CN116485045A - 一种建立水华预测模型的方法、水华预测方法及装置 - Google Patents
一种建立水华预测模型的方法、水华预测方法及装置 Download PDFInfo
- Publication number
- CN116485045A CN116485045A CN202310737359.6A CN202310737359A CN116485045A CN 116485045 A CN116485045 A CN 116485045A CN 202310737359 A CN202310737359 A CN 202310737359A CN 116485045 A CN116485045 A CN 116485045A
- Authority
- CN
- China
- Prior art keywords
- water bloom
- target
- value
- weather
- occurrence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000192710 Microcystis aeruginosa Species 0.000 title claims abstract description 315
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 40
- 229930002868 chlorophyll a Natural products 0.000 description 18
- 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 description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 15
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 241000195493 Cryptophyta Species 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005791 algae growth Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000192700 Cyanobacteria Species 0.000 description 1
- 239000005422 algal bloom Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种建立水华预测模型的方法、水华预测方法及装置，通过采集目标区域的目标气象因子在多个历史时间点的历史值、以及目标区域的目标水华特征项在对应时间点的历史值。然后基于目标气象因子的历史值和目标水华特征项的历史值来确定目标气象因子的多个取值区间的水华发生概率。并基于目标气象因子的多个取值区间的水华发生概率建立表征目标气象因子的取值范围与水华发生概率的水华预测模型。从而可以对目标区域在目标时间点的水华发生概率进行预测。本申请基于待预测区域的目标气象因子的历史数据来建立水华预测模型。不需要多种气象数据，进而解决了现有预测模型中存在校准率定时间长、计算算力要求高、适用区域少的问题。
Description
技术领域
本申请涉及水污染预测领域，具体涉及一种建立水华预测模型的方法、水华预测方法及装置。
背景技术
水体藻类的繁殖状况可以通过藻类水华特征项浓度（水体叶绿素a浓度、藻密度）来加以判断，即水华状况一般通过特征项数值加以表示。多项研究表明，在营养盐广泛超标的前提下，蓝藻爆发强度与湖泊水体气象条件有着极为密切的关联，这些气象条件包括气温、水体水温、水体表面气压、水体表面风速、向下长短波辐射等，这些气象条件或直接、或间接地影响藻类生长条件。
目前，较为成熟的水体藻类生长预测模型主要分为水质机理模型与统计预测模型两种。但是上述两种模型需要大量的、多种类的气象数据来支持，在数据不足时，难以维系现有预测模型的正常预报运转。同时，大量的、多种类的气象数据也导致了现有预测模型存在校准率定时间长、计算算力要求高、适用区域少的问题。
发明内容
本申请的目的之一在于提供一种建立水华预测模型的方法、水华预测方法及装置，以解决现有的预测模型需要大量的、多种的气象数据，且存在校准率定时间长、计算算力要求高、适用区域少的技术问题。
根据本申请的一方面，提供了一种建立水华预测模型的方法，包括：
获取目标区域的目标气象因子在多个历史时间点的历史值、以及所述目标区域的目标水华特征项在对应时间点的历史值；
基于所述目标气象因子的所述历史值和所述目标水华特征项的所述历史值，确定所述目标气象因子的各个取值区间内的水华发生概率，其中，所述水华发生概率基于一个取值区间内水华发生次数和所述多个历史时间点内水华发生总次数确定；
