郭正強(qiáng)，嚴(yán)平川，向宣好，鮑仲濤

(1：長江大學(xué)資源與環(huán)境學(xué)院,油氣地球化學(xué)與環(huán)境湖北省重點(diǎn)實(shí)驗(yàn)室，武漢 430100)(2：湖北省荊州市水文水資源勘測局，荊州 434000)

近年來湖泊的水體富營養(yǎng)化和藻類快速生長現(xiàn)象較為嚴(yán)重和普遍，許多學(xué)者對(duì)湖泊的生物組成[1]、水質(zhì)變化[2]、湖泊富營養(yǎng)化[3]、藻類化學(xué)分類[4]、藻類長時(shí)序變化及其驅(qū)動(dòng)因子[5]等方面進(jìn)行研究.藻類是水生態(tài)系統(tǒng)的重要成分，其生長狀況如藻類結(jié)構(gòu)、細(xì)胞數(shù)量等指標(biāo)受到生長區(qū)域水體內(nèi)各項(xiàng)水質(zhì)指標(biāo)的影響，也直接反映了水體富營養(yǎng)化的程度.張蓉[6]就不同類型的湖泊水環(huán)境從透明度、氮磷營養(yǎng)水平、水溫、水深以及CODMn污染等方面研究了藻類不同生長時(shí)期對(duì)水環(huán)境影響程度，劉巧紅等[7]采用結(jié)構(gòu)方程模型并結(jié)合其他方法對(duì)葉綠素a進(jìn)行預(yù)測，通過引入物理環(huán)境、CODMn、營養(yǎng)鹽和浮游植物4個(gè)潛變量以及預(yù)先篩選的5個(gè)影響因子建立復(fù)雜關(guān)系，以揭示葉綠素a與富營養(yǎng)指標(biāo)因子的關(guān)系，盧碧林等[8]探究了洪湖在2009-2010年間的富營養(yǎng)化程度以及利用DPS等軟件分析了藻種生物量與其環(huán)境因子之間的響應(yīng)關(guān)系，并對(duì)優(yōu)勢藻類進(jìn)行了分類.李玉照等[9]結(jié)合絕對(duì)主成分多元線性回歸分析、結(jié)構(gòu)方程模型以及人工神經(jīng)網(wǎng)絡(luò)模型對(duì)葉綠素a和相關(guān)因子進(jìn)行定量相關(guān)分析，并對(duì)湖泊面積及水動(dòng)力方面對(duì)葉綠素a的影響進(jìn)行探討.神經(jīng)網(wǎng)絡(luò)的發(fā)展讓藻類生長預(yù)測方法更加多元化，已經(jīng)應(yīng)用于藻華暴發(fā)預(yù)測[10]、生長狀態(tài)軟測量[11]、富營養(yǎng)化氣象驅(qū)動(dòng)因子分析[12]以及水庫藻類時(shí)序數(shù)據(jù)預(yù)測[13]等方面，并取得了階段性研究進(jìn)展.神經(jīng)網(wǎng)絡(luò)能在非線性函數(shù)逼近方面有很大優(yōu)勢，能夠更好地近似變量間的復(fù)雜關(guān)系，本文細(xì)化不同水量不同營養(yǎng)程度，運(yùn)用神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)數(shù)理統(tǒng)計(jì)方法進(jìn)行藻種生物量的預(yù)測.

河湖健康評(píng)價(jià)是河湖管理的重要內(nèi)容，是檢驗(yàn)河長制湖長制“有名”“有實(shí)”的重要手段.湖北省也已制定省級(jí)河湖健康評(píng)估標(biāo)準(zhǔn)，洪湖作為長江中游典型湖泊也是湖北省重要湖泊之一，其健康程度的監(jiān)測以及防控至關(guān)重要.選擇適合的藻類生長預(yù)測模型能對(duì)洪湖的營養(yǎng)狀態(tài)以及浮游植物動(dòng)態(tài)的研究有所幫助，有利于后期河湖健康評(píng)估工作的開展.

1 樣品采集與方法介紹

于2014-2019年逐月上旬在湖心及出入口布置5個(gè)站點(diǎn)采集水樣，采樣點(diǎn)如圖1所示.

