CN112763429A - 一种蓝藻水华的立体监测方法 - Google Patents
一种蓝藻水华的立体监测方法 Download PDFInfo
- Publication number
- CN112763429A CN112763429A CN202011627805.0A CN202011627805A CN112763429A CN 112763429 A CN112763429 A CN 112763429A CN 202011627805 A CN202011627805 A CN 202011627805A CN 112763429 A CN112763429 A CN 112763429A
- Authority
- CN
- China
- Prior art keywords
- bloom
- monitoring
- water
- index
- data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Abstract
一种蓝藻水华的立体监测方法,它涉及环境监测技术领域。本发明针对目前蓝藻水华的监测存在的上述问题,本发明通过对水中生物指标的多维度监测,掌握蓝藻水华动态,建立水面至空中的蓝藻水华立体监测系统,包括现场巡测、视频监测和遥感监测等,分析数据,反映情况。本发明通过遥感、近地面监测、实地监测实时的多维度的多生物指标的监测反应水质水华现象,具有全方位覆盖,及时防治、及时反馈的优点;多维度监测数据的交互校正和分析,为水生态系统的风险预警提供数据记录;判定水华的生态标准体系的建立。本发明应用环境监测领域。
Description
技术领域
本发明涉及环境监测技术领域,尤其是一种蓝藻水华的立体监测方法。
背景技术
我国水体富营养化日益严重,全国大部分淡水湖泊、水库均处于轻度或中度富营养化状态。在一些营养丰富的水体中,由于营养物质难以消化致使营养过剩,蓝藻常于夏季大量繁殖,蓝藻大量繁殖恶化了水中的通风、光照、缺氧,导致水中浮游生物的生长繁殖,从而阻碍水藻的光合作用。减少了鱼类等生物的生存空间,并在水面形成一层蓝绿色而有恶臭味的浮沫,称为“水华”,引起水质恶化。蓝藻水华引起水体生物多样性急剧降低,严重时耗尽水中氧气而造成鱼类的死亡,造成水质的恶性循环。针对这一现状,开发对蓝藻和发生水华现象的水体进行即时监测,对监测数据进行及时的分析及反馈,有助于及时预警并制定有效的治理手段。
目前对蓝藻的监测方法主要包括遥感自动解译技术、质谱技术、荧光定量PCR技术、浮游植物半定量活检法、16S rDNA寡核苷酸探针、显微镜计数法、叶绿素a测定法等。但单一的蓝藻数量监测已不能准确反映庞大的、复杂的水生态系统的动态状况。
而水华的预测大多是基于水体理化参数的实地监测。但这些方法需要工作人员进行现场取样监测,耗时数日,精确性不够,且监测范围受到很大的制约。遥感技术具有大尺度周期性等优点,可实现大范围水质动态分布和变化监测,通过时空分辨率的特征实现实时监测,但目前在图像识别、图像数据预处理、图像数据与目标现象的相关关系的辨别与分析等仍在不断地探索研究中。开发一体化多参数的监测设备及监测站,通过监测数据的获取、整合与分析,可进行实时的预判预警,但此技术对于监测探头的布点选取要求较高,布点数量过多,费用成本高,布点数量过少,增加了误判、漏判的风险。
发明内容
本发明针对目前蓝藻水华的监测存在的上述问题,而提供一种对蓝藻和水华的立体监测方法,通过多维度监测数据的收集和相互校正分析,全面、客观地诊断和反映水质情况,以便及时实行有效的预警和防治。
本发明的一种蓝藻水华的立体监测方法,它是按照以下步骤进行的:
步骤1,根据监测方案频次定期收集蓝藻的数量、生物量、叶绿素a、总磷、总氮、温度和风速的实测数据;从中国气象数据网获取气象数据;生物指标作为生物多样性变化的数据,作为辅助数据预警水华现象发生的风险;
步骤2,利用单因子指数法对蓝藻的数量、叶绿素a、总磷、总氮、温度和风速监测数据指标进行计算,计算公式如下:
Pi=Ci/Ci0
式中,i-具体的指标因子;
Ci-指标因子i的实测数值;
Ci0-指标因子i可能触发风险的阈值;
Pi-指标因子i的指数;
各因子指标阈值如下:当蓝藻数量增值超过1.5×104个/mL,叶绿素浓度>10μg/L,判定为水华爆发;总磷>0.02mg/L,总氮>0.5mg/L,判定为满足蓝藻生长;当营养条件符合水华爆发的营养条件时,水温比常年水温高出0.5℃,将进入水华高风险阶段;风速Pi指数以Ci0/Ci计算;
步骤3,当蓝藻数量和叶绿素浓度的Pi≥1,则判定为已触发风险;当蓝藻数量和叶绿素浓度的Pi<1,对各项指标设置加权系数,计算结果进一步加权处理;
步骤4,利用Logistic回归模型建立加权指数与蓝藻水华爆发的概率关系式,
P(y|P=Pi)=β1P1+β2P2+β3P3+…+βnPn
式中,P(y|P=Pi)定义为水华爆发风险的概率,βn为各项指标设置的加权系数,Pi为各项指标的指数;
