DB32T-湖庫藍藻水華及湖泛短期預(yù)測預(yù)警技術(shù)規(guī)范

Q/LB.□XXXXX-XXXX目次TOC\o"1-2"\h\z\u前言 II1范圍 12規(guī)范性引用文件 13術(shù)語和定義 14基本要求 24.1效率優(yōu)先 24.2簡化簡便 24.3預(yù)測準確率 25預(yù)測預(yù)警內(nèi)容 25.1表征參數(shù) 25.2預(yù)測預(yù)警指標 25.3預(yù)測預(yù)警時空范圍 36預(yù)測預(yù)警工作流程 37預(yù)測預(yù)警工作要求 37.1數(shù)據(jù)準備 37.2模型分類與選擇 47.3構(gòu)建與運行機理模型 57.4構(gòu)建和運行數(shù)據(jù)驅(qū)動模型 67.5模型結(jié)果輸出與分析 77.6風(fēng)險概率及預(yù)警信息 78預(yù)測準確率評估與質(zhì)量控制 88.1基本要求 88.2預(yù)測目標預(yù)測準確率評估方法 98.3風(fēng)險概率預(yù)測準確率的評估方法 98.4面積預(yù)測準確率的評估方法 98.5質(zhì)量控制 9附錄A（資料性）機理模型與數(shù)據(jù)驅(qū)動模型算法示例 10附錄B（資料性）藍藻水華預(yù)測表征參數(shù)值及風(fēng)險概率因子構(gòu)建的概率計算示例 11附錄C（資料性）湖泛預(yù)測表征參數(shù)值及風(fēng)險概率因子構(gòu)建的風(fēng)險概率計算示例 12附錄D（資料性）藍藻水華風(fēng)險概率與風(fēng)險預(yù)警等級示例 13附錄E（資料性）湖泛風(fēng)險概率與風(fēng)險預(yù)警等級示例 14附錄F（資料性）藍藻水華及湖泛預(yù)警報告模板 15參考文獻 16前言本文件按照GB/T1.1—2020《標準化工作導(dǎo)則第1部分：標準化文件的結(jié)構(gòu)和起草規(guī)則》的規(guī)定起草。請注意本文件的某些內(nèi)容可能涉及專利。本文件的發(fā)布機構(gòu)不承擔識別專利的責(zé)任。本文件由江蘇省生態(tài)環(huán)境廳提出并歸口。本文件起草單位：中國科學(xué)院南京地理與湖泊研究所、南京中科深瞳科技研究院有限公司、江蘇省水文水資源勘測局。本文件主要起草人：秦伯強、朱廣偉、李未、崔馳瀟、吳挺峰、張運林、李慧赟、李楓、張建華、聞亮、楊耀中、王雪松。湖庫藍藻水華及湖泛短期預(yù)測預(yù)警技術(shù)規(guī)范范圍本文件規(guī)定了湖庫藍藻水華及湖泛短期預(yù)測預(yù)警的基本要求、預(yù)測預(yù)警內(nèi)容、工作流程、工作要求及準確率評估與質(zhì)量控制等技術(shù)內(nèi)容。本文件適用于湖庫等內(nèi)陸水體藍藻水華及其引起的湖泛事件的短期預(yù)測與預(yù)警。河流、池塘等類似水體藍藻水華預(yù)測預(yù)警、水草腐爛或外源有機質(zhì)輸入引起的湖泛預(yù)測預(yù)警可參照執(zhí)行。規(guī)范性引用文件下列文件中的內(nèi)容通過文中的規(guī)范性引用而構(gòu)成本文件必不可少的條款。其中，注日期的引用文件，僅該日期對應(yīng)的版本適用于本文件；不注日期的引用文件，其最新版本（包括所有的修改單）適用于本文件。HJ494水質(zhì)采樣技術(shù)指導(dǎo)HJ495水質(zhì)采樣方案設(shè)計技術(shù)規(guī)定HJ1098水華遙感與地面監(jiān)測評價技術(shù)規(guī)范（試行）術(shù)語和定義下列術(shù)語和定義適用于本文件。

