一种预测生物-沉积物富集因子的方法与流程

1.本技术涉及生态环境测评的技术领域，具体涉及一种预测生物-沉积物富集因子的方法。


背景技术：

2.生物-沉积物富集因子(biota-sediment accumulation factor,简称bsaf)是描述沉积物中的有机化合物或金属等污染物进入生物体组织中发生蓄积的参数，水体中的沉积物由于含有有机质组分而成为疏水性有机污染物的聚集库，且疏水性有机物污染物不断在水体和沉积物之间扩散。当上游为未污染水体时，水流能够不断稀释下游被污染沉积物表层水体中的污染物的浓度。双壳贝类等底栖生物主要通过过滤沉积物表层水进行摄食，因此有机污染物一般在双壳贝类体内和沉积物表层水中进行平衡分配。所以，水流速度能通过稀释沉积物表层水中污染物浓度来减少双壳贝类体内的有机污染物浓度，进而影响bsaf。
3.相关技术中，通常可以通过现场测量或模型来预测bsaf，通过现场测量获得的bsaf值一般直接应用于同一位置或其他位置的同一物种或其他物种。但是研究发现，不同位置之间获得的bsaf实际测量值并不一致且差距较大，导致预测值和实际有较大偏差，并且通过动力学模型进行预测和计算，过程较为复杂繁琐。


技术实现要素：

4.为了解决上述问题而提出了本技术。本技术提出了一种预测生物-沉积物富集因子的方法，所述方法包括以下步骤：获取概念模型；获取实际测量点的实测信息，其中所述实测信息包括用于计算实地生物-沉积物富集因子的第一实测信息、用于计算实地水流速度的第二实测信息；根据所述第一实测信息计算实地生物-沉积物富集因子，根据所述第二实测信息计算实地水流速度；根据所述实地水流速度和实地生物-沉积物富集因子的对应关系拟合所述概念模型得到预测模型，以用于根据水流速度得到所述生物-沉积物富集因子预测值。
5.在本技术的一个实施例中，所述第一实测信息包括实际测量点的生物体内脂质含量的污染物浓度以及沉积物中有机质含量的污染物浓度。
6.在本技术的一个实施例中，根据所述第一实测信息计算所述实地生物-沉积物富集因子包括：计算所述实际测量点的生物体内脂质含量的污染物浓度与所述沉积物中有机质含量标的污染物浓度的比值作为所述实地生物-沉积物富集因子。
7.在本技术的一个实施例中，所述第二实测信息包括实际测量点的水体出水量、水深及水体宽度。
8.在本技术的一个实施例中，所述概念模型包括，所述水流速度与常数之和为第一参数，所述常数为第二参数，所述生物-沉积物富集因子预测值为所述第二参数与所述第一参数的比值。
9.在本技术的一个实施例中，所述常数为沉积物间隙水向生物过滤水中扩散的速度与水平水流进入生物过滤水的通量面的比值。
10.在本技术的一个实施例中，所述根据所述实地水流速度和实地生物-沉积物富集因子的对应关系拟合所述概念模型得到预测模型，包括：根据所述实地水流速度和实地生物-沉积物富集因子的对应关系拟合所述概念模型得到所述常数的值；根据所述常数的值和所述概念模型得到所述预测模型。
11.在本技术的一个实施例中，所述方法还包括：在根据所述实地水流速度和实地生物-沉积物富集因子的对应关系拟合所述概念模型得到预测模型之前，对所述实地生物-沉积富集因子进行筛选，去除基于不同位置或者不同时间获得的第一实测信息得到的实地生物-沉积富集因子，并记录剩余的实地生物-沉积富集因子的数据个数。
12.在本技术的一个实施例中，所述方法还包括，所述方法还包括，根据所述数据个数、所述实地生物-沉积物富集因子以及所述生物-富集因子预测值计算均方差，所述均方差用于表示所述预测模型与所述概念模型的偏差，其中所述生物-富集因子预测值通过将所述实地水流速度代入到所述预测模型中得到。
13.在本技术的一个实施例中，根据所述第一实测信息计算实地生物-沉积物富集因子时，同一位置对应的所有生物-沉积物富集因子取算数平均值。
14.根据本技术实施例的预测方法，建立概念模型，通过实测数据拟合概念模型最终得到bsaf的预测模型，在对预测点的bsaf进行预测时，只需要得到预测点处的水流速度就可以进行预测，实际使用时测量方便并且计算简单，克服了相关技术中bsaf的预测过程计算复杂繁琐的缺点，并且预测结果更加准确。
