高温时段湖泊水体二甲基异莰醇预测方法技术

本发明专利技术公开了一种高温时段湖泊水体二甲基异莰醇预测方法，涉及水质质量预警技术领域，根据历史2‑

【技术实现步骤摘要】
高温时段湖泊水体二甲基异莰醇预测方法


[0001]本专利技术涉及高温时段湖泊水体二甲基异莰醇预测方法，属于水质质量预警

。

技术介绍

[0002]湖泊是重要的地表水承载体及饮用水资源库
。
近年来，湖泊水体富营养化引起的蓝藻水华暴发导致了一系列水质问题，引起国内外学者的广泛关注
。
高温时段
(5
‑9月
)
蓝藻水华的出现不仅降低水体水质影响城市供水，而且该时段丝状蓝藻常呈高发态势，产生的以2‑
甲基异莰醇
(2
‑
methylisoborneol
，2‑
MIB)
为主的嗅味物质，严重威胁水生态安全和水资源质量
。2
‑
MIB
是一种土霉味的萜类化合物，嗅味阈值较低
(<10ng/L)
且传统水处理工艺难以去除，它不仅使水体带上难闻的异味增加水厂处理成本，还会富集在鱼类等水产品中影响其使用价值
。
[0003]湖泊水体2‑
MIB
主要归功于丝状蓝藻的生长代谢，如假鱼腥藻
、
颤藻
、
拟浮丝藻和束丝藻等，不同地区2‑
MIB
来源有所不同，有必要寻找目标区域2‑
MIB
的主要生产者，以从源头上防控湖泊水体嗅味问题
。
同时，2‑
MIB
产嗅蓝藻的生长和嗅味的产生受水文气象和营养盐等众多环境因子影响
。
但从已有研究结果可以看出，影响2‑
MIB
的环境因子众多，且不同环境条件下2‑
MIB
的主导因素存在较大差异
。
[0004]目前，国内尚无针对高温时段湖泊2‑
MIB
预测预报方法，给湖泊水源地取水安全带来一定挑战
。

