基于無線傳感器網(wǎng)絡(luò)與GIS的藍(lán)藻水華爆發(fā)動(dòng)態(tài)監(jiān)測與模擬

楊 昆，羅 毅,3，徐玉妃，商春雪，楊 揚(yáng)

?

基于無線傳感器網(wǎng)絡(luò)與GIS的藍(lán)藻水華爆發(fā)動(dòng)態(tài)監(jiān)測與模擬

楊 昆1,2，羅 毅1,2,3※，徐玉妃1,2，商春雪4，楊 揚(yáng)1,2

（1. 云南師范大學(xué)信息學(xué)院，昆明 650500；2. 西部資源環(huán)境地理信息技術(shù)教育部工程研究中心，昆明 650500；3. 云南師范大學(xué)旅游與地理科學(xué)學(xué)院，昆明 650500；4. 云南師范大學(xué)教務(wù)處，昆明 650500）

準(zhǔn)確獲取水體中物質(zhì)含量與分布區(qū)域是開展藍(lán)藻水華爆發(fā)預(yù)防、預(yù)測、預(yù)警工作的基礎(chǔ)。針對內(nèi)陸湖泊藍(lán)藻水華爆發(fā)突發(fā)性、隨機(jī)性、區(qū)域性等特點(diǎn)，研究了一種基于無線傳感器網(wǎng)絡(luò)（wireless sensors networks，WSNs）及地理信息系統(tǒng)（Geographic Information System，GIS）相結(jié)合的藍(lán)藻水華爆發(fā)動(dòng)態(tài)監(jiān)測與模擬方法。利用水質(zhì)傳感器組成多源異構(gòu)水環(huán)境感知單元，獲取湖泊水質(zhì)數(shù)據(jù)；將改進(jìn)的灰色理論（A Grey Model，AGM）及BP人工神經(jīng)網(wǎng)絡(luò)（BP Artificial Neural Network，BPANN）相結(jié)合，從而預(yù)測24 h內(nèi)藍(lán)藻水華的濃度與趨勢；結(jié)合GIS強(qiáng)大的空間分析能力，實(shí)現(xiàn)藍(lán)藻水華變化的空間描述。滇池現(xiàn)場試驗(yàn)結(jié)果表明，該方法具有一定的普適性，能夠?yàn)楹喘h(huán)境保護(hù)與治理提供理論依據(jù)及數(shù)據(jù)支持。

污染；無線傳感器網(wǎng)絡(luò)；地理信息系統(tǒng)；灰色理論；人工神經(jīng)網(wǎng)絡(luò)

0 引 言

隨著中國城鎮(zhèn)化的快速推進(jìn)、人類活動(dòng)的不斷擴(kuò)張、全球氣候變暖，內(nèi)陸湖泊水污染問題變得越來越嚴(yán)重和復(fù)雜，富營養(yǎng)化越來越嚴(yán)重，形成以點(diǎn)源污染與非點(diǎn)源污染、內(nèi)源污染與外源污染相結(jié)合的趨勢，湖泊流域生態(tài)系統(tǒng)遭到了嚴(yán)重的破壞，藍(lán)藻水華爆發(fā)日趨頻繁，阻礙了流域社會(huì)經(jīng)濟(jì)可持續(xù)發(fā)展[1-2]。湖泊水體富營養(yǎng)化已不是完全的自然過程的結(jié)果，而是人文過程與自然過程相互作用、相互影響后的綜合結(jié)果。

水質(zhì)監(jiān)測是水資源保護(hù)與治理的“眼睛”，是預(yù)測藍(lán)藻水華爆發(fā)與強(qiáng)度評估的基礎(chǔ)。隨著科技的不斷進(jìn)步，湖泊水質(zhì)監(jiān)測手段和監(jiān)測內(nèi)容在不斷地豐富，同時(shí)，監(jiān)測精度也在不斷地提高[3-4]。目前，內(nèi)陸湖泊水質(zhì)監(jiān)測手段可大致分為間接監(jiān)測與直接監(jiān)測2種。具有代表性的間接監(jiān)測方法為基于遙感（remote sensing，RS）技術(shù)的水質(zhì)監(jiān)測，由于其具有宏觀性、時(shí)效性、經(jīng)濟(jì)性等特點(diǎn)，成為了湖泊研究強(qiáng)有力的技術(shù)手段，并已從最初的水域識(shí)別逐漸發(fā)展到水質(zhì)監(jiān)測與預(yù)測。隨著遙感技術(shù)研究的不斷深入，逐漸從水質(zhì)定性研究發(fā)展到了定量分析，可監(jiān)測的水質(zhì)參數(shù)種類也在不斷增加，包括葉綠素濃度、懸浮物濃度、總氮、總磷等，其精度也隨著遙感傳感器的發(fā)展不斷提高，國內(nèi)外學(xué)者在該領(lǐng)域的研究取得了大量的研究成果，以衛(wèi)星遙感為技術(shù)手段的區(qū)域性、整體性湖泊水質(zhì)監(jiān)測、富營養(yǎng)化評估已趨于成熟，能夠從長時(shí)間序列、全空間角度了解湖泊水質(zhì)狀況及富營養(yǎng)變化趨勢[5-7]，但該方法仍存在以下幾個(gè)問題：

1）遙感影像數(shù)據(jù)需結(jié)合原位水質(zhì)數(shù)據(jù)及相應(yīng)的反演算法才能夠?qū)崿F(xiàn)水質(zhì)監(jiān)測與藍(lán)藻水華預(yù)警，并且衛(wèi)星遙感影像數(shù)據(jù)更新周期相對較長；

2）水質(zhì)參數(shù)反演精度受環(huán)境條件限制，結(jié)果波動(dòng)較大；很多水質(zhì)參數(shù)隨時(shí)間改變現(xiàn)象嚴(yán)重，無法準(zhǔn)確獲取湖泊中造成水質(zhì)惡化、富營養(yǎng)化主要因子；

3）大量研究結(jié)果表明，湖泊藍(lán)藻水華爆發(fā)主要跟水質(zhì)參數(shù)濃度（如葉綠素、溶解氧、酸堿度、濁度等）及氣象條件（氣溫、光照、風(fēng)速風(fēng)向、降雨等）有關(guān)[8-9]，雖然通過遙感監(jiān)測手段能夠獲取湖泊水質(zhì)參數(shù)分布情況，但難以得到湖泊周邊氣象環(huán)境參數(shù)（如風(fēng)速風(fēng)向、光照等）。

