利用BP神經(jīng)網(wǎng)絡(luò)模型對太湖水體葉綠素a含量的估算*

王雪蓮，宋玉芝，孔繁璠，王宇佳

?

利用BP神經(jīng)網(wǎng)絡(luò)模型對太湖水體葉綠素a含量的估算*

王雪蓮1, 2，宋玉芝1, 2**，孔繁璠1，王宇佳1

（1.南京信息工程大學(xué)應(yīng)用氣象學(xué)院江蘇省農(nóng)業(yè)氣象重點實驗室，南京 210044；2.南京信息工程大學(xué)江蘇省大氣環(huán)境與裝備協(xié)調(diào)創(chuàng)新中心，南京 210044)

利用太湖2001-2006年常規(guī)水質(zhì)監(jiān)測資料和氣象資料進(jìn)行主成分分析，確定影響太湖水體葉綠素a 含量的主要因子。在此基礎(chǔ)上構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，利用模型對太湖湖心區(qū)水體葉綠素a含量進(jìn)行估算，并對模型進(jìn)行敏感度分析；將所建模型運(yùn)用于太湖梅梁灣、貢湖灣、竺山灣以及東太湖4個湖區(qū)葉綠素a含量的估算，以驗證其適用性。結(jié)果表明：基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)模型估算的湖心區(qū)葉綠素a含量與實測值的擬合度良好，對已建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行敏感度分析表明，氣溫和溶解氧與浮游植物葉綠素a含量密切相關(guān)；該模型對太湖其它4個湖區(qū)水體葉綠素a含量的估算結(jié)果與實測值擬合度良好, 表明其適用性也較好，因此，可以運(yùn)用于對太湖水體葉綠素a含量的估算及預(yù)測。

葉綠素a；主成分分析；BP神經(jīng)網(wǎng)絡(luò)模型；敏感度分析

近年來湖泊水體富營養(yǎng)化已成為全球面臨的環(huán)境問題，也是中國在治理水環(huán)境方面面臨的突出問題之一。太湖作為中國第三大淡水湖泊，20世紀(jì)80年代后期，藍(lán)藻大暴發(fā)甚至引發(fā)飲用水危機(jī)，引起全球關(guān)注。葉綠素a是所有浮游植物重要的色素之一，其含量多少可以反映水體浮游植物生物量大小，同時葉綠素a含量能反映水體水質(zhì)狀況[1-2]。因此，為了更好地了解與評估太湖水質(zhì)狀況，需要對太湖葉綠素a含量進(jìn)行預(yù)測估算。

常用于葉綠素a含量的預(yù)測方法有人工神經(jīng)網(wǎng)絡(luò)模型、時間序列分析法、遺傳算法模型、支持向量機(jī)模型和決策樹方法等[3]。其中，人工神經(jīng)網(wǎng)絡(luò)具備強(qiáng)大的非線性映射能力，在數(shù)據(jù)擬合，函數(shù)逼近等方面有較大優(yōu)勢。因此，在各種預(yù)測方法中，人工神經(jīng)網(wǎng)絡(luò)模型應(yīng)用非常廣泛，尤其是BP神經(jīng)網(wǎng)絡(luò)[4]。BP神經(jīng)網(wǎng)絡(luò)具有較好的容錯性，可以從大量樣本中提取統(tǒng)計特性，來調(diào)整權(quán)值。太湖生態(tài)系統(tǒng)相當(dāng)復(fù)雜，各種因素之間相互關(guān)系屬非線性關(guān)系，BP神經(jīng)網(wǎng)絡(luò)能夠?qū)?fù)雜的水環(huán)境中非線性表現(xiàn)進(jìn)行有效預(yù)測[5]。關(guān)于水體葉綠素a含量的預(yù)測前人也有研究，如裴洪平等[6]建立了BP神經(jīng)網(wǎng)絡(luò)，探究西湖葉綠素a濃度短期變化趨勢預(yù)測的可行性。盧志娟等[7]利用BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)了對西湖湖心區(qū)葉綠素a濃度的周預(yù)測。周露洪等[8]通過對2006-2008年的常規(guī)水質(zhì)參數(shù)進(jìn)行主成分分析，建立BP神經(jīng)網(wǎng)絡(luò)模型對葉綠素a濃度進(jìn)行月預(yù)測。太湖屬大型淺水湖泊，受氣象條件影響較大。因此，本研究考慮動力擾動較強(qiáng)的湖心區(qū)的水文氣象條件，結(jié)合氣象資料與水質(zhì)參數(shù)數(shù)據(jù)，在主成分分析基礎(chǔ)上將所選的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測模型預(yù)測太湖葉綠素a含量，并將預(yù)測值與實測值相比較，評價模型的預(yù)測效果，對模型進(jìn)行敏感度分析，并利用太湖的梅梁灣、貢湖灣、竺山灣以及東太湖4個湖區(qū)的相關(guān)數(shù)據(jù)進(jìn)行預(yù)測，以此來預(yù)測本研究的BP神經(jīng)網(wǎng)絡(luò)模型對太湖的適用性，以期為太湖富營養(yǎng)化管理提供科學(xué)依據(jù)。

