星云湖富營養(yǎng)化進程的神經(jīng)網(wǎng)絡模擬及污染控制對策

黃少峰，劉 威，王旭濤，黃迎艷

(珠江水資源保護科學研究所，廣東廣州510610)

星云湖位于云南省江川縣，是珠江流域五大高原湖泊之一，對周邊區(qū)域的社會經(jīng)濟發(fā)展有著重要的生態(tài)功能．近年來其富營養(yǎng)化狀況和水污染治理成為了人們關注的焦點［1-3］．而在開展有效的污染治理措施之前對湖泊富營養(yǎng)化進程進行研究尤為重要．目前，已有大量關于各類生源因素的輸入與響應變量(常以葉綠素a表示)之間關系的研究，它們大多數(shù)應用多元回歸統(tǒng)計的方法來定量描述葉綠素a與影響因子之間的關系［4-5］;但葉綠素a可能同時對多個理化因子做出響應，而多元回歸模型需要預先假定模型形式，在實際應用中會產(chǎn)生誤差;神經(jīng)網(wǎng)絡模型在映射預先不知道具體函數(shù)形式的輸入—輸出參數(shù)之間的響應關系，較之多元統(tǒng)計回歸模型有明顯的優(yōu)勢［6］．因此，神經(jīng)網(wǎng)絡模擬的方法已用于水質(zhì)評價、藻類水華模擬等方面［7-8］．

BP神經(jīng)網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，它通過不斷調(diào)整網(wǎng)絡的權(quán)值和閾值來學習和存貯輸入與輸出變量之間的映射關系，使網(wǎng)絡的誤差平方和最?。姸嘌芯勘砻鳎粋€3層的網(wǎng)絡結(jié)構(gòu)可以完成任意的n維到m維的映射［9］．因此，本文采用包含一個隱含層的3層網(wǎng)絡結(jié)構(gòu)，以葉綠素a作為目標輸出變量，以富營養(yǎng)化進程中的關鍵因子作為輸入變量，利用Matlab 7．0中的神經(jīng)網(wǎng)絡工具箱模擬富營養(yǎng)化進程中葉綠素a的變化過程，并調(diào)用該網(wǎng)絡模型模擬各富營養(yǎng)化關鍵因子變化下葉綠素a的響應情況，為星云湖水污染控制提供重要的決策依據(jù)．

1 材料與方法

1．1 研究區(qū)域概況

星云湖位于云南玉溪江川縣境內(nèi)，屬珠江流域南盤江水系的源頭湖泊，為半封閉高原斷陷型淺水湖．流域徑流面積373 km2，屬亞熱帶西南季風氣候，多年平均降雨量863．1 mm，平均蒸發(fā)量1 995．6 mm，平均氣溫15．6℃．湖面面積34 km2，為南北向不規(guī)則橢圓形，南北長10．5 km，東西寬約3．8 km，湖岸線長36．3 km，最大水深10m，平均水深7m，容量1．84億m3，湖水主要靠地表徑流和湖面降水補給，入湖河流主要有東西大河、螺螄鋪河、漁村河等12條季節(jié)性河流，湖水循環(huán)更新很緩慢．星云湖現(xiàn)狀水質(zhì)為劣Ⅴ類，主要超標項目為高錳酸鹽指數(shù)、總氮、總磷等．嚴重的富營養(yǎng)化使得湖中發(fā)生微囊藻水華．

1．2 采樣點設置與監(jiān)測

從2008年5月開始對星云湖湖心進行監(jiān)測，采樣點設置見圖1．采樣月份為2008年5—12月，2009年2、4、6、8、10、12 月，2010 年 2—12 月，2011 年 1、6、10月，共獲得28期數(shù)據(jù)．監(jiān)測項目包括pH、電導率、透明度(SD)、DO、CODMn、NH3-N、NO3-N、TN、TP、葉綠素 a等10項指標，各指標的檢測均按照《水和廢水監(jiān)測分析方法》進行［10］．

