CN118212970B - 一种基于时序和空间分布的蓝藻预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于时序和空间分布的蓝藻预测方法及系统，属于蓝藻防控的技术领域。包括：实时获取蓝藻在水体中的基础生物量信息，在线获取湖泊‑水库的气象预报数据；创建蓝藻水华迁移聚集模型，将基础生物量信息和气象预报数据作为输入，经蓝藻水华迁移聚集模型输出预测值；根据预测值判断未来时间段内是否存在蓝藻水华：若存在，基于预测值生成蓝藻水华预报信息，生成蓝藻防控策略，并将所述蓝藻水华预报信息进行可视化展示，滚动预报藻水华的生成时序、空间分布和发展趋势。本发明有效提前给出蓝藻水华出现的概率和出现的空间，为蓝藻水华处置提供了有力的工具，并在及时处理、高效打捞、节约成本等发面发挥了突出的效果。

Description

一种基于时序和空间分布的蓝藻预测方法及系统

技术领域

本发明属于蓝藻防控的技术领域，特别是涉及一种基于时序和空间分布的蓝藻预测方法及系统。

背景技术

蓝藻水华是困扰富营养化湖泊的重要环境问题之一，不仅影响水生生态系统安全和水源地饮用水安全，也严重影响了湖库整体环境景观。我国小型湖库众多，其中一部分为城市景观湖泊和水库，蓝藻水华的出现和暴发严重影响了景观湖泊的环境质量，及时的蓝藻水华预报可为蓝藻水华的有效处置提供充足的时间保障。

现阶段，蓝藻水华预报的难点在于对蓝藻水华暴发机理认知的不清晰，现有的蓝藻水华预报技术主要采用数值模型计算，数值模型模拟的准确与否，取决于模型对事件的过程或状态的机理准确表达，同时还受到输入资料精度影响。受波流耦合、湍流、表层流、蓝藻水华生长及暴发机理等基础性理论研究的滞后，现有蓝藻水华预测技术的准确性具有较大的提升空间。

发明内容

本发明的目的在于提供一种基于时序和空间分布的蓝藻预测方法及系统，以解决背景技术中存在的问题。

本发明采用以下技术方案：一种基于时序和空间分布的蓝藻预测方法，包括以下步骤：

根据湖泊-水库的占地情况按要求预先布设个监测站点；实时获取蓝藻在水体中的基础生物量信息，所述基础生物量信息至少包括：监测站点，以及监测站点的藻密度赋值；

按照预定时间尺度S在线获取湖泊-水库的气象预报数据，T表示未来时间段，，i为大于等于0的整数，t为当前时间；

创建蓝藻水华迁移聚集模型，将基础生物量信息和气象预报数据作为输入，经蓝藻水华迁移聚集模型输出预测值；根据所述预测值判断未来时间段内是否存在蓝藻水华：若存在，则基于预测值生成蓝藻水华预报信息，所述蓝藻水华预报信息包括：蓝藻水华的生成时序、空间分布和发展趋势；

基于所述蓝藻水华预报信息生成蓝藻防控策略，并将所述蓝藻水华预报信息进行可视化展示，滚动预报藻水华的生成时序、空间分布和发展趋势。

在进一步的实施例中，所述个监测站点的布设流程如下：

基于湖泊-水库的水域形状，将所述个监测站点均匀分散在水域的四周并与岸边留有预定距离；

结合湖泊-水库的盛行风向，在盛行风向的下风向处布设至少两组监测站点。

在进一步的实施例中，所述藻密度赋值的获取流程如下：

监测站点包含个监测点，监测点通过荧光法监测得到藻密度实时数值集，，表示监测站点中的监测点监测得到的实时藻密度值；

将所述按照从大到小的顺序进行排列，得到监测站点的最大藻密度值；则，藻密度赋值的取值如下：

；其中，为藻密度阈值。

在进一步的实施例中，所述气象预报数据至少包括：风向、风速、气温、湿度、光辐射和降雨量；所述蓝藻水华迁移聚集模型的公式表达如下：

；

其中，是当前时间的藻密度赋值，、、、、和分别是当前时间或未来时间的风向概率赋值、风速概率赋值、气温概率赋值、湿度概率赋值、光辐射概率赋值和降雨量概率赋值；则表示蓝藻水华迁移聚集模型的输出值，为关于未来时间段的预测值。

