CN117113735A - 基于多层次生态模型的藻华智能预警方法与系统 - Google Patents
基于多层次生态模型的藻华智能预警方法与系统 Download PDFInfo
- Publication number
- CN117113735A CN117113735A CN202311384443.0A CN202311384443A CN117113735A CN 117113735 A CN117113735 A CN 117113735A CN 202311384443 A CN202311384443 A CN 202311384443A CN 117113735 A CN117113735 A CN 117113735A
- Authority
- CN
- China
- Prior art keywords
- algae
- model
- ecological
- water area
- regional
- 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
Links
- 239000005422 algal bloom Substances 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 52
- 241000195493 Cryptophyta Species 0.000 claims abstract description 260
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 206
- 238000009826 distribution Methods 0.000 claims abstract description 73
- 239000002028 Biomass Substances 0.000 claims abstract description 51
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 49
- 230000012010 growth Effects 0.000 claims abstract description 23
- 238000011161 development Methods 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 238000000638 solvent extraction Methods 0.000 claims abstract description 4
- 229930002868 chlorophyll a Natural products 0.000 claims description 52
- 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 52
- 230000034994 death Effects 0.000 claims description 26
- 230000007613 environmental effect Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 12
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 238000004062 sedimentation Methods 0.000 claims description 7
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 239000003102 growth factor Substances 0.000 claims description 6
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 230000029553 photosynthesis Effects 0.000 claims description 4
- 238000010672 photosynthesis Methods 0.000 claims description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 4
- 229910019142 PO4 Inorganic materials 0.000 claims description 3
- 230000009102 absorption Effects 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000031018 biological processes and functions Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 230000010261 cell growth Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000004060 metabolic process Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 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
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000003756 stirring Methods 0.000 claims description 3
- 238000013518 transcription Methods 0.000 claims description 3
- 230000035897 transcription Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000013316 zoning Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000005791 algae growth Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000036978 cell physiology Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000009089 cytolysis Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
