CN114897422B - 蓝藻水华损失评估方法、装置、电子设备及存储介质 - Google Patents
蓝藻水华损失评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114897422B CN114897422B CN202210628858.7A CN202210628858A CN114897422B CN 114897422 B CN114897422 B CN 114897422B CN 202210628858 A CN202210628858 A CN 202210628858A CN 114897422 B CN114897422 B CN 114897422B
- Authority
- CN
- China
- Prior art keywords
- historical
- water level
- cyanobacterial bloom
- area
- bloom
- 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
- 241000192700 Cyanobacteria Species 0.000 title claims abstract description 82
- 238000011156 evaluation Methods 0.000 title claims abstract description 56
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 167
- 238000000034 method Methods 0.000 claims abstract description 31
- 150000003839 salts Chemical class 0.000 claims description 149
- 230000000050 nutritive effect Effects 0.000 claims description 87
- 230000006870 function Effects 0.000 claims description 86
- 235000015097 nutrients Nutrition 0.000 claims description 63
- 230000008859 change Effects 0.000 claims description 44
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 30
- 238000012851 eutrophication Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 30
- 230000012010 growth Effects 0.000 claims description 20
- 229910052757 nitrogen Inorganic materials 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 12
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 11
- 229910052698 phosphorus Inorganic materials 0.000 claims description 11
- 239000011574 phosphorus Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 239000012286 potassium permanganate Substances 0.000 claims description 8
- 229930002875 chlorophyll Natural products 0.000 claims description 6
- 235000019804 chlorophyll Nutrition 0.000 claims description 6
- 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 description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000012854 evaluation process Methods 0.000 abstract description 4
- 241000195493 Cryptophyta Species 0.000 description 31
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000010219 correlation analysis Methods 0.000 description 8
- 102000006463 Talin Human genes 0.000 description 3
- 108010083809 Talin Proteins 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 241000192710 Microcystis aeruginosa Species 0.000 description 1
- 230000005791 algae growth Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Cultivation Of Seaweed (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及及水体环境监测技术领域，具体涉及一种蓝藻水华损失评估方法、装置、电子设备及存储介质。该包括：获取目标湖泊对应的目标水位；将目标水位输入至预设的蓝藻水华面积模型，输出目标水位对应的目标蓝藻水华面积；蓝藻水华面积模型基于历史蓝藻水华面积数据与历史水位数据之间的关系生成；基于单位蓝藻水华面积损失量与目标蓝藻水华面积，确定目标湖泊对应的蓝藻水华损失量。上述方法，通过获取目标湖泊对应的目标水位，然后，基于蓝藻水华面积模型，最终确定目标湖泊对应的蓝藻水华损失量，保证了确定的目标湖泊对应的蓝藻水华损失量的准确性。此外，因为整个蓝藻水华损失评估过程简单，因此不需要进行多评估指标打分。
