一种浅水湖泊水华风险分析预警系统及其分析预警方法与流程

本发明属于水环境保护技术领域，具体涉及一种浅水湖泊水华风险分析预警系统及其分析预警方法。

背景技术：

在全球范围内，越来越多的浅水湖泊出现不同程度的富营养化特征，水华暴发频次和规模都在增加，该问题已经成为社会关注的一个焦点。水体富营养化是指水体所包含的营养物质浓度过高的状态，易于导致水生植物快速生长、水质恶化和水生态系统平衡破坏。富营养化湖泊中的浮游植物在适宜条件下快速生长并积聚，即产生水华现象。水华暴发的负面影响已为学术界与大众熟知，包括供水危机、水体变色、水体缺氧和鱼类死亡等。

浮游植物生长涉及物理及化学因子对其生理需求的满足程度，也受浮游动物捕获影响，因而水华暴发可视为藻类对水体环境的响应。然而湖泊所处环境的不断改变对其生态系统的影响愈发强烈。一方面，人类活动显著增加了进入湖泊水体限制性营养盐(如氮、磷等)的通量，从而为消除藻类快速生长限制埋下伏笔。另一方面，高温条件下蓝藻生长速率得到加大、水体垂向紊动受到抑制且水体粘滞性有所减弱，为蓝藻生长创造了有利条件，因此全球气候变暖很可能加重富营养化湖泊的蓝藻水华危害。

目前浅水湖泊水华预警所需的基础环境信息往往通过两种主要途径获取，一是卫星影像反演，二是水体定点监测。前者从数据获取角度来说比较方便，但现有反演方法有着极大的不确定性，得出的环境因子数据伴随较大误差；同时，卫星影像反演还受到不良天气(阴、雨、雪等)的极大制约。水体定点监测一般而言精度较高，数据获取相对来说也更为可靠、稳定，但该方法在满足环境因子高空间分辨率监测的需求下必然导致基础设施的密集布设问题，带来高昂的环境监测成本。在预警方法选择上，基于过程的水质模型具有较好的理论基础，但在实际应用时面临计算耗时长、参数难以估计等诸多问题；数据驱动方法可以实现水华风险高效预警，但在极端情况下得出的结果往往并不理想。鉴于此，针对浅水湖泊日益突出的富营养化和水华问题，提供一种新的浅水湖泊水华风险分析预警系统和方法显得尤为迫切。

技术实现要素：

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种浅水湖泊水华风险分析预警系统及其分析预警方法。

技术方案：本发明公开了一种浅水湖泊水华风险分析预警系统，包括数据汇集模块(1)和数据挖掘模块(2)；所述数据汇集模块(1)包括常规监测装置(11)、声学遥测装置(12)和辅助装置(13)；所述常规监测装置(11)包括浮式站点和桩式站点，共同实时监测浅水湖泊与藻类生长和水华暴发有关的物理和生化信息，该浮式站点为布置在浅水湖泊内等间距方形阵列顶点的浮标，浮标底部装配有多参数水质传感器，桩式站点是指布置在浅水湖泊内2倍浮式站点间距的方形阵列顶点并固定于湖床上的桩体，桩体水下部分装配有多参数水质传感器和叶绿素a传感器，且桩体水上部分装配有多参数气象传感器、光合有效辐射传感器；所述声学遥测装置(12)包括声学标签载体、声学标签和水听器，实时监测声学标签所处位置与藻类生长和水华暴发有关的多重水体物理参数，声学标签载体为浅水湖泊鱼类，声学标签配置水质传感器并使用尼龙扎带固定于声学标签载体的背鳍上，声学标签使用超声波周期性地将其身份识别信息和物理参数监测结果发送至周围水体，水听器布置于各个浮式站点和桩式站点处，水听器方向朝下并没入水中，实时接收周围声学标签所发送的信息；所述辅助装置(13)包括存储设备和通讯设备，均布置于各个浮式站点和桩式站点处，存储设备保存常规监测装置(11)和声学遥测装置(12)的监测数据，通讯设备实现存储设备和数据挖掘模块(2)之间的数据传输；所述数据挖掘模块(2)由驱动因子识别单元(21)、驱动因子适宜区间确定单元(22)、驱动因子独立效应量化单元(23)、环境驱动模式分析比较单元(24)和水华风险评估单元(25)组成；所述驱动因子识别单元(21)根据浅水湖泊环境因子历史监测数据，筛选出与叶绿素a浓度显著关联且驱动水华发生的部分环境因子作为驱动因子；所述驱动因子适宜区间确定单元(22)确定促使叶绿素a浓度处于高位的各个驱动因子的变化范围作为各自的适宜区间；所述驱动因子独立效应量化单元(23)在其他驱动因子限定于各自适宜区间的情况下，量化叶绿素a浓度对每个驱动因子变化的独立响应；所述环境驱动模式分析比较单元(24)分别率定考虑驱动因子对水华发生累加影响、累乘影响或综合影响的三种水华风险模型及各自的临界风险值，比较后给出最优的水华风险模型及其临界风险值；所述水华风险评估单元(25)结合驱动因子实时监测信息和最优水华风险模型得出浅水湖泊当前环境下水华发生风险分布，在水华发生风险大于临界风险值的情况下向湖泊管理部门进行水华预警。

