李 蓓，李勇濤，蔡 梅

(太湖流域管理局水利發(fā)展研究中心，上海 200434)

湖泊富營養(yǎng)化是世界性水環(huán)境問題，20世紀(jì)80年代以來，受環(huán)太湖城市經(jīng)濟(jì)社會發(fā)展及人類活動影響，太湖水體富營養(yǎng)化問題日趨嚴(yán)重[1]。由于湖泊面積較大且環(huán)太湖出入湖河道眾多，入湖污染負(fù)荷量遠(yuǎn)超湖體自凈能力，2019年環(huán)太湖河流TP、TN入湖污染負(fù)荷分別為太湖納污能力的3.6倍和4.28倍。受諸多自然及人為因素影響，湖泊水環(huán)境復(fù)雜多變，富營養(yǎng)化治理難度較大。

2007年無錫由于藍(lán)藻暴發(fā)引發(fā)飲用水危機(jī)，藍(lán)藻事件引起社會廣泛關(guān)注。2008年5月，國務(wù)院批復(fù)實(shí)施《太湖流域水環(huán)境綜合治理總體方案》[2]。2013年，為鞏固治理成果，提升治理水平，國家發(fā)展和改革委員會牽頭，會同有關(guān)部門深入調(diào)查研究，編制形成《太湖流域水環(huán)境綜合治理總體方案(2013 年修編)》[3](以下簡稱《總體方案修編》)，作為未來一個時期指導(dǎo)太湖流域水環(huán)境綜合治理的基本依據(jù)。隨著太湖流域大規(guī)模水環(huán)境綜合協(xié)同治理工作的持續(xù)推進(jìn)，太湖富營養(yǎng)化與藍(lán)藻水華的發(fā)展勢頭得到初步遏制，但2016年以來，藍(lán)藻水華仍呈現(xiàn)擴(kuò)大趨勢[4]。為進(jìn)一步深入探究太湖水體富營養(yǎng)化影響因素及發(fā)生機(jī)理，郝晨林等[5]通過低通時序?yàn)V波軌線法識別出2006年、2011年為太湖營養(yǎng)過程軌線轉(zhuǎn)折點(diǎn)，且氣溫變化可能是導(dǎo)致太湖富營養(yǎng)化加劇的主要原因。部分研究[6-9]表明，氮、磷是造成太湖富營養(yǎng)化的關(guān)鍵因子，還有大量相關(guān)研究則指出藍(lán)藻水華暴發(fā)受多種因素影響[10-12]，但目前仍未形成共識。

長期以來，太湖流域水環(huán)境治理積累了大量的多源監(jiān)測數(shù)據(jù)，通過數(shù)據(jù)挖掘來揭示數(shù)據(jù)間內(nèi)在聯(lián)系、趨勢和模式已經(jīng)成為水環(huán)境數(shù)據(jù)科學(xué)領(lǐng)域新的研究手段。“數(shù)據(jù)挖掘”概念最早由Fayyad等[13]提出，目前廣泛應(yīng)用于教育、生物、金融、醫(yī)學(xué)、電子商務(wù)等領(lǐng)域。在水環(huán)境領(lǐng)域，曹欽[14]將基于約束的序列模式挖掘算法應(yīng)用到三峽庫區(qū)水環(huán)境安全預(yù)警決策中，曹敏杰[15]基于時空影響域和上下文約束的海洋生態(tài)環(huán)境關(guān)聯(lián)規(guī)則挖掘分析研究，設(shè)計(jì)了基于關(guān)聯(lián)規(guī)則的海洋生態(tài)環(huán)境時空挖掘分析框架，用于對赤潮現(xiàn)象進(jìn)行分析與預(yù)測預(yù)警，均取得了良好效果。目前國內(nèi)外采用數(shù)據(jù)挖掘手段開展水環(huán)境關(guān)鍵因子識別研究的成果較少，在水環(huán)境領(lǐng)域內(nèi)的關(guān)聯(lián)規(guī)則挖掘研究及應(yīng)用還不夠深入，本文擬利用數(shù)據(jù)挖掘技術(shù)，另辟蹊徑，基于不斷更新的、迅速發(fā)展的系列外部多源數(shù)據(jù)，采用關(guān)聯(lián)規(guī)則挖掘算法，識別太湖藍(lán)藻生長水環(huán)境關(guān)鍵因子，為太湖水環(huán)境治理提供依據(jù)。