1 資料與方法

1.1 研究區(qū)域與數(shù)據(jù)來源

太湖水域總面積2338km2，平均水深1.89m，受動力擾動相對較為頻繁，且不同湖區(qū)生態(tài)環(huán)境差異明顯。根據(jù)太湖實際情況及以往的研究結(jié)果[9]，把太湖分為5個區(qū)域，湖心區(qū)（1#、2#、3#和4#）、梅梁灣（5#和6#）、竺山灣（7#和8#）、貢湖灣（9#和10#）以及東太湖（11#和12#），所選點位均為常規(guī)采樣點，各湖區(qū)監(jiān)測點位經(jīng)緯度見表1。各點逐月水質(zhì)數(shù)據(jù)主要來源于《湖泊濕地海灣生態(tài)系統(tǒng)卷(江蘇太湖站)》[10]，主要包括總氮含量(mg·L-1)、總磷含量(mg·L-1)、溶解氧含量(mg·L-1)、水體透明度(m)和浮游植物葉綠素a含量(μg·L-1)。逐月氣象資料由蘇州東山氣象觀測站提供，主要包括平均氣溫(℃)、日照時數(shù)(h)、降水量(mm)、平均風(fēng)速(m·s-1)。

表1 太湖5個湖區(qū)監(jiān)測點序號及經(jīng)緯度

1.2 數(shù)據(jù)處理與建模方法

1.2.1 基于主成分分析的指標(biāo)篩選

湖泊生態(tài)系統(tǒng)是一個由多種因素相互作用的復(fù)雜系統(tǒng)，影響浮游植物生長的環(huán)境因子非常多，且相互之間可能存在一定的相關(guān)性。若將所有環(huán)境因子都作為神經(jīng)網(wǎng)絡(luò)的輸入端，這樣網(wǎng)絡(luò)的復(fù)雜度將會增加。另外，每個變量都在不同程度上反映出某些信息，若將其中的一些因素丟棄，一些有用的信息就有可能會被丟失。因此，需要通過主成分分析方法，篩選出相對重要的且與葉綠素a含量相關(guān)性較高的指標(biāo)作為輸入變量，在有效保留數(shù)據(jù)信息的前提下對數(shù)據(jù)進(jìn)行降維，減少輸入層神經(jīng)元的個數(shù)，增強(qiáng)網(wǎng)絡(luò)性能，改善預(yù)測效果[11]。對太湖湖心區(qū)2001-2006年逐月平均氣溫、日照時數(shù)、降水量、平均風(fēng)速以及水體總氮含量、總磷含量、透明度和溶解氧含量的月平均值共8項指標(biāo)數(shù)據(jù)進(jìn)行主成分分析，以便篩選得到影響太湖湖心區(qū)水體浮游植物中葉綠素a含量的主要指標(biāo)。

