水體中葉綠素a含量短周期預(yù)測(cè)的研究

李鵬程，紀(jì)曉亮，梅 琨，張明華，2

(1.溫州醫(yī)學(xué)院 溫州市水域科學(xué)與環(huán)境生態(tài)重點(diǎn)實(shí)驗(yàn)室，浙江 溫州 325035;2.University of California Land，Air and Water Resources Department，Davis CA 95616)

水體中葉綠素a含量短周期預(yù)測(cè)的研究

李鵬程1，紀(jì)曉亮1，梅 琨1，張明華1，2

(1.溫州醫(yī)學(xué)院 溫州市水域科學(xué)與環(huán)境生態(tài)重點(diǎn)實(shí)驗(yàn)室，浙江 溫州 325035;2.University of California Land，Air and Water Resources Department，Davis CA 95616)

通過(guò)連續(xù)監(jiān)測(cè)數(shù)據(jù)分別使用線性回歸方法和人工神經(jīng)網(wǎng)絡(luò)方法建立葉綠素a在短周期內(nèi)的同步和6步超前預(yù)測(cè)模型，探討在短周期內(nèi)建立葉綠素a含量預(yù)測(cè)模型的可行性，從而對(duì)可能發(fā)生的“水華”現(xiàn)象做出前瞻性預(yù)測(cè)。同時(shí)，通過(guò)對(duì)建立的線性回歸模型和人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)精度方面較線性模型有一定優(yōu)勢(shì)。

逐步線性回歸;人工神經(jīng)網(wǎng)絡(luò);葉綠素a

夏季有充足的光照條件和適宜藻類生長(zhǎng)、繁殖的水體溫度，藻類繁殖比較迅速。羅固源等［1］對(duì)臨江河回水區(qū)的研究表明，該地區(qū)藻類大面積暴發(fā)集中5－6月。溫瑞塘河流速非常慢，可能導(dǎo)致氮、磷等營(yíng)養(yǎng)物質(zhì)在部分地區(qū)聚集，造成水體富營(yíng)養(yǎng)化加劇，甚至出現(xiàn) “水華”現(xiàn)象［2－4］，如果出現(xiàn)能夠分泌毒素的藍(lán)藻，還將對(duì)公眾健康構(gòu)成威脅，因此，研究能夠預(yù)測(cè)水體藻類暴發(fā)的技術(shù)是十分必要的［5－8］。事實(shí)上，很多研究者已經(jīng)利用各種技術(shù)和跨年度的監(jiān)測(cè)數(shù)據(jù)對(duì)水體中葉綠素a的變化進(jìn)行了預(yù)測(cè)，如王飛兒等［9］利用對(duì)千島湖1999－2000年的監(jiān)測(cè)資料，對(duì)千島湖的葉綠素a變化進(jìn)行研究，結(jié)果表明，5－7月藻類的繁殖最為旺盛，容易發(fā)生“水華”現(xiàn)象。對(duì)水體中葉綠素a的日變化研究，將有助于細(xì)化這種預(yù)測(cè)工作，為此，本研究使用Matlab軟件對(duì)24 h連續(xù)監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析，對(duì)葉綠素a在小尺度范圍內(nèi)隨相關(guān)因素的變化情況進(jìn)行擬合和預(yù)測(cè)?，F(xiàn)將有關(guān)結(jié)果報(bào)道如下。

1 數(shù)據(jù)來(lái)源和研究方法

1.1 數(shù)據(jù)來(lái)源

溫瑞塘河位于甌江以南、飛云江以北的溫瑞平原，是溫州市境內(nèi)十分重要的河道水系。溫瑞平原對(duì)溫州的經(jīng)濟(jì)和社會(huì)發(fā)展起著十分重要的作用，但伴隨著工農(nóng)業(yè)發(fā)展，溫瑞塘河卻受到了較為嚴(yán)重的污染，具體表現(xiàn)為富營(yíng)養(yǎng)化程度高，一些水質(zhì)指標(biāo)異常。雖然，當(dāng)?shù)卣缫岩庾R(shí)到這一問(wèn)題，并實(shí)施了一系列治理措施，但由于溫瑞塘河極低的流速，以及營(yíng)養(yǎng)物質(zhì)的不斷進(jìn)入和積累，河段處于富營(yíng)養(yǎng)化狀態(tài)。據(jù)2006年4月浙江省水資源監(jiān)測(cè)中心溫州分中心監(jiān)測(cè)數(shù)據(jù)，溫州市區(qū)28條內(nèi)河37個(gè)斷面所有斷面水質(zhì)為劣Ⅴ類，其中氨氮量均超標(biāo)14.59 倍［10］。