圖1 洪湖采樣點(diǎn)分布

采用25#浮游生物網(wǎng)在水面及水深0.5 m 處作“∞”字形來回采集水樣，湖泊、水庫采樣500 mL，采樣量視浮游植物分布量而定，若浮游植物數(shù)量較少，也可采樣1000 mL.所獲樣品加魯哥氏液固定，將水樣放置在低溫避光處，沉淀濃縮后在顯微鏡下分門類計(jì)算藻種生物量.采樣現(xiàn)場測水溫(T)和溶解氧(DO)濃度，用透明度盤測定透明度(SD)，帶回實(shí)驗(yàn)室的水樣低溫保存并加相應(yīng)試劑固定，采用堿性過硫酸鉀消解紫外分光光度法(GB 11894-1989)測定總氮(TN)濃度，采用鉬酸銨分光光度法(GB 11893-1989)測定總磷(TP)濃度，依據(jù)(GB 11892-1989)測定高錳酸鹽指數(shù)(CODMn).使用分光光度法(SL88-1994)測定葉綠素a(Chl.a)濃度.

采樣點(diǎn)藍(lán)田是四湖總干渠進(jìn)入洪湖的主要區(qū)域，其中包括上游片區(qū)的生活、工業(yè)、農(nóng)業(yè)等污水; 官墩湖濱存在濕地; 施墩河口為洪湖水體進(jìn)入長江的出口，其水體經(jīng)過了湖泊自凈，受污染情況較輕.

2 分析方法

2.1 湖泊營養(yǎng)程度評(píng)價(jià)

根據(jù)實(shí)測水質(zhì)數(shù)據(jù)采用綜合營養(yǎng)狀態(tài)指數(shù)法[14]進(jìn)行湖泊營養(yǎng)狀態(tài)評(píng)價(jià)，計(jì)算公式如下：

(1)

式中，TLI(∑)為綜合營養(yǎng)狀態(tài)指數(shù)；TLI(j)為第j種參數(shù)的營養(yǎng)狀態(tài)指數(shù)；Wj為第j種參數(shù)的營養(yǎng)狀態(tài)指數(shù)的相關(guān)權(quán)重.

以Chl.a作為基準(zhǔn)參數(shù)，則第j種參數(shù)的歸一化的相關(guān)權(quán)重計(jì)算公式為：

(2)

式中，rij為第j種參數(shù)與基準(zhǔn)參數(shù)Chl.a的相關(guān)系數(shù)；m為評(píng)價(jià)參數(shù)的個(gè)數(shù).

26個(gè)主要湖泊調(diào)查數(shù)據(jù)的計(jì)算結(jié)果. 中國湖泊(水庫)的Chl.a與其它參數(shù)之間的相關(guān)關(guān)系rij及rij2見表1.

表1 Chl.a與其它參數(shù)的相關(guān)關(guān)系*

2.2 回歸分析

回歸分析可以判斷影響因變量的主要因子.本文根據(jù)不同的富營養(yǎng)化程度不同的水量時(shí)期將藻種生物量作為y值，將T、DO、TP、TN、CODMn以及SD等作為自變量進(jìn)行逐步回歸分析，得到回歸方程，依據(jù)方程來判斷影響藻種生物量的主要因素.

逐步回歸分析可以找出對(duì)因變量影響顯著的因子，在建立回歸方程中，每步只挑選一個(gè)能使殘差平方和下降最多的因子，還要通過給定信度的F檢驗(yàn)，重復(fù)該步驟直至待引入因子中不含有對(duì)因變量作用顯著的因子，并且將一些由于新引入的因子導(dǎo)致其顯著性變小或不顯著的因子從分析中剔除.進(jìn)而得到對(duì)因變量影響最為明顯的線性回歸方程.

對(duì)于F檢驗(yàn)，假設(shè)H0：回歸參數(shù)均為0；H1：至少一個(gè)回歸參數(shù)不為0.

檢驗(yàn)使用統(tǒng)計(jì)量：

(3)

式中,SSR為回歸平方和，SSE為殘差平方和，n為樣本個(gè)數(shù)，p為自變量個(gè)數(shù).若F≥Fα(p,n-p-1)則認(rèn)為模型的總體回歸效果顯著.

