覃 苗，張明峰，洪 頤，蘇玉萍，4*，陳楊鋒，李赫龍，陳宇昕

(1.福建師范大學(xué)環(huán)境科學(xué)與工程學(xué)院，福建 福州 350007； 2.福建師范大學(xué)地理科學(xué)學(xué)院，福建 福州 350007； 3.法國巴黎高科路橋大學(xué)城市與水環(huán)境實(shí)驗(yàn)室，法國 巴黎 77455； 4.福建師范大學(xué)，福建省污染控制與資源循環(huán)重點(diǎn)實(shí)驗(yàn)室，福建 福州 350007)

社會的進(jìn)步以及工、農(nóng)業(yè)的迅速發(fā)展，給湖泊水庫的水質(zhì)帶來了污染。在陸地上貧瘠的氮、磷等元素，在水中卻過多的存在，從而引起了一種有害的自然現(xiàn)象——水華暴發(fā)。水華暴發(fā)是一種由于水體富營養(yǎng)化等多種原因綜合影響而引發(fā)的自然現(xiàn)象，當(dāng)氣候和水質(zhì)有利于藻類生長和聚集時(shí)，藻類呈現(xiàn)暴發(fā)性繁殖和聚集，通常伴有水面變色[1]。水中存在的過多的氮、磷等營養(yǎng)物質(zhì)是水華產(chǎn)生的主要原因，而諸如pH、氣候等條件也會對其暴發(fā)造成一定的影響[2-3]。本文的研究對象——福清市東張水庫為飲用水地表水源保護(hù)區(qū)，于2007—2017年的10年間在大壩區(qū)域多次暴發(fā)藍(lán)藻水華[4-7]。因此，通過一定的監(jiān)測預(yù)警模型，預(yù)見性地提醒相關(guān)部門及時(shí)采取相應(yīng)的防控措施，對有效防治水華的暴發(fā)就顯得尤為重要。

近年來，隨著人工智能的迅速發(fā)展，基于數(shù)理統(tǒng)計(jì)和人工神經(jīng)網(wǎng)絡(luò)的預(yù)警模型系統(tǒng)在水華預(yù)警預(yù)報(bào)研究中得到了一定的應(yīng)用。研究人員以BP模型作為手段，建立了各種水華預(yù)警模型，Maier等通過人工神經(jīng)網(wǎng)絡(luò)建立了預(yù)測模型，預(yù)測了澳大利亞River Murray流域藍(lán)藻水華的暴發(fā)[8]；Lee等則以ANN預(yù)測了香港沿海流域藻類水華的發(fā)生[9]；仝玉華運(yùn)用RBF/BP網(wǎng)絡(luò)藻類水華預(yù)測模型，分析運(yùn)算了其研究流域中的水華分布時(shí)空規(guī)律，針對性建立了多元線性回歸預(yù)測模型[10]。

在建立水體富營養(yǎng)化和因其所致的水華暴發(fā)預(yù)警模型時(shí)，BP人工神經(jīng)網(wǎng)絡(luò)作為一個十分合適的工具，具有許多獨(dú)有的優(yōu)點(diǎn)，例如方法簡單、無需建立復(fù)雜的數(shù)學(xué)計(jì)算模型、具有很強(qiáng)的適應(yīng)性和容錯性、具有較強(qiáng)的處理非線性問題的能力等。BP人工神經(jīng)智能網(wǎng)絡(luò)作為一種以數(shù)據(jù)作為驅(qū)動的模型，其最大的特點(diǎn)是具有自學(xué)習(xí)、記憶聯(lián)想和判別功能。而這種學(xué)習(xí)、判別功能需要大量的環(huán)境參數(shù)和水質(zhì)檢測數(shù)據(jù)。因此收集足夠數(shù)量的樣本數(shù)據(jù)成為BP人工神經(jīng)網(wǎng)絡(luò)模型解決水華預(yù)測成敗的關(guān)鍵。本文通過長期對東張水庫的監(jiān)測所獲取大量的數(shù)據(jù)，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行運(yùn)算，探討了預(yù)測藍(lán)藻水華暴發(fā)的可能性，旨在為藍(lán)藻水華暴發(fā)的預(yù)警提供新的方法，為相關(guān)部門在藍(lán)藻水華的防控提供參考。

