CN114858221A - 一种基于水域营养状态预测的水华智能预警系统及方法 - Google Patents

一种基于水域营养状态预测的水华智能预警系统及方法 Download PDF

Info

Publication number
CN114858221A
CN114858221A CN202210780993.3A CN202210780993A CN114858221A CN 114858221 A CN114858221 A CN 114858221A CN 202210780993 A CN202210780993 A CN 202210780993A CN 114858221 A CN114858221 A CN 114858221A
Authority
CN
China
Prior art keywords
water
water body
data
concentration
information
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
Application number
CN202210780993.3A
Other languages
English (en)
Other versions
CN114858221B (zh
Inventor
戴会超
毛劲乔
陈彦宏
朱诗洁
蒋定国
戴杰
王康
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.)
China Three Gorges Corp
Original Assignee
China Three Gorges Corp
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 China Three Gorges Corp filed Critical China Three Gorges Corp
Priority to CN202210780993.3A priority Critical patent/CN114858221B/zh
Publication of CN114858221A publication Critical patent/CN114858221A/zh
Application granted granted Critical
Publication of CN114858221B publication Critical patent/CN114858221B/zh
Priority to EP22207091.4A priority patent/EP4303581A1/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请公开了一种基于水域营养状态预测的水华智能预警系统及方法，能够高效精准地预测水域营养状态并进行水华预警。所述方法包括：采集目标水域的多尺度水体信息；根据所述多尺度水体信息预测目标水域水体的营养物质浓度，根据所述营养物质浓度确定所述目标水域的水体营养状态；根据所述水体营养状态预测水华发生概率，并根据所述水华发生概率生成相应的示警反馈通报信息；将所述水体营养状态、所述水华发生概率及所述示警反馈通报信息进行可视化数字展示。所述系统包括多尺度信息采集模块、营养状态识别模块、水华预警模块与数字可视化模块。

