CN113642268B - 一种河流水华预测方法及系统 - Google Patents
一种河流水华预测方法及系统 Download PDFInfo
- Publication number
- CN113642268B CN113642268B CN202110801002.0A CN202110801002A CN113642268B CN 113642268 B CN113642268 B CN 113642268B CN 202110801002 A CN202110801002 A CN 202110801002A CN 113642268 B CN113642268 B CN 113642268B
- Authority
- CN
- China
- Prior art keywords
- concentration
- chlorophyll
- model
- determining
- river
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 229930002868 chlorophyll a Natural products 0.000 claims abstract description 102
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims abstract description 102
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 82
- 241000192710 Microcystis aeruginosa Species 0.000 claims abstract description 72
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 40
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims abstract description 24
- 229910052698 phosphorus Inorganic materials 0.000 claims abstract description 24
- 239000011574 phosphorus Substances 0.000 claims abstract description 24
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 20
- 238000004088 simulation Methods 0.000 claims description 45
- 238000005457 optimization Methods 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 29
- 235000015097 nutrients Nutrition 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 150000003839 salts Chemical class 0.000 claims description 10
- 230000005791 algae growth Effects 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 9
- 230000012010 growth Effects 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 5
- 101000666171 Homo sapiens Protein-glutamine gamma-glutamyltransferase 2 Proteins 0.000 claims description 4
- 102100038095 Protein-glutamine gamma-glutamyltransferase 2 Human genes 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 241001127714 Amomum Species 0.000 claims 1
- 238000012851 eutrophication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000004044 response Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000010219 correlation analysis Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004062 sedimentation Methods 0.000 description 4
- 241000195493 Cryptophyta Species 0.000 description 3
- 241001137846 Shorea almon Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 241000192700 Cyanobacteria Species 0.000 description 1
- 239000005422 algal bloom Substances 0.000 description 1
- 230000006907 apoptotic process Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Genetics & Genomics (AREA)
- General Health & Medical Sciences (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种河流水华预测方法及系统。所述方法，包括：获取目标河流在上一时刻的叶绿素a的浓度；采用阿尔蒙分布时滞模型确定目标河流在当前时刻的滞后时长；滞后时长包括叶绿素a的浓度对各关键影响因素的滞后时长；关键影响因素包括水文站点间的水位差、水温、总氮浓度和总磷浓度；确定当前时刻各关键影响因素的输入数据集；输入数据集包括当前时刻对应的关键影响因素的值和相应的滞后时长对应的关键影响因素的值；将上一时刻的叶绿素a的浓度和所有关键影响因素的输入数据集输入河流水华预测模型中，得到当前时刻的叶绿素a的浓度；当前时刻的叶绿素a的浓度用于确定当前时刻是否发生水华。本发明能提高河流水华的预测精度。
