CN116862218A - 一种测算目标水域藻华爆发风险的方法 - Google Patents
一种测算目标水域藻华爆发风险的方法 Download PDFInfo
- Publication number
- CN116862218A CN116862218A CN202310173691.4A CN202310173691A CN116862218A CN 116862218 A CN116862218 A CN 116862218A CN 202310173691 A CN202310173691 A CN 202310173691A CN 116862218 A CN116862218 A CN 116862218A
- Authority
- CN
- China
- Prior art keywords
- algae
- water area
- algal bloom
- target water
- calculating
- 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
- 239000005422 algal bloom Substances 0.000 title claims abstract description 99
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 40
- 241000195493 Cryptophyta Species 0.000 claims abstract description 113
- 235000015097 nutrients Nutrition 0.000 claims abstract description 41
- 150000003839 salts Chemical class 0.000 claims abstract description 40
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 38
- 230000007613 environmental effect Effects 0.000 claims abstract description 27
- 230000004308 accommodation Effects 0.000 claims abstract description 26
- 231100000719 pollutant Toxicity 0.000 claims abstract description 23
- 238000004880 explosion Methods 0.000 claims abstract description 19
- 230000008878 coupling Effects 0.000 claims abstract description 17
- 238000010168 coupling process Methods 0.000 claims abstract description 17
- 238000005859 coupling reaction Methods 0.000 claims abstract description 17
- 230000000694 effects Effects 0.000 claims abstract description 17
- 239000002131 composite material Substances 0.000 claims abstract description 16
- 230000012010 growth Effects 0.000 claims description 20
- 239000002028 Biomass Substances 0.000 claims description 10
- 239000000356 contaminant Substances 0.000 claims description 8
- 229910002651 NO3 Inorganic materials 0.000 claims description 7
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims description 7
- 239000013535 sea water Substances 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000005791 algae growth Effects 0.000 claims description 5
- 235000016709 nutrition Nutrition 0.000 claims description 4
