基于多元回歸理論的太湖湖泛預警模型研究

謝衛(wèi)平，洪月菊，吳磊，陸勇

(1.宜興市環(huán)境監(jiān)測站，江蘇 宜興 214200；2.武漢市規(guī)劃研究院，湖北 武漢 430000；3.東南大學能源與環(huán)境學院，江蘇 南京 210096)

?

·環(huán)境預警·

基于多元回歸理論的太湖湖泛預警模型研究

謝衛(wèi)平1，洪月菊2，吳磊3，陸勇3

(1.宜興市環(huán)境監(jiān)測站，江蘇 宜興 214200；2.武漢市規(guī)劃研究院，湖北 武漢 430000；3.東南大學能源與環(huán)境學院，江蘇 南京 210096)

在太湖宜興段藻源性湖泛高發(fā)區(qū)設立4個監(jiān)測點，以湖泛發(fā)生的物質基礎“藻類生物量”為研究對象，運用數據分析軟件SPSS對監(jiān)測點的藻類生物量、水質、氣溫等數據進行相關分析，建立了以藻密度為因變量的多元逐步回歸模型。結合往年太湖藻源性湖泛發(fā)生時的氣象條件等歷史資料以及相關藻密度閾值的報道，構建了太湖宜興段藻源性湖泛高發(fā)區(qū)監(jiān)測預警模型系統，該模型能夠基于監(jiān)測點的實時水質數據和氣象預報數據，對監(jiān)控區(qū)域湖水在未來某時間段內發(fā)生湖泛風險的可能性進行分級預警。

多元回歸理論；太湖；湖泛；預警模型

隨著湖泊污染和富營養(yǎng)化程度的加劇，太湖水環(huán)境污染越來越突出。近年來，太湖西北沿岸湖區(qū)、貢湖、梅梁灣和竺山湖沙塘港水域均發(fā)生過不同程度的局部水體黑臭現象，這一現象成為太湖藍藻水華危害新的表征，對水源的影響和危害較之于藍藻暴發(fā)更為嚴重[1-2]。湖泛的發(fā)生將直接造成湖體水質和水生態(tài)系統嚴重惡化，進一步對周邊城市水產、旅游業(yè)等社會經濟產生嚴重破壞，其產生的致黑和致臭物質將威脅太湖沿岸居民的健康和生存環(huán)境[3-4]。

陸桂華[5]將由藍藻暴發(fā)引起的湖泛(亦稱“黑水團”或“污水團”)稱之為“藻源性”湖泛。其誘因是藻類堆積到一定程度后發(fā)生厭氧反應，從而導致湖水發(fā)黑發(fā)臭。此外，王成林[6]通過對湖泛發(fā)生時的氣象條件進行研究，發(fā)現湖泛的發(fā)生還存在著氣象觸發(fā)機制，即3 d以上時間維持高溫(平均氣溫>20℃)、微風(平均風速<4 m/s)、風向基本一致(風向平均絕對偏差<20°)；其后，冷空氣過境使得風速短時增大、風向調轉180°左右、氣溫迅速降低，并且這種氣象條件持續(xù)1 d以上。

水質預警系統是以水質預警方法為基礎建立的系統，是一個集監(jiān)測、計算、模擬、管理為一體的系統。國外的水質預警系統研究較早，發(fā)展趨于成熟。如美國在俄亥俄河及密西西比河，法國在塞納河都建立了各自的預警系統以應對突發(fā)性水污染事件[7]。最為著名的是由德國、奧地利等歐洲國家聯合開發(fā)的“多瑙河事故應急預警系統”[8]。國內在以河流為典型的流域水污染預警方面已有積極探索，呂俊等[9]構建了廣西郁江水質預警預報系統總體框架；焦鋒[10]在相對風險模型(Relative Risk Model)基礎上，構建了區(qū)域生態(tài)風險識別的概念模型，對東太湖區(qū)域進行生態(tài)風險分析。但對于太湖湖泛監(jiān)測預警系統的研究較少。王成林等[11]通過對湖泛發(fā)生時的氣象條件進行歸納總結，提出黑臭水體形成的氣象因素影響模型；李旭文等[12]通過對國產環(huán)境衛(wèi)星CCD近年太湖地區(qū)影像的處理，提取了太湖湖泛分布信息。上述研究均針對湖泛發(fā)生的一個方面(氣象或衛(wèi)星影像)提出相應的預警方案，而沒有開發(fā)出綜合多方面信息、具有實用性和預報功能的太湖湖泛預警模型。