1 材料與方法

1.1 數(shù)據(jù)來源

本研究數(shù)據(jù)來自福清市東張水庫(圖1，119°29′20″E、25°46′6″N)自動監(jiān)測站2016—2017年水體大壩斷面數(shù)據(jù)，共295組有效數(shù)據(jù)，包括水溫、溶解氧、電導(dǎo)率等在線水質(zhì)檢測數(shù)據(jù)(表1)。且該數(shù)據(jù)樣本包含大壩斷面水華期間的數(shù)據(jù)。

表1 主要的檢測參數(shù)和單位

1.2 BP建模方法

為建立BP人工神經(jīng)網(wǎng)絡(luò)模型，將水質(zhì)參數(shù)做交叉對比，選出輸出結(jié)果較好的水質(zhì)輸入指標(biāo)，綜合比對福清市的氣象數(shù)據(jù)(氣溫、風(fēng)速)，將水質(zhì)參數(shù)與氣象數(shù)據(jù)組合作為自變量輸入模型，以葉綠素a濃度為因變量，通過BP人工神經(jīng)網(wǎng)絡(luò)模型來探究水質(zhì)與水華暴發(fā)之間的相關(guān)性，并選出輸出結(jié)果較好的輸入?yún)?shù)組合應(yīng)用于后期水庫藍(lán)藻水華的預(yù)測。

在模型的構(gòu)建過程中，采用的取樣方法是對295組樣本做隨機(jī)排序，抽取后80%的數(shù)據(jù)進(jìn)行模型訓(xùn)練，前20%作為測試數(shù)據(jù)進(jìn)行檢驗(yàn)。在模型訓(xùn)練完成后，以測試數(shù)據(jù)檢測該模型的訓(xùn)練結(jié)果，并輸出訓(xùn)練擬合結(jié)果，且獲取訓(xùn)練值與測試數(shù)據(jù)的誤差，獲得誤差比值，模型運(yùn)行結(jié)束。

1.2.1 模型的建立和演繹過程

假設(shè)在模型中的任意一個節(jié)點(diǎn)輸入信號為xi，輸出信號為yi。

j=1,2,……,l；

hj=fvj，j=1,2,……，j；

因此，如果有n層，并且第n層指且僅指輸出層級，而第一層為輸入層級。則該模型的BP算法則由以下推演而出：

首先，初始化連接權(quán)重值ω1，同時(shí)初始化激活閾值(初始化偏置)a1、b1；接著，重復(fù)以下的過程直到輸出結(jié)果收斂：

1.2.2 數(shù)據(jù)處理

采用SPSS 23.0軟件進(jìn)行Spearman相關(guān)分析。利用 MATLAB R2016b 建立東張水庫藍(lán)藻水華BP 人工神經(jīng)網(wǎng)絡(luò)模型。

2 結(jié)果與分析

2.1 Spearman相關(guān)性分析結(jié)果

對本次研究所用的295組數(shù)據(jù)進(jìn)行了相關(guān)性分析。結(jié)果如表2所示。

表2 東張水庫各指標(biāo)因子間的Spearman相關(guān)關(guān)系

注：*表示顯著相關(guān)(P<0.05，2-tailed)，**表示極顯著相關(guān)(P<0.01，2-tailed)。

Notes：*indicates significant correlation(P<0.05，2-tailed)，**indicates extremely significant correlation(P<0.01，2-tailed).