Abstract
本发明公开了基于多层次生态模型的藻华智能预警方法与系统，涉及藻华智能预警技术领域；该方法包括如下步骤：水域分区，水域构建水文模型，分区域构建多层次生态模型，获取各区域藻类生物量的分布特征，获取水域藻类生物量的分布特征，获取水域藻类发展结果，水域预警结果生成；本发明通过在每个水域区域内构建代理模型，并在每个模拟步长中构建细胞层次的代理模型，能够更准确地模拟藻类的生长速度和藻华的发展情况。这种多层次的建模方法，使得预警结果的精度大大提高，能够更准确地反映水域的实际情况。
Description
技术领域
本发明属于藻华智能预警技术领域，尤其涉及基于多层次生态模型的藻华智能预警方法与系统。
背景技术
近年来水体富营养化日益加剧，藻类过度繁殖产生的藻华持续高频次发生，严重影响当地生态环境。目前主要通过人工采样监测、遥感监测等技术进行藻华预警。
人工采样监测是最基本的预警技术，主要通过定期对水体进行采样，然后在实验室中分析藻类的种类和数量。这种方法的优点是可以获得准确的藻类种群信息，但缺点是耗时、耗力，并且只能获取采样点的信息，无法反映整个水体的情况。这是因为水体的藻类分布是不均匀的，而且会随着水流、风力等因素的变化而变化。
遥感监测是通过卫星或无人机等遥感设备，获取水体的光谱信息，然后通过光谱分析技术，推测水体中藻类的种类和数量。但遥感监测方法受到云层、水面反射等因素的影响，精度较低。这是因为遥感设备获取的是水体的光谱信息，而这些信息会受到许多因素的影响，包括云层、水面反射、水体的浑浊度等。
对于现有的藻华预警技术存在人工采样监测具有局限性或遥感监测的精度不足等问题，本发明提出一种基于多层次生态模型的藻华智能预警方法与系统，通过构建多层次生态模型实现对整个水域藻华情况的模拟，同时通过结合遥感数据和生态模型提高预警的精度。
发明内容
本发明的目的在于提供基于多层次生态模型的藻华智能预警方法与系统，以解决上述背景技术中提出的现有的藻华预警技术存在人工采样监测具有局限性或遥感监测的精度不足等问题。
为实现上述目的，本发明采用以下技术方案实现：
基于多层次生态模型的藻华智能预警方法，包括如下步骤：
S1、水域分区：根据水域的地理特性和水文特性，将水域划分为多个区域；
S2、水域构建水文模型：水文模型模拟水域的水流、温度的水文变化过程及区域间的水流交换；
S3、分区域构建多层次生态模型：每个区域构建区域藻类群落生态交换代理模型和区域藻类细胞生态代理模型，将区域藻类群落生态交换代理模型和区域藻类细胞生态代理模型耦合，不仅可以捕捉藻类的群落动态，还能在细胞层面上微调藻类的生长和死亡速率，从而得到综合的多层次生态模型；
S4、获取各区域藻类生物量的分布特征：设置多层次生态模型的初始条件，多层次生态模型模拟时间步长内各区域藻类生物量的变化，得到各区域藻类生物量的分布特征；
S5、获取水域藻类生物量的分布特征：基于S4中所述各区域藻类生物量的分布特征，利用水文模型模拟各区域在时间步长内水流交换时的藻类迁移，得到水域藻类生物量的分布特征；将该水域藻类生物量的分布特征作为下一时间步长内多层次生态模型的初始条件；
S6、获取水域藻类发展结果：循环S4-S5，经历多个时间步长直至满足设定时间，得到设定时间内水域藻类生物量的时空分布特征；
S7、水域预警结果生成：基于S6中所述水域藻类生物量的时空分布特征，获取设定时间内水域藻类叶绿素a 浓度的时空分布特征，进行水域藻华预警。
优选地，所述S3中构建多层次生态模型，包括如下步骤：
S301、构建区域藻类群落生态交换代理模型，该区域藻类群落生态交换代理模型模拟藻类群落的生态交换行为；
S302、构建区域藻类细胞生态代理模型，该区域藻类细胞生态代理模型模拟藻类细胞的生长、分裂和死亡；
S303、构建多层次生态模型，利用区域藻类细胞生态代理模型对区域藻类群落生态交换代理模型中区域藻类的生长率和死亡率进行修正，二者耦合得到多层次生态模型，计算区域藻类群落的生物量的变化。
优选地，所述S301中构建区域藻类群落生态交换代理模型，具体如下：
S3011、通过利用Lotka-Volterra的竞争方程来模拟藻类群落间在区域内生态系统中针对资源的竞争行为；
S3012、引入Lotka-Volterra的捕食-被捕食方程来模拟区域内生态系统中藻类与其他生物体间的食物链互动；
S3013、采用与细胞密度相关的方程来模拟藻类细胞间的聚集沉降过程；
S3014、所述区域藻类群落生态交换代理模型的输入参数包括藻类的初始数量和分布，环境条件。
优选地，所述S302中构建区域藻类细胞生态代理模型，包括如下步骤：
S3021、模型初始化，在每个区域模拟一定数量的超级个体作为初始的细胞种群，并输入时间序列的环境条件；
S3022、假设模拟区域是一个连续的搅拌反应器，每个时间步长的细胞都随机移动到不同的深度，并根据 Beer-Lambert 定律计算不同深度的光照强度；
S3023、建立多个子模型来描述藻类细胞的特定生物过程，包括特定基因的翻译和转录、氮的代谢、磷酸盐的吸收、光合作用、呼吸、细胞的渗出、过氧化氢的产生、降解和损伤；上述子模型均为现有技术中模型；
S3024、导入藻类细胞内、外的质量平衡函数，通过预设的阈值计算藻类细胞的分裂，通过theta模型计算藻类细胞的死亡和裂解；
S3025、计算区域藻类细胞生态代理模型中藻类细胞密度，得到区域藻类细胞生长率和死亡率。
优选地，所述S303中耦合得到多层次生态模型，具体如下：
在每个时间步长结束时，提取区域藻类细胞生态代理模型的输出，即区域藻类细胞生长率和死亡率的参数，将参数反馈到区域藻类群落生态交换代理模型中，对区域藻类群落生态交换代理模型的生长率和死亡率进行优化修正；
多层次生态模型中区域藻类生物量的变化由生长因子和损失因子的差异驱动，生长因子由区域藻类细胞生态代理模型中生长率主导，损失因子综合区域藻类细胞生态代理模型中的死亡率及区域藻类群落生态交换代理模型中由聚集沉降、食物链互动、群落间竞争主导的变化。
优选地，所述S4中设置多层次生态模型的初始条件，包括如下步骤：