Description
技术领域
本发明涉及水华预测领域，特别是涉及一种河流水华预测方法及系统。
背景技术
河流水生态保护修复是水环境治理的重点方向，是水生态文明建设、水环境治理体系和治理能力现代化建设的重要需求。河流生态系统受到气候变化、水污染、生境破坏和闸坝影响等多因素的叠加作用，其变化存在明显的累积性、复合性和滞后性，导致河流水生态退化成因不明、演变机制不清，急需突破一批河流水生态科学诊断、精准模拟和系统调控关键技术，科技助力国家长江、黄河等重点流域生态保护修复国家战略。
水华(Algal Blooms)是水体处于极度富营养化的状态，一般情况下是因为水体的极度富营养状态使得浮游植物过度生长，从而使生态系统失衡。通常水华容易发生在湖泊和水库等封闭水体，在流动性较强的大江大河十分罕见。然而，气候变化与人类活动影响程度的加强，国内外许多大型河流也相继暴发水华事件。河流型水华暴发的影响因素复杂多样，同时具有一定的累积性、复合性和时间滞后性，如何综合考虑各影响要素及其时间滞后影响特点，是当前水生态模拟预测领域的难点与热点。
目前，河流型水华暴发的模拟预测模型多是由适用于湖泊、水库水华的模型衍生而来，主要包括基于简单相关分析与回归分析建立的经验模型、单一营养盐负荷性模型、基于限制因子的浮游植物生长模型、基于机器学习等计算机技术的人工智能模型与生态动力学模型等，但其在众多要素影响下复杂河流型水华暴发的应用中局限较大。此外，目前多数河流型水华暴发模拟预测的研究中，多数集中于浮游植物与其影响因素的即时响应关系，水华暴发对其影响因素的时间滞后响应研究有限，且研究方法多是简单的交叉相关分析，在当前河流型水华暴发机理并不是很明确的情况下，其解释能力并不是十分理想。
当前河流型水华暴发的模拟预测方法多是基于湖库等相对静态水体的水华模型研究衍生而来，其在大型河流水文条件中的适用性有待进一步验证，模拟预测精度通常存在较大误差。此外，河流型水华暴发与湖库型水华暴发的关键影响因素不同，通常河流型水华暴发受到水文、水质、气象等多方面因素的影响，尤其受河流水文情势影响较大，较湖库型水华暴发机理更加复杂，因此上述方法并不能科学阐明河流型水华暴发的机理。
河流水生态退化过程与水质的变化相比，通常存在较大的时间滞后性和累积性，即水文与水质的变化并不能立刻对河流藻类产生直接的影响，现有技术未将河流水华暴发对影响因素(气候、水文、水质)的时间滞后响应考虑在内。受到浮游植物生长、繁殖、凋亡、沉降等过程及营养物质转化、循环等过程的影响，水华暴发不是对其影响因素的即时响应，而是存在一定的滞后时长，因此，未考虑水华暴发对各影响要素的时滞效应，也会影响河流水华的预测模拟精度。
综上，现有的河流水华预测方法的预测精度有待提升。
发明内容
基于此，本发明实施例提供一种河流水华预测方法及系统，以提高河流水华的预测精度。
为实现上述目的，本发明提供了如下方案：
一种河流水华预测方法，包括：
获取目标河流在上一时刻的叶绿素a的浓度；
采用阿尔蒙分布时滞模型确定所述目标河流在当前时刻的滞后时长；所述滞后时长包括叶绿素a的浓度对各关键影响因素的滞后时长；所述关键影响因素包括水文站点间的水位差、水温、总氮浓度和总磷浓度；
确定当前时刻各所述关键影响因素的输入数据集；所述输入数据集包括当前时刻对应的关键影响因素的值和相应的滞后时长对应的关键影响因素的值；
将上一时刻的叶绿素a的浓度和所有关键影响因素的输入数据集输入河流水华预测模型中，得到当前时刻的叶绿素a的浓度；所述当前时刻的叶绿素a的浓度用于确定当前时刻是否发生水华。
可选的，所述河流水华预测模型的确定方法为：
确定各历史时刻的关键影响因素；
采用阿尔蒙分布时滞模型确定在各历史时刻的滞后时长；
对于任意一个历史时刻，确定所述历史时刻各所述关键影响因素的历史数据集；所述历史数据集包括历史时刻对应的关键影响因素的值和相应的滞后时长对应的关键影响因素的值；
构建非线性模拟模型；
将所述历史数据集和对应的各历史时刻的叶绿素a的浓度输入所述非线性模拟模型中，采用优化算法确定所述非线性模拟模型的模型参数；
将所述模型参数确定后的非线性模拟模型确定为河流水华预测模型。
可选的，所述确定各历史时刻的关键影响因素，具体包括：
确定各历史时刻的表征因素和影响因素；所述表征因素为叶绿素a的浓度；所述影响因素包括水文影响因素、气象影响因素和水质影响因素；所述水文影响因素包括河流的流量、流速和水文站点间的水位差；所述气象影响因素包括风速、相对湿度、降水和气温；所述水质影响因素包括总磷浓度和总氮浓度；
由各历史时刻的表征因素构建参考序列，由各历史时刻的影响因素构建比较序列；一个影响因素对应一个比较序列；
计算所述参考序列与各所述比较序列的关联度；
对所述关联度由大到小进行排序，并选取前四个关联度的比较序列对应的影响因素为关键影响因素。
可选的，所述采用阿尔蒙分布时滞模型确定在各历史时刻的滞后时长，具体包括：
构建每一个关键影响因素的时间滞后影响模型；所述时间滞后影响模型表征叶绿素a的浓度与所述关键影响因素的不同滞后时长之间的关系；
采用多项式分布滞后法和线性回归法估计所述时间滞后影响模型中的模型系数，得到模型系数估计值；
将所述模型系数估计值代入所述时间滞后影响模型，由所述时间滞后影响模型输出的叶绿素a的浓度的估计值和叶绿素a的浓度的实测值确定叶绿素a的浓度对所述关键影响因素的滞后时长。
可选的，所述将所述模型系数估计值代入所述时间滞后影响模型，由所述时间滞后影响模型输出的叶绿素a的浓度的估计值和叶绿素a的浓度的实测值确定叶绿素a的浓度对所述关键影响因素的滞后时长，具体包括：
将所述模型系数估计值和所述关键影响因素在当前迭代次数下的滞后时长对应的历史数据集输入所述时间滞后影响模型；
计算叶绿素a的浓度的实测值与所述时间滞后影响模型输出的叶绿素a的浓度的估计值之间的相关系数，得到当前迭代次数下的相关系数；
判断所述当前迭代次数下的相关系数与上一代次数下的相关系数的差值是否处于设定范围内；
若是，则将上一迭代次数下的滞后时长确定为叶绿素a的浓度对所述关键影响因素的滞后时长；
若否，则更新滞后时长后，进行下一次迭代。
可选的，所述非线性模拟模型，具体为：
PHYT(t)＝G(t)PHYT(t-1)；
其中，G(t)＝Gmax[G(y)+G(w)+γG(h)]-D1-D2，
G(h)＝-1.3761(Δh)3+39.777(Δh)2-379Δh+1193.9，