Description

一种基于水域营养状态预测的水华智能预警系统及方法
技术领域
本申请涉及环境监测技术领域，具体涉及一种基于水域营养状态预测的水华智能预警系统及方法。
背景技术
在水利工程影响下，水库支流库湾、水生生物栖息地、河湾、岸边、湖泊以及湿地等敏感水域，水体水动力出现变化，水体垂向交换受到抑制，当大量的营养物质流入水体，容易使得水体由贫营养状态转化为富营养状态，在某些环境条件下水体富营养化程度过高会引起水华爆发。水华爆发时，会导致水质恶化、水体生态失衡，对饮用水安全及水生态系统造成严重威胁。因此需要对敏感水域中的水体状态进行监测，以尽量避免水华发生。
在一些相关水体监测技术中，大多采用遥感卫星、无人机拍摄或者人工取样试验进行监测，一般情况下仅能够识别表层水体的状态，且遥感监测具有时间间隔，存在监测数据缺失的情况，监测数据的完整性欠缺，面对复杂的水华发生机制，难以实现对水体营养状态的进行全面监测，无法对水体营养状态进行精准识别，方案实用性较差。
发明内容
有鉴于此，本申请实施例提供了一种基于水域营养状态预测的水华智能预警系统及方法，能够对目标水域水体实时监测，高效精准地识别确定目标水域水体的营养状态。
根据第一方面，本申请实施例提供了一种基于水域营养状态预测的水华智能预警系统。所述系统包括：
多尺度信息采集模块，用于采集目标水域的多尺度水体信息，所述尺度水体信息包括水体理化信息、水体表层信息与参考水文信息；
营养状态识别模块，用于根据所述水体表层信息反演确定表层营养物质浓度，利用表层-垂向浓度关系函数根据所述表层营养物质浓度预测所述目标水域水体的垂向营养物质浓度，并根据所述表层营养物质浓度、所述垂向营养物质浓度确定所述目标水域的水体营养状态，所述表层-垂向浓度关系函数根据所述多尺度水体信息拟合确定；
水华预警模块，用于根据所述水体营养状态预测水华发生概率，并根据所述水华发生概率生成相应的示警反馈通报信息；以及
数字可视化模块，用于将所述水体营养状态、所述水华发生概率及所述示警反馈通报信息进行可视化数字展示。
可选的，所述多尺度信息采集模块包括水体监测单元、遥测数据单元与参考信息采集单元；
所述水体监测单元，用于获取所述目标水域的水体水动力数据、水温数据、水质数据以及水域风数据，所述水体理化信息包括所述水体水动力数据、所述水温数据、所述水质数据与所述水域风数据；
所述遥测数据单元，用于获取所述目标水域的低空影像数据与高空遥感数据，所述水体表层信息包括所述低空影像数据与所述高空遥感数据；
所述参考信息采集单元，用于收集所述目标水域相应的水文水动力数据、水域环境数据、地形地貌数据与气象数据，所述参考水文信息包括所述水文水动力数据、所述水域环境数据、所述地形地貌数据与所述气象数据。
可选的，所述水体监测单元包括水下多功能探测装置与理化参数监测站；
所述水下多功能探测装置，用于获取所述水动力数据、水温数据与水质数据，所述理化参数监测站用于针对所述水质数据进行补充监测；
所述水下多功能探测装置包括水动力感应探头、温度感应器与水色成像仪；
其中，所述水动力感应探头设置在所述多功能探测装置底部，用于对不同探测深度的水动力因素进行探测记录；
所述温度感应器，用于采集不同探测深度的水体水温；
所述水色成像仪，用于在水体中不同探测深度处进行拍摄，并探测确定水体中溶解氧数据、叶绿素数据、藻密度数据、氮元素数据、磷元素数据与透明度数据，所述水质数据包括所述水体中溶解氧数据、叶绿素数据、藻密度数据、氮元素数据、磷元素数据与透明度数据；
其中，所述水色成像仪包括对称分布的两水色成像板；
两所述水色成像板的间距根据所述探测深度进行调整：
Figure 291180DEST_PATH_IMAGE001
其中，
Figure 5058DEST_PATH_IMAGE002
表示两所述水色成像板的间距，
Figure 332265DEST_PATH_IMAGE003
表示紊动修正系数，
Figure 258633DEST_PATH_IMAGE004
表示第
Figure 604164DEST_PATH_IMAGE005
个探测 点处的水流紊动强度，
Figure 708517DEST_PATH_IMAGE006
表示第
Figure 506709DEST_PATH_IMAGE005
个所述探测点相应的所述探测深度，
Figure 236767DEST_PATH_IMAGE007
表示光谱分辨率因 子，
Figure 436804DEST_PATH_IMAGE008
表示修正参数。
可选的，所述营养状态识别模块包括表层状态识别单元、函数拟合单元、垂向状态预测单元以及状态判定单元；
所述表层状态识别单元，用于根据所述水体表层信息对所述目标水域表层水体营养状态进行反演识别，确定所述表层营养物质浓度；
所述函数拟合单元，用于以所述多尺度水体信息构建训练数据集，采用机器学习算法进行训练，拟合确定所述表层-垂向浓度关系函数；
所述表层-垂向浓度关系函数用于描述所述目标水域表层水体与垂向水体中营养物质浓度之间的关系；
所述表层-垂向浓度关系函数：
Figure 712059DEST_PATH_IMAGE009
其中，
Figure 263126DEST_PATH_IMAGE010
表示所述表层-垂向浓度关系函数，
Figure 531296DEST_PATH_IMAGE011
表示水体温度，
Figure 585840DEST_PATH_IMAGE012
表示所述表层水体 中的第
Figure 294646DEST_PATH_IMAGE013
种营养物质的浓度，
Figure 67430DEST_PATH_IMAGE014
表示垂向水体中的第
Figure 873712DEST_PATH_IMAGE013
种营养物质的浓度，
Figure 48341DEST_PATH_IMAGE015
表示水流流速，
Figure 665398DEST_PATH_IMAGE016
表示水深，
Figure 191058DEST_PATH_IMAGE017
表示组分扩展系数；
所述垂向状态预测单元，用于根据所述表层-垂向浓度关系函数以所述表层营养物质浓度为输入进行预测计算，确定所述垂向营养物质浓度；
所述状态判定单元，用于根据所述表层营养物质浓度、所述垂向营养物质浓度对所述目标水域的水体营养状态进行分析判定。
可选的，所述表层状态识别单元包括数据完善模组；
所述数据完善模组，用于在确定所述表层营养物质浓度时，对所述水体表层信息所存在的缺失时段相应的所述表层营养物质浓度进行预测计算：
Figure 801030DEST_PATH_IMAGE018
其中，
Figure 580899DEST_PATH_IMAGE019
表示
Figure 883704DEST_PATH_IMAGE020
时刻的所述表层营养物质浓度，
Figure 365501DEST_PATH_IMAGE021
表示
Figure 779165DEST_PATH_IMAGE022
时刻的所述表层营 养物质浓度，
Figure 413540DEST_PATH_IMAGE023
表示缺失时间，
Figure 887246DEST_PATH_IMAGE024
表示营养物质浓度修正系数，
Figure 856339DEST_PATH_IMAGE025
表示所述目标水域的表层 面积。
可选的，所述函数拟合单元包括候选函数模组与函数筛选模组；
所述候选函数模组，用于根据所述训练数据集进行学习训练，确定多种候选关系函数；
