杨 昆，罗 毅,3，徐玉妃，商春雪，杨 扬



基于无线传感器网络与GIS的蓝藻水华爆发动态监测与模拟

杨 昆1,2，罗 毅1,2,3※，徐玉妃1,2，商春雪4，杨 扬1,2

（1. 云南师范大学信息学院，昆明 650500；2. 西部资源环境地理信息技术教育部工程研究中心，昆明 650500；3. 云南师范大学旅游与地理科学学院，昆明 650500；4. 云南师范大学教务处，昆明 650500）

准确获取水体中物质含量与分布区域是开展蓝藻水华爆发预防、预测、预警工作的基础。针对内陆湖泊蓝藻水华爆发突发性、随机性、区域性等特点，研究了一种基于无线传感器网络（wireless sensors networks，WSNs）及地理信息系统（Geographic Information System，GIS）相结合的蓝藻水华爆发动态监测与模拟方法。利用水质传感器组成多源异构水环境感知单元，获取湖泊水质数据；将改进的灰色理论（A Grey Model，AGM）及BP人工神经网络（BP Artificial Neural Network，BPANN）相结合，从而预测24 h内蓝藻水华的浓度与趋势；结合GIS强大的空间分析能力，实现蓝藻水华变化的空间描述。滇池现场试验结果表明，该方法具有一定的普适性，能够为湖泊环境保护与治理提供理论依据及数据支持。

污染；无线传感器网络；地理信息系统；灰色理论；人工神经网络

0 引 言

随着中国城镇化的快速推进、人类活动的不断扩张、全球气候变暖，内陆湖泊水污染问题变得越来越严重和复杂，富营养化越来越严重，形成以点源污染与非点源污染、内源污染与外源污染相结合的趋势，湖泊流域生态系统遭到了严重的破坏，蓝藻水华爆发日趋频繁，阻碍了流域社会经济可持续发展[1-2]。湖泊水体富营养化已不是完全的自然过程的结果，而是人文过程与自然过程相互作用、相互影响后的综合结果。

水质监测是水资源保护与治理的“眼睛”，是预测蓝藻水华爆发与强度评估的基础。随着科技的不断进步，湖泊水质监测手段和监测内容在不断地丰富，同时，监测精度也在不断地提高[3-4]。目前，内陆湖泊水质监测手段可大致分为间接监测与直接监测2种。具有代表性的间接监测方法为基于遥感（remote sensing，RS）技术的水质监测，由于其具有宏观性、时效性、经济性等特点，成为了湖泊研究强有力的技术手段，并已从最初的水域识别逐渐发展到水质监测与预测。随着遥感技术研究的不断深入，逐渐从水质定性研究发展到了定量分析，可监测的水质参数种类也在不断增加，包括叶绿素浓度、悬浮物浓度、总氮、总磷等，其精度也随着遥感传感器的发展不断提高，国内外学者在该领域的研究取得了大量的研究成果，以卫星遥感为技术手段的区域性、整体性湖泊水质监测、富营养化评估已趋于成熟，能够从长时间序列、全空间角度了解湖泊水质状况及富营养变化趋势[5-7]，但该方法仍存在以下几个问题：

1）遥感影像数据需结合原位水质数据及相应的反演算法才能够实现水质监测与蓝藻水华预警，并且卫星遥感影像数据更新周期相对较长；

2）水质参数反演精度受环境条件限制，结果波动较大；很多水质参数随时间改变现象严重，无法准确获取湖泊中造成水质恶化、富营养化主要因子；

3）大量研究结果表明，湖泊蓝藻水华爆发主要跟水质参数浓度（如叶绿素、溶解氧、酸碱度、浊度等）及气象条件（气温、光照、风速风向、降雨等）有关[8-9]，虽然通过遥感监测手段能够获取湖泊水质参数分布情况，但难以得到湖泊周边气象环境参数（如风速风向、光照等）。

