CN112417649B - 一种联合营养盐基准制定方法、装置、设备及存储介质 - Google Patents

一种联合营养盐基准制定方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112417649B
CN112417649B CN202011164786.2A CN202011164786A CN112417649B CN 112417649 B CN112417649 B CN 112417649B CN 202011164786 A CN202011164786 A CN 202011164786A CN 112417649 B CN112417649 B CN 112417649B
Authority
CN
China
Prior art keywords
management target
nutrient salt
quantile regression
quantile
index
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.)
Expired - Fee Related
Application number
CN202011164786.2A
Other languages
English (en)
Other versions
CN112417649A (zh
Inventor
梁中耀
裘钱玲琳
徐耀阳
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.)
Institute of Urban Environment of CAS
Original Assignee
Institute of Urban Environment of CAS
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 Institute of Urban Environment of CAS filed Critical Institute of Urban Environment of CAS
Priority to CN202011164786.2A priority Critical patent/CN112417649B/zh
Publication of CN112417649A publication Critical patent/CN112417649A/zh
Application granted granted Critical
Publication of CN112417649B publication Critical patent/CN112417649B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书一个或多个实施例提供一种联合营养盐基准制定方法、装置、设备及存储介质，该方法包括：确定目标水体的管理目标、管理目标指标以及管理目标指标的目标水平；由多个预设的备选分位数回归模型中选取最佳分位数回归模型；其中，备选分位数回归模型以多种营养盐指标作为预测变量；根据管理目标指标的目标水平及最佳分位数回归模型，确定目标水体的联合营养盐基准。通过构建备选分位数回归模型，考虑多种营养盐指标对目标水体的管理目标指标的效应以及不同营养盐指标对管理目标指标的交互作用，最后基于分位数回归模型获得联合营养盐基准，克服了现有技术中忽视不同营养盐指标共同或交互作用的问题，使得建立的营养盐基准可靠性更强。

Description

一种联合营养盐基准制定方法、装置、设备及存储介质
技术领域
本说明书一个或多个实施例涉及生态环境保护技术领域，尤其涉及一种联合营养盐基准制定方法、装置、设备及存储介质。
背景技术
水体营养盐基准为连接水质目标和流域措施的重要纽带，其准确性和科学性对水体富营养化防治的成效有很多大影响。当前，我国最常用的水体营养盐基准制定方法为压力-响应模型，具有如下两个特点：1)模型主要用于表征单一营养盐指标与管理目标之间的关系；2)模型主要用于表征营养盐指标与管理目标指标平均水平的关系，即采用均值回归方法建立压力-响应模型。
此外，现有的营养盐基准制定技术存在如下两个方面的局限性。一方面，采用单一营养盐指标与管理目标指标之间的压力-响应关系建立的营养盐基准，忽视了氮和磷对管理目标的共同或交互作用，严重影响了营养盐基准的可靠性。另一方面，采用均值回归方法建立的营养盐基准，只能保证管理目标指标的均值达标，而无法保证管理目标在采用分位数法进行评价时能否达标。因而，当前的营养盐制定方法与管理目标指标的达标评价方法存在不匹配的问题。
发明内容
