CN112817950A - 一种基于藻类生物等效能量模型的水华趋势预估方法和装置 - Google Patents

Abstract

本发明公开了一种基于藻类生物等效能量模型的水华趋势预估方法和装置，所述方法包括：筛选出有效特征样本；定义水华的生物等效能量，获取有效样本中的叶绿素α浓度和藻密度连续数据，进行前后2日平均值修正拟合和随机增长率进行增强型尖角圆滑修正；根据所述日平均值修正数据得到水华趋势的等效势能，根据所述修正后的相对增长率得到水华趋势的等效动能；依据水华的生物等效能量模型，利用水华趋势的等效势能和水华趋势的等效动能，得到生物相对增长能量，进行水华趋势的预估。且本发明提出的生物等效能量模型，对水华形成的过程的数学描述更符合实际且简易通用，使水华趋势预判更加准确，提高了预测方法的适应性。

Description

一种基于藻类生物等效能量模型的水华趋势预估方法和装置

技术领域

本发明涉及水环境预测技术领域(生物-物理-数学建模)，特别是指基于藻类生物等效能量的水华趋势预估方法和装置。

背景技术

目前针对基于时序随机数，例如对水体中藻类水华爆发短期预测较困难,主要原因是要准确预测短期水华的爆发比较困难。因为水体当中的藻类增殖过程非常复杂。尽管很多生物是进行指数增长，例如微囊藻Microcystis，细胞一分为二，二分四……；但是也有一些藻类，如通过藻殖段分裂的丝状蓝藻，以及通过孢子分裂的硅甲藻和绿藻，并不是严格的指数增殖,而是按照一定时间后暴增的高倍指数增长；同时，水体中有增殖的也有不增殖的藻类，在同一水体中受到多种条件的影响，实时的水体整体相对增长率指数极难确定，但都有各自量累积的过程。目前利用神经网络计算繁复，无简易实用有效的方法，且仅至静态稳定湖库短期预测实现，对于目前准确预测湖库河流汇流短期水华的爆发的报道没有发现。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于藻类生物等效能量模型的水华趋势预估方法，模型简单且预测准确，实现通用的更加简易藻类生物整体预测。

本发明采用如下技术方案：

一种基于藻类生物等效能量模型的水华趋势预估方法，包括如下步骤：

利用水质监测数据指标，根据影响水华的因素，筛选出有效特征样本；

定义水华的生物等效能量，获取有效样本中的叶绿素α浓度和藻密度连续数据，进行前后两日平均值修正拟合，过滤平滑数据随机性，得到日平均值修正数据，并采用乘积平方根平滑法对前后两日的叶绿素α浓度和藻密度随机增长率进行修正，得到修正后的相对增长率；

根据所述日平均值修正数据得到水华趋势的等效势能，根据所述修正后的相对增长率得到水华趋势的等效动能，利用水华趋势的等效势能和水华趋势的等效动能计算得出生物等效增长能量；并利用水华形成初始的历史有效等效势能设定预测目标值；

依据水华的生物等效能量模型，利用水华趋势的等效势能和水华趋势的等效动能，进行水华趋势的预估。

具体地，所述影响水华的因素包括但不限于：温度、氮水平和磷水平。

具体地，定义水华的生物等效能量，具体为：

根据爱因斯坦质能公式：

E＝mc²

ΔE＝Δmc²

Δm(t)＝m(t)-m(t-Δt)＝m(t-Δt)r(t)Δt

令：E_b＝m(t-Δt)R(t)

e_b＝m(t-Δt)r(t)

r(t)＝R(t)-1

其中，E为藻类生物能量，m代表质量，c代表光的速度，近似值为3×10^8m/s，R(t)为时序增长率，r(t)为时序相对增长率，定义E_b为单位时间水华等效能量，定义e_b为单位时间水华动势能乘积能量因子，简称生物等效增长能量。