Description
技术领域
本发明涉及及水体环境监测技术领域，具体涉及一种蓝藻水华损失评估方法、装置、电子设备及存储介质。
背景技术
由于人类活动和气候变化，湖泊富营养化已成为全球性问题，并可能导致浮游植物群落发生重大变化和蓝藻水华的发生。预计全球范围内蓝藻水华将变得更加频繁，其严重程度和持续时间也会更长。蓝藻水华对地表水生态系统的健康构成严重威胁，从而影响饮用水水源的安全。湖泊或水库的富营养化会导致蓝藻繁殖，这对水生生态系统有害，并常常对进入水域的人的健康构成潜在威胁。蓝藻水华对公众健康构成威胁，对生态、经济和水资源造成影响，并引发相关的社会问题。现有关于蓝藻水华研究包括：蓝藻水华监测、蓝藻水华爆发机理、模拟预测、风险评估等。
目前蓝藻水华风险评估方法主要基于监测及统计数据，进行多评估指标打分，进而得到相关区域蓝藻水华的风险评级结果。部分基于遥感的蓝藻水华风险评估研究，基于遥感影像解译，对长时序历史数据进行分析，得到风险评级结果。
上述蓝藻水华风险评估方法，操作复杂且准确度较低。
发明内容
有鉴于此，本发明实施例提供了一种蓝藻水华损失评估方法，旨在解决现有技术中蓝藻水华风险评估方法，操作复杂且准确度较低的问题。
根据第一方面，本发明实施例提供了一种蓝藻水华损失评估方法，包括：
获取目标湖泊对应的目标水位；
将目标水位输入至预设的蓝藻水华面积模型，输出目标水位对应的目标蓝藻水华面积；蓝藻水华面积模型基于历史蓝藻水华面积数据与历史水位数据之间的关系生成；
基于单位蓝藻水华面积损失量与目标蓝藻水华面积，确定目标湖泊对应的蓝藻水华损失量。
本发明实施例提供的蓝藻水华损失评估方法，获取目标湖泊对应的目标水位，然后将目标水位输入至预设的蓝藻水华面积模型，输出目标水位对应的目标蓝藻水华面积，从而可以快速准确地确定目标蓝藻水华面积。然后，基于单位蓝藻水华面积损失量与目标蓝藻水华面积，确定目标湖泊对应的蓝藻水华损失量，保证了确定的目标湖泊对应的蓝藻水华损失量准确。上述方法，通过获取目标湖泊对应的目标水位，然后，基于蓝藻水华面积模型，最终确定目标湖泊对应的蓝藻水华损失量，保证了确定的目标湖泊对应的蓝藻水华损失量的准确性。此外，因为整个蓝藻水华损失评估过程简单，因此不需要进行多评估指标打分。
结合第一方面，在第一方面第一实施方式中，蓝藻水华面积模型基于历史蓝藻水华面积数据与历史水位数据之间的关系生成，包括：
获取历史蓝藻水华面积数据与历史营养盐指数之间的第一函数关系；
获取历史水位数据与历史营养盐指数之间的第二函数关系；
基于第一函数关系以及第二函数关系，生成蓝藻水华面积模型。
本发明实施例提供的蓝藻水华损失评估方法，获取历史蓝藻水华面积数据与历史营养盐指数之间的第一函数关系，然后，获取历史水位数据与历史营养盐指数之间的第二函数关系。基于第一函数关系以及第二函数关系，生成蓝藻水华面积模型，保证了生成的蓝藻水华面积模型的准确性。
结合第一方面第一实施方式，在第一方面第二实施方式中，获取历史蓝藻水华面积数据与历史营养盐指数之间的第一函数关系，包括：
获取历史蓝藻水华面积数据，并获取历史蓝藻水华面积数据对应的历史营养盐指数；
对历史蓝藻水华面积数据和历史营养盐指数进行线性拟合，生成第一函数关系。
本发明实施例提供的蓝藻水华损失评估方法，获取历史蓝藻水华面积数据，并获取历史蓝藻水华面积数据对应的历史营养盐指数。然后，对历史蓝藻水华面积数据和历史营养盐指数进行线性拟合，生成第一函数关系，保证了生成的第一函数关系的准确性。
结合第一方面第二实施方式，在第一方面第三实施方式中，获取历史蓝藻水华面积数据对应的历史营养盐指数，包括：
获取历史蓝藻水华面积数据对应的湖泊富营养化指标，湖泊富营养化指标包括总磷、总氮、高锰酸钾、透明度和叶绿素浓度中的至少一种；
对湖泊富营养化指标进行归一化处理，并将归一化处理后的各湖泊富营养化指标进行加权平均，得到历史营养盐指数。
本发明实施例提供的蓝藻水华损失评估方法，获取历史蓝藻水华面积数据对应的湖泊富营养化指标，然后，对湖泊富营养化指标进行归一化处理，并将归一化处理后的各湖泊富营养化指标进行加权平均，得到历史营养盐指数，从而保证了得到的历史营养盐指数的准确性。
结合第一方面第一实施方式，在第一方面第四实施方式中，获取历史水位数据与历史营养盐指数之间的第二函数关系，包括：
获取蓝藻水华生长规律；
基于蓝藻水华生长规律以及第一函数关系，确定历史营养盐指数的变化规律；
基于历史营养盐指数的变化规律，对历史水位数据与历史营养盐指数进行拟合，生成第二函数。
本发明实施例提供的蓝藻水华损失评估方法，获取蓝藻水华生长规律，然后，基于蓝藻水华生长规律以及第一函数关系，确定历史营养盐指数的变化规律，从而保证了确定的历史营养盐指数的变化规律的准确性。基于历史营养盐指数的变化规律，对历史水位数据与历史营养盐指数进行拟合，生成第二函数，保证了拟合得到的第二函数的准确性。
结合第一方面第四实施方式，在第一方面第五实施方式中，基于历史营养盐指数的变化规律，对历史水位数据与历史营养盐指数进行拟合，生成第二函数，包括：
获取历史水位数据；
将各历史水位数据除以各历史水位数据的平均值，得到历史水位数据系数；
基于历史营养盐指数的变化规律，对历史水位数据系数与历史营养盐指数进行拟合，生成第二函数。
本发明实施例提供的蓝藻水华损失评估方法，获取历史水位数据，将各历史水位数据除以各历史水位数据的平均值，得到历史水位数据系数，保证了得到的历史水位数据系数的准确性，从而消除了历史水位数据的量纲影响。然后，基于历史营养盐指数的变化规律，对历史水位数据系数与历史营养盐指数进行拟合，生成第二函数，保证了生成的第二函数的准确性。
结合第一方面第五实施方式，在第一方面第六实施方式中，基于历史营养盐指数的变化规律，对历史水位数据系数与历史营养盐指数进行拟合，生成第二函数，包括：
基于历史营养盐指数的变化规律，确定第二函数的函数类型；
基于第二函数的函数类型，对历史水位数据系数与历史营养盐指数进行拟合，生成第二函数。
本发明实施例提供的蓝藻水华损失评估方法，基于历史营养盐指数的变化规律，确定第二函数的函数类型，保证了确定的第二函数的函数类型的准确性。然后，基于第二函数的函数类型，对历史水位数据系数与历史营养盐指数进行拟合，生成第二函数。保证了生成的第二函数的准确性。
根据第二方面，本发明实施例还提供了一种蓝藻水华损失评估装置，包括：
获取模块，用于获取目标湖泊对应的目标水位；
输入模块，用于将目标水位输入至预设的蓝藻水华面积模型，输出目标水位对应的目标蓝藻水华面积；蓝藻水华面积模型基于历史蓝藻水华面积数据与历史水位数据之间的关系生成；
