一种基于水域营养状态预测的水华智能预警系统及方法与流程

1.本技术涉及环境监测技术领域，具体涉及一种基于水域营养状态预测的水华智能预警系统及方法。


背景技术：

2.在水利工程影响下，水库支流库湾、水生生物栖息地、河湾、岸边、湖泊以及湿地等敏感水域，水体水动力出现变化，水体垂向交换受到抑制，当大量的营养物质流入水体，容易使得水体由贫营养状态转化为富营养状态，在某些环境条件下水体富营养化程度过高会引起水华爆发。水华爆发时，会导致水质恶化、水体生态失衡，对饮用水安全及水生态系统造成严重威胁。因此需要对敏感水域中的水体状态进行监测，以尽量避免水华发生。
3.在一些相关水体监测技术中，大多采用遥感卫星、无人机拍摄或者人工取样试验进行监测，一般情况下仅能够识别表层水体的状态，且遥感监测具有时间间隔，存在监测数据缺失的情况，监测数据的完整性欠缺，面对复杂的水华发生机制，难以实现对水体营养状态的进行全面监测，无法对水体营养状态进行精准识别，方案实用性较差。


技术实现要素：

4.有鉴于此，本技术实施例提供了一种基于水域营养状态预测的水华智能预警系统及方法，能够对目标水域水体实时监测，高效精准地识别确定目标水域水体的营养状态。
5.根据第一方面，本技术实施例提供了一种基于水域营养状态预测的水华智能预警系统。所述系统包括：多尺度信息采集模块，用于采集目标水域的多尺度水体信息，所述尺度水体信息包括水体理化信息、水体表层信息与参考水文信息；营养状态识别模块，用于根据所述水体表层信息反演确定表层营养物质浓度，利用表层-垂向浓度关系函数根据所述表层营养物质浓度预测所述目标水域水体的垂向营养物质浓度，并根据所述表层营养物质浓度、所述垂向营养物质浓度确定所述目标水域的水体营养状态，所述表层-垂向浓度关系函数根据所述多尺度水体信息拟合确定；水华预警模块，用于根据所述水体营养状态预测水华发生概率，并根据所述水华发生概率生成相应的示警反馈通报信息；以及数字可视化模块，用于将所述水体营养状态、所述水华发生概率及所述示警反馈通报信息进行可视化数字展示。
6.可选的，所述多尺度信息采集模块包括水体监测单元、遥测数据单元与参考信息采集单元；所述水体监测单元，用于获取所述目标水域的水体水动力数据、水温数据、水质数据以及水域风数据，所述水体理化信息包括所述水体水动力数据、所述水温数据、所述水质数据与所述水域风数据；所述遥测数据单元，用于获取所述目标水域的低空影像数据与高空遥感数据，所
述水体表层信息包括所述低空影像数据与所述高空遥感数据；所述参考信息采集单元，用于收集所述目标水域相应的水文水动力数据、水域环境数据、地形地貌数据与气象数据，所述参考水文信息包括所述水文水动力数据、所述水域环境数据、所述地形地貌数据与所述气象数据。
7.可选的，所述水体监测单元包括水下多功能探测装置与理化参数监测站；所述水下多功能探测装置，用于获取所述水动力数据、水温数据与水质数据，所述理化参数监测站用于针对所述水质数据进行补充监测；所述水下多功能探测装置包括水动力感应探头、温度感应器与水色成像仪；其中，所述水动力感应探头设置在所述多功能探测装置底部，用于对不同探测深度的水动力因素进行探测记录；所述温度感应器，用于采集不同探测深度的水体水温；所述水色成像仪，用于在水体中不同探测深度处进行拍摄，并探测确定水体中溶解氧数据、叶绿素数据、藻密度数据、氮元素数据、磷元素数据与透明度数据，所述水质数据包括所述水体中溶解氧数据、叶绿素数据、藻密度数据、氮元素数据、磷元素数据与透明度数据；其中，所述水色成像仪包括对称分布的两水色成像板；两所述水色成像板的间距根据所述探测深度进行调整：其中，表示两所述水色成像板的间距，表示紊动修正系数，表示第个探测点处的水流紊动强度，表示第个所述探测点相应的所述探测深度，表示光谱分辨率因子，表示修正参数。
8.可选的，所述营养状态识别模块包括表层状态识别单元、函数拟合单元、垂向状态预测单元以及状态判定单元；所述表层状态识别单元，用于根据所述水体表层信息对所述目标水域表层水体营养状态进行反演识别，确定所述表层营养物质浓度；所述函数拟合单元，用于以所述多尺度水体信息构建训练数据集，采用机器学习算法进行训练，拟合确定所述表层-垂向浓度关系函数；所述表层-垂向浓度关系函数用于描述所述目标水域表层水体与垂向水体中营养物质浓度之间的关系；所述表层-垂向浓度关系函数：其中，表示所述表层-垂向浓度关系函数，表示水体温度，表示所述表层水体中的第种营养物质的浓度，表示垂向水体中的第种营养物质的浓度，表示水流流速，表示水深，表示组分扩展系数；所述垂向状态预测单元，用于根据所述表层-垂向浓度关系函数以所述表层营养物质浓度为输入进行预测计算，确定所述垂向营养物质浓度；所述状态判定单元，用于根据所述表层营养物质浓度、所述垂向营养物质浓度对