1.2.2 BP神經(jīng)網(wǎng)絡(luò)模型的建立

（1）數(shù)據(jù)標(biāo)準(zhǔn)化處理

為加快網(wǎng)絡(luò)的訓(xùn)練速度，在建模前先對所選數(shù)據(jù)系列進(jìn)行歸一化處理，即

（2）BP神經(jīng)網(wǎng)絡(luò)模型的建立

BP神經(jīng)網(wǎng)絡(luò)有兩個階段，第一階段為學(xué)習(xí)階段，神經(jīng)元網(wǎng)絡(luò)根據(jù)輸入輸出樣本訓(xùn)練調(diào)整各層之間的權(quán)值和閾值，使之達(dá)到一定要求；第二階段為運(yùn)用階段，通過輸入層的輸入，根據(jù)第一階段的訓(xùn)練所得權(quán)值和閾值的作用，得到輸出值[13]。本研究將利用經(jīng)過主成分分析選擇的湖心區(qū)2001-2005年氣象因子和水質(zhì)指標(biāo)數(shù)據(jù)系列作為BP神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)樣本，以湖心區(qū)2006年氣象因子和水質(zhì)指標(biāo)數(shù)據(jù)系列作為檢驗樣本，湖心區(qū)2006年水體浮游植物葉綠素a含量的數(shù)據(jù)系列作為網(wǎng)絡(luò)輸出變量。BP算法的誤差通過輸出層向輸入層反向傳播，層數(shù)越多，反向傳播誤差在靠近輸入層時就越不可靠，因此，本研究選用單隱層結(jié)構(gòu)，訓(xùn)練模型選擇3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，即一個輸入層、一個隱含層和一個輸出層。

（3）BP神經(jīng)網(wǎng)絡(luò)模型節(jié)點選擇

利用經(jīng)過主成分分析選擇的氣象因子和水質(zhì)指標(biāo)作為湖心區(qū)BP神經(jīng)網(wǎng)絡(luò)模型的輸入節(jié)點，輸出節(jié)點為湖心區(qū)水體浮游植物葉綠素a含量。通過對訓(xùn)練結(jié)果的比較來找出最優(yōu)的隱含層節(jié)點數(shù)。其中確定隱含層節(jié)點數(shù)的最基本原則是：在滿足精度要求的前提下選取盡可能緊湊的結(jié)構(gòu)，即選取盡可能少的隱含層節(jié)點數(shù)。確定BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)的經(jīng)驗公式為[14]

式中，J為網(wǎng)絡(luò)隱含層節(jié)點數(shù)，m、n分別為輸入層和輸出層節(jié)點數(shù)，a為1～10的常數(shù)。

1.2.3 模型敏感度分析

為進(jìn)一步驗證已建立的BP神經(jīng)網(wǎng)絡(luò)的輸入變量是否為影響太湖湖心區(qū)浮游植物葉綠素a含量的主要因子，并確定各因子的影響大小，故對模型進(jìn)行敏感度分析。首先將輸入變量用于測試的數(shù)據(jù)分別施以加、減10%的干擾，建立加、減都為10個靈敏度的測試數(shù)據(jù)組，調(diào)用已訓(xùn)練好的BP網(wǎng)絡(luò)，利用SIM函數(shù)仿真得出新的葉綠素濃度預(yù)測結(jié)果，并與未施加干擾前的預(yù)測數(shù)據(jù)進(jìn)行分析計算，得出其中變動幅度，模型因子敏感度計算式為

式中，C′為輸入變量被施以干擾后的BP網(wǎng)絡(luò)預(yù)測的浮游植物葉綠素a含量；C為輸入變量未被施以干擾的BP網(wǎng)絡(luò)預(yù)測的浮游植物葉綠素a含量；N為仿真輸出值的個數(shù)[15]。

2 結(jié)果與分析

2.1 因子的選擇和模型的建立

2.1.1 主成分分析指標(biāo)篩選結(jié)果

對影響葉綠素a含量的8個指標(biāo)，太湖湖心區(qū)2001-2006年逐月平均溫度（Tw）、日照時數(shù)(SL)、降水、風(fēng)速、總氮含量(TN)、總磷含量(TP)、透明度（SD）和溶解氧含量(DO)的均值做主成分分析，其結(jié)果見表2。由表可知，葉綠素a含量與溫度、日照時數(shù)、總氮含量、總磷含量和溶解氧含量之間的線性關(guān)系較好，說明湖心區(qū)溫度、日照時數(shù)、總氮含量、總磷含量和溶解氧含量變化對葉綠素a含量的影響較大。從湖心區(qū)各因子主成分貢獻(xiàn)看，第一主成分中（累積貢獻(xiàn)率為44%）氣溫、日照、溶解氧為主要因子，由此可見，對太湖湖心區(qū)，氣溫、日照、溶解氧共同對水質(zhì)狀況起著重要作用；在第二主成分中（其累積貢獻(xiàn)率為68%），總磷為重要因素，總氮次之。