基于所述目标气象因子的各个取值区间内的水华发生概率建立水华预测模型，其中，所述水华预测模型表征所述目标气象因子的取值与水华发生概率之间的关系。
在本申请一实施例中，所述基于所述目标气象因子的所述历史值和所述目标水华特征项的所述历史值，确定所述目标气象因子的各个取值区间内的水华发生概率之前，还包括：
从所述目标气象因子的所述历史值中，选择满足气象限制条件的所述历史值，其中，所述气象限制条件包括：所述目标气象因子之外的一个或多个气象因子的对应的具有水华风险的气象因子取值范围。
在本申请一实施例中，所述气象限制条件的确定方法，包括：
获取所述目标区域除所述目标气象因子之外的一个或多个气象因子在对应时间点的历史值；
对于一个或多个气象因子中的每个气象因子：基于所述气象因子的所述历史值和所述目标水华特征项的所述历史值，确定所述气象因子的各个取值区间内的水华发生概率；以及
基于所述气象因子的各个取值区间内的水华发生概率，确定每个所述气象因子对应的具有水华风险的气象因子取值范围。
在本申请一实施例中，各取值区间内的水华发次数和所述多个历史时间点内水华发生总次数的确定方法，包括：
将所述目标水华特征项在多个时间点的历史值与预设的风险阈值进行对比，并判定大于预设的风险阈值的目标水华特征项的历史值对应的时间点发生水华；
确定各取值区间的水华发生次数和所述多个历史时间点内水华发生总次数。
在本申请一实施例中，确定所述气象因子对应的具有水华风险的气象因子取值范围，包括：
将水华发生概率高于预设阈值的气象因子取值区间，作为所述气象因子对应的具有水华风险的气象因子取值范围。
在本申请一实施例中，基于所述目标气象因子的各个取值区间内的水华发生概率建立水华预测模型，包括：
对所述目标气象因子的各个取值区间内的水华发生概率进行拟合，得到水华预测曲线。
本申请的另一方面，还提供一种水华预测方法，包括：
获取目标区域的目标气象因子在目标时间的预报值；
基于预先建立的水华预测模型、以及所述目标气象因子在目标时间的预报值确定所述目标区域在所述目标时间的水华发生概率，其中，所述水华预测模型基于如上的建立水华预测模型的方法建立。
在本申请一实施例中，还包括：
获取目标区域的除目标气象因子以外的一个或多个气象因子在目标时间的预报值；
基于预先确定的具有水华风险的气象因子取值范围、所述气象因子在目标时间的预报值确定所述目标区域在所述目标时间的水华发生风险，其中，所述具有水华风险的气象因子取值范围基于如上的建立水华预测模型的方法确定。
本申请的另一方面，还提供一种建立水华预测模型的装置，包括：
第一获取模块，用于获取目标区域的目标气象因子在多个历史时间点的历史值、以及所述目标区域的目标水华特征项在对应时间点的历史值；
确定模块，用于基于所述目标气象因子的所述历史值和所述目标水华特征项的所述历史值，确定所述目标气象因子的各个取值区间内的水华发生概率，其中，所述水华发生概率基于一个取值区间内水华发生次数和所述多个历史时间点内水华发生总次数确定；
模型建立模块，用于基于所述目标气象因子的各个取值区间内的水华发生概率建立水华预测模型，其中，所述水华预测模型表征所述目标气象因子的取值与水华发生概率之间的关系。
本申请的另一方面，还提供一种水华预测装置，包括：
第二获取模块，用于获取目标区域的目标气象因子在目标时间的预报值；
概率预测模块，用于基于预先建立的水华预测模型、以及所述目标气象因子在目标时间的预报值确定所述目标区域在所述目标时间的水华发生概率，其中，所述水华预测模型基于如上的建立水华预测模型的方法建立。
本申请的另一方面，还提供一种电子设备，包括：处理器；以及存储程序的存储器，其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行本申请实施例的方法。
本申请的另一方面，还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行本申请实施例的方法。
本申请的有益效果为：
本申请通过采集目标区域的目标气象因子在多个历史时间点的历史值、以及目标区域的目标水华特征项在对应时间点的历史值。然后基于目标气象因子的历史值和目标水华特征项的历史值来确定目标气象因子的多个取值区间的水华发生概率。并基于目标气象因子的多个取值区间的水华发生概率建立表征目标气象因子的取值范围与水华发生概率的水华预测模型。基于目标气象因子在目标时间点的预报值和水华预测模型便可以对目标区域在目标时间点的水华发生概率进行预测。本申请基于待预测区域的目标气象因子的历史数据来建立水华预测模型。由于采用了单因子来建立水华预测模型，因此不需要多种气象数据，进而解决了现有预测模型中存在校准率定时间长、计算算力要求高、适用区域少的问题。
附图说明
图1为本申请的一示例性实施例示出的建立水华预测模型的方法的流程图；
图2为本申请一实施例中示出的风速与叶绿素a浓度的对应关系图；
图3为本申请一实施例中示出的风速与水华风险频率的对应关系图；
