专利名称：大型浅水湖泊72小时蓝藻水华预测方法
技术领域：
本发明涉及一种湖泊、水库等水域的短时间尺度内蓝藻水华的监测预报方法，特 别是涉及一种大型浅水湖泊72小时蓝藻水华预测方法。
背景技术：
蓝藻水华是目前全球许多国家所面临的环境问题，在很多富营养的湖泊或水库 中，蓝藻在局部湖区或库区堆积，并在高温下分解，形成恶臭；特别是当蓝藻在水源地取水 口附近大量集聚时，就有可能引起水源地的水质恶化，危及供水安全。目前还缺少有效的治理手段彻底地消除这一环境问题，蓝藻水华仍会大量出现于 许多湖泊和水库中。因此，在研究蓝藻水华治理方法的同时，发展短期的蓝藻水华预测、预 报技术，提前预知敏感湖区、尤其是水源地和重点景观湖区水华的发生几率，可提高环境管 理部门的决策能力，并有利于相关部门及时采取应急措施应对水华污染。目前国内外还没有关于短期蓝藻水华预报方法的报道。有关蓝藻水华监测预报 的报道主要是采用逐步回归的统计学方法对浮游植物在长时间尺度上进行预测，如连续观 测水温，透明度，pH，总氮(TN)，总磷(TP)，溶解无机磷(DIP)等指标，经过连续观察，建立 叶绿素与环境因子的关系，并在此基础上利用监测的数据来预测藻类密度。蓝藻水华是一 定密度的藻类在特定气象、水文条件下上浮并大量聚集于水面的现象，因此，即时的藻类密 度、气象、水文条件与水华的发生密切相关，如果能阐明其中的相互关系，并结合大量的野 外调查数据，并根据相关参数建立模型，则能够据以对蓝藻水华进行预报。目前已有水体细 胞色素快速监测的仪器，但是这些仪器在应用于藻类密度很大的水体时往往会有很大的误 差，用于进行蓝藻监测时给预测结果带来较大的误差。卫星遥感图片可以从整体上识别水 体中的蓝藻水华分布情况，可用于蓝藻水华预报工作准确性的评价。
发明内容
本发明提供了一种大型浅水湖泊72小时蓝藻水华的预测方法，基于水体中即时 的蓝藻状况和未来的气象信息，利用构建的预测模型对蓝藻水华的发生进行短时间尺度的 预报。本发明方法的技术内容如下
一种大型浅水湖泊72小时蓝藻水华预测方法，其特征在于根据蓝藻原位生长率和漂 移速率参数，构建水体叶绿素a含量预测模型和水华发生概率预报模型；分析监测水域即 时的叶绿素a含量和分布状况；将监测水域即时的叶绿素a含量、分布状况，以及监测期内 气象信息数据输入模型，输出监测水域预测期内叶绿素a浓度的预测值和蓝藻水华出现的 水域及其概率，发布水华监测预报。本发明方法包括以下步骤
1)在监测水域设置采样点，采集分析监测水域即时的水质、蓝藻生物量和分布状况； 可根据监测水域的特点和水域面积，结合历史数据设置采样点，通过人工野外巡测，或使用离线或在线监测仪采集并分析获得监测水域即时叶绿素a浓度值和分布状况，以获得 本发明方法进行水华预测所需的监测水域即时水质、蓝藻生物量和分布状况数据。预报期间每周至少采样两次，采样后可利用快速水质监测仪器测定采样点各层水 体的平均叶绿素浓度。快速水质监测仪器在测量野外群体蓝藻叶绿素a含量时存在一定的误差，本发明 方法建立了水体平均叶绿素浓度与快速水质监测仪器测定结果的校正关系式，即
水体平均叶绿素 a 浓度=Chla YSIX7. 76 (Chi YSI ( 4(^g/L) 水体平均叶绿素 a 浓度=Chla YSIX2. 2 (Chi YSI > 4(^g/L) 式中Chla YSI为快速水质监测仪器测定结果。2 )采集预测期内的包括风速、风向、降雨在内的气象信息数据
根据气象部门的预报，采集监测水域预测期内未来天气情况(晴、阴以及降雨)以及风 速、风向、温度等气象信息。本发明选取并采集特定的监测数据，并据以建立短时间尺度的水华预报模型。本 发明方法利用生态学原理，根据不同气候条件下蓝藻原位生长率，以及不同风向和风速条 件下水华蓝藻的漂移速率参数，构建水体叶绿素a含量预报模型和水华发生概率预报模 型。蓝藻水华发生与很多因素相关，如藻类密度，风速，风向，降雨等，建立蓝藻水华的 预报模型通常用如下公式进行表达