具体地，获取有效样本中的叶绿素α浓度和藻密度连续数据，进行前后两日平均值修正拟合，过滤平滑数据随机性，得到日平均值修正数据，并采用乘积平方根平滑法对前后两日的叶绿素α浓度和藻密度随机增长率进行修正，得到修正后的相对增长率，具体为：

其中，t为自变量，取离散等距整数值：t＝0,1,2,...,单位为小时；x(t)为时序随机数；

为日平均修正值。

增长率R(t)和相对增长率r(t)是t的非单调递增离散函数；

在_Δt时间段里，相对增加量计算为：

其中，t为自变量，取离散等距整数值：t＝0,1,2,...,单位为小时；

为日平均修正值；R(t)为时序增长率，r(t)为时序相对增长率；r′(t)为修正后的相对增长率。

具体地，所述计算相对增长率，还具体包括：

采用增强型平均法+乘积平方根平滑法对叶绿素α浓度和藻密度随机增长率进行修正，得到相对增长率；

增长率R(t)和相对增长率r(t)是t的非单调递增离散函数；

对增长率R(t)进行日平均值修正，具体为：

其中r′(t)为修正后得到的相对增长率。

具体地，根据所述日平均值修正数据得到水华趋势的等效势能，根据所述修正后的相对增长率得到水华趋势的等效动能，利用水华趋势的等效势能和水华趋势的等效动能计算得出生物等效增长能量；具体包括：

e_k＝r′(t)

e_b＝e_p×e_k

E_b＝e_p×(e_k+1)

其中e_p为水华趋势的等效势能，e_k为水华趋势的等效动能；e_b为生物等效增长能量,E_b为生物等效能量。

具体地，所述依据水华的生物等效能量模型，利用水华趋势的等效势能和水华趋势的等效动能，进行水华趋势的预估，具体为：

根据水华的生物等效增长能量判断水华后续发展的整体趋势，大于0即水华趋势向上发展，小于0即水华趋势向下发展；

根据水华的生物等效能量在平均值曲线的上下位置判断水华后续发展的整体趋势，位于上方并稳定扩大与平均值的差值即水华趋势向上发展，位于下方并稳定扩大与平均值的差值，即水华趋势向下发展。

具体地，所述方法用于梯级拦坝的湖库汇流。

本发明另一方面提供一种水华趋势能量预估的装置，包括如下：

数据筛选模块：利用水质监测数据指标，根据影响水华的因素，筛选出有效特征样本；

修正模块：定义水华的生物等效能量，获取有效样本中的叶绿素α浓度和藻密度连续数据，进行前后两日平均值修正拟合，过滤平滑数据随机性，得到日平均值修正数据，并采用乘积平方根平滑法对前后两日的叶绿素α浓度和藻密度随机增长率进行修正，得到修正后的相对增长率；

等效能获取模块：根据所述日平均值修正数据得到水华趋势的等效势能，根据所述修正后的相对增长率得到水华趋势的等效动能，利用水华趋势的等效势能和水华趋势的等效动能计算得出生物等效增长能量；并利用水华形成初始的历史有效等效势能设定预测目标值；

预估模块：利用生物等效增长能量，进行水华趋势的预估。

由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：

本发明提出的进行前后两日平均值修正拟合，过滤平滑数据随机性，得到日平均值修正数据，并采用乘积平方根平滑法对前后两日的叶绿素α浓度和藻密度随机增长率进行修正，以及提出的生物等效能量模型，是从数学物理生物本质上进行计算，实现了各种复杂神经网络算法对时序随机数平滑、对曲线尖角难以处理的目标，是时序连续随机数平滑、尖角圆滑的通用型简易算法模型。另外，本发明对各种环境基于时序随机数的整体发展过程的描述更符合实际，使基于随机数的预测结果更加准确，提高了预测方法的准确性，对时序随机数整体预测计算有极大的参考价值,为预测计算随机数尖角圆滑，避免后续预测计算超越方程无解或过拟合，提供了新思路，具有一定的社会效益。