目前，環(huán)境數學模型的研究和應用已比較成熟，將湖泛這一具有突發(fā)性、歷時短、影響因素復雜和環(huán)境危害大的水環(huán)境災害集成到數學模型系統中?，F通過實測數據，經相關分析后建立多元逐步回歸模型預測藻類生物量，在此基礎上結合氣象條件判別方案建立太湖湖泛預警模型。

1 太湖宜興段湖泛高發(fā)區(qū)的布點監(jiān)測

1.1 采樣點位

選取太湖西北岸近年湖泛易發(fā)代表性區(qū)域烏溪港東(N31°13′47.2″，E119°53′43.0″)、茭瀆港(N31°21′16.7″，E119°57′50.1″)、社瀆港東(N31°20′56.1″，E119°57′32.6″)和蘭山嘴東(N31°13′13.0″， E119°54′36.7″)設置4個監(jiān)測點，見圖1。

1.2 采樣時間和頻率

各個監(jiān)測點位的采樣時間為2012年7—10月，采樣頻率為2次/周。

圖1 太湖宜興段湖泛高發(fā)區(qū)監(jiān)測點位

1.3 監(jiān)測項目及分析

國內外湖泊水庫的藻類水華預警研究表明，水質監(jiān)控指標結合氣象、水文條件是藍藻水華暴發(fā)的重要影響因子[13-15]。因此，環(huán)境監(jiān)測因子主要包括：葉綠素a、藻密度、DO、pH值、濁度、水溫、風速、風向、氣溫、氣壓、水體氮磷含量和有機物含量等。其中DO、pH值、濁度、葉綠素a、水溫和藻密度用現場水質多參數測定儀(YSI 6000)現場測定；風速、風向、氣溫和氣壓使用便攜式風速風向儀現場測定；采集各監(jiān)測點位水下0.5 m處水樣，帶回實驗室進行IMn、TP、氨氮、TN和COD指標分析，各項目的分析均采用標準方法[16]。

1.4 數據分析

選用目前國際上最著名的數據分析軟件之一的SPSS 19.0(Statistical Product and Service Solutions，統計產品與服務解決方案)作為統計分析工具，對2012年7—10月監(jiān)測數據進行分析。

2 監(jiān)測點藻密度的多元回歸分析

2.1 統計分析程序

采用SPSS 19.0軟件，對各環(huán)境理化因子監(jiān)測數據進行相關分析，計算相關系數r值，并根據r值分析理化因子的相關性大小，同時依靠檢驗統計量逐步篩選出各個監(jiān)測點影響藻類生物量的關鍵因子，最后建立藻類生物量多元逐步回歸方程和復相關系數等。

2.2 回歸方程的建立

(1)選取pH值、DO、IMn、氨氮、TP、COD、 TN、風速、氣壓和氣溫，共10個環(huán)境理化因子作為回歸分析的自變量；(2)選取藻密度(CCD)作為預測太湖藻類生物量的因變量；(3)篩選各個監(jiān)測點影響藻類生物量的關鍵因子，對藻類生長影響因子進行簡單相關分析和偏相關分析；(4)利用SPSS多元回歸軟件建立各監(jiān)測點多元回歸方程和復相關系數等。

