崇明北湖叶绿素a浓度与环境因子的GAM回归分析

以崇明北湖为例,采用广义加性模型(GAM)对该湖的叶绿素a浓度与相关环境因子进行分析.结果表明,叶绿素a浓度与总氮、总磷和水温之间存在较好的非线性关系(P<0.05),叶绿素a浓度与总磷之间的关系先为单调递增,当总磷浓度达到0.12mg/L时,变为单调递减;不同总氮浓度区间上,总氮对叶绿素a浓度的影响不同,氮浓度为0.6~1.8mg/L时,对叶绿素a浓度的影响不大;水温在24~26℃时,叶绿素a浓度最高.叶绿素a浓度与氮磷比之间也存在较好的非线性关系(P<0.1),氮限制时,叶绿素浓度与氮磷比呈反比;磷限制时,叶绿素a浓度随着氮磷比单调递减.     

太湖地区太阳辐射与水温的变化特征及其对叶绿素a的影响

基于中国科学院太湖湖泊生态系统研究站1993年以来的常规监测资料,利用比较与数理统计相关分析方法对太湖地区的太阳辐射和水温变化特征及其对水体叶绿索a浓度的影响进行分析.结果显示,太湖地区太阳总辐射、光合有效辐射、光合有效辐射占总辐射的比例及水温总体上都呈上升的趋势.其中,光合有效辐射的增长速率大于总辐射的增长速率,年际水温增长率春季秋季>夏季.太阳辐射及水温的年内变化呈夏季大,春秋季次之,冬季最小的特征.此外,太阳辐射和水温与叶绿素a呈显著正相关关系(P<0.01),太阳辐射特别是光合有效辐射和水温的增加为藻类的大量生长和水华暴发提供了良好的物理条件,太湖蓝藻水华初始暴发时间有逐年前移的趋势且水华持续时间逐年增加.     

基于变量重要性评分-随机森林的溶解氧预测模型——以深圳湾为例

运用Pearson相关性分析,变量重要性评分和随机森林方法构建了溶解氧（DO）实时预测模型,并以深圳湾为例采用浮标资料预测1,3,6和12h的溶解氧.模型预测结果表明,模型最优的输入条件为pH值,水温,叶绿素a,氧化还原电位和蓝绿藻5个水质指标,1h预报的相关系数在0.9以上,6h预报结果一定程度上可以满足工程要求,但对低溶解氧事件的预报必须在3h以内.     

基于GAM模型的太湖叶绿素a含量与环境因子相关性分析

随着富营养化程度的加剧,太湖近30年来水华频发.为了探讨太湖西部沿岸水华暴发与环境因子的关系,于2017年4月1-18日（当地历年蓝藻暴发早期）在太湖西部沿岸进行了密集原位调查.共采集样品72个,测定了水温、溶解氧、各形态氮、磷营养盐浓度以及风速等环境指标,并利用GAM（广义相加模型）定量分析了叶绿素a含量与各环境因子间的关系.结果表明:①叶绿素a含量波动幅度较大（17.10~795.89 mg/m3）,太湖西部沿岸带有明显的蓝藻水华暴发现象.②水温、风速以及硝态氮浓度与叶绿素a含量的变化显著相关（P<0.05）,各环境因子按其对叶绿素a含量变化的解释率排序为水温>风速>硝态氮浓度.其中水温是影响叶绿素a含量最为重要的环境因子,叶绿素a含量随着水温的升高呈现明显上升趋势.风速也是影响叶绿素a含量的关键因子之一,较低的风速（<3 m/s）有利于蓝藻的漂移集聚从而形成水华,引起叶绿素a含量的升高.研究显示,GAM模型较好地解释了叶绿素a的含量变化,模型总体解释度达到70.6%,可为太湖西部沿岸蓝藻水华早期的预测预警提供一定的基础支撑.      