所述目标水域的水体营养状态进行分析判定。
9.可选的，所述表层状态识别单元包括数据完善模组；所述数据完善模组，用于在确定所述表层营养物质浓度时，对所述水体表层信息所存在的缺失时段相应的所述表层营养物质浓度进行预测计算：其中，表示时刻的所述表层营养物质浓度，表示时刻的所述表层营养物质浓度，表示缺失时间，表示营养物质浓度修正系数，表示所述目标水域的表层面积。
10.可选的，所述函数拟合单元包括候选函数模组与函数筛选模组；所述候选函数模组，用于根据所述训练数据集进行学习训练，确定多种候选关系函数；所述函数筛选模组，用于计算确定多个所述候选关系函数的决定系数，根据所述决定系数选择最优函数作为所述表层-垂向浓度关系函数。
11.可选的，所述状态判定单元包括营养状态指数模组与状态分析模组；所述营养状态指数模组，用于根据所述目标水域水体中多种营养物质的整体浓度数据计算相应的综合营养状态指数：其中，表示所述综合营养状态指数，与分别表示与叶绿素a、磷元素、氮元素、透明度及含氧量相应的状态指数，表示指数系数；所述状态分析模组，用于根据卡尔森营养状态指数确定所述目标水域的营养程度。
12.可选的，所述水华预警模块包括藻密度预测单元与水华概率预测单元；所述藻密度预测单元，用于采用机器学习算法构建藻密度预测模型，所述藻密度预测模型的输入变量包括所述水体营养状态，输出变量包括藻密度预测值；所述水华概率预测单元，用于根据所述藻密度预测值计算确定所述水华发生概率。
13.可选的，所述系统还包括实时参数优化模块；所述实时参数优化模块用于对所述表层状态识别单元的识别输入因子、所述表层-垂向浓度关系函数的关系参数以及所述藻密度预测模型的模型系数进行动态优化更新。
14.在第二方面，本技术实施例还提供了一种基于水域营养状态预测的水华智能预警方法。所述方法包括：采集目标水域的多尺度水体信息，所述尺度水体信息包括水体理化信息、水体表层信息与参考水文信息；根据所述水体表层信息反演确定表层营养物质浓度；利用表层-垂向浓度关系函数根据所述表层营养物质浓度预测所述目标水域水体
的垂向营养物质浓度；根据所述表层营养物质浓度、所述垂向营养物质浓度确定所述目标水域的水体营养状态，所述表层-垂向浓度关系函数根据所述多尺度水体信息拟合确定；根据所述水体营养状态预测水华发生概率，并根据所述水华发生概率生成相应的示警反馈通报信息；以及将所述水体营养状态、所述水华发生概率及所述示警反馈通报信息进行可视化数字展示。
15.由此可见，本技术实施例所提供的一种基于水域营养状态预测的水华智能预警系统及方法，具有如下有益技术效果：（1）所述多尺度信息采集模块采集目标水域水体的所述多尺度水体信息，所述营养状态识别模块基于所述多尺度水体信息识别所述表层营养物质浓度并预测所述垂向营养物质浓度，从而能够综合所述表层营养物质浓度与所述垂向营养物质浓度，分析确定所述目标水域的水体营养状态。进一步的，基于所述水域营养状态可以预测确定水华发生概率进行及时预警。
16.其中，所述多尺度水体信息包括所述水体理化信息、所述水体表层信息与所述参考水文信息，以所述多尺度水体信息作为基于水域营养状态预测的水华智能预警系统的数据基础，数据信息更加全面，从而保证监测结果的准确性及有效性。所述营养状态识别模块首先根据所述水体表层信息反演确定对应的水体的表层营养物质浓度，之后再在其基础上根据表层-垂向浓度关系函数预测计算水体内部的垂向营养物质浓度，综合两方面浓度数据对所述目标水域进行整体分析。这样的方式将从基础数据到最终监测结果的过程进行分解，能够分别获取到水体表层与水体垂向的营养信息，过程数据全面，保证过程中每一步计算准确性，从而可以保证整体方案结果的准确有效。采用这样的方式可以保证基础数据以及中间过程信息的全面性，从而能够对目标水域水体的营养状态实现高效精准识别。基于准确精准的水体营养状态预测识别结果，进一步的预测水华发生概率，可以实现及时有效预警。