确定模块，用于基于单位蓝藻水华面积损失量与目标蓝藻水华面积之间的关系，确定目标湖泊对应的蓝藻水华损失量。
本发明实施例提供的蓝藻水华损失评估装置，获取目标湖泊对应的目标水位，然后将目标水位输入至预设的蓝藻水华面积模型，输出目标水位对应的目标蓝藻水华面积，从而可以快速准确地确定目标蓝藻水华面积。然后，基于单位蓝藻水华面积损失量与目标蓝藻水华面积，确定目标湖泊对应的蓝藻水华损失量，保证了确定的目标湖泊对应的蓝藻水华损失量准确。上述方法，通过获取目标湖泊对应的目标水位，然后，基于蓝藻水华面积模型，最终确定目标湖泊对应的蓝藻水华损失量，保证了确定的目标湖泊对应的蓝藻水华损失量的准确性。此外，因为整个蓝藻水华损失评估过程简单，因此不需要进行多评估指标打分。
根据第三方面，本发明实施例提供了一种电子设备，包括存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中的蓝藻水华损失评估方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储计算机指令，计算机指令用于使计算机执行第一方面或者第一方面的任意一种实施方式中的蓝藻水华损失评估方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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是应用本发明实施例提供的蓝藻水华损失评估方法的流程图；
图2是应用本发明另一实施例提供的蓝藻水华损失评估方法的流程图；
图3是应用本发明另一实施例提供的蓝藻水华损失评估方法中概念模型曲线示意图；
图4(a)是应用本发明另一实施例提供的蓝藻水华损失评估方法中总磷与蓝藻爆发面积进行相关性分析示意图；
图4(b)是应用本发明另一实施例提供的蓝藻水华损失评估方法中总氮与蓝藻爆发面积进行相关性分析示意图；
图4(c)是应用本发明另一实施例提供的蓝藻水华损失评估方法中总氮与蓝藻爆发面积进行相关性分析示意图；
图5是应用本发明另一实施例提供的蓝藻水华损失评估方法中历史蓝藻水华面积比例与历年最大营养盐指数进行线性拟合得到的曲线示意图；
图6是应用本发明另一实施例提供的蓝藻水华损失评估方法中拟合得到的S曲线方程示意图；
图7是应用本发明实施例提供的蓝藻水华损失评估装置的功能模块图；
图8是应用本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
需要说明的是，本申请实施例提供的蓝藻水华损失评估的方法，其执行主体可以是蓝藻水华损失评估的装置，该蓝藻水华损失评估的装置可以通过软件、硬件或者软硬件结合的方式实现成为电子设备的部分或者全部，其中，该电子设备可以是服务器或者终端，其中，本申请实施例中的服务器可以为一台服务器，也可以为由多台服务器组成的服务器集群，本申请实施例中的终端可以是智能手机、个人电脑、平板电脑、可穿戴设备以及智能机器人等其他智能硬件设备。下述方法实施例中，均以执行主体是电子设备为例来进行说明。
在本申请一个实施例中，如图1所示，提供了一种蓝藻水华损失评估方法，以该方法应用于电子设备为例进行说明，包括以下步骤：
S11、获取目标湖泊对应的目标水位。
具体地，电子设备可以接收其他设备发送的目标湖泊对应的目标水位，也可以接收用户输入的目标湖泊对应的目标水位，电子设备还可以基于测量组件测量目标湖泊对应的目标水位。本申请实施例对电子设备获取目标湖泊对应的目标水位的方式不做具体限定。
S12、将目标水位输入至预设的蓝藻水华面积模型，输出目标水位对应的目标蓝藻水华面积。
其中，蓝藻水华面积模型基于历史蓝藻水华面积数据与历史水位数据之间的关系生成。
在本申请一种可选的实施方式中，电子设备可以将目标水位输入至预设的蓝藻水华面积模型，然后基于预设的蓝藻水华面积模型输出目标水位对应的目标蓝藻水华面积。
在本申请另一种可选的实施方式中，电子设备还可以获取目标湖泊的历史水位数据的对应的历史平均水位，然后将目标水位除以历史平均水位，得到目标水位系数，将目标水位系数输入至蓝藻水华面积模型，输出目标水位系数对应的目标蓝藻水华面积。
关于基于历史蓝藻水华面积数据与历史水位数据之间的关系生成蓝藻水华面积模型的步骤，将在下文进行介绍。
S13、基于单位蓝藻水华面积损失量与目标蓝藻水华面积，确定目标湖泊对应的蓝藻水华损失量。
具体地，电子设备可以获取单位蓝藻水华面积损失量。可选的，电子设备可以接收其他设备发送的单位蓝藻水华面积损失量，也可以接收用户输入的单位蓝藻水华面积损失量，本申请实施例对电子设备获取单位蓝藻水华面积损失量的方式不做具体限定。
电子设备在获取到单位蓝藻水华面积损失量以及目标蓝藻水华面积之后，可以基于单位蓝藻水华面积损失量乘以目标蓝藻水华面积，从而得到目标湖泊对应的蓝藻水华损失量。
示例性的，对目标蓝藻水华面积进行价值量化，得到目标湖泊对应的蓝藻水华损失量，计算公式为：
Z＝YV (1)
式中：Z为目标湖泊对应的蓝藻水华损失值，Y为目标蓝藻水华面积，V为单位蓝藻水华面积损失量。
本发明实施例提供的蓝藻水华损失评估方法，获取目标湖泊对应的目标水位，然后将目标水位输入至预设的蓝藻水华面积模型，输出目标水位对应的目标蓝藻水华面积，从而可以快速准确地确定目标蓝藻水华面积。然后，基于单位蓝藻水华面积损失量与目标蓝藻水华面积，确定目标湖泊对应的蓝藻水华损失量，保证了确定的目标湖泊对应的蓝藻水华损失量准确。上述方法，通过获取目标湖泊对应的目标水位，然后，基于蓝藻水华面积模型，最终确定目标湖泊对应的蓝藻水华损失量，保证了确定的目标湖泊对应的蓝藻水华损失量的准确性。此外，因为整个蓝藻水华损失评估过程简单，因此不需要进行多评估指标打分。
在本申请一个实施例中，如图2所示，上述S12中的“蓝藻水华面积模型基于历史蓝藻水华面积数据与历史水位数据之间的关系生成”，可以包括如下步骤：
S21、获取历史蓝藻水华面积数据与历史营养盐指数之间的第一函数关系。
在本申请一种可选的实施方式中，电子设备可以接收其他设备发送的第一函数关系，也可以接收用户输入的第一函数关系。
在本申请一种可选的实施方式中，上述S21中的“获取历史蓝藻水华面积数据与历史营养盐指数之间的第一函数关系”，可以包括如下步骤：
S211、获取历史蓝藻水华面积数据，并获取历史蓝藻水华面积数据对应的历史营养盐指数。
具体地，电子设备可以根据MODIS遥感数据的可获取程度及蓝藻水华的发生时间获取历史蓝藻水华面积。然后，电子设备可以历史蓝藻水华面积作为函数实物量指标反映蓝藻水华的影响。