S401、获取水域历史卫星遥感图；
S402、提取水域中叶绿素a浓度的时空分布特征；
S403、通过转换因子将叶绿素a浓度转换为藻类细胞密度，得到水域藻类生物量的时空分布特征；
S404、基于高藻类生物量区域确定粒子释放区域，并在区域内通过random函数随机放置粒子，作为区域藻类群落生态交换代理模型的初始条件；
S405、在不同区域中设定一定数量的藻类超级个体，作为区域藻类细胞生态代理模型的初始条件，用于模拟藻类细胞行为。
优选地，所述S5中获取水域藻类生物量的分布特征，具体如下：
S501、水文模型选择MIKE3软件，设置模型的初始条件，初始条件包括水域中湖泊的地理信息、初始的水流条件、边界条件；
S502、设置初始条件后，开始运行模型；模型的运行是一个迭代的过程，每次迭代对应一个时间步长；在每个时间步长，模型根据当前的水流条件和湖泊的地理信息，计算下一个时间步长的水流条件；
S503、在每个时间步长后，计算每个区域之间的水流交换；该过程通过函数实现，函数接受源区域的藻类数量、目标区域的藻类数量、源区域到目标区域的水流速度和方向作为输入，然后计算出在给定时间步长内，从源区域迁移到目标区域的藻类数量；
S504、在每个时间步长结束时，更新水文模型的状态。
优选地，所述S7中水域预警结果生成，包括如下步骤：
S701、基于水域藻类发展结果计算每个像素位置的藻类密度，得到水域藻类生物量的时空分布特征；
S702、使用预定的转换因子将藻类密度转换为叶绿素a浓度，获取水域藻类叶绿素a 浓度的时空分布特征；
S703、生成水域藻类叶绿素a浓度的遥感时空分布图；
S704、若为小时间尺度水域藻华预警，基于S702中水域藻类叶绿素a浓度的遥感时空分布图，图中出现明显的藻华现象，进行水域藻华预警；
S705、若为大时间尺度水域藻华预警，基于S702中水域藻类叶绿素a浓度的遥感时空分布图计算年度叶绿素a指数，年度叶绿素a指标超过设定阈值，进行水域藻华预警。
优选地，所述S705中大时间尺度水域藻华预警，包括如下步骤：
S7051、基于水域藻类叶绿素a浓度的遥感时空分布图，计算水域叶绿素a指数；
S7052、计算水域年度叶绿素a指数；
S7053、根据NCCSO的严重程度指数评估水域年度藻华爆发的严重程度；
S7054、进行大时间尺度水域藻华预警。
应用于藻华智能预警方法中的基于多层次生态模型的藻华智能预警系统，包括数据收集模块、水文模型构建模块、区域藻类群落生态交换代理模型构建模块、区域藻类细胞生态代理模型构建模块和预警模块；
所述数据收集模块，用于收集水域环境、气候数据，用于将水域划分为多个区域；
所述水文模型构建模块，用于对整体水域构建水文模型，模拟水域的水流、温度的水文变化过程及区域间的水流交换；
所述区域藻类群落生态交换代理模型构建模块，用于对每个区域构建区域藻类群落生态交换代理模型，区域藻类群落生态交换代理模型模拟该区域内藻类群落的生态交换行为；
所述区域藻类细胞生态代理模型构建模块，用于对每个区域构建区域藻类细胞生态代理模型，区域藻类细胞生态代理模型模拟藻类细胞的生长、分裂和死亡，并对区域藻类群落生态交换代理模型进行修正；
所述预警模块，基于修正后的区域藻类群落生态交换代理模型的输出结果，模拟水文交换后输出水域藻类发展结果，基于水域藻类发展结果获取设定时间内水域叶绿素a浓度的时空分布特征，进行预警。
与现有的藻华预警技术相比，本发明的有益效果是：
（1）、解决人工采样监测的局限性：人工采样监测主要依赖于定期采样和实验室分析，这种方法只能获取采样点的信息，无法全面反映整个水体的藻华情况。本发明通过构建多层次生态模型，实现对整个水域藻华情况的模拟，从而解决这一问题。
（2）、提高遥感监测的精度：遥感监测虽然能实现实时、大范围的水体监测，但其精度受到云层、水面反射等因素的影响。本发明通过结合遥感数据和生态模型，提高了预警的精度，从而解决这一问题。
（3）、考虑环境因素的影响：藻华的发生与环境因素密切相关，但现有的预警技术往往忽视这一点。本发明将环境因素纳入模型，使预警结果更加准确，更符合实际情况，从而解决这一问题。
（4）、提高预测的时空精度：藻华的发生具有明显的时空特性，但现有的预警技术往往无法精确地预测藻华在何时何地发生。本发明通过模拟藻类在水体中的空间分布和动态变化，提高了预警的时空精度，从而解决了这一问题。
附图说明
图1为本发明中的基于多层次生态模型的藻华智能预警方法的流程图；
图2为本发明中的基于多层次生态模型的藻华智能预警方法的水域预警结果生成的流程图；
图3为本发明中的基于多层次生态模型的藻华智能预警系统的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
参阅图1-图3，基于多层次生态模型的藻华智能预警方法，包括如下步骤：
S1、水域分区：根据水域的地理特性和水文特性，将水域划分为多个区域。
S2、水域构建水文模型：水文模型模拟水域的水流、温度的水文变化过程及区域间的水流交换。
S3、分区域构建多层次生态模型：每个区域构建区域藻类群落生态交换代理模型和区域藻类细胞生态代理模型，将区域藻类群落生态交换代理模型和区域藻类细胞生态代理模型耦合，得到多层次生态模型；
本实施例中，构建多层次生态模型，包括如下步骤：
S301、构建区域藻类群落生态交换代理模型，该区域藻类群落生态交换代理模型模拟藻类群落的生态交换行为；
具体地，构建区域藻类群落生态交换代理模型，具体包括如下步骤：
S3011、通过利用Lotka-Volterra的竞争方程来模拟藻类群落间在区域内生态系统中针对资源的竞争行为；
S3012、引入Lotka-Volterra的捕食-被捕食方程来模拟区域内生态系统中藻类与其他生物体间的食物链互动；
S3013、采用与细胞密度相关的方程来模拟藻类细胞间的聚集沉降过程；
S3014、所述区域藻类群落生态交换代理模型的输入参数包括藻类的初始数量和分布，环境条件。
S302、构建区域藻类细胞生态代理模型，该区域藻类细胞生态代理模型模拟藻类细胞的生长、分裂和死亡；
具体地，构建区域藻类细胞生态代理模型，具体包括如下步骤：
S3021、模型初始化，在每个区域模拟一定数量的超级个体作为初始的细胞种群，并输入时间序列的环境条件；
S3022、假设模拟区域是一个连续的搅拌反应器，每个时间步长的细胞都随机移动到不同的深度，并根据 Beer-Lambert 定律计算不同深度的光照强度；
