蘇金洙 , 鄒嘉澍 蘇玉萍 , 張明峰, 翁蓁洲, 楊小強

1. 福建師范大學環(huán)境科學與工程學院, 福建 福州 350007;

2. 福建省河湖健康研究中心, 福建 福州 350007;

3. 福建師范大學地理科學學院, 福建 福州 350007;

4. 福州市海洋與漁業(yè)技術中心, 福建 福州 350007

赤潮是一種復雜的海洋生態(tài)異?，F象, 由海洋中某些浮游生物, 包括微藻、原生動物和細菌等暴發(fā)性增殖或聚集而產生的生態(tài)災害(Zohdi et al, 2019; 林森杰 等, 2019)。近幾十年來, 由于海洋生態(tài)環(huán)境的惡化, 赤潮等海洋災害頻繁發(fā)生, 其帶來的危害效應明顯加重(Anderson, 2009)。例如, 2002年由于微小原甲藻赤潮, 導致菲律賓 Bolinao 和Anda 海水養(yǎng)殖場所大量的虱目魚死亡, 造成經濟損失 約 5.83 千 萬 元 (Azanza et al, 2005; San Diego-McGlone et al, 2008)。根據《中國海洋災害公報》統(tǒng)計, 2000—2019 年間我國赤潮共計發(fā)生1300多起, 累計面積達到21.3 萬km2。2012 年5 月, 福建近海海域暴發(fā)了嚴重的米氏凱倫藻赤潮, 其藻細胞數量達107個·L-1, 導致養(yǎng)殖鮑魚大量死亡, 經濟損失達 20.11 億元, 其中平潭海域經濟損失約占31.4%(藍虹 等, 2014; 蘇新紅 等, 2017)。赤潮的暴發(fā)除了對沿海養(yǎng)殖業(yè)造成經濟損失外, 有害藻類產生的藻毒素也會危害水生生物, 進而威脅人類健康(陳寶紅 等, 2015; Wu et al, 2019)。因此, 有效預警和預報赤潮暴發(fā), 提前做好應急防控工作, 不僅在一定程度上可減少經濟損失, 保護海洋生態(tài)環(huán)境健康, 同時也具有重要的理論和應用價值。

目前, 國際上關于赤潮的預警研究仍處于探索階段(洛昊 等, 2013; 俞志明 等, 2019)。在赤潮預警模型開發(fā)方面, 通常有3 種預警模型: 機理演繹模型、數據驅動歸納模型以及遙感空間模型。演繹模型是基于現有理論、知識和研究經驗建立的, 使用戶能夠模擬特定系統(tǒng)的行為趨勢(Recknagel, 1997), 演繹模型較為全面地考慮了赤潮過程中的各影響因素, 對赤潮的生態(tài)機理研究更為關注。但赤潮的生消過程受復雜的環(huán)境因素影響, 與赤潮暴發(fā)的關系尚未明確, 甚至部分影響因素暫未發(fā)現或仍處于研究階段, 以致演繹模型對復雜關系的揭示受限。數據驅動歸納模型是通過統(tǒng)計學方法、相關性分析和機器學習方法從經驗數據模式中提取出整體信息, 從而使用戶能夠預測系統(tǒng)的趨勢, 而不是解釋系統(tǒng)的行為(Recknagel, 1997; Tian et al, 2017)。但在實際海域監(jiān)測預警中, 需要不斷有實時監(jiān)測數據輸入才能客觀、及時反映現實情況, 同時由于該模型是基于歷史數據建立的, 故其預測精度不高。隨著遙感技術的發(fā)展, 尤其是在增加了可監(jiān)測參數及可搭載方式后, 遙感技術在赤潮預測預報方面得到了廣泛應用。有學者將遙感技術與葉綠素a或浮游植物密度作為輸出參數的模型相結合(俞志明 等, 2019); Karki 等(2018)基于MODIS 數據建立的數據驅動模型, 可以提前3 天作出預測預報, 但是衛(wèi)星遙感目前尚無法反演赤潮預警中所需的一些生化因素, 且現有的遙感赤潮提取算法無法實現普遍適用性, 尤其是在人為干擾嚴重的近岸海域適用性較低。不同類型的預警模型各有利弊, 因此在進行赤潮預警模型研究中, 需要針對特定的研究對象, 分析其赤潮時空特征及理化因素來進行模型構建, 找出與赤潮暴發(fā)相關性較高的環(huán)境因素, 開發(fā)適合特定海域的赤潮預警模型。

