孔憲喻,蘇榮國(中國海洋大學(xué),海洋化學(xué)理論與工程技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室,山東 青島 266100)

?

基于支持向量機(jī)的黃東海富營養(yǎng)化快速評(píng)價(jià)技術(shù)

孔憲喻,蘇榮國*(中國海洋大學(xué),海洋化學(xué)理論與工程技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室,山東 青島 266100)

摘要：以發(fā)展黃東海富營養(yǎng)化現(xiàn)場(chǎng)快速監(jiān)測(cè)技術(shù)為目的,選取有色溶解有機(jī)物(CDOM)特征吸收系數(shù)aCDOM(255)、aCDOM(355)、aCDOM(455)及能現(xiàn)場(chǎng)實(shí)時(shí)監(jiān)測(cè)的濁度(Tur)、葉綠素a(Chl a)、溶氧(DO)等水質(zhì)參數(shù),以TRIX值為參照,利用支持向量機(jī)建立了近海富營養(yǎng)化快速評(píng)價(jià)技術(shù).建立的支持向量機(jī)模型最優(yōu)懲罰參數(shù)C=45.3,最優(yōu)核函數(shù)參數(shù)g=0.7,對(duì)訓(xùn)練集分類準(zhǔn)確率為92.5%,交叉驗(yàn)證準(zhǔn)確率為91.8%,驗(yàn)證集分類準(zhǔn)確率為85.0%.結(jié)果表明:基于CDOM吸收系數(shù)及DO、Chl a、Tur建立的近海富營養(yǎng)化快速評(píng)價(jià)技術(shù)能夠準(zhǔn)確的對(duì)近海富營養(yǎng)化狀態(tài)進(jìn)行評(píng)估,可為近海富營養(yǎng)化的現(xiàn)場(chǎng)快速監(jiān)測(cè)提供技術(shù)支持.

關(guān)鍵詞：富營養(yǎng)化；快速評(píng)價(jià)；有色溶解有機(jī)物(CDOM)；支持向量機(jī)

? 責(zé)任作者, 副教授, surongguo@ouc.edu.cn

隨著沿海經(jīng)濟(jì)的快速發(fā)展,大量富含氮、磷等的工業(yè)廢水和城市生活污水排放入海,使近海富營養(yǎng)化問題日益突出.對(duì)近海富營養(yǎng)化進(jìn)行現(xiàn)場(chǎng)快速實(shí)時(shí)評(píng)價(jià)成為海洋環(huán)境監(jiān)測(cè)的迫切需要.目前,富營養(yǎng)化評(píng)價(jià)的常用方法主要包括單因子評(píng)價(jià)法(TSI)[1],富營養(yǎng)化指數(shù)法(EI)[2]、營養(yǎng)狀態(tài)質(zhì)量指數(shù)法(NQI)[3]、富營養(yǎng)化狀態(tài)指數(shù)法(TRIX)[4]等綜合指數(shù)法,評(píng)價(jià)指標(biāo)主要包括營養(yǎng)鹽、COD、BOD、溶氧(DO)、葉綠素a(Chl a)、濁度(Tur)等.由于營養(yǎng)鹽、COD等參數(shù)的測(cè)定存在操作較為復(fù)雜、試劑用量大等缺點(diǎn),難以實(shí)現(xiàn)現(xiàn)場(chǎng)實(shí)時(shí)監(jiān)測(cè).

有色溶解有機(jī)物(CDOM)是存在于水體中的一類含有富里酸、腐殖酸、芳烴聚合物等物質(zhì)的可溶性有機(jī)物,與營養(yǎng)物質(zhì)的生物地球化學(xué)循環(huán)密切相關(guān)[5].CDOM的紫外可見吸收光譜的特定波長(zhǎng)吸收系數(shù)可有效地揭示CDOM的組成特征,CDOM的濃度通常由某一選定波長(zhǎng)處的吸收系數(shù)來表征.有研究指出CDOM的紫外可見吸收與DOC 、COD、營養(yǎng)鹽等水質(zhì)參數(shù)有顯著相關(guān)性[6-8],同時(shí)紫外可見光譜分析技術(shù)已廣泛應(yīng)用于在線實(shí)時(shí)監(jiān)測(cè).