圖1 采樣點設置示意圖Figure 1 Map of Lake Xingyun and distribution of sampling sites

1．3 數(shù)據(jù)處理與分析

1．3．1 主成分分析篩選變量 為了避免過多因子的輸入造成神經(jīng)網(wǎng)絡的冗余，在進行模擬之前先進行主成分分析，從共線性的多個變量中篩選出關鍵因子．主成分分析利用SPSS 18．0進行，并對各數(shù)據(jù)進行Z標準化處理．

1．3．2 插值法產(chǎn)生樣本對 為彌補樣本量較小的缺陷，調(diào)用Matlab中的interp1()函數(shù)并采用“三次樣條插值(spline)”的方法對樣本進行插值，共產(chǎn)生83組數(shù)據(jù)，并在83組數(shù)據(jù)中隨機選取其中75組數(shù)據(jù)作為訓練集，其余作為驗證網(wǎng)絡性能的測試集．

1．3．3 神經(jīng)網(wǎng)絡模擬 采用輸入層、一個隱含層和輸出層的3層網(wǎng)絡結(jié)構(gòu)，以葉綠素a作為目標輸出變量，以富營養(yǎng)化進程中的關鍵因子作為輸入變量，利用Matlab 7．0中的神經(jīng)網(wǎng)絡工具箱模擬富營養(yǎng)化進程中藻類水華(Chl a)的變化過程．調(diào)用該網(wǎng)絡模型對湖泊富營養(yǎng)化壓力響應進行模擬，研究在削減各驅(qū)動因子的情況下，湖中葉綠素的變化情況．

2 結(jié)果與分析

2．1 主成分分析

星云湖水質(zhì)參數(shù)主要包括pH、DO、電導率、SD、CODMn、NH3-N、NO3-N、TN、TP．從主成分分析的結(jié)果(表1)可以看到，前2個主成分特征值較大，累計方差解釋率為52%．從各環(huán)境因子與2主成分的相關性(表2)可以看到，pH、TP、SD與第1主成分顯著相關，CODMn、TN與第2主成分顯著相關．

表1 各環(huán)境因子主成分分析結(jié)果表Table 1 Result of principal component analysis

表2 各環(huán)境因子與2個主成分的相關性Table 2 The correlations between each factor and principal component

在神經(jīng)網(wǎng)絡模擬的過程中，輸入與輸出變量之間必須具有單向的因果關系，因此除了通過主成分分析從共線性的多個變量中篩選因子外，還需考慮各因子與響應變量(葉綠素a)之間的因果關系:水體pH主要受CO2含量的影響，CO2含量又受藻類光合作用、水生生物呼吸作用、水溫、有機物質(zhì)氧化分解等的影響;透明度的變化是藻類生長的結(jié)果，因此這2個因子并不是影響水中葉綠素的主要因素．CODMn反映了水中有機物含量的多少，而這些有機物會在藻類進行光合作用和呼吸作用的過程中被分解成簡單的物質(zhì)，其中的元素會被藻類吸收作為養(yǎng)料，從而促進藻類的生長［11］．而氮、磷則是藻類生長過程中的重要營養(yǎng)物質(zhì)［4］．因此，選定 CODMn、TP、TN作為神經(jīng)網(wǎng)絡模擬的輸入變量．

2．2 各因子的變化情況

3個因子在10年間(2001—2011①2001年4月至2008年4月的CODMn、總磷、總氮監(jiān)測數(shù)據(jù)(雙月監(jiān)測)由玉溪市水環(huán)境監(jiān)測中心提供)的變化情況見圖2．可以看到，影響到湖中葉綠素含量的3個驅(qū)動因子在10年間均呈上升趨勢．其中，水中總磷含量從最低的0．028 mg/L上升到0．700 mg/L，增加了2 400%，近3年的均值為0．322 mg/L，遠遠超過了富營養(yǎng)化的閾值［12］．