1 研究區(qū)概況

太湖是中國第三大淡水湖泊，位于北緯30°55′40″～31°32′48″、東經(jīng)119°52′32″～120°36′10″之間。太湖是流域防洪及水資源調(diào)配中心和流域內(nèi)最重要的水源地，蘇浙兩省環(huán)湖大中城市均以太湖為主要飲用水水源地，也是上海市、浙江嘉興市等下游城市的重要供水水源，同時，太湖通過環(huán)湖河道出湖水量為周邊及下游地區(qū)提供工農(nóng)業(yè)生產(chǎn)、生活用水。按照自然條件和湖區(qū)水質(zhì)研究需要，一般將全湖劃分為東太湖、東部沿岸區(qū)(含胥湖)、貢湖、梅梁湖、竺山湖、西部沿岸區(qū)、南部沿岸區(qū)和湖心區(qū)。太湖(不含五里湖)目前共布設(shè)31個監(jiān)測點(diǎn)，分設(shè)在8個湖區(qū)，分別在梅梁湖5個、竺山湖2個、貢湖4個、東太湖3個、湖心區(qū)6個、西部沿岸區(qū)2個、東部沿岸區(qū)4個和南部沿岸區(qū)5個(圖1)。

圖1 太湖監(jiān)測站點(diǎn)及分區(qū)示意圖Fig.1 Distribution of lake sub-regions and monitoring sites of Taihu Lake

2007—2018年太湖藍(lán)藻狀況監(jiān)測數(shù)據(jù)顯示，2007年以來，太湖藻類及藍(lán)藻總體呈擴(kuò)張趨勢，至2017年達(dá)到頂峰，2018年兩項(xiàng)指標(biāo)較2017年均有所縮減(圖2)，其中：2007年藍(lán)藻占全湖藻類比重最低，占比為31.21%；2011年后藍(lán)藻在全湖藻類中占比均不低于80%，且呈現(xiàn)逐年上升趨勢；2017年太湖藍(lán)藻占全湖藻類比重達(dá)到96.23%，為近12年來最高。研究太湖藍(lán)藻生長機(jī)理對太湖水體富營養(yǎng)化治理意義重大。

圖2 2007—2018年太湖藍(lán)藻狀況Fig.2 Conditions of cyanobacteria in Taihu Lake from 2007 to 2018

2 關(guān)聯(lián)規(guī)則挖掘原理及方法

2.1 原理

關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘技術(shù)中重要的研究內(nèi)容，用于從海量數(shù)據(jù)中提取有用的關(guān)聯(lián)信息，發(fā)掘數(shù)據(jù)背后隱藏的關(guān)聯(lián)性[16]。Agrawal等[17]最早提出了基于頻繁項(xiàng)集的經(jīng)典關(guān)聯(lián)規(guī)則Apriori算法，其優(yōu)點(diǎn)為適合事務(wù)數(shù)據(jù)庫的關(guān)聯(lián)規(guī)則挖掘，主要思想是利用一個逐層搜索的迭代方法，對數(shù)據(jù)庫中所有事務(wù)數(shù)據(jù)項(xiàng)進(jìn)行掃描來完成頻繁項(xiàng)集的挖掘。其中Apriori算法采用了兩個重要的性質(zhì)：

性質(zhì)1頻繁項(xiàng)集的所有非空子集必為頻繁項(xiàng)集。

性質(zhì)2非頻繁項(xiàng)集的超集一定是非頻繁的。

設(shè)I={i1,i2,…,in}是項(xiàng)的集合，事務(wù)數(shù)據(jù)集是由一系列具有唯一標(biāo)志的事務(wù)組成，且每個事務(wù)均為I中的子集。設(shè)X、Y均為事務(wù)數(shù)據(jù)集中的子集，且互不相交：

X?IY?IX∩Y=?