此次晝夜連續(xù)監(jiān)測(cè)點(diǎn)位于三洋濕地內(nèi)，采用YSI進(jìn)行24 h連續(xù)監(jiān)測(cè)，監(jiān)測(cè)指標(biāo)為葉綠素a、溶解氧、光合有效輻射、溫度，以及儀器放置水深，監(jiān)測(cè)時(shí)間為2012年6月13日10:30至次日10:00，YSI記錄數(shù)據(jù)間隔為60 s，光通量?jī)x的記錄數(shù)據(jù)間隔為30 s，另外，每2 h使用流速儀測(cè)1次流速。

1.2 研究方法

對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行整理，由于流速過(guò)小，最大值才0.016 m·s－1，所以建模過(guò)程中不予考慮，將YSI和光通量?jī)x所測(cè)的每5 min的數(shù)據(jù)進(jìn)行平均，共得到282組數(shù)據(jù)，前252組數(shù)據(jù)用來(lái)建立預(yù)測(cè)模型，后30組數(shù)據(jù) (即次日早晨數(shù)據(jù))用來(lái)驗(yàn)證模型的預(yù)測(cè)精度 (在超前6步預(yù)測(cè)中，由于只有276組數(shù)據(jù)，故252組數(shù)據(jù)用來(lái)建立模型，24組用來(lái)驗(yàn)證預(yù)測(cè))，研究中，分別建立同步和6步超前線性和非線性 (神經(jīng)網(wǎng)絡(luò))模型，對(duì)葉綠素a進(jìn)行擬合和預(yù)測(cè)。

2 建立預(yù)測(cè)模型

2.1 輸入數(shù)據(jù)的優(yōu)化

建立模型時(shí)以光合有效輻射、溶解氧、儀器放入水深以及水溫為輸入變量 (6步超前預(yù)測(cè)時(shí)，加入當(dāng)前葉綠素值為輸入向量，處理方式和同步預(yù)測(cè)一致)，記為 X1，X2，X3和 X4，X1，X2，X3，X44個(gè)282×1的列向量構(gòu)成282×4的輸入矩陣，對(duì)應(yīng)的葉綠素a值為目標(biāo)值，記為Y，Y為282×1的列向量，通過(guò)Matlab中corrcoef函數(shù)可以求得輸入之間的相關(guān)矩陣E，

從E可以看出，X2和 X4高度相關(guān)，輸入矩陣可以降低維數(shù)，對(duì)輸入矩陣進(jìn)行主成分分析，在Matlab中可由 princomp函數(shù)實(shí)現(xiàn)，通過(guò)該函數(shù)求得的矩陣特征值為 ［2.243 1，1.097 5，0.649 2，0.010 3］T，可以計(jì)算出前3個(gè)成分包含了原始數(shù)據(jù)99.74%的信息，所以可以使用原矩陣 ［，X4］乘以主成分分析所得特征向量矩陣的前三列得到新的 282 × 3 的 輸 入 向 量 矩 陣 ［X1′，X2′，X3′］，X1′=0.343 2 X1+0.647 3 X2－0.204 8 X3+0.649 1 X4，X2′=0.603 4 X1－0.041 2 X2－0.569 7 X3－0.274 8X4，X3′=0.719 7 X1－0.286 3X2－0.569 7 X3－0.274 8X4，該向量矩陣列之間正交，且數(shù)據(jù)經(jīng)過(guò)了標(biāo)準(zhǔn)化處理，對(duì)輸出Y同樣進(jìn)行標(biāo)準(zhǔn)化處理，以保持?jǐn)?shù)據(jù)的一致性。

2.2 同步線性回歸模型的建立

在Matlab中利用stepwise函數(shù)進(jìn)行逐步回歸，最終建立回歸方程，校正自由度后的R2為0.924 0，經(jīng)F和P檢驗(yàn)，在顯著性水平α=0.05時(shí)，回歸模型顯著。Y′=0.003 8+0.529 1 X1′－0.270 4 X2′－0.551 2 X3′;Y= σY′+，使用建立的方程對(duì)葉綠素a進(jìn)行擬合和預(yù)測(cè)的結(jié)果如圖1所示。