PHYT(t)为t时刻的叶绿素a的浓度，PHYT(t-1)为t-1时刻的叶绿素a的浓度，G(t)为叶绿素a的浓度的变化率，Gmax为叶绿素a的浓度的最大增长率，γ为水文影响因素对叶绿素a的浓度的变化率的影响系数，G(y)为营养盐对变化率的影响函数，G(h)为水位对变化率的影响函数，Δh为水文站点间的水位差，KmN为藻类生长摄氮的m氏常数，KmP为藻类生长摄磷的m氏常数，G(w)为水温对变化率的影响函数，θ1c为温度系数，D1为浮游植物沉降速率，D2为浮游植物死亡速率，TN为总氮浓度，TP为总磷浓度，T为水温。
可选的，所述采用优化算法确定所述非线性模拟模型中的模型参数，具体包括：
采用遗传算法确定所述非线性模拟模型中的模型参数。
可选的，所述采用遗传算法确定所述非线性模拟模型中的模型参数，具体包括：
根据当前优化迭代次数下，所述非线性模拟模型输出的各历史时刻的叶绿素a的浓度和对应的叶绿素a的浓度的实际值，确定当前优化迭代次数的事件次数；所述事件次数包括水华暴发事件预报命中次数、水华暴发事件误报次数、水华暴发事件漏报次数以及水华暴发事件在实际与模型预报中均未发生的次数；
由所述当前优化迭代次数的事件次数计算当前优化迭代次数的适应度值；
判断所述适应度值是否满足终止条件或当前优化迭代次数是否达到最大预设迭代次数；
若是，则将当前优化迭代次数下的模型参数确定为所述非线性模拟模型的最优模型参数；
若否，则更新当前优化迭代次数下的模型参数后，进行下一次优化迭代。
可选的，所述适应度值的计算公式为：
其中，Nrandom＝(NA+NB)*(NA+NC)/(NA+NB+NC+ND)，ETS表示适应度值，NA表示水华暴发事件预报命中次数，NB表示水华暴发事件误报次数，NC表示水华暴发事件漏报次数，ND表示水华暴发事件在实际与模型预报中均未发生的次数，Nrandom表示随机次数。
本发明还提供了一种河流水华预测系统，包括：
数据获取模块，用于获取目标河流在上一时刻的叶绿素a的浓度；
滞后时长确定模块，用于采用阿尔蒙分布时滞模型确定所述目标河流在当前时刻的滞后时长；所述滞后时长包括叶绿素a的浓度对各关键影响因素的滞后时长；所述关键影响因素包括水文站点间的水位差、水温、总氮浓度和总磷浓度；
输入数据确定模块，用于确定当前时刻各所述关键影响因素的输入数据集；所述输入数据集包括当前时刻对应的关键影响因素的值和相应的滞后时长对应的关键影响因素的值；
水华预测模块，用于将上一时刻的叶绿素a的浓度和所有关键影响因素的输入数据集输入河流水华预测模型中，得到当前时刻的叶绿素a的浓度；所述当前时刻的叶绿素a的浓度用于确定当前时刻是否发生水华。
与现有技术相比，本发明的有益效果是：
本发明实施例提出了一种河流水华预测方法及系统，考虑了滞后时长，采用阿尔蒙分布时滞模型确定目标河流在当前时刻的滞后时长；所述滞后时长包括叶绿素a的浓度对各关键影响因素的滞后时长；其中，关键影响因素的选取上特别考虑了水位差这一水文因素，关键影响因素包括水文站点间的水位差、水温、总氮浓度和总磷浓度；将上一时刻的叶绿素a的浓度和当前时刻根据滞后时长确定的关键影响因素的输入数据集输入河流水华预测模型中，得到当前时刻的叶绿素a的浓度，从而确定当前时刻是否发生水华。本发明在关键影响因素的选取上考虑了水文要素，因此适用于对大型流动河流水体的水华预测，利用阿尔蒙分布时滞模型，确定了水华暴发对各关键影响因素的滞后时长，在水华预测中考虑了滞后时长，能够有效提高河流水华的预测精度，使河流水华预测更加切实可行，从而为环保和水利部门进行河流水华预警提供技术支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的河流水华预测方法的流程图；
图2为本发明实施例提供的河流水华预测方法实验验证结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
从河流水华暴发特征识别和成因分析手段来看，由于上世纪60年代末和70年代初的数学统计和智能算法还不完善，富营养化发生过程和多要素相互作用机理尚不明确，早期模型研究多是建立在大量实测水文、水环境及水生态监测数据基础上，通过简单相关性和回归分析建立的经验模型用于模拟总磷浓度与叶绿素a(Chl-a)的浓度之间的关系，并得出相关的富营养化经验公式。
最早的水体富营养化数学模型是1968年沃伦韦德首次提出，通过长期实测数据资料观察和分析，利用经验公式定量描述了水中磷、氮及要求的营养状况的负荷准则(营养物负荷概念)，建立了可以表征湖库水体中蓝绿藻和磷负荷之间响应关系的富营养化经验模型。该模型假定水体混合均匀、限制性营养盐单一，其公式相对简单，所需数据量较少，适合对湖泊及水库的营养盐变化进行长期预测或对水体营养状况进行总体评价，是世界上应用最为广泛的富营养化模型之一。随后，各国研究人员对模型进行了校修正，如狄龙(Dillon)于1974年发现了磷的滞留系数R以及沉降率Kp之间存在较好的关联，进一步改进和简化了该模型，提升了模型精度。此类经验方法参数较少，具备一定物理机制，计算简便，多用于水体富营养化和水华暴发初期定性或半定量识别研究。
除了与单一营养盐负荷建立的经验模型外，一些基于限制因子的藻类生长动态模型也得到了开发和应用，例如使用较为广泛的有Monod方差和Droop方程，其主要适用于以磷为主要限制因子的水体；基于光合作用的浮游植物估算模型，包括早期开发的M-M方程、生物-光化学模型等，多是基于建立藻类光合作用于营养盐因子的经验关系而开发的计算方法，并在河流水华模拟初期也得到了一些广泛应用。
随着上世纪末计算机技术的迅速发展，人工智能算法相对于线性回归和经验公式法具备更强大的处理非线性问题的能力；因此在解决大型河流水华等复杂问题时，一些学者尝试引入多种人工智能算法来增加对河流水生态系统变化过程的了解，例如应用BP神经网络建立了多要素输入与单要素输出的响应关系，在湖泊和水库富营养化的模拟效果较好。BP神经网络是一种按照误差逆向传播算法训练的多层前馈的学习网络，网络神经元权值的大小随着网络对训练样本的变化不断地调整和自我学习，不断提高整个网络对训练样本特征的反应灵敏度和精确度。BP神经网络的最大优点在于能够在短时间内学习和贮存大量输入输出模式映射，不需要知道这些映射关系的数学表达式，通过训练样本反向传播调节网络的权值和阀值，来达到网络的误差平方和最小的目的。