2.3 BP神經(jīng)網(wǎng)絡(luò)

自2013年第一個(gè)現(xiàn)代深度學(xué)習(xí)網(wǎng)絡(luò)AlexNet的產(chǎn)生，深度學(xué)習(xí)網(wǎng)絡(luò)得到重大發(fā)展，在各個(gè)行業(yè)逐步運(yùn)用.BP神經(jīng)網(wǎng)絡(luò)作為目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)之一，其采用誤差的反向傳播算法進(jìn)行訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，優(yōu)點(diǎn)在于有很強(qiáng)的非線性映射能力，隱藏層的個(gè)數(shù)可以根據(jù)實(shí)際情況自行擬定.通過對(duì)自變量的數(shù)值矩陣和目標(biāo)數(shù)值矩陣訓(xùn)練使得網(wǎng)絡(luò)逼近于一個(gè)函數(shù)，以此得到近似的因變量與自變量的映射關(guān)系，從而實(shí)現(xiàn)對(duì)未知目標(biāo)的預(yù)測.

2.4 生物多樣性指數(shù)

Shannon指數(shù)(H′)用來描述種的個(gè)體出現(xiàn)的紊亂和不確定性，不確定性越高，多樣性也就越高，該指數(shù)能夠描述兩方面的信息：種類豐富度和種類中個(gè)體分配上的均勻性.其公式如下[16]：

(4)

式中,S為群落中所有物種數(shù)目，N為群落中所有個(gè)體數(shù)量，ni為群落中第i個(gè)種的個(gè)體數(shù)量.

3 數(shù)據(jù)分析

3.1 富營養(yǎng)化評(píng)價(jià)

對(duì)洪湖5個(gè)實(shí)測站點(diǎn)2014-2019年12個(gè)月的水質(zhì)數(shù)據(jù)分豐(5-9月)、平(3、4、10-11月)、枯(12-2月)3個(gè)水期進(jìn)行富營養(yǎng)化評(píng)價(jià)，得出各水期的富營養(yǎng)化程度，分析不同水期各站點(diǎn)不同富營養(yǎng)程度占比(圖2).

圖2 富營養(yǎng)化程度占比

從時(shí)間上看，全年內(nèi)，洪湖營養(yǎng)狀態(tài)多數(shù)處于中營養(yǎng)和輕度富營養(yǎng)，極少數(shù)出現(xiàn)中度富營養(yǎng).豐水期，茶壇島和官墩中營養(yǎng)程度占比分別為50%和65%，大口、藍(lán)田和施墩河口輕度富營養(yǎng)化程度占比分別為63%、67%和60%.平水期，茶壇島、官墩中營養(yǎng)程度占比分別為59%和70%，大口、藍(lán)田和施墩河口輕度富營養(yǎng)化程度占比分別為67%、55%和62%.枯水期，大口中營養(yǎng)化程度占比最大，為55%，其余4地中營養(yǎng)程度占比均小于50%.從空間上看：藍(lán)田為四湖總干渠與洪湖連接處，受上游污水匯入影響，水體富營養(yǎng)化程度最高，靠近湖泊2個(gè)出口的大口和施墩河口站也受附近居民生活影響，水體富營養(yǎng)化程度高于官墩和茶壇島，但湖泊自凈能力使得施墩河口的富營養(yǎng)化狀況略好于藍(lán)田.由于存在湖濱濕地且離入湖口較遠(yuǎn)的原因，官墩的營養(yǎng)水平最低，多數(shù)時(shí)間處于中營養(yǎng)狀態(tài).

3.2 藻類分析

根據(jù)2014-2019年藻類藻種統(tǒng)計(jì)數(shù)據(jù)對(duì)洪湖各采樣點(diǎn)采用Shannon指數(shù)(e為底)進(jìn)行生物多樣性分析，如圖3.