随着传感器、无线通信、微机电等技术的发展，无线传感器网络日趋成熟，监测节点具有低成本、低功耗、自组网等特点[10-14]，使得在湖泊中大面积、长期布置无人值守的监测网络成为可能[15]。无线传感器网络作为“地球观测系统”的一个近地组成部分，近年来得到了广泛共识，国际上已经把无线传感器网络作为环境遥感领域未来发展的一个重要组成部分。国内学者以无线传感器网作为监测手段在不同领域（农业信息获取、大气环境监测、水质环境监测、土壤环境监测、矿山环境监测、地质灾害监测等）开展了大量研究工作[16-19]。以原位传感器为监测手段，结合无线传感器网络技术实现内陆湖泊水质高密度、高精度连续观测，获取流域生态过程的时空变化特征越来越被重视。该方法可同时监测湖泊水质因子及湖泊周边环境因子，为研究影响湖泊水质的内因与外因的相互作用过程及机理提供可靠的数据支持。

滇池是中国第六大淡水湖，也是云南省最大的高原湖泊，有着独特的区域位置与生态服务功能，是昆明市人文环境发展与自然环境发展的重要载体。但是近30a以来，滇池水质由20世纪60年代的II类水变为了劣V类，是中国污染最严重的湖泊之一。针对这一问题，昆明市已构建了国内首个大型湖泊四层次（片区截污、集镇与村庄截污、河道截污、干渠截污）全流域环湖截污治污工程，滇池流域工业废水和城市生活污水等点源污染得到了有效控制，但流域周边花卉及蔬菜种植占耕地面积比例仍处于较高水平，非点源污染控制效果不明显，目前非点源污染对滇池的氮磷贡献率已接近流域污染负荷入湖量的一半，非点源污染已经取代点源污染成为水环境污染的最重要来源，其负荷比重在逐步上升[20-21]。

为此，本文选取滇池为试验区，探索高速城镇化背景下，点源污染及非点源污染共同作用下的城市型湖泊水环境监测与蓝藻水华爆发预测理论与方法，其研究方法具有普适性，研究区具有代表性。

综上所述，本研究以多源异构水环境传感器阵列为检测手段，以AGM及BPANN为理论依据，以GIS作为空间分析平台，实现宏观与微观、内部环境与外部环境相结合的湖泊蓝藻水华监测与时空过程模拟。

1 模型参数选取及评价标准

1.1 参数选取

正确、合理地选择监测指标是准确、快速预测蓝藻水华爆发区域及趋势的基础。与湖泊富营养化相关的指标种类繁多，根据类型可划分为物理、化学、生物3种指标。物理指标中对蓝藻水华爆发作用最明显的指标主要有透明度、光照、温度、风速、风向等；化学指标主要是指为藻类生长提供能量的营养盐，如总氮、总磷、化学需氧量、溶解氧等；生物指标是指由于富营养化而出现的优势藻类生物种类及数量，如叶绿素a、藻类密度等。由于蓝藻水华的爆发是多种因素、多种条件相互作用导致藻类大量繁殖和富集，其爆发是偶然中的必然结果，不能从某一个或几个指标来预测富营养化程度和趋势。但是，将所有与蓝藻水华爆发相关的指标都作为预测模型的输入是不现实的。一方面，过多的输入变量会减慢算法收敛速度，并伴随大量噪声的产生，影响预测速度，降低预测精度；另一方面，某些指标是无法利用原位传感器获取的，如总氮、总磷、化学需氧量、藻类密度、高锰酸盐浓度等，只能通过取水样后在特定的试验条件下获得，不适用于实时性要求较高的场合。