此外，生态动力学模型是将水动力和生态过程进行了关联，并考虑了多个子系统之间的内在相互作用过程。早期的藻类生态模型多数是基于箱式水质模型的应用和发展；Jorgensen等1976年提出了具有基本营养物质循环的概念的浮游动物生态模型(Glusm)为基础，通过将主要营养盐元素与浮游植物等建立内部联系，从机制上初步模拟了水华的发生过程。然而，水质模型也逐渐从仅能模拟某一种污染物逐渐发展成为能够综合考虑水体中的悬浮物、底泥释放、多种有机和无机营养物质等多种变量，并进一步发展成为能够描述浮游动植物生消过程与光照、气温和营养物质等相互作用关系的综合水质模型。2000年以后，随着计算机性能和3S技术的大幅度提升，湖泊富营养化模型与水动力和水质模型耦合更加紧密，一些大型综合模型在国外已经开发成商业软件并得到广泛应用。
但是，在以上的模拟预测方法中，很少考虑水华暴发对影响要素的时间滞后响应。水生态过程通常与环境因子存在一定的非线性特征和时间滞后效应，这与降雨径流和污染物水质的直接响应存在着较大的差异。时滞(Time Lag)效应通常指因变量与自变量之间存在一定时间滞后的响应关系。在河流水华研究中，时滞效应是指浮游植物在受到环境驱动因素的刺激后，延迟生长的现象。自然界中，浮游植物的生长分为两种情况，一是体内不会积累营养物质，浮游植物的生长与对营养物质的吸收是紧密结合在一起的，因此它们会对营养物质的刺激产生迅速的应激生长反应；另一种浮游植物不是这种生长模式，它们有能力在体内积累大量的营养物质，并且进行着复杂的转化与吸收，这一过程的时间通常超过24小时，称之为浮游植物生长对环境要素的时间滞后响应。目前，多位学者通过研究确定了水华暴发中时滞效应的存在，并通过交叉相关分析定性或半定量化的进行了研究，但河流水华预测的精确度仍有待提高。
图1为本发明实施例提供的河流水华预测方法的流程图。
参见图1，本实施例的河流水华预测方法，包括：
步骤101：获取目标河流在上一时刻的叶绿素a的浓度。
步骤102：采用阿尔蒙分布时滞模型确定所述目标河流在当前时刻的滞后时长；所述滞后时长包括叶绿素a的浓度对各关键影响因素的滞后时长；所述关键影响因素包括水文站点间的水位差、水温、总氮浓度和总磷浓度。
步骤103：确定当前时刻各所述关键影响因素的输入数据集；所述输入数据集包括当前时刻对应的关键影响因素的值和相应的滞后时长对应的关键影响因素的值。
步骤104：将上一时刻的叶绿素a的浓度和所有关键影响因素的输入数据集输入河流水华预测模型中，得到当前时刻的叶绿素a的浓度；所述当前时刻的叶绿素a的浓度用于确定当前时刻是否发生水华。
其中，所述河流水华预测模型的确定方法为：
(1)确定各历史时刻的关键影响因素。具体为：
确定各历史时刻的表征因素和影响因素；所述表征因素为叶绿素a的浓度；所述影响因素包括水文影响因素、气象影响因素和水质影响因素；所述水文影响因素包括河流的流量、流速和水文站点间的水位差；所述气象影响因素包括风速、相对湿度、降水和气温；所述水质影响因素包括总磷浓度和总氮浓度。
由各历史时刻的表征因素构建参考序列，由各历史时刻的影响因素构建比较序列；一个影响因素对应一个比较序列。
计算所述参考序列与各所述比较序列的关联度。
对所述关联度由大到小进行排序，并选取前四个关联度的比较序列对应的影响因素为关键影响因素。
在实际应用应用中，步骤(1)的一个具体过程为：
采用灰色关联分析法(Grey Relational Analysis，GRA)分析各影响因素与表征因素之间的相关性。
首先，确定分析序列，分为参考序列与比较序列：
参考序列为由一系列叶绿素a(Chl-a)的浓度值组成，
具体形式为Y＝Y(j)|j＝1,2...n； (1)
本实施例中为Chl-a＝[Chl-a(1),Chl-a(2),……Chl-a(n)]
比较序列为各影响因素的系列值组成的多个序列，
通用表达形式为Xi＝Xi(j)|j＝1,2...n,i＝1,2...p (2)
例如：
第一个影响因素-流量用Q表示，则X1(j)＝Q(j)；
第二个影响因素-气温用T表示，则X2(j)＝T(j)；
以此类推，得到各个影响因素的表示形式。
其次，变量的无量纲化处理，
其中，为Xi的平均值，j表示时间序列的编号，i表示p行比较序列的编号。
然后，计算关联系数ξi(j)及关联度ri，
令ξi(j)＝|Y(j)-Xi(j)|，即参考序列与每个影响因素序列(比较序列)对应元素的绝对差值，
则
ρ∈(0,∞)，成为分辨系数，ρ越小，分辨率越大，一般ρ的取值区间为(0，1)，具体取值可视情况而定。当ρ≤0.5463时，分辨力最好，通常取ρ＝0.5。
关联度
最后，得出p个关联度r，依据关联度r大小排序，确定关键影响因素。
结果如表1，选择前4种影响因素作为关键影响因素，用于下述分析。
表1 灰色关联分析结果
(2)采用阿尔蒙(Almon)分布时滞模型确定在历史时刻的各关键影响因素的滞后时长。具体包括：
构建每一个关键影响因素的时间滞后影响模型；所述时间滞后影响模型表征叶绿素a的浓度与所述关键影响因素的不同滞后时长之间的关系。
采用多项式分布滞后法和线性回归法估计所述时间滞后影响模型中的模型系数，得到模型系数估计值。
将所述模型系数估计值代入所述时间滞后影响模型，由所述时间滞后影响模型输出的叶绿素a的浓度的估计值和叶绿素a的浓度的实测值确定叶绿素a的浓度对所述关键影响因素的滞后时长。具体的，将所述模型系数估计值和所述关键影响因素在当前迭代次数下的滞后时长对应的历史数据集输入所述时间滞后影响模型；计算叶绿素a的浓度的实测值与所述时间滞后影响模型输出的叶绿素a的浓度的估计值之间的相关系数，得到当前迭代次数下的相关系数；判断所述当前迭代次数下的相关系数与上一代次数下的相关系数的差值是否处于设定范围内；若是，则将上一迭代次数下的滞后时长确定为叶绿素a的浓度对所述关键影响因素的最佳滞后时长，此时得到的即为最佳滞后时长；若否，则更新滞后时长后，进行下一次迭代。
在实际应用应用中，步骤(2)的一个具体过程为：
①构建时间滞后影响模型，对于某一种关键影响因素，其公式为：
Yt＝α+β0Xt+β1Xt-1+β2Xt-2+…+βkXt-k+ut (7)
式中，Yt为因变量(本例实施例中为Chl-a浓度)，Xt,Xt-1,…,Xt-k为线性组合自变量(即由影响因素当旬值、前1旬值……前k旬值组成的序列，本例中数据的时间间隔为旬)，ut为随机干扰项，α,β0,β1,…,βk为模型系数；k为滞后时长。
②为了消除不同滞后时期的变量之间的多重共线性，采用多项式分布滞后的方法，
βi＝a0+a1q+a2q2+…+amqm，(0≤q≤k) (8)
m为多项式的阶数，一般情况下，m<k。
③将式(8)代入到式(7)中，得到
转化为Y对重构变量Z的回归。
利用式(9)通过线性回归可得到a，a0，a1，…am的估计值
④由公式(8)求得β值的估计值再代入式(7)，可得出此时最大滞后长度k时Y(即Chl-a浓度)估计值序列。
⑤根据Chl-a浓度估计值与实测值的相关系数，确定最佳滞后长度，当随k的增加，相关系数不再增加时，认为此时的k值为最佳滞后时长，如果相关系数继续增大，则将k+1重复步骤①～④步。
