基于逐步聚類分析的水庫浮游藻類生長預(yù)測

常 淳,馮 平,孫冬梅,張 凱（.天津大學(xué)水利工程仿真與安全國家重點(diǎn)實(shí)驗(yàn)室,天津 30007；.天津市水利科學(xué)研究院,天津 30006）

基于逐步聚類分析的水庫浮游藻類生長預(yù)測

常 淳1*,馮 平1,孫冬梅1,張 凱2（1.天津大學(xué)水利工程仿真與安全國家重點(diǎn)實(shí)驗(yàn)室,天津 300072；2.天津市水利科學(xué)研究院,天津 300061）

采用逐步聚類分析方法預(yù)測水庫浮游藻類的生長情況,以于橋水庫為例,選取了1999～2006年7個水質(zhì)和氣象因子的56組數(shù)據(jù)建立逐步聚類分析模型,其結(jié)果用于預(yù)測2007～2010年的葉綠素a含量.結(jié)果表明,實(shí)測值與預(yù)測值的變化趨勢基本一致,相關(guān)系數(shù)R達(dá)到0.94,線性相關(guān)性較好.預(yù)測值的平均絕對誤差為-0.0007,平均相對誤差為21.66%.逐步聚類分析法可以快速準(zhǔn)確的對水庫的葉綠素a含量進(jìn)行有效預(yù)測.對逐步聚類分析模型的敏感度分析表明,影響于橋水庫藻類生長的主要因素是水體的pH值、溶解氧以及總磷,因此控制這3個因素是預(yù)防藻類爆發(fā)的重要途徑.

逐步聚類分析；水庫；浮游藻類；預(yù)測

近年來,由于入庫污染物急劇增加,許多水庫的水質(zhì)也不斷惡化,富營養(yǎng)化發(fā)展迅速,已對城市供水安全構(gòu)成威脅［1］.藻類的大量繁殖是水庫富營養(yǎng)化的主要表現(xiàn)形式,因此,預(yù)測藻類的生長情況有助于保障水庫的健康安全.葉綠素a含量與浮游藻類的數(shù)量密切相關(guān),可以在一定程度上反映水質(zhì)狀況,是判斷水體富營養(yǎng)化的重要指標(biāo)之一［2-4］.

目前,水質(zhì)預(yù)測模式大致可以分為4類：數(shù)理統(tǒng)計(jì)法［5-6］、神經(jīng)網(wǎng)絡(luò)模型［7-8］、水質(zhì)模擬模型［9-10］和混沌理論預(yù)測法［11-12］等.仝玉華等［13］利用常規(guī)監(jiān)測的水生生態(tài)數(shù)據(jù)提出了一種結(jié)合時序方法的可自優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)智能預(yù)測模型,羅華軍等［14］將支持向量機(jī)（SVM）法與遺傳算法（GA）相結(jié)合,建立了基于GA-SVM的水庫葉綠素a濃度非線性時間序列的短期預(yù)測模型.在諸多影響葉綠素a含量的水質(zhì)和氣象因子中,存在連續(xù)變量和離散變量,而且由于區(qū)域水環(huán)境系統(tǒng)的復(fù)雜性,水質(zhì)與各影響因素之間的非線性關(guān)系也十分復(fù)雜,單因素預(yù)測結(jié)果和多元線性預(yù)測結(jié)果［15］可能難以客觀反映湖泊、河流、水庫等的水質(zhì)狀況,多元非線性的預(yù)測模型已成為葉綠素a含量預(yù)測的必然發(fā)展趨勢.逐步聚類分析法的核心在于根據(jù)一定的準(zhǔn)則將因變量的樣本進(jìn)行分割或者合并形成新的樣本,并根據(jù)自變量的值判斷因變量應(yīng)歸屬于哪個新樣本.在分割和合并的過程中建立預(yù)測模型,可以利用新的自變量值進(jìn)行因變量的預(yù)測,它在處理離散變量和連續(xù)變量,以及變量間的非線性關(guān)系上,具有更優(yōu)越的性能.這種方法適應(yīng)能力強(qiáng),精度高,適用于非線性,非齊次等問題.因此,采用逐步聚類分析算法對葉綠素a含量的進(jìn)行預(yù)測,已成功應(yīng)用于氣候變化［16］和環(huán)境研究［17］等領(lǐng)域.然而,由于影響葉綠素a含量的因素比較復(fù)雜,且相關(guān)數(shù)據(jù)信息不易搜集,建立模型難度較大,采用逐步聚類分析法對水質(zhì)進(jìn)行預(yù)測的應(yīng)用較少.