表層水體surfacewater水體表面至水體深度10厘米之間的水團。

藍藻水華cyanobacterialbloom內(nèi)陸水體中，藍藻門某種或多種種屬占優(yōu)并大量繁殖，表觀特征為表層水體有肉眼可見藍藻顆粒聚集或懸浮、葉綠素a濃度達到20微克/升以上或藍藻密度達到1000萬個/升以上的生態(tài)現(xiàn)象。

藍藻水華面積cyanobacterialbloomarea表層水體出現(xiàn)藍藻水華的水域面積。

湖泛decayedblackwater內(nèi)陸水體中因有機物堆積和分解，藍藻水華暴發(fā)后積聚，水草死亡后堆積，底泥中處于降解過程中的有機物上浮泛濫以及外源輸入的有機質(zhì)富集等，引起水體中溶解氧下降（溶解氧濃度低于2.0毫克/升），水色發(fā)黑并伴隨有機硫化物等惡臭性氣味釋放的水環(huán)境現(xiàn)象。

短期預(yù)測預(yù)警short-termforecastandwarning運用模型對湖庫未來3天～7天的藍藻水華、湖泛等水質(zhì)風(fēng)險概率、位置、規(guī)模等實施預(yù)測，并確定藍藻水華、湖泛風(fēng)險的工作過程。

浮藻指數(shù)floatingalgaeindex利用遙感影像多個波段反射率信息，構(gòu)建光譜組合估算模型，解譯湖庫表層水體漂浮的并能對表層水色產(chǎn)生影響的藍藻生物量高低的度量指標。