S3023、建立多个子模型来描述藻类细胞的特定生物过程，包括特定基因的翻译和转录、氮的代谢、磷酸盐的吸收、光合作用、呼吸、细胞的渗出、过氧化氢的产生、降解和损伤；
S3024、导入藻类细胞内、外的质量平衡函数，通过预设的阈值计算藻类细胞的分裂，通过theta模型计算藻类细胞的死亡和裂解；
S3025、计算区域藻类细胞生态代理模型中藻类细胞密度，得到区域藻类细胞生长率和死亡率。
S303、构建多层次生态模型，利用区域藻类细胞生态代理模型对区域藻类群落生态交换代理模型中区域藻类的生长率和死亡率进行修正，二者耦合得到多层次生态模型，计算区域藻类生物量的变化。
具体地，耦合得到多层次生态模型，具体如下：
在每个时间步长结束时，提取区域藻类细胞生态代理模型的输出，即区域藻类细胞生长率和死亡率的参数，将参数反馈到区域藻类群落生态交换代理模型中，对区域藻类群落生态交换代理模型的生长率和死亡率进行优化修正；
多层次生态模型中区域藻类生物量的变化由生长因子和损失因子的差异驱动，生长因子由区域藻类细胞生态代理模型中生长率主导，损失因子综合区域藻类细胞生态代理模型中的死亡率及区域藻类群落生态交换代理模型中由聚集沉降、食物链互动、群落间竞争主导的变化。
S4、获取各区域藻类生物量的分布特征：设置多层次生态模型的初始条件，多层次生态模型模拟时间步长内各区域藻类生物量的变化，得到各区域藻类生物量的分布特征；
本实施例中，设置多层次生态模型的初始条件，具体包括如下步骤：
S401、获取水域历史卫星遥感图；
S402、提取水域中叶绿素a浓度的时空分布特征；
S403、通过转换因子将叶绿素a浓度转换为藻类细胞密度，得到水域藻类生物量的时空分布特征；
S404、基于高藻类生物量区域确定粒子释放区域，并在区域内通过random函数随机放置粒子，作为区域藻类群落生态交换代理模型的初始条件；
S405、在不同区域中设定一定数量的藻类超级个体，作为区域藻类细胞生态代理模型的初始条件，用于模拟藻类细胞行为。
S5、获取水域藻类生物量的分布特征：基于S4中所述各区域藻类生物量的分布特征，利用水文模型模拟各区域在时间步长内水流交换时的藻类迁移，得到水域藻类生物量的分布特征；将该水域藻类生物量的分布特征作为下一时间步长内多层次生态模型的初始条件；
本实施例中，获取水域藻类生物量的分布特征，具体包括如下步骤：
S501、水文模型选择MIKE3软件，设置模型的初始条件，初始条件包括水域中湖泊的地理信息、初始的水流条件、边界条件；
S502、设置初始条件后，开始运行模型；模型的运行是一个迭代的过程，每次迭代对应一个时间步长；在每个时间步长，模型根据当前的水流条件和湖泊的地理信息，计算下一个时间步长的水流条件；
S503、在每个时间步长后，计算每个区域之间的水流交换；该过程通过函数实现，函数接收源区域的藻类数量、目标区域的藻类数量、源区域到目标区域的水流速度和方向作为输入，然后计算出在给定时间步长内，从源区域迁移到目标区域的藻类数量；
S504、在每个时间步长结束时，更新水文模型的状态。
S6、获取水域藻类发展结果：循环S4-S5，经历多个时间步长直至满足设定时间，得到设定时间内水域藻类生物量的时空分布特征。
S7、水域预警结果生成：基于S6中所述水域藻类生物量的时空分布特征，获取设定时间内水域藻类叶绿素a 浓度的时空分布特征，进行水域藻华预警；
本实施例中，水域预警结果生成，具体包括如下步骤：
S701、基于水域藻类发展结果计算每个像素位置的藻类密度，得到水域藻类生物量的时空分布特征；
S702、使用预定的转换因子将藻类密度转换为叶绿素a浓度，获取水域藻类叶绿素a 浓度的时空分布特征；
S703、生成水域藻类叶绿素a浓度的遥感时空分布图；
S704、若为小时间尺度水域藻华预警，基于S702中水域藻类叶绿素a浓度的遥感时空分布图，图中出现明显的藻华现象，进行水域藻华预警；
S705、若为大时间尺度水域藻华预警，基于S702中水域藻类叶绿素a浓度的遥感时空分布图计算年度叶绿素a指数，年度叶绿素a指标超过设定阈值，进行水域藻华预警；
具体地，大时间尺度水域藻华预警，包括如下步骤：
S7051、基于水域藻类叶绿素a浓度的遥感时空分布图，计算水域叶绿素a指数；
S7052、计算水域年度叶绿素a指数；
S7053、根据NCCSO的严重程度指数评估水域年度藻华爆发的严重程度；
S7054、进行大时间尺度水域藻华预警。
实施例2：
应用于实施例1中藻华智能预警方法中的基于多层次生态模型的藻华智能预警系统。
基于多层次生态模型的藻华智能预警系统，包括数据收集模块、水文模型构建模块、区域藻类群落生态交换代理模型构建模块、区域藻类细胞生态代理模型构建模块和预警模块。
数据收集模块，用于收集水域环境、气候数据，用于将水域划分为多个区域；
水文模型构建模块，用于对整体水域构建水文模型，模拟水域的水流、温度水文变化过程及区域间的水流交换；
区域藻类群落生态交换代理模型构建模块，用于对每个区域构建区域藻类群落生态交换代理模型，区域藻类群落生态交换代理模型模拟该区域内藻类群落的生态交换行为；
区域藻类细胞生态代理模型构建模块，用于对每个区域构建区域藻类细胞生态代理模型，区域藻类细胞生态代理模型模拟藻类细胞的生长、分裂和死亡，并对区域藻类群落生态交换代理模型进行修正；
预警模块，基于修正后的区域藻类群落生态交换代理模型的输出结果，模拟水文交换后输出水域藻类发展结果，基于水域藻类发展结果获取设定时间内水域叶绿素a浓度的时空分布特征，进行预警。
实施例3：
参阅图1-图3，基于多层次生态模型的藻华智能预警方法，包括如下步骤：
步骤一、水域划分：
在ArcGIS中，首先导入湖泊边界和数字高程模型（DEM）。通过DEM计算流向与流量，确定湖泊的集水区。基于流量与高程，将集水区划分为子分区。再根据湖泊边界裁剪子分区，为每个区域标注并添加符号，完成湖泊的分区操作。
步骤二、构建水文模型：
本实施例中，水文模型构建：在每个水域区域内，选择一个适合的水文模型（如MIKE3）来模拟水流条件。
步骤三：构建多层次生态模型：
本实施例中，区域藻类群落生态交换代理模型构建：
在每个区域内构建一个群落层面的藻类代理模型，通过特定函数来模拟藻类在湖泊中的竞争、食物链相互作用以及群落间的聚集沉降。模拟藻类群落的生长和发育动态。
模型的输入参数包括藻类的初始数量和分布，以及环境条件（如光照、温度、营养物质等）。
区域藻类细胞生态代理模型：
本实施例中，区域藻类细胞生态代理模型构建：