本实施例分析结果如表2所示。
表2 各关键驱动因素时间滞后分析结果
表2中，**为相关性在0.01水平上显著(双尾)，*为相关性在0.05水平上显著(双尾)。由表2可知，最佳滞后时长为1旬，即k＝1，则表示对Chl-a浓度影响最大的为当旬及前1旬的影响因素，记某当旬影响因素为X(t)，前1旬影响因素为X(t-1)，则此影响因素的输入值为
其中，|a|为Chl-a浓度与当旬影响因素的相关系数绝对值；|b|为Chl-a浓度与前1旬影响因素的相关系数绝对值。本实施例中的结果如表3所示。
表3 Chl-a浓度与当旬及前1旬关键影响因素Pearson相关系数
表3中，**为相关性在0.01水平上显著(双尾)，*为相关性在0.05水平上显著(双尾)。
步骤102中采用阿尔蒙分布时滞模型确定所述目标河流在当前时刻的滞后时长；所述滞后时长包括叶绿素a的浓度对各关键影响因素的滞后时长。步骤102中叶绿素a的浓度对各关键影响因素的滞后时长即为该步骤(2)中确定的滞后时长。
(3)对于任意一个历史时刻，确定所述历史时刻各所述关键影响因素的历史数据集；所述历史数据集包括历史时刻对应的关键影响因素的值和相应的滞后时长对应的关键影响因素的值。
(4)构建非线性模拟模型。该步骤，首先利用Matlab软件获得Chl-a浓度变化率与水位差Δh的最佳拟合公式，得到水位对变化率的影响函数G(h)。然后，参考WASP模型中的公式，建立河流水华的非线性模拟模型。
所述非线性模拟模型，具体为：
PHYT(t)＝G(t)PHYT(t-1)； (12)
其中，G(t)＝Gmax[G(y)+G(w)+γG(h)]-D1-D2， (13)
G(h)＝-1.3761(Δh)3+39.777(Δh)2-379Δh+1193.9，
PHYT(t)为t时刻(当前旬)的叶绿素a的浓度，PHYT(t-1)为t-1时刻(前一旬)的叶绿素a的浓度，G(t)为叶绿素a的浓度的变化率，Gmax为叶绿素a的浓度的最大增长率，γ为水文影响因素对叶绿素a的浓度的变化率的影响系数，G(y)为营养盐对变化率的影响函数，G(h)为水位对变化率的影响函数，Δh为水文站点间的水位差，KmN为藻类生长摄氮的m氏常数，KmP为藻类生长摄磷的m氏常数，G(w)为水温对变化率的影响函数，θ1c为温度系数，θ1c取经验值，θ1c可取值为1.066，D1为浮游植物沉降速率，D2为浮游植物死亡速率，TN为总氮浓度，TP为总磷浓度，T为水温。模型的参数为Gmax，γ，KmP，KmN，D1，D2。
(5)将所述历史数据集和对应的各历史时刻的叶绿素a的浓度输入所述非线性模拟模型中，采用优化算法确定所述非线性模拟模型的模型参数。
具体的，采用遗传算法确定所述非线性模拟模型中的模型参数：
根据当前优化迭代次数下，所述非线性模拟模型输出的各历史时刻的叶绿素a的浓度和对应的叶绿素a的浓度的实际值，确定当前优化迭代次数的事件次数；所述事件次数包括水华暴发事件预报命中次数、水华暴发事件误报次数、水华暴发事件漏报次数以及水华暴发事件在实际与模型预报中均未发生的次数。
由所述当前优化迭代次数的事件次数计算当前优化迭代次数的适应度值；所述适应度值的计算公式为：
Nrandom＝(NA+NB)*(NA+NC)/(NA+NB+NC+ND) (15)
其中，ETS表示适应度值，NA表示水华暴发事件预报命中次数，NB表示水华暴发事件误报次数，NC表示水华暴发事件漏报次数，ND表示水华暴发事件在实际与模型预报中均未发生的次数，Nrandom表示随机次数。
判断所述适应度值是否满足终止条件(适应度值是否大于或等于0.3)或当前优化迭代次数是否达到最大预设迭代次数。
若是，则将当前优化迭代次数下的模型参数确定为所述非线性模拟模型的最优模型参数；若否，则更新当前优化迭代次数下的模型参数后，进行下一次优化迭代。
在实际应用应用中，步骤(5)的一个具体过程为：
①设置模型参数集的取值范围及初始值，设置遗传算法的最大进化代数100，种群最大数量20，交叉概率10，变异概率0.9。
②适应度评价。依据以往研究，设定当Chl-a浓度≥15μg/ml时，认为水华暴发，采用预测预警中常用的ETS作为模型的效果检验方法。
其中适应度函数的计算公式如上述公式(14)和公式(15)所示。
③计算种群中每个初始个体的适应度值，通过遗传算法对初始种群进行训练，并根据适应度值来决定选择下一代的个体，采用轮盘赌选择法选取优秀个体，将上一代优秀个体进行交叉、变异产生新个体，判断是否满足终止条件，若不满足，则继续迭代训练。
④当产生的新个体满足终止条件或达到最大迭代次数时，运算结束，输出此时的模型参数组合，带入到上述非线性模拟模型中。
(6)将所述模型参数确定后的非线性模拟模型确定为河流水华预测模型。
本实施例的河流水华预测，在关键影响因素的选取上特别考虑了水位差、流速等水文要素，由于河流较湖库水体流速更快，水文要素在河流水华的发生中有着重要影响，因此本发明适用于对大型流动河流水体的水华预测，能够为环保和水利部门进行河流水华预警提供技术支撑。
本实施例利用Almon分布时滞模型，确定了水华暴发对各关键影响因素的最佳滞后时长，利用遗传算法在传统机器学习方法上进行参数优化，并应用于水华预测模型当中，能够有效提高河流硅藻水华预测的准确性，使河流水华预测更加切实可行，帮助有关部门在应对突发状况时能够快速启动水华预警。
下面对本实施例的河流水华预测方法进行了实验验证。
水华暴发的河流水华预测模型在站点1、站点2、站点3三个站点的率定与实验验证(模拟)结果如图2所示，图2的(a)、(c)、(e)部分分别表示站点1-站点3的率定结果图，图2的(b)、(d)、(f)部分分别表示站点1-站点3的验证结果图。其中，站点1率定期命中率(POD)为69.2％，ETS评分为0.54；验证期命中率(POD)为62.5％，ETS评分为0.47。站点2率定期命中率(POD)为66.7％，ETS评分为0.47；验证期命中率(POD)为60％，ETS评分为0.41。站点3率定期命中率(POD)为71.4％，ETS评分为0.56；验证期命中率(POD)为66.7％，ETS评分为0.48。
本发明还提供了一种河流水华预测系统，包括：
数据获取模块，用于获取目标河流在上一时刻的叶绿素a的浓度。
滞后时长确定模块，用于采用阿尔蒙分布时滞模型确定所述目标河流在当前时刻的滞后时长；所述滞后时长包括叶绿素a的浓度对各关键影响因素的滞后时长；所述关键影响因素包括水文站点间的水位差、水温、总氮浓度和总磷浓度。
输入数据确定模块，用于确定当前时刻各所述关键影响因素的输入数据集；所述输入数据集包括当前时刻对应的关键影响因素的值和相应的滞后时长对应的关键影响因素的值。
