湖库水质无线远程监测与水华预测方法研究

石 野， 王晓凯， 张春梅

(山西大学 物理电子工程学院， 山西 太原030006)

0 引 言

水是人类最宝贵的财富之一， 然而随着我国工业农业的迅速发展， 水质污染越来越严重， 水资源的污染成为人们面临的一个巨大问题. 在湖库水资源的污染问题中， 水体富营养化是最常见、 最有害的问题之一. 水体富营养化是指水体中植物所需的氮、 磷等营养成分不断累积至过量， 使水体呈现营养过剩的现象[1]. 水体富营养化会导致水体发臭、 DO(Dissolved Oxygen， 溶解氧)降低， 一些藻类过量增殖甚至释放有毒物质， 最终破坏湖库水体的生态平衡[2-3]. 因此， 监测湖库水质并预测水华迫在眉睫.

美国的水质在线监测技术从20世纪50年代起步， 并在1975年建立了水质自动连续监视网， 进行水质在线监测[4]； 英国在1975年完成了自动水环境监测系统的建立； 自20世纪60年代以来， 日本一直在建设水质自动监测器， 在日本的各个水域几乎都设立了自动监测站[5]. 国内的水质自动监测技术也在不断发展， 但还存在一些问题[6]： 水质的自动监测还未完全取代传统的手工常规监测， 手工监测不仅费时费力， 而且存在人为干扰. 此外， 监测设备还可能会受到水质中有毒化合物或重金属离子的影响而损坏. 在水质预测上， 国外也研究了很多理论方法. 数理统计预测法预测效果相对较好， 单因素预测简单易操作， 但是多因素综合预测却存在建模困难， 计算复杂的问题. 利用灰色系统理论进行水华预测多用于数据少的贫信息系统， 但是预测精度低且不适用与长期预测[7]. 人工神经网络法目前用于预测最常见的是多层前馈网络反向传播算法模型， 但是如果样本不足， 则预测精度不高[8]. 此外， 还有混沌理论， 自组织预测模型等预测方法.

针对目前我国水质监测技术水平不能满足水质监测标准的现状， 本文设计开发了湖库水质无线远程监测与水华预测系统. 该系统基于嵌入式的水质远程监测设备， 将采集到的水质信息通过GPRS模块无线传输到水质监测中心， 监测中心将数据实时储存在数据库中， 并利用灰色-神经网络水华预测模型进行水华预测.

1 系统总体结构设计

湖库水质无线远程监测与水华预测系统分为水质监测终端和水质监测中心两部分. 监测终端设备安置在被监测水体中， 完成水体水质参数的采集， 通过GPRS模块将这些水质信息以及GPS模块采集的地理坐标信息实时准确地上传到监测中心. 监测中心的软件系统基于VC6.0软件平台进行开发， 通过Socket将实时获得的水质信息数据储存到数据库中， 进行数据管理和基于灰色-神经网络的水华预测. 系统原理和框架结构如图 1 和图 2 所示.

图 1 湖库水质无线远程监测与水华预测系统原理图Fig.1 Schematic diagram of wireless remote monitoring and water bloom prediction system for lake water quality

2 系统硬件设计

2.1 湖库水质信息无线远程监测终端设备

湖库水质信息远程监测终端设备是由主控制器、 GPRS模块和传感器等部分组成. 设备基于嵌入式的ARM处理器， 采用WinCE操作系统， 集成了YSI水质信息采集与传输模块、 GPS地理定位技术和GPRS远程数据通信技术， 可以自动采集湖库水体的各种指标数据和监测终端设备的GPS地理坐标信息， 并将信息存储在仪表数据库中， 同时， 将收集到的数据信息通过GPRS远程数据通信模块无线传输到水质监测中心. 在湖库水质信息无线远程监测终端设备上， 能够通过简单操作， 在液晶屏幕上查看采集到的水质各类指标数据和设备的GPS地理坐标信息. 湖库水质信息无线远程监测终端设备结构如图 3 所示.