步骤5,建立蓝藻水华程度的判定准则及范围,按水华严重程度将水华区域分为五级,分别为:当0≤P(y|P=Pi)<0.25,水华风险为一级;当0.25≤P(y|P=Pi)<0.5,水华风险为二级;当0.5≤P(y|P=Pi)<0.75,水华风险为三级;当0.75≤P(y|P=Pi)<1,水华风险为四级;当P(y|P=Pi)≥1,水华风险为五级;
步骤6,通过视频监测站收集的数据对视频剪辑选取具有图片,并获取图片数据,通过图像识别软件转成光谱特征值,建立分析光谱特征值与水华爆发的因果关系模型,同步校准步骤5的判定结果;
步骤7,获取遥感影像原始数据,对数据进行预处理,建立光谱值与水华爆发的多元回归遥感预警模型,同步校准步骤5与步骤6的结果。
进一步地,步骤1中所述的根据监测方案频次定期收集蓝藻的数量、生物量、叶绿素a、总磷、总氮、温度和风速的实测数据是指监测流域饮用水源地蓝藻上述数据监测在夏季为1次/天,蓝藻水华易发区上述数据监测在夏季为3次/周。
进一步地,生物指标为水生植物、浮游植物、浮游动物、沿岸底栖动物和鱼类。
进一步地,所述的生物指标监测频次为1次/月。
进一步地,步骤7中的预处理是指进行辐射定标、大气校正、云俺膜和裁剪。
进一步地,所述的辐射定标是将传感器记录的数字量化值通过线性关系式转换为绝对辐射亮度值。
进一步地,步骤3中所述的对各项指标设置加权系数,具体为:蓝藻加权系数为0.325,叶绿素加权系数为0.325,总磷加权系数为0.125,总氮加权系数为0.125,水温加权系数为0.075,水温加权系数为0.025。
本发明方案的技术原理:
本发明通过对水中生物指标的多维度监测,掌握蓝藻水华动态,建立水面至空中的蓝藻水华立体监测系统,包括现场巡测、视频监测和遥感监测等,分析数据,反映情况。
监测指标的种类及频次:
流域水生态监测指标包括了最常用的浮游水生挺水植物、浮游动物、沿岸底栖动物、水生植物和鱼类等5大类指标,并重点围绕蓝藻、水生植物和鱼类开展监测。
水生态系统是一个庞大的、复杂的有机体,单一的蓝藻水华及数量监测已不能准确反映水体的生态状况。根据监测方案及水文、气象(降雨、气温差、风速、气压差等)及水质条件(总氮、总磷等水质指标)变化,有针对性的调整监测频次。
(1)蓝藻水华强度是表征流域水生态受损水体的关键指标,为掌握重要水体蓝藻水华状况,重点监测蓝藻数量、生物量及叶绿素a等指标。流域重要饮用水源地蓝藻监测高温季节为1次/天,针对蓝藻水华易发区高温季节为3次/周,其它季节监测频次相应降低。水质总磷、总氮指标的监测与蓝藻水华强度监测频次一致,方便后续的数据分析和模型的建立。
(2)加强浮游植物、浮游动物和沿岸底栖动物物种组成和群落结构的调查,监测频次为1次/月。
(3)组织开展鱼类调查,重点关注鱼类的种类组成及变化。
(4)水生植物,尤其是沉水植物在净化水质、抑制蓝藻水华方面具有极其重要的作用。太湖目前约1/3的水域为水生植物为主导的草型湖区,饮用水源地取水口也基本位于这些水域,迫切需要掌握太湖水生植物分布及变化特征。
监测方式:(1)蓝藻水华强度和水质指标的监测以近地面重要点位(如:重要饮用水源地取水口、冲积扇前、流速减缓的死区/拐角等)设置视频监测站为主,现场巡测为辅。现场巡测则采集水样,通过实验室方法检测蓝藻的数量、生物量及叶绿素a等指标。
(2)浮游植物、浮游动物、沿岸底栖动物、鱼类等生物指标以现场巡测为主,近地面视频监测为辅。通过现场巡测,定期记录生物的数量、种类,分析推演生态系统的多样性变化。
(3)水生挺水植物、蓝藻大量繁殖的动态变化以遥感图像监测为主,视频监测为辅。通过遥感图像数据的变化,建立图像数据波谱与蓝藻数量、水生挺水植物数量等的线性相关关系,及时预测预警,结合视频监测校正校准模型。
本发明包含以下有益效果:
1、通过遥感、近地面监测、实地监测实时的多维度的多生物指标的监测反应水质水华现象,具有全方位覆盖,及时防治、及时反馈的优点;
2、多维度监测数据的交互校正和分析,为水生态系统的风险预警提供数据记录;
3、判定水华的生态标准体系的建立。
附图说明
图1为流域水生态监测指标示意图。
具体实施方式
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面将详细叙述清楚说明本发明所揭示内容的精神,任何所属技术领域技术人员在了解本发明内容的实施例后,当可由本发明内容所教示的技术,加以改变及修饰,其并不脱离本发明内容的精神与范围。
本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
实施例1
步骤1,根据监测方案频次定期收集蓝藻的数量、生物量、叶绿素a、总磷、总氮等实测数据;利用总氮、总磷、叶绿素含量数据初判是否处于符合水华高风险的水体营养状态;气象数据从中国气象数据网获取;水生植物、浮游植物、浮游动物、沿岸底栖动物、鱼类等生物指标作为生物多样性变化的数据,作为辅助数据预警水华现象发生的风险。