具体地，电子设备构建基于MODIS遥感影像band1和band2的绿度指数GI(greenindex)来提取历史蓝藻水华面积，见公式(2)：
GI＝Band2/Band1 (2)
其中，Band1为MODIS红波段的反射率，Band2为MODIS近红外波段的反射率。
在历史蓝藻水华面积提取的过程中，为保证提取结果的准确性需参照目视解译结果及已掌握的实测数据对结果进行校正，通过试验方法确定当GI＞0.9时，目标湖泊历史蓝藻水华面积的提取较为准确。而大型浮游植物的分布区域因具有与蓝藻相似的光谱特征，在遥感提取的过程中会被误认为蓝藻，因此在进行面积校正时应根据湖面的实际情况剔除与蓝藻光谱特征相似的大型浮游植物所分布的湖面。
在本申请一种可选的实施方式中，上述S211中的“获取历史蓝藻水华面积数据对应的历史营养盐指数”，可以包括如下步骤：
(1)获取历史蓝藻水华面积数据对应的湖泊富营养化指标。
其中，湖泊富营养化指标包括总磷、总氮、高锰酸钾、透明度和叶绿素浓度中的至少一种。
具体地，蓝藻暴发形成灾害，暴发程度及影响范围采用蓝藻水华面积作为评价指标。影响蓝藻水华面积发展的主要因子包括营养物浓度、气温、光照、水动力等环境要素。
此外，蓝藻暴发期多集中在5-10月，该阶段的平均温度基本处于20℃-32℃，属于蓝藻生长的适宜温度范围，在该阶段内认为气候温度对蓝藻暴发的影响基本是一定的。因此，本申请实施例以分析营养盐对蓝藻暴发的影响为主。
根据水资源质量报告，湖泊富营养化状况的评价包括：总磷、总氮、高锰酸钾、透明度和叶绿素浓度五个指标。
在本申请一种可选的实施方式中，总磷、总氮、高锰酸钾是反映富营养化的指标，是蓝藻水华产生的主要影响因子，而透明度和叶绿素浓度主要反映水华爆发后产生的结果。
因此，本申请实施例可以选取总磷、总氮、高锰酸钾三个因素为主要指标。
(2)对湖泊富营养化指标进行归一化处理，并将归一化处理后的各湖泊富营养化指标进行加权平均，得到历史营养盐指数。
具体地，电子设备可以利用如下公式，对湖泊富营养化指标进行归一化处理，公式如下(3)：
其中，xij为第j类指标第i时段的监测值；yij为归一化处理后的各湖泊富营养化指标。然后，电子设备可以根据国家环境监测中心发布的《湖泊(水库)富营养化评价方法及分析技术规定》，对归一化处理后的各湖泊富营养化指标进行加权平均，得到历史营养盐指数。
S212、对历史蓝藻水华面积数据和历史营养盐指数进行线性拟合，生成第一函数关系。
在本申请一种可选的实施方式中，电子设备可以对历史蓝藻水华面积数据和历史营养盐指数进行研究，然后获取历史蓝藻水华面积数据和历史营养盐指数之间的线性关系，对历史蓝藻水华面积数据和历史营养盐指数进行线性拟合，生成第一函数关系。
在本申请另一种可选的实施方式中，电子设备对历史蓝藻水华面积数据和历史营养盐指数进行研究，为了减少由于湖泊面积发生变化，对历史蓝藻水华面积数据造成影响，从而影响了第一函数关系的准确性。电子设备可以以历史蓝藻水花面积比例(历史蓝藻水华面积/历史湖泊总面积)来反映蓝藻水华的影响，以历年最大营养盐指数表示驱动蓝藻暴发至最大面积的营养强度，两指标成线性关系，电子设备对历史蓝藻水花面积比例和历史营养盐指数进行线性拟合，生成第一函数关系。第一函数关系见公式(4)：
式中：
每年蓝藻水华面积比例；y为营养盐指数。a和b为相关系数，可以通过线性拟合获得。
S22、获取历史水位数据与历史营养盐指数之间的第二函数关系。
在本申请一种可选的实施方式中，电子设备可以接收其他设备发送的第二函数关系，也可以接收用户输入的第二函数关系。
在本申请一种可选的实施方式中，上述S22中的“获取历史水位数据与历史营养盐指数之间的第二函数关系”，可以包括如下步骤：
S221、获取蓝藻水华生长规律。
具体地，蓝藻水华属于人为造成的水灾害，其爆发规律符合“缓-急-缓”的S型曲线的灾害变化过程，其概念模型曲线见图3。图3中，x可以表示蓝藻水华过程中的驱动或阻抗因子；S表示蓝藻水华过程中的最大极限值；参数α为脆弱性系数；XB表示蓝藻水华过程中的转折点。XD是曲线的中心对称点。同样，XA和XB表示蓝藻水华灾害的临界值。
S222、基于蓝藻水华生长规律以及第一函数关系，确定历史营养盐指数的变化规律。
具体地，由于第一函数关系表征历史蓝藻水华面积数据与历史营养盐指数之间关系。因此，电子设备可以基于蓝藻水华生长规律以及第一函数关系，确定历史营养盐指数的变化规律。
示例性的，当蓝藻水华生长规律符合“缓-急-缓”的S型曲线，且第一函数关系为线性函数关系时，电子设备可以将历史营养盐指数的变化规律带入到蓝藻水华生长规律，从而确定历史营养盐指数的变化规律符合“缓-急-缓”的S型曲线。
S223、基于历史营养盐指数的变化规律，对历史水位数据与历史营养盐指数进行拟合，生成第二函数。
在本申请一种可选的实施方式中，电子设备可以基于历史营养盐指数的变化规律，对历史水位数据与历史营养盐指数进行拟合，生成第二函数。
在本申请一种可选的实施方式中，上述S223中的“基于历史营养盐指数的变化规律，对历史水位数据与历史营养盐指数进行拟合，生成第二函数”，可以包括如下步骤：
(1)获取历史水位数据。
具体地，影响营养盐指数的主要因素有：湖水中污染物总量和湖水总量。湖水水位与营养盐之间呈负相关关系，随着湖水水位降低，营养盐指数呈上升趋势，湖水中营养盐浓度增加，蓝藻扩散加剧。综合考虑蓝藻生长规律，湖水水位作为驱动因素，通过影响营养盐指数变化，进而驱动蓝藻水华情势变化。因此，电子设备需要研究历史水位数据与历史水位数据之间的关系。
可选的，电子设备可以接收其他设备发送的历史营养盐指数对应的历史水位数据，也可以接收用户输入的历史营养盐指数对应的历史水位数据，本申请实施例对电子设备获取历史水位数据的方式不做具体限定。
(2)将各历史水位数据除以各历史水位数据的平均值，得到历史水位数据系数。
具体地，为了消除历史水位数据量纲影响，保证历史水位数据处于同一分析平台，对历史水位数据进行无量纲处理，
其中xi为历史水位数据，/>
为多年平均湖水位，/>
为历史水位数据系数。
(3)基于历史营养盐指数的变化规律，对历史水位数据系数与历史营养盐指数进行拟合，生成第二函数。
在本申请一种可选的实施方式中，电子设备可以基于历史营养盐指数的变化规律，对历史水位数据系数与历史营养盐指数进行拟合，生成第二函数。
在本申请另一种可选的实施方式中，上述步骤(3)中的“基于历史营养盐指数的变化规律，对历史水位数据系数与历史营养盐指数进行拟合，生成第二函数”，可以包括如下步骤：