图4为本申请一实施例中示出的水华风险模型示意图；
图5为本申请一实施例中示出的水华预测方法的流程图；
图6为本申请一实施例中示出的预测结果示意图；
图7为本申请另一实施例中示出的水华风险预测方法的流程图；
图8为本申请的一示例性实施例示出的建立水华预测模型的装置的结构图；
图9示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
以下将参照附图和优选实施例来说明本申请的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本申请，而不是为了限制本申请的保护范围。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
图1为本申请的一示例性实施例示出的建立水华预测模型的方法的流程图，如图1所示，建立水华预测模型的方法，包括步骤S110-S130：
步骤S110,获取目标区域的目标气象因子在多个历史时间点的历史值、以及所述目标区域的目标水华特征项在对应时间点的历史值。
目标水华特征项用于判断目标区域在多个历史时间点是否存在水华风险。水华特征项可以通过查阅目标区域的藻类水华历史事件及相关文献来进行确定。
例如，通过查阅历史文件得到水华爆发与目标区域的叶绿素a浓度相关，因此确定目标水华特征项为叶绿素a浓度。同时还可以通过查阅历史文件得到目标区域的历史叶绿素a浓度的历史数据。
目标区域的气象数据中包含多种气象因子，为了排除除目标气象因子以外的其他气象因子的影响，预先通过对目标区域的目标气象因子在所有历史时间点的历史值还需要进行筛选，得到本实施例中需要的多个历史时间点的历史值，具体包括：
从所述目标气象因子的所述历史值中，选择满足气象限制条件的所述历史值，其中，所述气象限制条件包括：所述目标气象因子之外的一个或多个气象因子的对应的具有水华风险的气象因子取值范围。
其中，除目标气象因子以外的一个或多个气象因子的值落入至对应的具有水华风险的气象因子取值范围时，表示这些气象因子的值适宜藻类生长，从而适宜水华的发生。从而可以排除掉这些气象因子的影响。以便于确定目标气象因子与水华特征项之间的关联。
具体地，气象限制条件的确定方法，包括：
获取所述目标区域除所述目标气象因子之外的一个或多个气象因子在对应时间点的历史值；
对于一个或多个气象因子中的每个气象因子：基于所述气象因子的所述历史值和所述目标水华特征项的所述历史值，确定所述气象因子的各个取值区间内的水华发生概率；以及
基于所述气象因子的各个取值区间内的水华发生概率，确定每个所述气象因子对应的具有水华风险的气象因子取值范围。具体地，将水华发生概率高于预设阈值的气象因子取值区间，作为所述气象因子对应的具有水华风险的气象因子取值范围。
其中，气象因子的各个取值区间内的水华发生概率为气象因子的各个取值区间内水华发生次数与水华发生总次数之比，本实施例通过以下方法确定各取值区间内的水华发次数和所述多个历史时间点内水华发生总次数，包括：
将所述目标水华特征项在多个时间点的历史值与预设的风险阈值进行对比，并判定大于预设的风险阈值的目标水华特征项的历史值对应的时间点发生水华。
确定各气象因子的取值区间的水华发生次数和所述多个历史时间点内水华发生总次数。
其中，当目标水华特征项的历史值大于预设的风险阈值时，则说明对应时间点发生水华。先将目标水华特征项的历史值与预设的风险阈值进行对比，得到所有的水华发生时间点。然后统计各个气象因子的取值区间对应的水华发生次数、以及水华发生总次数。
当任意一个气象因子的取值区间的水华发生概率低于预设阈值时，意味当气象因子的值落入至这个取值区间内时，发生水华风险的概率较低。因此剔除这部分取值区间，将剩余的取值区间作为气象因子对应的具有水华风险的气象因子取值范围。
基于除目标气象因子以外的其他气象因子对应的具有水华风险的气象因子取值范围，建立气象-水华风险模型。通过气象-水华风险模型可以预测未来时间中目标区域是否存在水华风险。
例如，通过对目标区域的藻类水华历史事件及相关文献的调研，确定水华爆发影响的主要直接因素为气温，目标水华特征项为叶绿素a浓度。因而需对除气温外的其他气象因素（包括云量、风速、降水量等间接影响水华发生的因素）进行风险阈值估算以排除其在水华风险预报建模中的影响。
此外，根据目标区域的实际情况，制定以叶绿素a浓度达10μg/L为存在水华风险，即风险阈值。
图2为本申请一实施例中示出的风速与叶绿素a浓度的对应关系图；如图2所示，以风速作为气象因子，基于多个历史时间点的风速和对应的叶绿素a浓度建立坐标系，其横轴为多个风速的取值区间，纵轴为叶绿素a浓度。根据每一个历史时间点根据其叶绿素a浓度和风速将所有历史时间点映射至坐标系中。
图3为本申请一实施例中示出的风速与水华风险频率的对应关系图；如图3所示，在得到历史时间点的坐标系后，统计每一个风速区间对应的叶绿素a浓度超过10μg/L的时间点，从而得到每一个风速区间的水华风险发生的频次。然后计算每一个风速区间的水华风险发生的频次与水华风险发生的总频次之比，即可得到每一个风速区间的水华风险频率。