17.（2）利用水下多功能探测装置采集水动力数据、水温数据与水质数据。其中，利用水色成像仪在水体中的不同探测深度拍摄水体的实时状态。在探测过程中，随水流紊动强度衰减变化对水质监测点进行变频率扫描，相应改变探测深度以及水色成像板间距，在水流紊动强度衰减变化下，辐射光束进行扫描成像，生成水质波段组合，这样的方式可以保证成像清晰度，保证所采集的水质数据的有效性与准确性。
18.（3）针对所述缺失时段进行预测计算，可以得到全时段的所述表层营养物质浓度。在时间连续性层面，提升所述表层状态识别单元反演识别所得到的所述表层营养物质浓度的数据完整性。基于全时段的所述表层营养物质浓度，可以实现对所述目标水域的营养状态的全时间的及时监测，以便于降低水体富营养化风险。
19.（4）采用机器学习算法学习构建藻密度预测模型以预测所述目标水域的藻密度值，基于所述藻密度值能够准确预测水华发生概率，针对水华爆发进行及时预警。
20.（5）对所述表层状态识别单元的识别输入因子、所述表层-垂向浓度关系函数的关系参数以及所述藻密度预测模型的模型系数进行动态优化更新，使得反演确定所述表层营养物质浓度、预测所述垂向营养物质浓度以及预测水华发生概率均能够维持较高准确性，
进而保证基于水域营养状态预测的水华智能预警系统的运行稳定性。
附图说明
21.通过参考附图会更加清楚的理解本技术的特征和优点，附图是示意性的而不应理解为对本技术进行任何限制，在附图中：图1示出了本技术实施例所提供的一种基于水域营养状态预测的水华智能预警系统示意图；图2示出了本技术实施例所提供的一种基于水域营养状态预测的水华智能预警系统中多尺度信息采集模块示意图；图3示出了本技术实施例所提供的一种基于水域营养状态预测的水华智能预警系统中水下多功能探测装置结构示意图；图4示出了本技术实施例所提供的一种基于水域营养状态预测的水华智能预警系统中营养状态识别模块示意图；图5示出了本技术实施例所提供的一种基于水域营养状态预测的水华智能预警系统中水华预警模块示意图；图6示出了本技术实施例所提供的一种基于水域营养状态预测的水华智能预警方法示意图。
具体实施方式
22.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
23.在一些相关水体监测技术中，大多采用遥感卫星、无人机拍摄或者人工取样试验进行监测，一般情况下仅能够识别表层水体的状态，且遥感监测具有时间间隔，存在监测数据缺失的情况，监测数据的完整性欠缺，面对复杂的水华发生机制，难以实现对水体营养状态的进行全面监测，无法对水体营养状态进行精准识别，方案实用性较差。
24.针对上述问题，本技术实施例提供一种基于水域营养状态预测的水华智能预警系统及方法，采集目标水域的多尺度水体信息，基于多尺度水体信息分别确定所述目标水域水体表层与垂向的营养物质浓度，再综合分析确定所述目标水域水体整体的营养状态，能够高效精确识别确定水体营养状态。
25.以下，结合具体实施例对本技术技术方案进行说明。
26.在一方面，本技术实施例提供了一种水体营养状态监测系统。
27.如图1所示，本技术一个或多个可选实施例提供了一种基于水域营养状态预测的水华智能预警系统100，包括：多尺度信息采集模块102，用于采集目标水域的多尺度水体信息，所述尺度水体信息包括水体理化信息、水体表层信息与参考水文信息。
28.所述水体理化信息可以包括所述目标水域水体的物理特性方面信息如流速、流向、温度、电导率等，以及生化特征方面的信息如藻密度、氮元素含量、磷元素含量等。所述
水体理化信息能够侧面反映出水体的营养状态。
29.所述参考水文信息可以包括所述目标水域水体相关水位信息的历史数据，如水位水量信息、水域地形地貌、水域气象环境信息、含沙量信息、汛期时间信息等。
30.营养状态识别模块104，用于根据所述水体表层信息反演确定表层营养物质浓度，利用表层-垂向浓度关系函数根据所述表层营养物质浓度预测所述目标水域水体的垂向营养物质浓度，并根据所述表层营养物质浓度、所述垂向营养物质浓度确定所述目标水域的水体营养状态。
31.其中，所述表层-垂向浓度关系函数根据所述多尺度水体信息拟合确定。