步骤2,利用单因子指数法对蓝藻的数量、叶绿素a、总磷、总氮、温度等监测数据指标进行计算,计算公式如下:
Pi=Ci/Ci0
式中,i-具体的指标因子;
Ci-指标因子i的实测数值;
Ci0-指标因子i可能触发风险的阈值;
Pi-指标因子i的指数。
各因子指标阈值如下:当蓝藻数量增值超过1.5*104个/mL,叶绿素浓度>10μg/L,判定为水华爆发;TP>0.02mg/L,TN>0.5mg/L,判定为条件满足蓝藻生长;当营养条件符合水华爆发的营养条件时,水温比常年水温高出0.5℃,将进入水华高风险阶段;而风速对蓝藻水华的触发影响则是相反的,当风速降低,更容易触发水华的发生,因此,风速Pi指数以Ci0/Ci计算。
步骤3,当蓝藻数量和叶绿素浓度的Pi≥1,则判定为已触发风险;当前两项指标Pi<1,根据经验判断,对各项指标设置加权系数,计算结果进一步加权处理,加权系数的设置见表1
表1水华风险预警估算加权系数
蓝藻 | 叶绿素 | TP | TN | 水温 | 风速 |
0.325 | 0.325 | 0.125 | 0.125 | 0.075 | 0.025 |
步骤4,利用Logistic回归模型建立加权指数与蓝藻水华爆发的概率关系式,
P(y|P=Pi)=β1P1+β2P2+β3P3+…+βnPn
式中,P(y|P=Pi)定义为水华爆发风险的概率,βn为各项指标设置的加权系数,Pi为各项指标的指数,即Logistic回归模型建立的是各项指标与风险概率的线性关系。
步骤5,建立蓝藻水华程度的判定准则及范围,按水华严重程度将水华区域分为五级,分别为水华风险一级(0≤P(y|P=Pi)<0.25)、风险二级(0.25≤P(y|P=Pi)<0.5)、风险三级(0.5≤P(y|P=Pi)<0.75)、风险四级(0.75≤P(y|P=Pi)<1)、风险五级(P(y|P=Pi)≥1),级数越高,程度加重。
步骤6,通过视频监测站收集的数据对视频剪辑选取具有代表性的图片数据,通过图像识别软件转成光谱特征值,建模分析光谱特征值与水华爆发的因果关系式,同步校准步骤5的判定结果。
步骤7,获取遥感影像原始数据,对数据进行辐射定标、大气校正、云俺膜、裁剪等预处理。辐射定标是将传感器记录的数字量化值通过线性关系式转换为绝对辐射亮度值。建立光谱值与水华爆发的多元回归遥感预警模型,同步校准步骤5与步骤6的结果。
Claims (7)
1.一种蓝藻水华的立体监测方法,其特征在于它是按照以下步骤进行的:
步骤1,根据监测方案频次定期收集蓝藻的数量、生物量、叶绿素a、总磷、总氮、温度和风速的实测数据;从中国气象数据网获取气象数据;生物指标作为生物多样性变化的数据,作为辅助数据预警水华现象发生的风险;
步骤2,利用单因子指数法对蓝藻的数量、叶绿素a、总磷、总氮、温度和风速监测数据指标进行计算,计算公式如下:
Pi=Ci/Ci0
式中,i-具体的指标因子;
Ci-指标因子i的实测数值;
Ci0-指标因子i可能触发风险的阈值;
Pi-指标因子i的指数;
各因子指标阈值如下:当蓝藻数量增值超过1.5×104个/mL,叶绿素浓度>10μg/L,判定为水华爆发;总磷>0.02mg/L,总氮>0.5mg/L,判定为满足蓝藻生长;当营养条件符合水华爆发的营养条件时,水温比常年水温高出0.5℃,将进入水华高风险阶段;风速Pi指数以Ci0/Ci计算;
步骤3,当蓝藻数量和叶绿素浓度的Pi≥1,则判定为已触发风险;当蓝藻数量和叶绿素浓度的Pi<1,对各项指标设置加权系数,计算结果进一步加权处理;
步骤4,利用Logistic回归模型建立加权指数与蓝藻水华爆发的概率关系式,
P(y|P=Pi)=β1P1+β2P2+β3P3+…+βnPn
式中,P(y|P=Pi)定义为水华爆发风险的概率,βn为各项指标设置的加权系数,Pi为各项指标的指数;
步骤5,建立蓝藻水华程度的判定准则及范围,按水华严重程度将水华区域分为五级,分别为:当0≤P(y|P=Pi)<0.25,水华风险为一级;当0.25≤P(y|P=Pi)<0.5,水华风险为二级;当0.5≤P(y|P=Pi)<0.75,水华风险为三级;当0.75≤P(y|P=Pi)<1,水华风险为四级;当P(y|P=Pi)≥1,水华风险为五级;
步骤6,通过视频监测站收集的数据对视频剪辑选取具有图片,并获取图片数据,通过图像识别软件转成光谱特征值,建立分析光谱特征值与水华爆发的因果关系模型,同步校准步骤5的判定结果;
步骤7,获取遥感影像原始数据,对数据进行预处理,建立光谱值与水华爆发的多元回归遥感预警模型,同步校准步骤5与步骤6的结果。
2.根据权利要求1所述的一种蓝藻水华的立体监测方法,其特征在于步骤1中所述的根据监测方案频次定期收集蓝藻的数量、生物量、叶绿素a、总磷、总氮、温度和风速的实测数据是指监测流域饮用水源地蓝藻上述数据监测在夏季为1次/天,蓝藻水华易发区上述数据监测在夏季为3次/周。
