基于非线性动力学时序模型的蓝藻水华预测方法技术

本发明专利技术公开了一种基于非线性动力学时序模型的蓝藻水华预测方法，属于水环境预测技术领域。本发明专利技术将蓝藻生长率作为时变参数，建立带有双营养盐循环的蓝藻生长非线性动力学时序模型，采用数值算法和智能进化算法相结合对蓝藻生长非线性动力学时序模型中的定常参数进行优化率定，通过建立多元时间序列模型实现对时变参数及蓝藻生物量的预测，并采用分岔理论和中心流形理论对蓝藻生长时变系统进行非线性动力学分析，得到蓝藻水华暴发的条件，进而实现对水华暴发行为的预警。本发明专利技术不仅确定了蓝藻水华暴发的条件，也提高了水华预测精度，为环保部门提供有效的参考依据，为水环境治理提供了治理决策。

Prediction method of cyanobacteria bloom based on nonlinear dynamic time series model

The invention discloses a forecasting method of cyanobacteria bloom based on nonlinear dynamic time series model, which belongs to the field of water environment prediction technology. The algae growth rate as variable parameters, established with double nutrient cycle of algae growth dynamics nonlinear time series model, the growth of constant parameters of nonlinear dynamics model of sequential optimization and calibration of cyanobacteria by numerical algorithm and intelligent evolutionary algorithm combined by the prediction of multivariate time series models based on the time-varying parameters and cyanobacteria the biomass, and by using bifurcation theory and center manifold theory of cyanobacterial growth time-varying systems of nonlinear dynamics analysis, obtained cyanobacteria bloom conditions, then realize to bloom early warning behavior. The invention not only determines the conditions for the bloom of cyanobacteria bloom, but also improves the accuracy of algal bloom prediction, provides an effective reference basis for the environmental protection department, and provides decision-making for the management of water environment.

【技术实现步骤摘要】
基于非线性动力学时序模型的蓝藻水华预测方法
本专利技术涉及一种蓝藻水华预测方法，属于水环境预测
，具体地说，是指一种基于非线性动力学时序模型的蓝藻水华暴发预测预警方法。
技术介绍
随着经济社会的发展，水体富营养化已经成为一个全球性的重大水环境问题。水体富营养化是指在人类活动的影响下，生物所需的氮、磷等营养物质大量进入湖泊、河湖、海湾等缓流水体，引起藻类及其他浮游生物迅速繁殖、水体溶解氧量下降、鱼类及其他生物大量死亡的现象。藻类水华是水体富营养化的典型表现，是我国河湖水环境污染的主要问题之一。藻类暴发性繁殖，致使水质恶化、缺氧、产生腥臭等异味物质，甚至产生藻毒素并通过食物链对人、畜和水生生物造成毒害，继而破坏河流生态的稳定性，严重影响城市供水和饮用水安全，危害人类健康，制约区域经济的可持续发展，给人类生活带来极其恶劣的影响，水华问题已被列入全球性的水污染问题。因此，深入研究藻类水华生成过程，对藻类水华暴发这一非常规突发事件进行有效模拟和预测，对促进水环境保护和技术进步具有重要意义。目前蓝藻水华预测方法研究主要包括机理驱动模型和数据驱动模型。机理驱动模型包含单一营养盐模型、浮游植物本文档来自技高网...