所述函数筛选模组，用于计算确定多个所述候选关系函数的决定系数，根据所述决定系数选择最优函数作为所述表层-垂向浓度关系函数。
可选的，所述状态判定单元包括营养状态指数模组与状态分析模组；
所述营养状态指数模组，用于根据所述目标水域水体中多种营养物质的整体浓度数据计算相应的综合营养状态指数：
Figure 808115DEST_PATH_IMAGE026
其中，
Figure 831084DEST_PATH_IMAGE027
表示所述综合营养状态指数，
Figure 475692DEST_PATH_IMAGE028
与
Figure 932081DEST_PATH_IMAGE029
分别 表示与叶绿素a、磷元素、氮元素、透明度及含氧量相应的状态指数，
Figure 687548DEST_PATH_IMAGE030
表示指数 系数；
所述状态分析模组，用于根据卡尔森营养状态指数确定所述目标水域的营养程度。
可选的，所述水华预警模块包括藻密度预测单元与水华概率预测单元；
所述藻密度预测单元，用于采用机器学习算法构建藻密度预测模型，所述藻密度预测模型的输入变量包括所述水体营养状态，输出变量包括藻密度预测值；
所述水华概率预测单元，用于根据所述藻密度预测值计算确定所述水华发生概率。
可选的，所述系统还包括实时参数优化模块；
所述实时参数优化模块用于对所述表层状态识别单元的识别输入因子、所述表层-垂向浓度关系函数的关系参数以及所述藻密度预测模型的模型系数进行动态优化更新。
在第二方面，本申请实施例还提供了一种基于水域营养状态预测的水华智能预警方法。所述方法包括：
采集目标水域的多尺度水体信息，所述尺度水体信息包括水体理化信息、水体表层信息与参考水文信息；
根据所述水体表层信息反演确定表层营养物质浓度；
利用表层-垂向浓度关系函数根据所述表层营养物质浓度预测所述目标水域水体的垂向营养物质浓度；
根据所述表层营养物质浓度、所述垂向营养物质浓度确定所述目标水域的水体营养状态，所述表层-垂向浓度关系函数根据所述多尺度水体信息拟合确定；
根据所述水体营养状态预测水华发生概率，并根据所述水华发生概率生成相应的示警反馈通报信息；以及
将所述水体营养状态、所述水华发生概率及所述示警反馈通报信息进行可视化数字展示。
由此可见，本申请实施例所提供的一种基于水域营养状态预测的水华智能预警系统及方法，具有如下有益技术效果：
（1）所述多尺度信息采集模块采集目标水域水体的所述多尺度水体信息，所述营养状态识别模块基于所述多尺度水体信息识别所述表层营养物质浓度并预测所述垂向营养物质浓度，从而能够综合所述表层营养物质浓度与所述垂向营养物质浓度，分析确定所述目标水域的水体营养状态。进一步的，基于所述水域营养状态可以预测确定水华发生概率进行及时预警。
其中，所述多尺度水体信息包括所述水体理化信息、所述水体表层信息与所述参考水文信息，以所述多尺度水体信息作为基于水域营养状态预测的水华智能预警系统的数据基础，数据信息更加全面，从而保证监测结果的准确性及有效性。所述营养状态识别模块首先根据所述水体表层信息反演确定对应的水体的表层营养物质浓度，之后再在其基础上根据表层-垂向浓度关系函数预测计算水体内部的垂向营养物质浓度，综合两方面浓度数据对所述目标水域进行整体分析。这样的方式将从基础数据到最终监测结果的过程进行分解，能够分别获取到水体表层与水体垂向的营养信息，过程数据全面，保证过程中每一步计算准确性，从而可以保证整体方案结果的准确有效。采用这样的方式可以保证基础数据以及中间过程信息的全面性，从而能够对目标水域水体的营养状态实现高效精准识别。基于准确精准的水体营养状态预测识别结果，进一步的预测水华发生概率，可以实现及时有效预警。
（2）利用水下多功能探测装置采集水动力数据、水温数据与水质数据。其中，利用水色成像仪在水体中的不同探测深度拍摄水体的实时状态。在探测过程中，随水流紊动强度衰减变化对水质监测点进行变频率扫描，相应改变探测深度以及水色成像板间距，在水流紊动强度衰减变化下，辐射光束进行扫描成像，生成水质波段组合，这样的方式可以保证成像清晰度，保证所采集的水质数据的有效性与准确性。
（3）针对所述缺失时段进行预测计算，可以得到全时段的所述表层营养物质浓度。在时间连续性层面，提升所述表层状态识别单元反演识别所得到的所述表层营养物质浓度的数据完整性。基于全时段的所述表层营养物质浓度，可以实现对所述目标水域的营养状态的全时间的及时监测，以便于降低水体富营养化风险。
（4）采用机器学习算法学习构建藻密度预测模型以预测所述目标水域的藻密度值，基于所述藻密度值能够准确预测水华发生概率，针对水华爆发进行及时预警。
（5）对所述表层状态识别单元的识别输入因子、所述表层-垂向浓度关系函数的关系参数以及所述藻密度预测模型的模型系数进行动态优化更新，使得反演确定所述表层营养物质浓度、预测所述垂向营养物质浓度以及预测水华发生概率均能够维持较高准确性，进而保证基于水域营养状态预测的水华智能预警系统的运行稳定性。
附图说明
通过参考附图会更加清楚的理解本申请的特征和优点，附图是示意性的而不应理解为对本申请进行任何限制，在附图中：
图1示出了本申请实施例所提供的一种基于水域营养状态预测的水华智能预警系统示意图；
图2示出了本申请实施例所提供的一种基于水域营养状态预测的水华智能预警系统中多尺度信息采集模块示意图；
图3示出了本申请实施例所提供的一种基于水域营养状态预测的水华智能预警系统中水下多功能探测装置结构示意图；
图4示出了本申请实施例所提供的一种基于水域营养状态预测的水华智能预警系统中营养状态识别模块示意图；
图5示出了本申请实施例所提供的一种基于水域营养状态预测的水华智能预警系统中水华预警模块示意图；
图6示出了本申请实施例所提供的一种基于水域营养状态预测的水华智能预警方法示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在一些相关水体监测技术中，大多采用遥感卫星、无人机拍摄或者人工取样试验进行监测，一般情况下仅能够识别表层水体的状态，且遥感监测具有时间间隔，存在监测数据缺失的情况，监测数据的完整性欠缺，面对复杂的水华发生机制，难以实现对水体营养状态的进行全面监测，无法对水体营养状态进行精准识别，方案实用性较差。
针对上述问题，本申请实施例提供一种基于水域营养状态预测的水华智能预警系统及方法，采集目标水域的多尺度水体信息，基于多尺度水体信息分别确定所述目标水域水体表层与垂向的营养物质浓度，再综合分析确定所述目标水域水体整体的营养状态，能够高效精确识别确定水体营养状态。
以下，结合具体实施例对本申请技术方案进行说明。
在一方面，本申请实施例提供了一种水体营养状态监测系统。
如图1所示，本申请一个或多个可选实施例提供了一种基于水域营养状态预测的水华智能预警系统100，包括：
多尺度信息采集模块102，用于采集目标水域的多尺度水体信息，所述尺度水体信息包括水体理化信息、水体表层信息与参考水文信息。
所述水体理化信息可以包括所述目标水域水体的物理特性方面信息如流速、流向、温度、电导率等，以及生化特征方面的信息如藻密度、氮元素含量、磷元素含量等。所述水体理化信息能够侧面反映出水体的营养状态。
所述参考水文信息可以包括所述目标水域水体相关水位信息的历史数据，如水位水量信息、水域地形地貌、水域气象环境信息、含沙量信息、汛期时间信息等。
营养状态识别模块104，用于根据所述水体表层信息反演确定表层营养物质浓度，利用表层-垂向浓度关系函数根据所述表层营养物质浓度预测所述目标水域水体的垂向营养物质浓度，并根据所述表层营养物质浓度、所述垂向营养物质浓度确定所述目标水域的水体营养状态。