有鉴于此，本说明书一个或多个实施例的目的在于提出一种联合营养盐基准制定方法、装置、设备及存储介质，以解决现有技术中针对单一营养盐基准忽视了氮和磷对管理目标指标的共同或交互作用，以及当前的营养盐基准制定方法与管理目标指标的达标评价方法存在不匹配的问题。
基于上述目的，本说明书一个或多个实施例第一方面提供了一种联合营养盐基准制定方法，所述方法包括：确定目标水体的管理目标、管理目标指标以及管理目标指标的目标水平；由多个预设的备选分位数回归模型中选取最佳分位数回归模型；其中，所述备选分位数回归模型以多种营养盐指标作为预测变量；根据所述管理目标指标的目标水平及所述最佳分位数回归模型，确定所述目标水体的联合营养盐基准。
可选地，所述由多个预设的备选分位数回归模型中选取最佳分位数回归模型，包括：确定所述目标水体的管理目标指标的回归分位数；获取所述目标水体的营养盐监测数据和管理目标指标监测数据；根据所述营养盐监测数据和管理目标指标监测数据对所有的备选分位数回归模型进行参数估计；采用Wald检验法或者信息准则对所有的备选分位数回归模型进行筛选，确定所述最佳分位数回归模型。
可选地，所述确定所述目标水体的管理目标指标的回归分位数，包括：根据所述管理目标指标的超标概率阈值确定所述目标水体的管理目标指标的回归分位数。
可选地，所述方法还包括：以多种营养盐指标作为预测变量，基于各营养盐指标对所述管理目标指标的影响采用分位数回归方法，建立备选分位数回归模型。
可选地，所述分位数回归方法包括线性分位数回归方法、非线性分位数回归方法、加性分位数回归方法和分位数回归森林中的一种。
可选地，所述方法还包括：根据营养盐指标的种类选取对应的等值线图以展示所述目标水体的联合营养盐基准。
可选地，所述方法还包括：根据所述目标水体的联合营养盐基准，制定所述目标水体的富营养化防治策略。
基于相同的目的，本说明书一个或多个实施例第二方面提供了一种联合营养盐基准制定装置，所述装置包括：目标水体确定模块，用于确定目标水体的管理目标、管理目标指标以及管理目标指标的目标水平；最佳分位数回归模型选取模块，用于由多个预设的备选分位数回归模型中选取最佳分位数回归模型；其中，所述备选分位数回归模型以多种营养盐指标作为预测变量；联合营养盐基准确定模块，用于根据所述管理目标指标的目标水平及所述最佳分位数回归模型，确定所述目标水体的联合营养盐基准。
可选地，所述最佳分位数回归模型选取模块，包括：回归分位数确定单元，用于确定所述目标水体的管理目标指标的回归分位数；监测数据获取单元，用于获取所述目标水体的营养盐监测数据和管理目标指标监测数据；参数估计单元，用于根据所述营养盐监测数据和管理目标指标监测数据对所有的备选分位数回归模型进行参数估计；最佳分位数回归模型确定单元，用于采用Wald检验法或者信息准则对所有的备选分位数回归模型进行筛选，确定所述最佳分位数回归模型。
可选地，回归分位数确定单元具体用于根据所述管理目标指标的超标概率阈值确定所述目标水体的管理目标指标的回归分位数。
可选地，所述装置还包括备选分位数回归模型建立模块，用于以多种营养盐指标作为预测变量，基于各营养盐指标对所述管理目标指标的影响采用分位数回归方法，建立备选分位数回归模型。
可选地，所述分位数回归方法包括线性分位数回归方法、非线性分位数回归方法、加性分位数回归方法和分位数回归森林中的一种。
可选地，所述装置还包括联合营养盐基准展示模块，用于根据营养盐指标的种类选取对应的等值线图以展示所述目标水体的联合营养盐基准。
可选地，所述装置还包括富营养化防治策略制定模块，用于根据所述目标水体的联合营养盐基准，制定所述目标水体的富营养化防治策略。
基于相同的目的，本说明书一个或多个实施例第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本说明书第一方面任意一项所述的方法。
基于相同的目的，本说明书一个或多个实施例第四方面提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行本说明书第一方面任一所述方法。
从上面所述可以看出，本说明书一个或多个实施例提供的联合营养盐基准制定方法、装置、设备及存储介质，首先确定目标水体的管理目标指标的目标水平，然后确定以多种营养盐指标作为预测变量的最佳分位数回归模型，最后将目标水体的管理目标指标的目标水平带入最佳分位数回归模型中，获得目标水体的联合营养盐基准。通过以多种营养盐指标作为预测变量构建备选分位数回归模型，考虑多种营养盐指标对目标水体的管理目标指标的效应以及不同营养盐指标对管理目标指标的交互作用，最后基于分位数回归模型获得联合营养盐基准，克服了现有技术中忽视不同营养盐指标共同或交互作用的问题，使得建立的营养盐基准可靠性更强。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本说明书一个或多个实施例，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为本说明书一个或多个实施例提供的联合营养盐基准制定方法的流程示意图；