湖库水质信息无线远程监测终端设备的核心是ARM9系列处理器， 该处理器运行电压和能耗较低， 集成度也很高， 并且能够实时、 快速准确地处理大量的水质信息. 监测终端设备主控CPU采用Samsung S3C2440A芯片， 操作平台采用基于Windows CE操作系统的液晶触摸屏. GPS地理定位模块和YSI水质信息采集传输模块通过串口通信技术连接到触摸屏， 实现数据的实时传输和存储. SD卡接口能够实现数据的实时储存和提取. GPRS模块通过RS232通用串行接口与LCD触摸屏通信， 使水质信息远程监测终端设备可以将水质信息无线传输到水质监测中心. 湖库水质信息无线远程监测终端设备主控器结构图如图 4 所示.

图 3 湖库水质信息无线远程监测终端设备结构图Fig.3 Lake water quality information wireless remote monitoring terminal equipment structure diagram

图 4 湖库水质信息无线远程监测终端设备主控器结构图Fig.4 Lake water quality information wireless remote monitoring terminal equipment main controller structure diagram

2.2 YSI水质信息数据采集硬件设备

水质信息的采集硬件采用YSI多参数水质监测仪. YSI传感器适用于多个点位的信息采集和长期的信息监测， 并且可以同时监测多个水质参数. 水质监测仪通过RS232串行接口连接到触摸屏， 可以检测水中总含盐量、 盐度、 溶解氧(DO)、 溶解氧饱和度(DOSAT)、 酸碱度(PH)、 氧化还原电位、 叶绿素a(Ch1a)、 电导率、 水温等9种水质指标， 为布控设备的湖库提供水质情况和水华预测所需的信息数据. 湖库水质信息无线远程监测终端设备水质信息显示界面如图 5 所示.

2.3 GPS地理坐标信息采集模块与GPRS远程数据通信模块

GPS是一种基于卫星通讯的无线电定位导航系统， 能够精准实时地提供定位信息. GPS地理坐标信息采集模块采用GARMIN公司生产的并行12通道GPS接收机， 可以同时接受12颗卫星的信号， 采集地理坐标的多维数据. 该GPS接收机定位精度高、 功耗低， 而且接受机信息可方便的显示于显示单元上.

湖库水质信息无线远程监测终端设备通过GPRS远程数据通信模块将GPS模块采集到的地理坐标信息和YSI采集的多种水质参数发送至监测中心的服务器终端. GPRS远程传输采用SIM300模块， SIM300的尺寸较小， 可以满足水质监测设备的尺寸要求. ARM主控器通过GPS串口和YSI串口获得监测设备处的地理坐标和各种水质参数等信息， 然后将这些数据通过GPRS模块发送到GPRS网络， 监测中心的服务器接入Internet网络， 通过TCP/IP协议， 即可以接收来自GPRS网络的信息数据， 从而实现无线远程监测终端设备与湖库水质监测中心的信息传输.

3 系统软件实现

3.1 软件系统的总体结构设计

监测终端设备采集到的地理坐标信息和多种水质信息， 通过GPRS技术无线传输到水质监测中心， 监测中心将获得的数据实时存储到数据库中， 并通过后面给出的水华预测的方法实现水华预测的功能. 水质监测中心的服务器模块主要运用并发服务器的机制来实现多个水质监测终端设备水质信息数据的接受. 这些数据通过ADO技术储存到数据库中， 监测中心的计算机再利用ADO技术和并发服务器的机制来读取数据库中的数据， 使用这些实时收集的数据来实现水华预测. 监测中心系统结构如图 6 所示.

图 6 软件模块结构图Fig.6 Software module structure diagram

3.2 信息管理与发布

湖库水质无线远程监测和水华预测系统需要实现对数据库的访问和调用功能来完成数据的显示及水华预测. 利用数据库的优点可以很好地进行水质信息数据的管理， 而且数据库储存数据占用的系统空间小， 并具有高效率的数据管理功能. 本系统使用SQL Server2008建立数据库， 运用图形化界面或create table命令来建立数据库， 如图 7 所示.