表2 太湖湖心區(qū)葉綠素a含量各主成分貢獻(xiàn)均值（2001-2006年）

Note: Tw is the monthly mean air temperature; SL is the monthly mean hours of sunshine. TN is the monthly mean total nitrogen content, TP is the monthly mean total phosphorus content, SD is the water transparency and DO is the oxygen content in the water body.

2.1.2 模型層數(shù)確定與節(jié)點選擇結(jié)果

由主成分分析的結(jié)果，選取2001-2006年氣象資料與水質(zhì)參數(shù)數(shù)據(jù)，溫度、日照時數(shù)、總氮含量、總磷含量、溶解氧和葉綠素a含量6項指標(biāo)，共432個數(shù)據(jù)，采樣周期為逐月采樣，每月數(shù)據(jù)為一個數(shù)據(jù)集，共72組數(shù)據(jù)集。其中2001-2005年的60組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，2006年的12組數(shù)據(jù)作為測試數(shù)據(jù)。本次建模采用三層網(wǎng)絡(luò)結(jié)構(gòu)，即一個輸入層、一個隱含層和一個輸出層。將2006年平均溫度、日照時數(shù)、總氮、總磷和溶解氧作為網(wǎng)絡(luò)輸入，即輸入層有5個神經(jīng)元；預(yù)測輸出2006年浮游植物葉綠素a的含量，即輸出層有1個神經(jīng)元。由表3可以看出，當(dāng)隱含層節(jié)點數(shù)為8時實測值與預(yù)測值的均方差達(dá)最小值，此時訓(xùn)練的網(wǎng)絡(luò)性能最佳。由此，建立的BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示。

表3 隱含層取不同節(jié)點數(shù)時對應(yīng)的均方誤差（2006年數(shù)據(jù)）

2.2 模型訓(xùn)練與預(yù)測

采用提前停止的訓(xùn)練方法，基于建立好的BP神經(jīng)網(wǎng)絡(luò)，在Matlab 7.0軟件中導(dǎo)入已預(yù)處理的訓(xùn)練樣本，函數(shù)名為trainlm，采用Levenberg- Marquardt算法對訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，反復(fù)訓(xùn)練3000次，使訓(xùn)練誤差降至10-5。利用Matlab 7.0軟件中sim函數(shù)對測試數(shù)據(jù)進(jìn)行仿真運(yùn)算輸出，其調(diào)用格式為a=sim(net,p)，其中a為網(wǎng)絡(luò)輸出，net為已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)，p為矩陣或輸入向量[16]，以驗證訓(xùn)練好的網(wǎng)絡(luò)及其泛化能力。

模型預(yù)測的太湖湖心區(qū)2006年逐月平均葉綠素a含量的絕對誤差在-2.95~10.92μg·L-1，相對誤差在-41.7%~26.6%，葉綠素a含量的模擬值與實測值的擬合程度較高，方程決定系數(shù)R2可達(dá)0.9587，葉綠素a含量的平均預(yù)測值與實測值的誤差變動范圍見圖2。由圖2a可知，實測值與模擬值誤差最大出現(xiàn)在7月，該月份水體葉綠素a含量較高，且變化速度較快，這可能是導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)效果下降的原因之一，而在葉綠素濃度較低的月份，BP神經(jīng)網(wǎng)絡(luò)的模擬效果較好。圖2b給出了BP神經(jīng)網(wǎng)絡(luò)模型對太湖湖心區(qū)2006年逐月浮游植物葉綠素a含量模擬估算結(jié)果相對誤差的變化趨勢，可以看出模擬值與實測值相對誤差主要集中在30%以內(nèi)，大于30%的只有3個點，說明訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)模型對湖心區(qū)2006年浮游植物葉綠素a含量的模擬效果較好。