在进一步的实施例中，若存在至少一项符合以下公式，则表示未来时间段内将存在蓝藻水华：

；

、、、分别为蓝藻密度阈值、风向概率阈值、降雨量概率阈值和总预测阈值；

基于上述公式确定即将发生蓝藻水华的时间段T，根据当前时间t和时间段T推测到时间预测点，即生成时序；

根据上述公式确定对应的监测站点编号，根据监测站点编号定位到对应的监测区域，即蓝藻水华的空间分布；

连续获取同一监测站点在不同时间段的预测值，得到对应的预测值数集，；分析预测值数集内的数据，若预测值数集内的预测值为持续增大，则表示蓝藻水华在无干涉的情况下发展趋于严重；反之，若预测值数集内的预测值为持续降低，则表示蓝藻水华在无干涉的情况下发展趋于可控；若预测值数集内的预测值在增大和降低之间存在波动，则表示蓝藻水华在无干涉的情况下发展趋于不可控。

在进一步的实施例中，所述风向概率赋值的计算公式如下：

；式中，是权值，是比例放大参数，为风向角度，为时间点的风向所在的位置；

所述风速概率赋值的计算公式如下：

；式中，为威布尔概率分布，，表示时间点的风速，为比例系数，为形状系数，为随机变量，为拉格朗日乘子。

在进一步的实施例中，所述气温概率赋值的计算公式如下：，为时间点的气温数学期望值；

所述湿度概率赋值的计算公式如下：，为时间点的湿度数学期望值。

在进一步的实施例中，所述光辐射概率赋值的计算公式如下：

；为Gamma函数，为Beta分布的形状参数，为时间点湖泊-水库的平均光辐射强度，为时间点湖泊-水库的最大光辐射强度。

在进一步的实施例中，所述降雨量概率赋值的计算公式如下：

；式中，为预测的时间点的降雨覆盖率，为当前时间t的降雨量，为预测的时间点的降雨量。

一种基于时序和空间分布的蓝藻预测系统，用于实现如上所述的蓝藻预测方法，包括：

第一模块，被设置为根据湖泊-水库的占地情况按要求预先布设个监测站点；实时获取蓝藻在水体中的基础生物量信息，所述基础生物量信息至少包括：监测站点，以及监测站点的藻密度赋值；

第二模块，被设置为按照预定时间尺度S在线获取湖泊-水库的气象预报数据，T表示未来时间段，，i为大于等于0的整数，t为当前时间；

第三模块，被设置为创建蓝藻水华迁移聚集模型，将基础生物量信息和气象预报数据作为输入，经蓝藻水华迁移聚集模型输出预测值；根据所述预测值判断未来时间段内是否存在蓝藻水华：若存在，则基于预测值生成蓝藻水华预报信息，所述蓝藻水华预报信息包括：蓝藻水华的生成时序、空间分布和发展趋势；

第四模块，被设置为基于所述蓝藻水华预报信息生成蓝藻防控策略，并将所述蓝藻水华预报信息进行可视化展示，滚动预报藻水华的生成时序、空间分布和发展趋势。

本发明的有益效果：本发明引入蓝藻水华迁移聚集模型，该模型是基于风场-气候-蓝藻密度的数据分析，将蓝藻的生长过程黑箱化，利用蓝藻生物存量监测数据，结合气象预报信息，通过蓝藻水华迁移聚集算法，滚动预报蓝藻水华的暴发概率及空间分布。有效提前给出蓝藻水华出现的概率和出现的空间，为蓝藻水华处置提供了有力的工具，并在及时处理、高效打捞、节约成本等发面发挥了突出的效果。

附图说明

图1为基于时序和空间分布的蓝藻预测方法的流程图。

具体实施方式

下面结合说明书附图和实施例对本发明作进一步的描述。

实施例1

如图1所示，本实施例以金鸡湖为例，提供了一种基于时序和空间分布的蓝藻预测方法，包括：根据湖泊-水库的占地情况按要求预先布设个监测站点；每个检测站点内分别设置有对应数量的监测点，如n个。实时获取蓝藻在水体中的基础生物量信息，所述基础生物量信息至少包括：监测站点，以及监测站点的藻密度赋值；