附图说明

图1为本发明的流程图；

图2为以某上游带11级梯级湖库的汇流断面叶绿素α和蓝藻连续23日生物等效能量相对增长率的示意图，其中图2(a)为叶绿素，图2(b)蓝藻。

具体实施方式

以下通过具体实施方式对本发明作进一步的描述。

输入时序连续随机数，确定单位时间；利用前后单位平均法，滤波平滑前后2日平均值修正数据得到水华趋势的等效势能e_p；利用前后单位平均法，滤波前后2日平均值日增长率；根据乘积平方根法圆角平滑相对增长率得到水华趋势的等效动能e_k，结合水华的生物等效能量模型，利用水华趋势的势能和水华趋势的动能，计算生物等效增长能量e_b，利用水华形成初始的历史有效等效势能设定预测目标值，进行水华趋势预估；输出拟合数，与原随机数一起，可视化形成拟合曲线。评价判断：当e_b>0为上升趋势，表明水华存在上升爆发趋势；当e_b<0为下降趋势，表明水华为下降趋势，不存在爆发趋势。根据水华的生物等效能量在平均值曲线的上下位置判断水华后续发展的整体趋势，位于上方并稳定扩大与平均值的差值即水华趋势向上发展，位于下方并稳定扩大与平均值的差值，即水华趋势向下发展。

如图1是本发明实施例提供的一种基于藻类生物等效能量模型的水华趋势预估方法的流程图，具体步骤为：

S101：利用水质监测数据指标，根据影响水华的因素，筛选出有效特征样本；

获取厦门江东水质监测数据，温度、氮水平和磷水平是导致浮游植物群落变化的重要影响因素，共选取了33413条有效数据来分析叶绿素α浓度和藻密度相应的水华趋势，本实施例中选取梯级拦坝的湖库汇流。

S102：定义水华的生物等效能量，获取有效样本中的叶绿素α浓度和藻密度连续数据，进行前后两日平均值修正拟合，过滤平滑数据随机性，得到日平均值修正数据，并采用乘积平方根平滑法对前后两日的叶绿素α浓度和藻密度随机增长率进行修正，得到修正后的相对增长率；

根据爱因斯坦在狭义相对论中提出的著名的质能公式：E＝mc²(E代表能量，m代表质量，c代表光的速度，近似值为3×10^8m/s)，说明能量可以用减少质量的方法转换，也可以通过吸收能量的方法转换为质量。藻类生物(biological)的能量简称生物能E_b，来自阳光和其他能量，与氮磷等无机盐一起，通过生物化学合成，其能量变化的表述与宇宙能量相似，是其自身物质的变化。

根据爱因斯坦质能公式：

E＝mc²

ΔE＝Δmc²

Δm(t)＝m(t)-m(t-Δt)＝m(t-Δt)r(t)Δt

令：E_b＝m(t-Δt)R(t)

e_b＝m(t-Δt)r(t)

r(t)＝R(t)-1

其中，E为藻类生物能量，m代表质量，c代表光的速度，近似值为3×10^8m/s，R(t)为时序增长率，r(t)为时序相对增长率，定义E_b为单位时间水华等效能量，定义e_b为单位时间水华动势能乘积能量因子，简称生物等效增长能量。

获取有效样本中的叶绿素α浓度和藻密度连续数据，进行前后两日平均值修正拟合，过滤平滑数据随机性，得到日平均值修正数据，具体为：

其中，t为自变量，取离散等距整数值：t＝0,1,2,...,单位为小时；x(t)为时序随机数；

为日平均修正值；

现有技术中，常用的平均值修正方法通常是求取前一日的平均值，这样得出的平均值较实际值存在明显的滞后，滞后时间大致为一日，影响后续的预测效果，在本发明实施例中采取的是前后两日平均值的拟合，很好的解决了修正平均值的滞后问题，且较为准确。