圖3 各采樣點(diǎn)Shannon指數(shù)

對(duì)各采樣點(diǎn)2014-2019年豐、平、枯時(shí)期進(jìn)行生物多樣性分析發(fā)現(xiàn)Shannon指數(shù)總體處于2.10～2.45之間，各地各時(shí)期生物多樣性差別不大，其中5個(gè)采樣點(diǎn)的平水期生物多樣性要略優(yōu)于枯水期，但豐水期采樣點(diǎn)之間差異較為明顯，官墩的Shannon指數(shù)最小，施墩河口最大.從整體上分析，藍(lán)田、施墩河口的生物多樣性指數(shù)高于其余3個(gè)樣點(diǎn).

對(duì)洪湖水體的5個(gè)站點(diǎn)2014-2019年12個(gè)月的藻類相對(duì)生物量按照豐、平、枯3個(gè)不同水期統(tǒng)計(jì)分析，發(fā)現(xiàn)豐水期、平水期優(yōu)勢種為藍(lán)藻，藻類相對(duì)生物量為70%～80%，枯水期茶壇島、藍(lán)田優(yōu)勢種為硅藻，其余3個(gè)站點(diǎn)為藍(lán)藻.5個(gè)站點(diǎn)豐、平、枯3個(gè)時(shí)期不同門類藻類相對(duì)生物量見圖4.

圖4 洪湖不同時(shí)期藻類相對(duì)生物量

從總體上看，2014-2019年洪湖5個(gè)站點(diǎn)豐水期和平水期的藻類相對(duì)生物量相近，其中官墩的藍(lán)藻相對(duì)生物量最高，枯水期官墩藍(lán)藻相對(duì)生物量分別高出茶壇島和藍(lán)田20%和25%.這是因?yàn)楣俣照舅|(zhì)較好，總藻密度較低，檢出的藻類細(xì)胞中藍(lán)藻出現(xiàn)比例高于其他門類，成為優(yōu)勢門類，使得藍(lán)藻在官墩站的相對(duì)生物量遠(yuǎn)高于其他站點(diǎn).

與豐水期相比，平水期處于洪湖出入口的大口、藍(lán)田和施墩河口受輸入營養(yǎng)物質(zhì)的減少和水溫的降低，藍(lán)藻生長速度降低，導(dǎo)致藍(lán)藻相對(duì)生物量下降10%以上.茶壇島和官墩受外源營養(yǎng)物質(zhì)輸入的影響不大，故藍(lán)藻門類下降不明顯.

枯水期5個(gè)站點(diǎn)中茶壇島和藍(lán)田硅藻門類增加最為明顯.這是因?yàn)楫?dāng)水溫高于25℃時(shí)，硅藻生長受到抑制[7].而低水溫環(huán)境抑制了藍(lán)、綠藻生長，更利于硅藻生長.

除施墩河口外，其余4個(gè)站點(diǎn)的綠藻相對(duì)生物量均為枯水期>平水期>豐水期，原因在于隨著水量的減少，水體TN、TP濃度增加，而TN、TP濃度偏高的水體對(duì)綠藻生長的促進(jìn)作用最大，從而引起綠藻密度的小幅上漲.

3.3 回歸分析與神經(jīng)網(wǎng)絡(luò)預(yù)測

根據(jù)3.1分析，2014-2019年洪湖水質(zhì)處于中營養(yǎng)和輕度富營養(yǎng)狀態(tài).為了進(jìn)一步分析不同水量、2種富營養(yǎng)化程度下的藻種生物量y與T、DO、TN等8項(xiàng)指標(biāo)關(guān)系，將分為全年、全年+中營養(yǎng)化時(shí)期、全年+輕度富營養(yǎng)化時(shí)期、豐水期+中營養(yǎng)化、豐水期+輕度富營養(yǎng)化、平水期+中營養(yǎng)化、平水期+輕度富營養(yǎng)化、枯水期+中營養(yǎng)化和枯水期+輕度富營養(yǎng)化9種不同時(shí)期討論.建立了相關(guān)系數(shù)矩陣，具體見表2.

