[发明专利]湖泊藻类状态预测方法及应用

说明书

本发明公开了一种湖泊藻类状态预测方法及应用，该方法包括：获取历史藻密度数据，构建藻密度数据集；基于藻密度数据集以及对应的实时气象数据确定湖泊藻类的垂向运动规律，垂向运动规律包括上浮折点藻密度、每日上浮与下沉折点时刻、上浮速率和下沉速率；基于藻类水平迁移机理模型和垂向运动规律预测湖泊藻类状态，其中，藻类水平迁移机理模型包括用于确定流速的水动力控制方程组、确定温度的温度控制方程组、以及确定藻密度的藻类物质迁移转化方程组。该方法结合藻类水平迁移机理模型和垂向运动规律来预测湖泊藻类状态，优化了原有的纯数据驱动或机理驱动的藻类预测模型，提升了湖泊藻类状态的预测结果精度。

技术领域

本发明是关于湖泊藻类监测技术领域，特别是关于一种湖泊藻类状态预测方法及应用。

背景技术

目前大量研究以湖泊蓝藻水华暴发监测为主，田晨等(一种利用贝叶斯优化的蓝藻遥感分类方法)利用哨兵2号卫星影像对蓝藻进行智能化提取；朱雨新等(基于遥感反射率的太湖优势藻识别方法)利用OLCI影像数据建立蓝藻光谱特征识别太湖优势藻种；申请号为CN202111302770.8的中国专利提出一种水、陆、空一体化的浅水湖泊蓝藻水华监测及预警系统；申请号为CN201910104708.4的中国专利提出一种基于OLCI的内陆富营养化湖泊水体蓝藻生物量比例遥感估算方法，该专利技术介绍了一种地面站点和遥感反射率数据耦合的方法，能够实现OLCI数据的藻密度估算。上述方法，通过水质站点或遥感影像等方法对湖库水环境进行监测，形成对监测区域藻情动态监测，但该类产品仅能做到对藻情暴发的实时监测，难以做到对未来被监测区域藻情暴发的及时预判。

目前针对于藻类预测的研究主要分为两种：机理驱动模型、数据驱动模型。机理驱动模型方法主要以中国专利申请CN201910471247.5提出的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，该方法模拟藻类的生长、消亡、沉浮、被捕食以及随水动力的迁移过程，其预测原理具有较强的理化性质。但由于实际理化机制参数十分复杂，且模型运行的理化参数一般源于藻类仿真实验室的生态实验，难以与真实湖泊生态参数相匹配，最终导致预测结果存在可靠性下降、预测质量不足等缺陷；同时由于其计算机制复杂，需要消耗大量机时参与模型计算的同时，仍需要大量不同类型的数据驱动机理模型运行，预测结果较差时需重新率定模型参数，后期模型维护难度与成本较高。

另一种数据驱动模型，基于数理统计、机器学习、数据挖掘等方法，对藻类暴发样本数据中隐含的内在规律进行挖掘，即利用数学手段分析气象、水质等多要素因子对藻类暴发的影响，样本数据对总体的估计程度越高，模型效果越好。目前主要研究进展如：申请号为CN202010493176.0的中国专利提出一种基于气象数据的蓝藻水华的预测方法和装置利用概率统计方法，对蓝藻暴发概率进行预测；申请号为CN202211042230.5的中国专利提出一种蓝藻密度预测方法、装置、电子设备及介质利用利用深度学习方法，依托长时序的站点监测数据，实现了站点藻密度的预测。

数据驱动模型相比于机理模型，其算法复杂度大幅降低，在研究时间范围内能够取得较好的蓝藻预测结果。但该类方法脱离了真实的理化性质，其计算结果的可理解性较差，且在实际蓝藻暴发预测中难以取得良好的应用效果。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供一种湖泊藻类状态预测方法及应用，其用以解决现有技术中对藻情监测预警不准确的技术问题。

为实现上述目的，本发明的实施例提供了一种湖泊藻类状态预测方法，所述方法包括：

获取历史藻密度数据，构建藻密度数据集；

基于所述藻密度数据集以及对应的实时气象数据确定湖泊藻类的垂向运动规律，所述垂向运动规律包括上浮折点藻密度、每日上浮与下沉折点时刻、上浮速率和下沉速率；