根据云南省环境监测中心站提供的2014年环境状况公报显示，滇池草海及外海水质类别均为劣V类，滇池草海与滇池外海的化学需氧量年平均值分别为58、71 mg/L，总磷年平均值分别为0.22、0.13 mg/L，总氮年平均值分别为0.85、0.73 mg/L，高锰酸盐年平均值分别约为9.8、9.6 mg/L，年平均营养状态指数分别为72、65。参考国家环境保护总局颁布的《地表水环境质量标准》关于水环境质量标准限制可知，滇池草海属于重度富营养状态，滇池外海属于中度富营养状态，此种状态短期内不会改变，其化学需氧量、总氮、总磷、高锰酸盐浓度变化幅度不大，而且由于滇池水体长期处于高营养盐水平，对蓝藻水华生长在短期内没有显著影响。上述结果也表明滇池流域非点源污染对滇池水环境的影响仍较严重。

本文选取了与富营养化相关性较高的总氮（total nitrogen，TN）、总磷（total phosphorus，TP）、化学需氧量（chemical oxygen demand，COD）、高锰酸盐指数（permanganate index，PI）、叶绿素a（chlorophyll a, Chla）、溶解氧（dissolved oxygen，DO）、浊度（turbility，TUR）、酸碱度（pH）、水温、光照、风速、风向、降雨13个参数作为模型的输入，其中总氮、总磷、化学需氧量、高锰酸盐指数4个参数采用云南省环境监测中心公布的数据；叶绿素a、溶解氧、浊度、酸碱度、水温5个参数通过原位传感器获取；光照、风速、风向、降雨4个参数采用云南省气象局官方发布的气象数据。

1.2 蓝藻水华爆发评价标准

李颖等[22]采用蓝藻密度指标对滇池蓝藻水华程度分5级进行评价；刘聚涛等[23]以蓝藻漂浮带面积作为太湖蓝藻水华分级依据，并将其划分为小型、中型、大型、重大、特大共5个级别；陈淑红等[24]通过监测湖泊中鱼类运动特征，选取曲率及邻近特征2个参数评价水质情况；孔繁翔等[25]选取了与气象、水质、水文相关的10个参数作为评价依据，采用叶绿素a作为蓝藻水华程度的一致性描述。

由于湖泊处于富营养化状态后，水体中优势生物种类和数量会急剧增加，根据浮游藻类优势种群的变化可以评价湖泊富营养化程度。叶绿素a浓度可以综合反映水体中藻类数量多寡，分析和预测叶绿素a的变化情况，能够掌握湖泊中浮游植物生物量状况及变化趋势。研究结果表明[26-27]，当水体中叶绿素a的浓度大于10g/L时，容易形成水华，但蓝藻水华是否会爆发还与气温、光照、风速风向、湖泊形态特征（如深度、面积、换水周期等）有关。研究发现[28]，滇池水体叶绿素a年平均浓度在50g/L左右，结合历年滇池蓝藻水华爆发时叶绿素a浓度数据，当叶绿素a浓度大于60g/L时，认为蓝藻水华有可能爆发。本文采用叶绿素a、总氮、总磷等13个指标作为模型输入，预测未来24 h内湖泊叶绿素a含量，从而对蓝藻水华浓度与分布进行一致性评价。

2 算法分析

由于湖泊体系是一个多层次、多因素、多目标的复杂系统，蓝藻水华更是具有明显的层次复杂性、动态变化的随时性、指标数据的不完全性和不确定性等特点，表明湖泊蓝藻水华预测是典型的灰色系统。另外，蓝藻水华的暴发存在较大地区性差异，是外界环境因素及水体内部环境因素相互作用的结果，表明蓝藻水华爆发预测是一个非线性问题。由于人工智能神经网络能够较好地模拟非线性过程，非常适用于机理不明确的高维非线性系统。

为此，本文将改进的灰色理论与BP人工神经网络相结合，建立了AGM-BP人工神经网络模型（AGM-BPANN），充分考虑外界环境因素（降雨、风速、风向）及水体内部环境因素（总氮、总磷、化学需氧量、高锰酸盐、叶绿素、溶解氧、pH值、水温），从而预测一定时间尺度条件下湖泊蓝藻水华变化规律。图1为AGM-BPANN模型结构框图。