圖1 線性回歸擬合及預(yù)測(cè)的結(jié)果

從圖1可以看出，擬合曲線和真實(shí)值具有相似的變化趨勢(shì)，只是在變化幅度上與真實(shí)值存在一些差異，特別是預(yù)測(cè)數(shù)據(jù)部分，部分預(yù)測(cè)值偏離真實(shí)數(shù)據(jù)比較遠(yuǎn)，當(dāng)然，也就意味著這些值存在較大的誤差。線性回歸擬合的相對(duì)誤差如圖2所示。

圖2 線性回歸擬合結(jié)果的相對(duì)誤差

從圖2中可以看出，用于構(gòu)建預(yù)測(cè)模型的數(shù)據(jù)，擬合值誤差大致在10%左右，其中整個(gè)誤差曲線中部那段誤差較小的部分，可能是由于夜晚少了光照條件的影響，以及白天活躍的浮游生物趨于平靜所致，在這段時(shí)間內(nèi)引起葉綠素a含量變化的影響因素相對(duì)單一，模型容易進(jìn)行擬合，所以誤差也相對(duì)較小。而預(yù)測(cè)數(shù)據(jù)中有一小部分?jǐn)?shù)據(jù)偏離真實(shí)值較遠(yuǎn)，最大時(shí)偏離超過(guò)25%，但在30個(gè)預(yù)測(cè)值中僅5個(gè)數(shù)據(jù)的相對(duì)誤差超過(guò)10%，其中4個(gè)超過(guò)20%，1個(gè)超過(guò)11.6%，分別位于預(yù)測(cè)數(shù)據(jù)的第5(24.3%)，6(23.2%)，7(11.6%)，28(24.6%)和29(27.3%)處，異常點(diǎn)間時(shí)間差不都為2 h，可能是每隔2 h采水樣過(guò)程中造成的儀器晃動(dòng)，進(jìn)而形成的個(gè)別點(diǎn)數(shù)據(jù)異常之故。

同步模型可以了解一些相對(duì)容易獲得的指標(biāo)就可以快速地得知葉綠素a的大致含量，而要對(duì)葉綠素a含量做出前瞻性預(yù)測(cè)，必須進(jìn)行超前預(yù)測(cè)。

2.3 使用線性模型進(jìn)行的超前預(yù)測(cè)

使用線性模型進(jìn)行超前預(yù)測(cè)，和同步預(yù)測(cè)所不同的是，模型的輸出數(shù)據(jù)為之后一段時(shí)間的葉綠素a值，實(shí)驗(yàn)數(shù)據(jù)為5 min 1次，實(shí)驗(yàn)中進(jìn)行6步超前預(yù)測(cè)，即預(yù)測(cè)0.5 h以后的葉綠素a，而當(dāng)前的葉綠素a值則作為輸入，與其他4個(gè)輸入一起組成276×5的輸入矩陣，經(jīng)預(yù)處理后同樣有3個(gè)主成分，將前252組數(shù)據(jù)作為建立模型的訓(xùn)練數(shù)據(jù)，后24組數(shù)據(jù)用來(lái)檢測(cè)模型的預(yù)測(cè)精度。經(jīng)過(guò)逐步回歸后，建立R2為0.678 6的線性回歸模型 (圖3)。

圖3 線性回歸6步超前的預(yù)測(cè)結(jié)果

從圖3中可以看出，線性回歸模型在進(jìn)行6步超前預(yù)測(cè)時(shí)可以保持一定的變化趨勢(shì)，但是預(yù)測(cè)曲線還是和原始數(shù)據(jù)的曲線在形狀上存在一些差異，而且在部分點(diǎn)處存在較大的誤差，誤差曲線如圖4所示。

圖4 線性回歸6步超前預(yù)測(cè)的相對(duì)誤差

如圖4所示，除了比較集中的少數(shù)點(diǎn)誤差較大外，誤差大概為20%，可以進(jìn)行大致情況的預(yù)測(cè)，但精確度偏低。

2.4 BP神經(jīng)網(wǎng)絡(luò)同步的模型

利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱建立具有3輸入，7個(gè)隱含層神經(jīng)元和1個(gè)輸出神經(jīng)元的3層BP網(wǎng)絡(luò)，用于訓(xùn)練的數(shù)據(jù)和建立線性同步模型的數(shù)據(jù)相同，訓(xùn)練函數(shù)為trainlm，經(jīng)過(guò)127步訓(xùn)練得到回歸系數(shù)超過(guò)0.99的神經(jīng)網(wǎng)絡(luò)模型 (圖5)。