支持向量機(jī)(SVM)是由Vapnik[9]根據(jù)統(tǒng)計(jì)學(xué)理論提出的一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,通過引用核函數(shù),將輸入空間中的非線性問題映射到高維特征空間,借此轉(zhuǎn)化成構(gòu)造線性判別函數(shù),在模式識(shí)別、圖像處理、數(shù)據(jù)挖掘、回歸預(yù)測(cè)等領(lǐng)域廣泛應(yīng)用[10-13],可以很好地解決非線性問題.

近海富營養(yǎng)化的評(píng)價(jià)因素與富營養(yǎng)化等級(jí)之間關(guān)系復(fù)雜而且具有非線性特征.因此,本文以黃東海海域?yàn)檠芯繉?duì)象,選取CDOM的特征吸收系數(shù)及可現(xiàn)場(chǎng)實(shí)時(shí)監(jiān)測(cè)的DO、Chl a、Tur等水質(zhì)參數(shù),以TRIX值為參照,利用支持向量機(jī)建立黃東海富營養(yǎng)化快速評(píng)價(jià)技術(shù).

1 材料與方法

1.1 研究區(qū)域

研究區(qū)域位于黃東海海區(qū),樣品采集于2013 年7月,共57個(gè)站位,站位分布如圖1所示,共采集樣品294個(gè).具體方法:用Niskin采水器現(xiàn)場(chǎng)采集1L水樣,立即用0.7μm的GF/F膜過濾,過濾后的膜樣用錫紙包好冷凍保存,用于測(cè)定Chl a的含量;過濾后的水樣置于潔凈棕色玻璃瓶中冷凍保存(-20℃),用于紫外可見吸收光譜分析;另外直接取未過濾的100mL水樣于聚乙烯瓶中冷凍保存,用于TN和TP的測(cè)定.

圖1 2013年7月黃東海航次站位Fig.1 Sampling stationsof the Yellow Sea and the East China Sea in July 2013

1.2 測(cè)定方法溫度(T)、鹽度(S)、DO和Tur:利用CTD測(cè)得.

Chl a:使用島津UV-2550紫外可見分光光度計(jì),1cm石英比色皿,用90%的丙酮溶液萃取膜樣后的上清液于比色皿中測(cè)定,以90%的丙酮溶液做參比,波長(zhǎng)范圍為400～800nm.取664,647, 630,750nm處的吸光度用Jeffrey and Humphrey方程計(jì)算Chl a濃度[14].

CDOM吸收系數(shù):使用島津UV-2550紫外可見分光光度計(jì),水樣用0.2μm聚醚砜針頭濾器過濾,1cm石英比色皿,以Mill-Q標(biāo)準(zhǔn)純水做參比進(jìn)行測(cè)定.

1978年，黨的十一屆三中全會(huì)做出了把黨和國家工作中心轉(zhuǎn)移到經(jīng)濟(jì)建設(shè)上來的歷史性抉擇，開啟了中國改革開放的新紀(jì)元。從以階級(jí)斗爭(zhēng)為綱轉(zhuǎn)變到以經(jīng)濟(jì)建設(shè)為中心，從封閉轉(zhuǎn)變到擴(kuò)大開放，從固守陳規(guī)轉(zhuǎn)變到改革創(chuàng)新。改革從農(nóng)村到城市，從經(jīng)濟(jì)領(lǐng)域到政治領(lǐng)域、科技教育及其他社會(huì)生活領(lǐng)域。面對(duì)社會(huì)經(jīng)濟(jì)領(lǐng)域改革發(fā)展帶來的系統(tǒng)性、復(fù)雜性等問題，相關(guān)研究組織和機(jī)構(gòu)陸續(xù)成立，一大批專家學(xué)者投身到這些問題的研究中。面對(duì)新形勢(shì)和新問題，為更好地服務(wù)科學(xué)決策，理論、方法、實(shí)踐亟待創(chuàng)新和運(yùn)用。

TP和TN:分別采用磷鉬藍(lán)法和鎘-銅還原法對(duì)水樣TP和TN濃度測(cè)定.