- 230000035764 nutrition Effects 0.000 claims description 4
- 229910052698 phosphorus Inorganic materials 0.000 claims description 4
- 229910019142 PO4 Inorganic materials 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 claims description 3
- 239000010452 phosphate Substances 0.000 claims description 3
- 230000032895 transmembrane transport Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 8
- 238000009360 aquaculture Methods 0.000 abstract description 5
- 230000002265 prevention Effects 0.000 abstract description 5
- 241000199914 Dinophyceae Species 0.000 abstract description 4
- 230000009471 action Effects 0.000 abstract description 4
- 244000144974 aquaculture Species 0.000 abstract description 4
- 231100000331 toxic Toxicity 0.000 abstract description 3
- 230000002588 toxic effect Effects 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 238000003306 harvesting Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 abstract 1
- 241000013759 Karenia <Dinophyceae> Species 0.000 description 35
- 241000219470 Mirabilis Species 0.000 description 15
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005286 illumination Methods 0.000 description 5
- 229960001180 norfloxacin Drugs 0.000 description 5
- -1 salt ions Chemical class 0.000 description 5
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- OGJPXUAPXNRGGI-UHFFFAOYSA-N norfloxacin Chemical compound C1=C2N(CC)C=C(C(O)=O)C(=O)C2=CC(F)=C1N1CCNCC1 OGJPXUAPXNRGGI-UHFFFAOYSA-N 0.000 description 4
- 230000000050 nutritive effect Effects 0.000 description 4
- 241000894007 species Species 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 102000004190 Enzymes Human genes 0.000 description 3
- 108090000790 Enzymes Proteins 0.000 description 3
- 230000010261 cell growth Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005764 inhibitory process Effects 0.000 description 3
- 241000290272 Karenia mikimotoi Species 0.000 description 2
- 239000003181 biological factor Substances 0.000 description 2
- 230000032823 cell division Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 235000013619 trace mineral Nutrition 0.000 description 2