按照预定时间尺度S在线获取湖泊-水库的气象预报数据，T表示未来时间段，，i为大于等于0的整数，t为当前时间；

创建蓝藻水华迁移聚集模型，将基础生物量信息和气象预报数据作为输入，经蓝藻水华迁移聚集模型输出预测值；根据所述预测值判断未来时间段内是否存在蓝藻水华：若存在，则基于预测值生成蓝藻水华预报信息，所述蓝藻水华预报信息包括：蓝藻水华的生成时序、空间分布和发展趋势；

基于所述蓝藻水华预报信息生成蓝藻防控策略，并将所述蓝藻水华预报信息进行可视化展示，滚动预报藻水华的生成时序、空间分布和发展趋势。

藻密度是蓝藻水华暴发的重要指示指标，藻密度的增高预示着蓝藻水华发生概率增加。因此，藻密度在线监测站系统为蓝藻水华预报系统提供蓝藻在水体中的基础生物量信息，是整个蓝藻预报系统的物质监测基础。监测站主要通过荧光法监测藻密度实时数值，在线测定藻密度数值。藻密度测量原理为，当发射光直接照射水体，水体中蓝绿藻体内藻青蛋白和衍生的藻蓝蛋白发射出荧光，通过检测荧光获取蓝绿藻的浓度，在线、快速分析藻密度，为蓝藻水华预报系统提供基础数据。基于上述描述，藻密度赋值的获取流程如下：

监测站点包含个监测点，监测点通过荧光法监测得到藻密度实时数值集，，表示监测站点中的监测点监测得到的实时藻密度值；

将所述按照从大到小的顺序进行排列，得到监测站点的最大藻密度值；则，藻密度赋值的取值如下：

；其中，为藻密度阈值。

举例说明，预报期间数据输入采用同时间监测站点最大藻密度值Max，监测站点1（含n个监测点）；监测站点2（含n个监测点）；…；监测站点m（含n个监测点）作为系统输入数据，藻密度输入值在2500万Cell/L及以上判定概率输入为100%，藻密度2500万Cell/L以下根据数值逐渐减小概率，由此设定。故在本实施例中，藻密度阈值为2500万Cell/L。

在进一步的实施例中，个监测站点的布设流程如下：

基于湖泊-水库的水域形状，将所述个监测站点均匀分散在水域的四周并与岸边留有预定距离；结合湖泊-水库的盛行风向，在盛行风向的下风向处布设至少两组监测站点。

换言之，现阶段蓝藻水华的监测站点布设存在站点少、对风向影响藻密度的背景考虑不足，往往无法形成对蓝藻水华的有效监测。在本实施例中，根据湖泊-水库的形状和大小布设3-6座藻密度原位在线监测站，站点布设参考水域形状，分散均匀布设在水域四周，且离岸100m左右，其中至少两座监测站位于区域盛行风向下风向处，主要考虑在不同风向条件下，尽可能至少有一座监测站能够监测到水域藻密度的最大值，形成对水体中蓝藻生物存量的有效监测。

根据前期关于风场-表层流场-蓝藻之间的响应关系研究，以及预报湖泊-水库特殊的岸线条件，开发针对本湖泊-水库的蓝藻水华迁移聚集模拟算法，融合同化的藻密度和气象数据，预报不同水域空间的蓝藻水华发生概率。为了保证全方便的预测分析，气象预报数据至少包括：风向、风速、气温、湿度、光辐射和降雨量。

通过概率赋值区间调整不同要素对于蓝藻水华的敏感性，最终形成某一点位的蓝藻水华预报概率总值，即蓝藻水华迁移聚集模型的公式表达如下：

；其中，是当前时间的藻密度赋值，、、、、和分别是当前时间或未来时间的风向概率赋值、风速概率赋值、气温概率赋值、湿度概率赋值、光辐射概率赋值和降雨量概率赋值；则表示蓝藻水华迁移聚集模型的输出值，为关于未来时间段的预测值。

