水质遥感在太湖叶绿素a时空分布动态变化研究中的应用

通过研究MODIS遥感数据与太湖现场监测数据之间的规律,确定了一个基于MODIS数据的叶绿素a指数,并以此为基础构建出一个具有普适性的、反映太湖叶绿素a时空分布动态变化的反演模型,为太湖藻类爆发的机理、预警研究以及水环境管理累积数据,提供决策依据。     

ELCOM模型在流溪河水库水温模拟中的应用

水温是湖泊水库生态系统的重要驱动因子,其结构特征对水生态系统中的物理、化学和生物过程起着重要作用。流溪河水库是位于北回归线上的大型山谷型深水水库,一座典型的热带亚热带过渡区水库。本文运用西澳大利亚大学水研究中心开发的三维ELCOM水动力学模型模拟了流溪河水库2008年7月23日到8月24日共32d的水温变化状况,并通过水温实测值进行了验证,模拟值与实测值的相关性R2值达到了0．8342,模拟值与实测值较为接近,ELCON模型较好地模拟了水温的日变化。最后对水温变化的原因和趋势进行了分析。     

基于机器学习方法的太湖叶绿素a定量遥感研究

为了比较评价人工神经网络和支持向量机2种机器学习算法在水质遥感中的应用能力,本研究首先从基础理论和学习目的入手,对比分析了2种机器学习算法的理论体系;其次,以太湖为例,基于MODIS遥感影像,构建了反演太湖叶绿素a浓度的2种机器学习方法模型,通过对模型的验证、稳定性和鲁棒性分析以及全湖反演结果对比3个方面评价了2种模型的泛化能力.验证结果表明,支持向量机模型对验证样本预测结果的均方差根和平均相对误差分别为5.85和26.5%,而人工神经网络模型的预测结果均方差和平均相对误差则高达13.04和46.8%;稳定性和鲁棒性评价亦说明,以统计学习理论为基础的支持向量机模型具有更加良好的稳定性、鲁棒性,空间泛化能力优于人工神经网络模型;2种机器学习算法对太湖叶绿素a的浓度分布反演结果基本一致,但人工神经网络模型因其学习目标设定和网络构建中的“过学习”等缺陷,造成了对东太湖以及湖心区叶绿素a的反演结果与实际监测结果差异较大.     

TMDL计划在污染物总量控制中的应用初探

TMDL（Total Maximum Daily Loads）为最大日负荷总量,是在满足水质标准的条件下,水体能够接受的某种污染物的最大日负荷量。该计划由美国环保局于1972年《清洁水法》中提出,实践表明,TMDL计划对于改善水体质量是行之有效的。本文在总结分析、中国污染物总量控制制度中存在的主要问题的基础上,介绍了美国TMDL计划的成功实施经验,并结合中国水环境管理的现状,讨论分析了TMDL计划在中国实施的技术路线以及需要解决的技术难点。开发研究与中国污染物总量控制制度相结合的TMDL计划,为科学合理地解决污染物允许排放量在点源与非点源、各个污染单位之间分配问题提供了一条行之有效的环境管理途径。     

乙酰柠檬酸三丁酯围产期暴露对子代小鼠认知能力的影响

研究不同剂量的增塑剂乙酰柠檬酸三丁酯(acetyl tributyl citrate,ATBC)围产期暴露对子代小鼠认知能力的影响及其机制.以C57BL/6小鼠为受试动物,小鼠合笼后,对受孕雌性小鼠进行随机分组,设置对照组、ATBC暴露组(2、20和200 mg·kg-1·d-1),在围产期每天进行灌胃暴露.通过Morris水迷宫实验和跳台实验对子代小鼠的认知能力进行检测,观察子代小鼠脑组织病理变化及胶质细胞激活情况.检测子代小鼠脑组织匀浆中神经递质5-羟基色胺(5-hydroxytryptamine,5-HT)、乙酰胆碱(acetylcholine,ACh)、活性氧(reactive oxygen species,ROS)、丙二醛(malondialdehyde,MDA)和还原型谷胱甘肽(glutathione,GSH)、超氧化物歧化酶(superoxide dismutase,SOD)等的含量或活性以及肿瘤坏死因子α(tumor necrosis factor α,TNF-α)、白介素17(interleukin-17)的水平.结果 显示,200 mg·kg-1 ·d-1的ATBC围产期暴露会导致子代小鼠认知能力下降,脑海马结构出现改变,胶质细胞活化程度增大,脑组织氧化应激水平上升,促炎症因子TNF-α和IL-17含量增加.研究表明,200 mg· kg-1·d-1 ATBC围产期暴露可引起子代小鼠脑组织氧化应激,进而导致其认知能力下降.     