32.一些可选实施例中，可以采用机器学习的方式，利用所述多尺度水体信息构建训练数据集，来学习确定表层-垂向浓度关系函数。所采用的机器学习算法包括但不限于人工神经网络、支持向量回归、随机森林等。
33.水华预警模块106，用于根据所述水体营养状态预测水华发生概率，并根据所述水华发生概率生成相应的示警反馈通报信息。
34.数字可视化模块108，用于将所述表层营养物质浓度、所述垂向营养物质浓度、所述水体营养状态、所述水华发生概率及所述示警反馈通报信息进行可视化数字展示。
35.可视化展示数据更加生动形象，有利于实现实时动态监控。
36.所述基于水域营养状态预测的水华智能预警系统中，所述多尺度信息采集模块采集目标水域水体的所述多尺度水体信息，所述营养状态识别模块基于所述多尺度水体信息识别所述表层营养物质浓度并预测所述垂向营养物质浓度，从而能够综合所述表层营养物质浓度与所述垂向营养物质浓度，分析确定所述目标水域的水体营养状态。
37.其中，所述多尺度水体信息包括所述水体理化信息、所述水体表层信息与所述参考水文信息，以所述多尺度水体信息作为基于水域营养状态预测的水华智能预警系统的数据基础，数据信息更加全面，从而保证监测结果的准确性及有效性。所述营养状态识别模块首先根据所述水体表层信息反演确定对应的水体的表层营养物质浓度，之后再在其基础上根据表层-垂向浓度关系函数预测计算水体内部的垂向营养物质浓度，综合两方面浓度数据对所述目标水域进行整体分析。这样的方式将从基础数据到最终监测结果的过程进行分解，能够分别获取到水体表层与水体垂向的营养信息，过程数据全面，保证过程中每一步计算准确性，从而可以保证整体方案结果的准确有效。所述基于水域营养状态预测的水华智能预警系统采用这样的方式可以保证基础数据以及中间过程信息的全面性，从而能够对目标水域水体的营养状态实现高效精准识别。
38.如图2所示，在本技术一个或多个可选实施例提供了一种基于水域营养状态预测的水华智能预警系统100中，所述多尺度信息采集模块102包括水体监测单元200、遥测数据单元202与参考信息采集单元204。
39.所述水体监测单元200，用于获取所述目标水域的水体水动力数据、水温数据、水质数据以及水域风数据，所述水体理化信息包括所述水体水动力数据、所述水温数据、所述水质数据与所述水域风数据。
40.在一些可选实施例中，所述水体监测单元200可以包括水下多功能探测装置300与理化参数监测站302。所述水下多功能探测装置，用于获取所述水动力数据、水温数据与水质数据。所述理化参数监测站用于针对所述水质数据进行补充监测。例如，可以采集水体的
电导率、酸碱度、高锰酸钾盐指数、含沙量指数等。
41.所述遥测数据单元202，用于获取所述目标水域的低空影像数据与高空遥感数据，所述水体表层信息包括所述低空影像数据与所述高空遥感数据。
42.其中，所述低空影像数据可以采用无人机摄影方式获取，所述高空遥感数据可以利用高分辨率遥感卫星采集。
43.所述参考信息采集单元204，用于收集所述目标水域相应的水文水动力数据、水域环境数据、地形地貌数据与气象数据，所述参考水文信息包括所述水文水动力数据、所述水域环境数据、所述地形地貌数据与所述气象数据。
44.如图3所示，在本技术一个或多个可选实施例提供了一种基于水域营养状态预测的水华智能预警系统100中，所述水下多功能探测装置300包括水动力感应探头302、温度感应器304与水色成像仪306。
45.其中，所述水动力感应探头302设置在所述水下多功能探测装置300底部，用于对不同探测深度的水动力因素进行探测记录。
46.所述温度感应器304可以设置在所述水下多功能探测装置300的中部，用于采集不同探测深度的所述水温数据。
47.所述水色成像仪306，用于在水体中不同探测深度处进行拍摄，并探测确定水体中溶解氧数据、叶绿素数据、藻密度数据、氮元素数据、磷元素数据与透明度数据，所述水质数据包括所述水体中溶解氧数据、叶绿素数据、藻密度数据、氮元素数据、磷元素数据与透明度数据。
48.其中，所述水色成像仪306包括对称分布的两水色成像板3060。
49.两所述水色成像板3060的间距根据所述探测深度进行调整：其中，表示两所述水色成像板的间距，表示紊动修正系数，表示第个探测点处的水流紊动强度，表示第个所述探测点相应的所述探测深度，表示光谱分辨率因子，表示修正参数。