3.根据权利要求1所述的一种蓝藻水华的立体监测方法,其特征在于生物指标为水生植物、浮游植物、浮游动物、沿岸底栖动物和鱼类。
4.根据权利要求1所述的一种蓝藻水华的立体监测方法,其特征在于所述的生物指标监测频次为1次/月。
5.根据权利要求1所述的一种蓝藻水华的立体监测方法,其特征在于步骤7中的预处理是指进行辐射定标、大气校正、云俺膜和裁剪。
6.根据权利要求1所述的一种蓝藻水华的立体监测方法,其特征在于所述的辐射定标是将传感器记录的数字量化值通过线性关系式转换为绝对辐射亮度值。
7.根据权利要求1所述的一种蓝藻水华的立体监测方法,其特征在于步骤3中所述的对各项指标设置加权系数,具体为:蓝藻加权系数为0.325,叶绿素加权系数为0.325,总磷加权系数为0.125,总氮加权系数为0.125,水温加权系数为0.075,水温加权系数为0.025。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011627805.0A CN112763429A (zh) | 2020-12-30 | 2020-12-30 | 一种蓝藻水华的立体监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011627805.0A CN112763429A (zh) | 2020-12-30 | 2020-12-30 | 一种蓝藻水华的立体监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112763429A true CN112763429A (zh) | 2021-05-07 |
Family
ID=75699316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011627805.0A Pending CN112763429A (zh) | 2020-12-30 | 2020-12-30 | 一种蓝藻水华的立体监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112763429A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516373A (zh) * | 2021-06-18 | 2021-10-19 | 中国科学院南京地理与湖泊研究所 | 蓝藻水华防控集成技术体系 |
CN114324796A (zh) * | 2021-12-28 | 2022-04-12 | 中国科学院南京地理与湖泊研究所 | 一种水草上附着丝状藻类水华的预测方法 |
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 |
CN117172411A (zh) * | 2023-09-06 | 2023-12-05 | 江苏省气候中心 | 一种全天候蓝藻水华实时自动判识预警方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655462A (zh) * | 2009-09-11 | 2010-02-24 | 中国科学院地理科学与资源研究所 | 水质信息获取装置、水体富营养化程度识别方法及系统 |
KR20110067964A (ko) * | 2009-12-15 | 2011-06-22 | 연세대학교 산학협력단 | 원격탐사 데이터를 이용한 수질 모니터링 방법 및 이를 이용한 수질 모니터링 장치 |
CN103630238A (zh) * | 2013-11-22 | 2014-03-12 | 中国科学院南京地理与湖泊研究所 | 一种浅水湖泊水面成像光谱采集系统及同步自动监测方法 |
CN107340365A (zh) * | 2017-06-19 | 2017-11-10 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
WO2018214190A1 (zh) * | 2017-06-19 | 2018-11-29 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
US20200264095A1 (en) * | 2019-02-20 | 2020-08-20 | Michigan Technological University | Handheld spectroradiometer system, computer-readable media, and calibration methods |
-
2020
- 2020-12-30 CN CN202011627805.0A patent/CN112763429A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655462A (zh) * | 2009-09-11 | 2010-02-24 | 中国科学院地理科学与资源研究所 | 水质信息获取装置、水体富营养化程度识别方法及系统 |