- 239000011573 trace mineral Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 240000000233 Melia azedarach Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009056 active transport Effects 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004663 cell proliferation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003653 coastal water Substances 0.000 description 1
- 230000002508 compound effect Effects 0.000 description 1
- 239000013068 control sample Substances 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001976 improved effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/06—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Cultivation Of Seaweed (AREA)
Abstract
本发明公开了一种测算目标水域藻华爆发风险的方法，涉及水域环境技术领域，基于水域环境因子数据层和藻华发生记录数据层，利用最大熵模型计算目标水域藻类适生性数值；利用水域环境营养盐和污染物分布数据，通过构造藻类生长‑营养盐‑污染物复合效应耦合模型，计算藻类的环境容纳量数值；进而利用藻类适生性数值和环境容纳量数值构造目标水域藻华指数函数，计算藻华指数，据此判断目标水域藻华发生风险，为渔业与食品卫生部门监控目标水域有毒甲藻藻华，启动水产养殖产品转移、提前收获、阻止上市等行动，采取减灾防灾措施等提供决策依据。
Description
技术领域
本发明涉及水域环境技术领域，特别是涉及一种测算目标水域藻华爆发风险的方法。
背景技术
近年来湖泊、河口、内湾和沿海水域污染不断加剧，水体富营养化程度日趋严重，新型污染物种类呈增长趋势，藻华(赤潮)发生的频率和危害程度也明显上升，包括营养盐、微量元素以及抗生素等污染物被认为是诱发藻华的原因，目前，藻华灾害已成为我国重要海洋生态灾害之一，尤其有害甲藻爆发导致的藻华灾害，不仅带来巨额经济损失，而且损害渔业、养殖业、旅游业等行业的健康发展，对人类生产生活造成极大影响；研究有害藻华发生水域风险，能够为海洋渔业、养殖业等相关行业提供科学指导，减少灾害造成的经济损失和社会影响。
藻华是一个物理、化学和生物因子共同作用的复杂过程，目前尚无法定量描述藻华的发生和发展过程，然而，大量研究表明，藻华的发生与诸多因子存在显著相关性，温度和盐度能影响藻华生物存在水域范围及藻华发生时间；洋流、潮汐及上升流等水文因素能够影响温度、盐度、营养盐等的分布，为赤潮生物的生长繁殖提供有利条件；降雨、光照、风力扰动等气象因素能够成为促进藻华发生的关键因子。
藻华本质是藻类生物细胞分裂增殖的过程，生物量积累依赖于营养盐、微量元素等化学因子，氮(N)是生物细胞中蛋白质、核苷酸等代谢成分的必需元素，水体中氮的浓度会直接影响藻华生物的生长，藻华生物作为食物链的基础环节，其生消过程不仅受自身生长过程的影响，同时也受食物链中其他各个环节生物的影响；此外，甲藻还会吞噬营养，海域初级生产力对甲藻藻华影响较大。
因此，藻华的发生是多因素综合作用的结果，这些因素的变化既具有一定的规律性也具有一定的随机性，这给深入了解藻华发生机制带来了困难，实际上，温度、盐度、洋流、潮汐、上升流、光照等物理因子的变化，在海洋学意义的时空尺度上具有较强的年、月周期性和规律性，这为藻华发生的风险预测提供了基础；此外，在富营养化背景下，营养盐等化学因子变化的规律性也在增强。
最大熵模型(Maxent)是基于最大熵理论建立的物种分布模型，最大熵原理是一种选择随机变量分布概率最符合客观情况的准则，已在统计热力学和信息科学的机器学习领域广泛应用；“实际观察到的真实状况具有最大数量的实现方式”，从这一认知出发，能够通过已知有限事件的信息推断未知事件发生的概率分布。
藻华发生过程及程度与肇事种的生物量有关，肇事种是否能够在目标水域生存，与温度、盐度、光照等具有强度性质的变量有关，肇事种生物量能否达到造成灾害的程度，与营养盐等具有容量性质的资源供应量有关，因此，描述目标海域藻华风险程度的变量，应该是一个具有容量性质的变量。