黄渤海海水中叶绿素a的分布特征及其环境影响因素

基于2013年夏、秋季和2014年春季黄渤海海域调查数据,分析了该海域叶绿素a的含量、分布特征及其环境影响因素(温度、盐度、pH值、溶解无机氮、硅酸盐、磷酸盐).结果表明:2013年夏、秋季和2014年春季,黄渤海海水中叶绿素a含量范围分别是0.918~9.287,1.477~6.435,1.837~5.966mg/L,平均浓度分别为3.527,3.467,3.524mg/L;夏季和春季叶绿素a含量略高,秋季叶绿素a含量最低且变化范围较小;渤海海域叶绿素a分布具有明显区域特征,其分布基本呈近岸高、中部海域低的分布趋势;将水质参数作为自变量输入支持向量机(SVM)中,GA-SVM算法拟合效果(R20.9)和精确度(MSE0.01)较好,不同水质参数对海水叶绿素a含量的影响相对重要性具有季节差异,夏季,对海水叶绿素a含量影响最重要是磷酸盐和温度;秋季,对于海水叶绿素a含量影响最重要是硅酸盐和盐度;春季,对于海水叶绿素a含量影响最重要的是盐度和溶解无机氮.所有调查季节,对于海水叶绿素a含量影响最重要的是盐度和磷酸盐.综合参数影响重要性,表明陆源输入是黄渤海海域叶绿素a含量的最重要影响因素.     

四十里湾赤潮高发期营养盐与叶绿素a的年际变化

通过分析四十里湾海域连续6 a(2003～2008年)赤潮高发期(5～9月)的监测数据,发现2003～2008年该海域总无机氮、硅酸盐、COD和叶绿素 a 含量均呈上升趋势;磷酸盐没有明显的上升或下降趋势;叶绿素 a 含量与总无机氮浓度、磷酸盐浓度均呈显著的正相关;N/P值明显高于Redfield比值,且逐年上升,显示该海区处于相对的磷限制状态.     

基于NARX神经网络的千岛湖藻类短期预测模型构建

局部水域的藻类异常增殖现象逐渐成为千岛湖面临的水环境保护难题. 构建以数据驱动的水华预测模型,实现对重点水域叶绿素a (Chla)浓度短期动态变化的预测,是快速应对潜在水华风险的有效手段之一. 鉴于NARX神经网络在预测非平稳时间序列动态特征方面的优势,以千岛湖国控监测断面小金山2016—2019年Chla的高频时间序列作为研究对象,对Chla剖面数据进行沿深平均、缺失值插补后,分别以连续3 d和连续7 d的Chla浓度作为输入,构建了基于NARX神经网络的藻类预测模型,用于预测未来0.5~7 d Chla浓度的变化,探讨了相关参数设置、训练及评价方法,并针对不同的预见期分析了模型性能. 结果表明:① 模型预测性能稳定,预测值与实测值相关系数保持在0.8~0.9之间,均方误差在15~30之间. ②随着预见期的变化,模型性能不同. 其中,在未来0.5~4 d的预测中,使用连续3 d的 Chla浓度作为输入的预测效果较好;在未来4.5~7 d的预测中,使用连续7 d的Chla浓度作为输入的预测效果较好. 研究显示,该模型可以较为准确地预测未来0.5~7 d的Chla浓度,可为构建以数据驱动的千岛湖水华监测预警系统提供科学依据.      

基于3种时间序列模型的九龙江河流库区藻华预测

湖库富营养化和有害藻华是全球性生态环境问题,藻华预测与早期预警是保障湖库水源地供水安全的关键技术.如何基于高频水生态在线监测数据进行藻华的实时动态预测成为水生态管理领域的重大需求.本研究以福建省九龙江江东库区(水源地)为例,利用3年连续观测的逐时平均总叶绿素a浓度数据,对比研究了SARIMA、Prophet和LSTM(长短期记忆神经网络)3种时间序列模型在藻华(日平均叶绿素a大于15μg·L^-1)预测方面的效果.结果表明：(1)时间序列模型要求参数少,灵活性强,能清晰反映水质特征和未来变化趋势,可弥补传统藻类监测预警方法的局限性;(2)基于深度学习框架的LSTM模型,具有独特的迭代优化算法,对藻类非线性变化特征的识别和预测能力较强,其总叶绿素a逐日预测和7日预测效果均显著优于SARIMA模型和Prophet模型;(3)输入数据长度会在一定程度上影响模型预测效果,最优的输入数据时间长度为7 d;输入数据频率对预测效果也有影响,在预测非藻华日时,小时数据的预测效果优于日频率数据;在预测藻华日时,两种频率数据无显著差异,但日频率数据能更准确识别藻华日特征.总结起来,基于...     

