基于無線傳感器網絡與GIS的藍藻水華爆發動態監測與模擬

楊 昆，羅 毅,3，徐玉妃，商春雪，楊 揚

?

基于無線傳感器網絡與GIS的藍藻水華爆發動態監測與模擬

楊 昆1,2，羅 毅1,2,3※，徐玉妃1,2，商春雪4，楊 揚1,2

（1. 云南師范大學信息學院，昆明 650500；2. 西部資源環境地理信息技術教育部工程研究中心，昆明 650500；3. 云南師范大學旅游與地理科學學院，昆明 650500；4. 云南師范大學教務處，昆明 650500）

準確獲取水體中物質含量與分布區域是開展藍藻水華爆發預防、預測、預警工作的基礎。針對內陸湖泊藍藻水華爆發突發性、隨機性、區域性等特點，研究了一種基于無線傳感器網絡（wireless sensors networks，WSNs）及地理信息系統（Geographic Information System，GIS）相結合的藍藻水華爆發動態監測與模擬方法。利用水質傳感器組成多源異構水環境感知單元，獲取湖泊水質數據；將改進的灰色理論（A Grey Model，AGM）及BP人工神經網絡（BP Artificial Neural Network，BPANN）相結合，從而預測24 h內藍藻水華的濃度與趨勢；結合GIS強大的空間分析能力，實現藍藻水華變化的空間描述。滇池現場試驗結果表明，該方法具有一定的普適性，能夠為湖泊環境保護與治理提供理論依據及數據支持。

污染；無線傳感器網絡；地理信息系統；灰色理論；人工神經網絡

0 引 言

隨著中國城鎮化的快速推進、人類活動的不斷擴張、全球氣候變暖，內陸湖泊水污染問題變得越來越嚴重和復雜，富營養化越來越嚴重，形成以點源污染與非點源污染、內源污染與外源污染相結合的趨勢，湖泊流域生態系統遭到了嚴重的破壞，藍藻水華爆發日趨頻繁，阻礙了流域社會經濟可持續發展[1-2]。湖泊水體富營養化已不是完全的自然過程的結果，而是人文過程與自然過程相互作用、相互影響后的綜合結果。

水質監測是水資源保護與治理的“眼睛”，是預測藍藻水華爆發與強度評估的基礎。隨著科技的不斷進步，湖泊水質監測手段和監測內容在不斷地豐富，同時，監測精度也在不斷地提高[3-4]。目前，內陸湖泊水質監測手段可大致分為間接監測與直接監測2種。具有代表性的間接監測方法為基于遙感（remote sensing，RS）技術的水質監測，由于其具有宏觀性、時效性、經濟性等特點，成為了湖泊研究強有力的技術手段，并已從最初的水域識別逐漸發展到水質監測與預測。隨著遙感技術研究的不斷深入，逐漸從水質定性研究發展到了定量分析，可監測的水質參數種類也在不斷增加，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展不斷提高，國內外學者在該領域的研究取得了大量的研究成果，以衛星遙感為技術手段的區域性、整體性湖泊水質監測、富營養化評估已趨于成熟，能夠從長時間序列、全空間角度了解湖泊水質狀況及富營養變化趨勢[5-7]，但該方法仍存在以下幾個問題：

1）遙感影像數據需結合原位水質數據及相應的反演算法才能夠實現水質監測與藍藻水華預警，并且衛星遙感影像數據更新周期相對較長；

2）水質參數反演精度受環境條件限制，結果波動較大；很多水質參數隨時間改變現象嚴重，無法準確獲取湖泊中造成水質惡化、富營養化主要因子；

3）大量研究結果表明，湖泊藍藻水華爆發主要跟水質參數濃度（如葉綠素、溶解氧、酸堿度、濁度等）及氣象條件（氣溫、光照、風速風向、降雨等）有關[8-9]，雖然通過遙感監測手段能夠獲取湖泊水質參數分布情況，但難以得到湖泊周邊氣象環境參數（如風速風向、光照等）。