在图3中，在小时风速大于10m/s 后，发生叶绿素a浓度超过预警阈值的频率较低，而超出相应的阈值则意味着当前叶绿素a阈值下水华风险发生的概率较低（低于预设阈值），因而选取10m/s作为目标区域水华风险的风速限制阈值。
其他气象因子，如降水量、光照（云量），也可以采用相同的分析方法找到其对应的限制阈值，然后通过限制阈值筛选出气象因子对应的具有水华风险的气象因子取值范围。
相应的，其他叶绿素a浓度阈值（例如 15μg/L、25μg/L）也能进行相应的频次分析。上述历史时间点基于小时尺度进行采集，在时间尺度上，日尺度也能进行相应的频次分析，从而得到每种气象因子的对应的具有水华风险的气象因子取值范围，具体结果如表1所示：
表1.气象因子的对应的具有水华风险的气象因子取值范围统计表
如气象因子超出表1中的阈值，则认为水华风险发生的概率极低，相应时间的叶绿素a监测数据不纳入后续的回归分析中；另一方面，在预测分析过程中，结合气象/气候预测数据，能够从气象因子的角度初步判断水华风险发生的概率。
步骤S120,基于所述目标气象因子的所述历史值和所述目标水华特征项的所述历史值，确定所述目标气象因子的各个取值区间内的水华发生概率，其中，所述水华发生概率基于一个取值区间内水华发生次数和所述多个历史时间点内水华发生总次数确定。
与气象因子的统计方法相同，目标气象因子的各个取值区间内的水华发生概率为目标气象因子的各个取值区间内水华发生次数与水华发生总次数之比，具体包括：
将所述目标水华特征项在多个时间点的历史值与预设的风险阈值进行对比，并判定大于预设的风险阈值的目标水华特征项的历史值对应的时间点发生水华。
确定各目标气象因子的取值区间的水华发生次数和所述多个历史时间点内水华发生总次数。
其中，当目标水华特征项的历史值大于预设的风险阈值时，则说明对应时间点发生水华。先将目标水华特征项的历史值与预设的风险阈值进行对比，得到所有的水华发生时间点。然后统计各个目标气象因子的取值区间对应的水华发生次数、以及水华发生总次数。
最后通过计算目标气象因子的取值区间对应的水华发生次数与水华发生总次数之比，即可得到目标气象因子的每个取值区间的水华发生概率。
以气温作为目标气象因子为例，按照气温每1摄氏度划分区间，统计每个区间内发生水华风险的概率。每个1摄氏度温度区间内的水华发生风险计算方法为：多个历史时间点内水华发生频次/温度区间内水华发生频次*100%。
步骤S130,基于所述目标气象因子的各个取值区间内的水华发生概率建立水华预测模型，其中，所述水华预测模型表征所述目标气象因子的取值与水华发生概率之间的关系。
在得到了目标气象因子的各个取值区间对应的水华发生概率后，就可以建立目标气象因子的各个取值区间与水华发生概率的水华预测模型。
具体地，水华预测模型实际上为预测曲线，通过对所述目标气象因子的各个取值区间内的水华发生概率进行拟合，得到水华预测曲线。
使用进行多项式拟合回归分析法估算水华风险概率与气温之间的非线性关系。具体拟合方法为：使用最小二乘法拟合出最贴合各个气温区间的水华发生概率的水华风险与气温相关关系的二次多项式，进而得出“气温-水华风险”在不同水华风险阈值下的拟合曲线。
图4为本申请一实施例中示出的水华风险模型示意图，如图4所示，以目标区域为例，以叶绿素a浓度达10μg/L为水华风险阈值所得到的拟合曲线如图4所示。
图5为本申请一实施例中示出的水华预测方法的流程图，如图5所示，本申请的另一方面，还提供一种水华预测方法，包括步骤S510至步骤S520：
步骤S510，获取目标区域的目标气象因子在目标时间的预报值。
步骤S520，基于预先建立的水华预测模型、以及所述目标气象因子在目标时间的预报值确定所述目标区域在所述目标时间的水华发生概率，其中，所述水华预测模型基于如上的建立水华预测模型的方法建立。
本申请中的水华预测模型为单因子模型，可以直接通过获取目标气象因子的预报值来实现对目标区域的水华发生概率的预测。
例如，使用气象/气候预测数据（例如基于GFS、CFS未来气象预测数据）中的气温来预测目标区域一定时间范围内的水华风险概率。
图6为本申请一实施例中示出的预测结果示意图，如图6所示，本申请通过水华预测模型在2021年9月6日08时预报45天日均水华风险概率预报结果（以10μg/L为叶绿素a浓度阈值）。
在本申请一实施例中，水华预测方法还包括：
获取目标区域的除目标气象因子以外的一个或多个气象因子在目标时间的预报值。
基于预先确定的具有水华风险的气象因子取值范围、所述气象因子在目标时间的预报值确定所述目标区域在所述目标时间的水华发生风险，其中，所述具有水华风险的气象因子取值范围基于如上的建立水华预测模型的方法确定。
本申请还可以基于其他气象因子来判断目标区域是否会存在水华风险。