本研究以平潭海域為研究對象, 在對水文和氣象環(huán)境數據的統(tǒng)計分析基礎上, 篩選出與赤潮發(fā)生相關性較強的環(huán)境因子, 以藻類密度作為輸出因子, 探索K 最近鄰回歸模型(K-nearestneighbor, KNN)、隨機森林回歸模型(random forest, RF)、梯度提升樹回歸模型(gradient-boosted regression trees, GBRT)以及Bagging 回歸模型(bootstrap aggregating, Bagging)這4 種赤潮藻類密度模型的構建, 并以葉綠素a濃度作為輸出因子, 構建BP 人工神經網絡預警模型, 應用于沒有葉綠素a濃度監(jiān)測數據的海灣, 為實現平潭海域的赤潮防控提供參考。

1 材料與方法

1.1 研究區(qū)與采樣概況

平潭島位于福建省東部沿海, 屬濕潤的海洋性季風氣候, 適合養(yǎng)殖魚類、貝類、藻類和蝦蟹類。根據平潭海域赤潮災害信息統(tǒng)計, 2009—2019 年平潭海域共發(fā)生赤潮15 起, 角毛藻、擬菱形藻、圓篩藻、東海原甲藻、夜光藻以及米氏凱倫藻是該海域常見的赤潮原因種。

本研究選擇平潭綜合實驗區(qū)所轄海域作為研究對象, 監(jiān)測站位如圖1 所示。出海采樣及監(jiān)測時間為每年的4—10 月, 其中4—6 月是平潭海域赤潮高發(fā)期, 每周采樣1～2 次; 7—10 月進入赤潮消亡期, 赤潮發(fā)生概率較低, 僅在月初和月末進行野外采樣。

1.2 數據來源與處理

本研究中, 用于構建模型的平潭海域水質數據來源于福建省海洋環(huán)境與漁業(yè)資源監(jiān)測中心提供的2013—2019 年的802 組平潭海洋監(jiān)測有效樣本數據, 模型所用的氣象資料來源于中國氣象數據網(https://data.cma.cn/)(表1)。其中, 氨氮、硝酸鹽-氮、 亞硝酸鹽-氮、磷酸鹽、硅酸鹽、溶解氧飽和度、化學耗氧量這7 個環(huán)境參數為2013—2015 年的監(jiān)測數據。

表1 2013—2019 年平潭海域的環(huán)境指標Tab. 1 Environmental data sets of Pingtan coastal area from 2013 to 2019

模型指標包括風速、降水量、日照時數、氣溫、水溫、鹽度、pH、溶解氧、表觀增氧量(apparent oxygen increase, AOI)、葉綠素a以及浮游植物密度。表觀增氧量(AOI)表示在赤潮開始形成之初, 大氣中的溶解氧含量與海水中的溶解氧含量達到一種平衡狀態(tài)(許昆燦 等, 2004)。赤潮暴發(fā)時, 浮游植物的光合作用使得海水中的溶解氧增加。表觀增氧量的公式為:

式中: DO實測值為海水中溶解氧含量的現場實測值(單位: mg·L-1); DO飽和值為現場水溫、鹽度條件下的飽和溶解氧(單位: mg·L-1); AOI 的單位為mg·L-1。

關于飽和溶解氧DO飽和值的計算公式, 本研究采用Gammerson 和Robertson 提出的飽和溶解氧經驗式, 簡稱G 氏公式(小沃爾特·J·韋伯, 1980), 即:

式中:Cds為固體溶解物的量(單位: g·L-1);t為水溫(單位: ℃)。

數據的歸一化處理參考許陽春等(2020), 具體公式如下:

式中:xi為第i個樣本值;xi′為第i個數據xi的歸一化值;xmin為樣本數據中的最小值;xmax為樣本數據中的最大值。

1.3 模型介紹

1.3.1 KNN 回歸模型

KNN 回歸模型是一種懶惰的回歸學習模型(赫芬·I·里斯, 2020)。所有的操作均在測試階段完成, 通過計算每個測試數據與訓練數據之間的距離, 選擇最接近K的數據, 并輸出預測數據的平均值, 模型公式如下:

式中:X為預測輸出;yk為第k個預測輸出值;K為最鄰近數據。

1.3.2 RF 回歸模型

隨機森林是一種集成學習器, 在這個學習模型中, 每個學習是一個決策樹(Breiman, 2001)。當隨機森林構建樹時, 從隨機選擇的特征值中選擇最佳的 特征值放入樹的節(jié)點中。當一個實例進入一個隨機森林時, 它將進入所有的樹, 每棵樹都有一個預測, 并返回預測的平均值, 模型公式如下:

式中:F(x)為預測輸出;Tb(x)為第b個預測輸出值;x為輸入數據;B為回歸樹數量。

1.3.3 GBRT 回歸模型

GBRT 回歸結合了一種稱為boosting 的統(tǒng)計技術, 是對傳統(tǒng)決策樹方法進行改進的模型。該方法將一組“弱”模型聚集起來, 形成一個單一的“強”共識模型(Lin et al, 2013)。該模型的構建通過每步添加一棵新樹來優(yōu)化預測(Elith et al, 2008)。假設數據為

S= {(xi,yi)|i= 1, …,M}, 其中xi∈RN,yi∈R(R表示實數集,RN表示N維實數集), M 回歸樹f(xi)的GBRT模型表示公式如下(Zhou et al, 2016):

式中:P(xi)為預測輸出;fm(xi)為第m個預測輸出值;xi為輸入數據;M為回歸樹數量。

1.3.4 Bagging 回歸模型

Bagging 回歸模型是一個集合估計器, 它擬合 數據集的隨機子集上的每個基本回歸器, 然后通過投票或平均來累積它們的單個預測, 從而做出最終預測。該模型通過置換和預測抽取樣本, 并通過多數投票機制獲得樣本(Nabipour et al, 2020)。Bagging 在不進行修剪的情況下構造函數h(x)的多元回歸樹, 并利用如下公式(Prasad et al, 2006)預測輸出g(x)。

式中:g(x)為預測輸出;ht(x)為第t個預測輸出值;x為輸入數據;T為回歸樹數量。

1.3.5 4 種模型的優(yōu)缺點

本研究基于以上4 種預警回歸模型 (KNN 回歸模型、RF 回歸模型、GBRT 回歸模型和Bagging 回歸模型), 以環(huán)境數據為樣本作為輸入端, 藻密度為輸出端, 對其輸出結果進行精度評價和分析, 最終選取精度最高的模型用于構建平潭綜合實驗區(qū)海域甲藻赤潮預警模型, 4 種模型的優(yōu)缺點如表2 所示。

表2 以藻類密度作為輸出參數的4 種模型的優(yōu)缺點 Tab. 2 Advantages and disadvantages of four models with algae biomass as output parameter.

1.4 以葉綠素濃度作為輸出參數的BP 人工神經網絡

BP 神經網絡使用梯度下降法來獲得最佳權重和閾值。BP 神經網絡具有m個輸入層和n個輸出層, 以及輸入層和輸出層之間的幾個隱含層(Lyu et al, 2019)。當預測精度未達到要求的水平時, 可以通過增加隱含層中的節(jié)點數來提高預測精度。設有n個樣本(Xk,Yk)(k=1, 2, 3, …,n), 每任一輸入值Xk, 其相應輸出值為Yk, BP 神經網絡的訓練過程如圖2 所示。

1.5 模型演算

本研究模型對802 組數據隨機排序, 從數據集序列中隨機選取80%作為模型的訓練數據, 其余20%的樣本數據作為測試數據(許陽春 等, 2020)。以不同的環(huán)境因子指標交叉組合, 作為模型輸入參數, 以藻密度作為輸出參數, 對赤潮預警模型進行訓練和演算。

1.6 模型精度評價

模型評價標準參考 Qin 等(2017)的 ARIMA- DBN 模型的標準均方誤差(RMSE)、平均絕對誤差(MAE)及可決系數(R2), 公式如下:

各式中:xobs,i為第i個歷史數據實測值;xpre,i為第i個模型演算值;xobs為歷史數據實測值;xpre為模型演算值;為歷史數據實測均值;為模型演算均值;n為樣本數量。

1.7 數據處理

本文的數據預處理主要通過Excel 2016 進行規(guī)范化, 模型演算所用數據的相關性分析通過SPSS 25.0 統(tǒng)計軟件完成, 主成分分析通過Origin 2017完成, 模型的構建及運行環(huán)境均在Matlab 2016a 中進行開發(fā)。

2 結果與討論

2.1 模型指標篩選結果分析

赤潮的暴發(fā)受各環(huán)境因子的綜合影響, 因此 對數據進行初步的篩選剔除之后, 將802 組環(huán)境參數的各輸入指標與藻密度之間的關系進行相關性分析。運用SPSS 25.0 統(tǒng)計軟件, 對2013—2019 年平潭海域的藻密度與各環(huán)境因子進行Pearson 相關分析, 結果顯示藻密度與葉綠素a、氣溫、AOI、溶解氧、pH 呈極顯著的正相關關系, 與風速、海平面氣壓則呈極顯著的負相關關系, 與鹽度呈顯著的正相關關系(表3)。結合主成分分析結果, 剔除冗余指標, 精簡與浮游植物密度強相關的環(huán)境因子, 提高模型的演算精度。主成分分析結果表明, 溶解氧、氣溫、水溫、海平面氣壓與第一主成分密切相關(圖3), 分別為-0.463、0.461、0.442、-0.344; 與第二主成分相關的有葉綠素a、AOI、pH 和日照貢, 獻率分別為0.466、0.460、0.385、0.282; 風速、降水、鹽度在第三主成分中占比較大, 分別為0.569、-0.525、0.416。

表3 平潭海域各指標因子間的Pearson 相關關系 Tab. 3 Pearson correlation between various index factors in the Pingtan costal area

基于以上分析, 篩選出葉綠素a、氣溫、AOI、溶解氧、pH、風速、海平面氣壓、降水、日照這9個環(huán)境因子。為了減少模型指標的冗余性, 本研究中的表觀增氧量(AOI)已涵蓋了水文因子中的水溫和鹽度。將篩選出的環(huán)境組合因子通過模型來建模分析, 并對模型預警精度進行評價。

2.2 以藻密度為輸出指標的模型演算結果分析

以藻密度作為輸出端的4 種模型的部分演算結果如表4 所示, 所列的3 種多指標組合輸出結果相對最優(yōu), 可決系數均達到較高擬合優(yōu)度。所有組合在4 種模型演算結果中, MAE 和RMSE 差異不大, 均在0.800～0.900 范圍內。

表4 4 種模型的演算結果 Tab. 4 Calculation results of four models

組合1(風速、氣溫、海平面氣壓、葉綠素a)指標數量少, 且4 種模型演算結果的R2均大于0.500, 說明組合1 的擬合效果在所有多指標組合中精度最好。相反, 雖然組合2(氣溫、海平面氣壓、葉綠素a、AOI)指標數量與組合1 相同, 但組合2 的4 種模型結果的R2均小于0.500, 表明風速是赤潮預警的重要環(huán)境指標。風速大小影響水體擾動強弱, 風浪擾動是影響浮游植物生長的重要環(huán)境因子之一。李冬 梅等(2010)通過研究分析水體擾動對多種赤潮藻生長的影響, 發(fā)現其他環(huán)境因子不變的情況下, 擾動是藻類生長的主要影響因子。一定強度的風浪擾動有利于藻華的消逝, 適宜強度的擾動則會促進藻類聚集和生長, 防止藻類沉降到水體底層, 且能夠維持水環(huán)境中的營養(yǎng)鹽濃度(芮政 等, 2019; 張海涵 等, 2022)。陳旭陽等(2018)通過布設在線監(jiān)測浮標實時監(jiān)測赤潮數據的變化, 同樣發(fā)現了風速的減小有利于表層海水中藻類的迅速增殖, 風速增大則有利于赤潮消退。