隨著傳感器、無線通信、微機電等技術的發展，無線傳感器網絡日趨成熟，監測節點具有低成本、低功耗、自組網等特點[10-14]，使得在湖泊中大面積、長期布置無人值守的監測網絡成為可能[15]。無線傳感器網絡作為“地球觀測系統”的一個近地組成部分，近年來得到了廣泛共識，國際上已經把無線傳感器網絡作為環境遙感領域未來發展的一個重要組成部分。國內學者以無線傳感器網作為監測手段在不同領域（農業信息獲取、大氣環境監測、水質環境監測、土壤環境監測、礦山環境監測、地質災害監測等）開展了大量研究工作[16-19]。以原位傳感器為監測手段，結合無線傳感器網絡技術實現內陸湖泊水質高密度、高精度連續觀測，獲取流域生態過程的時空變化特征越來越被重視。該方法可同時監測湖泊水質因子及湖泊周邊環境因子，為研究影響湖泊水質的內因與外因的相互作用過程及機理提供可靠的數據支持。

滇池是中國第六大淡水湖，也是云南省最大的高原湖泊，有著獨特的區域位置與生態服務功能，是昆明市人文環境發展與自然環境發展的重要載體。但是近30a以來，滇池水質由20世紀60年代的II類水變為了劣V類，是中國污染最嚴重的湖泊之一。針對這一問題，昆明市已構建了國內首個大型湖泊四層次（片區截污、集鎮與村莊截污、河道截污、干渠截污）全流域環湖截污治污工程，滇池流域工業廢水和城市生活污水等點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，非點源污染控制效果不明顯，目前非點源污染對滇池的氮磷貢獻率已接近流域污染負荷入湖量的一半，非點源污染已經取代點源污染成為水環境污染的最重要來源，其負荷比重在逐步上升[20-21]。

為此，本文選取滇池為試驗區，探索高速城鎮化背景下，點源污染及非點源污染共同作用下的城市型湖泊水環境監測與藍藻水華爆發預測理論與方法，其研究方法具有普適性，研究區具有代表性。

綜上所述，本研究以多源異構水環境傳感器陣列為檢測手段，以AGM及BPANN為理論依據，以GIS作為空間分析平臺，實現宏觀與微觀、內部環境與外部環境相結合的湖泊藍藻水華監測與時空過程模擬。

1 模型參數選取及評價標準

1.1 參數選取

正確、合理地選擇監測指標是準確、快速預測藍藻水華爆發區域及趨勢的基礎。與湖泊富營養化相關的指標種類繁多，根據類型可劃分為物理、化學、生物3種指標。物理指標中對藍藻水華爆發作用最明顯的指標主要有透明度、光照、溫度、風速、風向等；化學指標主要是指為藻類生長提供能量的營養鹽，如總氮、總磷、化學需氧量、溶解氧等；生物指標是指由于富營養化而出現的優勢藻類生物種類及數量，如葉綠素a、藻類密度等。由于藍藻水華的爆發是多種因素、多種條件相互作用導致藻類大量繁殖和富集，其爆發是偶然中的必然結果，不能從某一個或幾個指標來預測富營養化程度和趨勢。但是，將所有與藍藻水華爆發相關的指標都作為預測模型的輸入是不現實的。一方面，過多的輸入變量會減慢算法收斂速度，并伴隨大量噪聲的產生，影響預測速度，降低預測精度；另一方面，某些指標是無法利用原位傳感器獲取的，如總氮、總磷、化學需氧量、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條件下獲得，不適用于實時性要求較高的場合。

根據云南省環境監測中心站提供的2014年環境狀況公報顯示，滇池草海及外海水質類別均為劣V類，滇池草海與滇池外海的化學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，年平均營養狀態指數分別為72、65。參考國家環境保護總局頒布的《地表水環境質量標準》關于水環境質量標準限制可知，滇池草海屬于重度富營養狀態，滇池外海屬于中度富營養狀態，此種狀態短期內不會改變，其化學需氧量、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鹽水平，對藍藻水華生長在短期內沒有顯著影響。上述結果也表明滇池流域非點源污染對滇池水環境的影響仍較嚴重。