(1)

式中：I——事務(wù)數(shù)據(jù)項(xiàng)集合；X、Y——事務(wù)數(shù)據(jù)集合，皆為I的子集，若兩者有關(guān)聯(lián)則可表示為X→Y，X、Y分別為關(guān)聯(lián)規(guī)則的前件和后件；?——空集。

2.1.1 支持度

關(guān)聯(lián)規(guī)則X→Y支持度是指事務(wù)數(shù)據(jù)集中包含項(xiàng)目集X和Y的百分比，支持度描述了X和Y同時出現(xiàn)在事務(wù)中的概率，支持度越大則表示關(guān)聯(lián)規(guī)則越重要。在挖掘過程中，通過設(shè)置最小支持度閾值，將支持度不滿足要求的關(guān)聯(lián)規(guī)則剪枝以提高算法效率。

support(X→Y)=P(X∩Y)

(2)

2.1.2 置信度

關(guān)聯(lián)規(guī)則X→Y置信度是指在事務(wù)數(shù)據(jù)集中包含X∪Y的事務(wù)與包含X的事務(wù)之比，置信度越高表明該規(guī)則的可靠度越高。在挖掘過程中，通過設(shè)置最小置信度閾值，將置信度不滿足要求的關(guān)聯(lián)規(guī)則剔除，提高挖掘成果的可靠性。

(3)

2.1.3 算法選取

Apriori算法的剪枝方法可大幅度減少候選項(xiàng)集，提高挖掘效率，國內(nèi)外許多研究人員針對不同領(lǐng)域問題對Apriori算法進(jìn)行了大量研究與改進(jìn)[18-20]。常用關(guān)聯(lián)規(guī)則挖掘算法主要特點(diǎn)見表1。

表1 常用關(guān)聯(lián)規(guī)則算法及特點(diǎn)Table 1 Common association rule algorithm and its characteristics

經(jīng)過對比分析，本研究主要針對可能與太湖藍(lán)藻生長相關(guān)的多源外部數(shù)據(jù)進(jìn)行挖掘，從候選數(shù)據(jù)體量及算法穩(wěn)定性方面綜合評價，擬采用綜合性能較穩(wěn)定的Apriori算法開展關(guān)鍵因子關(guān)聯(lián)規(guī)則挖掘研究。

2.2 研究方法

浮游植物的大量生長是湖泊富營養(yǎng)化的重要現(xiàn)象，通常用Chl-a來表征湖泊富營養(yǎng)化程度[21]，采用除Chl-a以外的多源水環(huán)境監(jiān)測數(shù)據(jù)，通過數(shù)據(jù)清洗與數(shù)據(jù)離散后形成關(guān)聯(lián)規(guī)則挖掘候選數(shù)據(jù)集。通過Apriori算法開展?jié)M足最小支持度和最小置信度的因子與Chl-a關(guān)聯(lián)規(guī)則挖掘，并從中識別出與Chl-a關(guān)聯(lián)性最強(qiáng)的因子，作為影響太湖水體富營養(yǎng)化程度的關(guān)鍵因子。

基于構(gòu)建的數(shù)據(jù)集，挖掘關(guān)聯(lián)規(guī)則的問題可以轉(zhuǎn)換為尋找滿足最小支持度和最小置信度閾值的強(qiáng)關(guān)聯(lián)規(guī)則過程，分為兩步：(a)生成頻繁項(xiàng)集，由頻繁項(xiàng)集生成滿足最小支持度閾值的項(xiàng)集；(b)生成強(qiáng)關(guān)聯(lián)規(guī)則，找出頻繁項(xiàng)集中大于或等于最小置信度閾值的關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則挖掘流程見圖3。

圖3 關(guān)聯(lián)規(guī)則挖掘流程Fig.3 Flowchart of association rule mining

3 太湖水環(huán)境關(guān)鍵因子關(guān)聯(lián)規(guī)則挖掘模型構(gòu)建

3.1 數(shù)據(jù)準(zhǔn)備

為充分挖掘候選數(shù)據(jù)的內(nèi)在聯(lián)系，需盡可能多地考慮可能造成太湖藍(lán)藻生長的因素，但候選數(shù)據(jù)的監(jiān)測頻次及樣本體量應(yīng)相當(dāng)，以便對同一時間尺度內(nèi)的相關(guān)因子進(jìn)行橫向關(guān)聯(lián)挖掘?；谏鲜隹紤]，本文采用2006—2018年共13年太湖湖區(qū)31個監(jiān)測站點(diǎn)逐月的水溫、pH、DO、濁度、CODMn、TN、NH3-N、TP和Chl-a共9類指標(biāo)序列數(shù)據(jù)作為關(guān)鍵因子關(guān)聯(lián)規(guī)則挖掘研究的數(shù)據(jù)基礎(chǔ)。每個測站同一時間的監(jiān)測數(shù)據(jù)作為一條記錄，數(shù)據(jù)標(biāo)準(zhǔn)化后存入數(shù)據(jù)庫。經(jīng)統(tǒng)計(jì)，累計(jì)獲取監(jiān)測記錄4 703條。