具体地，当除目标气象因子以外的一个或多个气象因子在目标时间的预报值均位于对应的具有水华风险的气象因子取值范围内，则判定目标区域在目标时间存在水华风险。其他气象因子（如降雨、风速、云量等）的预报值同样可以使用气象/气候预测数据（例如基于GFS、CFS未来气象预测数据）获取。
图7为本申请另一实施例中示出的水华风险预测方法的流程图，如图7所示，水华风险预测的过程包括：
（1）通过文献调研，确定目标区域中影响蓝藻水华的气象因素，并确定目标区域中蓝藻水华爆发的特征项浓度阈值。
（2）基于影响蓝藻水华的气象和水质因素、蓝藻水华爆发的特征项浓度阈值、预先采集的蓝藻特征项监测数据、以及气象监测数据进行气象-水华风险频次分析，得到每一个气象因子的各个取值区间对应的水华发生频次。
（3）气象-水华风险概率统计，即统计每个气象因子的各个取值区间对应的水华发生概率。
（4）建立气象-水华风险模型。气象-水华风险模型中包括多种气象因子对应的具有水华风险的取值范围。
（5）利用多种气象因子对应的具有水华风险的取值范围对数据进行筛选。对于剩余的数据，基于目标气象因子进行蓝藻水华回归分析，得到目标气象因子-水华风险模型。
（6）基于气象预测数据，包括目标气象因子的与预报值、以及其他气象因子的预报值来预测未来一段时间内的水华风险和水华发生概率。
本申请中的一种建立水华预测模型的方法和水华预测方法，通过采集目标区域的目标气象因子在多个历史时间点的历史值、以及目标区域的目标水华特征项在对应时间点的历史值。然后基于目标气象因子的历史值和目标水华特征项的历史值来确定目标气象因子的多个取值区间的水华发生概率。并基于目标气象因子的多个取值区间的水华发生概率建立表征目标气象因子的取值范围与水华发生概率的水华预测模型。基于目标气象因子在目标时间点的预报值和水华预测模型便可以对目标区域在目标时间点的水华发生概率进行预测。本申请基于待预测区域的目标气象因子的历史数据来建立水华预测模型。由于采用了单因子来建立水华预测模型，因此不需要多种气象数据，进而解决了现有预测模型中存在校准率定时间长、计算算力要求高、适用区域少的问题。
图8为本申请的一示例性实施例示出的建立水华预测模型的装置的结构图，本申请的另一方面，还提供一种建立水华预测模型的装置，包括：
第一获取模块810，用于获取目标区域的目标气象因子在多个历史时间点的历史值、以及所述目标区域的目标水华特征项在对应时间点的历史值；
确定模块820，用于基于所述目标气象因子的所述历史值和所述目标水华特征项的所述历史值，确定所述目标气象因子的各个取值区间内的水华发生概率，其中，所述水华发生概率基于一个取值区间内水华发生次数和所述多个历史时间点内水华发生总次数确定；
模型建立模块830，用于基于所述目标气象因子的各个取值区间内的水华发生概率建立水华预测模型，其中，所述水华预测模型表征所述目标气象因子的取值与水华发生概率之间的关系。
本申请的另一方面，还提供一种水华预测装置，包括：
第二获取模块，用于获取目标区域的目标气象因子在目标时间的预报值；
概率预测模块，用于基于预先建立的水华预测模型、以及所述目标气象因子在目标时间的预报值确定所述目标区域在所述目标时间的水华发生概率，其中，所述水华预测模型基于如上的建立水华预测模型的方法建立。
本申请中的一种建立水华预测模型的装置和水华预测装置，通过采集目标区域的目标气象因子在多个历史时间点的历史值、以及目标区域的目标水华特征项在对应时间点的历史值。然后基于目标气象因子的历史值和目标水华特征项的历史值来确定目标气象因子的多个取值区间的水华发生概率。并基于目标气象因子的多个取值区间的水华发生概率建立表征目标气象因子的取值范围与水华发生概率的水华预测模型。基于目标气象因子在目标时间点的预报值和水华预测模型便可以对目标区域在目标时间点的水华发生概率进行预测。本申请基于待预测区域的目标气象因子的历史数据来建立水华预测模型。由于采用了单因子来建立水华预测模型，因此不需要多种气象数据，进而解决了现有预测模型中存在校准率定时间长、计算算力要求高、适用区域少的问题。
图9示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是，图9示出的电子设备的计算机系统900仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示，计算机系统900包括中央处理单元（Central Processing Unit，CPU）901，其可以根据存储在只读存储器（Read-Only Memory，ROM）902中的程序或者从储存部分908加载到随机访问存储器（Random Access Memory，RAM）903中的程序而执行各种适当的动作和处理，例如执行上述实施例中的方法。在RAM 903中，还存储有系统操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出（Input /Output，I/O）接口905也连接至总线904。