宜兴市殷村港叶绿素a与影响因子的多元分析

根据2011年1月—2015年12月殷村港水体中叶绿素a(Chl-a)及溶解氧、氨氮、总磷、总氮和水温等环境因子的监测数据,通过Pearson相关分析分析了叶绿素a浓度与水质指标、环境因子之间的相关性,并确定了影响因子;通过多元回归分析模型,建立了叶绿素a浓度和影响因子之间的相关性,实现叶绿素a浓度的预测,多元回归方程的复相关系数R都较高,均在0.8以上。多元回归模型能够较好地预测叶绿素a的浓度和走向趋势,对蓝藻水华的爆发提供参考。     

基于化学反应动力学的饮用水铝形态分布模型研究

目前饮用水中的总铝超标现象十分严重,其危害与铝的存在形态密切相关.本研究利用三层前反馈式的人工神经网络技术,建立了基于化学反应动力学的铝形态预测模型.结果表明,无机单核铝和溶解铝的浓度变化速率与反应时间及水温、pH、总铝、氟离子、磷酸根和硅酸根等水质参数密切相关,二者的反应级数均为三级.通过人工神经网络可有效地进行饮用水中无机单核铝和溶解铝反应动力学参数的预测;反应速率常数k和初始浓度项1/c02的计算值和模型预测值的相关系数R均大于0.999.由M市管网水铝形态的预测结果可知:当总铝浓度0.05mg·L-1时,模型对无机单核铝浓度的预测误差较大;而当总铝浓度0.05mg·L-1时,模型有较好的预测能力,无机单核铝和溶解铝的相对预测误差分别为±15%和±10%.     

Application of Bayesian regularized BP neural network model for analysis of aquatic ecological data-A case study of chlorophyll-a prediction in Nanzui water area of Dongting Lake

Bayesian regularized BP neural network（BRBPNN） technique was applied in the chlorophyll-α prediction of Nanzui water area in Dongting Lake. Through BP network interpolation method, the input and output samples of the network were obtained. After the selection of input variables using stepwise/multiple linear regression method in SPSS i1.0 software, the BRBPNN model was established between chlorophyll-α and environmental parameters, biological parameters. The achieved optimal network structure was 3-11-1 with the correlation coefficients and the mean square errors for the training set and the test set as 0.999 and 0.000？8426, 0.981 and 0.0216 respectively. The sum of square weights between each input neuron and the hidden layer of optimal BRBPNN models of different structures indicated that the effect of individual input parameter on chlorophyll- α declined in the order of alga amount 〉 secchi disc depth（SD） 〉 electrical conductivity （EC）. Additionally, it also demonstrated that the contributions of these three factors were the maximal for the change of chlorophyll-α concentration, total phosphorus（TP） and total nitrogen（TN） were the minimal. All the results showed that BRBPNN model was capable of automated regularization parameter selection and thus it may ensure the excellent generation ability and robustness. Thus, this study laid the foundation for the application of BRBPNN model in the analysis of aquatic ecological data（chlorophyll-α prediction） and the explanation about the effective eutrophication treatment measures for Nanzui water area in Dongting Lake.     

Prediction of the concentration of chlorophyll-a for Liuhai urban lakes in Beijing City

The weekly water quality monitor data of Liuhai lakes between April 2003 and November 2004 in Beijing City were used as an example to build an artificial neural networks （ANN） model and a multi-varieties regression model respectively for predicting the fresh water algae bloom. The different predicted abilities of the two methods in Liuhai lakes were compared. A principle analysis method was first used to select the input variables of the models to avoid the phenomenon of collinearity in the data. The results showed that the input variables for the artificial neural networks were T, TP, transparency（SD）, DO, chlorophyll-a （Chl-a）,pH and the output variable was Chl-a. A three layer Levenberg-Marguardt feed forward leaming algorithm in ANN was used to model the eutrophication process of Liuhai lakes. 20 nodes in hidden layer and 1 node of output for the ANN model had been optimized by trial and error method. A sensitivity analysis of the input variables was performed to evaluate their relative significance in determining the predicted values. The correlation coefficient between predicted value and observed value in all data and in test data were 0.717 and 0.816 respectively in the artificial neural networks. The stepwise regression method was used to simulate the linear relation between Chl-a and temperature, of which the correlation coefficient was 0.213. By comparing the results of the two models, it was found that neural network models were able to simulate non-linear behavior in the water eutrophication process of Liuhai lakes reasonably and could successfully estimate some extreme values from calibration and test data sets.     