由于数据均为随机的时序数据，各时刻的数据较为随机，如果用于后续计算必须进行平滑修正，这里采用的是乘积平方根平滑法；采用乘积平方根平滑法对前后两日的叶绿素α浓度和藻密度随机增长率进行修正，得到修正后的相对增长率，具体为:

增长率R(t)和相对增长率r(t)是t的非单调递增离散函数；

在_Δt时间段里，相对增加量计算为：

其中，t为自变量，取离散等距整数值：t＝0,1,2,...,单位为小时；

为日平均修正值；r(t)为时序相对增长率；r′(t)为修正后的相对增长率；

或，采用增强型平均法+乘积平方根平滑法对叶绿素α浓度和藻密度随机增长率进行修正，得到相对增长率，具体包括：

增长率R(t)和相对增长率r(t)是t的非单调递增离散函数；

对增长率R(t)进行日平均值修正，具体为：

其中r′(t)为修正后得到的相对增长率；

从生物等效相对能量增长率的公式推理可知，e_b＝m(t-Δt)r(t)，r(t)为时序相对增长率，m(t-Δt)为t-Δt时刻的质量；根据上述计算得到的

为日平均修正值,r′(t)为修正后的相对增长率；

S103：根据所述日平均值修正数据得到水华趋势的等效势能，根据所述修正后的相对增长率得到水华趋势的等效动能，利用水华趋势的等效势能和水华趋势的等效动能计算得出生物等效增长能量；并利用水华形成初始的历史有效等效势能设定预测目标值；

e_k＝r′(t)

e_b＝e_p×e_k

E_b＝e_p×(e_k+1)

其中e_p为等效势能，e_k为等效动能；也即生物能量的等效相对增长率，e_b为生物等效增长能量,E_b为生物等效能量。

S104：利用生物等效增长能量，进行水华趋势的预估。

当e_b>0为上升趋势，表明水华存在上升爆发趋势；当e_b<0为下降趋势，表明水华为下降趋势，不存在爆发趋势。根据水华的生物等效相对能量增长率判断水华后续发展的整体趋势，大于0即水华趋势向上发展，小于0即水华趋势向下发展。

根据水华的生物等效能量在平均值曲线的上下位置判断水华后续发展的整体趋势，位于上方并稳定扩大与平均值的差值即水华趋势向上发展，位于下方并稳定扩大与平均值的差值，即水华趋势向下发展。

S105：输出拟合数，与原随机数一起，可视化形成拟合曲线。

实施例中，将连续随机数，前后两日平均值，生物等效能量，生物等效能量增长率均可视化形成拟合曲线。

如图2，为本发明专利水华趋势能量计算举例说明及实现的可视化曲线模型，以某上游带11级梯级湖库的汇流断面叶绿素α和蓝藻连续23日生物等效能量相对增长率的示意图。其中图2(a)为叶绿素α，图2(b)为蓝藻；如图2(a)图中还示出了叶绿素α的连续随机数，叶绿素α前后两日平均值，叶绿素α生物等效能量，叶绿素α生物等效增长能量，从图中可以看出当叶绿素α生物等效增长能量大于0时，叶绿素α前后两日平均值以及叶绿素α生物等效能量均是上升趋势，表明有出现水华的趋势或趋势下降，当叶绿素α生物等效增长能量小于0时，叶绿素α前后两日平均值以及叶绿素α生物等效能量均是下降趋势，表明无水华趋势，这说明通过叶绿素α生物等效能量增长率能够较为准确地预估出水华的趋势；同样，如图2(b)图中还示出了蓝藻的连续随机数，蓝藻前后两日平均值，蓝藻生物等效能量，蓝藻生物等效增长能量，从图中可以看出当蓝藻生物等效增长能量大于0时，蓝藻前后两日平均值以及蓝藻生物等效能量均是上升趋势，表明有出现水华的趋势，当蓝藻生物等效增长能量小于0时，蓝藻前后两日平均值以及蓝藻生物等效能量均是下降趋势，表明有无水华趋势或趋势下降，这说明通过蓝藻生物等效能量增长率能够较为准确地预估出水华的趋势。根据水华的生物等效能量在平均值曲线的上下位置判断水华后续发展的整体趋势，位于上方并稳定扩大与平均值的差值即水华趋势向上发展，位于下方并稳定扩大与平均值的差值，即水华趋势向下发展。