2.3 模型敏感度分析

用于模擬估算2006年太湖湖心區(qū)浮游植物葉綠素a含量的BP神經(jīng)網(wǎng)絡(luò)模型敏感度分析結(jié)果如圖3所示。由圖可以看出，氣溫和溶解氧對模型敏感度較高，日照時數(shù)和總氮次之，總磷最低。由此表明，氣溫和溶解氧的變化與太湖湖心區(qū)浮游植物葉綠素a含量的變化有關(guān)；日照時數(shù)和總氮的變化對太湖湖心區(qū)浮游植物葉綠素a含量的影響程度也相對較高；而總磷的變化雖對太湖湖心區(qū)浮游植物葉綠素a含量有影響，但影響作用并不大。這與主成分分析結(jié)果基本一致，說明該模型的輸入因子準(zhǔn)確有效。

2.4 模型適用性驗證

將已建立的BP神經(jīng)網(wǎng)絡(luò)模型分別對梅梁灣、竺山灣、貢湖和東太湖水體葉綠素a含量進(jìn)行估算，以驗證其對太湖其它湖區(qū)的適用性，估算時模型各輸入變量分別為梅梁灣、竺山灣、貢湖灣以及東太湖各湖區(qū)觀測位點的均值。模型對太湖4個湖區(qū)2006年浮游植物葉綠素a含量的預(yù)測值與實測值的誤差分析見表4。由表可知，BP神經(jīng)網(wǎng)絡(luò)模型可以較好地反映這4個湖區(qū)葉綠素a含量的變化趨勢，各湖區(qū)模擬的P值均達(dá)極顯著水平。對梅梁灣模擬的結(jié)果最好，絕對誤差與平均誤差較小，葉綠素a含量模擬的結(jié)果與實測值的線性擬合方程的決定系數(shù)R2為0.917，擬合程度較高，模擬值接近實測值。對竺山灣和貢湖灣模擬的絕對誤差范圍較大，平均誤差值也高，模擬效果不及另外兩個湖區(qū)理想；對東太湖模擬的結(jié)果較好，絕對誤差范圍不大，且平均誤差僅4.8μg·L-1。由此可以看出，BP神經(jīng)網(wǎng)絡(luò)模型對太湖浮游植物葉綠素a含量的估算是適用的。

表4 BP神經(jīng)網(wǎng)絡(luò)模型對2006年太湖4個區(qū)域浮游植物葉綠素a含量的模擬結(jié)果

3 結(jié)論與討論

對太湖湖心區(qū)2001-2006年常規(guī)水質(zhì)監(jiān)測資料和氣象資料進(jìn)行主成分分析，確定影響太湖水體葉綠素a 含量的主要因子為氣溫、日照、溶解氧、總氮和總磷，共同對水質(zhì)狀況起著重要作用。劉建萍等[12]利用BP神經(jīng)網(wǎng)絡(luò)探究太湖葉綠素a含量與環(huán)境因子的關(guān)系時發(fā)現(xiàn)，總氮是影響太湖葉綠素濃度的主要因子，總磷不是其限制因子。張克鑫等[14]利用主成分分析法，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對湖南鎮(zhèn)水庫的葉綠素a含量構(gòu)建預(yù)測模型，考慮了總氮、總磷、溶解氧、溫度和pH這5個環(huán)境因子，也發(fā)現(xiàn)總磷的變化對葉綠素a濃度影響甚微，總氮、溶解氧和溫度對葉綠素a含量有一定影響。本研究結(jié)論與兩位學(xué)者的結(jié)論相一致。