3.2 數(shù)據(jù)清洗與離散

3.2.1 異常數(shù)據(jù)剔除

實(shí)測數(shù)據(jù)往往存在數(shù)據(jù)缺失和數(shù)據(jù)異常情況，通過數(shù)據(jù)庫管理技術(shù)自動識別并剔除包含空值及異常符號的記錄，針對數(shù)據(jù)異常及極端情況，為保證數(shù)據(jù)離散及挖掘成果的合理性，此處采用拉依達(dá)準(zhǔn)則法對候選數(shù)據(jù)中存在粗大誤差的數(shù)據(jù)進(jìn)行剔除，經(jīng)數(shù)據(jù)清洗，獲取有效記錄3 740條。

3.2.2數(shù)據(jù)離散

影響太湖富營養(yǎng)化的諸多環(huán)境因子均為通過實(shí)際監(jiān)測獲取的和時間相關(guān)的非連續(xù)數(shù)據(jù)點(diǎn)，需將多值關(guān)聯(lián)規(guī)則問題轉(zhuǎn)化為布爾型關(guān)聯(lián)規(guī)則問題?？紤]到監(jiān)測數(shù)據(jù)按照GB 3838—2002《地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)》[22]規(guī)定的水質(zhì)類別區(qū)間劃分屬于評價體系，由人為劃定分級，較難體現(xiàn)數(shù)據(jù)本身的分布特性且易對挖掘結(jié)果產(chǎn)生干擾，因此采用無監(jiān)督學(xué)習(xí)中的K-Means均值聚類算法(其中K為聚類簇?cái)?shù))。

結(jié)合數(shù)據(jù)本身分布特征進(jìn)行聚類，參考水質(zhì)指標(biāo)分類，本次聚類各項(xiàng)按照不同數(shù)量簇別進(jìn)行聚類，考慮到候選數(shù)據(jù)樣本量，簇別太大雖可對候選數(shù)據(jù)離散級別進(jìn)行細(xì)分，但較難挖掘出有效強(qiáng)關(guān)聯(lián)規(guī)則，經(jīng)綜合考慮，擬采用4、6、8簇進(jìn)行聚類，經(jīng)聚類離散后形成候選數(shù)據(jù)集，分析不同簇別聚類條件對挖掘成果的影響(表2)。

表2 K-means聚類結(jié)果Table 2 K-means clustering results

按照表2聚類離散成果，分別將水溫、pH、DO質(zhì)量濃度、濁度、CODMn質(zhì)量濃度、TN質(zhì)量濃度、NH3-N質(zhì)量濃度、TP質(zhì)量濃度和Chl-a質(zhì)量濃度按照4簇、6簇、8簇離散形成3套布爾型關(guān)聯(lián)規(guī)則挖掘候選數(shù)據(jù)集。

3.3 關(guān)聯(lián)規(guī)則挖掘成果

對候選數(shù)據(jù)集進(jìn)行Apriori關(guān)聯(lián)規(guī)則挖掘，針對不同簇?cái)?shù)據(jù)集方案，選定適合的最小支持度和最小置信度，獲取關(guān)聯(lián)規(guī)則挖掘結(jié)果見表3。

表3 關(guān)聯(lián)規(guī)則挖掘成果Table 3 Results of association rule mining

從挖掘成果可知，相同樣本記錄條件下，離散簇類越多，獲得強(qiáng)關(guān)聯(lián)規(guī)則所需支持度和置信度閾值越小；在支持度和置信度閾值相同條件下，離散簇類越多，獲取的強(qiáng)關(guān)聯(lián)規(guī)則越少。

4 成 果 分 析

4.1 太湖水環(huán)境關(guān)鍵因子

太湖藍(lán)藻生長是一個復(fù)雜、非線性的生態(tài)過程，涉及物理、化學(xué)等多方面影響因素，一些研究者[23-24]通過分析少數(shù)幾個或某一類水環(huán)境因子與Chl-a質(zhì)量濃度或藍(lán)藻密度等指標(biāo)間的關(guān)聯(lián)關(guān)系，且存在數(shù)據(jù)量偏少的情況，可能導(dǎo)致結(jié)果存在片面性。從不同簇別離散的候選數(shù)據(jù)集挖掘成果可知，目前太湖水環(huán)境狀況條件下，TP是影響太湖藍(lán)藻生長的主要關(guān)鍵因子，此外NH3-N、pH和CODMn也與Chl-a存在不同程度的關(guān)聯(lián)關(guān)系，研究結(jié)論與文獻(xiàn)[25-28]總體一致，表明了基于數(shù)據(jù)挖掘研究方法的有效性。