1.3 富營養(yǎng)化狀態(tài)指數(shù)TRIX

1998年,Vollenweider等[4]提出了近海富營養(yǎng)化評(píng)價(jià)方法的TRIX指數(shù)法:

式中:Chl a為水體中葉綠素a的濃度,μg/L;TN、TP分別代表水體中總氮和總磷的濃度,μg/L; aD%O為水體中溶解氧的絕對(duì)標(biāo)準(zhǔn)偏差.

TRIX指數(shù)法包括了壓力因素TN和TP、生態(tài)響應(yīng)因素Chl a及環(huán)境干擾因素溶解氧DO,較為全面的評(píng)價(jià)了富營養(yǎng)化狀況,具有簡(jiǎn)單,準(zhǔn)確度高等優(yōu)點(diǎn).富營養(yǎng)化狀態(tài)指數(shù)法已在地中海、黑海、波羅的海等近海水域的富營養(yǎng)化狀態(tài)評(píng)價(jià)中得到了廣泛的應(yīng)用,并取得較好的效果[15-17].TRIX指數(shù)法對(duì)富營養(yǎng)化狀態(tài)的分類標(biāo)準(zhǔn)為: 2

1.4 富營養(yǎng)化快速評(píng)價(jià)技術(shù)建立

SVM利用核函數(shù)將低維輸入空間中線性不可分的點(diǎn)映射成高維特征空間中線性可分的點(diǎn),在高維空間構(gòu)建最優(yōu)超平面,使同類樣本之間的相似性盡可能的大,異類樣本之間的相似性盡可能的小,理論上可以得到全局最優(yōu)的解析解,不存在局部最優(yōu)化問題,可達(dá)到最大泛化能力.可用圖2的二維分類情況說明,小圓點(diǎn)和三角代表兩類樣本,H為分類超平面,H1和H2分別為離分類超平面最近的樣本且平行于分類超平面的平面,它們之間的距離叫做分類間隔.高維空間中距離分類超平面最近的點(diǎn)所對(duì)應(yīng)的低維空間點(diǎn)稱之為支持向量,如圖中大圓點(diǎn)所示[19-20].

圖2 最優(yōu)分類超平面示意Fig.2 The optimal separating hyperplane

SVM的另一個(gè)重要特征是解的稀疏性,即需要少量支持向量即可構(gòu)造最優(yōu)分類器,在解決小樣本、非線性及高維模式識(shí)別問題中表現(xiàn)出許多特有的優(yōu)勢(shì)[21-23].海水的富營養(yǎng)化評(píng)價(jià)是典型的模式識(shí)別問題,影響水質(zhì)的因素很多,評(píng)價(jià)指標(biāo)與水質(zhì)標(biāo)準(zhǔn)等級(jí)之間是復(fù)雜的非線性關(guān)系,因此,支持向量機(jī)分類適用于建立富營養(yǎng)化評(píng)價(jià)技術(shù).

SVM常用的核函數(shù)包括線性核函數(shù)、多項(xiàng)式核函數(shù)、sigmoid核函數(shù)和徑向基核函數(shù),應(yīng)用最廣泛的是徑向基核函數(shù),且具有較寬的收斂域,是較為理想的分類依據(jù)函數(shù)[24].本研究使用徑向基核函數(shù).徑向基核函數(shù)可表示為:

選定核函數(shù)后,需確定最優(yōu)懲罰參數(shù)C和核參數(shù)g.懲罰參數(shù)C主要表示錯(cuò)分樣本的懲罰程度,核參數(shù)g主要影響樣本數(shù)據(jù)子空間分布的復(fù)雜程度.通常用k-折交叉確認(rèn)法來評(píng)價(jià)參數(shù)的優(yōu)劣[25].

