太湖富营养化控制机理模拟

建立了一个将三维风生湖流模型,水质模型和富营养化模型耦合的数学模型,该模型不仅可以对太湖的风生湖流,总磷、总氮、COD等水质要素进行模拟,还可以模拟藻类在太湖中的生长和消亡情况以及其随风生湖流迁移的规律;在模型中,还考虑了水温、总氮、总磷和太阳辐射等环境生态因子对藻类生长率的影响,并且将模拟结果与1998年太湖的实测资料进行了对比,结果表明:该模型对风生湖流、总磷、总氮的模拟都是切合实际的,以叶绿素a浓度描述的藻类浓度的模拟值也能较好的拟合实测值。     

基于MODIS数据辅助的太湖叶绿素a空间插值应用

通过运用Modis太湖遥感数据反演得到的太湖叶绿素a浓度,利用克里格与加权反距离这2种插值法,首先进行全湖的插值方法的比较和插值样点数的选取;并对太湖8个湖区进行插值点分区研究;最后运用克里格对太湖进行全年不同季节的应用效果评价。结论如下:(1)在插值方法的选取上,克里格法更适合太湖叶绿素a的插值应用,全湖合理的取样数为68个。(2)各湖区蓝藻空间分布相关性由大到小依次为:南部沿岸区>湖心区>贡湖>东部沿岸区>东太湖>西部沿岸区>梅梁湖>竺山湖。(3)对于蓝藻不同生长阶段来说,在蓝藻休眠中后期(12-次年2月)、复苏期(3-4月)、生物量增加前期(4-7月)的预测效果较好;而在蓝藻生物量增加中后期(7-9月),上浮、积聚期到休眠前期(7-12月)预测精度较差。总体来说,冬季、春季插值的效果好于夏季,秋季插值效果最差。     

基于MODIS影像估测太湖蓝藻暴发期藻蓝素含量

利用太湖水体藻蓝素的实测数据,基于蓝藻的光谱特征分析,选择MODIS 250m分辨率的卫星遥感影像,建立了藻蓝素估测模型.研究表明,该模型可以较为准确地识别新生蓝藻水华,辅助提取新生蓝藻水华的覆盖区.在新生蓝藻水华的覆盖区内,藻蓝素的定测估算已经失去实际意义,没有必要讨论估测的精度高低.在新生蓝藻水华的覆盖区外,藻蓝素的遥感估测精度取决于藻蓝素浓度的高低以及藻蓝素与叶绿素的定量关系,即当藻蓝素浓度35μg/L时,平均相对估测误差降至31%;但对于那些藻蓝素的浓度>35μg/L,且藻蓝素浓度与叶绿素a浓度的比值<8的湖区而言,藻蓝素浓度模型的相对估测误差约为29%.     

EOS/MODIS数据在太湖蓝藻水华时空分布规律提取中的应用研究

EOS/MODIS数据非常适合于蓝藻水华的监测.为充分发挥EOS/MODIS数据高时间分辨率以及高光谱的独特优点,在2008年太湖蓝藻预警遥感监刹的基础上,利用MODIS数据开展了蓝藻水华时间和空间分布规律信息的提取方法研究,从蓝藻水华分布频率、分布区域的迁移变化以及基于水质指标反演(以温度为例)的相关性分析等方面系统开展太湖蓝藻水华时空发生规律提取方法研究,为蓝藻应急治理工作提供支持.     

基于光学分类的太湖水体叶绿素a浓度高光谱遥感

利用2006年11月、2008年11月、2010年5月和8月的太湖水体原位观测数据,在对水体进行光学分类的基础上,分别建立了针对各个类别水体的叶绿素a浓度高光谱反演模型.通过对每类水体各个模型的性能比较,结果表明:第一类水体,四波段模型为最优模型;第二类和第三类水体,一阶微分模型均为最优模型.同时,也比较了水体分类前后模型的表现,表明水体分类后模型在精度和稳定性上都有不同程度的提高.本研究结论对光学复杂混浊湖泊水体的水色遥感具有参考意义.     

基于实测光谱与MODIS数据的太湖悬浮物定量估测

以太湖为研究区域,对太湖水体的水面反射光谱进行实地测试,并取样在实验室进行水质分析;根据光谱分析得到的悬浮物特征波段,估测悬浮物浓度;最后,对比MODIS波段,用最敏感波段及主成分分析法建立悬浮物估测模型.结果表明,576nm附近的反射率峰值、841nm处反射率一阶微分值和808nm附近的反射峰高与悬浮物浓度都有较好的相关性,其中峰高法和一阶微分法对悬浮物浓度的估测精度相当;MODIS波段1与悬浮物浓度相关性最好,经过主成分变化后的第一主成分和第二主成分可以较好地估测悬浮物浓度.因此,可利用MODIS数据对太湖悬浮物进行长期动态监测.     