本文選取了與富營養化相關性較高的總氮（total nitrogen，TN）、總磷（total phosphorus，TP）、化學需氧量（chemical oxygen demand，COD）、高錳酸鹽指數（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、風速、風向、降雨13個參數作為模型的輸入，其中總氮、總磷、化學需氧量、高錳酸鹽指數4個參數采用云南省環境監測中心公布的數據；葉綠素a、溶解氧、濁度、酸堿度、水溫5個參數通過原位傳感器獲取；光照、風速、風向、降雨4個參數采用云南省氣象局官方發布的氣象數據。

1.2 藍藻水華爆發評價標準

李穎等[22]采用藍藻密度指標對滇池藍藻水華程度分5級進行評價；劉聚濤等[23]以藍藻漂浮帶面積作為太湖藍藻水華分級依據，并將其劃分為小型、中型、大型、重大、特大共5個級別；陳淑紅等[24]通過監測湖泊中魚類運動特征，選取曲率及鄰近特征2個參數評價水質情況；孔繁翔等[25]選取了與氣象、水質、水文相關的10個參數作為評價依據，采用葉綠素a作為藍藻水華程度的一致性描述。

由于湖泊處于富營養化狀態后，水體中優勢生物種類和數量會急劇增加，根據浮游藻類優勢種群的變化可以評價湖泊富營養化程度。葉綠素a濃度可以綜合反映水體中藻類數量多寡，分析和預測葉綠素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。研究結果表明[26-27]，當水體中葉綠素a的濃度大于10g/L時，容易形成水華，但藍藻水華是否會爆發還與氣溫、光照、風速風向、湖泊形態特征（如深度、面積、換水周期等）有關。研究發現[28]，滇池水體葉綠素a年平均濃度在50g/L左右，結合歷年滇池藍藻水華爆發時葉綠素a濃度數據，當葉綠素a濃度大于60g/L時，認為藍藻水華有可能爆發。本文采用葉綠素a、總氮、總磷等13個指標作為模型輸入，預測未來24 h內湖泊葉綠素a含量，從而對藍藻水華濃度與分布進行一致性評價。

2 算法分析

由于湖泊體系是一個多層次、多因素、多目標的復雜系統，藍藻水華更是具有明顯的層次復雜性、動態變化的隨時性、指標數據的不完全性和不確定性等特點，表明湖泊藍藻水華預測是典型的灰色系統。另外，藍藻水華的暴發存在較大地區性差異，是外界環境因素及水體內部環境因素相互作用的結果，表明藍藻水華爆發預測是一個非線性問題。由于人工智能神經網絡能夠較好地模擬非線性過程，非常適用于機理不明確的高維非線性系統。

為此，本文將改進的灰色理論與BP人工神經網絡相結合，建立了AGM-BP人工神經網絡模型（AGM-BPANN），充分考慮外界環境因素（降雨、風速、風向）及水體內部環境因素（總氮、總磷、化學需氧量、高錳酸鹽、葉綠素、溶解氧、pH值、水溫），從而預測一定時間尺度條件下湖泊藍藻水華變化規律。圖1為AGM-BPANN模型結構框圖。

2.1 改進的灰色理論算法

AGM(1,1)是灰色預測的核心，它是由GM(1,1)模型演變而來。GM(1,1)是一個單變量預測的一階微分方程模型，其離散時間響應函數呈近似指數規律。建模過程如下：假定原始水質數據序列為(0)={(0)(1)，(0)(2)，…，(0)()}，將該序列進行累加，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

式中為待辨識參數，亦稱發展系統；為待辨識內生變量，亦稱灰作用量。假設待估參量為

（4）

其中

（5）

由于，為已知參數，為未知參數，方程個數為-1個，故方程有解。s為常量e，采用最小二乘法計算矩陣的參數。將計算結果帶入式（2），可得到累加時間數列GM(1,1)預測模型如式6所示

（7）

綜上所述，傳統的GM(1,1)模型在建模過程中包含“累加”和“還原”2步，由于這2步在降低數據隨機性的處理過程中會產生誤差，所以傳統的灰色預測模型GM(1,1)是一種有偏差的指數模型，故實際應用中不能得到良好的預測效果。