藍藻水華風(fēng)險riskofcyanobacterialbloom藍藻生物量或藍藻密度達到形成水華的概率與程度的度量。

湖泛風(fēng)險riskofdecayedblackwater湖泛發(fā)生概率和程度的度量。

預(yù)測準確率forecastaccuracy用數(shù)值表示各預(yù)測指標與實際情況的接近程度?；疽笮蕛?yōu)先在模型驅(qū)動數(shù)據(jù)獲取和模型運算時間方面均應(yīng)考慮時效性。驅(qū)動數(shù)據(jù)的監(jiān)測完成時間原則上小于8小時，模型運算時間原則上小于2小時。簡化簡便藍藻水華及湖泛預(yù)測預(yù)警方法和模型應(yīng)簡單，可操作性強。其中，模型方法、驅(qū)動信息、運算過程和結(jié)果判別，以滿足結(jié)果準確率要求為前提，均應(yīng)使用簡單簡便的預(yù)測預(yù)警方法。預(yù)測準確率藍藻水華及湖泛預(yù)測預(yù)模型應(yīng)保證預(yù)測準確率，定期評估模型預(yù)測準確率。預(yù)測預(yù)警內(nèi)容表征參數(shù)確定表征參數(shù)的基本原則應(yīng)確保藍藻水華和湖泛具備1個以上基本表征參數(shù)，可根據(jù)預(yù)測預(yù)警水體對象構(gòu)建以1個基本參數(shù)為核心、結(jié)合多個輔助參數(shù)的表征參數(shù)體系。表征參數(shù)的監(jiān)測應(yīng)符合國家HJ494、HJ495和HJ1098的相關(guān)規(guī)定。藍藻水華表征參數(shù)藍藻水華的基本表征參數(shù)為水體葉綠素a濃度、藍藻密度和浮藻指數(shù)。輔助參數(shù)包括藍藻在藻類中的占比、藍藻優(yōu)勢種等。湖泛表征參數(shù)湖泛的基本表征參數(shù)為表層水體溶解氧濃度。輔助參數(shù)包括水體透明度、高錳酸鹽指數(shù)，以及氨氮、硫化物、二價鐵、有機硫、β-紫羅蘭酮和β-檸檬醛等濃度參數(shù)。預(yù)測預(yù)警指標預(yù)測指標藍藻水華表征參數(shù)值表示的藍藻水華發(fā)生強度、發(fā)生面積、發(fā)生位置或其他相應(yīng)指標。湖泛表征參數(shù)值表示的湖泛發(fā)生強度、發(fā)生面積、發(fā)生位置或其他相應(yīng)指標。預(yù)警指標藍藻水華發(fā)生的概率和風(fēng)險等級。湖泛發(fā)生的概率和風(fēng)險等級。預(yù)測預(yù)警時空范圍藍藻水華及湖泛短期預(yù)測預(yù)警的時間范圍應(yīng)為3天～7天，時間間隔不大于1天，必要時可縮短至1小時。根據(jù)水體敏感性確定預(yù)測預(yù)警的空間范圍，包括整個湖庫，湖庫的敏感區(qū)域或關(guān)鍵點位。預(yù)測預(yù)警的重點水域包括飲用水水源地取水口、風(fēng)景名勝區(qū)、生態(tài)敏感區(qū)等。預(yù)測預(yù)警工作流程預(yù)測預(yù)警的工作流程見圖1。藍藻水華及湖泛短期預(yù)測預(yù)警工作流程預(yù)測預(yù)警工作要求數(shù)據(jù)準備監(jiān)測數(shù)據(jù)整理原則收集目標湖庫中藍藻水華及湖泛表征參數(shù)歷史和現(xiàn)狀數(shù)據(jù)、相關(guān)氣象與水文、水質(zhì)及生物等數(shù)據(jù)，以及未來3天～7天天氣預(yù)報數(shù)據(jù)。不同途徑獲取的數(shù)據(jù)，使用前應(yīng)進行數(shù)據(jù)融合或比對分析，在預(yù)測預(yù)警結(jié)果分析時應(yīng)考慮不同途徑數(shù)據(jù)源之間的差異。監(jiān)測數(shù)據(jù)內(nèi)容基礎(chǔ)氣象數(shù)據(jù)包括但不限于未來3天～7天的氣溫、降水、氣壓、風(fēng)速、風(fēng)向、相對濕度、太陽輻射、日照時數(shù)和相對濕度等。湖庫基礎(chǔ)物理數(shù)據(jù)包括但不限于水深、透明度，備選參數(shù)包括水體熱分層狀況、懸浮物濃度、水下光場和水體電導(dǎo)率等。