湖库水质监测与水华预警信息系统

郝启文，王小艺，许继平，刘载文，盛 璐，何多多

(北京工商大学计算机与信息工程学院，北京 100048)

1 概述

随着全球水体富营养化的加剧，湖库发生水华现象越来越普遍，其造成的环境和经济问题越来越引起人们的关注[1]。水体富营养化会导致某些特征性藻类非正常增殖，水体颜色逐渐变深，水体透明度下降，溶解氧浓度降低，CODMn浓度增大，直接导致鱼类及其他生物死亡，从而破坏湖库水体的自然生态平衡，造成环境和经济的重大损失[2-3]。近年来，我国许多大型湖泊面临着水华爆发的危险。水华的爆发破坏了水体中的生物多样性，严重制约了经济建设和社会发展。因此，有效预测水华爆发、对水华进行治理已经迫在眉睫[4-5]。

本文根据当前国内外水环境监测发展的现状及系统所需的技术要求，开发了湖库水质监测与水华预警信息系统。系统能实时接收水质监测数据，实现数据实时显示、快速查询、数据对比等功能。同时，系统集成了水华智能预测模型，实现了对湖库水华的中长期预测预警功能，为环保部门进行水环境监测与水华防治提供有效的信息化决策平台。

2 预警信息系统设计

2.1 整体结构设计

湖库水质监测与水华预警信息系统基于 Visual Studio 2010软件平台进行开发，系统利用Socket控件接收下位仪表通过通用分组无线服务(General Packet Radio Service, GPRS)传送的数据，将实时监测数据和大量历史数据存储在基于 SQL2005建立的数据库中，为后期数据处理和分析提供可靠依据。同时，系统可在地理信息系统(Geographic Information System, GIS)图中实时显示监测点位置、水质参数，并按时间跨度、空间范围进行水质数据的历史查询，绘制实时、历史曲线，进行数据对比。系统实现了Matlab和 C++程序的混编，通过调用后台灰色-BP(Back Propagation)神经网络模型对采集到的水质数据进行分析，实现水华预测预警功能。系统结构如图1所示。

图1 预警信息系统结构

2.2 系统实现关键技术

2.2.1 网络通信技术

水质监测传感器的布点灵活，分布广泛，数据量稳定，数据传输质量要求高，实时性强。GPRS远程无线传输方式适用于间断的、突发性的或频繁的、少量的数据传输，也适用于偶尔的大数据量传输。其具有覆盖地域广、通信距离远、网络可靠性高、稳定性好、通信成本较低等优点。通过上述分析，选用GPRS远程无线传输方式对水质信息进行实时传送，完全可以满足传感器和系统对监测数据发送和接收的要求。

由于Socket接口是访问Internet时用得最广泛的方法，因此本系统采用面向连接的流式的Socket，针对面向连接的 TCP服务，实现由传感器采集的水质信息的实时接收。

2.2.2 地理信息系统技术

GIS是以测绘测量为基础、以数据库作为数据储存和使用数据源、以计算机编程为平台的全球空间分析即时技术。近年来，由于新技术的发展和能够获取或共享的区域性数据日益丰富，因此传统的大而全的地理信息系统已逐渐被集成二次开发的 GIS系统所取代[6]。水质环境动态监测的实现有赖于信息的实时更新和对信息的空间分析与综合处理。GIS强大的专题制图功能可将环境的变化情况、规律[7]，通过直观的图件资料予以显示，实现对空间信息及其他种类信息的有效管理，实现对环境的综合动态监测。

本文系统利用MapX组件技术进行开发，将GIS作为本项目的基础平台，起到存储、处理和分析空间信息的作用。系统通过接收水质传感器采集的数据，监测不同时段的信息变化情况，比较不同的空间数据集或其他种类的信息[8]。图2为基于GIS的智能化信息系统(以太湖流域为例)初始界面。

图2 系统初始界面

2.2.3 数据库技术

结构化查询语言(Structured Query Language,SQL)是一种数据库查询和程序设计语言，用于存取数据及查询、更新和管理关系数据库系统。

本系统数据来源于多水质参数传感器，并配有高精度的信标机，采集包括时间、地理坐标等基本数据，利用GPRS模块进行远程数据传输。系统采用开放数据库连接(Open Database Connectivity, ODBC)接口，将实时监测数据和大量历史数据存储在数据库中。可实现水质信息、GPS位置信息实时显示，并按时间跨度对历史信息进行查询和对比。