进一步的，所述声学遥测装置(12)中的声学标签采用长基线测位法进行定位。

本发明还公开了一种浅水湖泊水华风险分析预警系统的分析预警方法，具体包括以下步骤：

(一)数据汇集模块(1)的常规监测装置(11)实时监测浅水湖泊与藻类生长和水华暴发有关的物理和生化信息；声学遥测装置(12)对分散在浅水湖泊内的各个声学标签进行实时定位并接收声学标签监测的多重水体物理参数；辅助装置(13)将常规监测装置(11)和声学遥测装置(12)所获取的监测信息保存至存储设备；

(二)数据挖掘模块(2)调用浅水湖泊环境因子历史监测数据，构建浅水湖泊水华风险模型，按如下步骤执行：

(a)驱动因子识别单元(21)从数据汇集模块(1)的存储设备调取桩式站点处所有环境因子历史监测数据；

(b)驱动因子识别单元(21)基于历史监测数据，采用偏互信息方法筛选出与叶绿素a浓度显著关联且驱动发生的部分环境因子作为驱动因子；

(c)驱动因子适宜区间确定单元(22)使用正交表设计从历史监测数据中挑选出满足正交性的驱动因子水平组合，利用极差分析得出叶绿素a浓度随单个驱动因子水平变化规律，进而确定促使叶绿素a浓度处于高位的各个驱动因子的变化范围作为各自的适宜区间；

(d)驱动因子独立效应量化单元(23)在其他驱动因子限定于各自适宜区间的情况下，量化叶绿素a浓度对各个驱动因子变化的独立响应；

(e)环境驱动模式分析比较单元(24)在驱动因子独立效应量化单元(23)所提供信息的基础上，采用进化算法分别率定考虑驱动因子对水华发生累加影响、累乘影响或综合影响的三种水华风险模型及各自的临界风险值以保证各个模型对水华发生/不发生的预测准确率最高，比较各自准确率后最终给出最优的水华风险模型及其对应的临界风险值；

(三)数据挖掘模块(2)的水华风险评估单元(25)调用浅水湖泊驱动因子实时监测信息，进行浅水湖泊水华风险分析与预警，按如下步骤执行：

(a)从数据汇集模块(1)的存储设备调取常规监测装置(11)和声学遥测装置(12)的驱动因子实时监测数据；

(b)使用克里金插值算法将实时监测数据空间插值到整个湖泊范围；

(c)基于环境驱动模式分析比较单元(24)给出的最优水华风险模型计算获得浅水湖泊当前环境下水华发生风险分布，将水华发生风险大于临界风险值的区域识别为预测发生水华区域；

(d)若当前预测发生水华区域存在，将浅水湖泊水华发生风险分布以及预测发生水华区域向湖泊管理部门发布。

有益效果：本发明实现环境因子高空间分辨率监测的同时避免了传统环境监测方法面临的硬件设施大规模布设问题，水华预警误报、漏报率低，可服务于浅水湖泊水华灾害防治与水资源管理。

附图说明

图1为本发明的系统结构示意图；

图2为本发明的方法流程示意图；

图3为实施例1中常规监测装置和声学遥测装置的布置方式；

图4为实施例2中水华发生风险分布以及预测发生水华区域。

具体实施方式

下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述的实施例。

实施例1：

本实施例的一种浅水湖泊水华风险分析预警系统，如图1所示，由数据汇集模块1和数据挖掘模块2组成。

第一部分：数据汇集模块1

数据汇集模块1由常规监测装置11、声学遥测装置12和辅助装置13组成；

(一)如图3所示，常规监测装置11包括浮式站点和桩式站点，实时监测浅水湖泊与藻类生长和水华暴发有关的物理、生化信息；其中，浮式站点为布置在浅水湖泊内等间距方形阵列顶点的浮标，浮标底部装配有gdys-201m多参数水质分析仪；桩式站点为布置在浅水湖泊内2倍浮式站点间距的方形阵列顶点并固定于湖床上的桩体，桩体水下部分装配有gdys-201m多参数水质分析仪、ap-700-sdi叶绿素a传感器，水上部分装配有iies-1128多参数气象传感器、had-why光合有效辐射传感器。

