:
Z=a3+b3(A)×ji;
其中,Z为正常蓝藻水华的特征藻浓度,a3为正常蓝藻水华发生当日藻浓度,b3(A)为正常蓝藻水华发生前n日的有效藻浓度,ji为第i天的权重因数。
进一步的,所述临界阈值包括爆发值和警戒值;
所述根据比较结果确定当日藻浓度是否能够引起蓝藻水华爆发,包括:
当所述特征藻浓度大于或等于爆发值时,确定当日藻浓度能够引起蓝藻水华爆发;
当所述特征藻浓度大于或等于警戒值且小于所述爆发值时,确定当日藻浓度能够引起气温变化影响事件;
当所述特征藻浓度小于所述警戒值时,确定当日藻浓度不会引起蓝藻水华爆发以及气温变化影响事件。
其中,所述爆发值通过以下公式确定:
M爆发=(min{X}+max{Y})/2;
其中,M爆发为爆发值,min{X}为蓝藻水华爆发的特征藻浓度最小值,max{Y}为气温变化影响的特征藻浓度最大值。
所述警戒值通过以下公式确定:
M警戒=(min{Y}+max{Z})/2;
其中,M警戒为警戒值,min{Y}为气温变化影响的特征藻浓度最小值,max{Z}为正常蓝藻水华的特征藻浓度最大值。
本发明提供的一种水源地水库蓝藻水华的快速预警方法,基于藻浓度监测的蓝藻水华预警,根据历史藻浓度数据建立相应的模型,计算相应的临界阈值,各数据均通过计算得到,而不是经验数据,能够有效提高蓝藻水华预警的准确性。
具体实施方式
为了使本领域相关技术人员更好地理解本发明的技术方案,下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。
本实施例提供藻浓度一种水源地水库蓝藻水华的快速预警方法,包括:
一种水源地水库蓝藻水华的快速预警方法,包括:
根据历史降藻浓度数据建立的蓝藻水华爆发特征藻浓度模型、气温变化影响特征藻浓度模型、以及正常蓝藻水华特征藻浓度模型,并确定划分度函数;
所述划分度函数为:
G(j)=max[(min{X}-max{Y})+(min{Y}-max{Z})];(6)
其中,X为发生蓝藻水华爆发的特征藻浓度,Y为气温变化影响的特征藻浓度,Z为正常蓝藻水华的特征藻浓度;
根据所述划分度函数确定衰减因数、权重因数以及临界阈值,包括:
求解划分度函数,当划分度函数G(j)为最大时,确定对应的衰减因数A和权重因数j。
采集前n日降藻浓度数据,引入衰减因数计算前n日有效藻浓度;
引入权重因数和当日藻浓度数据,并根据所述权重因数、当日藻浓度数据和所述前n日有效藻浓度计算特征藻浓度;
将所述特征藻浓度与所述临界阈值进行比较,根据比较结果确定当日藻浓度是否能够引起蓝藻水华爆发;
所述有效藻浓度通过以下公式进行计算:
其中,Rn为前n日的有效藻浓度,Ri为第i天的藻浓度,Ai为第i天的衰减因数。
所述特征藻浓度通过以下公式进行计算:
jiRn+R0=t; (2)
其中,ki为第i天的权重因数,0<ji<1,Rn为前n日的有效藻浓度,R0为当日藻浓度,t为特征藻浓度。
建立蓝藻水华爆发特征藻浓度模型的方法包括:
采集历史蓝藻水华爆发发生当日的降藻浓度数据,以及蓝藻水华爆发发生前n日的藻浓度数据,建立蓝藻水华爆发的特征藻浓度模型:
X=a1+b1(A)×ji; (3)
其中,X为发生蓝藻水华爆发的特征藻浓度,a1为蓝藻水华爆发发生当日藻浓度,b1(A)为蓝藻水华爆发发生前n日的有效藻浓度,ji为第i天的权重因数。
建立气温变化影响特征藻浓度模型的方法包括:
采集历史气温变化影响发生当日的藻浓度数据,以及气温变化影响发生前n日的藻浓度数据,建立气温变化影响的特征藻浓度模型:
Y=a2+b2(A)×ji; (4)
其中,Y为气温变化影响的特征藻浓度,a2为气温变化影响发生当日藻浓度,b2(A)为气温变化影响发生前n日的有效藻浓度,ji为第i天的权重因数。
建立正常蓝藻水华特征藻浓度模型的方法包括:
采集历史正常蓝藻水华发生当日的藻浓度数据,以及正常蓝藻水华发生前n日的藻浓度数据,建立正常蓝藻水华特征藻浓度模型:
Z=a3+b3(A)×ji; (5)
其中,Z为正常蓝藻水华的特征藻浓度,a3为正常蓝藻水华发生当日藻浓度,b3(A)为正常蓝藻水华发生前n日的有效藻浓度,ji为第i天的权重因数。
所述临界阈值包括爆发值和警戒值;
所述根据比较结果确定当日藻浓度是否能够引起蓝藻水华爆发,包括:
当所述特征藻浓度大于或等于爆发值时,确定当日藻浓度能够引起蓝藻水华爆发;
当所述特征藻浓度大于或等于警戒值且小于所述爆发值时,确定当日藻浓度能够引起气温变化影响事件;
当所述特征藻浓度小于所述警戒值时,确定当日藻浓度不会引起蓝藻水华爆发以及气温变化影响事件。
所述爆发值通过以下公式确定:
M爆发=(min{X}+max{Y})/2; (6)
其中,M爆发为爆发值,min{X}为蓝藻水华爆发的特征藻浓度最小值,max{Y}为气温变化影响的特征藻浓度最大值。
所述警戒值通过以下公式确定:
M警戒=(min{Y}+max{Z})/2; (7)
其中,M警戒为警戒值,min{Y}为气温变化影响的特征藻浓度最小值,max{Z}为正常蓝藻水华的特征藻浓度最大值。
划分划分划分划分划分划分以下通过具体的应用场景对本实施例提供的基于藻浓度监测的蓝藻水华预警方法作进一步说明。
选某个湖泊2017年-2018年间降藻浓度最大的六个月的统计,六个月分别为5月、6月、7月、8月、9月、10月,由于蓝藻水华爆发数量较少,将事件分为蓝藻水华爆发(浓度超过100-120μg/L)和气温变化影响事件(介于40-60μg/L之间),上述六个月,共有2次蓝藻水华爆发和6次气温变化影响。以10日有效藻浓度为例,将日藻浓度放入式(1)中计算,得到的10日有效藻浓度,前10天的实际日藻浓度,其中2017年7月13日发生了蓝藻水华爆发,2017年8月16日发生了气温变化影响。
上述六个月的有63天发生气温变化影响,用10日有效藻浓度和当日藻浓度带入式(2)中计算,并根据计算得到的特征藻浓度值由大到小进行排列。
由于j=0,日藻浓度等于特征藻浓度,单从当日藻浓度无法区别蓝藻水华事件和非蓝藻水华事件,气温变化影响对应的降藻浓度值小于正常事件对应的降藻浓度值,函数G(j)没有实现划分功能,因此前期有效藻浓度对蓝藻水华爆发有一定的影响,即j>0。同理随着j值不断增大,函数G(j)的划分度越来越差,因此判定j的取值范围为0~1。
将两次蓝藻水华爆发对应的当日藻浓度放入式(3)中的数组a1,对应的前10日有效藻浓度放入数组b1(A);将6次气温变化影响对应的当日藻浓度放入式(4)中的数组a2,对应的前10日有效藻浓度放入数组b2(A);其他正常蓝藻水华对应的当日藻浓度放入式(5)中的数组a3,对应的前10日有效藻浓度放入数组b3(A)。当t=X、Y和Z时,分别代表蓝藻水华爆发、气温变化影响和正常蓝藻水华。
设G(j)为划分划分度函数,为保证划分度最大,G(j)需满足式(6)。
将降藻浓度数据代入计算,当A∈[0.47,0.67],式(6)有解,其他情况无解。当A=0.476时,存在最大解Gmax=102.478,当A=0.476时,对应的权重因数j为0.437。通过调整衰减因数,由计算值取代了经验值,增大了划分度。设立10日有效藻浓度的临界阈值:
M爆发=(min{X}+max{Y})/2=167.42
M警戒=(min{Y}+max{Z})/2=(128.6874+112.6638)/2=98.76
根据上述计算结果取整,建立10日有效藻浓度的预警判据:
0.437R10+R0≥168(爆发值)
0.437R10+R0≥98(警戒值)
0.437R10+R0<98(安全值)
根据10日有效藻浓度的求解过程,分别计算1~20日有效藻浓度的权重因数和衰减因数,其中前1日、2日有效藻浓度的权重因数不存在,即无法计算出相应的j值满足式(3)。将各因数代入特征藻浓度函数,求得爆发值和警戒值。
模型中ji为前i日对应的权重因数。权重因数j和衰减因数A在7日之前波动较大,8日至20日趋于平稳。同样8至20日的爆发值与警戒值也较为稳定,爆发值在168~250之间,警戒值在98~168之间。
其中,不同日期的权重因数ji和衰减因数Ai取值随着数据量的不断增加,其值也不断改变。
以上仅表达了本发明的一种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (9)
1.一种水源地水库蓝藻水华的快速预警方法,其特征在于,包括以下步骤:
(1)根据历史降藻浓度数据建立的蓝藻水华爆发特征藻浓度模型、气温变化影响特征藻浓度模型、以及正常蓝藻水华特征藻浓度模型,并确定划分划分度函数;
所述划分划分度函数为:
G(j)=max[(min{X}-max{Y})+(min{Y}-max{Z})];
其中,X为发生蓝藻水华爆发的特征藻浓度,Y为气温变化影响的特征藻浓度,Z为正常蓝藻水华的特征藻浓度;
(2)根据所述划分划分度函数确定衰减因数、权重因数以及临界阈值,包求解划分划分度函数,当划分划分度函数G(j)为最大时,确定对应的衰减因数A和权重因数j;
(3)采集前n日降藻浓度数据,引入衰减因数计算前n日有效藻浓度;
引入权重因数和当日藻浓度数据,并根据所述权重因数、当日藻浓度数据和所述前n日有效藻浓度计算特征藻浓度;