以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管（Cathode Ray Tube，CRT）、液晶显示器（Liquid Crystal Display，LCD）等以及扬声器等的输出部分907；包括硬盘等的储存部分908；以及包括诸如LAN（Local Area Network，局域网）卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入储存部分908。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元（CPU）901执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（Erasable Programmable Read Only Memory，EPROM）、闪存、光纤、便携式紧凑磁盘只读存储器（Compact Disc Read-Only Memory，CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机的处理器执行时，使计算机执行如前的方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的水华风险预测和预报方法。
以上实施例仅是为充分说明本申请而所举的较佳的实施例，本申请的保护范围不限于此。本技术领域的技术人员在本申请基础上所作的等同替代或变换，均在本申请的保护范围之内。
Claims (12)
1.一种建立水华预测模型的方法，其特征在于，包括：
获取目标区域的目标气象因子在多个历史时间点的历史值、以及所述目标区域的目标水华特征项在对应时间点的历史值；
基于所述目标气象因子的所述历史值和所述目标水华特征项的所述历史值，确定所述目标气象因子的各个取值区间内的水华发生概率，其中，所述水华发生概率基于一个取值区间内水华发生次数和所述多个历史时间点内水华发生总次数确定；
基于所述目标气象因子的各个取值区间内的水华发生概率建立水华预测模型，其中，所述水华预测模型表征所述目标气象因子的取值与水华发生概率之间的关系。
2.根据权利要求1所述的建立水华预测模型的方法，其特征在于，所述基于所述目标气象因子的所述历史值和所述目标水华特征项的所述历史值，确定所述目标气象因子的各个取值区间内的水华发生概率之前，还包括：
从所述目标气象因子的所述历史值中，选择满足气象限制条件的所述历史值，其中，所述气象限制条件包括：所述目标气象因子之外的一个或多个气象因子的对应的具有水华风险的气象因子取值范围。
3.根据权利要求2所述的建立水华预测模型的方法，其特征在于，所述气象限制条件的确定方法，包括：
获取所述目标区域除所述目标气象因子之外的一个或多个气象因子在对应时间点的历史值；
对于一个或多个气象因子中的每个气象因子：基于所述气象因子的所述历史值和所述目标水华特征项的所述历史值，确定所述气象因子的各个取值区间内的水华发生概率；以及
基于所述气象因子的各个取值区间内的水华发生概率，确定每个所述气象因子对应的具有水华风险的气象因子取值范围。
4.根据权利要求2所述的建立水华预测模型的方法，其特征在于，各取值区间内的水华发次数和所述多个历史时间点内水华发生总次数的确定方法，包括：
将所述目标水华特征项在多个时间点的历史值与预设的风险阈值进行对比，并判定大于预设的风险阈值的目标水华特征项的历史值对应的时间点发生水华；
确定各取值区间的水华发生次数和所述多个历史时间点内水华发生总次数。
5.根据权利要求3所述的建立水华预测模型的方法，其特征在于，确定所述气象因子对应的具有水华风险的气象因子取值范围，包括：
将水华发生概率高于预设阈值的气象因子取值区间，作为所述气象因子对应的具有水华风险的气象因子取值范围。
6.根据权利要求1所述的建立水华预测模型的方法，其特征在于，基于所述目标气象因子的各个取值区间内的水华发生概率建立水华预测模型，包括：
对所述目标气象因子的各个取值区间内的水华发生概率进行拟合，得到水华预测曲线。
7.一种水华预测方法，其特征在于，包括：
获取目标区域的目标气象因子在目标时间的预报值；
基于预先建立的水华预测模型、以及所述目标气象因子在目标时间的预报值确定所述目标区域在所述目标时间的水华发生概率，其中，所述水华预测模型基于权利要求1至6中任一项所述的方法建立。
8.根据权利要求7所述的水华预测方法，其特征在于，还包括：
获取目标区域的除目标气象因子以外的一个或多个气象因子在目标时间的预报值；
基于预先确定的具有水华风险的气象因子取值范围、所述气象因子在目标时间的预报值确定所述目标区域在所述目标时间的水华发生风险，其中，所述具有水华风险的气象因子取值范围基于权利要求5所述的方法确定。
9.一种建立水华预测模型的装置，其特征在于，包括：
第一获取模块，用于获取目标区域的目标气象因子在多个历史时间点的历史值、以及所述目标区域的目标水华特征项在对应时间点的历史值；