在每个水域子区域内构建一个细胞层面的藻类代理模型。
假设每个子区域为一个连续搅拌反应器，其中环境条件如光照、温度和营养物质在每个时间步长内均匀分布。
接下来，将模拟的藻类细胞分为一个个超级个体，每个超级个体代表一定数量的真实藻类细胞。模拟每个超级个体的光合作用、呼吸、渗出和生物量生长，这些过程受到光照强度、温度和营养物质浓度的影响。同时，也模拟超级个体的分裂、死亡和裂解还有它们受到的捕食和竞争关系，这些过程受到生物量、环境条件和细胞生理状态的影响。在每个时间步长结束时，提取细胞层面模型的输出，如藻类生长速率和死亡率等参数，将这些结果反馈到群落层面的模型中。模型的参数根据实验室实验数据进行校准。
对于难以获取的水域环境条件的短期变化，首先将水域历史环境数据（包括光照强度、温度、风速，以及关键的水质指标如总氮和总磷）分为训练集、验证集和测试集。基于训练集，独立地训练了LSTM和Prophet两种时间序列模型，并结合贝叶斯优化技术对其参数进行了细致调优，并将优化后的模型采用stacking策略进行了集成。最后，集成模型用于预测水域较短时间步长的环境条件，以补充建模所需数据。
步骤四、模型模拟：
运行代理模型，模拟藻类在水体中的空间分布和动态变化。模型的运行可以通过编程语言（如Python）实现。
首先，设置模型的初始条件，包括藻类的初始数量和分布，以及环境条件。
藻类的初始数量和分布是通过卫星高分辨率遥感提取水域中叶绿素a浓度分布，并通过转换因子将叶绿素a浓度转换为藻类细胞密度（需要确认洞庭湖中主要的优势藻类）。然后，基于高藻类生物量区域确定粒子释放区域，并在区域内通过random函数随机放置粒子。
然后，设置模型的时间步长（群落层面为1小时、细胞层面为5分钟），并运行模型。在每个时间步长结束时，更新模型的状态，包括藻类的数量和分布，以及环境条件。模型的运行可以在个人电脑或高性能计算机上进行，取决于模型的复杂度和运行时间。
在每个时间步长结束时，根据水文模型预测的水流速度，考虑水流湍流、藻类细胞的沉降和上浮等因素，将每个区域的藻类细胞按比例分配到相邻的区域。在下一个时间步长开始时，使用新的藻类细胞分布和环境条件来更新不同区域中的生态代理模型。整个过程中，需要收集实地数据，如藻类细胞的数量和分布，以及环境条件，来验证和优化模型的预测结果。
步骤五、预警藻华：
基于模拟结果，首先计算每个像素位置的藻类密度。
然后，使用预定的转换因子将藻类密度转换为叶绿素a浓度。
接着，根据每个像素位置的叶绿素a浓度生成水域的遥感热力图，这个热力图可以直观地展示水域中藻类的空间分布。此外，还会计算每个像素位置的叶绿素a指数。这个指数是通过对叶绿素a浓度进行特定的计算得到的，它可以反映出藻类生物量的相对大小。参考美国国家海岸和海洋科学中心（NCCOS）发布的藻华严重程度指标，根据年度叶绿素a指数的值来判断藻华的严重程度。
最后，结合水域叶绿素a浓度遥感图和年度叶绿素a指数来进行藻华预警。如果遥感图出现明显的藻华现象或者年度叶绿素a指标超过设定阈值，那么就会发出藻华预警，提示相关部门注意藻华的发生和发展。
本发明中藻华智能预警方法具体如下优势：
（1）、精度提高：本发明通过在每个水域区域内构建代理模型，并在每个模拟步长中构建细胞层次的代理模型，能够更准确地模拟藻类的生长速度和藻华的发展情况。这种多层次的建模方法，使得预警结果的精度大大提高，能够更准确地反映水域的实际情况。
（2）、实时性强：本发明通过实时收集水域的环境数据，并实时运行代理模型，能够实时预测未来一段时间内各个区域的藻华情况，从而实现实时预警。这种实时预警的能力，使得能够及时发现藻华的发展趋势，及时采取措施，避免或减轻藻华的影响。
（3）、操作简便：本发明的所有模块都可以自动运行，用户只需要设置好参数，就可以自动进行藻华预警。这种自动化的操作方式，使得用户无需专业的技术知识，就可以方便地使用本发明进行藻华预警。
（4）、环保性强：通过预警藻华，本发明可以帮助及时采取措施防止或减轻藻华的发生，从而减少藻华对水域生态环境的破坏，有利于水域环境的保护。这种环保性的优点，使得本发明在保护水域环境，防止水体污染方面具有重要的价值。
以上所述，仅用于帮助理解本发明的方法及其核心要义，但本发明的保护范围并不局限于此，对于本技术领域的一般技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.基于多层次生态模型的藻华智能预警方法，其特征在于，包括如下步骤：
S1、水域分区：根据水域的地理特性和水文特性，将水域划分为多个区域；
S2、水域构建水文模型：水文模型模拟水域的水流、温度的水文变化过程及区域间的水流交换；
S3、分区域构建多层次生态模型：每个区域构建区域藻类群落生态交换代理模型和区域藻类细胞生态代理模型，将区域藻类群落生态交换代理模型和区域藻类细胞生态代理模型耦合，得到多层次生态模型；
S4、获取各区域藻类生物量的分布特征：设置多层次生态模型的初始条件，多层次生态模型模拟时间步长内各区域藻类生物量的变化，得到各区域藻类生物量的分布特征；
S5、获取水域藻类生物量的分布特征：基于S4中所述各区域藻类生物量的分布特征，利用水文模型模拟各区域在时间步长内水流交换时的藻类迁移，得到水域藻类生物量的分布特征；将该水域藻类生物量的分布特征作为下一时间步长内多层次生态模型的初始条件；
S6、获取水域藻类发展结果：循环S4-S5，经历多个时间步长直至满足设定时间，得到设定时间内水域藻类生物量的时空分布特征；
S7、水域预警结果生成：基于S6中所述水域藻类生物量的时空分布特征，获取设定时间内水域藻类叶绿素a 浓度的时空分布特征，进行水域藻华预警。
2.根据权利要求1所述的基于多层次生态模型的藻华智能预警方法，其特征在于，所述S3中构建多层次生态模型，包括如下步骤：
S301、构建区域藻类群落生态交换代理模型，该区域藻类群落生态交换代理模型模拟藻类群落的生态交换行为；
S302、构建区域藻类细胞生态代理模型，该区域藻类细胞生态代理模型模拟藻类细胞的生长、分裂和死亡；
S303、构建多层次生态模型，利用区域藻类细胞生态代理模型对区域藻类群落生态交换代理模型中区域藻类的生长率和死亡率进行修正，二者耦合得到多层次生态模型，计算区域藻类生物量的变化。
3.根据权利要求2所述的基于多层次生态模型的藻华智能预警方法，其特征在于，所述S301中构建区域藻类群落生态交换代理模型，具体如下：