F (水华概率)=/ (藻类密度，风速，风向，降雨，有效光辐射，湖流，总氮，总磷， 水温，电导率，溶解无机氮，溶解无机磷，pH，溶氧，…)公式1
为本发明目的，根据历史数据可将营养盐等在长时间尺度上影响蓝藻生物量的环境因 素忽略，将公式1简化为如下公式
F = / (Ni Vw, R)公
式2
式中，F为水华的发生频率，Nt为对应时刻水体中的藻类密度，Vw为该时刻的风速，R为 降雨情况。风速和降雨情况可以通过气象预报获得，而水体中藻类的数量则可根据生态学 原理由如下公式计算
Ni = N0+ (Bt - Dt)+ (It - Et)公
式3
式中，Nt为所预报时刻(t)的水体中藻类密度，N0为监测时刻(0)藻类密度，Bt、Dt、 It、Et分别是0— 时段该湖区藻类的生长、死亡、迁入、迁出的数量。本发明根据上述生态学原理，分别建立用于短时间内蓝藻水华的水体叶绿素a浓 度预测模型和水华发生概率预报模型
3)构建水体叶绿素a浓度预测模型，输入监测水域即时的叶绿素a浓度值、分布状况以 及气象信息数据，输出监测水域预测期内叶绿素a浓度的预测值；
为定量描述水域叶绿素a浓度的分布及变化过程，将监测水体网格化，水体网格单元 大小为amXbm的矩形，通常a、b可根据预测要求在200-—500m范围内选择。如上文所述，水体中藻类的数量则可根据公式3计算 Ni = N0+ (Bt - Dt) + (It — Et)蓝藻由于生长、死亡引起的变化量，可用以下公式计算
ι
(Bt-Dt) - No*l(l +g)5 —1]
公式4
式中，7为叶绿素a浓度的日变化率，各气象条件下藻类日变化率用表1的参数来进行 计算，Ntl可以通过步骤1)现场监测获得。对于水体网格单元内迁入(或迁出)的蓝藻量，风速是决定蓝藻迁移的主要因素， 迁入(或迁出)的蓝藻量可用以下公式计算
E = aXVXtXdXPXC公式 5
式中，a为网格的边长，E为迁入(或迁出)的藻类量，V为风速，t为时间(lh，3600s), d 为水深，P为发生漂移的藻类占总藻量的百分比，C为水体中叶绿素a的浓度，相关参数根据 观测数据，按下表2选取。以此计算出所有漂移出(移入)的藻类。表1不同气象条件下蓝藻由于原位生长死亡引起的日变化率
天气、风速1-2级2-3级3 — 4级4-5级5级以上晴0. 60. 40. 30. 080晴到多云0. 50. 30. 20. 060多云0. 40. 20. 070. 050多云到阴0. 20. 10. 050. 050阴，降雨00000
表2不同风力条件下漂移的藻类比例和对应的漂移速度
风力(风速m/s)漂移藻类占总藻的百分比(%)漂移速度(m/s)1 - 2 级(0. 3-3. 3)500. 073 级(3. 4-5.4)400. 044 级(5. 5-7.9)250. 035 级(8. 0-10.7)100. 015级以上(>10.8)50. 005
4)构建水华概率预测模型，输入监测水域叶绿素a浓度值、分布状况的预测值以及气 象信息数据，输出蓝藻水华出现的水域及其概率；
为实现本发明目的，本发明方法将叶绿素a浓度，降雨和风速作为水华形成的共同的 触发因子，预测模型各因子之间的关系如下
F=Z1 (Nt) Xf2 (V)X/3 (R)公式
6
其中人(Nt)为t时刻由藻类密度引起的水华发生概率;/2 (V)为由风速条件引起的 水华发生概率；/3 (R)为降雨条件引起的水华发生概率。根据实际监测数据，将叶绿素a含量划分为5个等级，并将相应气象条件下的水华 发生概率赋值(表3)。表3蓝藻水华预报中叶绿素a含量、风速和降雨与水华发生概率的对应表