圖2 各輸入變量的10年變化趨勢Figure 2 The trend of each input variable in 10 years

2．3 神經(jīng)網(wǎng)絡模擬

2．3．1 模型結(jié)構(gòu)的建立 神經(jīng)網(wǎng)絡中隱含層的節(jié)點數(shù)目與問題的要求、輸入和輸出單元的數(shù)目有著直接關系［13］，本文根據(jù)經(jīng)驗公式進行初步設計，然后反復調(diào)整嘗試，以神經(jīng)網(wǎng)絡的全局誤差小于預定允許誤差為準則，最終確定隱含層節(jié)點數(shù)為12．即網(wǎng)絡結(jié)構(gòu)為3-12-1．

2．3．2 網(wǎng)絡的訓練 調(diào)用premnmx()函數(shù)對樣本數(shù)據(jù)進行歸一化處理．設定網(wǎng)絡的學習速度為0．05，最大訓練次數(shù)為4 000次，訓練目標為誤差小于10-3．網(wǎng)絡誤差達到訓練目標后即停止訓練(圖3)．

圖3 訓練次數(shù)與輸出誤差的變化規(guī)律Figure 3 The variation between training times and output errors

2．3．3 網(wǎng)絡性能檢驗 為檢驗達到訓練目標的網(wǎng)絡模型是否具有準確的泛化能力，將測試集中的CODMn、TP、TN數(shù)據(jù)輸入網(wǎng)絡進行模擬，將得到的葉綠素a的模擬結(jié)果與實測值進行比較檢驗(圖4)，可以看到，模擬值和實測值之間的線性模擬斜率接近1(斜率為 1．043 3，R2=0．962 6)，說明該神經(jīng)網(wǎng)絡對葉綠素a有較好的模擬和預測效果，可以用于模擬星云湖的富營養(yǎng)化．使用save函數(shù)對該網(wǎng)絡進行保存，以便下一步的調(diào)用．

圖4 網(wǎng)絡模擬結(jié)果與實測值的比較Figure 4 The comparation between simulation values and observed value

2．3．4 壓力響應模擬 調(diào)用已訓練好并經(jīng)過驗證的神經(jīng)網(wǎng)絡模型對湖泊富營養(yǎng)化壓力響應進行模擬．以最后一期的監(jiān)測結(jié)果作為模擬的初始值，模擬在削減各驅(qū)動因子的情況下，湖中葉綠素的變化情況(圖5)．

從模擬結(jié)果可以看到，若以0．02 mg/L作為富營養(yǎng)化湖泊中葉綠素a的控制目標，(1)在僅削減CODMn的情況下，湖中CODMn含量需削減61%．(2)在僅削減TP的情況下，需削減77%的TP．(3)在僅削減TN的情況下，需削減20%的TN;但TN含量削減至40%左右時，葉綠素a含量大幅上升．這可能與訓練集中TN數(shù)據(jù)缺少梯度有關．訓練集中TN的最低值為模擬初始值的70%，因此削減比例超過30%時會使模擬結(jié)果失真．(4)同時對各驅(qū)動因子進行削減，各因子均須削減25%．

3 討論

圖5 CODMn、TN、TP對葉綠素a的響應Fugure 5 The response of Chl a on CODMn，TN，TP reduction

星云湖的水質(zhì)從1982年前的Ⅱ類變成如今的劣Ⅴ類水體，說明水質(zhì)惡化情況嚴重，原因是周邊區(qū)域工農(nóng)業(yè)發(fā)展迅速，大量污染物(包括C、N、P)通過入湖河流、地表散流、降塵、降水等途徑進入湖泊加劇其富營養(yǎng)化［14］．目前星云湖富營養(yǎng)化的最重要表觀是微囊藻水華的發(fā)生．藻類的通用表達化學式為C106H263O110N6P，由此可見C、N、P是藻類增殖的生源要素．在適當?shù)臍夂?、水文條件下，充足的生源要素刺激藻類瘋狂生長，因而發(fā)生嚴重的藻類水華．其中，N、P這2種營養(yǎng)鹽常被認為是影響藻類生長的重要因素，削減N、P含量可有效控制藻類水華的發(fā)生．在不同的湖泊狀態(tài)(營養(yǎng)水平、水華類型、季節(jié)、水溫等)下，營養(yǎng)鹽限制情況和削減比例都存在差異［4，15-16］．因此大部分對藻類生物量變化的統(tǒng)計學模擬都基于 N、P 營養(yǎng)鹽［5-6、8、17］．而關于 C 對藻類的影響則主要集中在無機碳(CO2)對藻類光合作用的影響［18］．也有研究認為水中溶解有機碳的增加是藻類水華的結(jié)果［19］，這些研究認為藻類在光合作用和呼吸作用的過程中，利用自身特有的生化作用，使廢水中的有機物分解成簡單的物質(zhì)，并吸收其作為養(yǎng)料．所以，水中有機物同樣也是藻類生長的重要影響因素．因此，本文在主成分分析的基礎上，認為采用基于C、N、P的神經(jīng)網(wǎng)絡可以模擬預測星云湖中葉綠素a的變化．