确定模块，用于基于所述目标气象因子的所述历史值和所述目标水华特征项的所述历史值，确定所述目标气象因子的各个取值区间内的水华发生概率，其中，所述水华发生概率基于一个取值区间内水华发生次数和所述多个历史时间点内水华发生总次数确定；
模型建立模块，用于基于所述目标气象因子的各个取值区间内的水华发生概率建立水华预测模型，其中，所述水华预测模型表征所述目标气象因子的取值与水华发生概率之间的关系。
10.一种水华预测装置，其特征在于，包括：
第二获取模块，用于获取目标区域的目标气象因子在目标时间的预报值；
概率预测模块，用于基于预先建立的水华预测模型、以及所述目标气象因子在目标时间的预报值确定所述目标区域在所述目标时间的水华发生概率，其中，所述水华预测模型基于权利要求1至6中任一项所述的方法建立。
11. 一种电子设备，包括：
处理器；以及
存储程序的存储器，
其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-8中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310737359.6A CN116485045A (zh) | 2023-06-21 | 2023-06-21 | 一种建立水华预测模型的方法、水华预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310737359.6A CN116485045A (zh) | 2023-06-21 | 2023-06-21 | 一种建立水华预测模型的方法、水华预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116485045A true CN116485045A (zh) | 2023-07-25 |
Family
ID=87219928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310737359.6A Pending CN116485045A (zh) | 2023-06-21 | 2023-06-21 | 一种建立水华预测模型的方法、水华预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116485045A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116756522A (zh) * | 2023-08-14 | 2023-09-15 | 中科三清科技有限公司 | 概率预报方法、装置、存储介质及电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102135531A (zh) * | 2010-12-24 | 2011-07-27 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊72小时蓝藻水华预测方法 |
| 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 |
| CN111595785A (zh) * | 2020-06-03 | 2020-08-28 | 南京吉泽信息科技有限公司 | 基于气象数据的蓝藻水华的预测方法和装置 |
| AU2020103356A4 (en) * | 2020-02-26 | 2021-01-21 | Chinese Research Academy Of Environmental Sciences | Method and device for building river diatom bloom warning model |
| CN112989281A (zh) * | 2021-02-20 | 2021-06-18 | 中国科学院南京地理与湖泊研究所 | 一种基于遥感藻总量的藻华预测方法 |
| CN115859577A (zh) * | 2022-11-17 | 2023-03-28 | 长江大学 | 基于气象预报的水华预警方法、装置、介质及设备 |
-
2023
- 2023-06-21 CN CN202310737359.6A patent/CN116485045A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102135531A (zh) * | 2010-12-24 | 2011-07-27 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊72小时蓝藻水华预测方法 |
| 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 |