4.2 關(guān)聯(lián)程度分析

Apriori算法明確了只有在支持度和置信度均較高的情況下該關(guān)聯(lián)規(guī)則才屬于強(qiáng)關(guān)聯(lián)規(guī)則。從關(guān)聯(lián)程度分布情況來看，如圖4所示，氣泡直徑大小表明了該關(guān)聯(lián)規(guī)則的強(qiáng)弱，當(dāng)簇別K越大時，挖掘結(jié)果的關(guān)聯(lián)性越?。恢С侄群椭眯哦乳撝翟O(shè)置越小，獲得的強(qiáng)關(guān)聯(lián)規(guī)則越多，且規(guī)則的可靠性越強(qiáng)。

圖4 挖掘結(jié)果關(guān)聯(lián)程度分布Fig.4 Distribution of relevance degree of mining results

通過調(diào)整最小支持度和最小置信度等表征關(guān)聯(lián)程度的參數(shù)的閾值，篩選獲取候選數(shù)據(jù)集中蘊(yùn)含的強(qiáng)關(guān)聯(lián)規(guī)則。挖掘結(jié)果顯示，Chl-a質(zhì)量濃度與TP質(zhì)量濃度、NH3-N質(zhì)量濃度、pH和CODMn質(zhì)量濃度均呈現(xiàn)不同強(qiáng)度的關(guān)聯(lián)性，按照關(guān)聯(lián)性強(qiáng)度排序?yàn)椋篢P>pH> NH3-N >CODMn，其中：當(dāng)K=4時，Chl-a質(zhì)量濃度在0～18.36 mg/m3區(qū)間內(nèi)與TP質(zhì)量濃度在0～0.045 mg/L區(qū)間內(nèi)關(guān)聯(lián)性最強(qiáng)，其支持度為0.291，置信度為0.866，與pH在7.93～8.25區(qū)間內(nèi)關(guān)聯(lián)性較強(qiáng)；當(dāng)K=6時，Chl-a質(zhì)量濃度在0～13.41 mg/m3區(qū)間內(nèi)與TP質(zhì)量濃度在0～0.037 mg/L區(qū)間內(nèi)關(guān)聯(lián)性最強(qiáng)，其支持度為0.181，置信度為0.773，與CODMn質(zhì)量濃度在3.001～3.524 mg/L和NH3-N質(zhì)量濃度在0～0.098 mg/L區(qū)間內(nèi)關(guān)聯(lián)性較強(qiáng)；當(dāng)K=8時，Chl-a質(zhì)量濃度在0～10.86 mg/m3區(qū)間內(nèi)與TP質(zhì)量濃度在0～0.032 mg/L區(qū)間內(nèi)關(guān)聯(lián)性最強(qiáng)，其支持度為0.114，置信度為0.728。

在關(guān)聯(lián)規(guī)則挖掘研究中，合理設(shè)置關(guān)聯(lián)程度參數(shù)能夠加快算法計(jì)算效率，若最小支持度及最小置信度閾值設(shè)置不合理則較難獲得理想的強(qiáng)關(guān)聯(lián)規(guī)則，因此，在關(guān)聯(lián)程度參數(shù)設(shè)置上需要首先設(shè)定最小支持度閾值，并結(jié)合挖掘成果調(diào)整最小置信度閾值，直至挖掘成果合理。