其中，所述表层-垂向浓度关系函数根据所述多尺度水体信息拟合确定。
一些可选实施例中，可以采用机器学习的方式，利用所述多尺度水体信息构建训练数据集，来学习确定表层-垂向浓度关系函数。所采用的机器学习算法包括但不限于人工神经网络、支持向量回归、随机森林等。
水华预警模块106，用于根据所述水体营养状态预测水华发生概率，并根据所述水华发生概率生成相应的示警反馈通报信息。
数字可视化模块108，用于将所述表层营养物质浓度、所述垂向营养物质浓度、所述水体营养状态、所述水华发生概率及所述示警反馈通报信息进行可视化数字展示。
可视化展示数据更加生动形象，有利于实现实时动态监控。
所述基于水域营养状态预测的水华智能预警系统中，所述多尺度信息采集模块采集目标水域水体的所述多尺度水体信息，所述营养状态识别模块基于所述多尺度水体信息识别所述表层营养物质浓度并预测所述垂向营养物质浓度，从而能够综合所述表层营养物质浓度与所述垂向营养物质浓度，分析确定所述目标水域的水体营养状态。
其中，所述多尺度水体信息包括所述水体理化信息、所述水体表层信息与所述参考水文信息，以所述多尺度水体信息作为基于水域营养状态预测的水华智能预警系统的数据基础，数据信息更加全面，从而保证监测结果的准确性及有效性。所述营养状态识别模块首先根据所述水体表层信息反演确定对应的水体的表层营养物质浓度，之后再在其基础上根据表层-垂向浓度关系函数预测计算水体内部的垂向营养物质浓度，综合两方面浓度数据对所述目标水域进行整体分析。这样的方式将从基础数据到最终监测结果的过程进行分解，能够分别获取到水体表层与水体垂向的营养信息，过程数据全面，保证过程中每一步计算准确性，从而可以保证整体方案结果的准确有效。所述基于水域营养状态预测的水华智能预警系统采用这样的方式可以保证基础数据以及中间过程信息的全面性，从而能够对目标水域水体的营养状态实现高效精准识别。
如图2所示，在本申请一个或多个可选实施例提供了一种基于水域营养状态预测的水华智能预警系统100中，所述多尺度信息采集模块102包括水体监测单元200、遥测数据单元202与参考信息采集单元204。
所述水体监测单元200，用于获取所述目标水域的水体水动力数据、水温数据、水质数据以及水域风数据，所述水体理化信息包括所述水体水动力数据、所述水温数据、所述水质数据与所述水域风数据。
在一些可选实施例中，所述水体监测单元200可以包括水下多功能探测装置300与理化参数监测站302。所述水下多功能探测装置，用于获取所述水动力数据、水温数据与水质数据。所述理化参数监测站用于针对所述水质数据进行补充监测。例如，可以采集水体的电导率、酸碱度、高锰酸钾盐指数、含沙量指数等。
所述遥测数据单元202，用于获取所述目标水域的低空影像数据与高空遥感数据，所述水体表层信息包括所述低空影像数据与所述高空遥感数据。
其中，所述低空影像数据可以采用无人机摄影方式获取，所述高空遥感数据可以利用高分辨率遥感卫星采集。
所述参考信息采集单元204，用于收集所述目标水域相应的水文水动力数据、水域环境数据、地形地貌数据与气象数据，所述参考水文信息包括所述水文水动力数据、所述水域环境数据、所述地形地貌数据与所述气象数据。
如图3所示，在本申请一个或多个可选实施例提供了一种基于水域营养状态预测的水华智能预警系统100中，所述水下多功能探测装置300包括水动力感应探头302、温度感应器304与水色成像仪306。
其中，所述水动力感应探头302设置在所述水下多功能探测装置300底部，用于对不同探测深度的水动力因素进行探测记录。
所述温度感应器304可以设置在所述水下多功能探测装置300的中部，用于采集不同探测深度的所述水温数据。
所述水色成像仪306，用于在水体中不同探测深度处进行拍摄，并探测确定水体中溶解氧数据、叶绿素数据、藻密度数据、氮元素数据、磷元素数据与透明度数据，所述水质数据包括所述水体中溶解氧数据、叶绿素数据、藻密度数据、氮元素数据、磷元素数据与透明度数据。
其中，所述水色成像仪306包括对称分布的两水色成像板3060。
两所述水色成像板3060的间距根据所述探测深度进行调整：
Figure 30935DEST_PATH_IMAGE001
其中，
Figure 846445DEST_PATH_IMAGE002
表示两所述水色成像板的间距，
Figure 790130DEST_PATH_IMAGE003
表示紊动修正系数，
Figure 349287DEST_PATH_IMAGE004
表示第
Figure 812761DEST_PATH_IMAGE005
个探测 点处的水流紊动强度，
Figure 533592DEST_PATH_IMAGE006
表示第
Figure 230153DEST_PATH_IMAGE005
个所述探测点相应的所述探测深度，
Figure 61842DEST_PATH_IMAGE007
表示光谱分辨率因 子，
Figure 645402DEST_PATH_IMAGE008
表示修正参数。
所述基于水域营养状态预测的水华智能预警系统100中，利用水下多功能探测装置采集水动力数据、水温数据与水质数据。其中，利用水色成像仪在水体中的不同探测深度拍摄水体的实时状态。在探测过程中，随水流紊动强度衰减变化对水质监测点进行变频率扫描，相应改变探测深度以及水色成像板3060间距，在水流紊动强度衰减变化下，辐射光束进行扫描成像，生成水质波段组合，这样的方式可以保证成像清晰度，保证所采集的水质数据的有效性与准确性。
如图4所示，在本申请一个或多个可选实施例提供了一种基于水域营养状态预测的水华智能预警系统100中，所述营养状态识别模块104包括表层状态识别单元400、函数拟合单元402、垂向状态预测单元404以及状态判定单元406。
所述表层状态识别单元400，用于根据所述水体表层信息对所述目标水域表层水体营养状态进行反演识别，确定所述表层营养物质浓度。
所述表层状态识别单元400，以所述目标水域的所述低空影像数据与所述高空遥感数据为输入，根据输入识别因子与营养状态之间的回归关系进行反演识别，以确定所述表层营养物质浓度。
所述函数拟合单元402，用于以所述多尺度水体信息构建训练数据集，采用机器学习算法进行训练，拟合确定所述表层-垂向浓度关系函数。
所述表层-垂向浓度关系函数用于描述所述目标水域表层水体与垂向水体中营养物质浓度之间的关系。
所述表层-垂向浓度关系函数：
Figure 537134DEST_PATH_IMAGE009
其中，
Figure 455412DEST_PATH_IMAGE010
表示所述表层-垂向浓度关系函数，
Figure 356372DEST_PATH_IMAGE011
表示水体温度，
Figure 791508DEST_PATH_IMAGE012
表示所述表层水体 中的第
Figure 119721DEST_PATH_IMAGE013
种营养物质的浓度，
Figure 259715DEST_PATH_IMAGE014
表示垂向水体中的第
Figure 715098DEST_PATH_IMAGE013
种营养物质的浓度，
Figure 256938DEST_PATH_IMAGE015
表示水流流速，
Figure 756053DEST_PATH_IMAGE016
表示水深，
Figure 383343DEST_PATH_IMAGE017
表示组分扩展系数。