50.所述基于水域营养状态预测的水华智能预警系统100中，利用水下多功能探测装置采集水动力数据、水温数据与水质数据。其中，利用水色成像仪在水体中的不同探测深度拍摄水体的实时状态。在探测过程中，随水流紊动强度衰减变化对水质监测点进行变频率扫描，相应改变探测深度以及水色成像板3060间距，在水流紊动强度衰减变化下，辐射光束进行扫描成像，生成水质波段组合，这样的方式可以保证成像清晰度，保证所采集的水质数据的有效性与准确性。
51.如图4所示，在本技术一个或多个可选实施例提供了一种基于水域营养状态预测的水华智能预警系统100中，所述营养状态识别模块104包括表层状态识别单元400、函数拟合单元402、垂向状态预测单元404以及状态判定单元406。
52.所述表层状态识别单元400，用于根据所述水体表层信息对所述目标水域表层水体营养状态进行反演识别，确定所述表层营养物质浓度。
53.所述表层状态识别单元400，以所述目标水域的所述低空影像数据与所述高空遥感数据为输入，根据输入识别因子与营养状态之间的回归关系进行反演识别，以确定所述
表层营养物质浓度。
54.所述函数拟合单元402，用于以所述多尺度水体信息构建训练数据集，采用机器学习算法进行训练，拟合确定所述表层-垂向浓度关系函数。
55.所述表层-垂向浓度关系函数用于描述所述目标水域表层水体与垂向水体中营养物质浓度之间的关系。
56.所述表层-垂向浓度关系函数：其中，表示所述表层-垂向浓度关系函数，表示水体温度，表示所述表层水体中的第种营养物质的浓度，表示垂向水体中的第种营养物质的浓度，表示水流流速，表示水深，表示组分扩展系数。
57.一些可选实施例中，所述函数拟合单元402包括候选函数模组4020与函数筛选模组4022。
58.所述候选函数模组4020，用于根据所述训练数据集进行学习训练，确定多种候选关系函数。
59.所述函数筛选模组4022，用于计算确定多个所述候选关系函数的决定系数，根据所述决定系数选择最优函数作为所述表层-垂向浓度关系函数。
60.所述函数筛选模组4022可以采用均方根误差、相对均方根误差、相对误差、综合误差以及决定系数来衡量多个所述候选关系函数的预测精度，从而选取最优函数。
61.均方根误差rmse=相对均方根误差相对误差综合误差：决定系数： (其中：sst=ssr+sse)其中，为采样点处水质参数的实测值，为水质参数实测值的平均。为采样点处水质参数的反演值；n为关系函数或验证相应采样点的个数；分别为关系函数和验证的综合误差； sst为总离差平方和，ssr为回归平方和，sse为残差平方和。
62.所述垂向状态预测单元404，用于根据所述表层-垂向浓度关系函数以所述表层营养物质浓度为输入进行预测计算，根据所述表层-垂向浓度关系函数的输出确定所述垂向营养物质浓度。
63.所述状态判定单元406，用于根据所述表层营养物质浓度、所述垂向营养物质浓度对所述目标水域的水体营养状态进行分析判定。所述状态判定单元406可综合所述目标水域水体的表层及垂向的营养物质浓度数据对水体进行整体分析。
64.所述状态判定单元406包括营养状态指数模组4060与状态分析模组4062。
65.所述营养状态指数模组4060，用于根据所述目标水域水体中多种营养物质的整体
浓度数据计算相应的综合营养状态指数：其中，表示所述综合营养状态指数，与分别表示与叶绿素a、磷元素、氮元素、透明度及含氧量相应的状态指数，表示指数系数；所述状态分析模组4062，用于根据卡尔森营养状态指数确定所述目标水域的营养程度。
66.tli《30为贫营养程度、30≤tli≤50为中营养程度、50《tli≤60为轻度富营养程度、60《tli≤70为中度富营养程度、tli》70为重度富营养程度。
67.如图4所示，在本技术一个或多个可选实施例提供了一种基于水域营养状态预测的水华智能预警系统100中，所述表层状态识别单元400还包括数据完善模组4000；所述数据完善模组4000，用于在确定所述表层营养物质浓度时，对所述水体表层信息所存在的缺失时段相应的所述表层营养物质浓度进行预测计算：其中，表示时刻的所述表层营养物质浓度，表示时刻的所述表层营养物质浓度，表示缺失时间，表示营养物质浓度修正系数，表示所述目标水域的表层面积。