隨著傳感器、無線通信、微機(jī)電等技術(shù)的發(fā)展，無線傳感器網(wǎng)絡(luò)日趨成熟，監(jiān)測節(jié)點(diǎn)具有低成本、低功耗、自組網(wǎng)等特點(diǎn)[10-14]，使得在湖泊中大面積、長期布置無人值守的監(jiān)測網(wǎng)絡(luò)成為可能[15]。無線傳感器網(wǎng)絡(luò)作為“地球觀測系統(tǒng)”的一個(gè)近地組成部分，近年來得到了廣泛共識(shí)，國際上已經(jīng)把無線傳感器網(wǎng)絡(luò)作為環(huán)境遙感領(lǐng)域未來發(fā)展的一個(gè)重要組成部分。國內(nèi)學(xué)者以無線傳感器網(wǎng)作為監(jiān)測手段在不同領(lǐng)域（農(nóng)業(yè)信息獲取、大氣環(huán)境監(jiān)測、水質(zhì)環(huán)境監(jiān)測、土壤環(huán)境監(jiān)測、礦山環(huán)境監(jiān)測、地質(zhì)災(zāi)害監(jiān)測等）開展了大量研究工作[16-19]。以原位傳感器為監(jiān)測手段，結(jié)合無線傳感器網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)內(nèi)陸湖泊水質(zhì)高密度、高精度連續(xù)觀測，獲取流域生態(tài)過程的時(shí)空變化特征越來越被重視。該方法可同時(shí)監(jiān)測湖泊水質(zhì)因子及湖泊周邊環(huán)境因子，為研究影響湖泊水質(zhì)的內(nèi)因與外因的相互作用過程及機(jī)理提供可靠的數(shù)據(jù)支持。

滇池是中國第六大淡水湖，也是云南省最大的高原湖泊，有著獨(dú)特的區(qū)域位置與生態(tài)服務(wù)功能，是昆明市人文環(huán)境發(fā)展與自然環(huán)境發(fā)展的重要載體。但是近30a以來，滇池水質(zhì)由20世紀(jì)60年代的II類水變?yōu)榱肆覸類，是中國污染最嚴(yán)重的湖泊之一。針對這一問題，昆明市已構(gòu)建了國內(nèi)首個(gè)大型湖泊四層次（片區(qū)截污、集鎮(zhèn)與村莊截污、河道截污、干渠截污）全流域環(huán)湖截污治污工程，滇池流域工業(yè)廢水和城市生活污水等點(diǎn)源污染得到了有效控制，但流域周邊花卉及蔬菜種植占耕地面積比例仍處于較高水平，非點(diǎn)源污染控制效果不明顯，目前非點(diǎn)源污染對滇池的氮磷貢獻(xiàn)率已接近流域污染負(fù)荷入湖量的一半，非點(diǎn)源污染已經(jīng)取代點(diǎn)源污染成為水環(huán)境污染的最重要來源，其負(fù)荷比重在逐步上升[20-21]。

為此，本文選取滇池為試驗(yàn)區(qū)，探索高速城鎮(zhèn)化背景下，點(diǎn)源污染及非點(diǎn)源污染共同作用下的城市型湖泊水環(huán)境監(jiān)測與藍(lán)藻水華爆發(fā)預(yù)測理論與方法，其研究方法具有普適性，研究區(qū)具有代表性。

綜上所述，本研究以多源異構(gòu)水環(huán)境傳感器陣列為檢測手段，以AGM及BPANN為理論依據(jù)，以GIS作為空間分析平臺(tái)，實(shí)現(xiàn)宏觀與微觀、內(nèi)部環(huán)境與外部環(huán)境相結(jié)合的湖泊藍(lán)藻水華監(jiān)測與時(shí)空過程模擬。

1 模型參數(shù)選取及評價(jià)標(biāo)準(zhǔn)

1.1 參數(shù)選取

正確、合理地選擇監(jiān)測指標(biāo)是準(zhǔn)確、快速預(yù)測藍(lán)藻水華爆發(fā)區(qū)域及趨勢的基礎(chǔ)。與湖泊富營養(yǎng)化相關(guān)的指標(biāo)種類繁多，根據(jù)類型可劃分為物理、化學(xué)、生物3種指標(biāo)。物理指標(biāo)中對藍(lán)藻水華爆發(fā)作用最明顯的指標(biāo)主要有透明度、光照、溫度、風(fēng)速、風(fēng)向等；化學(xué)指標(biāo)主要是指為藻類生長提供能量的營養(yǎng)鹽，如總氮、總磷、化學(xué)需氧量、溶解氧等；生物指標(biāo)是指由于富營養(yǎng)化而出現(xiàn)的優(yōu)勢藻類生物種類及數(shù)量，如葉綠素a、藻類密度等。由于藍(lán)藻水華的爆發(fā)是多種因素、多種條件相互作用導(dǎo)致藻類大量繁殖和富集，其爆發(fā)是偶然中的必然結(jié)果，不能從某一個(gè)或幾個(gè)指標(biāo)來預(yù)測富營養(yǎng)化程度和趨勢。但是，將所有與藍(lán)藻水華爆發(fā)相關(guān)的指標(biāo)都作為預(yù)測模型的輸入是不現(xiàn)實(shí)的。一方面，過多的輸入變量會(huì)減慢算法收斂速度，并伴隨大量噪聲的產(chǎn)生，影響預(yù)測速度，降低預(yù)測精度；另一方面，某些指標(biāo)是無法利用原位傳感器獲取的，如總氮、總磷、化學(xué)需氧量、藻類密度、高錳酸鹽濃度等，只能通過取水樣后在特定的試驗(yàn)條件下獲得，不適用于實(shí)時(shí)性要求較高的場合。

根據(jù)云南省環(huán)境監(jiān)測中心站提供的2014年環(huán)境狀況公報(bào)顯示，滇池草海及外海水質(zhì)類別均為劣V類，滇池草海與滇池外海的化學(xué)需氧量年平均值分別為58、71 mg/L，總磷年平均值分別為0.22、0.13 mg/L，總氮年平均值分別為0.85、0.73 mg/L，高錳酸鹽年平均值分別約為9.8、9.6 mg/L，年平均營養(yǎng)狀態(tài)指數(shù)分別為72、65。參考國家環(huán)境保護(hù)總局頒布的《地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)》關(guān)于水環(huán)境質(zhì)量標(biāo)準(zhǔn)限制可知，滇池草海屬于重度富營養(yǎng)狀態(tài)，滇池外海屬于中度富營養(yǎng)狀態(tài)，此種狀態(tài)短期內(nèi)不會(huì)改變，其化學(xué)需氧量、總氮、總磷、高錳酸鹽濃度變化幅度不大，而且由于滇池水體長期處于高營養(yǎng)鹽水平，對藍(lán)藻水華生長在短期內(nèi)沒有顯著影響。上述結(jié)果也表明滇池流域非點(diǎn)源污染對滇池水環(huán)境的影響仍較嚴(yán)重。