為全面反映海域富營養(yǎng)化狀況,選取水質(zhì)狀態(tài)和生態(tài)響應(yīng)兩方面指標(biāo)作為富營養(yǎng)化快速評(píng)價(jià)指標(biāo).其中,水質(zhì)狀態(tài)反映了海域富營養(yǎng)化的致害或壓力因素,生態(tài)響應(yīng)反映了海域富營養(yǎng)化的效應(yīng)因素.水質(zhì)狀態(tài)指標(biāo)包括反映水體溶解有機(jī)物特征(CDOM的特征吸收系數(shù))指標(biāo)和反映水體懸浮顆粒物特征(濁度)指標(biāo),生態(tài)響應(yīng)包含初級(jí)生態(tài)響應(yīng)(葉綠素a)和次級(jí)生態(tài)響應(yīng)(溶解氧)指標(biāo).

富營養(yǎng)化快速評(píng)價(jià)技術(shù)建立的具體步驟為:利用支持向量機(jī)構(gòu)建近海富營養(yǎng)化快速評(píng)價(jià)模型,以CDOM特征吸收系數(shù)aCDOM(255)、aCDOM(355)、aCDOM(455)及DO、Chl a和Tur等參數(shù)為輸入變量,TRIX評(píng)價(jià)結(jié)果為因變量,建立樣本數(shù)據(jù)集(訓(xùn)練集),通過網(wǎng)格尋優(yōu)對(duì)支持向量機(jī)分類預(yù)測(cè)模型的各項(xiàng)參數(shù)進(jìn)行尋優(yōu)處理,找到最優(yōu)的參數(shù)取值;然后利用支持向量機(jī)進(jìn)行學(xué)習(xí)訓(xùn)練,得到基于網(wǎng)格尋優(yōu)的支持向量機(jī)(GRIDSVM)模型,并利用此模型對(duì)驗(yàn)證集樣品進(jìn)行預(yù)測(cè);最后討論快速測(cè)定指標(biāo)的精度及溫度和鹽度等環(huán)境因素對(duì)模型的影響.

2 結(jié)果分析

2.1 相關(guān)性分析

對(duì)支持向量機(jī)模型輸入變量進(jìn)行分析,去除不相關(guān)或重復(fù)變量,對(duì)于保證模型的合理性以及提高模型的準(zhǔn)確度具有重要意義.計(jì)算了各輸入變量與TRIX值及TN、TP的Pearson相關(guān)系數(shù),結(jié)果如表1所示.

由表1可知,在0.01的顯著性水平下,DO、Chl a、Tur與TN、TP和TRIX都具有顯著相關(guān)性,相關(guān)性系數(shù)在0.231～0.771之間,吸收系數(shù)aCDOM(255)與TP和TRIX相關(guān)性系數(shù)分別為-0.247和-0.163,aCDOM(355)與TN相關(guān)性系數(shù)為0.170,aCDOM(455)與TRIX值在0.05的顯著性水平下具有顯著相關(guān)性,表明本研究選取的CDOM特征吸收系數(shù)aCDOM(255)、aCDOM(355)、aCDOM(455)及DO、Chl a、Tur等水質(zhì)參數(shù)與水體富營養(yǎng)化之間具有關(guān)聯(lián)性.