环境容纳量描述水域生物生长能达到的最大生物量，由水域资源条件(营养盐)决定，具有容量性质，但不能表征目标水域肇事种能否生存，最大熵模型能够利用与藻华发生相关的物理、化学和生物因子，估测水域藻华生物的适生性；最大熵模型输出变量(存在概率)是具有强度性质的变量，能够表征目标水域的适生性，但不能表示肇事种生物量可以达到什么程度，这些变量指标都不能较好的预测目标水域藻华发生的风险。
发明内容
为了解决以上技术问题，本发明提供一种测算目标水域藻华爆发风险的方法，包括以下步骤
S1、以水域环境因子数据层和藻华发生记录数据为基础，基于最大熵原理构建最大熵模型，通过最大熵模型计算目标水域藻类适生性数值；
S2、基于藻类营养盐-污染物复合效应培养实验，构造藻类生长-营养盐-污染物复合效应耦合模型，结合水域环境中营养盐和污染物分布数据，计算藻类环境容纳量数值；
S3、根据目标水域藻类适生性数值和藻类环境容纳量数值，构造藻华指数函数，计算目标水域藻华指数；
S4、结合实际水域藻华发生状况，判断藻华发生风险。
本发明进一步限定的技术方案是：
进一步的，步骤S1中，搜集藻类分布信息，建立藻类分布点数据库；对目标水域网格化，建立藻类分布区数据库；制作环境变量数据层，利用基于最大熵原理构建的最大熵模型，计算网格化目标水域藻类的适生性数值。
前所述的一种测算目标水域藻华爆发风险的方法，步骤S1中，环境因子包括海水温度、盐度、海流速率、海冰厚度、溶解氧、硝酸盐浓度、磷酸盐浓度、初级生产力、海水深度以及离岸距离。
前所述的一种测算目标水域藻华爆发风险的方法，步骤S2中，计算藻类环境容纳量数值包括以下步骤
S2.1、在培养液中添加不同梯度的营养盐和污染物，定时观测藻类生长状况，测定藻类生物量；
S2.2、根据生物生长理论，建立藻类生长方程：
其中，V表示单细胞藻体积，dV/dt表示单细胞藻生长速率，S表示单细胞藻吸收营养盐面积，μ表示单位面积同化速率，k表示单位体积异化速率；
S2.3、利用营养盐跨膜输运模型，建立同化速率与营养盐和污染物浓度的定量关系，构造同化速率方程：
μ＝f3(α,N,C)
其中，α为函数f3的参数集，N表示营养盐浓度，C表示污染物浓度；
S2.4、将生长方程与同化速率方程耦合，构造藻类生长-营养盐-污染物复合效应耦合模型：
其中，V表示单细胞藻体积，dV/dt表示单细胞藻生长速率，S表示单细胞藻吸收营养盐面积，k表示单位体积异化速率，α为函数f3的参数集，N表示营养盐浓度，C表示污染物浓度；
S2.5、根据实验数据拟合藻类生长-营养盐-污染物复合效应耦合模型，获取模型参数，计算不同浓度营养和污染物条件下的藻类环境容纳量，结合网格化的环境营养盐和污染物数据，计算网格化目标水域藻类的环境容纳量数值。
前所述的一种测算目标水域藻华爆发风险的方法，步骤S3中，通过下式计算目标水域藻华指数：
HABindex＝F(β,K,P)
其中，β为函数F的参数集，K为藻类环境容纳量数值，P为藻类适生性数值。
前所述的一种测算目标水域藻华爆发风险的方法，步骤S4中，根据目标水域网格化藻华指数，通过与藻华实际发生海域对比，确定藻华指数风险等级，制作藻华指数分布图，进而判断目标水域不同网格的藻华发生风险。
前所述的一种测算目标水域藻华爆发风险的方法，步骤S4中，通过藻华发生水域藻华指数计算结果与实际发生记录对比来评估测算目标水域藻华爆发风险的方法的准确性。
本发明的有益效果是：
本发明中，基于环境因子数据层和藻华发生记录数据层，通过计算目标水域藻华指数，判断目标水域藻华发生风险；利用藻华指数，可以很方便的制作目标水域藻华指数分布图，易于推广使用，突破了简易测算藻华发生风险的技术瓶颈，解决了藻华发生风险难以估算的问题，为水产养殖部门和环保部门防范有毒赤潮、开展减灾防灾行动提供决策依据，提升了相关部门防灾减灾的能力。
附图说明
图1为本发明实施例的流程步骤示意图；
图2为本发明实施例中中国海域米氏凯伦藻适生性数值示意图；
图3为本发明实施例中不同浓度硝酸盐和诺氟沙星条件下的米氏凯伦藻环境容纳量示意图；
图4为本发明实施例中米氏凯伦藻在中国海的环境容纳量示意图；
图5为本发明实施例中米氏凯伦藻在中国海的藻华指数示意图。
具体实施方式
本实施例提供的一种测算目标水域藻华爆发风险的方法，本实施例以米氏凯伦藻为例，如图1所示，包括以下步骤
S1、以水域环境因子数据层和藻华发生记录数据为基础，基于最大熵原理构建最大熵模型，通过最大熵模型计算目标水域藻类适生性数值；
搜集米氏凯伦藻分布信息，检索海洋生物地理信息系统(Ocean BiogeographicInformation System，OBIS)数据库，查阅爱思唯尔(Elsevier)、施普林格(Springer-Verlag)、中国期刊全文数据库、(维普)中文科技期刊数据库等文献数据库，建立全球海洋米氏凯伦藻分布点数据库。
对全球海洋进行网格化处理，按0.5个经纬度为一个区块，纬向从-75°S到85°N分为348格，经向从中心点0°到360°分为720格，其中从-7.5°起按0.4、0.3、0.25、0.25、0.3、0.4个纬度逐渐过渡到7.5°，剔除陆地，将全球海洋划分为176340个分布区块，统计米氏凯伦藻在全球海洋中分布区数量为148个，在中国海中分布区数量为18个。