作為天津市重要的飲用水水源地和引灤入津工程最大的調(diào)蓄水庫,于橋水庫承擔(dān)著天津市的供水重任.由于水庫上游流域及庫區(qū)周邊經(jīng)濟(jì)迅猛發(fā)展,近年來污染負(fù)荷驟增,對水庫水質(zhì)威脅日益嚴(yán)重.本文采用逐步聚類分析這一多元非線性模型對于橋水庫浮游藻類的生長情況進(jìn)行分析預(yù)測,選取了1999～2006年7個水質(zhì)和氣象因子的56組數(shù)據(jù)建立逐步聚類分析模型,其結(jié)果用于預(yù)測2007～2010年的葉綠素a含量.

1　研究方法

1.1研究區(qū)域概況

于橋水庫（圖 1）位于 117o25′E,40o02'N,坐落于天津市北部薊縣城東4km的州河上,距離天津市市區(qū)115km,屬于山谷與平原過渡型盆底水庫,控制面積為 2060km2.于橋水庫始建于 1959 年,1982年成為引灤入津輸水工程的調(diào)蓄水庫.壩高 28.72m,正常蓄水位 21.16m,汛限水位19.87m,興利庫容3.85億m3［18］.

于橋水庫流域?qū)倥瘻貛О霛駶櫞箨懶约撅L(fēng)氣候,四季分明,平均氣溫 11.5℃；平均降水量750mm,降水量年內(nèi)分配不均,多集中在汛期 7～9月；平均蒸發(fā)量1000mm；日照充足,年均日照時數(shù)為 2843h；風(fēng)向季節(jié)變化明顯,冬季因蒙古高壓影響,西北風(fēng)及北風(fēng)較多,夏季則以東南風(fēng)及南風(fēng)為主.水庫內(nèi)的河流發(fā)源于燕山山脈,屬于薊運(yùn)河左支周河水系,為海河流域重要水系之一.區(qū)域降水豐沛,河網(wǎng)密度大,水系發(fā)育程度較高.流域內(nèi)主要匯入河流為沙河、黎河和淋河.

圖1　于橋水庫流域水系Fig.4　The drainage system of Yuqiao Reservoir watershed

于橋水庫是天津市重要的供水水源地,也是引灤入津工程最大的調(diào)蓄水庫,并承擔(dān)著城市供水的重任.然而,自引灤通水以來,水庫的富營養(yǎng)化狀態(tài)已經(jīng)由初期的“貧中”水平發(fā)展至目前的“中富”水平.與20世紀(jì)80年代相比,水庫水體中營養(yǎng)鹽含量明顯增加（總磷增加2倍多）,浮游植物也增長了1.25倍.水庫富營養(yǎng)化程度的急劇增長,對天津市飲用水源地的安全構(gòu)成了嚴(yán)重威脅［19］.

1.2研究方法

1.2.1預(yù)測方法 逐步聚類分析（SCA）推廣并發(fā)展了自動變量判別迭代算法A.1.D.（Automatic Interaction Detection）［20］,基本原理是根據(jù)給定的標(biāo)準(zhǔn)對樣本進(jìn)行一分為二的分割和合二為一的歸并,直到使所有的樣本進(jìn)入相應(yīng)的類中［16］.分類和合并的標(biāo)準(zhǔn)由一系列根據(jù) Wilks準(zhǔn)則進(jìn)行的F檢驗(yàn)構(gòu)成.該方法可以有效處理自變量和因變量之間復(fù)雜的非線性關(guān)系,并且能夠處理連續(xù)及離散型隨機(jī)變量.假設(shè)有m個獨(dú)立自變量,可以表示為 x=（x1，x2，…，xm）,p個因變量可以表示為y=（y1，y2，…，yp）.因此,所有的數(shù)據(jù)可以組成矩陣X=（Xtr）n×m,Y=（Yti）n×p,其中r=1,2,…,m； i=1,2,…,p.