一些可选实施例中，所述函数拟合单元402包括候选函数模组4020与函数筛选模组4022。
所述候选函数模组4020，用于根据所述训练数据集进行学习训练，确定多种候选关系函数。
所述函数筛选模组4022，用于计算确定多个所述候选关系函数的决定系数，根据所述决定系数选择最优函数作为所述表层-垂向浓度关系函数。
所述函数筛选模组4022可以采用均方根误差、相对均方根误差、相对误差、综合误 差以及决定系数
Figure 376838DEST_PATH_IMAGE031
来衡量多个所述候选关系函数的预测精度，从而选取最优函数。
均方根误差RMSE=
Figure 773184DEST_PATH_IMAGE032
相对均方根误差
Figure 443200DEST_PATH_IMAGE033
相对误差
Figure 557787DEST_PATH_IMAGE034
综合误差：
Figure 89393DEST_PATH_IMAGE035
决定系数：
Figure 605825DEST_PATH_IMAGE036
(其中：SST=SSR+SSE)
其中，
Figure 446742DEST_PATH_IMAGE037
为采样点
Figure 48625DEST_PATH_IMAGE038
处水质参数的实测值，
Figure 640712DEST_PATH_IMAGE039
为水质参数实测值的平均。
Figure 542809DEST_PATH_IMAGE040
为采样 点
Figure 570939DEST_PATH_IMAGE038
处水质参数的反演值；n为关系函数或验证相应采样点的个数；
Figure 754311DEST_PATH_IMAGE041
分别为关系 函数和验证的综合误差； SST为总离差平方和，SSR为回归平方和，SSE为残差平方和。
所述垂向状态预测单元404，用于根据所述表层-垂向浓度关系函数以所述表层营养物质浓度为输入进行预测计算，根据所述表层-垂向浓度关系函数的输出确定所述垂向营养物质浓度。
所述状态判定单元406，用于根据所述表层营养物质浓度、所述垂向营养物质浓度对所述目标水域的水体营养状态进行分析判定。所述状态判定单元406可综合所述目标水域水体的表层及垂向的营养物质浓度数据对水体进行整体分析。
所述状态判定单元406包括营养状态指数模组4060与状态分析模组4062。
所述营养状态指数模组4060，用于根据所述目标水域水体中多种营养物质的整体浓度数据计算相应的综合营养状态指数：
Figure 37174DEST_PATH_IMAGE042
其中，
Figure 810089DEST_PATH_IMAGE043
表示所述综合营养状态指数，
Figure 258388DEST_PATH_IMAGE044
与
Figure 851175DEST_PATH_IMAGE045
分别 表示与叶绿素a、磷元素、氮元素、透明度及含氧量相应的状态指数，
Figure 777542DEST_PATH_IMAGE046
表示指数 系数；
所述状态分析模组4062，用于根据卡尔森营养状态指数确定所述目标水域的营养程度。
TLI<30为贫营养程度、30≤TLI≤50为中营养程度、50<TLI≤60为轻度富营养程度、60<TLI≤70为中度富营养程度、TLI>70为重度富营养程度。
如图4所示，在本申请一个或多个可选实施例提供了一种基于水域营养状态预测的水华智能预警系统100中，所述表层状态识别单元400还包括数据完善模组4000；
所述数据完善模组4000，用于在确定所述表层营养物质浓度时，对所述水体表层信息所存在的缺失时段相应的所述表层营养物质浓度进行预测计算：
Figure 857494DEST_PATH_IMAGE047
其中，
Figure 227426DEST_PATH_IMAGE048
表示
Figure 25618DEST_PATH_IMAGE049
时刻的所述表层营养物质浓度，
Figure 755677DEST_PATH_IMAGE050
表示
Figure 437937DEST_PATH_IMAGE051
时刻的所述表层营 养物质浓度，
Figure 775509DEST_PATH_IMAGE052
表示缺失时间，
Figure 326576DEST_PATH_IMAGE053
表示营养物质浓度修正系数，
Figure 611058DEST_PATH_IMAGE054
表示所述目标水域的表层 面积。
考虑到所述遥测数据单元所采集的所述低空影像数据与所述高空遥感数据可能存在因监测时间间隔造成的数据缺失，所述数据完善模组4000对针对所述缺失时段进行预测计算，从而可以得到全时段的所述表层营养物质浓度。这样的能够在时间连续性层面，提升所述表层状态识别单元反演识别所得到的所述表层营养物质浓度的数据完整性。所述营养状态识别模块，基于全时段的所述表层营养物质浓度，可以实现对所述目标水域的营养状态的全时间的及时监测，以便于降低水体富营养化风险。
如图5所示，在本申请一个或多个可选实施例提供了一种基于水域营养状态预测的水华智能预警系统100中，所述水华预警模块106包括藻密度预测单元500与水华概率预测单元502。
所述藻密度预测单元500，用于采用机器学习算法构建藻密度预测模型，所述藻密度预测模型的输入变量包括所述水体营养状态，输出变量包括藻密度预测值。
所述藻密度预测单元500，通过构建所述藻密度预测模型来学习所述目标水域中优势藻种藻密度与环境影响因子之间的相关关系。其中所述环境影响因子包括所述水体营养状态，以及营养盐、气象、水动力等条件。利用所述藻密度预测模型能够根据当前的环境影响因子准确预测所述目标水域中的藻密度。
所述水华概率预测单元502，用于根据所述藻密度预测值计算确定所述水华发生概率。
在一些可选实施例中，可以采用叶绿素a（Chl-a）的值来表示所述藻密度值，利用所述藻密度预测模型确定所述目标水域中Chl-a的预测值。之后以Chl-a预测值作为水华发生判别标准。例如，当其含量高于30 时，可以判定有水华爆发的可能。
所述基于水域营养状态预测的水华智能预警系统，在确定所述目水域的营养状态之后，还基于所述营养状态进行水华预警。采用机器学习算法学习构建藻密度预测模型以预测所述目标水域的藻密度值，从而确定水华发生概率，能够针对水华爆发进行及时预警。
在本申请一个或多个可选实施例提供了一种基于水域营养状态预测的水华智能预警系统100中，所述系统还包括实时参数优化模块。所述实时参数优化模块用于对所述表层状态识别单元的识别输入因子、所述表层-垂向浓度关系函数的关系参数以及所述藻密度预测模型的模型系数进行动态优化更新。
针对所述识别输入因子，所述实时参数优化模块，通过遥感波段组合获得的与水体营养状态相关的指数，结合灵敏度分析算法，筛选对模型影响较大的参数，确定用于水环境参数反演的最有代表性的波谱范围、波段、波段组合等，通过波段比值、一阶微分、指数算法、三波段及四波段算法等计算遥感水体指数，并与实测样本点数进行相关性分析、共线性诊断，剔除相关性较差、存在高度线性关系的样本点，优化参数，最终得到遥感因子与营养状态之间的回归关系，将筛选出的遥感水体因子作为所述表层状态识别单元的所述识别输入因子。所述实时参数优化模块，还对所述表层-垂向浓度关系函数的关系参数以及所述藻密度预测模型的模型系数进行动态优化更新，使得反演确定所述表层营养物质浓度、预测所述垂向营养物质浓度以及预测水华发生概率均能够维持较高准确性，进而保证基于水域营养状态预测的水华智能预警系统的运行稳定性。