本文選取了與富營養(yǎng)化相關(guān)性較高的總氮（total nitrogen，TN）、總磷（total phosphorus，TP）、化學(xué)需氧量（chemical oxygen demand，COD）、高錳酸鹽指數(shù)（permanganate index，PI）、葉綠素a（chlorophyll a, Chla）、溶解氧（dissolved oxygen，DO）、濁度（turbility，TUR）、酸堿度（pH）、水溫、光照、風(fēng)速、風(fēng)向、降雨13個(gè)參數(shù)作為模型的輸入，其中總氮、總磷、化學(xué)需氧量、高錳酸鹽指數(shù)4個(gè)參數(shù)采用云南省環(huán)境監(jiān)測中心公布的數(shù)據(jù)；葉綠素a、溶解氧、濁度、酸堿度、水溫5個(gè)參數(shù)通過原位傳感器獲?。还庹?、風(fēng)速、風(fēng)向、降雨4個(gè)參數(shù)采用云南省氣象局官方發(fā)布的氣象數(shù)據(jù)。

1.2 藍(lán)藻水華爆發(fā)評價(jià)標(biāo)準(zhǔn)

李穎等[22]采用藍(lán)藻密度指標(biāo)對滇池藍(lán)藻水華程度分5級進(jìn)行評價(jià)；劉聚濤等[23]以藍(lán)藻漂浮帶面積作為太湖藍(lán)藻水華分級依據(jù)，并將其劃分為小型、中型、大型、重大、特大共5個(gè)級別；陳淑紅等[24]通過監(jiān)測湖泊中魚類運(yùn)動(dòng)特征，選取曲率及鄰近特征2個(gè)參數(shù)評價(jià)水質(zhì)情況；孔繁翔等[25]選取了與氣象、水質(zhì)、水文相關(guān)的10個(gè)參數(shù)作為評價(jià)依據(jù)，采用葉綠素a作為藍(lán)藻水華程度的一致性描述。

由于湖泊處于富營養(yǎng)化狀態(tài)后，水體中優(yōu)勢生物種類和數(shù)量會(huì)急劇增加，根據(jù)浮游藻類優(yōu)勢種群的變化可以評價(jià)湖泊富營養(yǎng)化程度。葉綠素a濃度可以綜合反映水體中藻類數(shù)量多寡，分析和預(yù)測葉綠素a的變化情況，能夠掌握湖泊中浮游植物生物量狀況及變化趨勢。研究結(jié)果表明[26-27]，當(dāng)水體中葉綠素a的濃度大于10g/L時(shí)，容易形成水華，但藍(lán)藻水華是否會(huì)爆發(fā)還與氣溫、光照、風(fēng)速風(fēng)向、湖泊形態(tài)特征（如深度、面積、換水周期等）有關(guān)。研究發(fā)現(xiàn)[28]，滇池水體葉綠素a年平均濃度在50g/L左右，結(jié)合歷年滇池藍(lán)藻水華爆發(fā)時(shí)葉綠素a濃度數(shù)據(jù)，當(dāng)葉綠素a濃度大于60g/L時(shí)，認(rèn)為藍(lán)藻水華有可能爆發(fā)。本文采用葉綠素a、總氮、總磷等13個(gè)指標(biāo)作為模型輸入，預(yù)測未來24 h內(nèi)湖泊葉綠素a含量，從而對藍(lán)藻水華濃度與分布進(jìn)行一致性評價(jià)。

2 算法分析

由于湖泊體系是一個(gè)多層次、多因素、多目標(biāo)的復(fù)雜系統(tǒng)，藍(lán)藻水華更是具有明顯的層次復(fù)雜性、動(dòng)態(tài)變化的隨時(shí)性、指標(biāo)數(shù)據(jù)的不完全性和不確定性等特點(diǎn)，表明湖泊藍(lán)藻水華預(yù)測是典型的灰色系統(tǒng)。另外，藍(lán)藻水華的暴發(fā)存在較大地區(qū)性差異，是外界環(huán)境因素及水體內(nèi)部環(huán)境因素相互作用的結(jié)果，表明藍(lán)藻水華爆發(fā)預(yù)測是一個(gè)非線性問題。由于人工智能神經(jīng)網(wǎng)絡(luò)能夠較好地模擬非線性過程，非常適用于機(jī)理不明確的高維非線性系統(tǒng)。

為此，本文將改進(jìn)的灰色理論與BP人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，建立了AGM-BP人工神經(jīng)網(wǎng)絡(luò)模型（AGM-BPANN），充分考慮外界環(huán)境因素（降雨、風(fēng)速、風(fēng)向）及水體內(nèi)部環(huán)境因素（總氮、總磷、化學(xué)需氧量、高錳酸鹽、葉綠素、溶解氧、pH值、水溫），從而預(yù)測一定時(shí)間尺度條件下湖泊藍(lán)藻水華變化規(guī)律。圖1為AGM-BPANN模型結(jié)構(gòu)框圖。

2.1 改進(jìn)的灰色理論算法

AGM(1,1)是灰色預(yù)測的核心，它是由GM(1,1)模型演變而來。GM(1,1)是一個(gè)單變量預(yù)測的一階微分方程模型，其離散時(shí)間響應(yīng)函數(shù)呈近似指數(shù)規(guī)律。建模過程如下：假定原始水質(zhì)數(shù)據(jù)序列為(0)={(0)(1)，(0)(2)，…，(0)()}，將該序列進(jìn)行累加，得到累加生成序列(1)()，即

得到新序列(1)={(1)(1)，(1)(2)，…，(1)()}，建立該序列的微分方程為

（2）

將式（2）用離散形式表示，得到

式中為待辨識(shí)參數(shù)，亦稱發(fā)展系統(tǒng)；為待辨識(shí)內(nèi)生變量，亦稱灰作用量。假設(shè)待估參量為

（4）

其中

（5）

由于，為已知參數(shù)，為未知參數(shù)，方程個(gè)數(shù)為-1個(gè)，故方程有解。s為常量e，采用最小二乘法計(jì)算矩陣的參數(shù)。將計(jì)算結(jié)果帶入式（2），可得到累加時(shí)間數(shù)列GM(1,1)預(yù)測模型如式6所示

（7）

綜上所述，傳統(tǒng)的GM(1,1)模型在建模過程中包含“累加”和“還原”2步，由于這2步在降低數(shù)據(jù)隨機(jī)性的處理過程中會(huì)產(chǎn)生誤差，所以傳統(tǒng)的灰色預(yù)測模型GM(1,1)是一種有偏差的指數(shù)模型，故實(shí)際應(yīng)用中不能得到良好的預(yù)測效果。