在淡水湖庫中，浮游植物的生長受多種環(huán)境因子的制約，而湖庫水中存在的葉綠素a則在一定程度上反映該流域內(nèi)浮游植物的生長情況[11]。根據(jù)表2的相關(guān)性分析結(jié)果，可以知道，在東張水庫水體的水質(zhì)檢測建模數(shù)據(jù)中，水溫、溶氧等在線監(jiān)測指標(biāo)數(shù)據(jù)與葉綠素a之間存在較好的相關(guān)性(P<0.05)。并且氣溫、風(fēng)速等氣象指標(biāo)對藻類的生長也存在著協(xié)同效應(yīng)。因此葉綠素a數(shù)值會伴隨著各個相關(guān)數(shù)值的改變而變化。因此選取相關(guān)性結(jié)果較好的因子進(jìn)行模型演算是合適的。

2.2 BP人工神經(jīng)網(wǎng)絡(luò)樣本訓(xùn)練與模型擬合結(jié)果

選取了可以在線監(jiān)測、數(shù)值準(zhǔn)確的水質(zhì)指標(biāo)，以不同的數(shù)據(jù)組合作為輸入?yún)?shù)，經(jīng)大量的重復(fù)試驗(yàn)運(yùn)算，不同的數(shù)據(jù)組獲得的輸出結(jié)果如表3所示。從中篩選出最優(yōu)的參數(shù)組合。從表3各參數(shù)組合指標(biāo)輸出結(jié)果的誤差及擬合度的結(jié)果可以看出，以水溫和溶解氧(組合2)作為輸入?yún)?shù)，其輸出結(jié)果葉綠素a的預(yù)測值的均方根誤差(RMSE)為0.10 μg/L，均方根與實(shí)測值標(biāo)準(zhǔn)偏差比(RSR)為0.84，R2=0.34；而增加了電導(dǎo)率作為輸入?yún)?shù)(組合3)，其輸出結(jié)果有了較大提升，均方根誤差(RMSE)為0.09 μg/L，均方根與實(shí)測值標(biāo)準(zhǔn)偏差比(RSR)為0.56，R2=0.74。但當(dāng)再加入濁度作為輸入?yún)?shù)(組合4)時(shí)，輸出結(jié)果葉綠素a的預(yù)測值的均方根誤差(RMSE)為0.11 μg/L，均方根與實(shí)測值標(biāo)準(zhǔn)偏差比(RSR)為0.59，R2=0.68，誤差反而變大，擬合更低。因此選擇了指標(biāo)數(shù)量較少且結(jié)果較好的水溫、溶解氧和電導(dǎo)率作為模型水質(zhì)輸入?yún)?shù)(組合3)。由于在一般性認(rèn)知中，認(rèn)為藍(lán)藻水華的暴發(fā)與一定條件的氮、磷含量等水體理化性質(zhì)、溫度和光照等氣象條件、水文條件和生態(tài)環(huán)境有關(guān)，是水體環(huán)境因素(如總氮、總磷、pH、溶解氧)和氣象因素(如氣溫、光照、風(fēng)向、風(fēng)速等)綜合作用的結(jié)果[12-13]。因此本研究將濁度、pH、氣溫和風(fēng)速等因子逐步作為輸入?yún)?shù)加入模型，分別得出了組合4、5、6和7的數(shù)據(jù)結(jié)果?？梢钥闯?，模型的最優(yōu)參數(shù)輸入組合為水溫、溶解氧、電導(dǎo)率、氣溫即組合6，該組合的輸出結(jié)果葉綠素a的預(yù)測值的均方根誤差(RMSE)為0.08 μg/L，均方根與實(shí)測值標(biāo)準(zhǔn)偏差比(RSR)為0.43，R2=0.83。