【技术保护点】
基于非线性动力学时序模型的蓝藻水华预测方法，其特征在于：包括以下五个步骤，步骤一、建立蓝藻生长双营养盐循环非线性动力学模型：

【技术特征摘要】
1.基于非线性动力学时序模型的蓝藻水华预测方法，其特征在于：包括以下五个步骤，步骤一、建立蓝藻生长双营养盐循环非线性动力学模型：其中，ca为t时刻叶绿素a的浓度，N、P分别为t时刻营养盐总氮、总磷的浓度；N0、P0分别为营养盐总氮、总磷在初始时刻的浓度；G为蓝藻生长率，T1为藻类的环境损失率；T2为氮营养盐的耗损率，gN为蓝藻对氮营养盐的吸收率，dN为藻类代谢分解对氮营养盐的贡献率；T3为磷营养盐的耗损率，gP为蓝藻对磷营养盐的吸收率，dP为藻类代谢分解对磷营养盐的贡献率；g(N)、g(P)分别为营养盐总氮、总磷增长函数，表达式为：其中，KN、KP分别代表蓝藻生长对氮和磷的半饱和浓度常数；步骤二、蓝藻生长非线性动力学时序建模；在公式(1)基础上，引入时变的蓝藻生长率G(t)，构建蓝藻生长双营养盐循环时变参数非线性动力学模型：其中，时变的蓝藻生长率G(t)随时间变化的公式为：其中，T(t),I(t)分别为水温和光照随时间变化的t时刻的数值；步骤三、蓝藻生长非线性动力学时序模型参数优化率定；对于定常参数，根据实际水体监测数据，结合遗传算法与数值算法，对蓝藻生长双营养盐循环非线性动力学模型即公式(1)中的定常参数进行优化率定；对于时变参数，根据多元时间序列模型预测水温T(t)、光照I(t)、……影响因素随时间变化的数值，将其预测结果代入公式(5)得到时变参数蓝藻生长率G(t)的预测值；将蓝藻生长率G(t)预测值代入到蓝藻生长非线性动力学时序模型中，根据龙格库塔算法对叶绿素a浓度、氮、磷营养盐浓度预测的计算公式，即实现对蓝藻生长非线性动力学时序模型的预测；步骤四、蓝藻水华暴发非线性动力学条件确定；将蓝藻生长率视为时变参数，首先采用分岔理论确定蓝藻生长非线性动力学时序模型的分岔集和分岔点，再采用中心流形方法对蓝藻生长非线性动力学时序模型降维得到约化方程，结合临界局部稳定性和分岔的类型，确定蓝藻水华暴发的临界点，并且提出了临界点满足的公式条件；当蓝藻生长率在(0，G1)范围内，蓝藻生长时变系统是稳定的，即在(0，G0)时，蓝藻生长时变系统会稳定在第一个平衡点，当蓝藻生长率处于(G0，G1)时，蓝藻生长时变系统会稳定在第二个平衡点；当生长率大于G1时，蓝藻生长时变系统不稳定，发生蓝藻水华暴发行为；步骤五、蓝藻水华暴发预警；蓝藻水华暴发风险的条件公式是：G(t)＝GT(T(t))·GI(I(t))＞G1(18)当预测的蓝藻生物量大于实际水环境的水华灾害点阈值caT时，即满足条件：ca(t+1)＝ca(t)+h×(q1+2q2+2q3+q4)/6＞caT(19)表示发生水华暴发行为，根据预测到的蓝藻水华发生时刻，提前为蓝藻水华暴发行为预警。2.根据权利要求1所述的基于非线性动力学时序模型的蓝藻水华预测方法，其特征在于：步骤三中所述的定常参数优化率定，具体步骤为：(1)设定初始化条件及初始化种群个体；确定个体数目、最大遗传代数、待优化参数个数、代沟、适应度阈值；采用多参数级联浮点数编码；随机产生若干种不同的参数组合作为初始种群，构成待优化参数空间；(2)适应度值评价：种群在进化过程中，通过适应度值来评价个体的优劣，建立适应度函数：其中，F为适应度值，n为采集水环境数据的总天数；cat为叶绿素a在t时刻的叶绿素a浓度真实值，ca(t)为叶绿素a在t时刻的叶绿素a浓度函数值；Nt为营养盐在t时刻的总氮浓度真实值，N(t)为营养盐在t时刻的总氮浓度函数值；Pt为营养盐在t时刻的总磷浓度真实值，P(t)为营养盐在t时刻的总磷浓度函数值；采用数值算法中的4阶龙格库塔算法，则ca(t)和N(t)的数值积分表达分别为：其中，参数qi，i＝1,2,3,4，具体表达式如下：q1＝f1(ca(t),N(t),P(t))q2＝f1(ca(t)+q1×h/2,N(t)+q1×h/2,P(t)+q1×h/2)q3＝f1(ca(t)+q2×h/2,N(t)+q2×h/2,P(t)+q2×h/2)q4＝f1(ca(t)+q3×h,N(t)+q3×h,P(t)+q3×h)f1(x,y,z)＝T1x+Gg(y)g(z)x其中，h为步长，T1是藻类的环境损失率，g(y)、g(z)分别与g(N)、g(P)的函数形式相同，x,y,z为函数f1(x,y,z)的自变量；同理，参数ri，i＝1,2,3,4，具体表达式如下：r1＝f2(ca(t),N(t),P(t))r2＝f2(ca(t)+r1×h/2,N(t)+r1×h/2,P(t)+r1×h/2)r3＝f2(ca(t)+r2×h/2,N(t)+r2×h/2,P(t)+r2×h/2)r4＝f2(ca(t)+r3×h,N(t)+r3×h,P(t)+r3×h)f2(x,y,z)＝T2(N0-y)-gNg(y)g(z)ca+dNx参数si，i＝1,2,3,4，具体表达式如下：s1＝f3(ca(t),N(t),P(t))s2＝f3(ca(t)+s1×h/2,N(t)+s1×h/2,P(t)+s1×h/2)s3＝f3(ca(t)+s2×h/2,N(t)+s2×h/2,P(t)+s2×h/2)s4＝f3(ca(t)+s3×h,N(t)+s3×h,P(t)+s3×h)f3(x,y,z)＝T3(P0-z)-gPg(y)g(z)ca+dPx根据数值方法计算获得各个时刻叶绿素a、氮、磷浓度值，将得到的叶绿素a、氮、磷浓度值与实际监测的叶绿素a、氮、磷浓度真实值代入适应度函数公式(6)中，获得种群各个个体的适应度值F；(3)选择、交叉、变异、重插入运算；(4)遗传算法终止：根据个体的适应度值不断重复第(2)、(3)步形成新个体，终止条件是重复次数达到最大的遗传代数或参数组合的最小适应度值小于或等于适应度阈值；取达到终止条件时...

【专利技术属性】
技术研发人员：王立，王小艺，许继平，金学波，张慧妍，于家斌，孙茜，苏婷立，高崇，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：北京,11