2.3 結果和討論

2.3.1 藻類生長影響因子簡單相關分析

按照采樣監(jiān)測點位，分別量度藻密度變量與任一環(huán)境因子間的簡單相關關系(表1)。

表1 藻密度和環(huán)境因子間的Pearson相關系數

由表1可見，各個點位的藻密度與環(huán)境因子間的相關系數在0.005～0.710之間，其與單個因子的相關系數較分散，表明藻密度的變化受多個環(huán)境理化因子共同影響。

2.3.2 藻類生長影響因子偏相關分析

考慮環(huán)境因子間相互依賴的耦合效應，在藻密度與單個因子相關性分析之外，針對4個監(jiān)測點的環(huán)境理化因子也進行了任意2個環(huán)境影響因子間的相關性度量，其中水溫和氣溫顯著正相關，相關系數分別為0.936、0.905、0.907和0.889。說明各環(huán)境因子間也具有不同程度的相關關系，多因子間的耦合作用對篩選藻類生長驅動因子有干擾作用。

現通過偏相關分析分別度量水體藻密度與任意1個環(huán)境理化因子的偏相關關系(表2)。

由表2可見，烏溪港東藻密度與氣溫(r=0.912)和TP(r=0.814)呈顯著正相關，與氨氮(r=-0.728)呈顯著負相關，說明氣溫、TP和氨氮因子對烏溪港東藻類的生長影響較大；社瀆港東藻密度與TN(r=0.927)和風速(r=0.831)呈顯著正相關，說明TN和風速這2個因子對社瀆港東藻類生長有較大影響；其他2個監(jiān)測點各因子的偏相關系數均較低，說明影響藻類生長的因素復雜，目前還不能通過數據統計分析得到結果。

表2 藻密度和環(huán)境因子間的偏相關系數

2.3.3 多元逐步回歸分析

藻類生長和暴發(fā)是由多個環(huán)境因子共同作用的結果。因地理環(huán)境、水文條件和入湖污染負荷等因素的差異，環(huán)境理化因子對藻類生長的影響程度隨空間變化，考慮利用多元變量來預測藻類生物量的動態(tài)變化規(guī)律。

結合Pearson相關分析和偏相關分析的結果，選取相關系數 |r|>0.5的因子參與多元逐步回歸分析，對監(jiān)測點藻類生物量的變化趨勢進行預測。各監(jiān)測點位篩選出的關鍵因子見表3。藻密度與環(huán)境因子的逐步回歸分析結果見表4。

表3 各監(jiān)測點位參與多元逐步回歸的因子

表4 藻密度與環(huán)境因子的逐步回歸統計

①T為氣溫。

各監(jiān)測點位的關鍵因子參與多元逐步回歸分析計算時，模型自身從關鍵因子中選定入選變量生成逐步回歸方程。經檢驗，烏溪港東和社瀆港東監(jiān)測點的逐步回歸方程系數的F統計量的概率P值均<顯著性水平α(α=0.05)，藻密度與環(huán)境因子間的線性關系顯著，因此可以建立逐步回歸模型。

監(jiān)測點茭瀆港和南山嘴東因監(jiān)測數據量受限，規(guī)律性不強，未獲得相應的多元逐步回歸方程。另外，由于現場實地試驗的復雜性，影響藻類生長和暴發(fā)的環(huán)境因素較多，目前暫不能明確原因。

3 湖泛預警系統的構建

3.1 建立藻類生物量預測模型

預測過程本身就是一個時間上的連續(xù)方程，要預測未來的狀態(tài)，一種方法是建立因變量和自變量之間同一時間的回歸方程，預測分析自變量的未來值，再根據建立的回歸方程預測因變量的未來值。另一種方法就是建立因變量和自變量之間不同時刻的回歸方程，也即t時刻的自變量對(t+1)時刻的因變量的影響，研究采用前一種方法。

建立藻類生物量預測模型，即(t+1)時刻藻密度預測值需要(t+1)時刻的環(huán)境理化因子值。氣象條件(風速、氣溫和風向)可通過國家氣象局天氣預報系統提供預測值，其他環(huán)境因子(TP、TN等)預測值根據監(jiān)測獲取的樣本數據來擬合。