（2）選用自制的“護(hù)理職業(yè)性別刻板印象”問卷，通過查閱文獻(xiàn)及專家咨詢形成初稿，然后采用德爾菲法對(duì)量表內(nèi)容效度進(jìn)行評(píng)價(jià)，檢驗(yàn)問卷信度，并進(jìn)行必要的修改形成終稿。調(diào)查內(nèi)容包括個(gè)人基本資料和護(hù)理職業(yè)性別刻板印象量表，量表共2個(gè)條目：條目1表示認(rèn)為男性適合護(hù)理職業(yè)的情況，條目2表示認(rèn)為性別對(duì)護(hù)理職業(yè)的重要程度。條目采用1～3級(jí)正向計(jì)分，量表總分等于各條目分之和，被試者分值越高，表明其對(duì)護(hù)理職業(yè)的刻板印象越深。量表經(jīng)3位護(hù)理學(xué)專家和2位教育學(xué)專家的審閱及修改，具有良好的內(nèi)容效度，該量表重測信度為0.85，具有良好的信度。

據(jù)表2分析，全年與藻種生物量顯著相關(guān)的因子有透明度、CODMn、水溫和溶解氧，自相關(guān)系數(shù)分別為-0.147、0.427、0.520和-0.207；全年+中營養(yǎng)化時(shí)期、全年+輕度富營養(yǎng)化時(shí)期和平水期+輕度富營養(yǎng)化與藻種生物量顯著相關(guān)的因子有CODMn、水溫和溶解氧，自相關(guān)系數(shù)分別為0.302、0.484和-0.188，0.464、0.527和-0.308以及0.575、0.452和-0.491；豐水期+中營養(yǎng)化與藻種生物量顯著相關(guān)的因子有水溫，自相關(guān)系數(shù)為0.519；豐水期+輕度富營養(yǎng)化與藻種生物量顯著相關(guān)的因子有CODMn和水溫，自相關(guān)系數(shù)分別為0.257和0.540；平水期+中營養(yǎng)化與藻種生物量顯著相關(guān)的因子有CODMn，自相關(guān)系數(shù)為0.463；枯水期+中營養(yǎng)化與藻種生物量顯著相關(guān)的因子有總磷，自相關(guān)系數(shù)為-0.378；枯水期+輕度富營養(yǎng)化與藻種生物量顯著相關(guān)的因子有CODMn，自相關(guān)系數(shù)為0.328.故水溫和CODMn在藻細(xì)胞生長過程中影響最為關(guān)鍵，其水溫僅在平水期+中營養(yǎng)化、枯水期+中營養(yǎng)化和枯水期+輕度富營養(yǎng)化時(shí)期不顯著，CODMn僅在豐水期+中營養(yǎng)化和枯水期+中營養(yǎng)化時(shí)期不顯著.

表2 各時(shí)期藻種生物量與影響因子相關(guān)系數(shù)

選擇對(duì)藻種生物量影響顯著的因子進(jìn)行逐步回歸分析與神經(jīng)網(wǎng)絡(luò)訓(xùn)練，使用2014-2018年的數(shù)據(jù)進(jìn)行訓(xùn)練和驗(yàn)證，2019年的數(shù)據(jù)進(jìn)行預(yù)測，對(duì)比2種預(yù)測方式在不同時(shí)間尺度上的準(zhǔn)確性.使用均方根誤差(RMSE)進(jìn)行比較.

3.3.1 逐步回歸 由表3可知，影響藻類生長的因子主要有水溫、CODMn、總氮、總磷、溶解氧和透明度，并且在不同時(shí)期影響程度不同.全年、豐水期+中營養(yǎng)、豐水期+輕度富營養(yǎng)、全年+輕度富營養(yǎng)和全年+中營養(yǎng)藻種生物量與CODMn、溫度、總磷、總氮有關(guān)，可通過減少營養(yǎng)物質(zhì)的輸入來抑制藻種生物量的增長，枯水期+中營養(yǎng)和平水期+輕度富營養(yǎng)化還應(yīng)該注重湖泊溶解氧的改善.除枯水期外，其他7個(gè)時(shí)期的回歸方程相關(guān)系數(shù)都達(dá)到了0.5以上，說明回歸方程能在一定程度上解釋所選環(huán)境因子對(duì)藻種生物量的影響.此外，顯著性檢驗(yàn)均小于0.05，說明逐步回歸法顯著性良好，可作為藻種生物量變化預(yù)測的一種方法.