所有組合中, 組合3(風速、氣溫、海平面氣壓、葉綠a、AOI)的指標數量最多, 除KNN 回歸模型外, 其他3 種模型的R2均大于0.500, 但小于組合1 模型演算結果的R2。這表明指標信息冗余并不一定有利于模型預警, 適當降低評價指標數量, 篩選最佳的輸入指標進行預警, 不僅節(jié)省人力物力, 還能提高一定的預測精度。

4 種模型中, 組合1(風速、氣溫、海平面氣壓、葉綠素a)在KNN 回歸中演算的精度最高,R2為0.624。這表明以風速、氣溫、海平面氣壓、葉綠素a組合作為輸入端, 藻密度作為輸出端時, KKN 回歸模型能夠達到很好的預測精度。溫度不僅是單個藻類增殖的影響因素, 還是浮游植物群落結構演替的重要環(huán)境影響因素(蘇金洙 等, 2020)。海平面氣壓對藻類增殖的影響, 目前還未有明確的定論, 但一定的低壓條件有利于赤潮藻類的維持(馬毅 等, 2008; 趙雪 等, 2009)。葉綠素a濃度是海水中浮游生物密度的表征, 葉綠素a濃度高, 說明海水中浮游植物密度高(陳旭陽 等, 2018)。因此, 以氣溫、海平面氣壓、葉綠素a作為模型輸入指標, 能在一定程度上表征藻類密度。

2.3 以葉綠素a 濃度為輸出因子的赤潮預警模型分析

本研究綜合考慮模型的運行成本和特定海域歷史數據的特點, 通過BP 神經網絡模型構建了以葉 綠素a為輸出因子的赤潮預警模型, 用于未布設葉綠素a浮標探頭的赤潮頻發(fā)海域。

模型演算結果如表5 所示, 組合1(氣溫、日照、溶解氧)和組合2(氣溫、日照、AOI)的RMSE、MAE 在6 個組合的誤差中較大, RMSE 均在0.065μg·L-1以上, MAE均在0.045μg·L-1以下, 且R2較小, 因此排除這2 個組合。組合3(氣溫、日照、風速)、組合4(氣溫、日照、降水、溶解氧)、組合5(氣溫、日照、風速、AOI)和組合6(氣溫、日照、風速、溶解氧)的RMSE在6 個組合中較小, 均低于0.065μg·L-1, 且MAE 差別不大。這6 個組合的指標中均包含有氣溫和日照指標。日照強弱會對藻類的光合作用速率產生影響, 這是因為藻類經葉綠素吸收光能, 把二氧化碳和水合成有機物, 同時釋放出氧氣(趙聰蛟 等, 2020)。因此, 日照能夠間接反映葉綠素a的濃度情況。

表5 葉綠素a 作為輸出端的部分模型演算結果 Tab. 5 Partial model calculation results with Chl a as output in BP model

組合 5(氣溫、日照、風速、AOI)的可決系數R2在所有組合中達到最高值(0.651), 且該組合的RMSE=0.062μg·L-1, MAE=0.033μg·L-1, 擬 合 度 較好。本研究的模型演算結果說明, 在沒有布設葉綠素a浮標探頭的海域, 通過構建BP 神經網絡赤潮模型, 以氣溫、日照、風速等氣象數據及AOI 作為 模型輸入端, 能夠達到較高的葉綠素a濃度預測準確度。

3 主要結論

本研究分析了平潭海域2009—2019 年期間發(fā)生赤潮的水文氣象環(huán)境因素, 優(yōu)化了輸入赤潮預警模型的指標組合。模型演算結果表明, 以藻類密度為模型輸出指標, 以風速、氣溫、海平面氣壓、葉綠素a組合作為模型輸入指標時, 4 種預警模型中以KNN 回歸模型的演算精度較高。此外, 本研究構建了以葉綠素a濃度為輸出指標, 以氣溫、日照、風速、AOI 組合為輸入指標的BP 神經網絡赤潮模型, 應用于沒有葉綠素a濃度監(jiān)測的海域, 演算結果表明該模型有較好的預測精度。在未來的研究中, 可以對模型不斷增加新數據訓練并檢驗, 有望用于平潭海域的赤潮預警和防控工作, 并為其他海域的赤潮預警提供參考。