其中藻密度、风向、降雨是最敏感因素，也是概率总值计算的关键影响因素，每个因素的取值空间波动较大，任一个因素均能够左右蓝藻水华暴发的结果；风速是次敏感因素，相对于藻密度、风向、降雨等敏感因素对蓝藻水华的结果影响较小，但在某些情况下，仍能够左右蓝藻水华结果，如风速超过6m/s时，产生的风浪基本消除了蓝藻水华暴发的可能；气温和相对湿度是非敏感因素，在蓝藻季基本对蓝藻水华发生产生的影响较小，取值空间也相对较小。基于以上因素的组合，形成了蓝藻水华概率计算公式，这一公式是众多影响因素的共同作用结果，一定程度上反应了各种要素作用下的蓝藻水华出现结果。

因此，在判断是否将会存在蓝藻水华时，不仅仅只考虑蓝藻水华迁移聚集模型的输出值，同时还需要考虑藻密度、风向、降雨这些敏感因素，原因如下：在降雨量方面，降雨是蓝藻水华暴发的负面影响因素，一般降雨来临将有效缓解蓝藻水华的发生和发展。基于蓝藻水华预报期间内的，天气预报信息，设置随降雨量增加而减少的概率赋值。

在风速方面，风速是影响蓝藻在水体中垂直空间分布的重要影响因素，风场驱动流场，产生水体紊东，使蓝藻具有向水体内部掺混的趋势，风速越大，对蓝藻水华暴发的负效应越大，由此设置随风速增加而减少的风速概率赋值。

在风向方面，风向是影响蓝藻水华暴发空间的重要控制变量。一般情况下，蓝藻水华向下风向迁移聚集，形成下风向蓝藻水华暴发。根据设置的预测点，对应设置不同风向对该点位蓝藻水华发生的概率赋值。若预测点处于整个水域的西侧，当风向为东风时，对该点位影响最大，是蓝藻水华暴发的最高值区，当风向为西风时，对该点位影响最小，是蓝藻水华暴发的最低值区。由此规律设置其他预测点位的风向赋值。

在气温方面，气温是影响蓝藻水华暴发的主导因素之一，尤其是气温在25-40℃之间时，对蓝藻水华的暴发影响最大，气温影响的巅峰期一般在35℃左右。但在蓝藻季，气温的滑动平均一般波动不大，因而对于蓝藻水华短期预报而言是非敏感因子。由此规律设置气温对蓝藻水华的概率赋值。

在相对湿度方面，根据经验，相对湿度较大时，有利于蓝藻水华暴发，但相对湿度是非敏感因素，因而设置概率赋值波动空间较小，仅作为辅助预报因素。由此设置相对湿度对蓝藻水华预报的概率赋值。

因此，分析是否存在蓝藻水华时，应采用以下条件分析，若存在至少一项符合以下公式，则表示未来时间段内将存在蓝藻水华：

；、、、分别为蓝藻密度阈值、风向概率阈值、降雨量概率阈值和总预测阈值；

基于上述公式确定即将发生蓝藻水华的时间段T，根据当前时间t和时间段T推测到时间预测点，即生成时序；

根据上述公式确定对应的监测站点编号，根据监测站点编号定位到对应的监测区域，即蓝藻水华的空间分布；

连续获取同一监测站点在不同时间段的预测值，得到对应的预测值数集，；分析预测值数集内的数据，若预测值数集内的预测值为持续增大，则表示蓝藻水华在无干涉的情况下发展趋于严重；反之，若预测值数集内的预测值为持续降低，则表示蓝藻水华在无干涉的情况下发展趋于可控；若预测值数集内的预测值在增大和降低之间存在波动，则表示蓝藻水华在无干涉的情况下发展趋于不可控。