假設(shè)將含有nh個樣本的類h分為2個子類e 和f （類e和f分別含有樣本ne個和nf個,ne+nf=nh）根據(jù) Wilks似然率準(zhǔn)則,如果分割點(diǎn)最佳,Wilks 值 Λ（Λ=|W|/|T|）應(yīng)該最小,其中 T是總樣本矩陣｛tij｝,|T|是矩陣｛tij｝的行列式,W是組內(nèi)矩陣｛wij｝,|W|是矩陣｛wij｝的行列式.當(dāng) Λ值非常大時, 類e和f不能再分,必須被合并到上一級的類h 中.通過F-近似（R-統(tǒng)計(jì)量）,得到：

式中：統(tǒng)計(jì)量 R近似服從自由度 v1=P?（K-1）和v2=P?（K-1）/2+1的F分布.K是組數(shù),P是因變量個數(shù).當(dāng)P=1或2,或K=2或3時,R-統(tǒng)計(jì)量將簡化為一個精確的F-統(tǒng)計(jì)量：

因此,聚類分割和合并的標(biāo)準(zhǔn)就變?yōu)橐恍┝械腇檢驗(yàn).

假設(shè) e’是新樣本所進(jìn)入的聚類末端,則因變量的預(yù)測值｛yi｝可以表示為：

1.2.2敏感性分析 為分析模型輸入的各個因子對葉綠素a濃度影響程度的大小,確定對葉綠素a濃度變化起主導(dǎo)作用的變量,本文對逐步聚類分析模型進(jìn)行了敏感性分析［21］.依次將模型的7個輸入因子的實(shí)測值加、減10%,建立14個敏感度的測試數(shù)據(jù)組.然后將這些數(shù)據(jù)輸入模型,對干擾前后的葉綠素a濃度進(jìn)行計(jì)算,通過計(jì)算結(jié)果變化分析其敏感性.敏感度計(jì)算公式如下：

式中：C’表示輸入變量變化后葉綠素a濃度的輸出值,C表示輸入變量變化前葉綠素a濃度的輸出值,N為輸出值的個數(shù).

1.3數(shù)據(jù)

藻類的大量繁殖需具備3個條件：營養(yǎng)鹽成分充足；水流緩滯；適宜的溫度和光照［22］.因此采用于橋水庫庫心 1999～2010年與藻類生長關(guān)系密切的7個水質(zhì)因子：溶解氧（DO） x1、高錳酸鹽指數(shù)（MN） x2、總磷（TP） x3、氮磷比（NP） x4、水溫（WT） x5、pH值（PH） x6和硝酸鹽（NO） x7以及4個氣象因子：氣壓（AP） x8、氣溫（T） x9、風(fēng)速（WS）x10、光照時數(shù)（SH） x11的數(shù)據(jù)作為藻類生長的影響因子［23-27］,即模型的自變量 x.水質(zhì)數(shù)據(jù)為庫心監(jiān)測值,采樣時間為每月月底，監(jiān)測頻率一般為每月1次，氣象數(shù)據(jù)來源于中國氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)，為天津1999～2010年逐日氣象資料.