2.1 改进的灰色理论算法

AGM(1,1)是灰色预测的核心，它是由GM(1,1)模型演变而来。GM(1,1)是一个单变量预测的一阶微分方程模型，其离散时间响应函数呈近似指数规律。建模过程如下：假定原始水质数据序列为(0)={(0)(1)，(0)(2)，…，(0)()}，将该序列进行累加，得到累加生成序列(1)()，即

得到新序列(1)={(1)(1)，(1)(2)，…，(1)()}，建立该序列的微分方程为

（2）

将式（2）用离散形式表示，得到

式中为待辨识参数，亦称发展系统；为待辨识内生变量，亦称灰作用量。假设待估参量为

（4）

其中

（5）

由于，为已知参数，为未知参数，方程个数为-1个，故方程有解。s为常量e，采用最小二乘法计算矩阵的参数。将计算结果带入式（2），可得到累加时间数列GM(1,1)预测模型如式6所示

（7）

综上所述，传统的GM(1,1)模型在建模过程中包含“累加”和“还原”2步，由于这2步在降低数据随机性的处理过程中会产生误差，所以传统的灰色预测模型GM(1,1)是一种有偏差的指数模型，故实际应用中不能得到良好的预测效果。

而AGM(1,1)是一种无偏差的预测模型，取消了“还原”过程，故减小了建模过程中产生的误差。根据式（4），使用传统GM(1,1)模型参数，来表示AGM(1,1)模型参数和的估计，可用式（8）表示。

即可建立基于AGM(1,1)的拟合公式

（9）

2.2 BP人工神经网络算法

BP人工神经网络主要包括输入层、隐含层、输出层3个部分，其网络结构描述如图2a所示。输入层将水质相关信息接入到算法中，根据网络结构把数据以一定的方式传递到下一层；隐含层通常包括一个以上的网络层数，每一层有一定数量的网络节点，从而形成网络体系。隐含层常用的激活函数()（即图2a中的1）为Sigmoid函数或双曲正切函数，其表达式可通过式（10）、（11）表示。

注：代表输入矢量纬数，代表阈值，代表神经元的权值矢量，代表输入信号，S代表隐层神经元的个数，S代表输出层神经元的个数，1代表隐层神经元的输出矢量，2代表输出层神经元的输出矢量，代表神经元从输入层到隐层权重的修正系数，代表神经元从隐层到输出层权重的修正系数。

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. 算法矩阵描述

a. Description of algorithm matrix

Sigmoid:（10）

双曲正切：（11）

输出层将输入网络的信息进行计算后输出结果，当算法用于函数逼近时，通常选取线性函数（如()=+）作为激活函数（即图2a中的2）。

假设O为输出节点，H为隐含层节点，I为输入节点，W为层到层间的权重，V为第层与输出层间的权重，为节点的阈值，每个隐含层节点的输出可用式（12）表示。

那么输出节点O可用式13表示。

（13）

BP人工神经网络学习过程分为正向传播和反向传播2个过程。网络学习流程如图3所示。通过正向传播，得到网络输出，若实际输出与期望输出之间有偏差，那么将计算得到的误差按连接通路返回，然后再重新进行正向传播。根据输出结果，适当调整网络权值与阈值，从而减小误差，当误差达到所期望的要求时，完成网络学习过程。

2.3 基于AGM及BPANN的蓝藻水华预测方法

湖泊的富营养化是由水体的物理、化学和生物过程等多种因素共同作用的结果，也是自然因素与人文因素相互作用的结果。一方面，由于湖泊系统演化的不确定性强，规律不明确，其状态、结构、边界关系难以精确描述。灰色理论能够根据过去已知或不确切的信息和特征对原始数据进行累加或累减建立灰色模型，运用时间序列数据确定微分方程的参量，逐步使灰量白化。另一方面，湖泊系统各要素之间关系复杂，存在随机性、不确定性，呈复杂的非线性映射关系。人工神经网络在解决不完全、不可靠和不确定的知识和信息转变为完全、可靠和确定的知识和信息具有较大的优势，尤其适用于求解机理不明确的高维非线性问题。图4为AGM-BPANN组合算法流程图。