叶绿素a (μ8/ )Z1(Nt)风力(风速m/s)Z2(V)降雨Λ (R)60以上11 - 2 级(0. 3-3. 3)1晴、多云1500. 93 级(3. 4-5.4)0. 9阴、小雨0. 9400. 84 级(5. 5-7.9)0. 8阵雨、雷阵雨0. 8300. 65 级(8. 0-10.7)0. 7中雨0. 7200. 45级以上(>10.8)0. 5中、大、暴雨0
将监测水域蓝藻生物量、分布状况以及气象信息数据输入预报模型，得到预测期 内蓝藻水华在特定水域出现的概率及其强度。5)水华预报发布
根据模型输出数据，发布湖区未来三天的叶绿素a浓度等值线图和未来水华趋势的预 报。水华的预报以文字阐述并结合图表对未来三天特定水域蓝藻水华的概率和程度进行描 述，同时提供相关的建议。本发明方法还可以利用遥感影像数据对水华预报进行修正，并对本方法的预报方 法进行评价。
图1为本发明的72小时蓝藻水华预测方法的工作流程图(TO表示预测开始的时间， T0+4h表示四小时以后，余类推)；
图2A-2C为本发明方法预测的太湖水域未来72小时叶绿素a浓度的等值线图； 图3A-3C为本发明方法预测的太湖水域未来72小时叶绿素a的浓度分布图。
具体实施例方式按照本发明方法在2007，2008，2009年水华发生期间对太湖蓝藻水华进行预报。 工作流程图参见图1。72小时蓝藻水华预测方法，包括以下步骤 1)资料的采集和应用
包括分析太湖水域即时的水质、蓝藻生物量和分布状况和气象信息数据的采集。人工巡测预报期间每周采样两次，根据历史数据，北太湖的三个湖湾(梅梁湾、贡 湖湾和竺山湾)是蓝藻水华发生比较频繁的区域，而梅梁湾、贡湖湾又是水源地和景观水 域，因此，在太湖区域对蓝藻水华的预报主要关注梅梁湾、贡湖湾的水华状况。在这两个湖 区的每个水厂取水口附近和景观水域设立采样点，采样分析以获得关注区域的叶绿素a浓 度，其它水域则选择有代表性的位点设立采样点，以获得该水域整体的叶绿素a浓度。到达采样点后，用ail的PVC管采集整水柱，置于测量桶中摇勻，将多功能水质参数 仪(YSI6600)放入测量桶中进行测定，以获得采样点各层水体的平均叶绿素浓度。数据的校正由于YSI6600在测量野外群体蓝藻叶绿素a含量时存在一定的误差， 根据YSI6600测定结果与室内化学法测定的比较分析，按下式根据YSI6600测定结果对水 体平均叶绿素浓度a进行校正
水体平均叶绿素 a 浓度=Chla YSIX7. 76 (Chi YSI ( 4(^g/L) 水体平均叶绿素 a 浓度=Chla YSIX2. 2 (Chi YSI > 4(^g/L) 式中Chla YSI为YSI6600测定结果。遥感数据除非湖面上有云层覆盖，每天10点左右自太湖上空获得MODIS遥感影 像。气象数据来自气象部门的关于太湖区域的气象预报，应用的主要参数有天气情 况(晴、阴以及降雨)、风速、风向、温度。2007年7月26日采集的数据如下表4所示
表4 2007年7月沈日太湖各巡测点叶绿素a含量以及未来7 气象信息
权利要求
1.一种大型浅水湖泊72小时蓝藻水华预测方法，其特征在于根据蓝藻原位生长率 和漂移速率参数，构建水体叶绿素a含量预测模型和水华发生概率预报模型；分析监测水 域即时的叶绿素a含量和分布；将监测水域即时的叶绿素a含量、分布，以及监测期内气象 信息数据输入模型，输出监测水域预测期内叶绿素a浓度的预测值和蓝藻水华出现的水域 及概率，发布水华监测预报。
2.根据权利要求1所述的蓝藻水华预测方法，其特征在于所述方法包括以下步骤1)在监测水域设置采样点，采集分析监测水域即时叶绿素a浓度值和分布；2)采集预测期内的包括风速、风向、降雨在内的气象信息数据；3)构建水体叶绿素a浓度预测模型，输入监测水域即时的叶绿素a浓度值、分布以及气 象信息数据，输出监测水域预测期内叶绿素a浓度的预测值；4)构建水华发生概率预测模型，输入监测水域叶绿素a浓度值、分布的预测值以及气 象信息数据，预测蓝藻水华出现的水域及其概率；5)输出数据，发布水华监测预报。