湖庫基礎(chǔ)底泥數(shù)據(jù)包括但不限于底泥深度、關(guān)鍵水域浮泥厚度以及表層底泥有機質(zhì)、總氮、總磷、生物活性磷含量等底泥性狀參數(shù)?；A(chǔ)水文數(shù)據(jù)包括但不限于水下地形、出入湖庫湖河道的流量、水位、水溫、水深、波高、波周期、流速和流向等。湖庫基礎(chǔ)化學(xué)數(shù)據(jù)包括但不限于水體中總磷、氨氮、總氮和溶解氧濃度等，備選參數(shù)包括總?cè)芙庑粤?、硝酸鹽氮、總?cè)芙庑缘?、高錳酸鹽指數(shù)和pH值等。監(jiān)測數(shù)據(jù)更新頻次氣象、水文、藍藻水華發(fā)生情況及溶解氧等關(guān)鍵參數(shù)更新頻率不低于3天/次。水體營養(yǎng)鹽等水質(zhì)參數(shù)更新頻率不低于1月/次。水下地形等湖泊背景參數(shù)更新頻率不低于5年/次。如發(fā)生湖庫清淤、圍墾、調(diào)水等對關(guān)鍵參數(shù)造成顯著影響的事件，則應(yīng)及時更新相關(guān)參數(shù)。模型分類與選擇模型分類藍藻水華及湖泛短期預(yù)測預(yù)警的模型分為機理模型和數(shù)據(jù)驅(qū)動模型兩類。數(shù)據(jù)驅(qū)動模型可單獨使用，也可與機理模型結(jié)合使用，作為機理模型在局部水域的有效補充。機理模型基于湖庫水文水動力和水生態(tài)機理過程構(gòu)建數(shù)值方程，在監(jiān)測數(shù)據(jù)及未來3天～7天氣象等信息數(shù)據(jù)驅(qū)動下求解方程，實現(xiàn)對未來3天～7天藍藻水華及湖泛情勢預(yù)測。數(shù)據(jù)驅(qū)動模型基于藍藻水華或湖泛特征指標自身的長期變化規(guī)律，運用數(shù)學(xué)統(tǒng)計方法構(gòu)建模型刻畫藍藻水華及湖泛特征指標變化規(guī)律。模型選擇方法選擇模型種類時須考慮目標湖庫的數(shù)據(jù)保障情況、水體的重要程度或主要功能、運營管理模式和預(yù)測預(yù)警技術(shù)隊伍狀況。模型類型選擇項目見表1，目標湖庫符合3項及以上特征，即可選擇相應(yīng)類型模型。表1模型類型選擇項目目標湖庫特征機理模型數(shù)據(jù)驅(qū)動模型水域面積大小垂向分層差異大差異小水動力輸移情況強弱空間異質(zhì)性強弱構(gòu)建與運行機理模型湖庫水體空間網(wǎng)格劃分湖庫水體水平網(wǎng)格劃分的形狀為矩形網(wǎng)格、正交網(wǎng)格或三角形網(wǎng)格。水平網(wǎng)格分均勻網(wǎng)格和不均勻網(wǎng)格兩種。網(wǎng)格劃分方式應(yīng)根據(jù)湖庫岸線的曲折程度選取，兼顧模型準確度、穩(wěn)定性及運算效率。在岸線復(fù)雜區(qū)域和藍藻水華及湖泛的敏感區(qū)域，可加密水平網(wǎng)格。三維水動力機理模型、二維垂向水動力機理模型和一維垂向水動力機理模型的垂直分層數(shù)量不少于2層，并根據(jù)預(yù)測預(yù)警需求增加垂直層數(shù)。增加垂直層數(shù)時應(yīng)考慮模型運行效率和穩(wěn)定性。二維平面機理模型不考慮垂向分層。機理模型方程組確定機理模型組應(yīng)包括水動力過程、藍藻生消過程、溶解氧變化過程。確定方程組時需結(jié)合目標水體特征、水文水動力特點和主要營養(yǎng)鹽生物地球化學(xué)過程。方程組示例見附錄A.1。機理模型初始邊界條件設(shè)置設(shè)置基本要求在藍藻水華及湖泛預(yù)測機理模型運行前，應(yīng)提供模型初始邊界條件。應(yīng)優(yōu)先選擇空間屬性強的數(shù)據(jù)作為初始邊界條件。初始條件數(shù)據(jù)通過插值法分配到預(yù)測目標湖庫全部空間網(wǎng)格上。不同方式獲取的參數(shù)需要經(jīng)過相互校驗，利用內(nèi)插法生成時間上與數(shù)值模型計算步長一致的時間序列。設(shè)置內(nèi)容及處理原則水—氣邊界條件水—氣邊界條件包括但不限于氣溫、光照、降水量、營養(yǎng)鹽沉降通量等。氣象信息的獲取途徑包括自行構(gòu)建中尺度數(shù)值預(yù)報模型或氣象信息網(wǎng)站查詢提取。