而AGM(1,1)是一種無偏差的預(yù)測模型，取消了“還原”過程，故減小了建模過程中產(chǎn)生的誤差。根據(jù)式（4），使用傳統(tǒng)GM(1,1)模型參數(shù)，來表示AGM(1,1)模型參數(shù)和的估計(jì)，可用式（8）表示。

即可建立基于AGM(1,1)的擬合公式

（9）

2.2 BP人工神經(jīng)網(wǎng)絡(luò)算法

BP人工神經(jīng)網(wǎng)絡(luò)主要包括輸入層、隱含層、輸出層3個(gè)部分，其網(wǎng)絡(luò)結(jié)構(gòu)描述如圖2a所示。輸入層將水質(zhì)相關(guān)信息接入到算法中，根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)把數(shù)據(jù)以一定的方式傳遞到下一層；隱含層通常包括一個(gè)以上的網(wǎng)絡(luò)層數(shù)，每一層有一定數(shù)量的網(wǎng)絡(luò)節(jié)點(diǎn)，從而形成網(wǎng)絡(luò)體系。隱含層常用的激活函數(shù)()（即圖2a中的1）為Sigmoid函數(shù)或雙曲正切函數(shù)，其表達(dá)式可通過式（10）、（11）表示。

注：代表輸入矢量緯數(shù)，代表閾值，代表神經(jīng)元的權(quán)值矢量，代表輸入信號(hào)，S代表隱層神經(jīng)元的個(gè)數(shù)，S代表輸出層神經(jīng)元的個(gè)數(shù)，1代表隱層神經(jīng)元的輸出矢量，2代表輸出層神經(jīng)元的輸出矢量，代表神經(jīng)元從輸入層到隱層權(quán)重的修正系數(shù)，代表神經(jīng)元從隱層到輸出層權(quán)重的修正系數(shù)。

Note:represents input vector weft number;represents threshold;represents weight vector of neurons;represents input signal; Srepresents number of neurons in hidden layer; Srepresents number of neurons in output layer;1represents output vector of neurons in hidden layer;2represents output vector of neurons in output layer,represents modified weights coefficient of neurons from input layer to hidden layer,represents modified weights coefficient of neurons from hidden layer to output layer.

a. 算法矩陣描述

a. Description of algorithm matrix

Sigmoid:（10）

雙曲正切：（11）

輸出層將輸入網(wǎng)絡(luò)的信息進(jìn)行計(jì)算后輸出結(jié)果，當(dāng)算法用于函數(shù)逼近時(shí)，通常選取線性函數(shù)（如()=+）作為激活函數(shù)（即圖2a中的2）。

假設(shè)O為輸出節(jié)點(diǎn)，H為隱含層節(jié)點(diǎn)，I為輸入節(jié)點(diǎn)，W為層到層間的權(quán)重，V為第層與輸出層間的權(quán)重，為節(jié)點(diǎn)的閾值，每個(gè)隱含層節(jié)點(diǎn)的輸出可用式（12）表示。

那么輸出節(jié)點(diǎn)O可用式13表示。

（13）

BP人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程分為正向傳播和反向傳播2個(gè)過程。網(wǎng)絡(luò)學(xué)習(xí)流程如圖3所示。通過正向傳播，得到網(wǎng)絡(luò)輸出，若實(shí)際輸出與期望輸出之間有偏差，那么將計(jì)算得到的誤差按連接通路返回，然后再重新進(jìn)行正向傳播。根據(jù)輸出結(jié)果，適當(dāng)調(diào)整網(wǎng)絡(luò)權(quán)值與閾值，從而減小誤差，當(dāng)誤差達(dá)到所期望的要求時(shí)，完成網(wǎng)絡(luò)學(xué)習(xí)過程。

2.3 基于AGM及BPANN的藍(lán)藻水華預(yù)測方法

湖泊的富營養(yǎng)化是由水體的物理、化學(xué)和生物過程等多種因素共同作用的結(jié)果，也是自然因素與人文因素相互作用的結(jié)果。一方面，由于湖泊系統(tǒng)演化的不確定性強(qiáng)，規(guī)律不明確，其狀態(tài)、結(jié)構(gòu)、邊界關(guān)系難以精確描述。灰色理論能夠根據(jù)過去已知或不確切的信息和特征對原始數(shù)據(jù)進(jìn)行累加或累減建立灰色模型，運(yùn)用時(shí)間序列數(shù)據(jù)確定微分方程的參量，逐步使灰量白化。另一方面，湖泊系統(tǒng)各要素之間關(guān)系復(fù)雜，存在隨機(jī)性、不確定性，呈復(fù)雜的非線性映射關(guān)系。人工神經(jīng)網(wǎng)絡(luò)在解決不完全、不可靠和不確定的知識(shí)和信息轉(zhuǎn)變?yōu)橥耆?、可靠和確定的知識(shí)和信息具有較大的優(yōu)勢，尤其適用于求解機(jī)理不明確的高維非線性問題。圖4為AGM-BPANN組合算法流程圖。

3 試驗(yàn)設(shè)計(jì)

3.1 系統(tǒng)架構(gòu)設(shè)計(jì)

由于系統(tǒng)主要是為了實(shí)現(xiàn)水質(zhì)相關(guān)信息的獲取、傳遞、融合處理、使用等功能，項(xiàng)目組在前期理論和算法研究[29-31]基礎(chǔ)上，構(gòu)建了監(jiān)測層、數(shù)據(jù)存儲(chǔ)層、模型層、應(yīng)用層4層體系結(jié)構(gòu)，系統(tǒng)構(gòu)架如圖5所示。應(yīng)用層由布設(shè)在滇池水體中的監(jiān)測節(jié)點(diǎn)構(gòu)成，實(shí)現(xiàn)水質(zhì)信息的感知；由于模型中使用到一系列的結(jié)構(gòu)化數(shù)據(jù)/非結(jié)構(gòu)化數(shù)據(jù)、關(guān)系數(shù)據(jù)/非關(guān)系數(shù)據(jù)，故采用MongoDB非關(guān)系型數(shù)據(jù)庫搭建數(shù)據(jù)存儲(chǔ)層，實(shí)現(xiàn)多元異構(gòu)數(shù)據(jù)的管理；在使用模型進(jìn)行預(yù)測和評估之前，需要對模型進(jìn)行訓(xùn)練和優(yōu)化，模型層為經(jīng)過訓(xùn)練和優(yōu)化的模型接口，使用時(shí)直接調(diào)用即可；系統(tǒng)得到的水質(zhì)實(shí)時(shí)數(shù)據(jù)及預(yù)測結(jié)果通過GIS技術(shù)實(shí)現(xiàn)可視化表達(dá)，使用者通過應(yīng)用層實(shí)現(xiàn)人機(jī)交互。

3.2 監(jiān)測節(jié)點(diǎn)設(shè)計(jì)