| AU2020103356A4 (en) * | 2020-02-26 | 2021-01-21 | Chinese Research Academy Of Environmental Sciences | Method and device for building river diatom bloom warning model |
| CN111595785A (zh) * | 2020-06-03 | 2020-08-28 | 南京吉泽信息科技有限公司 | 基于气象数据的蓝藻水华的预测方法和装置 |
| CN112989281A (zh) * | 2021-02-20 | 2021-06-18 | 中国科学院南京地理与湖泊研究所 | 一种基于遥感藻总量的藻华预测方法 |
| CN115859577A (zh) * | 2022-11-17 | 2023-03-28 | 长江大学 | 基于气象预报的水华预警方法、装置、介质及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 牟蒙: "基于遥感数据与气象因子的滇池水华发生概率预测模型研究", 中国博士论文全文数据库电子期刊, pages 3 - 5 * |
| 陈莉琼 等: "基于气象数据的洱海蓝藻水华驱动因子及预警研究", 华中师范大学学报(自然科学版), vol. 50, no. 4, pages 1 - 5 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116756522A (zh) * | 2023-08-14 | 2023-09-15 | 中科三清科技有限公司 | 概率预报方法、装置、存储介质及电子设备 |
| CN116756522B (zh) * | 2023-08-14 | 2023-11-03 | 中科三清科技有限公司 | 概率预报方法、装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2018101946A4 (en) | Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton | |
| CN109471783B (zh) | 预测任务运行参数的方法和装置 | |
| CN113777236B (zh) | 基于排放源的空气质量监控方法和装置 | |
| CN116485045A (zh) | 一种建立水华预测模型的方法、水华预测方法及装置 | |
| CN113283630A (zh) | 空气质量预测方法、装置、设备和计算机可读存储介质 | |
| CN112285807B (zh) | 一种气象信息预测方法及装置 | |
| CN112308281A (zh) | 一种温度信息预测方法及装置 | |
| CN112180471B (zh) | 天气预报方法、装置、设备及存储介质 | |
| CN116882321B (zh) | 气象影响量化评估方法、装置、存储介质及电子设备 | |
| CN112381299A (zh) | 一种确定空气质量的方法及装置 | |
| CN113537563A (zh) | 污染应急管控效果评估方法及装置 | |
| CN115598738A (zh) | 一种冰雹预警方法和装置 | |
| CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
| CN116756522B (zh) | 概率预报方法、装置、存储介质及电子设备 | |
| CN113191572A (zh) | 苹果产量的预测方法、装置、存储介质及电子设备 | |
| CN116148951B (zh) | 空气目标污染物组分预报模型训练方法、预报方法及装置 | |
| CN115238245B (zh) | 污染物监测方法、装置、存储介质及电子设备 | |
| CN115792137B (zh) | 大气污染溯源方法及装置、终端 | |
| CN114170427B (zh) | 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法 | |
| CN116051335A (zh) | 一种通过大数据预测方向的环境碳管理方法 | |
| CN115639625A (zh) | 一种高空间分辨率的精细化大气水平能见度自动预报系统 | |
| CN114529035A (zh) | 一种基于cart的多模式集成模型的风速预报方法 | |
| CN115453661B (zh) | 气象预报方法、装置、设备以及存储介质 | |
| CN117726046B (zh) | 点源排放预测方法、装置、存储介质及电子设备 | |
| CN116502151B (zh) | 基于多维度气象数据的气象预测方法、系统、设备及介质 |
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 |