表3 各時(shí)期標(biāo)準(zhǔn)化藻種生物量的逐步回歸方程

3.3.2 BP神經(jīng)網(wǎng)絡(luò) 使用Matlab對(duì)各個(gè)時(shí)期分別訓(xùn)練和預(yù)測得到相應(yīng)的擬合效果和誤差分布，計(jì)算逐步回歸法和神經(jīng)網(wǎng)絡(luò)預(yù)測誤差的RMSE并進(jìn)行比較，限于篇幅，僅列出全年擬合效果圖，見圖5、圖6.

圖5 全年訓(xùn)練集、驗(yàn)證集、測試集和總體擬合效果

圖6 全年訓(xùn)練集、驗(yàn)證集、測試集和總體誤差范圍分布

從圖5分析得出，全年訓(xùn)練集、驗(yàn)證集和測試集的擬合效果很好，沒有出現(xiàn)欠擬合和過擬合現(xiàn)象.全年、全年中營養(yǎng)化時(shí)期、全年輕度富營養(yǎng)、豐水期+中營養(yǎng)化、豐水期+輕度富營養(yǎng)化、平水期+中營養(yǎng)化、平水期+輕度富營養(yǎng)化、枯水期+中營養(yǎng)化和枯水期+輕度富營養(yǎng)化的訓(xùn)練集模擬值與目標(biāo)值比值R分別為0.95、0.90、0.85、0.94、0.96、0.89、0.82、0.67和0.64，驗(yàn)證集的模擬值與目標(biāo)值比值R分別為0.94、0.86、0.88、0.91、0.81、0.77、0.83、0.93和0.68，測試集模擬值與目標(biāo)值比值R分別為0.94、0.85、0.82、0.94、0.82、0.81、0.75、0.89和0.70.說明神經(jīng)網(wǎng)絡(luò)訓(xùn)練較好，能夠用于預(yù)測藻種生物量變化情況.

圖6說明，全年模型在訓(xùn)練集、驗(yàn)證集和測試集中訓(xùn)練或預(yù)測所得結(jié)果的誤差多數(shù)位于±3500內(nèi)，誤差集中，模型訓(xùn)練和預(yù)測效果穩(wěn)定，能夠較好地反映出藻類生長規(guī)律.對(duì)于全年+中營養(yǎng)化時(shí)期、全年+輕度富營養(yǎng)化時(shí)期、豐水期+中營養(yǎng)化、豐水期+輕度富營養(yǎng)化、平水期+中營養(yǎng)化、平水期+輕度富營養(yǎng)化、枯水期+中營養(yǎng)化和枯水期+輕度富營養(yǎng)化超過75%數(shù)據(jù)的誤差范圍分別為：±3700、±4023、±3505、±2489、±2330、±6335、±993和±3395.誤差范圍隨時(shí)期的細(xì)化略有擴(kuò)大，使得模型預(yù)測結(jié)果波動(dòng)性較大，但誤差數(shù)值的范圍依舊保持較好的集中程度.

3.3.3 兩種方法比較 BP神經(jīng)網(wǎng)絡(luò)與逐步回歸分析預(yù)測的均方根誤差見表4.

表4 預(yù)測數(shù)據(jù)RMSE比較

4 結(jié)論與討論

4.1 結(jié)論

通過對(duì)洪湖水體營養(yǎng)狀態(tài)分析及回歸分析，找到影響藻類生長的顯著影響因素，并預(yù)測藻類生長變化，主要結(jié)論如下：

1)2014-2019年洪湖水體富營養(yǎng)化程度基本處于中營養(yǎng)和輕度富營養(yǎng)之間，豐水期和枯水期的營養(yǎng)程度低于平水期.

2)洪湖5個(gè)站點(diǎn)豐水期和平水期的藻類比例相近，其中官墩的藍(lán)藻比例最高.與豐水期相比，平水期處于洪湖出入口的大口、藍(lán)田和施墩河口藍(lán)藻占比下降10%以上.茶壇島和官墩受外源營養(yǎng)物質(zhì)輸入的影響不大，故藍(lán)藻占比下降不明顯.枯水期5個(gè)站點(diǎn)中茶壇島和藍(lán)田硅藻比例增加最為明顯.適當(dāng)?shù)臓I養(yǎng)鹽和低溫環(huán)境也有助于硅藻生長.除施墩河口外，其余4個(gè)站點(diǎn)的綠藻占比均為枯水期>平水期>豐水期.