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

即可建立基于AGM(1,1)的擬合公式

（9）

2.2 BP人工神經網絡算法

BP人工神經網絡主要包括輸入層、隱含層、輸出層3個部分，其網絡結構描述如圖2a所示。輸入層將水質相關信息接入到算法中，根據網絡結構把數據以一定的方式傳遞到下一層；隱含層通常包括一個以上的網絡層數，每一層有一定數量的網絡節點，從而形成網絡體系。隱含層常用的激活函數()（即圖2a中的1）為Sigmoid函數或雙曲正切函數，其表達式可通過式（10）、（11）表示。

注：代表輸入矢量緯數，代表閾值，代表神經元的權值矢量，代表輸入信號，S代表隱層神經元的個數，S代表輸出層神經元的個數，1代表隱層神經元的輸出矢量，2代表輸出層神經元的輸出矢量，代表神經元從輸入層到隱層權重的修正系數，代表神經元從隱層到輸出層權重的修正系數。

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）

輸出層將輸入網絡的信息進行計算后輸出結果，當算法用于函數逼近時，通常選取線性函數（如()=+）作為激活函數（即圖2a中的2）。

假設O為輸出節點，H為隱含層節點，I為輸入節點，W為層到層間的權重，V為第層與輸出層間的權重，為節點的閾值，每個隱含層節點的輸出可用式（12）表示。

那么輸出節點O可用式13表示。

（13）

BP人工神經網絡學習過程分為正向傳播和反向傳播2個過程。網絡學習流程如圖3所示。通過正向傳播，得到網絡輸出，若實際輸出與期望輸出之間有偏差，那么將計算得到的誤差按連接通路返回，然后再重新進行正向傳播。根據輸出結果，適當調整網絡權值與閾值，從而減小誤差，當誤差達到所期望的要求時，完成網絡學習過程。

2.3 基于AGM及BPANN的藍藻水華預測方法

湖泊的富營養化是由水體的物理、化學和生物過程等多種因素共同作用的結果，也是自然因素與人文因素相互作用的結果。一方面，由于湖泊系統演化的不確定性強，規律不明確，其狀態、結構、邊界關系難以精確描述。灰色理論能夠根據過去已知或不確切的信息和特征對原始數據進行累加或累減建立灰色模型，運用時間序列數據確定微分方程的參量，逐步使灰量白化。另一方面，湖泊系統各要素之間關系復雜，存在隨機性、不確定性，呈復雜的非線性映射關系。人工神經網絡在解決不完全、不可靠和不確定的知識和信息轉變為完全、可靠和確定的知識和信息具有較大的優勢，尤其適用于求解機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 試驗設計

3.1 系統架構設計

由于系統主要是為了實現水質相關信息的獲取、傳遞、融合處理、使用等功能，項目組在前期理論和算法研究[29-31]基礎上，構建了監測層、數據存儲層、模型層、應用層4層體系結構，系統構架如圖5所示。應用層由布設在滇池水體中的監測節點構成，實現水質信息的感知；由于模型中使用到一系列的結構化數據/非結構化數據、關系數據/非關系數據，故采用MongoDB非關系型數據庫搭建數據存儲層，實現多元異構數據的管理；在使用模型進行預測和評估之前，需要對模型進行訓練和優化，模型層為經過訓練和優化的模型接口，使用時直接調用即可；系統得到的水質實時數據及預測結果通過GIS技術實現可視化表達，使用者通過應用層實現人機交互。

3.2 監測節點設計

監測節點硬件可分為環境感知、傳感信號變換、數據處理與數據融合、數據交互、系統供電5部分。環境感知部分主要由一系列水質傳感器、氣象傳感器組成，實現水質、氣象信息的獲取，傳感信號變換部分將傳感器陣列輸出的電信號經過放大、整形、濾波、A/D變換后傳至下一級；數據處理與融合部分采用LPC1788作為主控芯片，實現數據的收集、預處理等功能；數據交互部分主要由GPS模塊及GPRS模塊構成，前者獲取監測區域的時空信息，后者實現監測節點與監測中心的數據/指令傳輸。圖6為傳感器及監測系統。