圖5 BP神經(jīng)網(wǎng)絡(luò)同步的預(yù)測(cè)結(jié)果

從圖5看，預(yù)測(cè)結(jié)果較好地?cái)M合了原曲線，預(yù)測(cè)部分在葉綠素a含量變化劇烈的地方預(yù)測(cè)了正確的變化方向，但數(shù)值卻相距不少，而且由于這些地方葉綠素a含量數(shù)據(jù)較小，所以產(chǎn)生了比較大的相對(duì)誤差，相對(duì)誤差曲線如圖6所示。

圖6 BP神經(jīng)網(wǎng)絡(luò)同步預(yù)測(cè)的相對(duì)誤差

從圖6可知，除去少數(shù)異常數(shù)據(jù)點(diǎn)外，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果相對(duì)誤差5%左右，而且隨著遠(yuǎn)離訓(xùn)練數(shù)據(jù)有逐漸增大的趨勢(shì)。正如上文所述，葉綠素a在某些點(diǎn)劇烈變化極有可能是儀器晃動(dòng)所造成的，而這種晃動(dòng)，造成了儀器放入深度的變化，將儀器放入深度作為輸入量使網(wǎng)絡(luò)具有了模擬這種變化的能力，但由于具有這種變化的數(shù)據(jù)點(diǎn)比較少，網(wǎng)絡(luò)對(duì)于這種變化不能充分學(xué)習(xí)，因而網(wǎng)絡(luò)難以對(duì)這種變化產(chǎn)生的數(shù)值波動(dòng)做出精確預(yù)測(cè)，只能做出其變化方向的預(yù)測(cè)和數(shù)值的粗略估計(jì)。而在正常數(shù)據(jù)的預(yù)測(cè)中BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的結(jié)果優(yōu)于逐步回歸預(yù)測(cè)。

2.5 使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行的超前預(yù)測(cè)

建立BP神經(jīng)網(wǎng)絡(luò)超前預(yù)測(cè)模型的數(shù)據(jù)與建立線性回歸模型超前預(yù)測(cè)的數(shù)據(jù)相同，利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱，最終建立3輸入，9個(gè)隱含層神經(jīng)元，但輸出的3層BP神經(jīng)網(wǎng)絡(luò)模型，其模擬結(jié)果如圖7所示。

圖7 BP神經(jīng)網(wǎng)絡(luò)6步超前的預(yù)測(cè)結(jié)果

如圖7所示，進(jìn)行6步超前預(yù)測(cè)時(shí)，模型已經(jīng)很難對(duì)波動(dòng)較大的數(shù)據(jù)進(jìn)行擬合，而對(duì)于變化相對(duì)不怎么劇烈的數(shù)據(jù)有不錯(cuò)的效果，平常進(jìn)行采樣時(shí)，難免受各種外界因素和個(gè)人因素的影響，而這種弱化了非正常因素影響效果的數(shù)據(jù)可能更加接近真實(shí)值，其相對(duì)誤差曲線如圖8所示。

圖8 BP網(wǎng)絡(luò)6步提前預(yù)測(cè)的相對(duì)誤差

如圖8所示，除去少數(shù)異常的誤差，模型的預(yù)測(cè)相對(duì)誤差穩(wěn)定在10%以內(nèi)，對(duì)于6步提前預(yù)測(cè)來(lái)說(shuō)，10%的誤差是個(gè)可以接受的范圍，如果將連續(xù)監(jiān)測(cè)的天數(shù)增加，確保更多的數(shù)據(jù)量，不光可以提高模型的預(yù)測(cè)精度，如果數(shù)據(jù)足夠，模型的每一步可以變?yōu)?.5 h或1 h，那樣就可能在數(shù)小時(shí)前預(yù)知可能的藻類暴發(fā)，產(chǎn)生對(duì)“水華”現(xiàn)象精確預(yù)測(cè)的實(shí)際意義。