本发明实施例还提供一种水华趋势能量预估的装置，包括如下：

数据筛选模块：利用水质监测数据指标，根据影响水华的因素，筛选出有效特征样本；

修正模块：定义水华的生物等效能量，获取有效样本中的叶绿素α浓度和藻密度连续数据，进行前后两日平均值修正拟合，过滤平滑数据随机性，得到日平均值修正数据，并采用乘积平方根平滑法对前后两日的叶绿素α浓度和藻密度随机增长率进行修正，得到修正后的相对增长率；

等效能获取模块：根据所述日平均值修正数据得到水华趋势的等效势能，根据所述修正后的相对增长率得到水华趋势的等效动能，利用水华趋势的等效势能和水华趋势的等效动能计算得出生物等效增长能量；并利用水华形成初始的历史有效等效势能设定预测目标值；

预估模块：利用生物等效增长能量，进行水华趋势的预估。

本发明提出的进行前后两日平均值修正拟合，过滤平滑数据随机性，得到日平均值修正数据，并采用乘积平方根平滑法对前后两日的叶绿素α浓度和藻密度随机增长率进行修正，以及提出的生物等效能量模型，是从本质上进行计算，实现了各种复杂神经网络算法对时序随机数平滑、对曲线尖角难以处理的目标，是时序连续随机数平滑、尖角圆滑的通用型简易算法模型。另外，本发明对各种环境基于时序随机数的整体发展过程的描述更符合实际，使基于随机数的预测结果更加准确，提高了预测方法的准确性，对时序随机数整体预测计算有极大的参考价值,为预测计算随机数尖角圆滑，避免后续预测计算超越方程无解或过拟合，提供了新思路，具有一定的社会效益。

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (9)

1.一种基于藻类生物等效能量模型的水华趋势预估方法，其特征在于，包括如下步骤：

利用水质监测数据指标，根据影响水华的因素，筛选出有效特征样本；

定义水华的生物等效能量，获取有效样本中的叶绿素α浓度和藻密度连续数据，进行前后两日平均值修正拟合，过滤平滑数据随机性，得到日平均值修正数据，并采用乘积平方根平滑法对前后两日的叶绿素α浓度和藻密度随机增长率进行修正，得到修正后的相对增长率；

根据所述日平均值修正数据得到水华趋势的等效势能，根据所述修正后的相对增长率得到水华趋势的等效动能，利用水华趋势的等效势能和水华趋势的等效动能计算得出生物等效增长能量；并利用水华形成的初始历史有效等效势能设定预测目标值；

利用生物等效增长能量，进行水华趋势的预估。

2.根据权利要求1所述的一种基于藻类生物等效能量定义的水华趋势能量预估方法，其特征在于，所述影响水华的因素包括但不限于：温度、氮水平和磷水平。

3.根据权利要求1所述的一种基于藻类生物等效能量定义的水华趋势能量预估方法，其特征在于，定义水华的生物等效能量，具体为：

根据爱因斯坦质能公式：

E＝mc²

ΔE＝Δmc²

Δm(t)＝m(t)-m(t-Δt)＝m(t-Δt)r(t)Δt

令：E_b＝m(t-Δt)R(t)

e_b＝m(t-Δt)r(t)

r(t)＝R(t)-1

其中，E为藻类生物能量，m代表质量，c代表光的速度，近似值为3×10^8m/s，R(t)为时序增长率，r(t)为时序相对增长率，定义E_b为单位时间水华等效能量，定义e_b为单位时间水华动势能乘积能量因子，称生物等效增长能量。