为了实现上述功能，本实施例中的风向概率赋值的计算公式如下：

；式中，是权值，是比例放大参数，为风向角度，为时间点的风向所在的位置；

所述风速概率赋值的计算公式如下：

；式中，为威布尔概率分布，，表示时间点的风速，为比例系数，为形状系数，为随机变量，为拉格朗日乘子。

气温概率赋值的计算公式如下：，为时间点的气温数学期望值；

所述湿度概率赋值的计算公式如下：，为时间点的湿度数学期望值。

光辐射概率赋值的计算公式如下：

；为Gamma函数，为Beta分布的形状参数，为时间点湖泊-水库的平均光辐射强度，为时间点湖泊-水库的最大光辐射强度。

降雨量概率赋值的计算公式如下：

；式中，为预测的时间点的降雨覆盖率，为当前时间t的降雨量，为预测的时间点的降雨量。

以金鸡湖为例，根据系统构建需求，金鸡湖分布有两座水质在线监测系统，包含有藻密度监测设备，分别位于北部凤凰泾入湖口和南部李公堤附近，可实施匹配蓝藻水华预测的藻密度监测数据。蓝藻水华预测系统运行期间，系统能够根据藻密度监测系统及时准确给出各个点位蓝藻水华暴发情况。由于藻密度监测站点仅分布在北部和南部，在水域东侧没有布点，对于气象要素风场为偏西风时的预测精度出现偏差，而在其他风向条件下表现出较高的准确性。在预报期间，根据蓝藻发生信息和模型的匹配信息以及调度工作的适用性等，采取浮标站最大藻密度作为驱动输入数据、藻密度取预报前12h平均值、调整8月蓝藻相关参数的方式等，适时调整模型相关参数，以提高金鸡湖蓝藻预报模型的适用性和精度。

自2023年6月底开始试运行，至2023年10月底基本覆盖了2023年的蓝藻季。模型预报准确性评估段选取2023年7月1日至2023年10月31日，共计123天。蓝藻水华预报准确性评估主要对蓝藻预报模型信息与现实情况下蓝藻发生情况进行比对，其中预报提示点位的蓝藻水华发生且真实情况蓝藻水华发生、预报提示点位的蓝藻水华不发生且真实情况蓝藻水华没发生两种情况定义为准确预报，而预报提示点位的蓝藻水华发生且真实情况蓝藻水华没发生、预报提示点位的蓝藻水华不发生且真实情况蓝藻水华发生两种情况定义为误报。整体而言，金鸡湖蓝藻水华预报模型系统具有较高的预报准确率，且能够实现生产应用，辅助提高管理效率、节省管理成本。

实施例2

本实施例提供了基于时序和空间分布的蓝藻预测系统，用于实现实施例1所述的蓝藻预测方法，包括：

第一模块，被设置为根据湖泊-水库的占地情况按要求预先布设个监测站点；实时获取蓝藻在水体中的基础生物量信息，所述基础生物量信息至少包括：监测站点，以及监测站点的藻密度赋值；

第二模块，被设置为按照预定时间尺度S在线获取湖泊-水库的气象预报数据，T表示未来时间段，，i为大于等于0的整数，t为当前时间；

第三模块，被设置为创建蓝藻水华迁移聚集模型，将基础生物量信息和气象预报数据作为输入，经蓝藻水华迁移聚集模型输出预测值；根据所述预测值判断未来时间段内是否存在蓝藻水华：若存在，则基于预测值生成蓝藻水华预报信息，所述蓝藻水华预报信息包括：蓝藻水华的生成时序、空间分布和发展趋势；

第四模块，被设置为基于所述蓝藻水华预报信息生成蓝藻防控策略，并将所述蓝藻水华预报信息进行可视化展示，滚动预报藻水华的生成时序、空间分布和发展趋势。

Claims (4)

1.一种基于时序和空间分布的蓝藻预测方法，其特征在于，包括以下步骤：

根据湖泊-水库的占地情况按要求预先布设个监测站点；实时获取蓝藻在水体中的基础生物量信息，所述基础生物量信息至少包括：监测站点，以及监测站点的藻密度赋值；

按照预定时间尺度S在线获取湖泊-水库的气象预报数据，T表示未来时间段，，i为大于等于0的整数，t为当前时间；

创建蓝藻水华迁移聚集模型，将基础生物量信息和气象预报数据作为输入，经蓝藻水华迁移聚集模型输出预测值；根据所述预测值判断未来时间段内是否存在蓝藻水华：若，表示存在，则基于预测值生成蓝藻水华预报信息，为总预测阈值；所述蓝藻水华预报信息包括：蓝藻水华的生成时序、空间分布和发展趋势；

基于所述蓝藻水华预报信息生成蓝藻防控策略，并将所述蓝藻水华预报信息进行可视化展示，滚动预报藻水华的生成时序、空间分布和发展趋势；所述气象预报数据至少包括：风向、风速、气温、湿度、光辐射和降雨量；所述蓝藻水华迁移聚集模型的公式表达如下：