在無法直接獲取到未來7天的太陽輻射、日照時數(shù)和降雨量數(shù)值時，應(yīng)根據(jù)天氣預(yù)報提供的氣溫、天氣狀況（晴、陰、多云、雨等）、風(fēng)速和降雨信息估算。營養(yǎng)鹽干濕沉降通量根據(jù)區(qū)域干濕沉降觀測數(shù)據(jù)或文獻數(shù)據(jù)等結(jié)合降雨信息等進行估算獲得。出入流信息出入流信息包括但不限于入流位置及流量、出流位置及流量、出入流營養(yǎng)鹽通量等。出入流側(cè)邊界數(shù)據(jù)來源包括但不限于：湖河道或河口的水質(zhì)自動監(jiān)測數(shù)據(jù)平臺；根據(jù)地表徑流（主要為河道）輸入到湖庫的水文水質(zhì)時間序列估算。出入流流量數(shù)據(jù)來源包括但不限于：各口門水文巡測；各口門流量自動站監(jiān)測；根據(jù)降雨-徑流關(guān)系式和降雨量估算；流域水文模型模擬計算。水—沉積物界面信息水—沉積物包括泥沙及營養(yǎng)鹽沉降通量、底泥再懸浮通量、營養(yǎng)鹽釋放通量等。水—沉積物邊界條件參數(shù)的獲取方式包括但不限于：水-沉積物界面當前進入湖庫的物質(zhì)和能量觀測；歷史觀測數(shù)據(jù)；地下水模型估算；內(nèi)源釋放模型估算。機理模型求解藍藻水華和湖泛表征參數(shù)采用有限差分法或有限體積法求解。模型中水平方向上的矢量參數(shù)和標量參數(shù)采用交錯格式。差分格式為中心差分、向前差分或向后差分。垂直方向上采用隱含差分法，水平方向采用顯式差分格式。模型計算順序為：水動力場變化方程、溫度方程、營養(yǎng)鹽方程和藍藻方程。多方程、多過程求解時，時間步長應(yīng)與空間網(wǎng)格分辨率相匹配。構(gòu)建和運行數(shù)據(jù)驅(qū)動模型算法選擇數(shù)據(jù)驅(qū)動模型算法選擇時，應(yīng)考慮目標湖庫的現(xiàn)狀、數(shù)據(jù)條件以及預(yù)測目標參數(shù)。目標湖庫的現(xiàn)狀包括湖庫形態(tài)、湖庫生態(tài)特征、藍藻水華風(fēng)險的觸發(fā)條件等。數(shù)據(jù)條件包括驅(qū)動數(shù)據(jù)的積累情況、監(jiān)測數(shù)據(jù)的頻次及持續(xù)支撐能力、藍藻水華及湖泛的發(fā)生規(guī)律特點等。模型算法可參考附錄A.2。數(shù)據(jù)準備數(shù)據(jù)序列的時長原則上不少于1年。應(yīng)通過分析數(shù)據(jù)序列中預(yù)測參數(shù)自身的變化規(guī)律及預(yù)測參數(shù)與中間過程參數(shù)的關(guān)聯(lián)特征，篩選關(guān)鍵參數(shù)，減少模型的數(shù)據(jù)需求。應(yīng)通過構(gòu)建預(yù)測參數(shù)與關(guān)鍵參數(shù)之間的線性或非線性關(guān)系評估數(shù)據(jù)庫質(zhì)量，剔除異常數(shù)據(jù)。若觀測數(shù)據(jù)有缺失，可設(shè)置適合的窗口長度，在窗口內(nèi)采取移動中位數(shù)方法對缺失的觀測記錄進行插值補充。對于高頻監(jiān)測數(shù)據(jù)，可采用滑動平均法將觀測數(shù)據(jù)的時間間隔控制在6小時～24小時之間，具體依據(jù)預(yù)測結(jié)果的時間間隔確定。初始化數(shù)據(jù)驅(qū)動模型根據(jù)選定的數(shù)據(jù)驅(qū)動模型算法進行模型初始化，確定模型輸入層、隱含層及輸出層的各項參數(shù)，調(diào)整層與層之間連接的權(quán)值和偏置值，設(shè)定各層參數(shù)的權(quán)值及閾值，避免輸入數(shù)據(jù)波動引起模型預(yù)測結(jié)果異常。模型訓(xùn)練與結(jié)果驗證利用目標湖庫的歷史數(shù)據(jù)庫訓(xùn)練藍藻水華及湖泛預(yù)測模型。隨機選取樣本總數(shù)量的50%～70%作為訓(xùn)練集樣本輸入模型，根據(jù)輸出值與測定值之間的誤差反復(fù)調(diào)整權(quán)值和偏置值。