(31)基于历史营养盐指数的变化规律，确定第二函数的函数类型。
具体地，电子设备可以基于历史营养盐指数对应的“缓-急-缓”的S型曲线的变化规律，确定第二函数的函数类型。
在本申请一种可选的实施方式中，电子设备可以基于历史营养盐指数对应的“缓-急-缓”的S型曲线的变化规律，确定的第二函数的函数类型可以为双曲线正切函数。
(32)基于第二函数的函数类型，对历史水位数据系数与历史营养盐指数进行拟合，生成第二函数。
具体地，湖泊水位变化引起营养盐指数变化进而造成蓝藻水华灾害暴发，从水文要素驱动的角度研究蓝藻水华灾害其物理机制更明确。将营养盐指数作为中间变量，进而分析湖水位的变化对蓝藻面积的影响。
电子设备基于第二函数的函数类型，对历史水位数据系数与历史营养盐指数进行拟合，生成第二函数关系。
可选的，第二函数关系见公式(5)：
式中：
为历史水位数据系数，S为历史营养盐指数最大值，y为历史营养盐指数，α为敏感性系数。
S23、基于第一函数关系以及第二函数关系，生成蓝藻水华面积模型。
具体地，电子设备在获取到第一函数以及第二函数之后，可以将第二函数代入到的第一函数，计算得到蓝藻水华面积比例对应的函数，然后，利用蓝藻水华面积比例乘以目标湖泊总面积，生成蓝藻水华面积模型。
示例性的，将第二函数公式(5)代入到的第一函数公式(4)，计算得到蓝藻水华面积比例对应的函数如下
其中，
为每年蓝藻水华面积比例，a和b为相关系数，/>
为水位数据系数，表示水位数据与平均水位数据的比值，S为历史营养盐指数最大值，y为历史营养盐指数，α为敏感性系数。
上述公式(6)乘以目标湖泊总面积，生成蓝藻水华面积模型。
其中，A表示目标湖泊总面积。
本发明实施例提供的蓝藻水华损失评估方法，获取历史蓝藻水华面积数据，并获取历史蓝藻水华面积数据对应的湖泊富营养化指标。然后，对湖泊富营养化指标进行归一化处理，并将归一化处理后的各湖泊富营养化指标进行加权平均，得到历史营养盐指数，从而保证了得到的历史营养盐指数的准确性。然后，对历史蓝藻水华面积数据和历史营养盐指数进行线性拟合，生成第一函数关系，保证了生成的第一函数关系的准确性。
然后，获取蓝藻水华生长规律，然后，基于蓝藻水华生长规律以及第一函数关系，确定历史营养盐指数的变化规律，从而保证了确定的历史营养盐指数的变化规律的准确性。获取历史水位数据，将各历史水位数据除以各历史水位数据的平均值，得到历史水位数据系数，保证了得到的历史水位数据系数的准确性，从而消除了历史水位数据的量纲影响。然后，基于历史营养盐指数的变化规律，确定第二函数的函数类型，保证了确定的第二函数的函数类型的准确性。然后，基于第二函数的函数类型，对历史水位数据系数与历史营养盐指数进行拟合，生成第二函数。保证了生成的第二函数的准确性。
最后，基于第一函数关系以及第二函数关系，生成蓝藻水华面积模型，保证了生成的蓝藻水华面积模型的准确性。
为了更好地说明本申请实施例提供地蓝藻水华损失评估方法，本申请实施例提供了一种蓝藻水华损失评估方法的实施例。
具体地，以A湖区域为示例进行蓝藻水华损失评估。
根据A湖2004年-2014年遥感影像资料，获取蓝藻水华发生时间和面积，MODIS解译结果见表1。
表1A湖蓝藻水华的解译结果
根据上述实施方式中的公式(3)，计算A湖对应的总磷、总氮、高锰酸三个指标的归一化值，并一一与蓝藻爆发面积进行相关性分析，如图4(a)-图(c)所示，其中，图4(a)为总磷与蓝藻爆发面积进行相关性分析示意图，图4(b)为总氮与蓝藻爆发面积进行相关性分析示意图，图4(c)为总氮与蓝藻爆发面积进行相关性分析示意图。
结果显示，总氮与蓝藻水华面积的相关系数R＝0.14，基本无相关性，因此确定总氮浓度对蓝藻水华面积无影响。主要原因可能是目前A湖总氮浓度处于较高浓度(＞1.0mg/L)，并不限制蓝藻的生长；总磷、高锰酸钾和蓝藻水华面积的相关系数分别为0.80和0.72，相关性较好，可作为影响A湖蓝藻水华爆发的主要因素。根据两个指标加权平均获得对应营养盐指数。
对历史蓝藻水华面积比例与历年最大营养盐指数进行线性拟合，见图5，并确定线性方程，如下公式(8)：
其中，
每年蓝藻水华面积比例；y为营养盐指数。a和b为相关系数。R2＝0.6665，根据显著性相关分析，在0.01显著性水平上存在显著相关。
由于，历史蓝藻水华面积比例与历史营养盐指数呈线性关系，且蓝藻生长符合“缓-急-缓”的S型曲线的灾害变化过程。
因此，湖水水位下降和营养盐指数上升的过程是一个S型曲线的变化过程见图3。先假设蓝藻水华灾害函数如下：
其中，X表示蓝藻水华过程中的驱动或阻抗因子；S表示蓝藻水华过程中的最大极限值；参数α为脆弱性系数；XD是曲线的中心对称点。如图3，所示，XB表示蓝藻水华过程中的转折点。同样，XA和XB表示蓝藻水华灾害的临界值。
由拟合的S曲线计算得到的模拟值和实测值的误差分布应服从正态分布规律，并利用上述四条拟合曲线对误差分布进行分析。当XA＝3.5m时，误差分布曲线与正态分布更为一致，故选取与湖面相对应的S型曲线作为拟合曲线。
以XA＝3.5m，XD＝3.25m为初始参数，无量纲后计算α＝8.448。S为营养盐指数的最大值，将已知的曲线中心对称点(3.25,0.4)代入公式计算得到S＝0.8。拟合确定的S曲线方程如图6，见公式10：
其中，y每年蓝藻水华面积比例，
为湖泊水位的无量纲值。
根据公式10和公式11中湖泊水位、营养指数与最大蓝藻水华面积之比的关系，最终蓝藻水华面积函数：
其中，Y为最大水华面积(km2)，2338(km2)为A湖总面积；
为湖泊水位的无量纲值。
根据公式(11)，计算历年暴发的蓝藻水华面积，结果见表2。
表2蓝藻水华面积计算结果
价值量化重点在于求得单位蓝藻水华面积损失量V。A湖蓝藻水华暴发将直接影响周边地区如供水、提供水产品、水质净化、维持生物多样性、旅游等多项生态系统服务功能，产生损失。同时相关部门不断投入人力、物力打捞蓝藻，也将出现打捞费用。根据A湖生态系统服务价值相关资料，单位面积生态系统服务价值在0.54亿元/km2·年～1.08亿元/km2·年之间，同时蓝藻打捞产生的打捞船只运行费、人工打捞费、处置费用成本合计在0.6万元/km2·月。根据相关监测资料及统计公报，蓝藻出现最大暴发面积时，持续时段约为一个月左右，因此综合单位面积生态系统服务价值损失及打捞成本两项内容，A湖蓝藻暴发期间产生的单位蓝藻水华面积损失量为624.47万元/km2·月。结合公式(11)，计算得到A湖蓝藻水华损失评估计算结果见表3。
表3蓝藻水华暴发经济损失核算
应该理解的是，虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