技术实现思路

[0005]为了解决上述存在的问题，本专利技术公开了高温时段湖泊水体二甲基异莰醇预测方法，其具体技术方案如下：
[0006]高温时段湖泊水体二甲基异莰醇预测方法，包括如下步骤：
[0007]步骤1：目标水层确定
[0008]现场采集不同水层2‑
MIB
样品，室内检测，对比分析不同水层2‑
MIB
浓度，以判别水体中2‑
MIB
浓度是否分层，若水体分层，将2‑
MIB
浓度最高的水层进入步骤2；
[0009]步骤2：目标水层水环境因子检测
[0010]现场测定目标水层水温
、
溶解氧
、
酸碱度的数据，现场采集目标水层水质
、
浮游植物
、2
‑
MIB
样品，实验室内检测分析不同形态氮磷
、
浮游植物种类组成
、2
‑
MIB
浓度数据；
[0011]步骤3：水文气象因子数据收集整理
[0012]在气象网站收集目标水体附近区域降雨
、
蒸发
、
湿度
、
光照强度
、
风速风向
、
气压的逐小时水文气象因子数据，具体包括5月至
10
月的数据，根据逐小时水文气象因子数据计算得到前一日
、
当日平均或不同时段的水文气象因子数据；
[0013]步骤4：2‑
MIB
产嗅蓝藻确定
[0014]通过
qPCR
技术检测水样中的
mic
基因拷贝数，通过高通量测序技术检测水样中具
有
mic
基因的不同产嗅蓝藻种类及占比，将
mic
基因拷贝数和高通量测序得出的2‑
MIB
不同产嗅蓝藻占比相乘得到不同2‑
MIB
产嗅蓝藻的
mic
基因拷贝数，并将其与目标水层2‑
MIB
浓度进行皮尔逊相关性分析，得到目标水层2‑
MIB
产嗅蓝藻种类；
[0015]步骤5：产嗅蓝藻关键影响因子确定
[0016]通过皮尔逊相关性分析，统计步骤2中的水环境因子及步骤3中的水文气象因子与2‑
MIB
产嗅蓝藻生物量之间的相关性，选取相关系数大于
0.5
的指标进入主成分分析，通过主成分分析，识别出对2‑
MIB
产嗅蓝藻贡献量最大的环境因子；
[0017]步骤6：2‑
MIB
预测模型构建
[0018]从步骤5识别出的对2‑
MIB
产嗅蓝藻贡献量最大的环境因子中选取与产嗅蓝藻生长关系最为密切的因子，用于构建预测预报模型，选取温度
(Temperature
，
T
，单位：
℃)、
风速
(Wind speed
，
S
，单位：
m/s)
和光照强度
(Intensity of illumination
，
I
，单位：
W/m2)3
个相关指标作为自变量，2‑
MIB
浓度作为因变量，采用多元线性回归方法构建预测模型，预测模型的方程式为：
[0019]lg(2
‑
MIB)
＝
A
×
T
‑
B
×
S
‑
C
×
lg(I)+D
[0020]其中，
T
为温度指标，
S
为风速指标，
I
为光照强度指标，
A、B、C
依次为
T、S、I
的权重因数，
D
为常数项，模型构建过程中会自动给出
A、B、C、D
数值，同时，为消除2‑
MIB
浓度与光照强度波动范围较大对模型预测精度产生的影响，可对2‑
MIB
浓度和光照强度数据进行对数处理，以进一步提升模型预测精度；
[0021]步骤7：预测模型准确度判别
[0022]将预测模型计算得到的2‑
MIB
浓度数值与实际监测值作图对比分析，通过折线图判别预测模型计算得到的2‑
MIB
浓度数值与实际监测值不一致的区间，并开展针对性复盘分析，优化参与构建2‑
MIB
预测模型的指标，以进一步提升模型精度；
[0023]步骤8：目标水层2‑
MIB
高风险期阈值界定
[0024]对因变量的对数转换减少了2‑
MIB
浓度波动范围对预测准确度的影响，但也降低了预测模型对异常峰值的预测精度，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
高温时段湖泊水体二甲基异莰醇预测方法，其特征在于，包括如下步骤：步骤1：目标水层确定现场采集不同水层2‑
MIB
样品，室内检测，对比分析不同水层2‑
MIB
浓度，以判别水体中2‑
MIB
浓度是否分层，若水体分层，将2‑
MIB
浓度最高的水层进入步骤2；步骤2：目标水层水环境因子检测现场测定目标水层水温
、
溶解氧
、
酸碱度的数据，现场采集目标水层水质
、
浮游植物
、2
‑
MIB
样品，实验室内检测分析不同形态氮磷
、
浮游植物种类组成
、2
‑
MIB
浓度数据；步骤3：水文气象因子数据收集整理在气象网站收集目标水体附近区域降雨
、
蒸发
、
湿度
、
光照强度
、
风速风向
、
气压的逐小时水文气象因子数据，具体包括5月至
10
月的数据，根据逐小时水文气象因子数据计算得到前一日
、
当日平均或不同时段的水文气象因子数据；步骤4：2‑
MIB
产嗅蓝藻确定通过
qPCR
技术检测水样中的
mic
基因拷贝数，通过高通量测序技术检测水样中具有
mic
基因的不同产嗅蓝藻种类及占比，将
mic
基因拷贝数和高通量测序得出的2‑
MIB
不同产嗅蓝藻占比相乘得到不同2‑
MIB
产嗅蓝藻的
mic
基因拷贝数，并将其与目标水层2‑
MIB
浓度进行皮尔逊相关性分析，得到目标水层2‑
MIB
产嗅蓝藻种类；步骤5：产嗅蓝藻关键影响因子确定通过皮尔逊相关性分析，统计步骤2中的水环境因子及步骤3中的水文气象因子与2‑
MIB
产嗅蓝藻生物量之间的相关性，选取相关系数大于
0.5
的指标进入主成分分析，通过主成分分析，识别出对2‑
MIB
产嗅蓝藻贡献量最大的环境因子；步骤6：2‑
MIB
预测模型构建从步骤5识别出的对2‑
MIB
产嗅蓝藻贡献量最大的环境因子中选取与产嗅蓝藻生长关系最为密切的因子，用于构建预测预报模型，选取温度
(Temperature
，
T
，单位：
℃)、
风速
(Wind speed
，
S
，单位：
m/s)
和光照强度
(Intensity of illumination
，
I
，单位：
W/m2)3
个相关指标作为自变量，2‑
MIB
浓度作为因变量，采用多元线性回归方法构建预测模型，预测模型的方程式为：
lg(2
‑
MIB)
＝
A
×
T
‑
B
×
S
‑
C
×
lg(I)+D
其中，
T
为温度指标，
S
...

【专利技术属性】
技术研发人员：吴东浩，李涛，石亚东，沈爱春，吴晓涵，
申请(专利权)人：太湖流域水文水资源监测中心太湖流域水环境监测中心，
类型：发明
国别省市：