化学进展

作者：谢宇煊, 汪隽, 唐雨青, 朱芸, 田泽辉, 周达诚, 陈超

单位：<sup class=\mag-xml-aff-label-sup added-by-sys\>1</sup> 清华大学环境学院 北京 100084,<sup class=\mag-xml-aff-label-sup added-by-sys\>2</sup> 唐山市自来水公司 唐山 063000,<sup class=\mag-xml-aff-label-sup added-by-sys\>3</sup> 苏州科技大学环境科学与工程学院 苏州 215009,<sup class=\mag-xml-aff-label-sup added-by-sys\>4</sup> 香港中文大学 香港 999077,<sup class=\mag-xml-aff-label-sup added-by-sys\>5</sup> 清华苏州环境创新研究院 苏州 215163

关键词：湖库水源地,藻类水华,影响因子,藻类浓度预测,过程机理模型,数据驱动模型

基金：山东省重点研发计划项目(2020CXGC011406),国家自然科学基金项目(22076091),成都市重点河流“一河一策一图一单”分析及应急演练服务项目(N5101012023000142-1)

在全球气候变化和人为污染的背景下，湖库型水源地因富营养化暴发水华的风险显著提高，严重影响城市供水安全。因此，有必要构建基于藻类生长影响因子的数学模型，以实现藻类浓度预测和水华预警。本文从物理、化学和生物三个层面归纳了影响藻类生长的主要因子，并在此基础上总结概述了现有预测模型的构建思路和应用场景。根据建模方法可将预测模型分为过程机理模型和数据驱动模型两类。两种建模方法都已有广泛的研究，也在部分湖泊水库实现了应用。前者基于自然过程的研究和解析，具有可解释性和一般性，但有一定的研究和测试门槛且成本较高。后者基于机器学习等人工智能方法，建模方法灵活多样，但依赖数据质量，缺乏机理支持且具有地点特异性。为进一步提高模型性能，今后的研究工作需要提高数据监测的频率和质量,同时将过程机理与人工智能方法相结合。

来源：2024年第9期

《化学进展》期刊编辑部

查看化学进展杂志2024年第9期