图2为本说明书一个或多个实施例提供的以二维等值线图展示管理目标的联合营养盐水平的示例性示意图；
图3为本说明书一个或多个实施例提供的联合营养盐基准制定装置的结构示意图；
图4为本说明书一个或多个实施例提供的一种更为具体的电子设备硬件结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
水体营养盐基准通常根据营养盐与水质管理目标指标(例如，叶绿素a浓度)之间的压力-响应关系获得，营养盐基准为保证水质管理的目标指标在特定水平时的营养盐浓度；同时水体营养盐基准为流域层面的污染防治提供了定量目标。可见，水体营养盐基准为连接水质目标和流域措施的重要纽带，其准确性和科学性对水体富营养化防治的成效有很多大影响。
当前，我国最常用的水体营养盐基准制定方法为压力-响应模型，具有如下两个特点：
1)模型主要用于表征单一营养盐与管理目标之间的关系。早期的相关研究多集中在对磷基准浓度的探索，因而通常根据磷与管理目标响应关系建立磷浓度基准。随着研究的深入，研究者逐渐认识到氮对水体富营养化的限制性作用；尽管当前研究通常同时建立磷和氮的营养盐基准，但是由于这些基准是分开建立的，即根据单一种类或形态的营养盐指标与管理目标的单一压力-响应关系推导获得各自种类或形态的营养盐基准，因而这些营养盐基准仍为单一营养盐基准。
2)模型主要用于表征营养盐与管理目标指标平均水平的关系，即采用均值回归方法建立压力-响应模型。当前，常用的压力-响应模型包括线性回归模型、广义加性模型、分类与回归树和随机森林等，这些方法均为表征预测变量(营养盐指标)与响应变量(管理目标指标)的平均水平关系的方法。
此外，现有的营养盐基准制定技术存在如下两个方面的局限性。一方面，在水体中氮和磷可能同时对管理目标(例如，叶绿素a浓度)具有限制性作用，即氮和磷可能共同限制管理目标的水平；氮和磷对于管理目标可能具有交互作用。显然，单一营养盐基准忽视了氮和磷对管理目标的共同作用，严重影响了单一营养盐基准的可靠性。另一方面，国际上对于水质管理目标指标的达标评价通常采用分位数方法，即通过比较管理目标的特定分位数值与标准值来确定水体是否达标；该方法能够给出管理目标超标概念的定量信息。例如美国环境保护署推荐使用水质指标监测值的特定分位数(例如90％分位数)是否超过标准值作为水体是否达标的依据。然而，采用均值回归方法建立的营养盐基准，只能保证管理目标指标的均值达标，而无法保证管理目标指标在采用分位数法进行评价时能否达标。因而，当前的营养盐制定方法与管理目标指标的达标评价方法存在不匹配的问题。
为了解决上述问题，本说明书提供了一种联合营养盐基准制定方法、装置、设备及存储介质，首先确定目标水体的管理目标指标的目标水平，然后确定以多种营养盐指标作为预测变量的最佳分位数回归模型，最后将目标水体管理目标指标的目标水平带入最佳分位数回归模型中，获得目标水体的联合营养盐基准。该方法或装置可以应用于智能手机、平板电脑、计算机等各种电子设备，具体不做限定。
为了便于理解，下面结合附图对该联合营养盐基准制定方法进行详细说明。
图1为本说明书提供的联合营养盐基准制定方法的流程示意图，该方法包括：
S11、确定目标水体的管理目标、管理目标指标以及管理目标指标的目标水平；
S12、由多个预设的备选分位数回归模型中选取最佳分位数回归模型；其中，备选分位数回归模型以多种营养盐指标作为预测变量；
S13、根据管理目标指标的目标水平及最佳分位数回归模型，确定目标水体的联合营养盐基准。
本实施例中，目标水体指进行需要制定联合营养盐基准以用于后续制定富营养化防治策略的水体；目标水体可以是单一水体，也可以是区域水体，具体不做限定。管理目标指水体富营养化防治目的的定性表述，例如，可以是恢复沉水植被、降低浮游藻类生物量、保护鱼类群落等，具体不做限定。管理目标指标指可以将管理目标定量化的指标，例如，沉水植被盖度、叶绿素a浓度、鱼类群落多样性指数等，具体不做限定。管理目标指标的目标水平指根据水体富营养化防治需要，设定的管理目标指标应达到的定量水平。营养盐包括与水体富营养化相关的不同种类或不同形态的氮和磷，例如，总氮、氨氮、硝态氮、总磷和生物有效磷等，具体不做限定。多种营养盐指标可以包括多个种类的营养盐指标，也可以包括同一种类多种形态的营养盐指标；不同营养盐指标可以包括不同种类的营养盐指标，也可以包括同一种类不同形态的营养盐指标；单一营养盐指标是指特定形态的某种营养盐指标。
联合营养盐基准为根据包括多种营养盐指标作为预测变量的分位数回归模型建立的营养盐基准。在特定的管理目标指标的目标水平下，联合营养盐基准表现为多种营养盐指标之间的定量关系，而非特定的值；故而，联合营养盐基准本质上是不同营养盐指标之间的定量关系。