；

其中，是当前时间的藻密度赋值，、、、、和分别是当前时间或未来时间的风向概率赋值、风速概率赋值、气温概率赋值、湿度概率赋值、光辐射概率赋值和降雨量概率赋值；则表示蓝藻水华迁移聚集模型的输出值，为关于未来时间段的预测值；

所述风向概率赋值的计算公式如下：

；式中，是权值，是比例放大参数，为风向角度，为时间点的风向所在的位置；

所述风速概率赋值的计算公式如下：

；式中，为威布尔概率分布，，表示时间点的风速，为比例系数，为形状系数，为随机变量，为拉格朗日乘子；

所述藻密度赋值的获取流程如下：

监测站点包含个监测点，监测点通过荧光法监测得到藻密度实时数值集，，表示监测站点中的监测点监测得到的实时藻密度值；

将所述按照从大到小的顺序进行排列，得到监测站点的最大藻密度值；则，藻密度赋值的取值如下：

；其中，为藻密度阈值；

所述气温概率赋值的计算公式如下：，为时间点的气温数学期望值；

所述湿度概率赋值的计算公式如下：，为时间点的湿度数学期望值；

所述光辐射概率赋值的计算公式如下：

；为Gamma函数，为Beta分布的形状参数，为时间点湖泊-水库的平均光辐射强度，为时间点湖泊-水库的最大光辐射强度；

所述降雨量概率赋值的计算公式如下：

；式中，为预测的时间点的降雨覆盖率，为当前时间t的降雨量，为预测的时间点的降雨量。

2.根据权利要求1所述的一种基于时序和空间分布的蓝藻预测方法，其特征在于，所述个监测站点的布设流程如下：

基于湖泊-水库的水域形状，将所述个监测站点均匀分散在水域的四周并与岸边留有预定距离；

结合湖泊-水库的盛行风向，在盛行风向的下风向处布设至少两组监测站点。

3.根据权利要求1所述的一种基于时序和空间分布的蓝藻预测方法，其特征在于，未来时间段内将存在蓝藻水华的判断标准还包括以下公式：

；

式中，、、、分别为蓝藻密度阈值、气温概率阈值、降雨量概率阈值；

基于上述公式确定即将发生蓝藻水华的时间段T，根据当前时间t和时间段T推测到时间预测点，即生成时序；

根据上述公式确定对应的监测站点编号，根据监测站点编号定位到对应的监测区域，即蓝藻水华的空间分布；

连续获取同一监测站点在不同时间段的预测值，得到对应的预测值数集，；分析预测值数集内的数据，若预测值数集内的预测值为持续增大，则表示蓝藻水华在无干涉的情况下发展趋于严重；反之，若预测值数集内的预测值为持续降低，则表示蓝藻水华在无干涉的情况下发展趋于可控；若预测值数集内的预测值在增大和降低之间存在波动，则表示蓝藻水华在无干涉的情况下发展趋于不可控。

4.一种基于时序和空间分布的蓝藻预测系统，用于实现如权利要求1至3中任意一项所述的蓝藻预测方法，其特征在于，包括：

第一模块，被设置为根据湖泊-水库的占地情况按要求预先布设个监测站点；实时获取蓝藻在水体中的基础生物量信息，所述基础生物量信息至少包括：监测站点，以及监测站点的藻密度赋值；

第二模块，被设置为按照预定时间尺度S在线获取湖泊-水库的气象预报数据，T表示未来时间段，，i为大于等于0的整数，t为当前时间；

第三模块，被设置为创建蓝藻水华迁移聚集模型，将基础生物量信息和气象预报数据作为输入，经蓝藻水华迁移聚集模型输出预测值；根据所述预测值判断未来时间段内是否存在蓝藻水华：若存在，则基于预测值生成蓝藻水华预报信息，所述蓝藻水华预报信息包括：蓝藻水华的生成时序、空间分布和发展趋势；

第四模块，被设置为基于所述蓝藻水华预报信息生成蓝藻防控策略，并将所述蓝藻水华预报信息进行可视化展示，滚动预报藻水华的生成时序、空间分布和发展趋势。