表1 輸入變量和TN、TP及TRIX值的Pearson相關(guān)系數(shù)Table 1 The Pearson correlation coefficient between the input variables, TN, TP and the TRIX values

2.2 TRIX富營養(yǎng)化評(píng)價(jià)標(biāo)準(zhǔn)

表2 TRIX值及水質(zhì)參數(shù)表Table 2 Statistics of TRIX values and water quality parameters

對(duì)294個(gè)樣品的DO、Chl a、Tur、aCDOM(255)、aCDOM(355)、aCDOM(455)等參數(shù)以及TN、TP和TRIX值進(jìn)行統(tǒng)計(jì)分析(表2),可知TRIX的平均值為5.65,變化范圍在2.66～7.32之間,符合TRIX分類標(biāo)準(zhǔn),即2

2.3 富營養(yǎng)化快速評(píng)價(jià)技術(shù)的建立

從294個(gè)樣品中隨機(jī)抽取147個(gè)樣品作為訓(xùn)練集,其余147個(gè)樣品作為驗(yàn)證集.以CDOM特征吸收系數(shù)aCDOM(255)、aCDOM(355)、aCDOM(455)以及DO、Chla、Tur等6個(gè)參數(shù)為輸入變量,以TRIX值為因變量,以TRIX值為因變量,根據(jù)TRIX的分類結(jié)果,將訓(xùn)練樣品對(duì)應(yīng)的低富營養(yǎng)化、中等富營養(yǎng)化和高富營養(yǎng)化狀態(tài)分別賦值1、2和3.由于數(shù)據(jù)中各變量的量綱和數(shù)量級(jí)不同,為減小數(shù)值變化幅度差異,將數(shù)據(jù)進(jìn)行了[0,1]歸一化處理,同時(shí)運(yùn)用主成分降維預(yù)處理,設(shè)置特征提取百分比為95%,在此基礎(chǔ)上,利用支持向量機(jī)技術(shù)建立富營養(yǎng)化快速評(píng)價(jià)模型.

采用LIBSVM-3.1軟件建立支持向量機(jī)分類模型,設(shè)置核函數(shù)為RBF,為確定懲罰因子C和核參數(shù)g的最佳參數(shù)值,將C、g分別取以2為底的指數(shù)離散值,代入k-cv交叉驗(yàn)證的算法中,選取平均驗(yàn)證準(zhǔn)確度最大的C、g值作為模型參數(shù).模型參數(shù)設(shè)置C∈{2-10,2-9.5,…,210},g∈{2-10, 2-9.5,…,210},V=5,進(jìn)行網(wǎng)格尋優(yōu),結(jié)果如圖3所示.

圖3 網(wǎng)格尋優(yōu)參數(shù)選擇結(jié)果Fig.3 The optimization results of Grid Search

利用網(wǎng)格尋優(yōu)方法確定的參數(shù)最優(yōu)值為C=45.3,g=0.7.在此條件下,訓(xùn)練集分類準(zhǔn)確率為92.5%,交叉驗(yàn)證準(zhǔn)確率為91.8%.所建立的支持向量機(jī)(SVM)分類預(yù)測(cè)函數(shù)可以表示:

該模型包含65個(gè)5維的支持向量,來自于訓(xùn)練集樣本[0,1]歸一化后形成的轉(zhuǎn)置矩陣,按行依次分解得到的向量(i=1,2,…,65)以及相對(duì)應(yīng)的分類標(biāo)簽向量;核函數(shù)為K(xi,x)=exp(-0.7||x-xi||2);支持向量系數(shù)為一個(gè)65×2的矩陣,矩陣元素為(i=1,2,…,65),由懲罰參數(shù)C=45.3與符號(hào)函數(shù)組成.