在实际应用中，根据水体富营养化防治需要，可以参考水体污染防治的规划目标设定管理目标指标应达到的定量水平。例如，设定某湖泊的叶绿素a浓度的目标值为60μg/L，即为叶绿素a浓度的目标水平。
确定目标水体的管理目标指标的目标水平，并选取最佳分位数回归模型后，将管理目标指标的目标水平代入最佳分位数回归模型中，即可得到目标水体的联合营养盐基准，即得到多种营养盐指标之间的定量关系。
关于选取最佳分位数回归模型的过程后续将会进行详细说明，在此不再赘述。
可以理解的是，通过以多种营养盐指标作为预测变量构建备选分位数回归模型，考虑多种营养盐指标对目标水体的管理目标指标的效应以及不同营养盐指标对管理目标指标的交互作用，最后基于分位数回归模型获得联合营养盐基准，克服了现有技术中忽视不同营养盐指标共同或交互作用的问题，使得建立的营养盐基准可靠性更强。
在实际应用中，基于不同种类或不同形态营养盐指标是否存在交互作用及其作用的表达形式，将会预先建立多个备选分位数回归模型，根据不同的管理目标指标的不同由多个备选分位数回归模型中选取最佳分位数回归模型。则，在一些可能的实施方案中，由多个预设的备选分位数回归模型中选取最佳分位数回归模型，包括：确定目标水体的管理目标指标的回归分位数；获取目标水体的营养盐监测数据和管理目标指标监测数据；根据营养盐监测数据和管理目标指标监测数据对所有的备选分位数回归模型进行参数估计；采用Wald检验法或者信息准则对所有的备选分位数回归模型进行筛选，确定最佳分位数回归模型。
本实施例中，回归分位数指分位数回归中所需确定的响应变量的特定分位数；即回归分位数指分位数回归中所需确定的管理目标指标的特定分位数。选取回归分位数时应与管理目标指标的达标评价方法一致。营养盐监测数据和管理目标指标监测数据可以为水质监测站的周期性监测数据，例如，可以为每两周、每月、每两个月或每季度的监测数据，具体不做限定。
一种情况下，可以参考现有的关于水质指标的超标概率的规定，确定管理目标指标的回归分位数。考虑到我国目前尚未推广分位数水质标准，可以参考国外的研究案例，例如，参考美国环境保护署推荐的水质指标的超标概率不超过10％，则对于叶绿素a浓度的评价应选择90％分位数，因而对应的分位数回归模型的回归分位数应确定为0.9。
一种情况下，还可以根据管理目标指标的超标概率阈值确定目标水体的管理目标指标的回归分位数；即可以根据能够接受的管理目标指标的最大超标概率来确定目标水体的管理目标指标的回归分位数。
确定管理目标指标的回归分位数后，根据获取的营养盐监测数据和管理目标指标监测数据对预先建立的所有备选分位数回归模型进行参数估计；对备选分位数回归模型进行参数估计时可以采用单纯形法、最小化非对称形式的绝对值残差和贝叶斯估计法等，具体不做限定。
对备选分位数进行参数估计后，可以采用Wald检验法或者信息准则对备选分位数回归模型进行筛选，兼顾分位数回归模型对营养盐监测数据和管理目标指标监测数据的拟合效果和分位数回归模型的复杂程度，由所有备选分位数回归模型中确定最佳分位数回归模型。
可以理解的是，通过基于管理目标指标的回归分位数选取最佳分位数回归模型，能够更加准确的获取不同回归分位数的需求下，不同营养盐之间的定量关系。
在一些可能的实施方式中，该方法还包括：以多种营养盐指标作为预测变量，基于各营养盐指标对管理目标指标的影响采用分位数回归方法，建立备选分位数回归模型。
本实施例中，多种营养盐指标可以包括多个种类的营养盐指标，也可以包括同一种类多种形态的营养盐指标，具体不做限定。
建立备选分位数回归模型时，应该考虑构建的分位数回归模型是否应该包含多种营养盐指标的交互作用，以及营养盐指标作用的表达形式(例如采用线性分位数回归模型时，是否需要考虑截距项)；故而，建立备选分位数回归模型时，涵盖了多种营养盐指标对管理目标指标的共同或交互影响。
采用分位数回归方法旨在建立响应变量管理目标指标的特定分位数与预测变量营养盐指标之间的定量响应关系，通过选择特定的回归分位数即可获得特定分位数下管理目标指标和营养盐指标之间的定量关系，并进一步推导出特定管理目标指标水平下的联合营养盐基准；当目标水体达到联合营养盐基准时，即可保证管理目标指标的达标率即为回归分位数，而超标概率即为(1－回归分位数)。例如，回归分位数为90％时，当目标水体的营养盐指标浓度恰好为联合营养盐基准时，则管理目标指标的超标概率即为10％；当目标水体的营养盐指标浓度优于联合营养盐基准时，则管理目标指标的超标概率低于10％。
采用的分位数回归方法为线性分位数回归方法、非线性分位数回归方法、加性分位数回归方法和分位数回归森林中的一种；在实际应用中，可以针对不同的案例地、营养盐指标种类及形态、管理目标指标或回归分位数采用不同的分位数回归方法。在选取分位数回归方法时，可以首先采用加性分位数回归方法对响应关系进行探索性分析，若线性关系较好则可简化为线性模型，否则应采用其它非线性方法。