4.3 因子敏感區(qū)間

經(jīng)分析，2006—2018年水體監(jiān)測數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘成果中TP質(zhì)量濃度處于0～0.045 mg/L區(qū)間內(nèi)對Chl-a質(zhì)量濃度在0～18.36 mg/m3區(qū)間內(nèi)敏感度最高。實(shí)測資料顯示[29-31]，2010—2017年太湖北部湖泛易發(fā)區(qū)Chl-a質(zhì)量濃度從2010年最低值19.2 mg/m3呈逐年上升，至2017年達(dá)到最高，達(dá)到質(zhì)量濃度為56.6 mg/m3，期間湖泛發(fā)生次數(shù)總體也呈現(xiàn)上升趨勢(圖5)。受時空分布影響，全湖Chl-a質(zhì)量濃度較太湖北部Chl-a質(zhì)量濃度偏低，變化趨勢與藍(lán)藻密度一致，2010年為太湖2010—2019年來藍(lán)藻數(shù)量最少的年份，其中2015年和2018年各自較前一年略有下降，但總體仍呈現(xiàn)上升趨勢。還有研究結(jié)論表示，當(dāng)湖體中藍(lán)藻細(xì)胞數(shù)量達(dá)到2 000萬個/L時[32]，可被稱為藍(lán)藻水華，2010—2019年太湖藍(lán)藻細(xì)胞數(shù)量處于2 000萬個/L以內(nèi)的2010年及2011年Chl-a質(zhì)量濃度均高于18.36 mg/m3。因此，從水環(huán)境治理角度看，若將太湖TP質(zhì)量濃度控制在0.045 mg/L以下，則全湖Chl-a質(zhì)量濃度處于18.36 mg/m3以下的概率最大，可以有效控制藍(lán)藻數(shù)量總體處于較少狀態(tài)，避免太湖藍(lán)藻水華大規(guī)模暴發(fā)。

圖5 2010—2019年太湖北部、全湖Chl-a質(zhì)量濃度及藍(lán)藻密度分布Fig.5 Distribution of chlorophyll a concentration and cyanobacteria density in northern Taihu Lake and whole lake from 2010 to 2019

對照《總體方案修編》確定的2020年控制目標(biāo)(圖6)，截至2019年，太湖NH3-N、TN均已達(dá)到控制目標(biāo)，但CODMn、TP尚未達(dá)到。由于近年來TP質(zhì)量濃度呈現(xiàn)增長趨勢，在流域治理中若進(jìn)一步加大入湖磷負(fù)荷控制，將對改善太湖富營養(yǎng)化狀況具有積極作用。太湖NH3-N質(zhì)量濃度2019年已回落至0.087 mg/L，處于較強(qiáng)關(guān)聯(lián)規(guī)則取值范圍，CODMn在3.001～3.524 mg/L范圍內(nèi)與Chl-a質(zhì)量濃度在0～18.36 mg/m3區(qū)間也呈現(xiàn)一定的關(guān)聯(lián)性，因此，若進(jìn)一步將太湖CODMn控制在3.001～3.524 mg/L范圍內(nèi)，則全湖Chl-a質(zhì)量濃度小于18.36 mg/m3的概率最大。本成果在《總體方案修編》確定的控制目標(biāo)基礎(chǔ)上，進(jìn)一步明確了TP及CODMn等指標(biāo)控制的具體范圍，可為下階段太湖水環(huán)境治理控制目標(biāo)研究提供技術(shù)支撐。

圖6 近年來太湖主要水質(zhì)指標(biāo)質(zhì)量濃度變化情況及因子敏感區(qū)間Fig.6 Mass concentration changes of main water quality indicators and factor sensitive interval in Taihu Lake

5 結(jié) 語

通過構(gòu)建基于Apriori算法的太湖水環(huán)境關(guān)鍵因子關(guān)聯(lián)規(guī)則挖掘模型，對影響太湖水體富營養(yǎng)化的水環(huán)境關(guān)鍵因子進(jìn)行識別。經(jīng)分析，表征太湖富營養(yǎng)化程度的Chl-a質(zhì)量濃度與TP質(zhì)量濃度、NH3-N質(zhì)量濃度、pH和CODMn質(zhì)量濃度均呈現(xiàn)不同強(qiáng)度的關(guān)聯(lián)性，關(guān)聯(lián)性強(qiáng)度排序?yàn)門P>pH> NH3-N > CODMn。

TP質(zhì)量濃度處于0～0.045 mg/L區(qū)間內(nèi)對Chl-a質(zhì)量濃度在0～18.36 mg/m3區(qū)間內(nèi)最為敏感。從水環(huán)境治理角度看，若將太湖TP質(zhì)量濃度控制在0.045 mg/L以下，則全湖Chl-a質(zhì)量濃度小于18.36 mg/m3的概率最大，可以有效控制藍(lán)藻數(shù)量總體處于較少狀態(tài)，避免太湖藍(lán)藻水華大規(guī)模暴發(fā)。本研究可為下階段太湖水環(huán)境治理控制目標(biāo)研究提供技術(shù)支撐。