68.考虑到所述遥测数据单元所采集的所述低空影像数据与所述高空遥感数据可能存在因监测时间间隔造成的数据缺失，所述数据完善模组4000对针对所述缺失时段进行预测计算，从而可以得到全时段的所述表层营养物质浓度。这样的能够在时间连续性层面，提升所述表层状态识别单元反演识别所得到的所述表层营养物质浓度的数据完整性。所述营养状态识别模块，基于全时段的所述表层营养物质浓度，可以实现对所述目标水域的营养状态的全时间的及时监测，以便于降低水体富营养化风险。
69.如图5所示，在本技术一个或多个可选实施例提供了一种基于水域营养状态预测的水华智能预警系统100中，所述水华预警模块106包括藻密度预测单元500与水华概率预测单元502。
70.所述藻密度预测单元500，用于采用机器学习算法构建藻密度预测模型，所述藻密度预测模型的输入变量包括所述水体营养状态，输出变量包括藻密度预测值。
71.所述藻密度预测单元500，通过构建所述藻密度预测模型来学习所述目标水域中优势藻种藻密度与环境影响因子之间的相关关系。其中所述环境影响因子包括所述水体营养状态，以及营养盐、气象、水动力等条件。利用所述藻密度预测模型能够根据当前的环境影响因子准确预测所述目标水域中的藻密度。
72.所述水华概率预测单元502，用于根据所述藻密度预测值计算确定所述水华发生概率。
73.在一些可选实施例中，可以采用叶绿素a（chl-a）的值来表示所述藻密度值，利用所述藻密度预测模型确定所述目标水域中chl-a的预测值。之后以chl-a预测值作为水华发生判别标准。例如，当其含量高于30 时，可以判定有水华爆发的可能。
74.所述基于水域营养状态预测的水华智能预警系统，在确定所述目水域的营养状态之后，还基于所述营养状态进行水华预警。采用机器学习算法学习构建藻密度预测模型以预测所述目标水域的藻密度值，从而确定水华发生概率，能够针对水华爆发进行及时预警。
75.在本技术一个或多个可选实施例提供了一种基于水域营养状态预测的水华智能预警系统100中，所述系统还包括实时参数优化模块。所述实时参数优化模块用于对所述表层状态识别单元的识别输入因子、所述表层-垂向浓度关系函数的关系参数以及所述藻密度预测模型的模型系数进行动态优化更新。
76.针对所述识别输入因子，所述实时参数优化模块，通过遥感波段组合获得的与水体营养状态相关的指数，结合灵敏度分析算法，筛选对模型影响较大的参数，确定用于水环境参数反演的最有代表性的波谱范围、波段、波段组合等，通过波段比值、一阶微分、指数算法、三波段及四波段算法等计算遥感水体指数，并与实测样本点数进行相关性分析、共线性诊断，剔除相关性较差、存在高度线性关系的样本点，优化参数，最终得到遥感因子与营养状态之间的回归关系，将筛选出的遥感水体因子作为所述表层状态识别单元的所述识别输入因子。所述实时参数优化模块，还对所述表层-垂向浓度关系函数的关系参数以及所述藻密度预测模型的模型系数进行动态优化更新，使得反演确定所述表层营养物质浓度、预测所述垂向营养物质浓度以及预测水华发生概率均能够维持较高准确性，进而保证基于水域营养状态预测的水华智能预警系统的运行稳定性。
77.上述实施例阐明的系统、模块、单元或模组，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
78.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本技术时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
79.基于相同发明目的，本技术实施例还提供了一种基于水域营养状态预测的水华智能预警方法。
80.如图6所示，本技术一个或多个可选实施例所提供的一种基于水域营养状态预测的水华智能预警方法，包括：s601：采集目标水域的多尺度水体信息，所述尺度水体信息包括水体理化信息、水体表层信息与参考水文信息。
81.s602：根据所述水体表层信息反演确定表层营养物质浓度。
82.s603：利用表层-垂向浓度关系函数根据所述表层营养物质浓度预测所述目标水域水体的垂向营养物质浓度，所述表层-垂向浓度关系函数根据所述多尺度水体信息拟合确定。
83.s604：根据所述表层营养物质浓度、所述垂向营养物质浓度确定所述目标水域的水体营养状态。
84.s605:根据所述水体营养状态预测水华发生概率，并根据所述水华发生概率生成相应的示警反馈通报信息s606：将所述水体营养状态、所述水华发生概率及所述示警反馈通报信息进行可