本次研究的BP神經(jīng)網(wǎng)絡(luò)模型對湖心區(qū)的預(yù)測相對誤差在-41.7%～26.6%，擬合方程決定系數(shù)R2可達(dá)0.9587。利用訓(xùn)練好的湖心區(qū)BP神經(jīng)網(wǎng)絡(luò)模型對梅梁灣、貢湖灣、竺山灣和東太湖葉綠素a含量進(jìn)行預(yù)測，其平均誤差在4.8～8.9μg·L-1。說明建立的BP神經(jīng)網(wǎng)絡(luò)模型可較好地預(yù)測太湖浮游植物葉綠素a含量，該模型準(zhǔn)確性和實用性較理想。羅固源等[17]利用神經(jīng)網(wǎng)絡(luò)對次級河流回水區(qū)3-5月葉綠素a含量的短期預(yù)測相對誤差為1.25%～14.86%，裴洪平等[6]利用BP神經(jīng)網(wǎng)絡(luò)模型對西湖湖心區(qū)葉綠素a含量實現(xiàn)周預(yù)測，相對誤差小于10%，周露洪等[8]利用BP神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)了對太湖湖心區(qū)及梅梁灣葉綠素a含量的月預(yù)測平均相對誤差分別為39%和71%，李一平等[18]運(yùn)用人工神經(jīng)網(wǎng)絡(luò)對太湖全湖葉綠素含量預(yù)測的平均相對誤差范圍在-30.5%～31%，張克鑫等[14]利用BP神經(jīng)網(wǎng)絡(luò)模型對湖南鎮(zhèn)水庫葉綠素a含量的年預(yù)測相關(guān)系數(shù)達(dá)0.95。由于太湖是大型淺水湖泊，湖心區(qū)受風(fēng)浪擾動大，尤其在夏季受東南季風(fēng)的影響，溫度與水動力變化很大，因此其水力特性與河流、西湖、水庫等水體差異很大，月份之間水力特性相差也較大。水體擾動會引起水體營養(yǎng)鹽濃度發(fā)生改變，同時還會伴隨浮游植物的遷移[19-20]，這可能是引起B(yǎng)P神經(jīng)網(wǎng)絡(luò)模型預(yù)測誤差的原因。本研究資料年限跨度較大，利用2001-2006年的氣象資料與水質(zhì)參數(shù)對太湖湖心區(qū)2006年的葉綠素a含量進(jìn)行預(yù)測，這也是導(dǎo)致出現(xiàn)誤差的原因之一。

基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)模型估算太湖湖心區(qū)浮游植物葉綠素a含量的模擬值與實測值的擬合度良好，模型可以運(yùn)用于太湖浮游植物葉綠素a含量預(yù)測；通過對建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行敏感度分析，可知氣溫和溶解氧與浮游植物葉綠素a含量的變化關(guān)系密切，這與主成分分析的結(jié)果一致；該模型對太湖其它4個湖區(qū)的浮游植物葉綠素a含量進(jìn)行預(yù)測，其適用性也較好，因此，該模型可以運(yùn)用于太湖水體葉綠素a含量的估算及預(yù)測。

參考文獻(xiàn)References

[1]汪益嬪,張維硯,徐春燕,等.淀山湖浮游植物初級生產(chǎn)力及其影響因子[J].環(huán)境科學(xué),2011,32(5):1249-1256.

Wang Y P,Zhang W Y,Xu C Y,et al.Phytoplankton productivity and its influencing factors in Dianshan lake[J].Environmental Science,2011,32(5):1249-1256.(in Chinese)

[2]金相燦,劉鴻亮,屠清瑛,等.中國湖泊富營養(yǎng)化[M].北京:中國環(huán)境科學(xué)出版社,1990.

Jin X C,Liu H L,Tu Q Y,et al.Eutrophication of lakes in China[M].Beijing:China Environmental Science Press, 1990.(in Chinese)

[3]肖永輝,王志剛,劉曙照.水體富營養(yǎng)化及藍(lán)藻水華預(yù)警模型研究進(jìn)展[J].環(huán)境科學(xué)與技術(shù),2011,34(11):152-157.

Xiao Y H,Wang Z G,Liu S Z.Progress on early warning model of water eutrophication and algal bloom[J].Environmental Science & Techology,2011,34(11):152-157.(in Chinese)

[4]Maier H R,Dandy G C.Neural networks for the prediction and forecasting of water resources variables:a review of modeling issues and applications[J].Environmental Modeling and Software,1999,15(1):101-123.

[5]Kilic H,Soyupak S,Gürbüz H,et al.Automata net-works as preprocessing technique of artificial neural network in estimating primary production and dominating phyto-plankton levels in a reservoir:an experimental work[J]. Ecological Informatics,2006,1(4):431 - 439．

[6]裴洪平,羅妮娜,蔣勇.利用BP 神經(jīng)網(wǎng)絡(luò)方法預(yù)測西湖葉綠素a的濃度[J].生態(tài)學(xué)報,2004,24(2):246-251.