(4)将所述特征藻浓度与所述临界阈值进行比较,根据比较结果确定当日藻浓度是否能够引起蓝藻水华爆发。
3.根据权利要求2所述的一种水源地水库蓝藻水华的快速预警方法,其特征在于,所述特征藻浓度通过以下公式进行计算:
jiRn+R0=t;
其中,ki为第i天的权重因数,0<ji<1,Rn为前n日的有效藻浓度,R0为当日藻浓度,t为特征藻浓度。
4.根据权利要求3所述的一种水源地水库蓝藻水华的快速预警方法,其特征在于,建立蓝藻水华爆发特征藻浓度模型的方法包括:
采集历史蓝藻水华爆发发生当日的降藻浓度数据,以及蓝藻水华爆发发生前n日的藻浓度数据,建立蓝藻水华爆发的特征藻浓度模型:
X=a1+b1(A)×ji;
其中,X为发生蓝藻水华爆发的特征藻浓度,a1为蓝藻水华爆发发生当日藻浓度,b1(A)为蓝藻水华爆发发生前n日的有效藻浓度,ji为第i天的权重因数。
5.根据权利要求4所述的一种水源地水库蓝藻水华的快速预警方法,其特征在于,建立气温变化影响特征藻浓度模型的方法包括:
采集历史气温变化影响发生当日的藻浓度数据,以及气温变化影响发生前n日的藻浓度数据,建立气温变化影响的特征藻浓度模型:
Y=a2+b2(A)×ji;
其中,Y为气温变化影响的特征藻浓度,a2为气温变化影响发生当日藻浓度,b2(A)为气温变化影响发生前n日的有效藻浓度,ji为第i天的权重因数。
6.根据权利要求5所述的一种水源地水库蓝藻水华的快速预警方法,其特征在于,建立正常蓝藻水华特征藻浓度模型的方法包括:
采集历史正常蓝藻水华发生当日的藻浓度数据,以及正常蓝藻水华发生前n日的藻浓度数据,建立正常蓝藻水华特征藻浓度模型:
Z=a3+b3(A)×ji;
其中,Z为正常蓝藻水华的特征藻浓度,a3为正常蓝藻水华发生当日藻浓度,b3(A)为正常蓝藻水华发生前n日的有效藻浓度,ji为第i天的权重因数。
7.根据权利要求6所述的一种水源地水库蓝藻水华的快速预警方法,其特征在于,所述临界阈值包括爆发值和警戒值;
所述根据比较结果确定当日藻浓度是否能够引起蓝藻水华爆发,包括:
当所述特征藻浓度大于或等于爆发值时,确定当日藻浓度能够引起蓝藻水华爆发;
当所述特征藻浓度大于或等于警戒值且小于所述爆发值时,确定当日藻浓度能够引起气温变化影响事件;
当所述特征藻浓度小于所述警戒值时,确定当日藻浓度不会引起蓝藻水华爆发以及气温变化影响事件。
8.根据权利要求7所述的一种水源地水库蓝藻水华的快速预警方法,其特征在于,所述爆发值通过以下公式确定:
M爆发=(min{X}+max{Y})/2;
其中,M爆发为爆发值,min{X}为蓝藻水华爆发的特征藻浓度最小值,max{Y}为气温变化影响的特征藻浓度最大值。
9.根据权利要求8所述的一种水源地水库蓝藻水华的快速预警方法,其特征在于,所述警戒值通过以下公式确定:
M警戒=(min{Y}+max{Z})/2;
其中,M警戒为警戒值,min{Y}为气温变化影响的特征藻浓度最小值,max{Z}为正常蓝藻水华的特征藻浓度最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911225346.0A CN110991047B (zh) | 2019-12-04 | 2019-12-04 | 一种水源地水库蓝藻水华的快速预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911225346.0A CN110991047B (zh) | 2019-12-04 | 2019-12-04 | 一种水源地水库蓝藻水华的快速预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991047A true CN110991047A (zh) | 2020-04-10 |
CN110991047B CN110991047B (zh) | 2023-04-25 |
Family
ID=70089866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911225346.0A Active CN110991047B (zh) | 2019-12-04 | 2019-12-04 | 一种水源地水库蓝藻水华的快速预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991047B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008214942A (ja) * | 2007-03-02 | 2008-09-18 | Gunma Prefecture | アオコ発生予測と発生防止法 |