利用最小二乘估計法可獲取各種函數形式的擬合方程，通過比較各方程復相關系數的大小，選擇相應的方程作為環(huán)境因子(TN、TP等)的預測模型，并將其代入藻密度預測模型，見表5。

表5 TN、TP預測模型

將相關自變量的預測擬合方程代入表3多元逐步回歸方程中，得到各監(jiān)測點藻類生物量預測模型，見表6。

表6 藻類生物量預測模型①

①T為氣溫，v為風速。

3.2 建立湖泛預警判別方案

以藻類生物量預測模型來預測(t+1)時刻太湖監(jiān)測點藻密度，當藻密度預測值達到一定閾值后，結合氣象條件來判別藻源性湖泛發(fā)生可能性等級。利用SPSS 19.0分析軟件建立藻類生物量預測模型(表6)和基于氣象條件的判別規(guī)則(圖2)[6]，將預判方案轉化為計算機語言，開發(fā)太湖湖泛高發(fā)區(qū)預警軟件系統。

圖2 太湖湖泛高發(fā)區(qū)預警系統分析判別示意

目前，中國突發(fā)事件分為4類，即自然災害、事故災難、公共衛(wèi)生事件、社會安全事件。預警級別分為4級：一級預警，預警信號為紅色；二級預警，預警信號為橙色；三級預警，預警信號為黃色；四級預警，預警信號為藍色[17]。因此，該預警系統采用目前國內通行的4級預警級別來劃分。具體分級預警方案見表7。

表7 太湖湖泛高發(fā)區(qū)分級預警方案

4 結語

充分利用監(jiān)測站的數據采集與分析能力，建立太湖湖泛高發(fā)區(qū)藻密度的預測模型，結合其氣象觸發(fā)條件開展太湖藻源性湖泛的預警工作，是基層環(huán)境監(jiān)測站從數據監(jiān)測到數據應用的能力提升過程。

目前模型的預測精度受現有樣本空間的影響，有待進一步提高。為了使系統進行較準確的預測，一方面需進一步對相關參數(水質、氣象和底泥)進行監(jiān)測，積累數據樣本，提高現有模型的精確度；另一方面，多元線性回歸模型是基于歷史資料進行回歸分析，能較好地擬合過去，適用于水體藻密度變化的短期趨勢分析，故需尋求能夠更好地反映時間序列變化趨勢的模型，對藻類生物量進行較高精確度的預測。

[1] 陳荷生.太湖宜興近岸水域“湖泛”現象初析[J].水利水電科技進展， 2011， 31 (4)： 33-37.

[2] 盛東，徐兆安，高怡.太湖湖區(qū)“黑水團”成因及危害分析[J].水資源保護，2010， 26(3)：41-44.

[3] YANG M， YU J W， LI Z L，et al.Taihu not to blame for Wuxi′s woes[J].Science，2008， 319(2)：158.

[4] 于建偉， 李宗來，曹楠，等.無錫市飲用水嗅味突發(fā)事件致嗅原因及潛在問題分析[J].環(huán)境科學學報， 2007， 27(11)： 1771-1777.

[5] 陸桂華，馬倩.太湖水域“湖泛”及其成因研究[J].水科學進展，2009，20(3)：438-442.

[6] 王成林，張詠.太湖藻源性“湖泛”形成機制的氣象因素分析[J].環(huán)境科學，2011，32(4)：401-408.

[7] 盧金鎖.地表水廠原水水質預警系統研究及應用[D].西安：西安建筑科技大學，2006.

[8] BOTTERWEG T,RODDA D W.Danube riverbasin：progress with the environmental programme[J].Water Science and Technology，1999，40(10)： 1-8.

[9] 呂俊，彭斌，唐奇善，等.郁江水質預警預報系統建設模式的探討[J].水資源保護，2006，22(5)：81-83.

[10] 焦鋒.區(qū)域生態(tài)風險識別系統構建[J].環(huán)境科技，2011，24(2)： 49-53.