于橋水庫的浮游藻類有藻類7門58種,其中,硅藻20種,藍(lán)藻15種,為于橋水庫的優(yōu)勢種屬［19］.在各個綱目的浮游藻類中,葉綠素含量是所有色素含量中最大的,且葉綠素 a 約占有機(jī)物干重的 1%至 2%.此外,葉綠素 a含量在存活的浮游藻類中含量較高而在死亡的浮游藻類,浮游動物或者無機(jī)漂浮物中含量很少,因此葉綠素 a 的含量可作為表征藻類生物總量的優(yōu)良指標(biāo).本文采用葉綠素a濃度（mg/L）代表于橋水庫浮游藻類生物量,即模型的因變量y.葉綠素a濃度數(shù)據(jù)采用 1999～2010年于橋水庫庫心監(jiān)測點(diǎn)水面下0.5,1.5,2.5,3.5m 4層取水監(jiān)測的平均值,監(jiān)測頻率與水質(zhì)數(shù)據(jù)相同.

對自變量和因變量數(shù)據(jù)進(jìn)行單變量相關(guān)性分析的結(jié)果見表1,最后一列P值為各個自變量與因變量y進(jìn)行相關(guān)性檢驗(yàn)的顯著性水平,可以看出x1、x2、x3、x5、x6、x9和x10與 y 的相關(guān)性系數(shù)要高于其他自變量（按照相關(guān)性系數(shù)大小排序依次為：x2＞x5＞x9＞x6＞x1＞x10＞x3）,且均通過P＜0.01的顯著性檢驗(yàn),因此選取這7個自變量作為訓(xùn)練模型的自變量x.除此之外,部分自變量之間也具有顯著相關(guān)性（P＜0.01）,如 x1與 x5的相關(guān)系數(shù)為-0.71（P= 9.21×10-15）,x9與 x10的相關(guān)系數(shù)達(dá)到-0.85（P= 7.32×10-26）.由于變量之間顯著相關(guān),利用單變量統(tǒng)計(jì)方法難以準(zhǔn)確反映于橋水庫葉綠素a含量與水質(zhì)、氣象因子之間的關(guān)系,應(yīng)采用多變量統(tǒng)計(jì)方法處理,因此選用逐步聚類分析法.

表1　各個影響因子與葉綠素a含量相關(guān)性分析結(jié)果Table 1　Correlation analysis between chlorophyll-a content and affecting factors

水質(zhì)、氣象因子和葉綠素a含量數(shù)據(jù)共86 組,選取1999～2006年的56組數(shù)據(jù)對模型進(jìn)行訓(xùn)練和驗(yàn)證,通過訓(xùn)練樣本建立自變量與葉綠素 a含量（y）之間的關(guān)系.剩余2007～2010年30組自變量數(shù)據(jù)輸入模型預(yù)測葉綠素a含量,與實(shí)測值進(jìn)行對比.

2　模型建立與驗(yàn)證

2.1模型建立

聚類分析的結(jié)果是以葉綠素 a含量的聚類樹（圖 2（a））的形式給出的,這種預(yù)測系統(tǒng)可以靈活反應(yīng)原始數(shù)據(jù)的變化.分割和合并的標(biāo)準(zhǔn)取決于P值：當(dāng)P＜0.05時對子類進(jìn)行分割,當(dāng)P＞0.05時則將兩個子類進(jìn)行合并.P為F檢驗(yàn)的顯著性水平,當(dāng)P＞0.05時說明2個子類沒有明顯統(tǒng)計(jì)差異.基于訓(xùn)練 56組數(shù)據(jù)得到聚類樹之后,可以輸入各組自變量預(yù)測葉綠素a含量.具體預(yù)測過程是根據(jù)各個自變量數(shù)據(jù)的值判別樣本進(jìn)入哪一分支,經(jīng)過多次判別篩選,樣本最終落入的終端分支即為因變量的預(yù)測值.將圖 2（a）中加粗標(biāo)記的分支整理為圖2（b）,以2007年4月24日的數(shù)據(jù)為例說明預(yù)測過程.2007年4月24日各個自變量數(shù)據(jù)為：x1=10, x2=3.3, x3=0.02, x5=15, x6=8.4, x9=169, x10=32.由于 x5=15＜21,因此落入分支 2；而后x1=10＜10.3,落入分支20；x2=3.3,落入分支22.以此類推,根據(jù)各個自變量值不斷篩選,樣本最終落入分支64,得到2007年4月24日葉綠素a含量的預(yù)測值為0.004.