CN104318058A (zh) * | 2014-09-25 | 2015-01-28 | 航天科工惯性技术有限公司 | 基于雨量监测的泥石流预警方法 |
CN109657200A (zh) * | 2018-12-05 | 2019-04-19 | 北京师范大学 | 一种确定湖泊水库蓝藻水华爆发几率的方法 |
-
2019
- 2019-12-04 CN CN201911225346.0A patent/CN110991047B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008214942A (ja) * | 2007-03-02 | 2008-09-18 | Gunma Prefecture | アオコ発生予測と発生防止法 |
CN104318058A (zh) * | 2014-09-25 | 2015-01-28 | 航天科工惯性技术有限公司 | 基于雨量监测的泥石流预警方法 |
CN109657200A (zh) * | 2018-12-05 | 2019-04-19 | 北京师范大学 | 一种确定湖泊水库蓝藻水华爆发几率的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110991047B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292436B (zh) | 基于非线性动力学时序模型的蓝藻水华预测方法 | |
CN109738019B (zh) | 一种小型浅水湖泊水生态安全红线预警控制系统及方法 | |
CN110657091B (zh) | 一种循环泵轴承故障诊断方法及系统 | |
CN104590526A (zh) | 船舶节能航行的控制方法及装置 | |
CN115879771B (zh) | 一种养殖池塘溶解氧智能调控方法及系统 | |
CN102928569A (zh) | 城市水体水华监测预警系统及预警方法 | |
US20230237306A1 (en) | Anomaly score adjustment across anomaly generators | |
CN110991047A (zh) | 一种水源地水库蓝藻水华的快速预警方法 | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
CN113053536B (zh) | 一种基于隐马尔科夫模型的传染病预测方法、系统和介质 | |
CN115049281A (zh) | 一种基于气象变化的南美白对虾养殖调控方法及系统 | |
US10909322B1 (en) | Unusual score generators for a neuro-linguistic behavioral recognition system | |
CN116384594B (zh) | 基于大数据分析的作物虫害预警方法、系统、终端及介质 | |
CN113534727A (zh) | 基于人工智能平台的渔船用制冷设备的预警控制系统 | |
CN113609761A (zh) | 一种模型参数的计算方法、装置、设备和存储介质 | |
CN115487589B (zh) | 一种水厂滤池自动过滤控制管理系统 | |
CN106445068A (zh) | 一种基于gpu数据包分类的模糊控制节能方法 | |
CN111274538A (zh) | 一种生食水产品储运过程中质量状态判别方法及系统 | |
CN113924860B (zh) | 联合收获机作业车速调整方法及装置 | |
CN112817949A (zh) | 一种结合双模型和生物等效能量的水华预测方法和装置 | |
CN117391482B (zh) | 一种基于大数据监测的大棚温度智能预警方法及系统 | |
CN117350624B (zh) | 一种基于物联网的物流供应链智能预警系统 | |
CN117612355B (zh) | 一种基于物联网的浮潜标防碰撞破坏系统及方法 | |
CN117092100B (zh) | 一种基于图像处理的水环境间歇抽样检测方法及相关装置 | |
CN114186840A (zh) | 一种远程控制物流食品监测系统 |
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 |