2.4 富營養(yǎng)化快速評(píng)價(jià)技術(shù)的驗(yàn)證

驗(yàn)證集的147個(gè)樣品,按照TRIX評(píng)價(jià)結(jié)果,38個(gè)樣品為低富營養(yǎng)化狀態(tài),44個(gè)為中等富營養(yǎng)化狀態(tài),65個(gè)為高富營養(yǎng)化狀態(tài).利用建立的富營養(yǎng)化快速評(píng)價(jià)技術(shù)對(duì)驗(yàn)證集樣品進(jìn)行分析,得到驗(yàn)證集樣品的富營養(yǎng)化狀態(tài)預(yù)測(cè)值,與TRIX分類結(jié)果進(jìn)行對(duì)比,得到驗(yàn)證集樣品的分類準(zhǔn)確率為85.0%(圖4).其中,低富營養(yǎng)化、中等富營養(yǎng)化和高富營養(yǎng)化樣品的分類準(zhǔn)確率分別是100%、75.0%和83.1%.中等富營養(yǎng)化誤判為低富營養(yǎng)化的樣品為7個(gè),其中TRIX值在5.0～5.1之間的為5個(gè),中等富營養(yǎng)化誤判為高富營養(yǎng)化的樣品為4個(gè),其中TRIX值在5.9～6.0之間的為1個(gè);高富營養(yǎng)化樣品誤判為中等富營養(yǎng)化的樣品為11個(gè),其中TRIX值在6.0～6.1之間的為7個(gè),預(yù)測(cè)錯(cuò)誤的樣品其TRIX值多數(shù)處于富營養(yǎng)化狀態(tài)分類邊界值附近.若不計(jì)TRIX分類邊界值附近的誤判,驗(yàn)證集樣品富營養(yǎng)化狀態(tài)的分類準(zhǔn)確率達(dá)到93.9%,可見,利用DO、Chla、Tur及CDOM光學(xué)參數(shù)等6個(gè)指標(biāo)建立的富營養(yǎng)化快速評(píng)價(jià)技術(shù)對(duì)實(shí)現(xiàn)近海富營養(yǎng)化狀態(tài)的現(xiàn)場(chǎng)快速評(píng)價(jià)具有較高的準(zhǔn)確度.

圖4 驗(yàn)證集的實(shí)際分類與預(yù)測(cè)分類Fig.4 The classification diagram of actual category and predicted category for the test set

2.5 水質(zhì)指標(biāo)精度及環(huán)境因子影響

利用在驗(yàn)證集數(shù)據(jù)中各水質(zhì)指標(biāo)分別添加隨機(jī)誤差的方法考查了水質(zhì)指標(biāo)精度對(duì)模型穩(wěn)定性的影響(表3).結(jié)果表明,當(dāng)隨機(jī)誤差小于20%時(shí),模型預(yù)測(cè)結(jié)果幾無變化,當(dāng)隨機(jī)誤差達(dá)到30%時(shí),模型預(yù)測(cè)準(zhǔn)確度稍有降低.說明選取DO、Chla、Tur及CDOM光學(xué)參數(shù)等6個(gè)指標(biāo)建立的富營養(yǎng)化快速評(píng)價(jià)技術(shù)有較好的穩(wěn)定性.

表3 水質(zhì)指標(biāo)精度對(duì)分類模型預(yù)測(cè)結(jié)果的影響Table 3 Effects of water quality indicators accuracy on prediction accuracy of classification model

為探討溫度和鹽度等環(huán)境因子對(duì)模型的影響,在輸入變量中加入溫度和鹽度指標(biāo),構(gòu)建加入不同變量后的分類模型,結(jié)果表明(表4),鹽度對(duì)快速評(píng)價(jià)技術(shù)的預(yù)測(cè)結(jié)果基本沒有影響.溫度對(duì)驗(yàn)證集預(yù)測(cè)結(jié)果也基本沒有影響.因此,本文選取DO、Chla、Tur及CDOM光學(xué)參數(shù)等6個(gè)指標(biāo)建立富營養(yǎng)化快速評(píng)價(jià)技術(shù)受溫度、鹽度等環(huán)境因子的影響不明顯.