由于監測節點需布置在湖水中，長期無人值守，無法采用傳統的電線電纜對監測節點進行供電，故利用太陽能電池板將光能轉化為電能，并將轉化的電能存儲到鋰電池中，實現能量的儲存，從而為監測節點供電。太陽能電池板發電功率（單位：W）及鋰電池容量（，單位：mA/h）可通過式（14）及式（15）計算得出。

（15）

式（14）中，為安全系數；Q為監測節點的日平均耗電量，Ah；為溫度修正系數；為最長連續陰雨天數，d；為放電容量系數。式15中，Q為監測節點日功耗；H為水平面年平均日輻射量，Wh/m2；為安全系數。結合昆明市輻射參數表及氣象歷史數據，將相關參數帶入公式計算得出鋰電池容量≥31Ah，太陽能電池板發電功率≤35 W，考慮系統需有一定的余量，本設計選取12 V/35 Ah鋰電池、40 W太陽能電池板。

3.3 傳感器校準

3.3.1 葉綠素a傳感器校準

根據測試點選取原則及樣本空間大小選取原則，在葉綠素a傳感器監測范圍內采用化學方法配備了13種葉綠素a標準溶液，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含量儀對配備的標準液進行測定，同時利用監測節點分別對13個標準溶液進行測定。測試結果可知，葉綠素a最大測量誤差約0.08g/L，根據測量誤差對葉綠素a傳感器進行校準。

3.3.2 pH傳感器校準

由于pH傳感器采用電極法實現酸堿度測量，在使用之前，必須對pH傳感器進行校準。根據測試點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傳感器進行校準。

3.3.3 溶解氧傳感器校準

根據溶解氧傳感器的電極特性及工作原理，一般采用標準液對溶解氧傳感器進行2點標定，即零點校準及量程校準。首先將溶解氧傳感器置于0溶解氧溶液，記錄監測節點輸出值；然后再將溶解氧傳感器置于飽和濕空氣中，記錄監測節點輸出值；最后得出其零點誤差及量程誤差后，對傳感器進行校準。經過重復性試驗得出溶解氧傳感器零點誤差為±0.2 mg/L，滿量程誤差為±3.4 mg/L。

4 結果分析

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的水質監測試驗，圖7為研究區概況。監測參數包括葉綠素、溶解氧、pH值、氨氮、溫度，數據更新周期為6 h，每天獲取4組數據。在導入模型之前對原始數據進行了預處理，每種水質數據以每天4組數據的平均值輸入到模型中。經過反復試驗驗證及模型校準，綜合考慮氣象預報數據的精度問題，得出本文提出的AGM-BPANN模型以3 d實測數據預測未來24 h的水質情況及藍藻水華預警精度最高。

4.1 基于AGM(1,1)的水質預測結果分析

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、溫度水質數據導入到AGM模型中，得到實測數據與預測數據曲線如圖8所示。

以相關系數及殘差2個參數評價預測質量，若→1且→0，表明模型預測能力越好，當<0.6，表明模型預測能力差；當0.6≤<0.8，表明模型預測能力合格；當0.8≤<0.9，表明模型預測能力良好；當≥0.9，表明模型預測能力優秀；通過計算得到，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。試驗結果表明，AGM(1,1)模型具備較好的短期水質預測能力，能夠正確、可靠地反映未來24 h的水質變化情況。

4.2 基于AGM+BPANN的葉綠素a濃度預測結果分析

葉綠素a（Chla）是反映水體中浮游植物生物量的綜合指標，是表征水體富營養化現象及程度的最重要的指標之一。由于葉綠素a的變化是多種因素疊加的復合結果，并且葉綠素a的含量具有一定的傳遞性，即上一時刻葉綠素a的含量一定程度跟下一時刻葉綠素a的含量具有關聯性，故將葉綠素a、溶解氧、酸堿度、氨氮、高錳酸鹽指數、水溫6個實測數據及總氮、總磷、化學需氧量、風速、風向、降雨這6個歷史數據作為模型輸入，將葉綠素a含量作為BPANN的模型輸出。從4.1節預測結果可知，AGM(1,1)模型能夠有效預測未來24 h內湖泊水質變化情況，故利用AGM(1,1)模型的輸出結果訓練和驗證BPANN網絡是可靠的。對網絡進行反復訓練1 000次促使網絡收斂，同時，結合Mirchadani理論最終確定網絡由3個隱含層（每層8個節點）構成，使得訓練誤差達到10-2。采用sim函數檢驗網絡性能，得到其相關系數=0.995，表明模型網絡具有較好的網絡性能。最后對網絡進行確證分析，采用實測的水質樣本集作為檢驗網絡泛化能力的確證集，采用殘差來評價網絡學習性能的優劣。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了較嚴重的藍藻水華，故以2015年6月24日至2015年7月23日水環境數據作為確證集，檢驗模型預測能力。圖9a為現場水質監測照片，圖9b為藍藻水華爆發時空過程模擬專題圖。圖10為實測葉綠素a、AGM預測及組合預測葉綠素a曲線。