附图说明
15.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
16.图1示出本技术实施例中预测生物-沉积物富集因子方法的流程图。
17.图2示出了有机污染物在底栖双壳贝类和沉积物中富集的概念图。
18.图3示出了log bsaf与log v在底栖双壳贝类对疏水性有机物富集中的关系图。
具体实施方式
19.为了使得本技术的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。基于本技术中描述的本技术实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其他实施例都应落入本技术的保护范围之内。
20.本技术实施例提供了一种预测生物-沉积物富集因子的方法，
21.如图1所示，本方法包括以下步骤：
22.s01、获取概念模型。
23.s02、获取实际测量点的实测信息，其中所述实测信息包括用于计算实地生物-沉积物富集因子的第一实测信息、用于计算实地水流速度的第二实测信息。
24.s03、根据所述第一实测信息计算实地生物-沉积物富集因子，根据所述第二实测信息计算实地水流速度。
25.s04、根据所述实地水流速度和实地生物-沉积物富集因子的对应关系拟合所述概念模型得到预测模型，以用于根据水流速度得到所述生物-沉积物富集因子预测值。
26.通过上述的预测方法，考虑到实际环境中水流速度对生物-沉积物富集因子(biota-sediment accumulation factor,简称bsaf)的影响，基于预测位置的水流速度快速进行bsaf的预测以得到预测值，预测过程更加简单方便。
27.图2为有机污染物在底栖双壳贝类和沉积物中富集的概念图，图2中的虚线中是双壳贝类可以过滤的水体(ventilation volume)，其中有机污染物浓度为cv，双壳贝类体内脂质含量的有机污染物浓度为c
lipid
，沉积物间隙水中有机污染物的浓度为c
pw
，沉积物中有机污染物浓度为c
sed
，沉积物中有机质含量的有机污染物浓度c
oc
(c
oc
＝c
sed
/f
oc
，为沉积物中有机质的质量占比f
oc
)。上层水体中水平水流速度为v。
28.如图2所示，在一个生物过滤水体(其中有机污染物浓度为cv)中，双壳贝类(其体内有机污染物浓度为cb，c
lipid
＝cb/f
lipid
，f
lipid
为生物体内脂质的质量占比)从该生物过滤水体中滤食的同时有机污染物会被富集到体内。生物过滤水来自上层水体(其中有机污染物浓度为c
bw
)和沉积物中的间隙水(其中有机污染物浓度为c
pw
)。假设有机污染物在水体中的分布和水流速度在时间和空间上都是不变的，水体平流(来自沉积物上层水体)和扩散输送(来自沉积物间隙水)是影响有机物污染物转移过程的主要因素，且忽略生物自身运动的干扰。可过滤水体中有机污染物的浓度cv可以根据如下公式计算。
[0029][0030]
其中，c
pw
*q
pw
*δt为单位时间内(δt)从沉积物间隙水(其中有机污染物浓度为c
pw
)中扩散到生物过滤水体中的污染物的总量，q
pw
为沉积物间隙水向生物过滤水中扩散的速度(m3/h)。q
pw
*δt为单位时间内从沉积物间隙水中扩散到可过滤水体中的水量。v*a
adv
*δt为单位时间内上层水体通过平流进入到可过滤水体中的水量，a
adv
为水平水流进入生物过滤水的通量面积(m2)，v为水平水流速度(m/h)。
[0031]
一般认为生物体内的脂质和沉积物中的有机质对有机污染具有近似的吸附能力。因此，脂质和水之间的有机化合物分配系数(k
lipid
)约等于有机质和水之间的分配系数(k
oc
)。假设有机污染物在沉积物和间隙水之间达到平衡分配的状态下，k
oc
＝c
oc/cpw
。假设有机污染物在生物体和过滤水之间达到平衡分配的状态下，k
lipid
＝c
lipid