应用海水温度、盐度、海流速率、海冰厚度、溶解氧、硝酸盐浓度、磷酸盐浓度、初级生产力在内的8个环境因子的48个环境变量数据层，加上海水深度和离岸距离在内的2个环境因子的2个环境变量数据层，共50个环境变量数据层，利用最大熵原理构建米氏凯伦藻全球海洋分布最大熵模型，以米氏凯伦藻全球海洋分布区的数据集训练最大熵模型，获得模型参数，应用模型计算中国海米氏凯伦藻的适生性数值，中国海米氏凯伦藻的适生性数值如图2所示。
S2、基于藻类营养盐-污染物复合效应培养实验，构造藻类生长-营养盐-污染物复合效应耦合模型，结合水域环境中营养盐和污染物分布数据，计算藻类环境容纳量数值，计算藻类环境容纳量数值包括以下步骤
S2.1、在培养液中添加不同梯度的营养盐和污染物，定时观测藻类生长状况，测定藻类生物量；
采用实验室培养的米氏凯伦藻，过滤海水添加适量营养盐作为培养液，置于1000mL锥形瓶中，在光照培养箱中培养，培养温度22℃，盐度30，pH8.0，光照强度60μmol m-2s-1，初始密度均为0.7×104cells mL-1，光周期12L:12D；硝酸盐、诺氟沙星污染物各设6个浓度梯度，如表1所示，包括对照样；每组设置3个平行样；每隔24h取5mL培养液，加入固定液，在显微镜下进行藻类计数，实验对象种群出现衰亡时结束实验。
表1米氏凯伦藻培养实验中添加的营养盐和污染物浓度
S2.2、根据生物生长理论，以Von Bertalanffy生长模型为基础，建立藻细胞生长方程；
其中，V表示藻细胞体积(质量)，dV/dt表示藻细胞生长速率，dA/dt表示藻细胞同化速率，dD/dt表示藻细胞异化速率，S表示单细胞藻吸收营养盐面积；μ表示单位面积同化速率，k表示单位体积异化速率。
由于单细胞藻类近似于球形，表面积和体积分别为：
S＝4πr2 (4)
其中，r为单细胞藻半径。
将式2、式3、式4以及式5带入式1，可得：
由于体积增大，输运消耗能量增加等原因，可设单位体积异化速率k与细胞体积大小成比例：
k＝δ·V (7)
其中，δ为消耗系数；
则有
当水体中存在污染物浓度(c)，藻细胞应激反应被唤醒，能量支出发生变化，单位体积异化速率(k)会受到影响，设k是污染物浓度(c)的函数F(c)，则有
k＝F(c)·δ·V (9)
将式8和式9带入式6，可得：
整体上看，种群水平上藻的细胞是连续分裂，细胞分裂不影响细胞平均体积，单细胞藻的平均半径(r)保持稳定，以μp表示藻种群单位面同化速率，以Vp表示藻种群体积(质量)，根据式10，可得藻细胞生长方程(微分形式)：
对式11积分，可得积分形式藻细胞生长方程：
根据式12，当藻类生长时间足够长(t→∞)，藻种群体积(质量)(Vp)趋于一个稳定值(环境容纳量，Vf)，可得环境容纳量和藻种群同化速率的定量关系：
即
其中，μp表示藻种群单位面同化速率。
S2.3、利用营养盐跨膜输运模型，建立同化速率与营养盐和污染物浓度的定量关系，构造同化速率方程；
如果藻细胞吸收营养盐过程可用主动运输模式来表达，则有
其中，[E]为单位面积运输营养盐离子的酶浓度；[N]为营养盐浓度；[EN]为单位面积与营养盐结合后的酶浓度。
高营养盐浓度下，营养盐抑制效应可能发生：
其中，[NEN]为单位面积与营养盐过度结合的酶浓度。
根据稳态原理，有3个质量平衡方程，如式15至式17所示：
[E0]＝[E]+[EN]+[NEN] (17)
有2个稳态平衡常数：
由式18和式19可得式20：
由于[EN]为单位时间通过膜进入藻体单位面积的氮离子和磷离子，[A]为单位面积的氮磷离子同化量，则
设μmax＝k2·[E0]
得藻细胞同化速率方程：
其中，μmax为营养盐[N]的最大同化速率。
S2.4、将生长方程与同化速率方程耦合，构造藻类生长-营养盐-污染物复合效应耦合模型；
设Vfmax为藻类最大同化速率(μmax)条件下的环境容纳量(无污染物存在)，则有
以藻种群单位面同化速率μp代替藻细胞同化速率μ，将式14和式23带入式22，可得：
如果污染物在低浓度下对藻类生长存在刺激效应，在高浓度下对藻类生长存在抑制效应，设f(c)为相对抑制率，则有f(c)＝1/F(c)，即
其中，a、b和f为抑制率f(c)方程的参数，c为污染物浓度。
将式25带入式24可得藻类生长-营养盐-污染物复合效应耦合模型：
其中，Vf表示环境容纳量。
S2.5、根据实验数据拟合藻类生长-营养盐-污染物复合效应耦合模型，获取模型参数，计算不同浓度营养和污染物条件下的藻类环境容纳量，结合网格化的环境营养盐和污染物数据，计算网格化目标水域藻类的环境容纳量数值；
根据米氏凯伦藻培养实验数据，拟合米氏凯伦藻生长-营养盐-污染物复合效应耦合模型，可得模型参数，如表2所示；利用耦合模型及模型参数，可以计算不同浓度硝酸盐和诺氟沙星污染物条件下的米氏凯伦藻环境容纳量，如图3所示，结合网格化的中国海硝酸盐和诺氟沙星浓度数据，计算网格化中国海米氏凯伦藻的环境容纳量数值，如图4所示。
表2米氏凯伦藻生长-营养盐-诺氟沙星复合效应耦合模型参数