監(jiān)測節(jié)點(diǎn)硬件可分為環(huán)境感知、傳感信號(hào)變換、數(shù)據(jù)處理與數(shù)據(jù)融合、數(shù)據(jù)交互、系統(tǒng)供電5部分。環(huán)境感知部分主要由一系列水質(zhì)傳感器、氣象傳感器組成，實(shí)現(xiàn)水質(zhì)、氣象信息的獲取，傳感信號(hào)變換部分將傳感器陣列輸出的電信號(hào)經(jīng)過放大、整形、濾波、A/D變換后傳至下一級；數(shù)據(jù)處理與融合部分采用LPC1788作為主控芯片，實(shí)現(xiàn)數(shù)據(jù)的收集、預(yù)處理等功能；數(shù)據(jù)交互部分主要由GPS模塊及GPRS模塊構(gòu)成，前者獲取監(jiān)測區(qū)域的時(shí)空信息，后者實(shí)現(xiàn)監(jiān)測節(jié)點(diǎn)與監(jiān)測中心的數(shù)據(jù)/指令傳輸。圖6為傳感器及監(jiān)測系統(tǒng)。

由于監(jiān)測節(jié)點(diǎn)需布置在湖水中，長期無人值守，無法采用傳統(tǒng)的電線電纜對監(jiān)測節(jié)點(diǎn)進(jìn)行供電，故利用太陽能電池板將光能轉(zhuǎn)化為電能，并將轉(zhuǎn)化的電能存儲(chǔ)到鋰電池中，實(shí)現(xiàn)能量的儲(chǔ)存，從而為監(jiān)測節(jié)點(diǎn)供電。太陽能電池板發(fā)電功率（單位：W）及鋰電池容量（，單位：mA/h）可通過式（14）及式（15）計(jì)算得出。

（15）

式（14）中，為安全系數(shù)；Q為監(jiān)測節(jié)點(diǎn)的日平均耗電量，Ah；為溫度修正系數(shù)；為最長連續(xù)陰雨天數(shù)，d；為放電容量系數(shù)。式15中，Q為監(jiān)測節(jié)點(diǎn)日功耗；H為水平面年平均日輻射量，Wh/m2；為安全系數(shù)。結(jié)合昆明市輻射參數(shù)表及氣象歷史數(shù)據(jù)，將相關(guān)參數(shù)帶入公式計(jì)算得出鋰電池容量≥31Ah，太陽能電池板發(fā)電功率≤35 W，考慮系統(tǒng)需有一定的余量，本設(shè)計(jì)選取12 V/35 Ah鋰電池、40 W太陽能電池板。

3.3 傳感器校準(zhǔn)

3.3.1 葉綠素a傳感器校準(zhǔn)

根據(jù)測試點(diǎn)選取原則及樣本空間大小選取原則，在葉綠素a傳感器監(jiān)測范圍內(nèi)采用化學(xué)方法配備了13種葉綠素a標(biāo)準(zhǔn)溶液，濃度分別為0、0.1、1、10、20、30、40、50、60、70、80、90、100g/L。并采用葉綠素a含量儀對配備的標(biāo)準(zhǔn)液進(jìn)行測定，同時(shí)利用監(jiān)測節(jié)點(diǎn)分別對13個(gè)標(biāo)準(zhǔn)溶液進(jìn)行測定。測試結(jié)果可知，葉綠素a最大測量誤差約0.08g/L，根據(jù)測量誤差對葉綠素a傳感器進(jìn)行校準(zhǔn)。

3.3.2 pH傳感器校準(zhǔn)

由于pH傳感器采用電極法實(shí)現(xiàn)酸堿度測量，在使用之前，必須對pH傳感器進(jìn)行校準(zhǔn)。根據(jù)測試點(diǎn)選取原則及樣本空間大小選取原則，選取了6種pH緩沖液對pH傳感器進(jìn)行測定，分別為pH值4.00、6.86、7.00、9.18、10.01、12.46，得出pH測量誤差分布，pH值最大測量相對誤差約0.12，從而對pH傳感器進(jìn)行校準(zhǔn)。

3.3.3 溶解氧傳感器校準(zhǔn)

根據(jù)溶解氧傳感器的電極特性及工作原理，一般采用標(biāo)準(zhǔn)液對溶解氧傳感器進(jìn)行2點(diǎn)標(biāo)定，即零點(diǎn)校準(zhǔn)及量程校準(zhǔn)。首先將溶解氧傳感器置于0溶解氧溶液，記錄監(jiān)測節(jié)點(diǎn)輸出值；然后再將溶解氧傳感器置于飽和濕空氣中，記錄監(jiān)測節(jié)點(diǎn)輸出值；最后得出其零點(diǎn)誤差及量程誤差后，對傳感器進(jìn)行校準(zhǔn)。經(jīng)過重復(fù)性試驗(yàn)得出溶解氧傳感器零點(diǎn)誤差為±0.2 mg/L，滿量程誤差為±3.4 mg/L。

4 結(jié)果分析

課題組于2015年6月至2015年12月在滇池海埂公園開展了連續(xù)的水質(zhì)監(jiān)測試驗(yàn)，圖7為研究區(qū)概況。監(jiān)測參數(shù)包括葉綠素、溶解氧、pH值、氨氮、溫度，數(shù)據(jù)更新周期為6 h，每天獲取4組數(shù)據(jù)。在導(dǎo)入模型之前對原始數(shù)據(jù)進(jìn)行了預(yù)處理，每種水質(zhì)數(shù)據(jù)以每天4組數(shù)據(jù)的平均值輸入到模型中。經(jīng)過反復(fù)試驗(yàn)驗(yàn)證及模型校準(zhǔn)，綜合考慮氣象預(yù)報(bào)數(shù)據(jù)的精度問題，得出本文提出的AGM-BPANN模型以3 d實(shí)測數(shù)據(jù)預(yù)測未來24 h的水質(zhì)情況及藍(lán)藻水華預(yù)警精度最高。

4.1 基于AGM(1,1)的水質(zhì)預(yù)測結(jié)果分析

首先將2015年6月1日至2015年10月15日的葉綠素、溶解氧、pH值、氨氮、高錳酸鹽指數(shù)、溫度水質(zhì)數(shù)據(jù)導(dǎo)入到AGM模型中，得到實(shí)測數(shù)據(jù)與預(yù)測數(shù)據(jù)曲線如圖8所示。