基于Metropolis准则的BP模型改进及在太湖Chl-a预测中的应用

水体富营养化及藻华暴发已成为湖泊治理中的主要问题,利用历史监测数据,采用BP神经网络对水体中叶绿素a(Chl-a)浓度进行预测,已成为藻华预警的主要手段。但该方法存在迭代速度慢、易陷入局部极值等局限性,导致产生拟合结果不优或预测误差较大等问题。利用Metropolis接受准则的全局寻优能力,将其与BP神经网络相结合构建MBP模型,并以太湖水体中Chl-a月均浓度为预测对象进行验证模拟。结果表明,基于2009—2016年太湖月平均相关水环境数据训练出的MBP模型,相较于传统BP神经网络具有以下特点:1)权值在迭代过程的初始阶段能更快地收敛于较优值,模型拟合效果与预测精度也有所提升;2)针对不同的数据情况(数据噪声与样本数量),MBP模型的平均预测误差较传统BP神经网络明显降低,具有较强的鲁棒性与稳定性。构建的MBP模型进一步拓展了传统BP神经网络在叶绿素a浓度预测模型中的应用。     

遥感指数在湖泊叶绿素a反演研究中的应用

借鉴陆地植被指数的算法,利用MODIS数据的波段组合对太湖叶绿素8浓度进行反演。探讨了差值植被指数DVI、比值植被指数RVI、归一化植被指数NDVI这三种遥感指数形式的反演效果及各自特点。MODIS数据蓝光波段和红外波段的组合是反演太湖叶绿素浓度的最佳波段组合,DVI适合于反演叶绿素浓度高的情况,RVI的反演结果两极分化明显而普适性较差,NDVI适合于反演浓度较低的情况。     

不同方法估算太湖叶绿素a浓度对比研究

基于2006-01-07～2006-01-09和2006-07-29～2006-08-01太湖地面实测高光谱数据以及同步水质参数数据,对比分析了三波段模型、两波段模型、反射峰位置法、一阶微分法4种方法用于估算太湖叶绿素a浓度的精度,并讨论其应用于遥感影像中估算叶绿素a浓度的可行性. 2次采样3类水色参数总悬浮物、叶绿素a浓度和有色可溶性有机物在440 nm处吸收系数的变化范围分别为12.24～285.20 mg·L^-1、 4.83～155.11 μg·L^-1和0.27～2.36 m^-1.前述4种方法在反演太湖水体的叶绿素a浓度时都取得较高的精度;决定系数分别为：0.813、 0.838、 0.872、 0.819,均方根误差分别为：13.04、 12.12、 13.41、 12.13 μg·L^-1;相对误差分别为：35.5%、 34.9%、 24.6%、 41.8%.反射峰位置法估算精度最高,但应用到叶绿素a浓度遥感影像估算比较困难.三波段模型和两波段模型的反演结果优于传统的一阶微分法,且在卫星遥感反演中具有良好的应用前景.根据模拟MERIS数据,分别得到最优三波段模型［R^-1(665)-R^-1(709)］×R(754)和两波段模型R(709)/R(681),其决定系数、均方根误差、相对误差分别为0.788、 13.87 μg·L^-1、 37.3%和0.815、 12.96 μg·L^-1、 34.8%,反映了MERIS数据能非常好地应用于太湖这类浑浊二类水体叶绿素a浓度的精确估算.     

支持向量机在太湖叶绿素a非线性反演中的应用

根据湖泊监测的特点,采用支持向量机(SVM)方法,反演太湖叶绿素a的浓度分布.将2005年8月太湖29个现场水质监测点数据分为训练测试样本集和验证样本集,利用训练测试样本集以及与其时间同步的MODIS遥感影像,分别构建了4种SVM模型.对比分析表明,直接以波段反射率以及水深信息构成输入向量的SVM模型预测效果最好.利用训练测试样本构建了线性回归模型、主成分分析模型(PCA)以及神经网络模型(ANN),并利用验证数据比较了上述3种模型与SVM模型的预测结果.结果表明ANN模型和SVM模型预测能力明显优于另外2种模型,其中SVM模型对低值和高值均有较好的预测精度,平均相对误差仅为15.91%,预测精度比ANN模型提高了10%.利用SVM模型和ANN模型分别反演了2005年8月15日太湖叶绿素a浓度分布,比较了2种模型反演结果的异同,分析了太湖叶绿素a分布特征及其成因.     