可以理解的是，采用分位数回归方法，构建分位数回归模型，最后建立面向管理目标特定分位数(而非均值)的营养盐基准，使得营养盐基准和管理目标达标评价之间更加契合，同时能够定量化联合营养盐基准实现的情景下管理目标的超标概率，以更好地为水体富营养化防治提供定量信息。
在实际应用中，由于分位数回归模型中同时包括多个营养盐指标作为预测变量，故而在某一管理目标指标的目标水平下无法获得特定营养盐指标的基准值，而是不同营养盐指标的基准值之间存在的特定的关系；则，在一些可能的实施方式中，该方法还包括：根据营养盐指标的种类选取对应的等值线图以展示目标水体的联合营养盐基准。
选取等值线图时以营养盐指标的种类或形态为依据，当营养盐指标种类或形态为两种时，可采用二维等值线图展示，此时两个种类或形态的营养盐指标分别在x、y轴；当营养盐指标种类或形态为三种时，可采用三维等值线图形式展示，此时三个种类或形态的营养盐指标分别在x、y、z轴；当营养盐指标种类或形态多于三种时，则需设定特定种类或形态的营养盐指标的值，采用条件等值线图来展示其它营养盐指标的基准值。等值线对应的即为管理目标指标的目标水平。在实际应用中，最常见的联合营养盐基准为确定某种特定形态的氮和磷的基准，二维等值线图最为实用：二维等值线图以一种营养盐为横坐标，另一种营养盐为纵坐标，图中的等值线表示管理目标的特定水平。
可以理解的是，通过采用等值线图展示联合营养盐基准，能够准确明了的揭示不同营养盐指标之间的定量关系。
在一些可能的实施方式中，该方法还包括：根据目标水体的联合营养盐基准，制定目标水体的富营养化防治策略；以达到对目标水体的富营养化有效防治的效果。
下述以对两种营养盐基准的制定过程为例进行详细说明。
首先，建立备选分位数回归模型，以线性分位数回归模型为例，结果如
表1所示：
Figure BDA0002745412230000101
表1。
其中，y表示管理目标指标，x1、x2分别表示两种营养盐指标，f(x)表示特定营养盐指标的线性函数，“－1”表示不含截距项。
需要注意的是，构建的备选分位数回归模型中包括单一营养盐模型，这意味着除被选中的营养盐指标外，其它营养盐指标对管理目标指标没有影响，此时只需建立单一营养盐基准即可满足管理需求。
然后，确定水体的管理目标指标的目标水平，即某湖泊的叶绿素a浓度的目标水平为60μg/L。
再次，确定叶绿素a浓度的回归分位数为0.9，基于该回归分位数确定表1中模型2为最佳分位数回归模型。
最后，将叶绿素a浓度的目标水平60μg/L代入模型2中，获取联合营养盐基准，即两种营养盐指标之间的定量关系，并以二维等值线图展示联合营养盐基准，如图2所示。
将叶绿素a浓度的目标水平60μg/L代入模型2中得到x1和x2之间存在如下关系：f1(x1)+f2(x2)+f3(x1·x2)-60＝0。
上述关系展示了联合营养盐基准本质上是不同营养盐指标之间的定量关系，营养盐基准的变化会彼此影响，反映了不同营养盐指标对管理目标指标的共同或交互效应。
图2中横、纵坐标分别为总氮(TN)、总磷(TP)浓度。等值线表示叶绿素a浓度为60μg/L，其中红色曲线、蓝色直线分别表示回归分位数(τ)为0.7、0.9。曲线表示两种营养盐指标间存在交互作用，直线表示不存在交互作用。对于不同的回归分位数需要重新确定最佳模型，因而对于同一案例地的管理目标在不同回归分位数时，两种营养盐指标之间的作用不同。
由此可见，本说明书提供的联合营养盐基准制定方法能够与管理目标达标评价方法相匹配，使得营养盐基准能够反映不同营养盐指标对管理目标的交互作用，以期为水体富营养化防治提供可靠的依据。
需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述任意实施例方法相对应的，本说明书一个或多个实施例还提供了一种联合营养盐基准制定装置。
参考图3，所述联合营养盐基准制定装置，包括：目标水体确定模块31，用于确定目标水体的管理目标、管理目标指标以及管理目标指标的目标水平；最佳分位数回归模型选取模块32，用于由多个预设的备选分位数回归模型中选取最佳分位数回归模型；其中，备选分位数回归模型以多种营养盐指标作为预测变量；联合营养盐基准确定模块33，用于根据管理目标指标的目标水平及最佳分位数回归模型，确定目标水体的联合营养盐基准。
在一种可能的实施方式中，最佳分位数回归模型选取模块32，包括：回归分位数确定单元，用于确定目标水体的管理目标指标的回归分位数；监测数据获取单元，用于获取目标水体的营养盐监测数据和管理目标指标监测数据；参数估计单元，用于根据营养盐监测数据和管理目标指标监测数据对所有的备选分位数回归模型进行参数估计；最佳分位数回归模型确定单元，用于采用Wald检验法或者信息准则对所有的备选分位数回归模型进行筛选，确定最佳分位数回归模型。