上述实施例阐明的系统、模块、单元或模组，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
基于相同发明目的，本申请实施例还提供了一种基于水域营养状态预测的水华智能预警方法。
如图6所示，本申请一个或多个可选实施例所提供的一种基于水域营养状态预测的水华智能预警方法，包括：
S601：采集目标水域的多尺度水体信息，所述尺度水体信息包括水体理化信息、水体表层信息与参考水文信息。
S602：根据所述水体表层信息反演确定表层营养物质浓度。
S603：利用表层-垂向浓度关系函数根据所述表层营养物质浓度预测所述目标水域水体的垂向营养物质浓度，所述表层-垂向浓度关系函数根据所述多尺度水体信息拟合确定。
S604：根据所述表层营养物质浓度、所述垂向营养物质浓度确定所述目标水域的水体营养状态。
S605:根据所述水体营养状态预测水华发生概率，并根据所述水华发生概率生成相应的示警反馈通报信息
S606：将所述水体营养状态、所述水华发生概率及所述示警反馈通报信息进行可视化数字展示。
以某敏感水域为例，为了对其进行主动调控管理，利用本申请技术方案基于水域营养状态预测的水华智能预警系统及方法对典型敏感水域进行了水体营养状态的识别以及水华智能预警。根据chl-a、TP、TN、SD、CODMn五种指数数据，计算识别其综合营养状态指数TLI，采用0 ~ 100的一系列连续数字对湖泊营养程度进行分级：TLI<30为贫营养程度、30≤TLI≤50为中营养程度、50<TLI≤60为轻度富营养程度、60<TLI≤70为中度富营养程度、TLI>70为重度富营养程度，且在同一营养状态下，TLI指数值越高说明湖泊的营养程度越重。以2001~2021年的实测数据为例，不同年份计算得到的综合营养状态指数大多处于50~60之间，为轻度富营养程度。其中2007年综合营养状态指数最大值达到68.794，为中度富营养程度。2009年综合营养状态指数最大值为69.090，为中营养程度。考虑叶绿素a浓度与其他因子之间的相关关系，得出影响因子分割阙值和触发水华暴发的判别条件分别为硅磷比SiP<72、溶解氧DO 9 mg/L、透明度SD<92 cm、硅氮比SiN<5.7、总磷TP 0.13 mg/L。根据水体营养状态预测最终水华爆发概率为47.6%，存在水华发生的可能性，这种情况下生成相应的示警反馈通报信息，提醒相关负责人员对该水域进行干预措施，以降低水华爆发的可能性。下表1为利用本申请技术方案进行水体营养状态监测识别的结果与实际情况的验证表。
表1 多尺度识别模块识别结果验证
Figure 196760DEST_PATH_IMAGE055
利用本申请技术方案基于水域营养状态预测的水华智能预警系统及方法，针对目标水域的营养进行预测的平均误差仅7.8%左右。由此可见，利用本申请技术方案基于水域营养状态预测的水华智能预警系统及方法能够对目标水域水体的营养状态实现高效精准预测识别，可以及时有效地进行水华预警。
需要说明的是，本申请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申请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，上述对本申请的一些实施例进行了描述。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上述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。
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，并非旨在暗示本申请的范围（包括权利要求）被限于这些例子；在本申请的思路下，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申请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，并且为了不会使本申请实施例难以理解，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，以便避免使本申请实施例难以理解，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申请实施例的平台的（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）以描述本申请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申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述，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。
本申请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，凡在本申请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，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于水域营养状态预测的水华智能预警系统，其特征在于，包括：
多尺度信息采集模块，用于采集目标水域的多尺度水体信息，所述尺度水体信息包括水体理化信息、水体表层信息与参考水文信息；
营养状态识别模块，用于根据所述水体表层信息反演确定表层营养物质浓度，利用表层-垂向浓度关系函数根据所述表层营养物质浓度预测所述目标水域水体的垂向营养物质浓度，并根据所述表层营养物质浓度、所述垂向营养物质浓度确定所述目标水域的水体营养状态，所述表层-垂向浓度关系函数根据所述多尺度水体信息拟合确定；
水华预警模块，用于根据所述水体营养状态预测水华发生概率，并根据所述水华发生概率生成相应的示警反馈通报信息；以及
数字可视化模块，用于将所述水体营养状态、所述水华发生概率及所述示警反馈通报信息进行可视化数字展示。
2.根据权利要求1所述的系统，其特征在于，所述多尺度信息采集模块包括水体监测单元、遥测数据单元与参考信息采集单元；
所述水体监测单元，用于获取所述目标水域的水体水动力数据、水温数据、水质数据与水域风数据，所述水体理化信息包括所述水体水动力数据、所述水温数据、所述水质数据与所述水域风数据；
所述遥测数据单元，用于获取所述目标水域的低空影像数据与高空遥感数据，所述水体表层信息包括所述低空影像数据与所述高空遥感数据；
所述参考信息采集单元，用于收集所述目标水域相应的水文水动力数据、水域环境数据、地形地貌数据与气象数据，所述参考水文信息包括所述水文水动力数据、所述水域环境数据、所述地形地貌数据与所述气象数据。
3.根据权利要求2所述的系统，其特征在于，所述水体监测单元包括水下多功能探测装置与理化参数监测站；
所述水下多功能探测装置，用于获取所述水动力数据、水温数据与水质数据，所述理化参数监测站用于针对所述水质数据进行补充监测；
所述水下多功能探测装置包括水动力感应探头、温度感应器与水色成像仪；
其中，所述水动力感应探头设置在所述水下多功能探测装置底部，用于对不同探测深度的水动力因素进行探测记录；
所述温度感应器，用于采集不同探测深度的所述水温数据；