表4 溫度和鹽度對(duì)分類模型的預(yù)測(cè)精度的影響(%)Table 4 Effects of temperature and salinity on the accuracy of the classification model (%)

3 結(jié)論

基于CDOM特征吸收系數(shù)aCDOM(255)、aCDOM(355)、aCDOM(455)及可現(xiàn)場(chǎng)實(shí)時(shí)測(cè)定的DO、Chla、Tur等水質(zhì)參數(shù),利用支持向量機(jī)建立了近海富營養(yǎng)化快速評(píng)價(jià)技術(shù),對(duì)訓(xùn)練集樣品富營養(yǎng)化狀態(tài)的分類準(zhǔn)確率為92.5%,交叉驗(yàn)證準(zhǔn)確率為91.8%,對(duì)驗(yàn)證集樣品富營養(yǎng)化狀態(tài)的分類準(zhǔn)確率為85.0%,其中,低富營養(yǎng)化、中等富營養(yǎng)化和高富營養(yǎng)化樣品的分類準(zhǔn)確率分別是100%、75.0%和83.1%.所建立的富營養(yǎng)化快速評(píng)價(jià)技術(shù)為近海富營養(yǎng)化監(jiān)測(cè)提供了一種快速有效的新方法.

參考文獻(xiàn)：

[1] Carlson R E.A trophic state index for lakes [J].Limnology and Oceanography, 1977,22(2):361-369.

[2] 秦銘俐,蔡燕紅,王曉波,等.杭州灣水體富營養(yǎng)化評(píng)價(jià)及分析[J].海洋環(huán)境科學(xué), 2009,28(A01):53-56.

[3] 李成高,崔 毅,陳碧鵑,等.唐島灣網(wǎng)箱養(yǎng)殖區(qū)底層水營養(yǎng)鹽變化及營養(yǎng)狀況分析 [J].海洋水產(chǎn)研究, 2006,27(5):52-62.

[4] Vollenweider R A, Giovanardi F, Montanari G, et al.Characterization of the trophic conditions of marine coastal waters, with special reference to the NW Adriatic Sea: proposal for a trophic scale, turbidity and generalized water quality index [J].Environmetrics, 1998,9(3):329-357.

[5] Rochelle-Newall E J, Fisher T R.Chromophoric dissolved organic matter and dissolved organic carbon in Chesapeake Bay [J].Marine Chemistry, 2002,77(1):23-41.

[6] Hur J, Cho J.Prediction of BOD, COD, and total nitrogen concentrations in a typical urban river using a fluorescence excitation-emission matrix with PARAFAC and UV absorption indices [J].Sensors, 2012,12(1):972-986.

[7] Kowalczuk P, Zablocka M, Sagan S, et al.Fluorescence measured in situ as a proxy of CDOM absorption and DOC concentration in the Baltic Sea [J].Oceanologia, 2010,52(3):431-471.

[8] Vasel J, Praet E.On the use of fluorescence measurements to characterize wastewater [J].Water Science & Technology, 2002, 45(4/5):109-116.

[9] Vapnik V.The nature of statistical learning theory [M].Springer Science & Business Media, 2000.

[10] 顧海峰,游冬良.基于支持向量機(jī)的信托公司風(fēng)險(xiǎn)預(yù)警指標(biāo)及模型研究——來自2005年-2013年信托業(yè)的經(jīng)驗(yàn)證據(jù) [J].金融監(jiān)管研究, 2014,(9):68-87.

[11] 何世鈞,唐瑩莉,張 婷,等.基于支持向量機(jī)的綠潮災(zāi)害影響因素的權(quán)重分析 [J].中國環(huán)境科學(xué), 2015,35(11):3431-3436.

[12] 李祚泳,張正健.基于回歸支持向量機(jī)的指標(biāo)規(guī)范值的水質(zhì)評(píng)價(jià)模型 [J].中國環(huán)境科學(xué), 2013,33(8):1502-1508.

[13] 姜 雪,盧文喜,楊青春,等.應(yīng)用支持向量機(jī)評(píng)價(jià)土壤環(huán)境質(zhì)量[J].中國環(huán)境科學(xué), 2014,34(5):1229-1235.

[14] Hoge F E, Vodacek A, Blough N V.Inherent optical properties of the ocean: retrieval of the absorption coefficient of chromophoric dissolved organic matter from fluorescence measurements [J].Limnology and Oceanography, 1993,38(7):1394-1402.