S3、根据目标水域藻类适生性数值和藻类环境容纳量数值，构造藻华指数函数，计算目标水域藻华指数；
根据目标水域藻类适生性数值和目标水域藻类环境容纳量数值，构造藻华指数函数：
其中，H为米氏凯伦藻最大熵模型Maxent运算输出的最大熵结果，praw为最大熵模型运算输出的网格化相对生物量数据结果，JZ是判断米氏凯伦藻藻华发生的标准，根据自然资源部发布的新修订《赤潮灾害应急预案》附录C(《有毒、有害赤潮藻及基准密度清单》)，米氏凯伦藻基准密度为基准密度>1×106个/L。
根据式26计算的米氏凯伦藻环境容纳量(Vf)、米氏凯伦藻最大熵模型运算输出的最大熵(H)以及网格化相对生物量数据(praw)，计算网格化中国海米氏凯伦藻的藻华指数，如图5所示。
S4、结合实际水域藻华发生状况，判断藻华发生风险；
中国海米氏凯伦藻藻华已成为仅次于东海原甲藻赤潮的第二大灾害性藻华，自2000-2021年以来,我国沿海共发生米氏凯伦藻赤潮近100次，其中，浙江和福建海域是主要区域，米氏凯伦藻藻华累积面积13415平方千米(中国海洋灾害公报，2000-2021)，扣除重复面积2622平方千米，共10793平方千米，而依据米氏凯伦藻藻华指数(HABindex)大于0.99的面积在东海沿岸约为10170，实际发生米氏凯伦藻藻华面积与HABindex≥0.99的面积相符度约95％。
通过上述对比，确定藻华指数风险等级，在图5中以颜色从白到黑进行示意，即随着颜色越来越深代表风险越来越高，以中国海米氏凯伦藻HABindex≥0.99的海域作为米氏凯伦藻藻华发生的最高风险区域，以黑色表示；以中国海米氏凯伦藻水华指数在0.66≤HABindex<0.99范围的海域作为米氏凯伦藻藻华发生的高风险区域，以深灰色表示；以中国海米氏凯伦藻水华指数在0.33≤HABindex<0.66范围的海域作为米氏凯伦藻藻华发生的中风险区域，以灰色表示；以中国海米氏凯伦藻水华指数在0.01≤HABindex<0.33范围的海域作为米氏凯伦藻藻华发生的低风险区域，以浅灰色表示；以中国海米氏凯伦藻水华指数在HABindex<0.01范围的海域作为米氏凯伦藻藻华发生的无风险区域，以白色表示；根据中国海网格化藻华指数，制作中国海藻华指数分布图，如图5所示，用以判断中国海不同网格区域的藻华发生风险。
步骤S4中，通过藻华发生水域藻华指数计算结果与实际发生记录对比来评估测算目标水域藻华爆发风险的方法的准确性。
浙江和福建海域是米氏凯伦藻藻华高发区，其中2001-2021年福建沿海共发生米氏凯伦藻26次，仅2012年在浙江和福建海域就连续暴发12起米氏凯伦藻藻华；江苏沿海海域一直以来不是米氏凯伦藻藻华的高发海域，但2009年7月连云港市东西连岛及拦海大堤东北海域发生了米氏凯伦藻藻华，面积达210平方千米，而中国海米氏凯伦藻藻华指数分布图，如图5中显示黑色区域(HABindex≥0.99)所处位置也在东西连岛附近，面积也与实际发生面积基本一致(中国海洋灾害公报，2009)，这证实了本发明方法的可靠性。
应用本发明的方法，基于环境因子数据层和藻华发生记录数据，结合藻类营养盐-污染物复合效应培养实验，通过计算藻华指数，实现判断目标水域藻华发生风险，实例对比发现米氏凯伦藻最高风险水域与实际米氏凯伦藻藻华发生水域一致，这一结果进一步验证了本发明方法的可靠性；本发明方法能为水产养殖企业日常巡查圈定重点关注海域，减少人力船只费用，能在渔业及环保部门开展有害藻华减灾、防灾中发挥重要作用，这也表明了本发明方法具有很高的应用性价值。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。
Claims (7)
1.一种测算目标水域藻华爆发风险的方法，其特征在于：包括以下步骤
S1、以水域环境因子数据层和藻华发生记录数据为基础，基于最大熵原理构建最大熵模型，通过最大熵模型计算目标水域藻类适生性数值；
S2、基于藻类营养盐-污染物复合效应培养实验，构造藻类生长-营养盐-污染物复合效应耦合模型，结合水域环境中营养盐和污染物分布数据，计算藻类环境容纳量数值；
S3、根据目标水域藻类适生性数值和藻类环境容纳量数值，构造藻华指数函数，计算目标水域藻华指数；
S4、结合实际水域藻华发生状况，判断藻华发生风险。
2.根据权利要求1所述的一种测算目标水域藻华爆发风险的方法，其特征在于：所述步骤S1中，搜集藻类分布信息，建立藻类分布点数据库；对目标水域网格化，建立藻类分布区数据库；制作环境变量数据层，利用基于最大熵原理构建的最大熵模型，计算网格化目标水域藻类的适生性数值。
3.根据权利要求2所述的一种测算目标水域藻华爆发风险的方法，其特征在于：所述步骤S1中，环境因子包括海水温度、盐度、海流速率、海冰厚度、溶解氧、硝酸盐浓度、磷酸盐浓度、初级生产力、海水深度以及离岸距离。
4.根据权利要求1所述的一种测算目标水域藻华爆发风险的方法，其特征在于：所述步骤S2中，计算藻类环境容纳量数值包括以下步骤