BP神經(jīng)網(wǎng)絡模擬結(jié)果表明，對星云湖中的CODMn、TP、TN進行削減，均使葉綠素a含量下降．其中對TN的削減引起的葉綠素a下降尤為明顯，其余2個因子的影響相對較?。鶕?jù)Redfield定律，水體中氮磷比小于16時，浮游藻類的生長處于氮限制狀態(tài)［20］．從近幾年來的實際監(jiān)測結(jié)果，星云湖中氮磷比均小于16，因此湖中氮營養(yǎng)鹽對藻類生長起到約束作用．多年間星云湖中N營養(yǎng)鹽的變化相對較小，P營養(yǎng)鹽的增加較為明顯;而對微囊藻的營養(yǎng)動力學研究［21］表明，TP對微囊藻生長的影響大于TN．因此，在N相對充足的情況下，P的增加加速了藻類特別是微囊藻的生長，最終誘發(fā)微囊藻水華的發(fā)生．而隨著富營養(yǎng)化進程的發(fā)展，N逐漸成為藻類生長的“短板”．研究表明，N限制對微囊藻的生長和產(chǎn)毒都有明顯的抑制作用，而P限制對其生長和產(chǎn)毒沒有明顯的抑制作用［22］．而且，微囊藻自身無固氮能力［23］．因此，在星云湖中對TN的削減可有效控制藻類的生長．

通過對星云湖富營養(yǎng)化進程的神經(jīng)網(wǎng)絡模擬，確定TN為重要的控制目標，為星云湖的水污染防治提供了科學的依據(jù)．目前，關于湖泊中氮削減措施的研究涉及到湖岸緩沖帶技術、人工濕地技術、生物浮床等．在對湖泊的實際情況進行深入研究后，可選取具體的修復技術對星云湖的水污染進行防治．

4 結(jié)論

(1)利用神經(jīng)網(wǎng)絡模擬富營養(yǎng)化進程是基于已有的數(shù)據(jù)，通過多次的學習、訓練后模擬葉綠素與各驅(qū)動因子之間的規(guī)律．因此，模型的輸入樣本量很大程度上決定了網(wǎng)絡的泛化能力．本文樣本量較少，雖然通過插值的方法產(chǎn)生了足夠多的樣本并在模型的檢驗中獲得良好的效果，但此模型應該在日后的研究中進一步豐富其訓練集并驗證其泛化能力，為星云湖的富營養(yǎng)化進程提供更準確的模擬．

(2)通過主成分分析和各環(huán)境因子的因果關系，識別出星云湖富營養(yǎng)化核心驅(qū)動因子，確定CODMn、TP、TN為置入星云湖富營養(yǎng)化神經(jīng)網(wǎng)絡模型的關鍵因子．

(3)通過神經(jīng)網(wǎng)絡定量分析葉綠素與各生源因素的壓力響應關系，顯示N是藻類生長的主要限制因子，對湖中TN進行削減可有效控制藻類數(shù)量．