模型構(gòu)建完成后，選取樣本總數(shù)量中其余的15%～25%數(shù)據(jù)作為驗證集樣本輸入模型，用于測度在訓(xùn)練過程中泛化能力的表現(xiàn)，防止訓(xùn)練中發(fā)生過擬合現(xiàn)象。根據(jù)測度結(jié)果調(diào)整模型參數(shù)、權(quán)值、偏置值。選取樣本總數(shù)量剩余的15%～25%數(shù)據(jù)作為測試集樣本輸入模型，測試模型性能，進行模型效果的分析與評價。模型運行訓(xùn)練、調(diào)試好模型后，輸入最新獲得的輸入?yún)?shù)運行模型，計算獲得預(yù)測時間范圍內(nèi)的藍藻水華表征參數(shù)、湖泛參數(shù)。模型結(jié)果輸出與分析模型輸出須包括藍藻水華或湖泛表征參數(shù)。輸出結(jié)果的時間間隔為6小時～24小時。獲得符合預(yù)測時間間隔要求的藍藻水華和湖泛表征參數(shù)時間序列，繪制預(yù)測結(jié)果的時空序列圖。據(jù)預(yù)測結(jié)果分析目標湖庫藍藻水華及湖泛的短期變化趨勢、強度和空間位置。新的監(jiān)測數(shù)據(jù)獲得之后，應(yīng)及時分析前次預(yù)測效果，進行模型優(yōu)化。風(fēng)險概率及預(yù)警信息藍藻水華及湖泛風(fēng)險概率計算確定藍藻水華及湖泛的風(fēng)險等級和對應(yīng)的表征參數(shù)閾值。確立藍藻水華風(fēng)險概率因子和等級閾值。藍藻水華風(fēng)險概率因子包括天氣狀況、風(fēng)速和降水等；根據(jù)已確定的風(fēng)險等級，賦值各概率因子的閾值及其風(fēng)險概率。因子選取及概率閾值示例見附錄B。按公式（1）逐格點計算藍藻水華發(fā)生概率。F式中：F1f1N1t——V1?n——1～nf2Vn——風(fēng)險概率因子確立湖泛風(fēng)險概率因子和等級閾值。湖泛風(fēng)險概率因子包括天氣狀況、風(fēng)速和降水等。根據(jù)已確定的風(fēng)險等級，賦值各概率因子的閾值及其風(fēng)險概率。因子選取及概率閾值示例見附錄C。按公式（2）逐格點計算湖泛發(fā)生概率。F2式中：F2f3N2tV1?n——1～nf4V1藍藻水華面積估算及預(yù)警風(fēng)險等級確定目標湖庫藍藻水華敏感度風(fēng)險劃分應(yīng)考慮水體的風(fēng)險承受程度。對具有飲用水水源地、珍稀物種棲息地和公眾休閑重點場所等功能的目標湖庫，應(yīng)設(shè)置更為嚴格的藍藻水華強度容忍度。計算單位格點藍藻水華發(fā)生概率，統(tǒng)計格點數(shù)量及位置，得到藍藻水華發(fā)生面積和位置；結(jié)合發(fā)生位置的風(fēng)險控制要求等信息，確定相應(yīng)位置藍藻水華風(fēng)險的預(yù)警等級。統(tǒng)計藍藻水華發(fā)生概率格點時，應(yīng)只考慮概率值超過50％的格點。在敏感水域，應(yīng)考慮概率值超過40％的格點。根據(jù)預(yù)測的藍藻水華面積，確定整個目標湖庫的藍藻水華預(yù)警風(fēng)險等級。藍藻水華的風(fēng)險等級可按照紅色、橙色、黃色、綠色和藍色劃分，水華發(fā)生概率閾值設(shè)置示例見附錄D。湖泛發(fā)生面積估算及預(yù)警風(fēng)險等級確定目標湖庫湖泛敏感度劃分時應(yīng)考慮預(yù)測水體的風(fēng)險承受程度。對具有飲用水水源地、珍稀物種棲息地和公眾休閑重點場所等功能的目標湖庫，應(yīng)當設(shè)置更為嚴格的湖泛強度容忍度。計算單位格點湖泛發(fā)生概率，統(tǒng)計格點數(shù)量及位置，得到湖泛發(fā)生面積和位置；結(jié)合發(fā)生位置的風(fēng)險控制要求等信息，確定相應(yīng)位置湖泛的預(yù)警風(fēng)險等級。統(tǒng)計湖泛發(fā)生概率格點時，應(yīng)只考慮概率值超過50％的格點。在敏感水域，應(yīng)考慮概率值超過40％的格點。結(jié)合預(yù)測的湖泛面積，確定整個目標湖庫的湖泛預(yù)警風(fēng)險等級。