[11] 王成林，張寧紅，張詠，等.基于氣象條件的太湖湖泛預警研究[J].環(huán)境監(jiān)控與預警，2010，2(5)： 1-4.

[12] 李旭文，牛志春，姜晟，等.環(huán)境衛(wèi)星CCD影像在太湖湖泛暗色水團監(jiān)測中的應用[J].環(huán)境監(jiān)控與預警，2012，4(3)：1-9.

[13] 孔繁翔，馬榮華，高俊峰，等.太湖藍藻水華的預防、預測和預警的理論與實踐[J].湖泊科學， 2009， 21 (3)： 314-328.

[14] LILOVE M J， LAANEMETS J.A simple tool for the early prediction of the cyanobacteria Nodularia spumigena bloom biomass in the Gulf of Finland[J].Oceanologia， 2006，48(S)：213-229.

[15] FRIEDRICH R.ANNA-artifical neural network model for predicting species abundance and succession of bluegreen algae[J].Hydrobiologia， 1997，349(1-3)：47-57.

[16] 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.

[17] 薛瀾，鐘開斌.突發(fā)公共事件分類、分級與分期：應急體制的管理基礎[J].CPA中國行政管理學術論壇， 2005(2)： 102-107.

·簡訊·

英國發(fā)明可移除土壤有害物質的植物

新華社消息 受到化學物質影響，硝煙散去的戰(zhàn)場或軍事訓練場上植物總是難以存活。這個問題困擾人類已久，不過，科學家們已經快找到解決辦法了。英國約克大學研究人員在《自然》雜志上撰文說，他們發(fā)現，炸藥中的三硝基甲苯，也就是俗稱的TNT會聚集在植物的根部，抑制植物生長。這是因為植物中有一種名為MDHAR6的酶能與TNT發(fā)生反應，產生超氧化物，對植物細胞造成嚴重損傷。這一發(fā)現有助科學家們利用基因改造技術，創(chuàng)造出一種不含MDHAR6的植物，這種植物可以在受到污染的土地上茂盛地生長，由根部從土壤中吸收并移除有害化學物質，同時不會損害自身。研究人員表示，人們對利用自然機制去除土壤中有毒化學物質的興趣很濃厚。只有去除了TNT的毒性，才可能利用植物清理受污染的土地，“我們的工作朝這一方向邁進了一步”。

摘自 www.jshb.gov.cn 2015-09-10

Study on the Early-Warning Model of Feculent and Anaerobic Water Aggregation in Taihu Lake Using the Multiple Regression Theory

XIE Wei-ping1，HONG Yue-ju2，WU Lei3，LU Yong3

(1.YixingEnvironmentalMonitoringStation,Yixing,Jiangsu214200,China; 2.WuhanPlanning&DesignInstitute,Wuhan,Hubei430000,China; 3.SchoolofEnergyandEnvironment,SoutheastUniversity,Nanjing,Jiangsu210096,China)

Feculent and anaerobic water aggregation (FAWA) is a type of specific environmental disaster with characteristics of occurring abruptly,lasting in short duration,and causing serious consequences on the environment and ecosystems.Experiments choosing algal density as the investigated object were carried out to analyze the parameters using data analysis software SPSS,including the water quality,temperature,and algal density,in four monitoring sites of the Yixing part where FAWA happened historically.An early-warning model using the multiple regression theory was constructed based on the algal cell density together with weather conditions and related algal density threshold when FAWA happened in the past years.Based on the current weather data and real-time water quality parameters in the monitoring site,the model could be used to evaluate the risk grade of FAWA occurring in the monitoring region.

Multiple regression theory; Taihu Lake; Feculent and anaerobic water aggregation; Early-warning model

2015-03-20；

2015-05-18

江蘇省環(huán)境保護廳2011年省級環(huán)保科研課題管理基金資助項目(201154)

謝衛(wèi)平(1973—)，男，高級工程師，本科，從事環(huán)境監(jiān)測管理工作。

X84

A

1674-6732(2015)05-0007-05