S3011、通过利用Lotka-Volterra的竞争方程来模拟藻类群落间在区域内生态系统中针对资源的竞争行为；
S3012、引入Lotka-Volterra的捕食-被捕食方程来模拟区域内生态系统中藻类与其他生物体间的食物链互动；
S3013、采用与细胞密度相关的方程来模拟藻类细胞间的聚集沉降过程；
S3014、所述区域藻类群落生态交换代理模型的输入参数包括藻类的初始数量和分布，环境条件。
4.根据权利要求2所述的基于多层次生态模型的藻华智能预警方法，其特征在于，所述S302中构建区域藻类细胞生态代理模型，包括如下步骤：
S3021、模型初始化，在每个区域模拟一定数量的超级个体作为初始的细胞种群，并输入时间序列的环境条件；
S3022、假设模拟区域是一个连续的搅拌反应器，每个时间步长的细胞都随机移动到不同的深度，并根据 Beer-Lambert 定律计算不同深度的光照强度；
S3023、建立多个子模型来描述藻类细胞的特定生物过程，包括特定基因的翻译和转录、氮的代谢、磷酸盐的吸收、光合作用、呼吸、细胞的渗出、过氧化氢的产生、降解和损伤；
S3024、导入藻类细胞内、外的质量平衡函数，通过预设的阈值计算藻类细胞的分裂，通过theta模型计算藻类细胞的死亡和裂解；
S3025、计算区域藻类细胞生态代理模型中藻类细胞密度，得到区域藻类细胞生长率和死亡率。
5.根据权利要求2所述的基于多层次生态模型的藻华智能预警方法，其特征在于，所述S303中耦合得到多层次生态模型，具体如下：
在每个时间步长结束时，提取区域藻类细胞生态代理模型的输出，即区域藻类细胞生长率和死亡率的参数，将参数反馈到区域藻类群落生态交换代理模型中，对区域藻类群落生态交换代理模型的生长率和死亡率进行优化修正；
多层次生态模型中区域藻类生物量的变化由生长因子和损失因子的差异驱动，生长因子由区域藻类细胞生态代理模型中生长率主导，损失因子综合区域藻类细胞生态代理模型中的死亡率及区域藻类群落生态交换代理模型中由聚集沉降、食物链互动、群落间竞争主导的变化。
6.根据权利要求2所述的基于多层次生态模型的藻华智能预警方法，其特征在于，所述S4中设置多层次生态模型的初始条件，包括如下步骤：
S401、获取水域历史卫星遥感图；
S402、提取水域中叶绿素a浓度的时空分布特征；
S403、通过转换因子将叶绿素a浓度转换为藻类细胞密度，得到水域藻类生物量的时空分布特征；
S404、基于高藻类生物量区域确定粒子释放区域，并在区域内通过random函数随机放置粒子，作为区域藻类群落生态交换代理模型的初始条件；
S405、在不同区域中设定一定数量的藻类超级个体，作为区域藻类细胞生态代理模型的初始条件，用于模拟藻类细胞行为。
7.根据权利要求1所述的基于多层次生态模型的藻华智能预警方法，其特征在于，所述S5中获取水域藻类生物量的分布特征，具体如下：
S501、水文模型选择MIKE3软件，设置模型的初始条件，初始条件包括水域中湖泊的地理信息、初始的水流条件、边界条件；
S502、设置初始条件后，开始运行模型；模型的运行是一个迭代的过程，每次迭代对应一个时间步长；在每个时间步长，模型根据当前的水流条件和湖泊的地理信息，计算下一个时间步长的水流条件；
S503、在每个时间步长后，计算每个区域之间的水流交换；该过程通过函数实现，函数接收源区域的藻类数量、目标区域的藻类数量、源区域到目标区域的水流速度和方向作为输入，然后计算出在给定时间步长内，从源区域迁移到目标区域的藻类数量；
S504、在每个时间步长结束时，更新水文模型的状态。
8.根据权利要求1-7任一所述的基于多层次生态模型的藻华智能预警方法，其特征在于，所述S7中水域预警结果生成，包括如下步骤：
S701、基于水域藻类发展结果计算每个像素位置的藻类密度，得到水域藻类生物量的时空分布特征；
S702、使用预定的转换因子将藻类密度转换为叶绿素a浓度，获取水域藻类叶绿素a 浓度的时空分布特征；
S703、生成水域藻类叶绿素a浓度的遥感时空分布图；
S704、若为小时间尺度水域藻华预警，基于S702中水域藻类叶绿素a浓度的遥感时空分布图，图中出现明显的藻华现象，进行水域藻华预警；
S705、若为大时间尺度水域藻华预警，基于S702中水域藻类叶绿素a浓度的遥感时空分布图计算年度叶绿素a指数，年度叶绿素a指标超过设定阈值，进行水域藻华预警。
9.根据权利要求8所述的基于多层次生态模型的藻华智能预警方法，其特征在于，所述S705中大时间尺度水域藻华预警，包括如下步骤：
S7051、基于水域藻类叶绿素a浓度的遥感时空分布图，计算水域叶绿素a指数；
S7052、计算水域年度叶绿素a指数；
S7053、根据NCCSO的严重程度指数评估水域年度藻华爆发的严重程度；
S7054、进行大时间尺度水域藻华预警。
10.应用于权利要求9所述藻华智能预警方法中的基于多层次生态模型的藻华智能预警系统，其特征在于，包括数据收集模块、水文模型构建模块、区域藻类群落生态交换代理模型构建模块、区域藻类细胞生态代理模型构建模块和预警模块；
所述数据收集模块，用于收集水域环境、气候数据，用于将水域划分为多个区域；
所述水文模型构建模块，用于对整体水域构建水文模型，模拟水域的水流、温度水文变化过程及区域间的水流交换；
所述区域藻类群落生态交换代理模型构建模块，用于对每个区域构建区域藻类群落生态交换代理模型，区域藻类群落生态交换代理模型模拟该区域内藻类群落的生态交换行为；
所述区域藻类细胞生态代理模型构建模块，用于对每个区域构建区域藻类细胞生态代理模型，区域藻类细胞生态代理模型模拟藻类细胞的生长、分裂和死亡，并对区域藻类群落生态交换代理模型进行修正；
所述预警模块，基于修正后的区域藻类群落生态交换代理模型的输出结果，模拟水文交换后输出水域藻类发展结果，基于水域藻类发展结果获取设定时间内水域叶绿素a浓度的时空分布特征，进行预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311384443.0A CN117113735B (zh) | 2023-10-25 | 2023-10-25 | 基于多层次生态模型的藻华智能预警方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311384443.0A CN117113735B (zh) | 2023-10-25 | 2023-10-25 | 基于多层次生态模型的藻华智能预警方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117113735A true CN117113735A (zh) | 2023-11-24 |