Pei H P,Luo N N,Jiang Y.Application of back propagation neural network for predicting the concentration of chlorophyll-a in West Lake[J].Acta Ecologica Sinica, 2004,24(2):246-251.(in Chinese)

[7]盧志娟,朱玲,裴洪平,等.基于小波分析與BP神經(jīng)網(wǎng)絡(luò)的西湖葉綠素a濃度預(yù)測模型[J].生態(tài)學(xué)報,2008,28(10): 4965-4973.

Lu Z J,Zhu L,Pei H P,et al.The model of chlorophyll-a concentration forecast in the West Lake based on wave let analysis and BP neural networks[J].Acta Ecologica Sinica,2008,28(10):4965-4973.(in Chinese)

[8]周露洪,谷孝鴻,曾慶飛,等.利用BP神經(jīng)網(wǎng)絡(luò)短期預(yù)測太湖不同湖區(qū)葉綠素a濃度[J].水生態(tài)學(xué)雜志,2012, 33(4):1-6.

Zhou L H,Gu X H,Zeng Q F,et al.Applications of back propagation neural network for short-term prediction of chlorophyll-a concentration in different regions of lake Taihu[J].Journal of Hydroecology,2012,33(4):1-6.(in Chinese)

[9]許海,秦伯強(qiáng),朱廣偉.太湖不同湖區(qū)夏季藍(lán)藻生長的營養(yǎng)鹽限制研究[J].中國環(huán)境科學(xué),2012,32(12):2230-2236.

Xu H,Qin B Q,Zhu G W.Nutrient limitation of cyanobacterial growth in different regions of Lake Taihu in summer[J].China Environmental Science,2012,32(12):2230-2236.(in Chinese)

[10]秦伯強(qiáng),胡春華.湖泊濕地海灣生態(tài)系統(tǒng)卷(江蘇太湖站)[M].北京:中國農(nóng)業(yè)出版社,2010.

Qin B Q,Hu C H.Lake,wetland and gulf ecosystem(Jiangsu Taihu station)[M].Beijing:China Agriculture Press,2010.(in Chinese)

[11]劉柯.基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)在城市建成區(qū)面積預(yù)測中的應(yīng)用[J].地理科學(xué)進(jìn)展,2007,26(6):129-137.

Liu K.Application of BP neural network in the prediction urban built-up area:a case study of Beijing[J].Progress in Geography,2007,26(6):129-137.(in Chinese)

[12]劉建萍,張玉超,錢新,等.太湖葉綠素a濃度預(yù)測模型初探[J].環(huán)境保護(hù)科學(xué),2009,35(4):46-49.

Liu J P,Zhang Y C,Qian X,et al.Preliminary studies on the prediction model of chlorophyll-a in Taihu Lake[J].Environmental Protection Science,2009,35(4):46-49. (in Chinese)

[13]歐釗榮,譚宗琨,何燕,等.BP神經(jīng)網(wǎng)絡(luò)模型在廣西原料蔗產(chǎn)量預(yù)報中的應(yīng)用[J].中國農(nóng)業(yè)氣象,2007,28(2):213-216.

Ou Z R,Tan Z K,He Y,et al.Application of BP neural network in yield predication of sugarcane (L) in Guangxi province[J].Chinese Journal of Agrometeorology, 2007,28(2):213-216.(in Chinese)

[14]張克鑫,陸開宏,金春華,等.基于BP神經(jīng)網(wǎng)絡(luò)的湖南鎮(zhèn)水庫葉綠素a濃度預(yù)測模型的研究[J].海洋湖沼通報,2011,13(2): 91-99.

Zhang K X,Lu K H,Jin C H,et al.Predicting model of the concentration of chlorophyll-a based on BP neural network in Hunan Zhen reservoir[J].Transactions of Oceanology and Limnology,2011,13(2):91-99.(in Chinese)

[15]Jeong K S,Joo G J,Kim H W,et al.Prediction and elucidation of phytoplankton dynamics in the Nakdong River (Korea) by means of a recurrent neural network[J].Ecological Modelling, 2001,146(3):115-129.