水华预测模块，用于将上一时刻的叶绿素a的浓度和所有关键影响因素的输入数据集输入河流水华预测模型中，得到当前时刻的叶绿素a的浓度；所述当前时刻的叶绿素a的浓度用于确定当前时刻是否发生水华。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种河流水华预测方法，其特征在于，包括：
获取目标河流在上一时刻的叶绿素a的浓度；
采用阿尔蒙分布时滞模型确定所述目标河流在当前时刻的滞后时长；所述滞后时长包括叶绿素a的浓度对各关键影响因素的滞后时长；所述关键影响因素包括水文站点间的水位差、水温、总氮浓度和总磷浓度；
确定当前时刻各所述关键影响因素的输入数据集；所述输入数据集包括当前时刻对应的关键影响因素的值和相应的滞后时长对应的关键影响因素的值；
将上一时刻的叶绿素a的浓度和所有关键影响因素的输入数据集输入河流水华预测模型中，得到当前时刻的叶绿素a的浓度；所述当前时刻的叶绿素a的浓度用于确定当前时刻是否发生水华；
所述河流水华预测模型的确定方法为：
确定各历史时刻的关键影响因素；
采用阿尔蒙分布时滞模型确定在各历史时刻的滞后时长；
对于任意一个历史时刻，确定所述历史时刻各所述关键影响因素的历史数据集；所述历史数据集包括历史时刻对应的关键影响因素的值和相应的滞后时长对应的关键影响因素的值；
构建非线性模拟模型；
将所述历史数据集和对应的各历史时刻的叶绿素a的浓度输入所述非线性模拟模型中，采用优化算法确定所述非线性模拟模型的模型参数；
将所述模型参数确定后的非线性模拟模型确定为河流水华预测模型；
所述非线性模拟模型，具体为：
PHYT(t)＝G(t)PHYT(t-1)；
其中，G(t)＝Gmax[G(y)+G(w)+γG(h)]-D1-D2，
G(h)＝-1.3761(Δh)3+39.777(Δh)2-379Δh+1193.9，
PHYT(t)为t时刻的叶绿素a的浓度，PHYT(t-1)为t-1时刻的叶绿素a的浓度，G(t)为叶绿素a的浓度的变化率，Gmax为叶绿素a的浓度的最大增长率，γ为水文影响因素对叶绿素a的浓度的变化率的影响系数，G(y)为营养盐对变化率的影响函数，G(h)为水位对变化率的影响函数，Δh为水文站点间的水位差，KmN为藻类生长摄氮的m氏常数，KmP为藻类生长摄磷的m氏常数，G(w)为水温对变化率的影响函数，θ1c为温度系数，D1为浮游植物沉降速率，D2为浮游植物死亡速率，TN为总氮浓度，TP为总磷浓度，T为水温。
2.根据权利要求1所述的一种河流水华预测方法，其特征在于，所述确定各历史时刻的关键影响因素，具体包括：
确定各历史时刻的表征因素和影响因素；所述表征因素为叶绿素a的浓度；所述影响因素包括水文影响因素、气象影响因素和水质影响因素；所述水文影响因素包括河流的流量、流速和水文站点间的水位差；所述气象影响因素包括风速、相对湿度、降水和气温；所述水质影响因素包括总磷浓度和总氮浓度；
由各历史时刻的表征因素构建参考序列，由各历史时刻的影响因素构建比较序列；一个影响因素对应一个比较序列；
计算所述参考序列与各所述比较序列的关联度；
对所述关联度由大到小进行排序，并选取前四个关联度的比较序列对应的影响因素为关键影响因素。
3.根据权利要求1所述的一种河流水华预测方法，其特征在于，所述采用阿尔蒙分布时滞模型确定在各历史时刻的滞后时长，具体包括：
构建每一个关键影响因素的时间滞后影响模型；所述时间滞后影响模型表征叶绿素a的浓度与所述关键影响因素的不同滞后时长之间的关系；
采用多项式分布滞后法和线性回归法估计所述时间滞后影响模型中的模型系数，得到模型系数估计值；
将所述模型系数估计值代入所述时间滞后影响模型，由所述时间滞后影响模型输出的叶绿素a的浓度的估计值和叶绿素a的浓度的实测值确定叶绿素a的浓度对所述关键影响因素的滞后时长。
4.根据权利要求3所述的一种河流水华预测方法，其特征在于，所述将所述模型系数估计值代入所述时间滞后影响模型，由所述时间滞后影响模型输出的叶绿素a的浓度的估计值和叶绿素a的浓度的实测值确定叶绿素a的浓度对所述关键影响因素的滞后时长，具体包括：
将所述模型系数估计值和所述关键影响因素在当前迭代次数下的滞后时长对应的历史数据集输入所述时间滞后影响模型；
计算叶绿素a的浓度的实测值与所述时间滞后影响模型输出的叶绿素a的浓度的估计值之间的相关系数，得到当前迭代次数下的相关系数；
判断所述当前迭代次数下的相关系数与上一代次数下的相关系数的差值是否处于设定范围内；
若是，则将上一迭代次数下的滞后时长确定为叶绿素a的浓度对所述关键影响因素的滞后时长；
若否，则更新滞后时长后，进行下一次迭代。
5.根据权利要求1所述的一种河流水华预测方法，其特征在于，所述采用优化算法确定所述非线性模拟模型中的模型参数，具体包括：
采用遗传算法确定所述非线性模拟模型中的模型参数。
6.根据权利要求5所述的一种河流水华预测方法，其特征在于，所述采用遗传算法确定所述非线性模拟模型中的模型参数，具体包括：
根据当前优化迭代次数下，所述非线性模拟模型输出的各历史时刻的叶绿素a的浓度和对应的叶绿素a的浓度的实际值，确定当前优化迭代次数的事件次数；所述事件次数包括水华暴发事件预报命中次数、水华暴发事件误报次数、水华暴发事件漏报次数以及水华暴发事件在实际与模型预报中均未发生的次数；
由所述当前优化迭代次数的事件次数计算当前优化迭代次数的适应度值；
判断所述适应度值是否满足终止条件或当前优化迭代次数是否达到最大预设迭代次数；
若是，则将当前优化迭代次数下的模型参数确定为所述非线性模拟模型的最优模型参数；
若否，则更新当前优化迭代次数下的模型参数后，进行下一次优化迭代。
7.根据权利要求6所述的一种河流水华预测方法，其特征在于，所述适应度值的计算公式为：
其中，Nrandom＝(NA+NB)*(NA+NC)/(NA+NB+NC+ND)，ETS表示适应度值，NA表示水华暴发事件预报命中次数，NB表示水华暴发事件误报次数，NC表示水华暴发事件漏报次数，ND表示水华暴发事件在实际与模型预报中均未发生的次数，Nrandom表示随机次数。
8.一种河流水华预测系统，其特征在于，包括：
数据获取模块，用于获取目标河流在上一时刻的叶绿素a的浓度；
滞后时长确定模块，用于采用阿尔蒙分布时滞模型确定所述目标河流在当前时刻的滞后时长；所述滞后时长包括叶绿素a的浓度对各关键影响因素的滞后时长；所述关键影响因素包括水文站点间的水位差、水温、总氮浓度和总磷浓度；
输入数据确定模块，用于确定当前时刻各所述关键影响因素的输入数据集；所述输入数据集包括当前时刻对应的关键影响因素的值和相应的滞后时长对应的关键影响因素的值；