3 试验设计

3.1 系统架构设计

由于系统主要是为了实现水质相关信息的获取、传递、融合处理、使用等功能，项目组在前期理论和算法研究[29-31]基础上，构建了监测层、数据存储层、模型层、应用层4层体系结构，系统构架如图5所示。应用层由布设在滇池水体中的监测节点构成，实现水质信息的感知；由于模型中使用到一系列的结构化数据/非结构化数据、关系数据/非关系数据，故采用MongoDB非关系型数据库搭建数据存储层，实现多元异构数据的管理；在使用模型进行预测和评估之前，需要对模型进行训练和优化，模型层为经过训练和优化的模型接口，使用时直接调用即可；系统得到的水质实时数据及预测结果通过GIS技术实现可视化表达，使用者通过应用层实现人机交互。

3.2 监测节点设计

监测节点硬件可分为环境感知、传感信号变换、数据处理与数据融合、数据交互、系统供电5部分。环境感知部分主要由一系列水质传感器、气象传感器组成，实现水质、气象信息的获取，传感信号变换部分将传感器阵列输出的电信号经过放大、整形、滤波、A/D变换后传至下一级；数据处理与融合部分采用LPC1788作为主控芯片，实现数据的收集、预处理等功能；数据交互部分主要由GPS模块及GPRS模块构成，前者获取监测区域的时空信息，后者实现监测节点与监测中心的数据/指令传输。图6为传感器及监测系统。

由于监测节点需布置在湖水中，长期无人值守，无法采用传统的电线电缆对监测节点进行供电，故利用太阳能电池板将光能转化为电能，并将转化的电能存储到锂电池中，实现能量的储存，从而为监测节点供电。太阳能电池板发电功率（单位：W）及锂电池容量（，单位：mA/h）可通过式（14）及式（15）计算得出。

（15）

式（14）中，为安全系数；Q为监测节点的日平均耗电量，Ah；为温度修正系数；为最长连续阴雨天数，d；为放电容量系数。式15中，Q为监测节点日功耗；H为水平面年平均日辐射量，Wh/m2；为安全系数。结合昆明市辐射参数表及气象历史数据，将相关参数带入公式计算得出锂电池容量≥31Ah，太阳能电池板发电功率≤35 W，考虑系统需有一定的余量，本设计选取12 V/35 Ah锂电池、40 W太阳能电池板。

3.3 传感器校准

3.3.1 叶绿素a传感器校准

根据测试点选取原则及样本空间大小选取原则，在叶绿素a传感器监测范围内采用化学方法配备了13种叶绿素a标准溶液，浓度分别为0、0.1、1、10、20、30、40、50、60、70、80、90、100g/L。并采用叶绿素a含量仪对配备的标准液进行测定，同时利用监测节点分别对13个标准溶液进行测定。测试结果可知，叶绿素a最大测量误差约0.08g/L，根据测量误差对叶绿素a传感器进行校准。

3.3.2 pH传感器校准

由于pH传感器采用电极法实现酸碱度测量，在使用之前，必须对pH传感器进行校准。根据测试点选取原则及样本空间大小选取原则，选取了6种pH缓冲液对pH传感器进行测定，分别为pH值4.00、6.86、7.00、9.18、10.01、12.46，得出pH测量误差分布，pH值最大测量相对误差约0.12，从而对pH传感器进行校准。