作为一种实施方式，回归分位数确定单元具体用于根据管理目标指标的超标概率阈值确定目标水体的管理目标指标的回归分位数。
在一种可能的实施方式中，装置还包括备选分位数回归模型建立模块(图中未示出)，用于以多种营养盐指标作为预测变量，基于各营养盐指标对管理目标指标的影响采用分位数回归方法，建立备选分位数回归模型。
作为一种实施方式，分位数回归方法包括线性分位数回归方法、非线性分位数回归方法、加性分位数回归方法和分位数回归森林中的一种。
在一种可能的实施方式中，装置还包括联合营养盐基准展示模块(图中未示出)，用于根据营养盐指标的种类选取对应的等值线图以展示目标水体的联合营养盐基准。
作为一种实施方式，装置还包括富营养化防治策略制定模块(图中未示出)，用于根据目标水体的联合营养盐基准，制定目标水体的富营养化防治策略。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的联合营养盐基准制定方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的联合营养盐基准制方法。
图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的联合营养盐基准制方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的联合营养盐基准制方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的联合营养盐基准制方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种联合营养盐基准制定方法，其特征在于，所述方法包括：
确定目标水体的管理目标、管理目标指标以及管理目标指标的目标水平；其中，所述管理目标指标为可以将管理目标定量化的指标，所述管理目标指标的目标水平为根据水体富营养化防治需要，设定的管理目标指标应达到的定量水平；
由多个预设的备选分位数回归模型中选取最佳分位数回归模型；其中，所述备选分位数回归模型以多种营养盐指标作为预测变量，所述最佳分位数回归模型由分位数回归模型对营养盐监测数据和管理目标指标监测数据的拟合效果和分位数回归模型的复杂程度确定；
根据所述管理目标指标的目标水平及所述最佳分位数回归模型，确定所述目标水体的联合营养盐基准；其中，所述联合营养盐基准为根据包括多种营养盐指标作为预测变量的分位数回归模型建立的营养盐基准。
2.根据权利要求1所述的联合营养盐基准制定方法，其特征在于，所述由多个预设的备选分位数回归模型中选取最佳分位数回归模型，包括：
确定所述目标水体的管理目标指标的回归分位数；
获取所述目标水体的营养盐监测数据和管理目标指标监测数据；
根据所述营养盐监测数据和管理目标指标监测数据对所有的备选分位数回归模型中进行参数估计；
采用Wald检验法或者信息准则对所有的备选分位数回归模型进行筛选，确定所述最佳分位数回归模型。
3.根据权利要求2所述的联合营养盐基准制定方法，其特征在于，所述确定所述目标水体的管理目标指标的回归分位数，包括：
根据所述管理目标指标的超标概率阈值确定所述目标水体的管理目标指标的回归分位数。
4.根据权利要求1所述的联合营养盐基准制定方法，其特征在于，所述方法还包括：
以多种营养盐指标作为预测变量，基于各营养盐指标对所述管理目标指标的影响采用分位数回归方法，建立备选分位数回归模型。
5.根据权利要求4所述的联合营养盐基准制定方法，其特征在于，所述分位数回归方法包括线性分位数回归方法、非线性分位数回归方法、加性分位数回归方法和分位数回归森林中的一种。
6.根据权利要求1所述的联合营养盐基准制定方法，其特征在于，所述方法还包括：
根据营养盐指标的种类选取对应的等值线图以展示所述目标水体的联合营养盐基准。
7.根据权利要求1所述的联合营养盐基准制定方法，其特征在于，所述方法还包括：
根据所述目标水体的联合营养盐基准，制定所述目标水体的富营养化防治策略。
8.一种联合营养盐基准制定装置，其特征在于，所述装置包括：
目标水体确定模块，用于确定目标水体的管理目标、管理目标指标以及管理目标指标的目标水平；其中，所述管理目标指标为可以将管理目标定量化的指标，所述管理目标指标的目标水平为根据水体富营养化防治需要，设定的管理目标指标应达到的定量水平；
最佳分位数回归模型选取模块，用于由多个预设的备选分位数回归模型中选取最佳分位数回归模型；其中，所述备选分位数回归模型以多种营养盐指标作为预测变量，所述最佳分位数回归模型由分位数回归模型对营养盐监测数据和管理目标指标监测数据的拟合效果和分位数回归模型的复杂程度确定；