太湖日成层现象的监测与模拟研究

水温是湖泊重要的物理参数之一,其结构特征对湖泊水生态系统中的物理、化学和生物过程起着不容忽视的作用.以长期定点监测数据为基础,分析了太湖水温结构特征,证明了浅水型湖泊日成层现象的存在,并利用一维k-ε紊流模型模拟研究了太湖日成层现象的水温垂直分布.     

浅水型湖泊水温日成层现象的初步探讨——以太湖为例

水温是湖泊环境研究中的重要物理参数之一。本文以典型浅水型湖泊———太湖为研究对象,根据连续定点监测资料,分析了太湖的水温结构及其影响因素,证明了日成层现象的存在,并从物理、化学和生物学角度论述了水温分层现象对湖泊水质的影响。     

巢湖2016年蓝藻水华时空分布及环境驱动力分析

针对近年来巢湖蓝藻水华暴发频繁,基于中分辨率成像光谱仪（moderate-resolution imaging spectrum-radiometer,MODIS）多光谱遥感数据,采用浮游藻类指数（floating algae index,FAI）和藻华像元生长算法（algae pixel-growing algorithm,APA）提取了巢湖蓝藻水华覆盖面积,在分析2016年巢湖蓝藻水华时空分布规律基础上,结合巢湖水质、气象数据,讨论了藻华暴发的主要环境驱动力.结果表明,2016年巢湖藻华暴发季节与往年一致（5~11月）,但藻华首次暴发时间推迟到5月,持续时间缩短至204 d,平均藻华面积85.53 km².其环境驱动力研究发现,尽管巢湖主要水质指标呈现下降趋势,但总氮、总磷浓度依然分别超过V类和IV类水质标准;与往年相比,2016年春季风速偏大（△W=0.1 m·s^-1）、降水偏多（△P=0.8 mm）与日照时数偏低（△S=-1.3 h）是巢湖藻华面积减少、起始暴发时间推迟的主要原因;藻华持续期内,降水成为影响藻华面积月际变化的主要影响因素,当日平均风速不仅与当天藻华面积存在较显著的负相关（P<0.05）,当风速较大时对后续几日的藻华面积产生一定的滞后影响.这些研究结果有助于了解巢湖蓝藻水华情况,为应对巢湖藻华暴发与气候变化提供理论依据.     

因子分析与聚类法的复合模型在水环境评价和管理中的应用

以2001-2003年巢湖监测数据为依据,采用因子分析、聚类分析方法的复合模型进行计算,结果表明:2001-2003年间,影响巢湖水质的污染因子发生了改变,同时定量诊断出水污染因子对巢湖水质的贡献率,合理划分出各类水环境管理区域,并提出相应的水环境管理措施.在巢湖水环境管理分区中,可以大体分为2大类,在各类中可以再细分为几小类,西半巢湖属于重污染,为水环境控制区域,东半巢湖污染相对较轻,为水环境控制和自净区域.结果分析表明,复合模型具有一定的可靠性和准确性,具有一定的参考实用价值.     

太湖水域叶绿素a浓度的遥感反演研究

利用太湖水域MODIS遥感数据的各波段反射率组合计算值,与实测的叶绿素a浓度进行相关性分析,找到相关性最好的反射率组合,建立反演太湖叶绿素a浓度的遥感模型.结果表明,利用MODIS数据可以较好地实现对太湖水域叶绿素a浓度的定量反演计算,并以MODIS数据第3、第17波段的反射率组合作为遥感指数建立了反演叶绿素a浓度的模型.第3、第17波段的波长范围分别为459nm～479nm、890nm～920nm,这一波段选择与以往使用TM数据得到的结论有所不同.