KR20110067964A (ko) * | 2009-12-15 | 2011-06-22 | 연세대학교 산학협력단 | 원격탐사 데이터를 이용한 수질 모니터링 방법 및 이를 이용한 수질 모니터링 장치 |
CN103630238A (zh) * | 2013-11-22 | 2014-03-12 | 中国科学院南京地理与湖泊研究所 | 一种浅水湖泊水面成像光谱采集系统及同步自动监测方法 |
CN107340365A (zh) * | 2017-06-19 | 2017-11-10 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
WO2018214190A1 (zh) * | 2017-06-19 | 2018-11-29 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
US20200264095A1 (en) * | 2019-02-20 | 2020-08-20 | Michigan Technological University | Handheld spectroradiometer system, computer-readable media, and calibration methods |
Non-Patent Citations (3)
Title |
---|
刘婧文: "基于手机摄像头传感器实时监测水体富养程度研究", 《电子技术与软件工程》 * |
朱玉东等: "太湖蓝藻水华一体化监测系统应用", 《水利信息化》 * |
陈利雄等: "太湖水面照片中蓝藻色调的提取", 《上海海事大学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516373A (zh) * | 2021-06-18 | 2021-10-19 | 中国科学院南京地理与湖泊研究所 | 蓝藻水华防控集成技术体系 |
CN113516373B (zh) * | 2021-06-18 | 2023-07-25 | 中国科学院南京地理与湖泊研究所 | 蓝藻水华防控集成技术体系的构建方法 |
CN114324796A (zh) * | 2021-12-28 | 2022-04-12 | 中国科学院南京地理与湖泊研究所 | 一种水草上附着丝状藻类水华的预测方法 |
CN114324796B (zh) * | 2021-12-28 | 2023-03-10 | 中国科学院南京地理与湖泊研究所 | 一种水草上附着丝状藻类水华的预测方法 |
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 |
CN117172411A (zh) * | 2023-09-06 | 2023-12-05 | 江苏省气候中心 | 一种全天候蓝藻水华实时自动判识预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112763429A (zh) | 一种蓝藻水华的立体监测方法 | |
Brewin et al. | An intercomparison of bio-optical techniques for detecting dominant phytoplankton size class from satellite remote sensing | |
Zhou et al. | Mapping the concentrations of total suspended matter in Lake Taihu, China, using Landsat‐5 TM data | |
Salmaso et al. | Basic guide to detection and monitoring of potentially toxic cyanobacteria | |
Binding et al. | The impact of phytoplankton community composition on optical properties and satellite observations of the 2017 western Lake Erie algal bloom | |
Turlure et al. | Resource‐based habitat definition, niche overlap and conservation of two sympatric glacial relict butterflies | |