通過計算得到Chla=0.93，Chla=4.77，當單獨采用AGM預測模型對葉綠素a濃度進行預測時，Chla=0.86，Chla=9.74，表明組合算法預測效果更好；另外從預測結果曲線可得出，采用組合預測方法對葉綠素a濃度進行預測的結果更接近實測葉綠素a濃度變化過程。

5 結 論

本文研究了一種內陸湖泊藍藻水華爆發動態監測與時空過程模擬方法，并以滇池為研究區驗證了該方法的有效性及科學性。試驗結果表明，AGM-BPANN組合模型能夠有效合理地解釋和模擬湖泊富營養化進程的非線性問題，并成功地預測了滇池中的葉綠素a含量，能夠為滇池富營養化治理與預警提供科學依據。

[1] 張新，程熙，李萬慶，等. 流域非點源污染景觀源匯格局遙感解析[J]. 農業工程學報，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. 滇池流域點源污染控制與存在的問題解析[J]. 湖泊科學，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. 衛星遙感太湖藍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，王悅，沙超，等. 無線傳感器水下監測網絡稀疏采樣和近似重構[J]. 儀器儀表學報，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，張運林，高光，等. 湖泊生態恢復的關鍵因子分析[J]. 地理科學進展，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/超聲復合傳感器節點設計[J]. 儀器儀表學報，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，王衛星，孫道宗，等. 能量自給的果園信息采集無線傳感器網絡節點設計[J] . 農業工程學報，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優化的能耗均衡WSNs路由算法[J]. 儀器儀表學報，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. 環境監測中無線傳感器網絡地面遙感新技術[J]. 遙感學報，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. 蘭花大棚內無線傳感器網絡433 MHz信道傳播特性試驗[J]. 農業工程學報，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絡的設計及試驗[J]. 農業工程學報，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. 黑河流域生態水文傳感器網絡設計[J]. 地球科學進展，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農業非點源徑流污染模擬研究[D]. 重慶：重慶大學，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面源污染模擬[J]. 清華大學學報：自然科學版，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. 關于用藻密度對藍藻水華程度進行分級評價的方法和運用[J]. 環境與可持續發展，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. 太湖藍藻水華災害災情評估方法初探[J]. 湖泊科學，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. 基于魚類運動行為的水質異常評價因子研究[J]. 儀器儀表學報，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. 太湖藍藻水華的預防、預測和預警的理論與實踐[J]. 湖泊科學，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. 大型淺水富營養化湖泊中藍藻水華形成機理的思考[J]. 生態學報，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與水質因子關系研究[J]. 云南地理環境研究，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. 開關接觸電阻動態測量方法研究[J]. 儀器儀表學報，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]. 儀器儀表學報，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計劃（2012AA121402）；教育部博士點專項基金（20115303110002）；云南省自然科學基金青年項目（2016FD020）；云南師范大學博士科研啟動項目（01000205020503066）

楊 昆，教授，博士生導師，武漢大學地圖制圖學與地理信息工程專業博士生導師，十二五期間863專家組成員，研究方向為地圖制圖學與地理信息工程。昆明 云南師范大學信息學院，650500。Email：kmdcynu@163.com

羅 毅，博士，講師，碩導，主要研究方向為無線傳感器網絡，地理信息系統。昆明 云南師范大學信息學院，650500。Email：luoyi861030@163.com