联合营养盐基准确定模块，用于根据所述管理目标指标的目标水平及所述最佳分位数回归模型，确定所述目标水体的联合营养盐基准；其中，所述联合营养盐基准为根据包括多种营养盐指标作为预测变量的分位数回归模型建立的营养盐基准。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1至7任一所述方法。
CN202011164786.2A 2020-10-27 2020-10-27 一种联合营养盐基准制定方法、装置、设备及存储介质 Expired - Fee Related CN112417649B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011164786.2A CN112417649B (zh) 2020-10-27 2020-10-27 一种联合营养盐基准制定方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011164786.2A CN112417649B (zh) 2020-10-27 2020-10-27 一种联合营养盐基准制定方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112417649A CN112417649A (zh) 2021-02-26
CN112417649B true CN112417649B (zh) 2022-09-09

Family

ID=74841128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011164786.2A Expired - Fee Related CN112417649B (zh) 2020-10-27 2020-10-27 一种联合营养盐基准制定方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112417649B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723307B (zh) * 2022-04-20 2024-10-22 自然资源部第三海洋研究所 基于分位数法的风暴潮灾害重点防御区选划方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473463A (zh) * 2013-09-17 2013-12-25 中国环境科学研究院 一种定量确定湖泊流域水体氮磷背景浓度的方法
CN111241476A (zh) * 2020-01-06 2020-06-05 中国海洋大学 一种获得区域性河口营养物基准值的方法
US10783442B1 (en) * 2016-12-19 2020-09-22 Amazon Technologies, Inc. Demand forecasting via direct quantile loss optimization

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11003733B2 (en) * 2016-12-22 2021-05-11 Sas Institute Inc. Analytic system for fast quantile regression computation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473463A (zh) * 2013-09-17 2013-12-25 中国环境科学研究院 一种定量确定湖泊流域水体氮磷背景浓度的方法
US10783442B1 (en) * 2016-12-19 2020-09-22 Amazon Technologies, Inc. Demand forecasting via direct quantile loss optimization
CN111241476A (zh) * 2020-01-06 2020-06-05 中国海洋大学 一种获得区域性河口营养物基准值的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刁晓君等.基于生态分区的我国湖泊营养盐控制目标研究.《环境科学》.2013,(第05期), *
华祖林等.基于门限极值理论的湖泊水质参照状态的确定.《中国环境科学》.2014,(第12期), *
武亚男等.长江口无机氮和活性磷酸盐水质基准研究.《海洋与湖沼》.2020,(第05期), *
焦珂伟等.松花江流域营养盐的空间分布及污染等级评价.《农业环境科学学报》.2015,(第04期), *