视化数字展示。
85.以某敏感水域为例，为了对其进行主动调控管理，利用本技术技术方案基于水域营养状态预测的水华智能预警系统及方法对典型敏感水域进行了水体营养状态的识别以及水华智能预警。根据chl-a、tp、tn、sd、codmn五种指数数据，计算识别其综合营养状态指数tli，采用0 ~ 100的一系列连续数字对湖泊营养程度进行分级：tli《30为贫营养程度、30≤tli≤50为中营养程度、50《tli≤60为轻度富营养程度、60《tli≤70为中度富营养程度、tli》70为重度富营养程度，且在同一营养状态下，tli指数值越高说明湖泊的营养程度越重。以2001~2021年的实测数据为例，不同年份计算得到的综合营养状态指数大多处于50~60之间，为轻度富营养程度。其中2007年综合营养状态指数最大值达到68.794，为中度富营养程度。2009年综合营养状态指数最大值为69.090，为中营养程度。考虑叶绿素a浓度与其他因子之间的相关关系，得出影响因子分割阙值和触发水华暴发的判别条件分别为硅磷比sip《72、溶解氧do 9 mg/l、透明度sd《92 cm、硅氮比sin《5.7、总磷tp 0.13 mg/l。根据水体营养状态预测最终水华爆发概率为47.6%，存在水华发生的可能性，这种情况下生成相应的示警反馈通报信息，提醒相关负责人员对该水域进行干预措施，以降低水华爆发的可能性。下表1为利用本技术技术方案进行水体营养状态监测识别的结果与实际情况的验证表。
86.表1 多尺度识别模块识别结果验证利用本技术技术方案基于水域营养状态预测的水华智能预警系统及方法，针对目标水域的营养进行预测的平均误差仅7.8%左右。由此可见，利用本技术技术方案基于水域营养状态预测的水华智能预警系统及方法能够对目标水域水体的营养状态实现高效精准预测识别，可以及时有效地进行水华预警。
87.需要说明的是，本技术实施例的方法可以由单个设备执行，例如一台计算机或服
务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本技术实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
88.需要说明的是，上述对本技术的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
89.所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本技术的范围（包括权利要求）被限于这些例子；在本技术的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本技术实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
90.另外，为简化说明和讨论，并且为了不会使本技术实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路（ic）芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本技术实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本技术实施例的平台的（即，这些细节应当完全处于本领域技术人员的理解范围内）。在阐述了具体细节（例如，电路）以描述本技术的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本技术实施例。因此，这些描述应被认为是说明性的而不是限制性的。
91.尽管已经结合了本技术的具体实施例对本技术进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构（例如，动态ram（dram））可以使用所讨论的实施例。
92.本技术实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本技术实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本技术的保护范围之内。