以相關(guān)系數(shù)及殘差2個(gè)參數(shù)評價(jià)預(yù)測質(zhì)量，若→1且→0，表明模型預(yù)測能力越好，當(dāng)<0.6，表明模型預(yù)測能力差；當(dāng)0.6≤<0.8，表明模型預(yù)測能力合格；當(dāng)0.8≤<0.9，表明模型預(yù)測能力良好；當(dāng)≥0.9，表明模型預(yù)測能力優(yōu)秀；通過計(jì)算得到，Chla=0.86，Chla= 9.74，DO=0.81，DO=1.15，pH=0.88，pH= 0.26，A-N=0.88，A-N=0.40，CODMn=0.86，CODMn=0.19，T=0.84，T=2.03。試驗(yàn)結(jié)果表明，AGM(1,1)模型具備較好的短期水質(zhì)預(yù)測能力，能夠正確、可靠地反映未來24 h的水質(zhì)變化情況。

4.2 基于AGM+BPANN的葉綠素a濃度預(yù)測結(jié)果分析

葉綠素a（Chla）是反映水體中浮游植物生物量的綜合指標(biāo)，是表征水體富營養(yǎng)化現(xiàn)象及程度的最重要的指標(biāo)之一。由于葉綠素a的變化是多種因素疊加的復(fù)合結(jié)果，并且葉綠素a的含量具有一定的傳遞性，即上一時(shí)刻葉綠素a的含量一定程度跟下一時(shí)刻葉綠素a的含量具有關(guān)聯(lián)性，故將葉綠素a、溶解氧、酸堿度、氨氮、高錳酸鹽指數(shù)、水溫6個(gè)實(shí)測數(shù)據(jù)及總氮、總磷、化學(xué)需氧量、風(fēng)速、風(fēng)向、降雨這6個(gè)歷史數(shù)據(jù)作為模型輸入，將葉綠素a含量作為BPANN的模型輸出。從4.1節(jié)預(yù)測結(jié)果可知，AGM(1,1)模型能夠有效預(yù)測未來24 h內(nèi)湖泊水質(zhì)變化情況，故利用AGM(1,1)模型的輸出結(jié)果訓(xùn)練和驗(yàn)證BPANN網(wǎng)絡(luò)是可靠的。對網(wǎng)絡(luò)進(jìn)行反復(fù)訓(xùn)練1 000次促使網(wǎng)絡(luò)收斂，同時(shí)，結(jié)合Mirchadani理論最終確定網(wǎng)絡(luò)由3個(gè)隱含層（每層8個(gè)節(jié)點(diǎn)）構(gòu)成，使得訓(xùn)練誤差達(dá)到10-2。采用sim函數(shù)檢驗(yàn)網(wǎng)絡(luò)性能，得到其相關(guān)系數(shù)=0.995，表明模型網(wǎng)絡(luò)具有較好的網(wǎng)絡(luò)性能。最后對網(wǎng)絡(luò)進(jìn)行確證分析，采用實(shí)測的水質(zhì)樣本集作為檢驗(yàn)網(wǎng)絡(luò)泛化能力的確證集，采用殘差來評價(jià)網(wǎng)絡(luò)學(xué)習(xí)性能的優(yōu)劣。由于7月6日至7月9日期間滇池海埂公園周圍水域爆發(fā)了較嚴(yán)重的藍(lán)藻水華，故以2015年6月24日至2015年7月23日水環(huán)境數(shù)據(jù)作為確證集，檢驗(yàn)?zāi)Ｐ皖A(yù)測能力。圖9a為現(xiàn)場水質(zhì)監(jiān)測照片，圖9b為藍(lán)藻水華爆發(fā)時(shí)空過程模擬專題圖。圖10為實(shí)測葉綠素a、AGM預(yù)測及組合預(yù)測葉綠素a曲線。

通過計(jì)算得到Chla=0.93，Chla=4.77，當(dāng)單獨(dú)采用AGM預(yù)測模型對葉綠素a濃度進(jìn)行預(yù)測時(shí)，Chla=0.86，Chla=9.74，表明組合算法預(yù)測效果更好；另外從預(yù)測結(jié)果曲線可得出，采用組合預(yù)測方法對葉綠素a濃度進(jìn)行預(yù)測的結(jié)果更接近實(shí)測葉綠素a濃度變化過程。

5 結(jié) 論

本文研究了一種內(nèi)陸湖泊藍(lán)藻水華爆發(fā)動(dòng)態(tài)監(jiān)測與時(shí)空過程模擬方法，并以滇池為研究區(qū)驗(yàn)證了該方法的有效性及科學(xué)性。試驗(yàn)結(jié)果表明，AGM-BPANN組合模型能夠有效合理地解釋和模擬湖泊富營養(yǎng)化進(jìn)程的非線性問題，并成功地預(yù)測了滇池中的葉綠素a含量，能夠?yàn)榈岢馗粻I養(yǎng)化治理與預(yù)警提供科學(xué)依據(jù)。

[1] 張新，程熙，李萬慶，等. 流域非點(diǎn)源污染景觀源匯格局遙感解析[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，(2)：191－197.

Zhang Xin, Cheng Xi, Li Wanqing, et al. Remote sensing parsing on non-point pollution landscape source and assembly pattern in river basin[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, (2): 191－197. (in Chinese with English abstract)

[2] 李躍勛，徐曉梅，何佳，等. 滇池流域點(diǎn)源污染控制與存在的問題解析[J]. 湖泊科學(xué)，2010，22(5)：633－639.

Li Yuexun, Xu Xiaomei, He Jia, et al. Point source pollution control and problem in Lake Dianchi basin[J]. Journal of Lake Sciences, 2010, 22(5): 633－639. (in Chinese with English abstract)

[3] Matthews M W, Odermatt D. Improved algorithm for routine monitoring of cyanobacteria and eutrophication in inland and near-coastal waters[J]. Remote Sensing of Environment, 2015(156): 374－382.

[4] Lunetta R S, Schaeffer B A, Stumpf R P, et al. Evaluation of cyanobacteria cell count detection derived from MERIS imagery across the eastern USA[J]. Remote Sensing of Environment, 2015(157): 24－34.

[5] 武勝利，劉誠，孫軍，等. 衛(wèi)星遙感太湖藍(lán)藻水華分布及其氣象影響要素分析[J]. 氣象，2009，35(1)：18－23.

Wu Shengli, Liu Cheng, Sun Jun, et al. Remote sensing and analysis on meteorological factors of blue algal bloom in Lake Tai[J]. Meteorological Monthly, 2009, 35(1): 18－23. (in Chinese with English abstract)

[6] Sun L Y, Chen Y Z, Wang X Q, et al. Comparison of multi-sensor data application in algal bloom detection[J]. International Congress on Image and Signal Processing, 2010, 3: 2144－2148.

[7] Klemas V. Remote sensing of algal blooms: An overview with case studies[J]. Journal of Coastal Research, 2012, 28(1A): 34－43.

[8] 鄒志強(qiáng)，王悅，沙超，等. 無線傳感器水下監(jiān)測網(wǎng)絡(luò)稀疏采樣和近似重構(gòu)[J]. 儀器儀表學(xué)報(bào)，2012，33(12)：2728－2734.