4.根据权利要求1所述的一种基于藻类生物等效能量定义的水华趋势能量预估方法，其特征在于，获取有效样本中的叶绿素α浓度和藻密度连续数据，进行前后两日平均值修正拟合，过滤平滑数据随机性，得到日平均值修正数据，并采用乘积平方根平滑法对前后两日的叶绿素α浓度和藻密度随机增长率进行修正，得到修正后的相对增长率，具体为：

其中，t为自变量，取离散等距整数值：t＝0,1,2,...,单位为小时；x(t)为时序随机数；

为日平均修正值。

增长率R(t)和相对增长率r(t)是t的非单调递增离散函数；

在Δt时间段里，相对增加量计算为：

其中，t为自变量，取离散等距整数值：t＝0,1,2,...,单位为小时；

为日平均修正值；R(t)为时序增长率，r(t)为时序相对增长率；r′(t)为修正后的相对增长率。

5.根据权利要求4所述的一种基于藻类生物等效能量定义的水华趋势能量预估方法，其特征在于，所述计算相对增长率，还具体包括：

采用增强型平均法+乘积平方根平滑法对叶绿素α浓度和藻密度随机增长率进行修正，得到相对增长率；

增长率R(t)和相对增长率r(t)是t的非单调递增离散函数；

对增长率R(t)进行日平均值修正，具体为：

其中r′(t)为修正后得到的相对增长率。

6.根据根据权利要求5所述的一种基于藻类生物等效能量定义的水华趋势能量预估方法，其特征在于，根据所述日平均值修正数据得到水华趋势的等效势能，根据所述修正后的相对增长率得到水华趋势的等效动能，利用水华趋势的等效势能和水华趋势的等效动能计算得出生物等效增长能量；具体包括：

e_k＝r′(t)

e_b＝e_p×e_k

E_b＝e_p×(e_k+1)

其中：e_p为水华趋势的等效势能，e_k为水华趋势的等效动能；e_b为生物等效增长能量,E_b为生物等效能量。

7.根据权利要求6所述的一种基于藻类生物等效能量定义的水华趋势能量预估方法，其特征在于，利用生物等效增长能量，进行水华趋势的预估，具体为：

根据水华的生物等效增长能量判断水华后续发展的整体趋势，大于0即水华趋势向上发展，小于0即水华趋势向下发展；

根据水华的生物等效能量在平均值曲线的上下位置判断水华后续发展的整体趋势，位于上方并稳定扩大与平均值的差值即水华趋势向上发展，位于下方并稳定扩大与平均值的差值，即水华趋势向下发展。

8.根据权利要求1所述的基于藻类生物等效能量定义的水华趋势能量预估方法，其特征在于，所述方法用于梯级拦坝的湖库汇流。

9.一种水华趋势能量预估的装置，其特征在于，包括如下：

数据筛选模块：利用水质监测数据指标，根据影响水华的因素，筛选出有效特征样本；

修正模块：定义水华的生物等效能量，获取有效样本中的叶绿素α浓度和藻密度连续数据，进行前后两日平均值修正拟合，过滤平滑数据随机性，得到日平均值修正数据，并采用乘积平方根平滑法对前后两日的叶绿素α浓度和藻密度随机增长率进行修正，得到修正后的相对增长率；

等效能获取模块：根据所述日平均值修正数据得到水华趋势的等效势能，根据所述修正后的相对增长率得到水华趋势的等效动能，利用水华趋势的等效势能和水华趋势的等效动能计算得出生物等效增长能量；并利用水华形成初始的历史有效等效势能设定预测目标值；

预估模块：利用生物等效增长能量，进行水华趋势的预估。

Images