如图7所示，本实施例提供一种蓝藻水华损失评估装置，包括：
获取模块31，用于获取目标湖泊对应的目标水位；
输入模块32，用于将目标水位输入至预设的蓝藻水华面积模型，输出目标水位对应的目标蓝藻水华面积；蓝藻水华面积模型基于历史蓝藻水华面积数据与历史水位数据之间的关系生成；
确定模块33，用于基于单位蓝藻水华面积损失量与目标蓝藻水华面积之间的关系，确定目标湖泊对应的蓝藻水华损失量。
在本申请一个实施例中，上述输入模块32，具体用于获取历史蓝藻水华面积数据与历史营养盐指数之间的第一函数关系；获取历史水位数据与历史营养盐指数之间的第二函数关系；基于第一函数关系以及第二函数关系，生成蓝藻水华面积模型。
在本申请一个实施例中，上述输入模块32，具体用于获取历史蓝藻水华面积数据，并获取历史蓝藻水华面积数据对应的历史营养盐指数；对历史蓝藻水华面积数据和历史营养盐指数进行线性拟合，生成第一函数关系。
在本申请一个实施例中，上述输入模块32，具体用于获取历史蓝藻水华面积数据对应的湖泊富营养化指标，湖泊富营养化指标包括总磷、总氮、高锰酸钾、透明度和叶绿素浓度中的至少一种；对湖泊富营养化指标进行归一化处理，并将归一化处理后的各湖泊富营养化指标进行加权平均，得到历史营养盐指数。
在本申请一个实施例中，上述输入模块32，具体用于获取蓝藻水华生长规律；基于蓝藻水华生长规律以及第一函数关系，确定历史营养盐指数的变化规律；基于历史营养盐指数的变化规律，对历史水位数据与历史营养盐指数进行拟合，生成第二函数。
在本申请一个实施例中，上述输入模块32，具体用于获取历史水位数据；将各历史水位数据除以各历史水位数据的平均值，得到历史水位数据系数；基于历史营养盐指数的变化规律，对历史水位数据系数与历史营养盐指数进行拟合，生成第二函数。
在本申请一个实施例中，上述输入模块32，具体用于基于历史营养盐指数的变化规律，确定第二函数的函数类型；基于第二函数的函数类型，对历史水位数据系数与历史营养盐指数进行拟合，生成第二函数。
关于蓝藻水华损失评估装置的具体限定以及有益效果可以参见上文中对于蓝藻水华损失评估方法的限定，在此不再赘述。上述蓝藻水华损失评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本发明实施例还提供一种电子设备，具有上述图7所示的蓝藻水华损失评估装置。
如图8所示，图8是本发明可选实施例提供的一种电子设备的结构示意图，如图8所示，该电子设备可以包括：至少一个处理器41，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口43，存储器44，至少一个通信总线42。其中，通信总线42用于实现这些组件之间的连接通信。其中，通信接口43可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口43还可以包括标准的有线接口、无线接口。存储器44可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器44可选的还可以是至少一个位于远离前述处理器41的存储装置。其中处理器41可以结合图7所描述的装置，存储器44中存储应用程序，且处理器41调用存储器44中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线42可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线42可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器44可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器44还可以包括上述种类的存储器的组合。
其中，处理器41可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器41还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器44还用于存储程序指令。处理器41可以调用程序指令，实现如本申请图1至2实施例中所示的蓝藻水华损失评估方法。
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的蓝藻水华损失评估方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(HardDisk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (7)
1.一种蓝藻水华损失评估方法，其特征在于，包括：
获取目标湖泊对应的目标水位；
将所述目标水位输入至预设的蓝藻水华面积模型，输出所述目标水位对应的目标蓝藻水华面积；所述蓝藻水华面积模型基于历史蓝藻水华面积数据与历史水位数据之间的关系生成；
基于单位蓝藻水华面积损失量与所述目标蓝藻水华面积，确定所述目标湖泊对应的蓝藻水华损失量；
其中，所述蓝藻水华面积模型基于历史蓝藻水华面积数据与历史水位数据之间的关系生成，包括：
获取所述历史蓝藻水华面积数据与历史营养盐指数之间的第一函数关系；
获取所述历史水位数据与所述历史营养盐指数之间的第二函数关系；
基于所述第一函数关系以及所述第二函数关系，生成所述蓝藻水华面积模型；
其中，所述获取所述历史蓝藻水华面积数据与历史营养盐指数之间的第一函数关系，包括：
获取所述历史蓝藻水华面积数据，并获取所述历史蓝藻水华面积数据对应的所述历史营养盐指数；
对所述历史蓝藻水华面积数据和所述历史营养盐指数进行线性拟合，生成所述第一函数关系；
其中，所述第一函数关系为：
式中，
每年蓝藻水华面积比例，y为营养盐指数；a和b为相关系数，通过线性拟合获得；
其中，所述获取所述历史水位数据与所述历史营养盐指数之间的第二函数关系，包括：
获取蓝藻水华生长规律；
基于所述蓝藻水华生长规律以及所述第一函数关系，确定所述历史营养盐指数的变化规律；
基于所述历史营养盐指数的变化规律，对所述历史水位数据与所述历史营养盐指数进行拟合，生成所述第二函数；
其中，所述第二函数为：
式中：
为历史水位数据系数，S为历史营养盐指数最大值，y为所述历史营养盐指数，α为敏感性系数；
其中，所述基于所述第一函数关系以及所述第二函数关系，生成所述蓝藻水华面积模型，包括：
将所述第二函数代入到的所述第一函数，计算得到蓝藻水华面积比例对应的函数，然后，利用所述蓝藻水华面积比例乘以目标湖泊总面积，生成所述蓝藻水华面积模型；