3 系统功能实现

3.1 水质信息分析

系统可实时显示下位监测点的水质监测数据，可将水环境变化情况通过直观的图像资料予以显示。监测点每小时对水质参数进行一次采集，并通过GPRS上传。图3为实时监测状态和历史查询状态显示。

图3 实时监测显示与历史数据查询界面

水质监测点图标将实时显示在该水域地图中的相应位置上，当鼠标放置于图中该监测点上时，该监测点的水质信息将以列表的形式显示；同时，在界面左侧的日历中选择需要的日期和时间段，可以进行水质信息的历史查询。

系统实现了不同监测点可变时间跨度数据对比功能。通过选定2个或2个以上监测点在某一时间段内所采集的数据进行比对，可以曲线图形式在同一界面中直观显示这些监测点的水质变化情况，如图 4所示。

图4 监测点数据对比

3.2 水华预测预警功能

湖库体系是一个多层次、多因素、多目标的复杂系统，水质信息系统也具有明显的层次复杂性、动态变化随时性、指标数据不完全、不确定性[9]。针对湖库水华产生的特点，应用智能信息处理技术对采集到的大量数据进行分析，将灰色理论与神经网络结合，对水华的爆发时刻进行预测[10]。

具体建模步骤如图5所示。

图5 灰色-BP神经网络建模步骤

将叶绿素参数值分为多个时间序列，分别建立GM(1, 1)模型，获得叶绿素的预测值，将这些预测值与实际值之间的偏差关系及序列之间的相互关系综合到神经网络模型中考虑。将GM(1, 1)模型对下一时刻或几个时刻叶绿素预测的偏差值作为神经网络的一个输入，影响水华的另外几个主要因素(总磷、总氮、光照、温度等)作为神经网络的其他输入，对应输入的下一时刻叶绿素偏差值作为神经网络的导师信号，将预测值偏差与GM(1, 1)模型对应时刻的预测值叠加，即得到叶绿素的预测值。图6为水华预测仿真结果(预测周期为30天)。

图6 30天水华预测结果

基于灰色-BP神经网络的混合模型能够有效预测水华暴发，预测精度达到90%以上。

4 结束语

本文开发了集成网络通信技术、地理信息系统技术、SQL2005数据库技术于一体的湖库水质监测与水华预警智能信息系统，着重介绍了实现该系统的关键技术及中长期水华智能预测预警方法，为提高湖库水质自动化监测程度及水华高精度预测提供了一套有效的信息化平台。

[1]孟春红, 赵 冰.2007三峡水库蓄水后的富营养化趋势分析[J].农业环境科学学报, 2007, 26(3): 863-867.

[2]Gubelit Y I, Berezina N A.The Causes and Consequences of Algal Blooms: The Cladophora Glomerata Bloom and the Neva Estuary (Eastern Baltic Sea)[J].Marine Pollution Bulletin, 2010, 61(4-6): 183-188.

[3]Hudnell H K, Jones C.Freshwater Harmful Algal Bloom(FHAB) Suppression with Solar Powered Circulation(SPC)[J].Harmful Algae, 2010, 9(2): 208-217.

[4]顾 岗.太湖蓝藻暴发原因及其控制措施[J].上海环境科学, 2006, 15(12): 10-11.

[5]刘载文, 吴巧媚, 王小艺, 等.基于优化理论的藻类生长模型及在水华预测中的应用[J].化工学报, 2008,59(7): 1869-1873.

[6]靳海亮, 刘慧杰, 苗保亮, 等.基于 MapX 控件的 GIS应用软件基本功能二次开发[J].计算机与数字工程,2011, 19(1): 26-29.

[7]窦佩琼, 唐志刚, 文新宇.基于GIS平台的SQL Server环境监测数据库的应用[J].四川环境, 2007, (3): 45-47.

[8]李大年, 余家燕, 杨 灿, 等.重庆市环境监测 GIS系统应用与实现[J].三峡环境与生态, 2009, (1): 37-40.

[9]刘载文, 吕思颖, 王小艺, 等.河湖水华预测方法研究[J].水资源保护, 2008, 24(5): 26-29.

[10]朱世平, 刘载文, 王小艺, 等.基于灰色-BP神经网络的水华预测方法[C]//中国智能自动化会议论文集.南京:[出版者不详], 2009: 1067-1072.