Zou Zhiqiang, Wang Yue, Sha Chao, et al. Sparse sampling and approximate reconstruction for underwater monitoring network of wireless sensor[J]. Chinese Journal of Scientific Instrument, 2012, 33(12): 2728－2734. (in Chinese with English abstract)

[9] 秦伯強(qiáng)，張運(yùn)林，高光，等. 湖泊生態(tài)恢復(fù)的關(guān)鍵因子分析[J]. 地理科學(xué)進(jìn)展，2014，33(7)：918－924.

Qin Boqiang, Zhang Yunlin, Gao Guang, et al. Key factors affecting lake ecological restoration[J]. Progress in Geography, 2014, 33(7): 918－924. (in Chinese with English abstract)

[10] 朱海洋，張合，馬少杰. 低功耗聲/超聲復(fù)合傳感器節(jié)點(diǎn)設(shè)計(jì)[J]. 儀器儀表學(xué)報(bào)，2014，35(10)：2223－2230.

Zhu Haiyang, Zhang He, Ma Shaojie. Design of low power acoustic-ultrasonic compound sensor node[J]. Chinese Journal of Scientific Instrument, 2014, 35(10): 2223－2230. (in Chinese with English abstract)

[11] Shi Y, Yi L, Zhao W, et al. A radiosonde using a Humidity Sensor Array with a platinum resistance heater and multi-sensor data fusion[J]. Sensors, 2013, 13(7): 8977－8996.

[12] 姜晟，王衛(wèi)星，孫道宗，等. 能量自給的果園信息采集無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)設(shè)計(jì)[J] . 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(9)：153－158.

Jiang Sheng, Wang Weixing, Sun Daozong, et al. Design of energy self-sufficient wireless sensor network node for orchard information acquisition[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(9): 153－158. (in Chinese with English abstract)

[13] 朱永紅，丁恩杰，胡延軍. PSO優(yōu)化的能耗均衡WSNs路由算法[J]. 儀器儀表學(xué)報(bào)，2015，36(1)：78－86.

Zhu Yonghong, Ding Enjie, Hu Yanjun. Energy balance routing algorithm for WSNs optimized with PSO[J]. Chinese Journal of Scientific Instrument, 2015, 36(1): 78－86. (in Chinese with English abstract)

[14] Luo Yi, Yang Kun, Shi Yunbo, et al. Research of radiosonde humidity sensor with temperature compensation function and experimental verification[J]. Sensors and Actuators A Physical, 2014, 218: 49－59.

[15] 宮鵬. 環(huán)境監(jiān)測中無線傳感器網(wǎng)絡(luò)地面遙感新技術(shù)[J]. 遙感學(xué)報(bào)，2007，11(4)：545－551.

Gong Peng. Wireless Sensor Network as a new ground remote sensing technology for environmental monitoring[J]. Journal of Remote Sensing, 2007, 11(4): 545－551. (in Chinese with English abstract)

[16] 李小敏，臧英，羅錫文，等. 蘭花大棚內(nèi)無線傳感器網(wǎng)絡(luò)433 MHz信道傳播特性試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013(13)：182－189.

Li Xiaomin, Zang Ying, Luo Xiwen, et al. Experiment of propagation characteristics based on 433 MHz channel of WSN in orchid greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(13): 182－189. (in Chinese with English abstract)

[17] 陳曉棟，郭平毅，蘭艷亭. 基于780 MHz頻段的溫室無線傳感器網(wǎng)絡(luò)的設(shè)計(jì)及試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(1)：113－120.

Chen Xiaodong, Guo Pingyi, Lan Yanting. Design and experiment based on wireless sensor network with 780 MHz in greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(1): 113－120. (in Chinese with English abstract)

[18] Evans J, Janek J F, Hunter B L. Wireless sensor network design for flexible enuironmental monitoring[J]. Journal of Engineering Technology, 2008, 25(1): 46－52.

[19] 晉銳，李新，閻保平，等. 黑河流域生態(tài)水文傳感器網(wǎng)絡(luò)設(shè)計(jì)[J]. 地球科學(xué)進(jìn)展，2012，27(9)：993－1005.

Jin Rui, Li Xin, Yan Baoping, et al. Introduction of eco-hydrological wireless sensor network in the Heihe River Basin[J]. Advances in Earth Science, 2012, 27(9): 993－1005. (in Chinese with English abstract)

[20] 王雙雙. 滇池東岸大棚種植區(qū)農(nóng)業(yè)非點(diǎn)源徑流污染模擬研究[D]. 重慶：重慶大學(xué)，2014.

Wang Shuangshuang. Simulation Study on Agricultural Non-Point Source Pollution of Greenhouse Region in the Eastcoust of Dianchi Basin[D]. Chongqing: Chongqing University, 2014. (in Chinese with English abstract)

[21] 石峰，杜鵬飛，張大偉，等. 滇池流域大棚種植區(qū)面源污染模擬[J]. 清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2005，45(3)：363－366.

Shi Feng, Du Pengfei, Zhang Dawei, et al. Nonpoint source pollution simulation in greenhouse region of Dianchi Basin[J]. Journal of Tsinghua University: Science and Technology, 2005, 45(3): 363－366. (in Chinese with English abstract)

[22] 李穎，施擇，張榆霞，等. 關(guān)于用藻密度對藍(lán)藻水華程度進(jìn)行分級評價(jià)的方法和運(yùn)用[J]. 環(huán)境與可持續(xù)發(fā)展，2014(2)：67－69.

Li Ying, Shi Ze, Zhang Yuxia, et al. Evaluation method and application on cyanobacteria bloom degree classification with algal density[J]. Environment and Sustainable Development, 2014(2): 67－69. (in Chinese with English abstract)

[23] 劉聚濤，楊永生，高俊峰，等. 太湖藍(lán)藻水華災(zāi)害災(zāi)情評估方法初探[J]. 湖泊科學(xué)，2011，23(3)：334－338.

Liu Jutao, Yang Yongsheng, Gao Junfeng, et al. Comprehensive evaluation method of Cyanobacteria Bloom Hazard in Lake Taihu[J]. Journal of Lake Sciences, 2011, 23(3): 334－338. (in Chinese with English abstract)

[24] 程淑紅，劉潔，李雷華. 基于魚類運(yùn)動(dòng)行為的水質(zhì)異常評價(jià)因子研究[J]. 儀器儀表學(xué)報(bào)，2015，36(8)：1759－1766.