其中，所述蓝藻水华面积比例对应的函数如下：
其中，
为所述每年蓝藻水华面积比例，a和b为相关系数，/>
为水位数据系数，表示水位数据与平均水位数据的比值，S为历史营养盐指数最大值，y为历史营养盐指数，α为敏感性系数；
其中，所述蓝藻水华面积模型为：
其中，A表示所述目标湖泊总面积。
2.根据权利要求1所述的方法，其特征在于，所述获取所述历史蓝藻水华面积数据对应的所述历史营养盐指数，包括：
获取所述历史蓝藻水华面积数据对应的湖泊富营养化指标，所述湖泊富营养化指标包括总磷、总氮、高锰酸钾、透明度和叶绿素浓度中的至少一种；
对所述湖泊富营养化指标进行归一化处理，并将归一化处理后的各湖泊富营养化指标进行加权平均，得到所述历史营养盐指数。
3.根据权利要求1所述的方法，其特征在于，所述基于所述历史营养盐指数的变化规律，对所述历史水位数据与所述历史营养盐指数进行拟合，生成所述第二函数，包括：
获取所述历史水位数据；
将各所述历史水位数据除以各所述历史水位数据的平均值，得到历史水位数据系数；
基于所述历史营养盐指数的变化规律，对所述历史水位数据系数与所述历史营养盐指数进行拟合，生成所述第二函数。
4.根据权利要求3所述的方法，其特征在于，所述基于所述历史营养盐指数的变化规律，对所述历史水位数据系数与所述历史营养盐指数进行拟合，生成所述第二函数，包括：
基于所述历史营养盐指数的变化规律，确定所述第二函数的函数类型；
基于所述第二函数的函数类型，对所述历史水位数据系数与所述历史营养盐指数进行拟合，生成所述第二函数。
5.一种蓝藻水华损失评估装置，其特征在于，包括：
获取模块，用于获取目标湖泊对应的目标水位；
输入模块，用于将所述目标水位输入至预设的蓝藻水华面积模型，输出所述目标水位对应的目标蓝藻水华面积；所述蓝藻水华面积模型基于历史蓝藻水华面积数据与历史水位数据之间的关系生成；其中，所述蓝藻水华面积模型基于历史蓝藻水华面积数据与历史水位数据之间的关系生成，包括：获取所述历史蓝藻水华面积数据与历史营养盐指数之间的第一函数关系；获取所述历史水位数据与所述历史营养盐指数之间的第二函数关系；基于所述第一函数关系以及所述第二函数关系，生成所述蓝藻水华面积模型；其中，所述获取所述历史蓝藻水华面积数据与历史营养盐指数之间的第一函数关系，包括：获取所述历史蓝藻水华面积数据，并获取所述历史蓝藻水华面积数据对应的所述历史营养盐指数；对所述历史蓝藻水华面积数据和所述历史营养盐指数进行线性拟合，生成所述第一函数关系；
其中，所述第一函数关系为：
式中，
每年蓝藻水华面积比例；y为营养盐指数；a和b为相关系数，通过线性拟合获得；
其中，所述获取所述历史水位数据与所述历史营养盐指数之间的第二函数关系，包括：获取蓝藻水华生长规律；基于所述蓝藻水华生长规律以及所述第一函数关系，确定所述历史营养盐指数的变化规律；基于所述历史营养盐指数的变化规律，对所述历史水位数据与所述历史营养盐指数进行拟合，生成所述第二函数；
其中，所述第二函数为：
式中：
为历史水位数据系数，S为历史营养盐指数最大值，y为所述历史营养盐指数，α为敏感性系数；
其中，所述基于所述第一函数关系以及所述第二函数关系，生成所述蓝藻水华面积模型，包括：将所述第二函数代入到的所述第一函数，计算得到蓝藻水华面积比例对应的函数，然后，利用所述蓝藻水华面积比例乘以目标湖泊总面积，生成所述蓝藻水华面积模型；
其中，所述蓝藻水华面积比例对应的函数如下：
其中，
为所述每年蓝藻水华面积比例，a和b为相关系数，/>
为水位数据系数，表示水位数据与平均水位数据的比值，S为历史营养盐指数最大值，y为历史营养盐指数，α为敏感性系数；
其中，所述蓝藻水华面积模型为：
其中，A表示所述目标湖泊总面积；
确定模块，用于基于单位蓝藻水华面积损失量与所述目标蓝藻水华面积之间的关系，确定所述目标湖泊对应的蓝藻水华损失量。
6.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-4中任一项所述的蓝藻水华损失评估方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行权利要求1-4中任一项所述的蓝藻水华损失评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210628858.7A CN114897422B (zh) | 2022-06-01 | 2022-06-01 | 蓝藻水华损失评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210628858.7A CN114897422B (zh) | 2022-06-01 | 2022-06-01 | 蓝藻水华损失评估方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114897422A CN114897422A (zh) | 2022-08-12 |
| CN114897422B true CN114897422B (zh) | 2023-07-11 |
Family
ID=82726244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210628858.7A Active CN114897422B (zh) | 2022-06-01 | 2022-06-01 | 蓝藻水华损失评估方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114897422B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1769198A (zh) * | 2005-09-05 | 2006-05-10 | 中国科学院生态环境研究中心 | 一种利用黏土凝聚将水华转化为水底植被的方法 |
| CN111368779A (zh) * | 2020-03-13 | 2020-07-03 | 武汉大学 | 一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法 |
| CN114239290A (zh) * | 2021-12-21 | 2022-03-25 | 中国科学院东北地理与农业生态研究所 | 一种基于多技术交互的湖泊水环境监测预警系统及构建方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2022