太湖水域叶绿素a浓度的遥感反演研究

利用太湖水域MODIS遥感数据的各波段反射率组合计算值,与实测的叶绿素a浓度进行相关性分析,找到相关性最好的反射率组合,建立反演太湖叶绿素a浓度的遥感模型.结果表明,利用MODIS数据可以较好地实现对太湖水域叶绿素a浓度的定量反演计算,并以MODIS数据第3、第17波段的反射率组合作为遥感指数建立了反演叶绿素a浓度的模型.第3、第17波段的波长范围分别为459nm～479nm、890nm～920nm,这一波段选择与以往使用TM数据得到的结论有所不同.     

基于GIS的太湖蓝藻预警系统研究

蓝藻爆发恶化了太湖水质,严重降低了太湖的使用功能。文章分析太湖蓝藻爆发的影响因素,结合预警模型和GIS技术,描述了太湖蓝藻预警系统的设计与实现流程,为太湖蓝藻预警提供科学、合理的辅助决策支持。     

基于MODIS数据的太湖蓝藻变化与水温关系研究

以太湖为研究区,基于2008年4～12月的60景EOS—MODIS 1B遥感影像数据。利用NDVI算法结合目视判读解译了水华分布变化的基本信息,通过劈窗算法反演太湖湖面水温,发现在2008年太湖蓝藻生长、暴发、衰退周期中。水华面积的大小与湖面均温值之间关系密切：在20℃以下时表层水温与太湖蓝藻生长暴发或沉寂消亡具有明显的相关性;20℃-30℃时水华的面积大小受到湖面温度和其他因素的共同影响,容易发生大规模蓝藻暴发：30℃以上时过高的表层水温会对蓝藻的上浮聚集具有一定抑制作用：太湖蓝藻全年消亡的临界温度与其初始生长的临界温度相比更低。研究同时发现太湖湖面温度的空间差异是影响蓝藻水华分布迁移的重要因素之一。     

太湖生态系统的人工神经网络模拟研究

指出了传统生态学数学模型的不足 ,并建立了太湖生态系统的人工神经网络模型。以 2 0 0 1年 5～ 1 0月全太湖 2 6个采样点的实测水文、水质、气象等资料作为输入因子 ,建立了训练样本、检验样本和测试样本 ,并以各采样点的浮游植物量作为输出因子。网络的学习效果显示模型的性能很好 ,对 2 0 0 2年 8月各采样点浮游植物的预测结果也与实测值吻合较好 ,说明模型的推广能力很强。     

基于DYRESM模型的太湖全年水温模拟及其在水华预警中的应用

水温是湖泊生态系统的重要驱动因子,太湖蓝藻水华暴发过程与湖泊全年水温变化密切相关。本文从水温角度出发,运用澳大利亚西澳大学水研究中心开发的一维DYRESM水动力学模型模拟了太湖2005全年的水温变化状况,并通过太湖2005年水温实测值进行了验证,模型结果较好的反应了2005年太湖逐日水温的变化情况。另外从水温角度对太湖蓝藻水华暴发阶段作出分析,为太湖蓝藻水华暴发的预测预警研究进行了方法上的准备和探索。     

基于因子分析的太湖湖湾污染物分布特征

根据太湖三大湖湾的水质监测数据,运用因子分析(Factor analysis)方法对该湖湾7种污染物成分进行了统计分析,并讨论了水体中污染物的来源。结果表明:梅梁湾第一污染因子主要是TN、TP和Chla,第二主因子主要代表NH4+-N和高锰酸盐指数,NO3--N对第三主因子贡献明显;贡湖湾第一污染因子为TN、TP、高锰...     

太湖流域水环境监测数据资源目录体系构建研究

太湖流域水环境监测数据来源广泛,涉及部门众多。数据资源目录体系建设是实现数据有序组织、满足信息共享需求的有效途径。通过分析太湖流域水环境监测数据资源管理和利用现状、存在问题,指出建设流域水环境监测数据资源目录体系的必要性。构建了流域水环境监测数据资源目录体系总体架构,实现数据资源的编目、注册、目录管理与目录服务。在此基础上,建设了流域水环境监测数据交换与共享平台原型,为实现流域水环境监测数据交换与共享提供技术支撑。