图 7 水质信息数据库Fig.7 Water quality information database

构建数据库之后， 利用ADO技术和SQL命令访问调用数据. 采用结构化查询语句定义、 操作、 控制和查询数据. 在MFC中导入ADO动态链接库， 然后通过访问ADO提供的Connection， Command和Recordset对象来实现对该数据库的控制和管理. 水质监测数据图和叶绿素曲线如图 8、
图 9 所示.

图 8 水质监测数据图Fig.8 Water quality monitoring data map

图 9 叶绿素曲线图Fig.9 Chlorophyll curve

4 基于灰色-神经网络的水华预测模型

湖库水体中水华的产生和消失过程中伴随着各种物理、 化学和生物变化， 各种无机物质相互关联并相互作用， 不同水体中诱导藻类大量繁殖的主要因素也存在显著差异， 这就使得湖库水华的预测成为一个难点. 许多学者对此问题进行了大量的研究， 但使用单一模型对藻类大量繁殖、 水华发生这一问题进行预测， 不可避免地会使预测准确度不足， 影响水华的预测效果.

本文将改进的NGM(1,1,k)模型应用于湖库水华的预测模型， 方法为：

设原始数列

X(0)=(x(0)(1),x(0)(2),…,x(0)(n)),

(1)

式中：X(0)为模型的原始数列，X(1)为X(0)的一次累加生成数列，Z(0)为X(0)的加权均值序列.

(2)

Z(0)=(z(0)(2),z(0)(3),…,z(0)(n)),

(3)

其中

z(0)(k)=px(0)(k)+(1-p)x(0)(k-1),

0≤p≤1.

(4)

改进的NGM(1,1,k)模型是在NGM(1,1,k)模型的白化方程中增加了一个参数常量， 白化方程重建为

(5)

灰微分方程表达式形式为

z(0)(k)+ax(1)(k)=kb+c.

(6)

该表达式就是改进的NGM(1,1,k)模型， 其建模步骤与NGM(1,1,k)模型类似[9，10]. 改进的NGM(1,1,k)模型和经典的灰色GM(1,1)模型一样， 都只考虑原始数据序列起点不变的情况， 导致预测的数据只能预测到最近的几组， 而对后续数据序列的预测精度将会变低， 预测的价值将会大大降低. 本文应用了一种改进的NGM(1,1,k)新陈代谢模型. 该模型在预测的同时将新得信息置入原始序列， 剔除掉旧信息， 以新的数据序列作为模型的条件进行新的预测， 可以使预测模型更好地反映预测系统的当前特性并保证预测的可靠性.

本文采用的灰色神经网络组合模型是首先使用改进的NGM(1,1,k)新陈代谢模型处理获取的水质信息数据， 然后将处理过的数据作为输入层输入到BP神经网络以获取预测结果. 选取了6种影响因素来进行水华预测， 分别为： 叶绿素， 水温， 光照， 溶解氧， 总磷和总氮. 组合模型中的神经网络选取BP神经网络， 网络层数选用3层， 通过实验并结合经验公式确定网络中隐含层的节点数. 神经网络输入层和隐含层之间的激励函数选取S型函数， 隐含层和输出层之间的激励函数选取线性函数. 灰色-神经网络水华预测模型结构如图 10 所示.

根据模型的预测结果和实际值做出水华预测结果如图 11 所示， 可以得出结论： 本文使用的灰色-神经网络组合的预测模型能够有效预测水华的生消， 该模型可以实现90%的预测精度， 并且可以用作该系统的预测模块的模型.

图 10 灰色-神经网络水华预测模型结构图Fig.10 Grey-neural network water bloom prediction model structure

图 11 基于灰色神经网络组合模型的水华预测结果图Fig.11 Water bloom prediction result graph based on grey neural network combination model

图 12 水华预测预警人机界面Fig.12 Water bloom forecasting and warning man-machine interface

5 结 论

本文设计开发了一种湖库水质无线远程监测和水华预测系统， 该系统集成了GPRS远程数据通信技术、 GPS地理定位技术和数据库技术. 本文着重介绍了系统的监测终端设备和监测中心管理软件的实现方法， 并给出了一种预测效果较好的水华预测模型， 它为湖库水质的无线远程监测和水华的高精度预测提供了有效的解决方案.