/cv。综上，bsaf可以根据如下公式计算。
[0032][0033]
通过公式(1)和公式(2)，可以得到bsaf的概念模型如下所示，
[0034][0035]
在上式中，v为水平水流速度(m/h)，q
pw
为沉积物间隙水向生物过滤水中扩散的速
度(m3/h)，a
adv
为水平水流进入生物过滤水的通量面(m2)。
[0036]
在得到了bsaf的模型之后，需要通过实地数据的选取、计算并和概念模型进行拟合以得到最终的预测模型。
[0037]
如图1所示，在进行实地数据的选取时，需要获取实际测量点的实测信息，其中实测信息包括用于计算实地生物-沉积物富集因子的第一实测信息、用于计算实地水流速度的第二实测信息。其中，第一实测信息包括实际测量点的生物体内脂质含量的污染物浓度以及沉积物中有机质含量的污染物浓度，也即公式(2)中的c
lipid
和c
oc
，通过生物体内脂质含量的污染物浓度与沉积物中有机质含量的污染物浓度的比值可以计算实地生物-沉积物富集因子，通过搜集上述的第一实测信息用于得到bsaf的实地测量值。在针对有机物的数据进行选取时，选择多氯联苯(pcbs)、多环芳烃(pahs)和有机氯农药(ocps)为目标疏水性有机物，选择双壳贝类为目标物种。在一些实施例中，通过文献检索搜集数据，最终得到疏水性有机物在底栖双壳贝类中富集的bsaf实地测量值3121个，共48种双壳贝类和96种疏水性有机物，有机物包括65种多氯联苯(pcbs)、22种多环芳烃(pahs)和9种有机氯农药(ocps)。示例性地，在根据第一实测信息计算实地生物-沉积物富集因子时，同一位置的对应的所有生物-沉积物富集因子取算数平均值。
[0038]
针对第二实测信息，需要获取实际测量点的水体出水量、水深及水体宽度。通过第二实测信息来估算水流速度，具体为计算实际测量点水深和水体宽度的乘积，通过实际测量点出水量与该乘积的比值来估算水流速度。
[0039]
在根据实地水流速度和实地生物-沉积物富集因子的对应关系拟合概念模型得到预测模型之前，需要进行数据筛选，去除基于不同位置或者不同时间获得的第一实测信息得到的实地bsaf，并记录剩余的实地生物-沉积富集因子的数据个数，示例性地，在一个实施例中，筛选之后的数据个数n＝30。
[0040]
在获取了实地bsaf以及估算的水流速度之后，根据实地水流速度和实地bsaf的对应关系拟合概念模型得到预测模型，以用于根据水流速度得到生物-沉积物富集因子预测值，也即将实地水流速度代入到预测模型中得到对应位置的生物-沉积物富集因子预测值。
[0041]
如图3所示，log bsaf与log v在底栖双壳贝类对疏水性有机物富集中的关系图。在图中，bsaf为生物-沉积物富集因子，单位为kg-oc/kg-lipid，v为水体水平流速，measured foc代表bsaf计算中使用实测沉积物中有机质含量，assumed f
oc
代表bsaf计算中使用所有实测沉积物中有机质含量的算术平均值，specific代表bsaf根据具体位置及具体时间的有机物浓度计算而来，pooled代表bsaf根据来自不同位置或不同时间的有机物浓度计算而来。图3中的虚线表示log bsaf与logv之间的关系，将依据第一实测信息获得的实地bsaf、依据第二实测信息估算的水流速度与概念模型进行拟合，并结合bsaf与logv之间的关系图，可以得到公式(2)中的常数q
pw
/a
adv
的值，最后得到bsaf的预测模型，基于预测模型，通过水流速度可以快速得到bsaf的预测值。最终得到概念模型中的常数值为105，得到的预测模型如下：
[0042][0043]
本方法还包括，在得到预测模型之后，根据实地bsaf和预测bsaf以及数据个数计算均方差。示例性地，计算过程包括：选取同一位置所有数据的logbsaf预测值与实地测量
logbsaf的差值的平方进行求和，再除以数据个数n之后求其平方根，最终得到均方根误差rmse，示例性地，在一个实施例中，数据个数n为30，均方根误差rmse为0.44，决定系数r2为0.55。