(二)声学遥测装置12包括声学标签载体、声学标签和水听器，实时监测声学标签所处位置与藻类生长和水华暴发有关的多重水体物理参数；其中的声学标签载体为浅水湖泊鱼类；声学标签(vemco公司产品)配置水质传感器并使用尼龙扎带固定于声学标签载体的背鳍上；水听器(vemco公司产品)安装在各浮式站点和桩式站点上，方向朝下并没入水中。

(三)辅助装置13包括存储设备和通讯设备，布置于各个浮式站点和桩式站点处，存储设备保存常规监测装置11和声学遥测装置12的监测数据，通讯设备实现存储设备和数据挖掘模块2之间的数据传输。

第二部分：数据挖掘模块2

数据挖掘模块2由驱动因子识别单元21、驱动因子适宜区间确定单元22、驱动因子独立效应量化单元23、环境驱动模式分析比较单元24和水华风险评估单元25组成，用于构建浅水湖泊水华风险模型。

(一)驱动因子识别单元21根据浅水湖泊环境因子历史监测数据，筛选出与叶绿素a浓度显著关联且驱动水华发生的部分环境因子作为驱动因子；

(二)驱动因子适宜区间确定单元22确定促使叶绿素a浓度处于高位的各个驱动因子的变化范围作为各自的适宜区间

(三)驱动因子独立效应量化单元33在其他驱动因子处于各自适宜区间的情况下量化叶绿素a浓度对各个驱动因子变化的响应；

(四)环境驱动模式分析比较单元24分别率定考虑驱动因子对水华发生累加影响、累乘影响或综合影响的三种水华风险模型及各自的临界风险值，比较后给出最优的水华风险模型及其临界风险值。

(五)水华风险评估单元25结合驱动因子实时监测信息和最优水华风险模型得出浅水湖泊当前环境下水华发生风险分布，在水华发生风险大于临界风险值的情况下向湖泊管理部门进行水华预警。

实施例2：

本实施例中的浅水湖泊水华风险分析预警方法包括以下步骤进如图2所示：

(一)数据汇集模块1的常规监测装置11包括浮式站点和桩式站点，实时监测浅水湖泊与藻类生长和水华暴发有关的物理、生化信息；浮式站点为布置在浅水湖泊内等间距方形阵列顶点的浮标，桩式站点为布置在浅水湖泊内2倍浮式站点间距的方形阵列顶点并固定于湖床上的桩体；声学遥测装置12对分散在浅水湖泊内的各个声学标签进行实时定位并接收声学标签监测的多重水体物理参数；辅助装置13将常规监测装置11和声学遥测装置12所获取的监测信息保存至存储设备；

(二)数据挖掘模块2调用浅水湖泊环境因子历史监测数据，构建浅水湖泊水华风险模型，按如下步骤执行：

从数据汇集模块1的存储设备调取桩式站点处所有环境因子历史监测数据；

驱动因子识别单元21基于历史监测数据，采用偏互信息方法筛选出与叶绿素a浓度显著关联且驱动发生的部分环境因子作为驱动因子；

驱动因子适宜区间确定单元22使用正交表设计从历史监测数据中挑选出满足正交性的驱动因子水平组合，利用极差分析得出叶绿素a浓度随单个驱动因子水平变化规律，进而确定促使叶绿素a浓度处于高位的各个驱动因子的变化范围作为各自的适宜区间；

驱动因子独立效应量化单元23在其他驱动因子限定于各自适宜区间的情况下，量化叶绿素a浓度对各个驱动因子变化的独立响应；

环境驱动模式分析比较单元24在驱动因子独立效应量化单元23所提供信息的基础上，采用进化算法分别率定考虑驱动因子对水华发生累加影响、累乘影响或综合影响的三种水华风险模型及各自的临界风险值以保证各个模型对水华发生/不发生的预测准确率最高，比较各自准确率后最终给出最优的水华风险模型及其对应的临界风险值；

(三)数据挖掘模块2的水华风险评估单元25调用浅水湖泊驱动因子实时监测信息，进行浅水湖泊水华风险分析与预警，按如下步骤执行：

从数据汇集模块1的存储设备调取常规监测装置11和声学遥测装置12的驱动因子实时监测数据；

使用克里金插值算法将实时监测数据空间插值到整个湖泊范围；

基于环境驱动模式分析比较单元24给出的最优水华风险模型计算获得浅水湖泊当前环境下水华发生风险分布，将水华发生风险大于临界风险值的区域识别为预测发生水华区域(如图4所示)；

若当前预测发生水华区域存在，将浅水湖泊水华发生风险分布以及预测发生水华区域向湖泊管理部门发布。