3.根据权利要求1或2所述的蓝藻水华预测方法，其特征在于所述的水体中叶绿素 a浓度采用快速水质监测仪器测定并根据下列公式校正水体平均叶绿素 a 浓度=Chla YSIX7. 76 (Chi YSI ( 4(^g/L)水体平均叶绿素 a 浓度=Chla YSIX2. 2 (Chi YSI > 4(^g/L)式中Chla YSI为快速水质监测仪器测定结果。
4.根据权利要求1或2所述的蓝藻水华预测方法，其特征在于所述的叶绿素a浓度 预测模型将监测水域划分为网格单元，并按下式得到水体网格单元内叶绿素a浓度的预测 值Ni = N0+ (Bt - Dt) + (It — Et)式中，Nt为所预报时刻(t)的水体中藻类密度，Ntl为监测时刻(0)藻类密度，Bt、Dt、It、 肚分别是0— 时段该湖区藻类的生长、死亡、迁入、迁出的数量。
5.根据权利要求4所述的蓝藻水华预测方法，其特征在于蓝藻由于生长、死亡引起 的变化量，可用以下公式计算ι(Bi -D^ = Na 31XP + -1]式中4为叶绿素a浓度的日变化率，Ntl由现场监测获得。
6.根据权利要求4所述的蓝藻水华预测方法，其特征在于水体网格单元内迁入或迁 出的蓝藻量用以下公式计算Et = aXVXtXdXPXC式中，a为网格的边长，Et为迁入或迁出的藻类量，V为风速，t为时间，d为水深，P为 发生漂移的藻类占总藻量百分比，C为水体中叶绿素a的浓度。
7.根据权利要求1或2所述的蓝藻水华预测方法，其特征在于所述的水华发生概率预 测模型，按下式计算水华发生概率F=Z1 (Nt) Xf2 (V) X/3 (R)其中人(Nt)为t时刻由藻类数量引起的水华发生概率-J2 (V)为由风速条件引起的 水华发生概率；/3 (R)为降雨条件引起的水华发生概率；根据输入的叶绿素a和气象数据，按下表1对水华发生概率赋值；表1蓝藻水华预报中叶绿素a含量、风速和降雨与水华发生概率的对应表叶绿素a (MB/L)Z1(Nt)风力(风速m/s)Z2(V)降雨/3 (R)60以上11 一 2 级(0.3-3. 3)1晴、多石1500. 93 级(3. 4-5.4)0. 9阴、小雨0. 9400. 84 级(5. 5-7.9)0. 8阵雨、雷阵雨0. 8300. 65 级(8. 0-10.7)0. 7中雨0. 7200. 45级以上(>10.8)0. 5中、大、暴雨0
8.根据权利要求1或2所述的蓝藻水华预测方法，其特征在于所述的输出数据包括监 测水域叶绿素a浓度预测值的等值线图或浓度分布图、特定水域蓝藻水华发生的概率。
9.根据权利要求1或2所述的蓝藻水华预测方法，其特征在于利用遥感影像数据对 水华预报进行修正，并对预报方法进行评价。
全文摘要
本发明公开了一种大型浅水湖泊72小时蓝藻水华预测方法，根据蓝藻原位生长率和漂移速率参数，构建水体叶绿素a含量预测模型和水华发生概率预报模型；分析监测水域即时的叶绿素a含量和分布并采集监测期内气象信息数据，输入构建的模型后，输出监测水域未来72小时叶绿素a浓度的预测值和蓝藻水华出现的水域及概率。本发明方法操作性强、用于预测的参数易获�。岳对逅谋┓⒛茏龀鲅杆俣既返脑づ校毙郧�。可用于水源地或重点景观水域蓝藻水华的预报。
文档编号G01N33/00GK102135531SQ20101060420
公开日2011年7月27日 申请日期2010年12月24日 优先权日2010年12月24日
发明者于洋, 吴晓东, 孔繁翔, 张民, 阳振, 马荣华, 高俊峰 申请人:中国科学院南京地理与湖泊研究所
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