S2.1、在培养液中添加不同梯度的营养盐和污染物，定时观测藻类生长状况，测定藻类生物量；
S2.2、根据生物生长理论，建立藻类生长方程：
其中，V表示单细胞藻体积，dV/dt表示单细胞藻生长速率，S表示单细胞藻吸收营养盐面积，μ表示单位面积同化速率，k表示单位体积异化速率；
S2.3、利用营养盐跨膜输运模型，建立同化速率与营养盐和污染物浓度的定量关系，构造同化速率方程：
μ＝f3(α,N,C)
其中，α为函数f3的参数集，N表示营养盐浓度，C表示污染物浓度；
S2.4、将生长方程与同化速率方程耦合，构造藻类生长-营养盐-污染物复合效应耦合模型：
其中，V表示单细胞藻体积，dV/dt表示单细胞藻生长速率，S表示单细胞藻吸收营养盐面积，k表示单位体积异化速率，α为函数f3的参数集，N表示营养盐浓度，C表示污染物浓度；
S2.5、根据实验数据拟合藻类生长-营养盐-污染物复合效应耦合模型，获取模型参数，计算不同浓度营养和污染物条件下的藻类环境容纳量，结合网格化的环境营养盐和污染物数据，计算网格化目标水域藻类的环境容纳量数值。
5.根据权利要求1所述的一种测算目标水域藻华爆发风险的方法，其特征在于：所述步骤S3中，通过下式计算目标水域藻华指数：
HABindex＝F(β,K,P)
其中，β为函数F的参数集，K为藻类环境容纳量数值，P为藻类适生性数值。
6.根据权利要求1所述的一种测算目标水域藻华爆发风险的方法，其特征在于：所述步骤S4中，根据目标水域网格化藻华指数，通过与藻华实际发生海域对比，确定藻华指数风险等级，制作藻华指数分布图，进而判断目标水域不同网格的藻华发生风险。
7.根据权利要求1所述的一种测算目标水域藻华爆发风险的方法，其特征在于：所述步骤S4中，通过藻华发生水域藻华指数计算结果与实际发生记录对比来评估测算目标水域藻华爆发风险的方法的准确性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310173691.4A CN116862218A (zh) | 2023-02-28 | 2023-02-28 | 一种测算目标水域藻华爆发风险的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310173691.4A CN116862218A (zh) | 2023-02-28 | 2023-02-28 | 一种测算目标水域藻华爆发风险的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116862218A true CN116862218A (zh) | 2023-10-10 |
Family
ID=88217746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310173691.4A Pending CN116862218A (zh) | 2023-02-28 | 2023-02-28 | 一种测算目标水域藻华爆发风险的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116862218A (zh) |
-
2023
- 2023-02-28 CN CN202310173691.4A patent/CN116862218A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alprol et al. | Assessment of water quality, eutrophication, and zooplankton community in Lake Burullus, Egypt | |
| Rangel et al. | Phytoplankton biomass is mainly controlled by hydrology and phosphorus concentrations in tropical hydroelectric reservoirs | |
| Song et al. | Variation of phytoplankton biomass and primary production in Daya Bay during spring and summer | |
| Huo et al. | Using artificial neural network models for eutrophication prediction | |
| Lehmann et al. | Changes in the water quality of Lake Geneva indicated by submerged macrophytes. | |
| Wang et al. | Spatial distribution and physical controls of the spring algal blooming off the Changjiang River Estuary | |