［1］王建云．玉溪市星云湖入湖污染物分布研究初步研究［J］．重慶環(huán)境科學，2001，23(2):56-61．

［2］劉俊，陳紅．星云湖底質(zhì)中重金屬與營養(yǎng)元素的分布特征及關聯(lián)性分析［J］．云南環(huán)境科學，2004，23(增刊):112-114．

［3］秦潔，吳獻花，吳斌，等．星云湖浮游植物和水環(huán)境特征研究及相關性分析［J］．環(huán)境科學與技術，2012，35(6):46-50．

［4］XU H，PAERL H W，QIN B Q，et al．Nitrogen and phosphorus inputs control phytoplankton growth in eutrophic Lake Taihu，China［J］．Limnology and Oceanography，2010，55(1):420-432

［5］程曦，李小平，陳小華．淀山湖富營養(yǎng)化過程的統(tǒng)計學特征［J］．生態(tài)學報，2012，32(5):1355-1362．

［6］鄒銳，董云仙，張禎禎，等．程海富營養(yǎng)化機理的神經(jīng)網(wǎng)絡模擬及響應情景分析［J］．生態(tài)學報，2012，32(2):448-456．

［7］AGUILERA Y A，GARRIDO F A，TORRES JA，et al．Application of the Kohonen neural network in coastal water management:Methodological development for the assessment and prediction of water quality［J］．Water Res，2001，35(17):4053-4062．

［8］裴洪平，羅妮娜，蔣勇．利用BP神經(jīng)網(wǎng)絡方法預測西湖葉綠素a的濃度［J］．生態(tài)學報，2004，24(2):246-251．

［9］高大啟．有教師的線性基本函數(shù)前向三層神經(jīng)網(wǎng)絡結(jié)構(gòu)研究［J］．計算機學報，1998，21(1):80-86．

［10］國家環(huán)境保護總局．水和廢水監(jiān)測分析方法［M］．4版．北京:中國環(huán)境科學出版社，2002．

［11］夏宜凈，況琪軍．綜合生物塘中的藻類研究［J］．水生生物學報，1993，17(1):75-82．

［12］金相燦．湖泊富營養(yǎng)化控制和管理技術［M］．北京:化學工業(yè)出版社，2001．

［13］王偉．人工神經(jīng)網(wǎng)絡原理［M］．北京:北京航空航天大學出版社，1995．

［14］王厚防，唐翀鵬．星云湖環(huán)境問題研究進展［J］．安徽農(nóng)學通報，2010，16(11):183-185．

［15］CONLEY D J，PAERL H W，HOWARTH R W，et al．Controlling eutrophication by reducing both nitrogen and phosphorus［J］．Science，2009，323:1014-1015．

［16］CARPENTER SR．Phosphorus control is critical tomitigating eutrophication［J］．Proceeding of National Academy of Science of USA，2008，105(32):11039-11040．

［17］WILSON H，RECKNAGEL F．Towards a generic artificial neural network model for dynamic predictions of algal abundance in freshwater lakes［J］．Ecol Model，2001，146(1/2/3):69-84．

［18］HITCHCOCK G L，VARGO G A，DICHSON M L．Plankton community composition，production and respiration in relation to dissolved inorganic carbon on the West Florida Shelf，April 1996［J］．J Geophys Res，2000，105(C3):6579-6589．

［19］KEPKAY R E，NIVEN SHE，JELLETT J F．Colloidal organic carbon and phytoplankton speciation during a coastal bloom［J］．JPlankton Res，1997，19(3):369-389．

［20］REDFIELD A C．The biological control of chemical factors in the environment［J］．Am Sci，1958，46(3):205-221．

［21］鄭朔方，楊蘇文，金相燦．銅綠微囊藻生長的營養(yǎng)動力學［J］．環(huán)境科學，2005，26(2):152-156．

［22］代瑞華，劉會娟，曲久輝，等．氮磷限制對銅綠微囊藻生長和產(chǎn)毒的影響［J］．環(huán)境科學學報，2008，28(9):1739-1744．

［23］黃有馨，劉志禮．固氮藍藻［M］．北京:農(nóng)業(yè)出版社，1984．