- 2022-06-01 CN CN202210628858.7A patent/CN114897422B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1769198A (zh) * | 2005-09-05 | 2006-05-10 | 中国科学院生态环境研究中心 | 一种利用黏土凝聚将水华转化为水底植被的方法 |
| CN111368779A (zh) * | 2020-03-13 | 2020-07-03 | 武汉大学 | 一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法 |
| CN114239290A (zh) * | 2021-12-21 | 2022-03-25 | 中国科学院东北地理与农业生态研究所 | 一种基于多技术交互的湖泊水环境监测预警系统及构建方法 |
Non-Patent Citations (4)
| Title |
|---|
| Fish metabolome from sub-urban lakes of the Paris area (France) and potential influence of noxious metabolites produced by cyanobacteria;Benjamin Marie 等;《Chemosphere》;全文 * |
| 太湖蓝藻水华灾害灾情评估方法初探;刘聚涛;杨永生;高俊峰;姜加虎;;湖泊科学(第03期);全文 * |
| 我国湖泊营养特性与蓝藻水华爆发机制;徐潇 等;《《环境工程》2019年全国学术年会论文集》;全文 * |
| 江门市大沙河水库健康评估分析;杨宝林;;广东水利水电(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114897422A (zh) | 2022-08-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Spatharis et al. | Analyzing the (mis) behavior of Shannon index in eutrophication studies using field and simulated phytoplankton assemblages | |
| Mejail et al. | Classification of SAR images using a general and tractable multiplicative model | |
| CN115082920B (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
| CN113049500B (zh) | 水质检测模型训练和水质检测方法、电子设备及存储介质 | |
| CN114972339A (zh) | 用于推土机结构件生产异常检测的数据增强系统 | |
| CN114897422B (zh) | 蓝藻水华损失评估方法、装置、电子设备及存储介质 | |
| US20230386665A1 (en) | Method and device for constructing autism spectrum disorder (asd) risk prediction model | |
| CN111340098B (zh) | 基于鞋印图像的STA-Net年龄预测方法 | |
| CN115984269B (zh) | 一种非侵入式局部水生态安全检测方法与系统 | |
| CN116778351A (zh) | 基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法 | |
| CN116858789A (zh) | 食品安全检测系统及其方法 | |
| CN117272145A (zh) | 转辙机的健康状态评估方法、装置和电子设备 | |
| EP4209843A2 (en) | Method and apparatus for determining stability of an ensemble model of a plurality of forecast models. | |
| CN116137061A (zh) | 数量统计模型的训练方法、装置、电子设备及存储介质 | |
| CN113223107B (zh) | 一种气液两相流的电阻层析成像方法、装置及终端设备 | |
| CN112259235B (zh) | 一种孕期健康预测方法、系统和可读存储介质 | |
| Lim et al. | Score tests for zero-inflation and overdispersion in two-level count data | |
| CN114331237A (zh) | 基于ahp-熵权法的污水处理质量评估方法及装置 | |
| CN114239750A (zh) | 告警数据处理方法、装置、存储介质和设备 | |
| CN113989569A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| Singh et al. | Rice kernels classification with deep learning using a modified dataset mimicking real-world conditions | |
| CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、系统和装置 | |
| Altun et al. | Determination of model fitting with power-divergence-type measure of departure from symmetry for sparse and non-sparse square contingency tables | |
| CN105915891B9 (zh) | 一种基于暗场方差信号的图像传感器关键参数测试方法 | |
| CN117787570B (zh) | 一种水环境重金属污染综合评价方法及系统 |
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 |