| Mishra et al. | Coastal water quality monitoring and modelling off Chennai city | |
| CN105956406A (zh) | 近岸海域生态系统健康评价方法 | |
| CN112056236B (zh) | 一种露天循环水池生态损害影响模拟综合试验方法 | |
| Kenney et al. | Community oxygen metabolism in a shallow tidal estuary | |
| Wu et al. | Seasonal and spatial variations in the phytoplankton community and their correlation with environmental factors in the Jinjiang River Estuary in Quanzhou, China | |
| Novoveská et al. | Study of the seasonality and hydrology as drivers of phytoplankton abundance and composition in a shallow estuary, Weeks Bay, Alabama (USA) | |
| Sui et al. | Seasonal water quality changes and the eutrophication of lake Yilong in Southwest China | |
| Zeng et al. | Seasonal variation in the water quality and eutrophication of Lake Xingyun in Southwestern China | |
| Matlala et al. | Development of a diatom index for wetland health | |
| CN113158762A (zh) | 大型湖库滨岸带蓝藻水华堆积风险评估方法 | |
| Wei et al. | Spatiotemporal variations of water eutrophication and non-point source pollution prevention and control in the main stream of the yellow river in Henan Province from 2012 to 2021 | |
| CN116862218A (zh) | 一种测算目标水域藻华爆发风险的方法 | |
| Lee et al. | Relationship of spatial phytoplankton variability during spring with eutrophic inshore and oligotrophic offshore waters in the East Sea, including Dokdo, Korea | |
| CN114897453A (zh) | 一种近岸海岛资源环境承载力评估方法和装置 | |
| Mohanty et al. | Spatial and seasonal variations in coastal water characteristics at Kalpakkam, western Bay of Bengal, Southeast India: a multivariate statistical approach | |
| Guo et al. | Long-Term Variations of Biogenic Elements and Nutritional Status in Daya Bay, Northern South China Sea | |
| Arai | Convolutional Neural Network Considering Physical Processes and its Application to Diatom Detection | |
| Al-Saeedi et al. | Biodiversity of Phytoplankton in Two Aquatic Ecosystems (LOTIC and LENTIC) During the Autumn Season | |
| Soares Filho et al. | Water quality and planktonic community of Iracema Beach, Fortaleza/CE |
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 |