所述水色成像仪，用于在水体中不同探测深度处进行拍摄，并探测确定水体中溶解氧数据、叶绿素数据、藻密度数据、氮元素数据、磷元素数据与透明度数据；
其中，所述水色成像仪包括对称分布的两水色成像板；
两所述水色成像板的间距根据所述探测深度进行调整：
Figure 953951DEST_PATH_IMAGE001
其中，
Figure 211888DEST_PATH_IMAGE002
表示两所述水色成像板的间距，
Figure 283750DEST_PATH_IMAGE003
表示紊动修正系数，
Figure 458379DEST_PATH_IMAGE004
表示第
Figure 590283DEST_PATH_IMAGE005
个探测点处的 水流紊动强度，
Figure 601095DEST_PATH_IMAGE006
表示第
Figure 211068DEST_PATH_IMAGE005
个所述探测点相应的所述探测深度，
Figure 240204DEST_PATH_IMAGE007
表示光谱分辨率因子，
Figure 277430DEST_PATH_IMAGE008
表 示修正参数。
4.根据权利要求1所述的系统，其特征在于，所述营养状态识别模块包括表层状态识别单元、函数拟合单元、垂向状态预测单元以及状态判定单元；
所述表层状态识别单元，用于根据所述水体表层信息对所述目标水域表层水体营养状态进行反演识别，确定所述表层营养物质浓度；
所述函数拟合单元，用于以所述多尺度水体信息构建训练数据集，采用机器学习算法进行训练，拟合确定所述表层-垂向浓度关系函数；
所述表层-垂向浓度关系函数用于描述所述目标水域表层水体与垂向水体中营养物质浓度之间的关系；
所述表层-垂向浓度关系函数：
Figure 766750DEST_PATH_IMAGE009
其中，
Figure 180414DEST_PATH_IMAGE010
表示所述表层-垂向浓度关系函数，
Figure 64056DEST_PATH_IMAGE011
表示水体温度，
Figure 554074DEST_PATH_IMAGE012
表示所述表层水体中的 第
Figure 523167DEST_PATH_IMAGE013
种营养物质的浓度，
Figure 474943DEST_PATH_IMAGE014
表示垂向水体中的
Figure 478671DEST_PATH_IMAGE013
种营养物质的浓度，
Figure 608432DEST_PATH_IMAGE015
表示水流流速，
Figure 64821DEST_PATH_IMAGE016
表示 水深，
Figure 820288DEST_PATH_IMAGE017
表示组分扩展系数；
所述垂向状态预测单元，用于根据所述表层-垂向浓度关系函数以所述表层营养物质浓度为输入进行预测计算，确定所述垂向营养物质浓度；
所述状态判定单元，用于根据所述表层营养物质浓度、所述垂向营养物质浓度对所述目标水域的水体营养状态进行分析判定。
5.根据权利要求4所述的系统，其特征在于，所述表层状态识别单元包括数据完善模组；
所述数据完善模组，用于在确定所述表层营养物质浓度时，对所述水体表层信息所存在的缺失时段相应的所述表层营养物质浓度进行预测计算：
Figure 944102DEST_PATH_IMAGE018
其中，
Figure 510343DEST_PATH_IMAGE019
表示
Figure 454028DEST_PATH_IMAGE020
时刻的所述表层营养物质浓度，
Figure 747607DEST_PATH_IMAGE021
表示
Figure 460348DEST_PATH_IMAGE022
时刻的所述表层营养物 质浓度，
Figure 194561DEST_PATH_IMAGE023
表示缺失时间，
Figure 625542DEST_PATH_IMAGE024
表示营养物质浓度修正系数，
Figure 722811DEST_PATH_IMAGE025
表示所述目标水域的表层面积。
6.根据权利要求4所述的系统，其特征在于，所述函数拟合单元包括候选函数模组与函数筛选模组；
所述候选函数模组，用于根据所述训练数据集进行学习训练，确定多种候选关系函数；
所述函数筛选模组，用于计算确定多个所述候选关系函数的决定系数，根据所述决定系数选择最优函数作为所述表层-垂向浓度关系函数。
7.根据权利要求4所述的系统，其特征在于，所述状态判定单元包括营养状态指数模组与状态分析模组；
所述营养状态指数模组，用于根据所述目标水域水体中多种营养物质的整体浓度数据计算相应的综合营养状态指数：
Figure 290059DEST_PATH_IMAGE026
其中，
Figure 198103DEST_PATH_IMAGE027
表示所述综合营养状态指数，
Figure 381960DEST_PATH_IMAGE028
与
Figure 17340DEST_PATH_IMAGE029
分别表示 与叶绿素a、磷元素、氮元素、透明度及含氧量相应的状态指数，
Figure 455406DEST_PATH_IMAGE030
表示指数系 数；
所述状态分析模组，用于根据卡尔森营养状态指数确定所述目标水域的营养程度。
8.根据权利要求4所述的系统，其特征在于，所述水华预警模块包括藻密度预测单元与水华概率预测单元；
所述藻密度预测单元，用于采用机器学习算法构建藻密度预测模型，所述藻密度预测模型的输入变量包括所述水体营养状态，输出变量包括藻密度预测值；
所述水华概率预测单元，用于根据所述藻密度预测值计算确定所述水华发生概率。
9.根据权利要求8所述的系统，其特征在于，所述系统还包括实时参数优化模块；
所述实时参数优化模块用于对所述表层状态识别单元的识别输入因子、所述表层-垂向浓度关系函数的关系参数以及所述藻密度预测模型的模型系数进行动态优化更新。
10.一种基于水域营养状态预测的水华智能预警方法，其特征在于，包括：
采集目标水域的多尺度水体信息，所述尺度水体信息包括水体理化信息、水体表层信息与参考水文信息；
根据所述水体表层信息反演确定表层营养物质浓度；
利用表层-垂向浓度关系函数根据所述表层营养物质浓度预测所述目标水域水体的垂向营养物质浓度；
根据所述表层营养物质浓度、所述垂向营养物质浓度确定所述目标水域的水体营养状态，所述表层-垂向浓度关系函数根据所述多尺度水体信息拟合确定；
根据所述水体营养状态预测水华发生概率，并根据所述水华发生概率生成相应的示警反馈通报信息；以及
将所述水体营养状态、所述水华发生概率及所述示警反馈通报信息进行可视化数字展示。
CN202210780993.3A 2022-07-05 2022-07-05 一种基于水域营养状态预测的水华智能预警系统及方法 Active CN114858221B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210780993.3A CN114858221B (zh) 2022-07-05 2022-07-05 一种基于水域营养状态预测的水华智能预警系统及方法
EP22207091.4A EP4303581A1 (de) 2022-07-05 2022-11-14 System und verfahren zur intelligenten frühwarnung vor wasserblüten basierend auf der vorhersage des ernährungszustands von gewässern