Prediction of the concentration of chlorophyll-α for Liuhai urban lakes in Beijing City

Introduction The eutrophication of fresh w ater has becom e a m ain w ater environm ental problem in the w orld. The m ain negative im pacts of fresh w ater eutrophication are w ater quality deterioration and the decrease of hydrophytes and aquatic specie…     

浮动生物床处理后生活污水富营养化程度分析

对加入浮动生物床处理后的生活污水的湖体富营养化程度进行了分析。通过选用具有代表性的参数总氮、总磷及叶绿素a对水体进行了研究,考察了水温、pH、浊度等对水体富营养化的相关影响,结合水质评价标准判断水体富营养化状态及浮动生物床处理系统的能力。结果表明:磷是水体富营养化的限制性因子,且湖水接近中等营养水平。     

矿化度作为蒙新高原湖泊营养物基准影响指标的可行性

基于蒙新高原湖区多年综合调查资料及现场监测数据分析,结果显示蒙新湖区存在咸化趋势.多元逐步回归分析表明总磷、矿化度是影响蒙新湖区初级生产力的重要因子.相关性分析显示,蒙新高原湖区湖泊矿化度与溶解氧、pH值、总氮、叶绿素a及透明度相关,其中,溶解氧、pH值与矿化度呈极显著负相关(P<0.01);总氮、叶绿素a与矿化度呈极显著正相关(P<0.01);透明度与矿化度呈显著负相关(P<0.05).通过矿化度与国际公认的营养物基准指标[原因变量(TP、TN)和反应变量(Chl-a、SD)]之间的线性关系研究表明,矿化度应成为蒙新高原湖区湖泊营养物基准影响指标之一,研究结果为确定蒙新高原湖区湖泊营养物基准的候选变量和指标提供了理论依据.     

滇池和洱海湖滨带水生植被状况与水质的关系研究

在滇池和洱海的湖滨带各设置了6个具有不同水生植被状况的采样点,于2010年8月-2011年5月对水温、pH、ORP、电导率、营养盐(总氮和总磷)、叶绿素a及3种DNA病毒等水质指标进行了现场或采样分析。结果表明,两湖泊中营养盐含量高的湖滨带(滇池草海和洱海沙坪湾),由于水生植物覆盖度高,湖水保持了叶绿素a含量低的状态。对洱海湖滨带的水质分析结果表明,洱海水质有较明显的季节性变化。分析表明,与水温相比,营养盐浓度可能是影响藻类生物量的更重要的因素。3种DNA病毒检测结果初步表明,水生植物不仅能控藻,而且对病毒也有抑制作用。     

杭州西湖冬、春季水体光学特性比较

于2007年冬、春季对杭州西湖主要湖区的水下光合有效辐射进行了研究,主要从光学角度讨论西湖的水质状况及其影响因素. 选用美国LI-COR公司的水下光量子仪(LI-COR 192SA)分层测定光合有效辐射(PAR),同时测定透明度,叶绿素a,悬浮物(SS),总氮和总磷等理化因子. 通过对不同深度处水下辐照度进行指数回归得到光学衰减系数(K_d). 结果表明,西湖水质和水体光学条件冬季优于春季,ρ(叶绿素a)和ρ(SS)低,透明度和真光层深度高. 水下光合辐射的垂直分布呈指数衰减. 从总体上来看,K_d冬季小于春季,外西湖高于其他湖区,并且由南至北逐渐升高. 冬、春季K_d分别为0.49～2.25和0.59～3.45 m－1. K_d与ρ(叶绿素a)和ρ(SS)呈正相关.浮游植物和悬浮物是影响西湖水下光照的重要因素. 降低浮游植物和悬浮物含量是改善西湖水体光学条件的重要内容.      

大宁河水华期间叶绿素a变化及环境因子相关分析

以大宁河2011年5月水华敏感期的调查数据为基础,运用数理统计分析方法,分析叶绿素a浓度的变化,以及与TP、PH、DO、SD等环境因子的相互关系。结果表明大宁河水华期间叶绿素a存在明显的时间变化,与TP的变化趋势存在明显的一致性。叶绿素a的对数与总磷的对数呈显著正相关,与透明度的对数呈显著负相关,叶绿素a与PH、DO呈显著正相关。