3 小結(jié)與討論

通常我們對(duì)葉綠素a的預(yù)測(cè)都是建立在較長(zhǎng)周期的數(shù)據(jù)基礎(chǔ)上，得出一年中哪些月，哪些天藻類容易暴發(fā)，以至產(chǎn)生“水華”現(xiàn)象，這并不足以對(duì)藻類暴發(fā)起到預(yù)警作用。本實(shí)驗(yàn)通過(guò)連續(xù)監(jiān)測(cè)的數(shù)據(jù)探討在對(duì)葉綠素a在短周期內(nèi)預(yù)測(cè)的可行性，并通過(guò)傳統(tǒng)線性回歸方法和人工神經(jīng)網(wǎng)絡(luò)分別建立同步和6步超前預(yù)測(cè)模型，結(jié)果顯示，人工神經(jīng)網(wǎng)絡(luò)具有一定的優(yōu)勢(shì)，但要建立具有短期預(yù)警“水華”現(xiàn)象的有效模型，可能需要更多的數(shù)據(jù)，以及和“水華”現(xiàn)象發(fā)生的條件相關(guān)聯(lián)。

［1］ 羅固源，鄭劍鋒，許曉毅，等.次級(jí)河流回水區(qū)葉綠素 a與影響因子的多元分析:以臨江河為例 ［J］.長(zhǎng)江流域資源與環(huán)境，2009，18(10):964－968.

［2］ 鄧春光.三峽庫(kù)富營(yíng)養(yǎng)化研究 ［M］.北京:中國(guó)環(huán)境科學(xué)出版社，2007:14－35.

［3］ 張晟，李崇明，鄭炳輝，等.三峽庫(kù)區(qū)次級(jí)河流營(yíng)養(yǎng)狀態(tài)及營(yíng)養(yǎng)鹽輸出影響 ［J］.環(huán)境科學(xué)，2007，28(3):500－505.

［4］ 紀(jì)曉亮，朱元?jiǎng)?lì)，梅琨，等.典型平原河網(wǎng)溫瑞塘河地區(qū)的氮磷營(yíng)養(yǎng)鹽時(shí)空分布 ［J］.浙江農(nóng)業(yè)科學(xué)，2012(11):1571－1574.

［5］ 李賀，劉春光，樊娟，等.BP神經(jīng)網(wǎng)絡(luò)在河流葉綠素a濃度預(yù)測(cè)中的應(yīng)用 ［J］.中國(guó)給水排水，2009，5(25):75－79.

［6］ Oh H M，Ahn C Y，Lee J W ，et al.Community patterning and identification of predominant factors in algal bloom in Daechung Reservoir(Korea)using artificial neural networks［J］.Ecol Model，2007，203:109 －118.

［7］ 王蕾，楊敏，郭召海，等.密云水庫(kù)變化規(guī)律初探 ［J］.中國(guó)給水排水，2006，22(13):45－48.

［8］ 季洪杰，余淑花，李令春.對(duì)水庫(kù)原水藻類的控制 ［J］.中國(guó)給水排水，23(6):49－51.

［9］ 王飛兒，呂煥春，陳英旭，等.千島湖葉綠素a濃度動(dòng)態(tài)變化及其影響因素分析 ［J］.浙江大學(xué)學(xué)報(bào):農(nóng)業(yè)與生命科學(xué)版，2004，30(1):22－26.

［10］ 浙江省水資源監(jiān)測(cè)中心溫州分中心.溫瑞塘河水質(zhì)評(píng)價(jià)報(bào)告 ［R］.溫州:溫州醫(yī)學(xué)院，2006.

X 52

A

0528-9017(2013)04-0460-04

文獻(xiàn)著錄格式:李鵬程，紀(jì)曉亮，梅琨，等.水體中葉綠素a含量短周期預(yù)測(cè)的研究 ［J］.浙江農(nóng)業(yè)科學(xué)，2013(4):460－463.

2013-02-05

浙江省科技廳重大專項(xiàng) (2008C03009);溫州市重大專項(xiàng) (20082780125);溫州市科技局對(duì)外科技合作交流項(xiàng)目 (H20100006)

李鵬程 (1987－)男，江蘇泰州人，碩士研究生，主要從事GIS與環(huán)境科學(xué)研究工作。E-mail:lpc_0719@sina.cn。

張明華 (1955－)，女，教授，博士生導(dǎo)師，主要從事環(huán)境生態(tài)領(lǐng)域研究工作。E-mail:mhzhang@ucdavis.edu。

(責(zé)任編輯:吳益?zhèn)?