Mundava et al. | Evaluation of vegetation indices for rangeland biomass estimation in the Kimberley area of Western Australia | |
CN111007234A (zh) | 一种利用土壤动物监测青藏高原高寒草甸中度退化的方法 | |
CN112903606B (zh) | 一种基于无人机高光谱的红树林生态恢复力评估方法 | |
Winter et al. | Trends in nutrients, phytoplankton, and chloride in nearshore waters of Lake Ontario: Synchrony and relationships with physical conditions | |
CN109214635A (zh) | 一种堆肥腐熟度的评价方法 | |
Stevenson et al. | Use of algae in ecological assessments | |
Liu et al. | Spatial and temporal variations of satellite-derived phytoplankton size classes using a three-component model bridged with temperature in Marginal Seas of the Western Pacific Ocean | |
Kenitz et al. | Environmental and ecological drivers of harmful algal blooms revealed by automated underwater microscopy | |
TWI401214B (zh) | Early Warning Mode and Detection Method of Water Quality Excellent Oxidation | |
Ma et al. | Absorption and scattering properties of water body in Taihu Lake, China: backscattering | |
Liu et al. | Chlorophyll a estimation in lakes using multi-parameter sonde data | |
Guo et al. | Predicting fish species richness and assemblages with climatic, geographic and morphometric factors: A broad-scale study in Chinese lakes | |
Ady et al. | Impacts of land use and climate variability on algal communities since~ 1850 CE in an oligotrophic estuary in northeastern New Brunswick, Canada | |
Cao et al. | Spatial and seasonal variability of chlorophyll a in different-sized lakes across eastern China | |
Hausmann et al. | Seasonal climate inferences from high-resolution modern diatom data along a climate gradient: a case study | |
CN116091944A (zh) | 一种水生植被覆盖度的水生态调查方法 | |
Tanaka et al. | Specific growth rate as a determinant of the carbon isotope composition of the temperate seagrass Zostera marina | |
Otu et al. | Seasonal and inter-annual variability of phytoplankton in central Lake Diefenbaker (Saskatchewan, Canada) proximal to a large commercial aquaculture farm | |
Kent et al. | Voluntary observing ships: A vital marine observing system in decline |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210507 |