Also Published As

Publication number Publication date
CN112417649A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
Ehbrecht et al. Global patterns and climatic controls of forest structural complexity
Osorio‐Olvera et al. Relationships between population densities and niche‐centroid distances in North American birds
Kalyuzhny et al. Niche versus neutrality: a dynamical analysis
Cayuela et al. Ecological and biogeographic null hypotheses for comparing rarefaction curves
CN109767038A (zh) 农作物产量预测方法、装置及计算机可读存储介质
Wakamatsu The impact of MSC certification on a Japanese certified fishery
McMahon et al. A general model of intra‐annual tree growth using dendrometer bands
Barros et al. N‐dimensional hypervolumes to study stability of complex ecosystems
Taylor et al. Considerations on spatial crop load mapping
CA2848392C (en) Method and apparatus for sorting lidar data
CN108151679A (zh) 一种土地面积测量的方法及系统
Francis et al. Shifting regimes and changing interactions in the Lake Washington, USA, plankton community from 1962–1994
CN110826173A (zh) 一种土壤水分数据获取方法、系统、存储介质及设备
CN112417649B (zh) 一种联合营养盐基准制定方法、装置、设备及存储介质
Osawa et al. Bagging GLM: improved generalized linear model for the analysis of zero-inflated data
CN113300792B (zh) 一种用于极弱射频干扰的标记方法、系统和存储介质
CN110580217A (zh) 软件代码健康度的检测方法、处理方法、装置及电子设备
CN109859057A (zh) 一种农田数据处理方法、服务器及存储介质
Borz et al. Application and accuracy of smart technologies for measurements of roundwood: Evaluation of time consumption and efficiency
Pennino et al. Effects of environmental data temporal resolution on the performance of species distribution models
CN109582834B (zh) 数据风险预测方法及装置
Pringle Robust prediction of time-integrated NDVI
CN111612376B (zh) 基于城市水质指数的数据处理方法及装置
Henry et al. Quantifying carbon sequestration on sheep grazing land in Australia for life cycle assessment studies
Dharmawan et al. Tsunami tide prediction in shallow water using recurrent neural networks: Model implementation in the Indonesia Tsunami Early Warning System

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220909