3.3.3 溶解氧传感器校准

根据溶解氧传感器的电极特性及工作原理，一般采用标准液对溶解氧传感器进行2点标定，即零点校准及量程校准。首先将溶解氧传感器置于0溶解氧溶液，记录监测节点输出值；然后再将溶解氧传感器置于饱和湿空气中，记录监测节点输出值；最后得出其零点误差及量程误差后，对传感器进行校准。经过重复性试验得出溶解氧传感器零点误差为±0.2 mg/L，满量程误差为±3.4 mg/L。

4 结果分析

课题组于2015年6月至2015年12月在滇池海埂公园开展了连续的水质监测试验，图7为研究区概况。监测参数包括叶绿素、溶解氧、pH值、氨氮、温度，数据更新周期为6 h，每天获取4组数据。在导入模型之前对原始数据进行了预处理，每种水质数据以每天4组数据的平均值输入到模型中。经过反复试验验证及模型校准，综合考虑气象预报数据的精度问题，得出本文提出的AGM-BPANN模型以3 d实测数据预测未来24 h的水质情况及蓝藻水华预警精度最高。

4.1 基于AGM(1,1)的水质预测结果分析

首先将2015年6月1日至2015年10月15日的叶绿素、溶解氧、pH值、氨氮、高锰酸盐指数、温度水质数据导入到AGM模型中，得到实测数据与预测数据曲线如图8所示。

以相关系数及残差2个参数评价预测质量，若→1且→0，表明模型预测能力越好，当<0.6，表明模型预测能力差；当0.6≤<0.8，表明模型预测能力合格；当0.8≤<0.9，表明模型预测能力良好；当≥0.9，表明模型预测能力优秀；通过计算得到，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。试验结果表明，AGM(1,1)模型具备较好的短期水质预测能力，能够正确、可靠地反映未来24 h的水质变化情况。

4.2 基于AGM+BPANN的叶绿素a浓度预测结果分析

叶绿素a（Chla）是反映水体中浮游植物生物量的综合指标，是表征水体富营养化现象及程度的最重要的指标之一。由于叶绿素a的变化是多种因素叠加的复合结果，并且叶绿素a的含量具有一定的传递性，即上一时刻叶绿素a的含量一定程度跟下一时刻叶绿素a的含量具有关联性，故将叶绿素a、溶解氧、酸碱度、氨氮、高锰酸盐指数、水温6个实测数据及总氮、总磷、化学需氧量、风速、风向、降雨这6个历史数据作为模型输入，将叶绿素a含量作为BPANN的模型输出。从4.1节预测结果可知，AGM(1,1)模型能够有效预测未来24 h内湖泊水质变化情况，故利用AGM(1,1)模型的输出结果训练和验证BPANN网络是可靠的。对网络进行反复训练1 000次促使网络收敛，同时，结合Mirchadani理论最终确定网络由3个隐含层（每层8个节点）构成，使得训练误差达到10-2。采用sim函数检验网络性能，得到其相关系数=0.995，表明模型网络具有较好的网络性能。最后对网络进行确证分析，采用实测的水质样本集作为检验网络泛化能力的确证集，采用残差来评价网络学习性能的优劣。由于7月6日至7月9日期间滇池海埂公园周围水域爆发了较严重的蓝藻水华，故以2015年6月24日至2015年7月23日水环境数据作为确证集，检验模型预测能力。图9a为现场水质监测照片，图9b为蓝藻水华爆发时空过程模拟专题图。图10为实测叶绿素a、AGM预测及组合预测叶绿素a曲线。

通过计算得到Chla=0.93，Chla=4.77，当单独采用AGM预测模型对叶绿素a浓度进行预测时，Chla=0.86，Chla=9.74，表明组合算法预测效果更好；另外从预测结果曲线可得出，采用组合预测方法对叶绿素a浓度进行预测的结果更接近实测叶绿素a浓度变化过程。