[0044]
本技术实施例通过上述的技术方案，提供了一种预测bsaf的方法，通过建立概念模型，通过实测数据拟合概念模型最终得到bsaf的预测模型，在对预测点的bsaf进行预测时，只需要得到该处的水流速度就可以进行预测，实际使用时测量方便并且计算简单，克服了相关技术中bsaf的预测和计算复杂繁琐的缺点。
[0045]
如表1所示，表1为基于水流速度的bsaf预测模型中实测值和预测对比表。
[0046][0047][0048]
表1
[0049]
在上表中，不同的组别对应了不同的测量点。
[0050]
在第1组数据中：
[0051]
选取安大略湖为预测地点，通过文献检索，获得安大略湖中双壳贝类富集疏水性有机物的bsaf观测值，同一地点的所有有机物的bsaf观测值取算数平均值。根据公开数据计算获得安大略湖的水流速度。基于水流速和本发明模型预测bsaf值。表1中列出bsaf的观测值和预测值对比。
[0052]
在第2组数据中：
[0053]
选取安太湖为预测地点。通过文献检索，获得太湖中双壳贝类富集疏水性有机物的bsaf观测值，同一地点的所有有机物的bsaf观测值取算数平均值。根据公开数据计算获得太湖的水流速度。基于水流速和本发明模型预测bsaf值。表1中列出bsaf的观测值和预测值对比。
[0054]
在第3组数据中：
[0055]
选取纽斯河为预测地点。通过文献检索，获得纽斯河中双壳贝类富集疏水性有机物的bsaf观测值，同一地点的所有有机物的bsaf观测值取算数平均值。根据公开数据计算获得纽斯河的水流速度。基于水流速和本发明模型预测bsaf值。表1中列出bsaf的观测值和预测值对比。
[0056]
在第4组数据中：
[0057]
选取田纳西河为预测地点。通过文献检索，获得田纳西河中双壳贝类富集疏水性有机物的bsaf观测值，同一地点的所有有机物的bsaf观测值取算数平均值。根据公开数据
计算获得田纳西河的水流速度。基于水流速和本发明模型预测bsaf值。表1中列出bsaf的观测值和预测值对比。
[0058]
通过表1中的数据对比可以看出，在bsaf的观测值和预测值之间的差距主要和水流速度的变化值有关，当水流速度的相对变化较小时，bsaf的观测值和预测值之间的差值较小，表示预测值更加准确，当水流速度变化较大时，bsaf的观测值和预测值之间的差值较大。上述的预测模型更适用于水流速度相对变化较小的实地测量环境。
[0059]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0060]
类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在对本技术的示例性实施例的描述中，本技术的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本技术的方法解释成反映如下意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。
[0061]
本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0062]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其他实施例中所包括的某些特征而不是其他特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0063]
本技术的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本技术实施例的一些模块的一些或者全部功能。本技术还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本技术的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0064]
