[发明专利]基于数据同化的湖库富营养化预警方法

权利要求书

1.一种基于数据同化的湖库富营养化预警方法，其特征在于，包括以下步骤：

步骤1，确定研究区内与湖库富营养化相关的地面监测指标以及确定研究区内的监测点位；

对研究区内的每个监测点位按监测频次进行持续水生态监测，获得时间上连续的地面监测指标的监测数据，所述地面监测指标的监测数据包括气象监测数据、水文监测数据和水质监测数据；假设共有P个时间上连续的地面监测指标的监测数据序列，分别对应监测时刻T₁,T₂,…,T_P；

对研究区进行卫星遥感监测，获得某个时间点监测到的卫星遥感影像；对所述卫星遥感影像进行分析，得到研究区在某时间点所对应的遥感监测指标的时空分布场，遥感监测指标的时空分布场在水体的表层为时间上不连续，空间连续的分布，分别对应监测时刻T_a,T_b,…,T_Q；

步骤2，建立研究区的水动力水质水生态过程模型；其中，将步骤1获得的T₁时刻对应的地面监测指标的监测数据称为初始观测数据；将步骤1获得的T₂,…,T_P时刻对应的地面监测指标的监测数据和T_a,T_b,…,T_Q时刻对应的遥感监测指标的监测数据称为观测数据；

所述水动力水质水生态过程模型用于对步骤1得到的所述地面监测指标的监测数据和所述遥感监测指标的时空分布场进行同化分析，得到研究区的水动力、水质和水生态的变化规律；

然后，所述水动力水质水生态过程模型采用以下方式运行：

步骤2.1，预测过程：所述水动力水质水生态过程模型以T₁时刻对应的所述初始观测数据作为初始场，使用在计算区域边界的地面监测指标的监测数据驱动所述水动力水质水生态过程模型运算，预测得到之后任意某个时刻所对应的监测指标预测值；

步骤2.2，如果步骤2.1得到的任意某个时刻所对应的监测指标预测值为T₂时刻的监测指标预测值，则对T₂时刻的监测指标预测值和T₂时刻所对应的地面监测指标的监测数据进行加权分析，得到T₂时刻最优模型驱动的边界输入值，并采用所述边界输入值驱动所述水动力水质水生态过程模型运算，预测得到之后任意某个时刻所对应的监测指标预测值；

步骤2.3，如果步骤2.2预测得到的任意某个时刻所对应的监测指标预测值为T_a时刻的监测指标预测值；

则采用T_a时刻的遥感监测指标的监测数据，对T_a时刻的监测指标预测值进行同化计算，得到新的T_a时刻的监测指标预测值；然后，采用所述新的T_a时刻的监测指标预测值替代原T_a时刻的监测指标预测值，成为步骤2.1中的新初始场，不断向前积分直到预测得到T_b时刻所对应的监测指标预测值；

如此不断迭代计算，直到完成所有观测数据时刻的状态预测和更新，得到最终优化后的水动力水质水生态过程模型；

步骤3，采用步骤2最终得到的水动力水质水生态过程模型对未来某个时间的监测指标时空分布场进行预测，并判断预测到的监测指标时空分布场是否在设定阈值内；如果在，则表明监测指标正常，不进行预警；如果不在，则表明监测指标异常，进行湖库富营养化预警。

2.根据权利要求1所述的基于数据同化的湖库富营养化预警方法，其特征在于，所述监测指标包括水动力监测指标、水温监测指标和水质监测指标。

3.根据权利要求2所述的基于数据同化的湖库富营养化预警方法，其特征在于，所述水质监测指标包括叶绿素、总磷、总氮、高锰酸盐指数和溶解氧。

4.根据权利要求1所述的基于数据同化的湖库富营养化预警方法，其特征在于，步骤2具体为：

步骤2-1，所述水动力水质水生态过程模型以T₁时刻对应的所述初始观测数据作为初始场，不断向前积分计算，得到在某个监测点和某个监测时间对应的监测指标预测值；

步骤2-2，判断是否存在与某个监测点和某个监测时间对应的遥感监测指标观测值；如果存在，则执行步骤2-3至步骤2-7；如果不存在，则执行步骤2-6至步骤2-7；

步骤2-3，按下式计算卡尔曼增益矩阵K：

其中：

s为单元号；l为水体某层；

K(s，l)：卡尔曼增益矩阵；

P_PL(s，l)：下层预测变量的方差；

C(s，l)：预测值到观测值之间的线性映射的参数；

C^T(s，l)：预测值到观测值之间的线性映射的参数的转置矩阵；

R(s，l)：与多尺度相关的观测值的噪声方差；

步骤2-4，按下式将监测指标预测值映射到观测空间：

将预测值映射到观测空间的观测值的估计值；

由下预测到本层状态变量x的均值；

D(s,l)：预测值到观测值之间的线性映射的参数；

新息表达式为：

IN(s,l)：新息；

y(s,l)：观测值；

按下式输出监测指标更新估计值：

监测指标的更新估计值；

步骤2-5，按下式计算监测指标更新估计值的方差；然后执行步骤2-7；

P_U(s,l)＝[I–K(s,l)C(s,l)]P_PL(s,l)

P_U(s,l)：更新估计值的方差；

I为m×m维的恒等矩阵，即单元矩阵；

步骤2-6，监测指标更新估计值直接表示为监测指标预测值，然后执行步骤2-7；

步骤2-7，将更新得到的监测指标更新估计值作为初始场，更新步骤2-1的初始场，对水动力水质水生态过程模型的初始参数进行更新，由此迭代循环。