Cheng Shuhong, Liu Jie, Li Leihua. Study on anomaly water quality assessment factor based on fish movement behavior[J]. Chinese Journal of Scientific Instrument, 2015, 36(8): 1759－1766. (in Chinese with English abstract)

[25] 孔繁翔，馬榮華，高俊峰，等. 太湖藍(lán)藻水華的預(yù)防、預(yù)測和預(yù)警的理論與實(shí)踐[J]. 湖泊科學(xué)，2009，21(3)：314－328.

Kong Fanxiang, Ma Ronghua, Gao Junfeng, et al. The theory and practice of prevention, forecast and warning On Cyanobacteria Lake Taihu[J]. Journal of Lake Science, 2009, 21(3): 314－328. (in Chinese with English abstract)

[26] 孔繁翔，高光. 大型淺水富營養(yǎng)化湖泊中藍(lán)藻水華形成機(jī)理的思考[J]. 生態(tài)學(xué)報(bào)，2005，25(3)：589－595.

Kong Fanxiang, Gao Guang. Hypothesis on cyanobacteria bloom-forming mechanism in large shallow eutrophic lakes[J]. Acta Ecologica Sinica, 2005, 25(3): 589－595. (in Chinese with English abstract)

[27] Dokulil M T, Teubner K. Cyanobacterial dominance in eutrophic lakes: Causes-Consequences-Solutions[J]. Lake Science, 1998, 10: 357－370.

[28] 李蒙，謝國清，戴叢蕊，等. 滇池外海水體葉綠素a與水質(zhì)因子關(guān)系研究[J]. 云南地理環(huán)境研究，2009，21(2)：102－106.

Li Meng, Xie Guoqing, Dai Congrui, et al. A study of the relationship between the water body chlorophyll a and water quality factors of the off coast of Dianchi Lake[J]. Yunnan Geographic Environment Research, 2009, 21(2): 102－106. (in Chinese with English abstract)

[29] 羅毅，楊昆，董麟，等. 開關(guān)接觸電阻動(dòng)態(tài)測量方法研究[J]. 儀器儀表學(xué)報(bào)，2015，36(1)：49－55.

Luo Yi, Yang Kun, Dong Lin, et al. Research on dynamic measurement method for button contact resistance[J]. Chinese Journal of Scientific Instrument, 2015, 36(1): 49－55. (in Chinese with English abstract)

[30] 羅毅，施云波，楊昆，等. 用于探空儀的加熱式濕度傳感器及測量電路[J]. 光學(xué)精密工程，2014，22(11)：3050－3060.

Luo Yi, Shi Yunbo, Yang Kun, et al. Humidity sensor for radiosonde and its measuring circuit[J]. Optics and Precision Engineering, 2014, 22(11): 3050－3060. (in Chinese with English abstract)

[31] 羅毅，施云波，渠立亮，等. 諧波分析及交流比較的高空溫度探測方法研究[J]. 儀器儀表學(xué)報(bào)，2014，35(4)：721－729.

Luo Yi, Shi Yunbo, Qu Liliang, et al. Research on atmosphere aloft temperature probing based on harmonic analysis and AC comparison methods[J]. Chinese Journal of Scientific Instrument, 2014, 35(4): 721－729. (in Chinese with English abstract)

Dynamic monitoring and simulation ofBloom based on wireless sensor network and GIS

Yang Kun1,2, Luo Yi1,2,3※, Xu Yufei1,2, Shang Chunxue4, Yang Yang1,2

(1.,650500,; 2.,650500,; 3.,650500,; 4.,,650500,)

Because of the fast development of Chinese urbanization, the intense growth of mankind activities, and the global warming, the inland lake pollution problems have become more serious and complex, the inland lakes are becoming more eutrophic, suffering from both point and non-point pollutions, and exposing to both endogenous and exogenous pollutions, and the deterioration of water quality has severely hindered sustainable social and economic development of nearby cities. Eutrophication is not just the result of natural process, but the aggregated result of the interaction and mutual influences between natural process and human process. As the “eyes” of water protection and management, water quality monitoring is the premise for the forecast of cyanobacteria outbreak and the assessment of bloom intensity. As technology advances, the monitoring tools and measuring indicators become increasingly diverse. In the meantime, the measurement accuracy is also constantly improving. In the domain of water quality monitoring, the combination of position sensors and wireless sensor networks makes the observations with high density, high precision and continuity possible. In addition, such methods can simultaneously collect both water quality data and surrounding environmental data, which can be used to simulate the interaction between the internal and external factors of water pollution as well as the mechanism of pollution process. The cyanobacteria bloom of inland lake has the characteristics of suddenness, randomness, and regionalism, the paper proposed a cyanobacteria bloom dynamic monitoring and spatial-temporal process simulation method based on wireless sensor networks (WSNs) and geographic information system (GIS). Firstly, multi-parameter sensor array is designed using water quality sensors in order to acquire real-time water quality data, and the monitoring node is composed of 4-layer architecture, including monitoring layer, data storage layer, model layer, and application layer; secondly, the improved grey model and back propagation (BP) artificial neural network are combined to forecast the cyan bacteria bloom in 24 h. This model incorporates both environmental factors (precipitation, wind speed, and wind direction) and the internal water environment factors (nitrogen, phosphorus, chemical oxygen demand, permanganate, chlorophyll, dissolved oxygen, pH value, and temperature). Thirdly, with the advantage of spatial analysis, GIS is used to describe the spatial-temporal processing of cyan bacteria. Finally, the simulation experiment results showed that the correlation coefficient achieved up to 0.995. Moreover, we conducted the empirical experiment in Dianchi Lake, Yunnan, China using the proposed method, and the correlation coefficient was 0.86 and the predicting error was 9.74. The field experiment results show that the method discussed in the paper has certain universality and can provide theoretical basis and data support for protecting and controlling the lake environment.

pollution; wireless sensors networks; geographic information systems; gray model; artificial neural network

10.11975/j.issn.1002-6819.2016.24.026

TH89

A

1002-6819(2016)-24-0197-09

2016-04-01

2016-04-29

國家863計(jì)劃（2012AA121402）；教育部博士點(diǎn)專項(xiàng)基金（20115303110002）；云南省自然科學(xué)基金青年項(xiàng)目（2016FD020）；云南師范大學(xué)博士科研啟動(dòng)項(xiàng)目（01000205020503066）

楊 昆，教授，博士生導(dǎo)師，武漢大學(xué)地圖制圖學(xué)與地理信息工程專業(yè)博士生導(dǎo)師，十二五期間863專家組成員，研究方向?yàn)榈貓D制圖學(xué)與地理信息工程。昆明 云南師范大學(xué)信息學(xué)院，650500。Email：kmdcynu@163.com

羅 毅，博士，講師，碩導(dǎo)，主要研究方向?yàn)闊o線傳感器網(wǎng)絡(luò)，地理信息系統(tǒng)。昆明 云南師范大學(xué)信息學(xué)院，650500。Email：luoyi861030@163.com