| CN117113735B CN117113735B (zh) | 2024-01-02 |
Family
ID=88800634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311384443.0A Active CN117113735B (zh) | 2023-10-25 | 2023-10-25 | 基于多层次生态模型的藻华智能预警方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117113735B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102141517A (zh) * | 2011-01-05 | 2011-08-03 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊翌年蓝藻水华首次发生水域预测方法 |
| CN104990997A (zh) * | 2015-06-18 | 2015-10-21 | 同济大学 | 一种基于核碱基信息的微藻群落原位生长速率的测定方法 |
| CN105243250A (zh) * | 2015-11-20 | 2016-01-13 | 深圳职业技术学院 | 基于三维藻类生态模型的自控水源分层取水方法及系统 |
| CN108038351A (zh) * | 2017-12-06 | 2018-05-15 | 武汉大学 | 一种基于遥感影像和水生态模型的叶绿素计算方法 |
| 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 |
| CN111382929A (zh) * | 2020-02-26 | 2020-07-07 | 中国环境科学研究院 | 一种构建河流硅藻水华预警模型的方法及装置 |
| CN115270632A (zh) * | 2022-08-02 | 2022-11-01 | 天津天滨瑞成环境技术工程有限公司 | 饮用水水源地水华风险预测系统和方法 |
| US20220404328A1 (en) * | 2021-06-18 | 2022-12-22 | Colorado State University Research Foundation | Systems, methods, and devices for detecting harmful algal blooms |
| KR20230011837A (ko) * | 2021-07-14 | 2023-01-25 | 연세대학교 산학협력단 | 기계학습 기반 녹조예측장치 |
| CN115795367A (zh) * | 2023-01-29 | 2023-03-14 | 湖南大学 | 基于机器学习的藻华爆发预测方法及应用 |
| CN116819024A (zh) * | 2023-06-28 | 2023-09-29 | 同济大学 | 一种湖库富营养化生态动力学模型的模拟优化方法及装置 |
-
2023
- 2023-10-25 CN CN202311384443.0A patent/CN117113735B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102141517A (zh) * | 2011-01-05 | 2011-08-03 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊翌年蓝藻水华首次发生水域预测方法 |
| CN104990997A (zh) * | 2015-06-18 | 2015-10-21 | 同济大学 | 一种基于核碱基信息的微藻群落原位生长速率的测定方法 |
| CN105243250A (zh) * | 2015-11-20 | 2016-01-13 | 深圳职业技术学院 | 基于三维藻类生态模型的自控水源分层取水方法及系统 |
| 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 |
| US20210293770A1 (en) * | 2017-06-19 | 2021-09-23 | Nanjing Institute Of Geography & Limnology. Chinese Academy Of Sciences | Stereoscopic monitoring and data mining system and method for harmful lake cyanobacteria bloom |
| CN108038351A (zh) * | 2017-12-06 | 2018-05-15 | 武汉大学 | 一种基于遥感影像和水生态模型的叶绿素计算方法 |
| CN111382929A (zh) * | 2020-02-26 | 2020-07-07 | 中国环境科学研究院 | 一种构建河流硅藻水华预警模型的方法及装置 |
| US20220404328A1 (en) * | 2021-06-18 | 2022-12-22 | Colorado State University Research Foundation | Systems, methods, and devices for detecting harmful algal blooms |
| KR20230011837A (ko) * | 2021-07-14 | 2023-01-25 | 연세대학교 산학협력단 | 기계학습 기반 녹조예측장치 |
| CN115270632A (zh) * | 2022-08-02 | 2022-11-01 | 天津天滨瑞成环境技术工程有限公司 | 饮用水水源地水华风险预测系统和方法 |
| CN115795367A (zh) * | 2023-01-29 | 2023-03-14 | 湖南大学 | 基于机器学习的藻华爆发预测方法及应用 |