表3 各水質(zhì)指標(biāo)輸入?yún)?shù)組合的模型運(yùn)算輸出結(jié)果的RMSE、RSR、R2

對各組合的結(jié)果中較有代表性的組合3、組合6和組合7做進(jìn)一步分析，結(jié)果如圖3、圖4、圖5所示。

可以看出在三組葉綠素a的模擬結(jié)果中，預(yù)測值和實(shí)測值在數(shù)據(jù)的各個峰值與數(shù)據(jù)的趨向性上都具有一定的相似性。但組合6的擬合結(jié)果(圖4)是最好的，該組合的模擬結(jié)果不僅在各個峰值涵蓋了實(shí)際數(shù)據(jù)，并且在整體數(shù)據(jù)的相似度上與其他組合相比，數(shù)據(jù)更為接近。因此可以認(rèn)為BP人工神經(jīng)網(wǎng)絡(luò)模型在以東張水庫的水溫、溶解氧、電導(dǎo)率和氣溫這4個指標(biāo)作為輸入?yún)?shù)時(shí)，模型的學(xué)習(xí)訓(xùn)練結(jié)果可以提取有效的學(xué)習(xí)經(jīng)驗(yàn)，并做出具有針對性的預(yù)測。模型訓(xùn)練的運(yùn)行結(jié)果符合試驗(yàn)訓(xùn)練預(yù)期。

3 討論

從經(jīng)過模型的模擬預(yù)算結(jié)果可以看出，輸入端因子經(jīng)優(yōu)化組合后輸出端的結(jié)果更好，并且結(jié)合氣象數(shù)據(jù)作為輸入因子后模型輸出結(jié)果的精度明顯高于僅以水質(zhì)作為輸入因子的模型預(yù)測結(jié)果。但是所有組合的模型輸出結(jié)果均與傳統(tǒng)意義上較好的擬合度(R=0.999)存在著一定的差距，這可能是由于人工神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)訓(xùn)練量不足以及參數(shù)過多所致，并且許多參數(shù)并沒有絕對公認(rèn)的最佳取值，僅僅只有相對最優(yōu)值。在建模過程中，僅靠建模者的經(jīng)驗(yàn)和主觀判斷，在試驗(yàn)的時(shí)候需要不斷地調(diào)整與試驗(yàn)才能取得相對較為理想的結(jié)果。

從圖3、4、5可以看出，在三組模型輸出的數(shù)據(jù)結(jié)果中，有些點(diǎn)位呈現(xiàn)跳躍式增長，這是由于在2016—2017年水質(zhì)檢測數(shù)據(jù)中，部分月份水華暴發(fā)，導(dǎo)致各個指標(biāo)都呈現(xiàn)明顯的變化，尤其是總磷、總氮的數(shù)值增長更明顯，這種迅猛增長在其他月份是不存在的。由于本次模型的訓(xùn)練樣本的有限性，對于模型的識別和預(yù)測造成了一定的局限。并且水華暴發(fā)時(shí)期一般為夏、秋季，庫區(qū)不同區(qū)域水深的水溫存在較大差異。此外，降雨等因素也對水體水質(zhì)造成一定的影響。因此在后續(xù)的改進(jìn)模型中，應(yīng)著重對于輸入?yún)?shù)進(jìn)行分類，將數(shù)據(jù)波動較大的數(shù)據(jù)與波動較為不明顯的數(shù)據(jù)分開，以增加模型預(yù)測的準(zhǔn)確性。

不同氣象因子的輸入也對預(yù)測結(jié)果的擬合度有不同的影響，可能的原因是氣象數(shù)據(jù)不足，本次研究僅采用氣溫、風(fēng)速這兩個參數(shù)，還缺風(fēng)向、光照強(qiáng)度、日照時(shí)間、降雨量等對于水華有影響的氣象因子作為輸入數(shù)據(jù)供篩選。因此，在今后的模型改進(jìn)中，應(yīng)該盡量多地考慮其他氣象因子和環(huán)境影響因子，以減少模型運(yùn)算誤差。

4 結(jié)論

本研究建立了一種可以應(yīng)用于湖庫水華暴發(fā)的BP人工神經(jīng)網(wǎng)絡(luò)預(yù)警模型。利用BP人工神經(jīng)網(wǎng)絡(luò)理論，以福清市東張水庫為例，得到了以水溫、溶解氧、電導(dǎo)率和氣溫為輸入?yún)?shù)的指標(biāo)組合，使得以葉綠素a為輸出指標(biāo)的預(yù)測結(jié)果擬合度達(dá)到0.83，得到了較好的結(jié)果，符合試驗(yàn)預(yù)期。