水华预测模块，用于将上一时刻的叶绿素a的浓度和所有关键影响因素的输入数据集输入河流水华预测模型中，得到当前时刻的叶绿素a的浓度；所述当前时刻的叶绿素a的浓度用于确定当前时刻是否发生水华；
所述河流水华预测模型的确定方法为：
确定各历史时刻的关键影响因素；
采用阿尔蒙分布时滞模型确定在各历史时刻的滞后时长；
对于任意一个历史时刻，确定所述历史时刻各所述关键影响因素的历史数据集；所述历史数据集包括历史时刻对应的关键影响因素的值和相应的滞后时长对应的关键影响因素的值；
构建非线性模拟模型；
将所述历史数据集和对应的各历史时刻的叶绿素a的浓度输入所述非线性模拟模型中，采用优化算法确定所述非线性模拟模型的模型参数；
将所述模型参数确定后的非线性模拟模型确定为河流水华预测模型；
所述非线性模拟模型，具体为：
PHYT(t)＝G(t)PHYT(t-1)；
其中，G(t)＝Gmax[G(y)+G(w)+γG(h)]-D1-D2，
G(h)＝-1.3761(Δh)3+39.777(Δh)2-379Δh+1193.9，
PHYT(t)为t时刻的叶绿素a的浓度，PHYT(t-1)为t-1时刻的叶绿素a的浓度，G(t)为叶绿素a的浓度的变化率，Gmax为叶绿素a的浓度的最大增长率，γ为水文影响因素对叶绿素a的浓度的变化率的影响系数，G(y)为营养盐对变化率的影响函数，G(h)为水位对变化率的影响函数，Δh为水文站点间的水位差，KmN为藻类生长摄氮的m氏常数，KmP为藻类生长摄磷的m氏常数，G(w)为水温对变化率的影响函数，θ1c为温度系数，D1为浮游植物沉降速率，D2为浮游植物死亡速率，TN为总氮浓度，TP为总磷浓度，T为水温。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110801002.0A CN113642268B (zh) | 2021-07-15 | 2021-07-15 | 一种河流水华预测方法及系统 |
| AU2021106540A AU2021106540A4 (en) | 2021-07-15 | 2021-08-23 | Prediction method and system for river algal blooms |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110801002.0A CN113642268B (zh) | 2021-07-15 | 2021-07-15 | 一种河流水华预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113642268A CN113642268A (zh) | 2021-11-12 |
| CN113642268B true CN113642268B (zh) | 2024-03-15 |
Family
ID=78417463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110801002.0A Active CN113642268B (zh) | 2021-07-15 | 2021-07-15 | 一种河流水华预测方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113642268B (zh) |
| AU (1) | AU2021106540A4 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114564883B (zh) * | 2022-02-11 | 2023-05-19 | 水利部交通运输部国家能源局南京水利科学研究院 | 融合机理与ML的湖泊叶绿素a短期集合预报方法及系统 |
| CN114858221B (zh) * | 2022-07-05 | 2022-09-09 | 中国长江三峡集团有限公司 | 一种基于水域营养状态预测的水华智能预警系统及方法 |
| CN115659641B (zh) * | 2022-10-26 | 2024-03-08 | 武汉大学 | 面向水华防控的水工程多目标优化调度方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103678910A (zh) * | 2013-12-12 | 2014-03-26 | 河海大学 | 河道型水库支流库湾水华的云体系架构预警系统及方法 |
| CN104699979A (zh) * | 2015-03-24 | 2015-06-10 | 北京工商大学 | 基于复杂网络的城市湖库藻类水华混沌时间序列预测方法 |
| CN109740877A (zh) * | 2018-05-22 | 2019-05-10 | 中国环境科学研究院 | 一种分湖富营养化营养足迹指数评价方法 |
| CN111597758A (zh) * | 2020-05-14 | 2020-08-28 | 河海大学 | 一种基于负相关学习的中小河流集成预报方法 |
| AU2020103356A4 (en) * | 2020-02-26 | 2021-01-21 | Chinese Research Academy Of Environmental Sciences | Method and device for building river diatom bloom warning model |
| CN112884197A (zh) * | 2021-01-05 | 2021-06-01 | 福建省厦门环境监测中心站(九龙江流域生态环境监测中心) | 一种基于双模型的水华预测方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10290089B2 (en) * | 2014-05-22 | 2019-05-14 | The United States Of America, As Represented By The Administrator Of The U.S. Environmental Protection Agency | Cyanobacteria assessment network |
-
2021
- 2021-07-15 CN CN202110801002.0A patent/CN113642268B/zh active Active
