[发明专利]基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法

摘要

本发明公开了一种基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法，属于水环境预测技术领域。所述预测方法包括关键影响因子确定、阈值确定、基于关键环境因子的专家系统建模预测、基于关键水质因子的机理时序建模预测和综合预测。本发明提出基于影响湖库蓝藻水华形成的环境因子，采用专家系统方法对湖库蓝藻水华形成过程进行建模预测，通过构建自适应神经模糊推理专家系统模型，实现根据未来时刻环境因子的变化预测蓝藻水华形成过程的变化，使水华建模预测的结果更加准确。本发明对水华形成过程的描述更符合实际，使水华建模预测的结果更加准确，提高了蓝藻水华建模预测方法的适应性。

主权项

基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法，其特征在于：步骤一、关键影响因子确定；所述的关键影响因子分为环境因子和水质因子两类；根据湖库蓝藻水华形成机理，初步确定影响蓝藻水华形成的环境因子和水质因子；在此基础上，将水体中叶绿素a作为湖库蓝藻水华形成的表征指标，通过皮尔逊相关性分析的数据挖掘方法，分别得到环境因子和水质因子与叶绿素a的相关性，根据皮尔逊相关性分析结果确定对叶绿素a影响较大的关键环境因子和关键水质因子；步骤二、阈值确定；所述的阈值分为绝对阈值和相对阈值两种，绝对阈值是关键环境因子对水华的形成起决定性作用时的临界值；步骤三、基于关键环境因子的专家系统建模预测；将关键环境因子作为专家系统模型的输入，将叶绿素a作为专家系统模型的输出；其中专家系统模型采用自适应神经模糊推理系统；步骤四、基于关键水质因子的机理时序建模预测；将关键水质因子作为蓝藻生长的机理时序模型的输入，将叶绿素a作为机理时序模型的输出；根据关键水质因子类型及历史数据确定蓝藻生长机理模型的结构和参数；将蓝藻生长机理模型作为蓝藻生长时序模型的趋势项，并建立蓝藻生长时序模型的周期项和随机项，构建蓝藻生长机理时序模型，得到叶绿素a预测值；步骤五、综合预测；当关键环境因子未达到绝对阈值时，将关键水质因子作为水华形成的主导影响因子，切换至机理时序模型进行水华预测；当关键环境因子达到绝对阈值时，将关键环境因子作为水华形成的主导影响因子，切换至专家系统模型进行水华预测，并进一步进行相对阈值的判断；当专家系统模型的预测误差达到相对阈值时，切换至机理时序模型进行水华预测；否则，采用专家系统模型预测值；所述的绝对阈值的确定方法为，1)分别对各关键环境因子按不同量级进行分段{S1,S2,…}，Sk＝{X|Xkmin≤X＜Xkmax}，k＝1,2,…，其中，Sk为第k段的关键环境因子取值集合，X为关键环境因子取值，Xkmin为第k段的关键环境因子最小值，Xkmax为第k段的关键环境因子最大值；2)确定各段对蓝藻生长及水华形成的影响；3)根据专家经验选取对蓝藻水华暴发起决定性作用的两个分段，将两个分段的临界值作为各关键环境因子的绝对阈值XD；所述的相对阈值的确定方法为，1)采用基于关键环境因子预测方法对叶绿素a进行预测；2)将叶绿素a预测值与实测值相比较得到在m时刻向前预测l步的相对预测误差其中，Y(m+l)为在m+l时刻的叶绿素a实测值，为在m时刻向前预测l步的叶绿素a预测值；m为总采样时间；3)将m+l+1时刻与m+l时刻相对预测误差等于5％作为各关键环境因子的相对阈值，即相对预测误差其中E(m+l)为在m时刻向前预测l步的相对预测误差，E(m+l+1)为在m时刻向前预测l+1步的相对预测误差，l＝1,2,…。