(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210924836.5 (22)申请日 2022.08.02 (71)申请人 天津天滨 瑞成环境 技术工程有限公 司 地址 300199 天津市南 开区南开二马路112 号三层308 （科技园） (72)发明人 罗娜　李泽利　高锴　李旭冉　 王秋莲　张震　梅鹏蔚　古小超　 赵兴华　张晓绪　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 曹延鹏 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01) G06F 119/14(2020.01) (54)发明名称 饮用水水源地水华 风险预测系统和方法 (57)摘要 本发明提供了一种水华风险预测方法和系 统， 包括： 根据实时监测数据集和模型驱动数据 集， 通过流域水文水质模型模拟得到目标水源地 的流域污染负荷变化趋势， 通过藻类生物量生消 模拟模型模拟得到目标水源地的藻类生物量变 化趋势， 通过浅水湖库水动力模 型模拟得到目标 水源地的藻类迁移规律和藻类聚集高风险区； 基 于流域污染负荷变化趋势、 藻类生物量变化趋 势、 藻类迁移规律和藻类聚集高风险区， 确定目 标水源地的水华风险。 本发明通过 实时监测数据 集和模型驱动数据集， 模拟得到流域污染负荷变 化趋势、 藻类生物量变化趋势、 藻类迁移规律和 藻类聚集高风险区， 以确定目标水源地的水华风 险， 从而提高对于目标水源地水华风险预测的准 确性。 权利要求书2页 说明书8页 附图3页 CN 115270632 A 2022.11.01 CN 115270632 A 1.一种水华 风险预测方法， 其特 征在于， 包括： 获取目标水源地的实时监测数据集和预先存储的模型驱动数据集； 其中， 所述实时监 测数据集包括实时监测的气象数据、 水文数据和水质数据； 所述模型驱动数据集包括流域 DEM高程数据、 水源地高精度地形高程数据和用地类型 数据； 根据所述实时监测数据集和所述模型驱动数据集， 通过预先训练好的流域水文水质模 型模拟得到所述目标水源地的流域污染负荷变化趋势， 通过预先训练好的藻类生物量生消 模拟模型模拟得到所述目标水源地的藻类生物量变化趋势， 通过预先训练好的浅水湖库水 动力模型模拟得到所述目标 水源地的藻类迁移规 律和藻类聚集高风险区； 基于模拟得到所述流域污染负荷变化趋势、 所述藻类生物量变化趋势、 所述藻类迁移 规律和所述藻类聚集高风险区， 确定所述目标 水源地的水华 风险。 2.根据权利要求1所述的水华风险预测方法， 其特征在于， 所述流域水文水质模型通过 将所述目标 水源地的历史气象数据中的降雨数据和历史产流数据输入第一网络模型 得到。 3.根据权利要求2所述的水华风险预测方法， 其特征在于， 所述通过预先训练好的流域 水文水质模型模拟得到所述目标 水源地的流 域污染负荷变化趋势的步骤， 包括： 将实时监测的所述气象数据中的降雨数据输入训练好的所述流域水文水质模型， 输出 所述目标 水源地的流 域污染负荷变化趋势。 4.根据权利要求1所述的水华风险预测方法， 其特征在于， 所述藻类生物量生消模拟模 型通过下述方式训练得到： 将所述目标水源地的历史时间段内的水质数据和气象数据作为输入， 与所述历史时间 段间隔预设时间差的第一未来时段的所述目标水源地的藻类密度数据作为输出， 对第二网 络模型进行训练， 直至满足预设训练条件， 得到训练好的所述藻类生物量 生消模拟模型。 5.根据权利要求4所述的水华风险预测方法， 其特征在于， 所述通过预先训练好的藻类 生物量生消模拟模型模拟得到所述目标 水源地的藻类生物量变化趋势的步骤， 包括： 将实时监测的指定时间段内的所述水质数据和所述气象数据输入训练好的所述藻类 生物量生消模拟模型， 输出所述目标水源地的与所述指定时间段间隔所述预设时间差的第 二未来时段的藻类密度； 基于所述第二未来时段的藻类密度， 确定所述目标 水源地的藻类生物量变化趋势。 6.根据权利要求1所述的水华风险预测方法， 其特征在于， 所述浅水湖库水动力模型以 平面二维浅水方程作为控制方程组， 以目标水源地陆地边界和库 底高程数据作为地形数据 得到。 所述浅水湖库水动力模型以所述 目标水源地的气象数据和水文数据为输入， 以该气 象条件下 所述目标 水源地的流场为输出。 7.根据权利要求6所述的水华风险预测方法， 其特征在于， 所述通过预先训练好的浅水 湖库水动力模型模拟得到所述目标水源地的藻类迁移规律和藻类聚集高风险区的步骤， 包 括： 将实时监测的所述气象数据和所述水文数据输入所述训练好的浅水湖库水动力模型， 输出当前气象条件下 所述目标 水源地的流场； 根据当前气象条件下所述目标水源地的流场的分布情况， 确定所述目标水源地的藻类 迁移规律和藻类聚集高风险区。 8.根据权利要求1所述的水华风险预测方法， 其特征在于， 所述基于模拟得到所述流域权　利　要　求　书 1/2 页 2 CN 115270632 A 2污染负荷变化趋势、 所述藻类生物量变化趋势、 所述藻类迁移规律和所述藻类聚集高风险 区， 确定所述目标 水源地的水华 风险的步骤， 包括： 基于模拟得到所述流域污染负荷变化趋势、 所述藻类生物量变化趋势、 所述藻类迁移 规律和所述藻类聚集高风险区， 确定所述目标 水源地的水华 风险预测初始结果； 基于预设的会商专家库对所述水华风险预测初始结果进行评估， 得到所述目标水源地 的水华风险； 所述水华 风险包括 突发事件发生风险及其对应的应急措施。 9.一种水华 风险预测系统， 其特 征在于， 包括： 数据获取模块， 用于获取目标水源地的实时监测数据集和预先存储的模型驱动数据 集； 其中， 所述实时监测数据集包括实时监测的气象数据、 水文数据和水质数据； 所述模型 驱动数据集包括 流域DEM高程数据、 水源地高精度地形高程数据和用地类型 数据； 预测分析模块， 用于根据所述实时监测数据集和所述模型驱动数据集， 通过预先训练 好的流域水文 水质模型模拟得到所述目标水源地的流域污染负荷变化趋势， 通过预先训练 好的藻类生物量生消模拟模型模拟得到所述目标水源地的藻类生物量变化趋势， 通过预先 训练好的浅水湖库水动力模型模拟得到所述目标水源地的藻类迁移规律和藻类聚集高风 险区； 预测信息报送模块， 用于基于模拟得到所述流域污染负荷变化趋势、 所述藻类生物量 变化趋势、 所述藻类迁移规 律和所述藻类聚集高风险区， 确定所述目标 水源地的水华 风险。 10.一种电子设备， 包括存储器、 处理器， 所述存储器上存储有可在所述处理器上运行 的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现上述权利要求 1‑8所述 的方法。权　利　要　求　书 2/2 页 3 CN 115270632 A 3