湖泛風(fēng)險等級可按照紅色、橙色、黃色、綠色和藍色等劃分，各風(fēng)險等級之間的湖泛發(fā)生概率閾值示例見附錄E。預(yù)警信息編寫按6.6.1計算未來藍藻水華及湖泛風(fēng)險，制作圖表，填寫藍藻水華及湖泛預(yù)測預(yù)警報告（報告模板見附錄F）。藍藻水華及湖泛預(yù)測預(yù)警報告內(nèi)容至少包括：報告填寫時間；當前關(guān)鍵信息狀態(tài)值；未來氣象條件；預(yù)測結(jié)果數(shù)據(jù)及圖表；風(fēng)險等級判別與色彩等級；預(yù)測預(yù)警結(jié)論；風(fēng)險原因及應(yīng)對建議；報告制作單位及制作人等信息。預(yù)測準確率評估與質(zhì)量控制基本要求評估內(nèi)容包括但不限于：預(yù)測目標表征參數(shù)數(shù)值、藍藻水華或湖泛發(fā)生風(fēng)險概率、藍藻水華或湖泛發(fā)生面積。藍藻水華及湖泛預(yù)測預(yù)警模型應(yīng)定期進行預(yù)測準確率評估，評估頻率不得低于1次/年。應(yīng)剔除天氣預(yù)報誤差。根據(jù)評估結(jié)果及時完善模型。預(yù)測目標預(yù)測準確率評估方法根據(jù)后期實際觀測表征參數(shù)值，逐觀測點位計算預(yù)測準確率。預(yù)測目標預(yù)測準確率的計算方法可采用一種或多種方法相結(jié)合，包括模型預(yù)測結(jié)果與實際情況之間的平均偏差、絕對誤差、均方根誤差、相關(guān)系數(shù)及納什系數(shù)等。預(yù)測目標預(yù)測準確率應(yīng)分時段計算。根據(jù)預(yù)測預(yù)警報告預(yù)測周期，分1天預(yù)見期、2天預(yù)見期、3天預(yù)見期和7天預(yù)見期等不同時段。風(fēng)險概率預(yù)測準確率的評估方法對比后期實際監(jiān)測情況與預(yù)測結(jié)果，計算風(fēng)險概率的預(yù)測準確率?？苫谡麄€湖庫、重點關(guān)注水域或關(guān)鍵站點，評估風(fēng)險概率的預(yù)測準確率。應(yīng)逐期計算風(fēng)險概率預(yù)測準確率，獲取不同時間段內(nèi)風(fēng)險概率的平均預(yù)測準確率。風(fēng)險概率預(yù)測準確率應(yīng)按表2賦值，計算值越接近100％表示預(yù)測準確率越高。表2藍藻水華（湖泛）風(fēng)險概率的預(yù)測準確率賦值實際情況預(yù)測風(fēng)險發(fā)生概率0＜風(fēng)險發(fā)生概率＜40％40％≤風(fēng)險發(fā)生概≤60％60％＜風(fēng)險發(fā)生概率＜100％發(fā)生藍藻水華（湖泛）050％100％未發(fā)生藍藻水華（湖泛）100％50％0面積預(yù)測準確率的評估方法根據(jù)后期實際監(jiān)測結(jié)果與預(yù)測結(jié)果，對藍藻水華及湖泛發(fā)生面積進行分期比對分析。根據(jù)HJ1098中水華程度分級標準，按照藍藻水華面積占水面的比例，將水華程度分為Ⅰ～Ⅴ五個級別。湖泛風(fēng)險事件分級數(shù)量和標準見蘇政辦函[2021]108號。對比藍藻水華、湖泛發(fā)生面積預(yù)測結(jié)果與實際監(jiān)測結(jié)果，若藍藻水華和湖泛預(yù)測發(fā)生面積與實測發(fā)生面積在同一級別內(nèi)，則預(yù)測準確。質(zhì)量控制每個預(yù)測準確率評估周期中，預(yù)測目標表征參數(shù)的平均預(yù)測準確率應(yīng)大于80％。每個預(yù)測準確率評估周期中，藍藻水華及湖泛重大事件的平均預(yù)測準確率應(yīng)大于80％，藍藻水華及湖泛一般事件的平均預(yù)測準確率應(yīng)大于60％。每個預(yù)測準確率評估周期中，藍藻水華及湖泛發(fā)生位置的平均預(yù)測準確率應(yīng)大于60％。每個預(yù)測準確率評估周期中，當預(yù)測目標表征參數(shù)的平均預(yù)測準確率低于80％，或者事件和發(fā)生位置的平均預(yù)測準確率低于60％時，應(yīng)及時對模型進行優(yōu)化。