3)不同時(shí)期控制顯著變量可以達(dá)到防治水華污染的效果.豐水期+中營養(yǎng)化時(shí)期可通過控制水體CODMn濃度，豐水期+輕度富營養(yǎng)化控制總磷濃度來抑制藻類生長過快的狀況，平水期+中營養(yǎng)化、平水期+輕度富營養(yǎng)化、枯水期+中營養(yǎng)化和枯水期+輕度富營養(yǎng)化時(shí)期可通過控制CODMn與總氮、總磷濃度來降低水華發(fā)生概率.

4)不同情形采用不同方法預(yù)測藻類生長規(guī)律.對(duì)于全年、全年+中營養(yǎng)化時(shí)期、全年+輕度富營養(yǎng)化和豐水期神經(jīng)網(wǎng)絡(luò)相對(duì)于常規(guī)的逐步回歸預(yù)測體現(xiàn)出巨大優(yōu)勢，誤差的RMSE要明顯小于逐步回歸法，平水期兩種方法相當(dāng)，均有一定誤差.枯水期逐步回歸的預(yù)測結(jié)果要優(yōu)于神經(jīng)網(wǎng)絡(luò).

4.2 討論

1)藻類的生長受到多方面影響，是一個(gè)非線性問題.先前的研究者已經(jīng)在藻華暴發(fā)預(yù)測，生長狀態(tài)軟測量，富營養(yǎng)化氣象驅(qū)動(dòng)因子分析以及水庫藻類時(shí)序數(shù)據(jù)預(yù)測等方面取得較好成果，隨著近些年快速發(fā)展，神經(jīng)網(wǎng)絡(luò)已經(jīng)能很好的對(duì)非線性問題進(jìn)行函數(shù)逼近并進(jìn)行預(yù)測，神經(jīng)網(wǎng)絡(luò)用于藻類數(shù)量變化的預(yù)測具有科學(xué)性和合理性.

2)BP神經(jīng)網(wǎng)絡(luò)還存在以下局限性：當(dāng)數(shù)據(jù)量較少時(shí)，網(wǎng)絡(luò)難以訓(xùn)練成型，會(huì)極大降低網(wǎng)絡(luò)效率；當(dāng)數(shù)據(jù)量過大時(shí)，網(wǎng)絡(luò)的訓(xùn)練容易產(chǎn)生過擬合現(xiàn)象，導(dǎo)致網(wǎng)絡(luò)的泛化能力降低，預(yù)測結(jié)果會(huì)產(chǎn)生較大偏差，為了避免出現(xiàn)上述情況，應(yīng)當(dāng)在網(wǎng)絡(luò)訓(xùn)練時(shí)適度進(jìn)行人為干預(yù).

3)影響藻種生物量的因素除了常見的水質(zhì)指標(biāo)還與多種氣象因子有關(guān)，例如氣溫顯著影響藻類的生物量和季節(jié)變化，風(fēng)是藻類生物量空間分布差異的主要原因，降雨是重要的輔助因素.溫度處于15～20℃時(shí)藻類的生長情況會(huì)受到強(qiáng)風(fēng)和頻繁降雨的抑制，當(dāng)溫度處于20～30℃時(shí)，由風(fēng)產(chǎn)生的水力擾動(dòng)會(huì)更加明顯，不同風(fēng)速的擾動(dòng)也會(huì)使葉綠素濃度發(fā)生變化[17].這些氣象因素的改變也會(huì)影響模型的精準(zhǔn)度.

4)藻類是水生生物中的一大類群，其生長情況除了與外界環(huán)境有關(guān)，還與生物的內(nèi)在特性有聯(lián)系，建立適宜的生態(tài)動(dòng)力學(xué)模型有利于藻類生長預(yù)報(bào).通過結(jié)合遺傳算法與BP神經(jīng)網(wǎng)絡(luò)的結(jié)合能夠使模型預(yù)測的精準(zhǔn)度提高.在之后的研究中將采用多方式的耦合模型進(jìn)行探討，進(jìn)一步探索影響藻類生長的內(nèi)在聯(lián)系.