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210780993.3A CN114858221B (zh) 2022-07-05 2022-07-05 一种基于水域营养状态预测的水华智能预警系统及方法

Publications (2)

Publication Number Publication Date
CN114858221A true CN114858221A (zh) 2022-08-05
CN114858221B CN114858221B (zh) 2022-09-09

Family

ID=82626183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210780993.3A Active CN114858221B (zh) 2022-07-05 2022-07-05 一种基于水域营养状态预测的水华智能预警系统及方法

Country Status (2)

Country Link
EP (1) EP4303581A1 (zh)
CN (1) CN114858221B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115906505A (zh) * 2022-12-12 2023-04-04 武汉大学 基于gnss信号的水面水华密度遥感探测方法及系统
CN117030966A (zh) * 2023-10-09 2023-11-10 北京林业大学 基于大数据的生态环境智能监测方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103234920A (zh) * 2013-04-23 2013-08-07 中国人民解放军理工大学 基于遥感信息的地下水富集性评估方法
CN106202163A (zh) * 2016-06-24 2016-12-07 中国环境科学研究院 通江湖泊生态监测信息管理及预警系统
US20180217067A1 (en) * 2015-10-15 2018-08-02 Scott M. Gallager System for rapid assessment of water quality and harmful algal bloom toxins
CN108830425A (zh) * 2018-06-26 2018-11-16 北京高能时代环境技术股份有限公司 水库水质预测系统及方法
CN109086948A (zh) * 2018-09-17 2018-12-25 中国水利水电科学研究院 基于数据同化的湖库富营养化预警方法
CN109784752A (zh) * 2019-01-28 2019-05-21 中国科学院重庆绿色智能技术研究院 一种三峡库区水体富营养化风险评估预警系统及其分析方法
CN110057761A (zh) * 2019-03-01 2019-07-26 江苏中车环保设备有限公司 一种全光谱结合快速易测指标的水质在线监测系统与方法
CN110207757A (zh) * 2019-06-27 2019-09-06 中国水利水电科学研究院 一种湖库垂向剖面水环境实时在线监测预警装置
CN110414051A (zh) * 2019-06-27 2019-11-05 长江水资源保护科学研究所 一种抑制河流水华的生态需水核算方法
CN111723479A (zh) * 2020-06-11 2020-09-29 中国科学院南京地理与湖泊研究所 面向过程的富营养化湖泊藻总量遥感估算方法
CN112070234A (zh) * 2020-09-04 2020-12-11 中国科学院南京地理与湖泊研究所 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法
CN113203694A (zh) * 2021-04-26 2021-08-03 中国科学院东北地理与农业生态研究所 Msi的湖泊富营养指数遥感估算方法
CN113642268A (zh) * 2021-07-15 2021-11-12 中国环境科学研究院 一种河流水华预测方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203708656U (zh) * 2013-11-01 2014-07-09 北京工商大学 河湖水质信息远程监控柜
CN106990216B (zh) * 2017-04-01 2019-03-29 河海大学 一种浅水湖泊水华风险分析预警系统及其分析预警方法
CN110887790B (zh) * 2019-11-04 2020-12-29 华中科技大学 基于fvcom和遥感反演的城市湖泊富营养化模拟方法和系统
CN111242380A (zh) * 2020-01-17 2020-06-05 中国水利水电科学研究院 一种基于人工智能算法的湖（库）富营养化预测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103234920A (zh) * 2013-04-23 2013-08-07 中国人民解放军理工大学 基于遥感信息的地下水富集性评估方法
US20180217067A1 (en) * 2015-10-15 2018-08-02 Scott M. Gallager System for rapid assessment of water quality and harmful algal bloom toxins
CN106202163A (zh) * 2016-06-24 2016-12-07 中国环境科学研究院 通江湖泊生态监测信息管理及预警系统
CN108830425A (zh) * 2018-06-26 2018-11-16 北京高能时代环境技术股份有限公司 水库水质预测系统及方法
CN109086948A (zh) * 2018-09-17 2018-12-25 中国水利水电科学研究院 基于数据同化的湖库富营养化预警方法
CN109784752A (zh) * 2019-01-28 2019-05-21 中国科学院重庆绿色智能技术研究院 一种三峡库区水体富营养化风险评估预警系统及其分析方法
CN110057761A (zh) * 2019-03-01 2019-07-26 江苏中车环保设备有限公司 一种全光谱结合快速易测指标的水质在线监测系统与方法
CN110207757A (zh) * 2019-06-27 2019-09-06 中国水利水电科学研究院 一种湖库垂向剖面水环境实时在线监测预警装置
CN110414051A (zh) * 2019-06-27 2019-11-05 长江水资源保护科学研究所 一种抑制河流水华的生态需水核算方法
CN111723479A (zh) * 2020-06-11 2020-09-29 中国科学院南京地理与湖泊研究所 面向过程的富营养化湖泊藻总量遥感估算方法
CN112070234A (zh) * 2020-09-04 2020-12-11 中国科学院南京地理与湖泊研究所 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法
CN113203694A (zh) * 2021-04-26 2021-08-03 中国科学院东北地理与农业生态研究所 Msi的湖泊富营养指数遥感估算方法
CN113642268A (zh) * 2021-07-15 2021-11-12 中国环境科学研究院 一种河流水华预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HUDNELL H K: "The state of U.S. freshwater harmful algal blooms assessments,policy and legislation", 《TOXICON》 *
毛劲乔 等: "云东海退田还湖工程调水改善水质的数值评估研究", 《水力发电学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115906505A (zh) * 2022-12-12 2023-04-04 武汉大学 基于gnss信号的水面水华密度遥感探测方法及系统
CN115906505B (zh) * 2022-12-12 2024-05-24 武汉大学 基于gnss信号的水面水华密度遥感探测方法及系统
CN117030966A (zh) * 2023-10-09 2023-11-10 北京林业大学 基于大数据的生态环境智能监测方法及系统
CN117030966B (zh) * 2023-10-09 2023-12-12 北京林业大学 基于大数据的生态环境智能监测方法及系统

Also Published As

Publication number Publication date
EP4303581A1 (de) 2024-01-10
CN114858221B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN114858221B (zh) 一种基于水域营养状态预测的水华智能预警系统及方法
CN105868533B (zh) 基于物联网和3s技术江河流域水环境集成感知与应用方法
Legleiter et al. Remote measurement of river discharge using thermal particle image velocimetry (PIV) and various sources of bathymetric information
CN108230302B (zh) 一种核电厂冷源海域入侵海洋生物探测及处置方法
CN109917098A (zh) 深圳海域水质评价方法及系统
CN111866452B (zh) 一种滑坡堰塞坝应急处置的视频实时监测方法
Bonamano et al. The Civitavecchia Coastal Environment Monitoring System (C-CEMS): a new tool to analyze the conflicts between coastal pressures and sensitivity areas
Emamgholizadeh et al. Comparison of artificial neural networks, geographically weighted regression and Cokriging methods for predicting the spatial distribution of soil macronutrients (N, P, and K)
CN115690632A (zh) 一种内陆河流水体的水环境监测方法
CN114018317B (zh) 一种用于海洋环境的数据采集装置及方法
Kc et al. Surface water quality assessment using remote sensing, GIS and artificial intelligence
CN113780177A (zh) 一种非接触式实时原位水质监测方法
KR102582180B1 (ko) Ai를 활용한 소하천 스마트 예측 관리 시스템 및 그방법
Bonansea et al. Monitoring of regional lake water clarity using Landsat imagery
CN115236006B (zh) 一种电子河长光谱检测数据的处理方法及系统
Silva et al. Water quality prediction based on wavelet neural networks and remote sensing
Hayes et al. Estimating dredge-induced turbidity using drone imagery
CN114529815A (zh) 一种基于深度学习的流量检测方法、装置、介质及终端
Carpintero et al. Estimation of turbidity along the Guadalquivir estuary using Landsat TM and ETM+ images
CN110988286A (zh) 一种智能水资源长期探测系统
CN117228853B (zh) 一种河道生态修复方法及系统
Shen et al. Estimation of suspended matter concentration in manwan reservoir, lancang river using remotely sensed small satellite constellation for environment and disaster monitoring and forecasting (HJ-1A/1B), charge coupled device (CCD) data
Pardeshi et al. Water Quality Analysis from Satellite Images
CN106970373A (zh) 基于水面状态连续成像系统的小波浪浪高提取方法
CN117875219B (zh) 运河通航影响下河口湿地植被时空变化的模拟方法及装置

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