5 结 论

本文研究了一种内陆湖泊蓝藻水华爆发动态监测与时空过程模拟方法，并以滇池为研究区验证了该方法的有效性及科学性。试验结果表明，AGM-BPANN组合模型能够有效合理地解释和模拟湖泊富营养化进程的非线性问题，并成功地预测了滇池中的叶绿素a含量，能够为滇池富营养化治理与预警提供科学依据。

[1] 张新，程熙，李万庆，等. 流域非点源污染景观源汇格局遥感解析[J]. 农业工程学报，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] 李跃勋，徐晓梅，何佳，等. 滇池流域点源污染控制与存在的问题解析[J]. 湖泊科学，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] 武胜利，刘诚，孙军，等. 卫星遥感太湖蓝藻水华分布及其气象影响要素分析[J]. 气象，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] 邹志强，王悦，沙超，等. 无线传感器水下监测网络稀疏采样和近似重构[J]. 仪器仪表学报，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] 秦伯强，张运林，高光，等. 湖泊生态恢复的关键因子分析[J]. 地理科学进展，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，张合，马少杰. 低功耗声/超声复合传感器节点设计[J]. 仪器仪表学报，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，王卫星，孙道宗，等. 能量自给的果园信息采集无线传感器网络节点设计[J] . 农业工程学报，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] 朱永红，丁恩杰，胡延军. PSO优化的能耗均衡WSNs路由算法[J]. 仪器仪表学报，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] 宫鹏. 环境监测中无线传感器网络地面遥感新技术[J]. 遥感学报，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，罗锡文，等. 兰花大棚内无线传感器网络433 MHz信道传播特性试验[J]. 农业工程学报，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] 陈晓栋，郭平毅，兰艳亭. 基于780 MHz频段的温室无线传感器网络的设计及试验[J]. 农业工程学报，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] 晋锐，李新，阎保平，等. 黑河流域生态水文传感器网络设计[J]. 地球科学进展，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] 王双双. 滇池东岸大棚种植区农业非点源径流污染模拟研究[D]. 重庆：重庆大学，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，杜鹏飞，张大伟，等. 滇池流域大棚种植区面源污染模拟[J]. 清华大学学报：自然科学版，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] 李颖，施择，张榆霞，等. 关于用藻密度对蓝藻水华程度进行分级评价的方法和运用[J]. 环境与可持续发展，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] 刘聚涛，杨永生，高俊峰，等. 太湖蓝藻水华灾害灾情评估方法初探[J]. 湖泊科学，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] 程淑红，刘洁，李雷华. 基于鱼类运动行为的水质异常评价因子研究[J]. 仪器仪表学报，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，马荣华，高俊峰，等. 太湖蓝藻水华的预防、预测和预警的理论与实践[J]. 湖泊科学，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. 大型浅水富营养化湖泊中蓝藻水华形成机理的思考[J]. 生态学报，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，谢国清，戴丛蕊，等. 滇池外海水体叶绿素a与水质因子关系研究[J]. 云南地理环境研究，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] 罗毅，杨昆，董麟，等. 开关接触电阻动态测量方法研究[J]. 仪器仪表学报，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] 罗毅，施云波，杨昆，等. 用于探空仪的加热式湿度传感器及测量电路[J]. 光学精密工程，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] 罗毅，施云波，渠立亮，等. 谐波分析及交流比较的高空温度探测方法研究[J]. 仪器仪表学报，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

国家863计划（2012AA121402）；教育部博士点专项基金（20115303110002）；云南省自然科学基金青年项目（2016FD020）；云南师范大学博士科研启动项目（01000205020503066）

杨 昆，教授，博士生导师，武汉大学地图制图学与地理信息工程专业博士生导师，十二五期间863专家组成员，研究方向为地图制图学与地理信息工程。昆明 云南师范大学信息学院，650500。Email：kmdcynu@163.com

罗 毅，博士，讲师，硕导，主要研究方向为无线传感器网络，地理信息系统。昆明 云南师范大学信息学院，650500。Email：luoyi861030@163.com