[16]巨軍讓,卓戎.BP神經(jīng)網(wǎng)絡(luò)在MATLAB上的方便實現(xiàn)[J].新疆石油學(xué)院學(xué)報,1999,11(2):42-46.

Ju J R,Zuo R.Convenient realization of BP networks on Matlab[J].Journal of Xinjiang Petroleum Institute,1999,11(2): 42-46.(in Chinese)

[17]羅固源,鄭劍鋒,許曉毅,等.神經(jīng)網(wǎng)絡(luò)在次級河流回水區(qū)葉綠素a濃度預(yù)測中的應(yīng)用[J].環(huán)境工程學(xué)報,2009,3(2):372- 376.

Luo G Y,Zhen J F,Xu X Y,et al.Application of the neural network in prediction for chlorophyll-a in branch back water region[J].Chinese Journal of Environmental Engineering,2009, 3(2):372-376.(in Chinese)

[18]李一平,降勇,田娜.太湖生態(tài)系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)模擬研究[J].環(huán)境科學(xué)與技術(shù),2004,23(2):43-45.

Li Y P,Jiang Y,Tian N.Artificial neural network simulation study in Taihu ecosystem[J].Enironmental Science &Technology, 2004,23(2):43-45.(in Chinese)

[19]孫小靜,秦伯強(qiáng),朱廣偉,等.風(fēng)浪對太湖水體中膠體態(tài)營養(yǎng)鹽和浮游植物的影響[J].環(huán)境科學(xué),2007,27(3):506-511.

Sun X J,Qin B Q,Zhu G W,et al.Effect of wind-induced wave on concentration of colloidal nutrient and phytoplankton in lake Taihu[J].Environmental Science & Technology,2007,27 (3):506-511.(in Chinese)

[20]張毅敏,張永春,張龍江,等.湖泊水動力對藍(lán)藻生長的影響[J].中國環(huán)境科學(xué),2007,27(5):707-711.

Zhang Y M,Zhang Y C,Zhang L J,et al.The influence of lake hydrodynamics on blue agalal growth[J].China Environmental Science,2007,27(5):707-711.(in Chinese)

Estimation of Chlorophyll-a Concentration in Taihu Lake by Using Back Propagation (BP) Neural Network Forecast Model

WANG Xue-lian1，2, SONG Yu-zhi1，2, KONG Fan-fan1, WANG Yu-jia1

(1.Jiangsu key Laboratory of Agricultural Meteorology, School of Applied Meteorology, Nanjing University of Information Science & Technology, Nanjing 210044,China; 2.Jiangsu Collaborative Innovation Center of Atmospheric Environment and Equipment Technology (CICAEET)，College of Environmental Science ＆ Engineering, Nanjing University of Information Science & Technology, Nanjing 210044)

To estimate chlorophyll-a concentration in the centre area of Taihu Lake, back propagation (BP) neural network forecast model was constructed based on principal component analysis according to conventional water quality monitoring data and meteorological data in Taihu from 2001 to 2006 and the sensitivity analysis of model was performed. The results showed that in the centre area of Taihu Lake, estimated value of chlorophyll-a concentration according to BP neural network forecast model had a better fit with the measured data of chlorophyll-a concentration. Through sensitivity analysis of established estimation model, it was found that temperature and dissolved oxygen were highly related with the chlorophyll-a concentrations. At the same time, chlorophyll-a concentrations in different areas of Taihu Lake (Meiliang Bay, Gonghu Bay, Zhushan Bay and East Taihu) were estimated by using BP neural network forecast model, close agreement was observed between estimated and the measured data of chlorophyll-a concentration. In general, BP neural network forecast model could be used to estimate and predict the chlorophyll-a concentration of the whole lake in Taihu.

Chlorophyll-a; Principal component analysis; BP neural network; Sensitivity analysis

10.3969/j.issn.1000-6362.2016.04.004

2015-12-28 ??

通訊作者。E-mail: syz70@nuist.edu.cn

國家自然科學(xué)基金(41471446)

王雪蓮（1990-），碩士生，主要研究方向為環(huán)境工程。E-mail:wangxuelian_415@163.com