（資料性）

機理模型與數(shù)據(jù)驅(qū)動模型算法示例機理模型應(yīng)包括水動力方程和水質(zhì)輸移方程。以三維模型為例：三維水動力方程包括連續(xù)方程、動量方程和靜壓方程。連續(xù)方程按A.1計算、動量方程按A.2和A.3計算、靜方程按A.4計算、水質(zhì)輸移方程按A.5計算。 ?u/?x+?v/?y+?w/?z=0 (A.1)式中： u,v,w─流速在x,y,z三個方向上的分量，單位：米/秒； ?u/?t+u式中： u,v,w─流速在x,y,z三個方向上的分量，單位：米/秒； t─時間，單位：秒； ρ─水體密度，單位：千克/立方米； f─科里奧利力，單位：千克·米/平方秒； Ah,Av─水平和垂直方向的湍流擴散系數(shù)，單位：平方米?v/?t+u式中： u,v,w─流速在x,y,z三個方向上的分量，單位：米/秒； t─時間，單位：秒； ρ─水體密度，單位：千克/立方米； f─科里奧利力，單位：千克·米/平方秒； Ah,Av─水平和垂直方向的湍流擴散系數(shù)，單位：平方米 ?p/?z=-ρg式中： ρ─水體密度，單位：千克/立方米； g─重力加速度，單位：米/平方秒 p─水壓，單位：百帕； ?C/?t+?(uC)/?x+?(vC)/?y+?(wC)/?z-?/?xDh?C/?xz-?式中： u,v,w─流速在x,y,z三個方向上的分量，單位：米/秒； C─藻類生物量（毫克/升）或藻密度（萬個細胞/升），總?cè)芙庑粤祝ê量?升）、總?cè)芙庑缘ê量?升）以及溶解氧（毫克/升）等水質(zhì)變量； S─各變量的源匯項； Dh，Dv─水平和垂直方向的水質(zhì)參數(shù)湍流擴散系數(shù)，單位：平方米/數(shù)據(jù)驅(qū)動模型算法可采用樸素貝葉斯算法、支持向量機算法、隨機森林算法、人工神經(jīng)網(wǎng)絡(luò)算法和深度學(xué)習(xí)等統(tǒng)計方法。

（資料性）

藍藻水華預(yù)測表征參數(shù)值及風(fēng)險概率因子構(gòu)建的概率計算示例表B.1給出了藍藻水華預(yù)測表征參數(shù)值及風(fēng)險概率因子構(gòu)建的概率計算示例。藍藻水華預(yù)測表征參數(shù)值及風(fēng)險概率因子構(gòu)建的概率計算示例葉綠素a/(μg/L)fV1（風(fēng)速：m/sfV2f[60，～）1（～，3.3）1晴、多云1[50，60）0.9[3.3，5.4）0.9陰、小雨0.9[40，50）0.8[5.4，7.9）0.8陣雨、雷陣雨0.8[20，40）0.7[7.9，10.7）0.7中雨0.7（～，20）0.4[10.7，～）0.5大、暴雨0

（資料性）

湖泛預(yù)測表征參數(shù)值及風(fēng)險概率因子構(gòu)建的風(fēng)險概率計算示例表C.1給出了湖泛預(yù)測表征參數(shù)值及風(fēng)險概率因子構(gòu)建的風(fēng)險概率計算示例。湖泛預(yù)測表征參數(shù)值及風(fēng)險概率因子構(gòu)建的風(fēng)險概率計算示例溶解氧/(mg/L)fV1（風(fēng)速：m/sfV2f（～，1.0）1（～，3.3）1晴、多云1[1.0，2.0）0.8[3.3，5.4）0.9陰、小雨0.9[2.0，4.0）0.7[5.4，7.9）0.8陣雨、雷陣雨0.8[4.0，6.0）0.4[7.9，10.7）0.7中雨0.7[8.0，～）0[10.7，～）0.5大、暴雨0

（資料性）

藍藻水華風(fēng)險概率與風(fēng)險預(yù)警等級示例表D.1給出了藍藻水華風(fēng)險概率與風(fēng)險預(yù)警等級示例。藍藻水華風(fēng)險概率與風(fēng)險預(yù)警等級示例藍藻水華發(fā)生概率（～，40