[15] Giovanardi, Vollenweider R A.Trophic conditions of marine coastal waters: experience in applying the Trophic Index TRIX to two areas of the Adriatic and Tyrrhenian seas [J].Journal of Limnology, 2004,63(2):199-218.

[16] Parkhomenko A V, Kuftarkova E A, Subbotin A A, et al.Results of hydrochemical monitoring of Sevastopol Black Sea's offshore waters [J].Journal of Coastal Research, 2003:907-911.

[17] Vascetta M, Kauppila P, Furman E.Indicating eutrophication for sustainability considerations by the trophic index TRIX: does our Baltic case reveal its usability outside Italian waters[C]//PEER Conference, 17th November.2004.

[18] Pettine M, Casentini B, Fazi S, et al.A revisitation of TRIX for trophic status assessment in the light of the European Water Framework Directive: Application to Italian coastal waters [J].Marine Pollution Bulletin, 2007,54(9):1413-1426.

[19] 王 冉,楊道軍.基于支持向量機(jī)的巢湖富營養(yǎng)化程度評(píng)價(jià)研究[J].環(huán)境科學(xué)與管理, 2011,(5):181-184.

[20] 王洪禮,王長(zhǎng)江,李勝朋.基于支持向量機(jī)理論的海水水質(zhì)富營養(yǎng)化評(píng)價(jià)研究 [J].海洋技術(shù), 2005,(1):48-51.

[21] Cristianini N, Shawe-Taylor J.An introduction to support vector machines and other kernel-based learning methods [M].Cambridge: Cambridge University Press, 2000.

[22] 周建國,張希剛.基于粗糙集與灰色SVM的中國CO2排放量預(yù)測(cè) [J].中國環(huán)境科學(xué), 2013,33(12):2157-2163.

[23] 何世鈞,唐瑩莉,張 婷,等.基于支持向量機(jī)的綠潮災(zāi)害影響因素的權(quán)重分析 [J].中國環(huán)境科學(xué), 2015,35(11):3431-3436.

[24] Hsu C W, Chang C C, Lin C J.A practical guide to support vector classification [OL].2010-04-15

[25] 萬 鵬,王紅軍,徐小力.局部切空間排列和支持向量機(jī)的故障診斷模型 [J].儀器儀表學(xué)報(bào), 2012,(12):2789-2795.

[26] 王文森.變異系數(shù)——一個(gè)衡量離散程度簡(jiǎn)單而有用的統(tǒng)計(jì)指標(biāo) [J].中國統(tǒng)計(jì), 2007,(6):41-42.

A support vector machine-basedtechnology for rapidly assessing trophic status of the Yellow Sea and the East China Sea.

KONG Xian-yu, SU Rong-guo?(Key Laboratory of Marine Chemistry Theory and Technology, Ministry of Education, Ocean University, Qingdao 266100, China).China Environmental Science, 2016,36(1)：143～148

Abstract：In this study, wedeveloped a support vector machine-based model for rapidly assessing trophic status of coastal watersby easy-to-measure parameters (aCDOM(255), aCDOM(355), aCDOM(455), turbidity (Tur), chlorophyll a (Chl a) and dissolved oxygen (DO)) with the trophic index (TRIX) serving as a reference.After the optimal penalty parameter C(45.3) and kernel parameter g (0.7) were obtained by Grid Search, the SVM model was established and its classificationaccuracy rate was 92.5% for the training data, 85.0% for the validation dataand 91.8% for the cross-validation.The results indicated that the developed technique could be useful for rapidly assessingthe eutrophication status ofcoastal waters.

Key words：eutrophication；rapidly assessing；CDOM；support vector machine

中圖分類號(hào)：X55

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1000-6923(2016)01-0143-06

收稿日期：2015-06-19

基金項(xiàng)目：山東省自然科學(xué)基金(ZR2013DM017);國家自然科學(xué)基金(41376106)

作者簡(jiǎn)介：孔憲喻(1990-),女,山東青島人,碩士研究生,主要從事海洋污染生態(tài)研究.