| CN116819024A (zh) * | 2023-06-28 | 2023-09-29 | 同济大学 | 一种湖库富营养化生态动力学模型的模拟优化方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| XIAN XIAO ET AL: "Planktonic algal bloom significantly alters sediment bacterial community structure", J SOILS SEDIMENTS, vol. 17, pages 2547, XP036318019, DOI: 10.1007/s11368-017-1691-7 * |
| 孔繁翔;马荣华;高俊峰;吴晓东;: "太湖蓝藻水华的预防、预测和预警的理论与实践", 湖泊科学, no. 03 * |
| 王崇;孔海南;王欣泽;何圣兵;郑向勇;吴德意;: "有害藻华预警预测技术研究进展", 应用生态学报, no. 11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117113735B (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Daw et al. | Physics-guided neural networks (pgnn): An application in lake temperature modeling | |
| Hanson et al. | Predicting lake surface water phosphorus dynamics using process-guided machine learning | |
| Ceia-Hasse et al. | Population persistence in landscapes fragmented by roads: Disentangling isolation, mortality, and the effect of dispersal | |
| CN112765912B (zh) | 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法 | |
| CN108985521A (zh) | 光伏发电系统的输出功率预测方法、装置、设备及介质 | |
| CN108416460B (zh) | 基于多因素时序—随机深度置信网络模型的蓝藻水华预测方法 | |
| CN112884226A (zh) | 基于多智能体算法的国土空间格局模拟规划方法及系统 | |
| CN111582551A (zh) | 风电场短期风速预测方法、系统及电子设备 | |
| CN115204618B (zh) | 一种ccmvs区域碳源汇同化反演方法 | |
| Usharani | ILF-LSTM: Enhanced loss function in LSTM to predict the sea surface temperature | |
| CN112784503B (zh) | 一种闸坝调度下水鸟栖息地适宜性计算方法与装置 | |
| CN114564883B (zh) | 融合机理与ML的湖泊叶绿素a短期集合预报方法及系统 | |
| CN112100911A (zh) | 一种基于深度bisltm的太阳辐射预测方法 | |
| Li et al. | Prediction and elucidation of the population dynamics of Microcystis spp. in Lake Dianchi (China) by means of artificial neural networks | |
| CN112182951A (zh) | 一种考虑多重不确定性的土地利用规划方法 | |
| Serencam et al. | Determining the water level fluctuations of Lake Van through the integrated machine learning methods | |
| CN117113735B (zh) | 基于多层次生态模型的藻华智能预警方法与系统 | |
| CN112560633A (zh) | 基于深度学习的植物关键物候期时间点预测方法及系统 | |
| Jalali et al. | Novel uncertainty-aware deep neuroevolution algorithm to quantify tidal forecasting | |
| Yang et al. | A case study of an enhanced eutrophication model with stoichiometric zooplankton growth sub-model calibrated by Bayesian method | |
| Deng et al. | Estimation of a five-parameter JONSWAP spectra with an improved particle swarm optimization | |
| CN109858127A (zh) | 基于递归时序深度置信网络的蓝藻水华预测方法 | |
| Basnayake Mudiyanselage | Application of local and global sensitivity analysis methods to a north sea hydrodynamic model–study case of sffshore blue mussels and seaweed farms | |
| CN117744411B (zh) | 一种基于海洋气象趋势的船舶失速预测方法及系统 | |
| von Dewitz et al. | Use of existing hydrographic infrastructure to forecast the environmental spawning conditions for Eastern Baltic cod |
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 |