应该注意的是上述实施例对本技术进行说明而不是对本技术进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本技术可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0065]
以上所述，仅为本技术的具体实施方式或对具体实施方式的说明，本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。本技术的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种预测生物-沉积物富集因子的方法，其特征在于，所述方法包括以下步骤：获取概念模型；获取实际测量点的实测信息，其中所述实测信息包括用于计算实地生物-沉积物富集因子的第一实测信息、用于计算实地水流速度的第二实测信息；根据所述第一实测信息计算实地生物-沉积物富集因子，根据所述第二实测信息计算实地水流速度；根据所述实地水流速度和实地生物-沉积物富集因子的对应关系拟合所述概念模型得到预测模型，以用于根据水流速度得到所述生物-沉积物富集因子预测值。2.根据权利要求1所述的方法，其特征在于，所述第一实测信息包括实际测量点的生物体内脂质含量的污染物浓度以及沉积物中有机质含量的污染物浓度。3.根据权利要求2所述的方法，其特征在于，根据所述第一实测信息计算所述实地生物-沉积物富集因子包括：计算所述实际测量点的生物体内脂质含量的污染物浓度与所述沉积物中有机质含量的污染物浓度的比值作为所述实地生物-沉积物富集因子。4.根据权利要求1所述的方法，其特征在于，所述第二实测信息包括实际测量点的水体出水量、水深及水体宽度。5.根据权利要求1所述的方法，其特征在于，所述概念模型包括，所述水流速度与常数之和为第一参数，所述常数为第二参数，所述生物-沉积物富集因子预测值为所述第二参数与所述第一参数的比值。6.根据权利要求5所述的方法，其特征在于，所述常数为沉积物间隙水向生物过滤水中扩散的速度与水平水流进入生物过滤水的通量面的比值。7.根据权利要求5所述的方法，其特征在于，所述根据所述实地水流速度和实地生物-沉积物富集因子的对应关系拟合所述概念模型得到预测模型，包括：根据所述实地水流速度和实地生物-沉积物富集因子的对应关系拟合所述概念模型得到所述常数的值；根据所述常数的值和所述概念模型得到所述预测模型。8.根据权利要求1所述的方法，其特征在于，所述方法还包括：在根据所述实地水流速度和实地生物-沉积物富集因子的对应关系拟合所述概念模型得到预测模型之前，对所述实地生物-沉积富集因子进行筛选，去除基于不同位置或者不同时间获得的第一实测信息得到的实地生物-沉积富集因子，并记录剩余的实地生物-沉积富集因子的数据个数。9.根据权利要求8所述的方法，其特征在于，所述方法还包括，根据所述数据个数、所述实地生物-沉积物富集因子以及所述生物-富集因子预测值计算均方差，所述均方差用于表示所述预测模型与所述概念模型的偏差，其中所述生物-富集因子预测值通过将所述实地水流速度代入到所述预测模型中得到。10.根据权利要求1所述的方法，其特征在于，根据所述第一实测信息计算实地生物-沉积物富集因子时，同一位置对应的所有生物-沉积物富集因子取算数平均值。

技术总结
本发明涉及一种预测生物-沉积物富集因子的方法，所述方法包括以下步骤：获取概念模型；获取实际测量点的实测信息，其中所述实测信息包括用于计算实地生物-沉积物富集因子的第一实测信息、用于计算实地水流速度的第二实测信息；根据所述第一实测信息计算实地生物-沉积物富集因子，根据所述第二实测信息计算实地水流速度；根据所述实地水流速度和实地生物-沉积物富集因子的对应关系拟合所述概念模型得到预测模型，以用于根据水流速度得到所述生物-沉积物富集因子预测值。沉积物富集因子预测值。沉积物富集因子预测值。


技术研发人员：辛芳 肖诚斌 王博 吴沐彦 严册 陈一锌 赵彬
受保护的技术使用者：光大环境科技（中国）有限公司 光大环保技术研究院（深圳）有限公司
技术研发日：2023.03.15
技术公布日：2023/7/18