- 2021-08-23 AU AU2021106540A patent/AU2021106540A4/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103678910A (zh) * | 2013-12-12 | 2014-03-26 | 河海大学 | 河道型水库支流库湾水华的云体系架构预警系统及方法 |
| CN104699979A (zh) * | 2015-03-24 | 2015-06-10 | 北京工商大学 | 基于复杂网络的城市湖库藻类水华混沌时间序列预测方法 |
| CN109740877A (zh) * | 2018-05-22 | 2019-05-10 | 中国环境科学研究院 | 一种分湖富营养化营养足迹指数评价方法 |
| AU2020103356A4 (en) * | 2020-02-26 | 2021-01-21 | Chinese Research Academy Of Environmental Sciences | Method and device for building river diatom bloom warning model |
| CN111597758A (zh) * | 2020-05-14 | 2020-08-28 | 河海大学 | 一种基于负相关学习的中小河流集成预报方法 |
| CN112884197A (zh) * | 2021-01-05 | 2021-06-01 | 福建省厦门环境监测中心站(九龙江流域生态环境监测中心) | 一种基于双模型的水华预测方法和装置 |
Non-Patent Citations (5)
| Title |
|---|
| The Potential Impacts of Climate Change Factors on Freshwater Eutrophication：Implications for Research and Countermeasures of Water Management in China;《MDPI;第8卷(第3期);1-12 * |
| Time-Lag Effect：River Algal Blooms on Multiple Driving Factors;Chengjian Liu .etc;《frontiers in Earth Science》;第9卷;1-12 * |
| 挺水植物对湖泊水质数值模拟过程的影响;李兴;李畅游;勾芒芒;王勇;;环境科学;第31卷(第12期);1-6 * |
| 汉江下游水华暴发时滞效应与非线性模拟研究;刘成建;《中国优秀硕士学位论文全文数据库》;B027-428 * |
| 遥感在确定水质参数中的应用进展;马驰;陕西师范大学学报(自然科学版)(第S1期);144-148 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113642268A (zh) | 2021-11-12 |
| AU2021106540A4 (en) | 2021-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113642268B (zh) | 一种河流水华预测方法及系统 | |
| CN107480775B (zh) | 一种基于数据修复的池塘溶解氧预测方法 | |
| Huo et al. | Using artificial neural network models for eutrophication prediction | |
| CN111160520A (zh) | 一种基于遗传算法优化的bp神经网络风速预测方法 | |
| Wilson et al. | Towards a generic artificial neural network model for dynamic predictions of algal abundance in freshwater lakes | |
| CN104899653B (zh) | 基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法 | |
| CN107688701B (zh) | 基于wasp模型的水质软测量及水体富营养化评价方法 | |
| CN110689179A (zh) | 基于时空序列混合模型的水华预测方法 | |
| CN110110466B (zh) | 一种机器学习和工艺仿真的污水处理目标参数预测方法 | |
| CN108062595B (zh) | 基于wrf/cfd/sahde-rvm耦合的复杂地貌区域短时风能预测方法 | |
| CN111767517A (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
| CN104007243B (zh) | 应用反向传播神经网络模型评价游泳池水质的方法 | |
| CN102818642B (zh) | 刺参病害预警系统 | |
| CN108596260A (zh) | 一种水管网漏损定位方法及装置 | |
| CN104680015A (zh) | 一种基于快速相关向量机的污水处理在线软测量方法 | |
| CN109828089A (zh) | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 | |
| CN104535733A (zh) | 一种基于灰色聚类分析法的城市内湖水环境功能指标评价方法 | |
| CN111242380A (zh) | 一种基于人工智能算法的湖（库）富营养化预测方法 | |
| CN106157162A (zh) | 一种北太平洋鱿鱼中心渔场预测方法 | |
| CN114037163A (zh) | 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 | |
| CN106991493A (zh) | 基于灰色神经网络组合模型的污水处理出水参数预测方法 | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| CN105160422B (zh) | 基于自组织级联神经网络的污水处理出水总磷预测方法 | |
| CN110532646B (zh) | 基于自适应动态规划的湖库蓝藻水华预测方法 | |
| CN108647817A (zh) | 一种能耗负荷的预测方法及预测系统 |
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 |