2.2模型驗(yàn)證

根據(jù)訓(xùn)練數(shù)據(jù)得到的聚類樹可以建立相應(yīng)的聚類分析模型,將1999～2006年的56組自變量數(shù)據(jù)輸入模型進(jìn)行驗(yàn)證,可以看出葉綠素a濃度的模擬值與實(shí)際值擬合較好（圖 3（a））,二者變化趨勢基本一致.由圖3（b）可知,葉綠素a含量的實(shí)測值與模擬值的線性相關(guān)系數(shù)R達(dá)到0.95.因此,所建立的基于逐步聚類分析的水庫浮游藻類生長預(yù)測模型具有較高的精度,可以用于預(yù)測2007～2010年葉綠素a含量.

圖2　葉綠素a含量的聚類樹Fig.4　The cluster tree of the chlorophyll-a content

圖3　1999～2006年葉綠素a含量實(shí)測值與模擬值對比Fig.4　The comparison between measured and simulated values of chlorophyll-a content during 1999～2006

3　結(jié)果與討論

建立了綠素a含量的聚類分析模型后，輸入剩余30組數(shù)據(jù)對葉綠素a含量進(jìn)行預(yù)測,所得預(yù)測結(jié)果與實(shí)測值的對比見圖4,從圖4可以看出,實(shí)測值與預(yù)測值的變化趨勢基本一致,相關(guān)系數(shù)R達(dá)到0.94,相關(guān)性較好.

由葉綠素 a含量預(yù)測值的統(tǒng)計(jì)結(jié)果（表 2）得出,預(yù)測值的平均絕對誤差為-0.0007,平均相對誤差為21.66%,30組預(yù)測結(jié)果中有16組相對誤差（53.3%）低于平均值.由葉綠素 a含量的預(yù)測結(jié)果可以看出,逐步聚類分析法可以快速準(zhǔn)確的根據(jù)輸入的自變量數(shù)據(jù)對因變量進(jìn)行有效預(yù)測.然而,圖4（a）和表2表明逐步聚類分析法得出的部分預(yù)測值低于實(shí)測值（16組）,這主要是原始數(shù)據(jù)的觀測和計(jì)算誤差以及水動力和氣象條件在時間上的變化引起.于橋水庫每年2次調(diào)水期為4月底至6月底和9月底至12月底,夏季汛期6～9月較易形成對藻類起聚集作用的環(huán)流［25］.對這16組數(shù)據(jù)進(jìn)行分析發(fā)現(xiàn),預(yù)測值低于實(shí)測值的情況多出現(xiàn)在 2007～2010年的 6～9月,即夏季汛期.這一時期氣溫升高,水流緩慢,利于藻類繁殖和聚集,因此葉綠素 a含量較高,模型預(yù)測值低于實(shí)測值.

圖4　2007～2010年葉綠素a含量實(shí)測值與預(yù)測值對比Fig.4　The comparison between measured and predicted values of chlorophyll-a content during 2007～2010

由圖5可得,pH值,溶解氧DO和總磷TP的變化對葉綠素a濃度影響比較大,且正相關(guān)性較強(qiáng).這一結(jié)果與張克鑫［28］、杜喬喬［29］、Wei［30］的研究結(jié)果一致,pH值,溶解氧DO和總磷TP對葉綠素 a濃度的影響均占主導(dǎo)地位且呈較強(qiáng)正相關(guān)關(guān)系.水中藻類細(xì)胞的不斷增長直接導(dǎo)致水質(zhì)變得渾濁,即透明度降低,藻類光合作用減弱、隨之碳酸根離子增加,pH值增大；水庫水體中溶解氧的增加引起了藻類的大量繁殖,進(jìn)而增加了水體中葉綠素a濃度；總磷是浮游藻類生長的營養(yǎng)鹽,是影響葉綠素a濃度的重要環(huán)境因子,其含量的增加會使水體浮游植物的生物量增加.敏感性分析的結(jié)果表明,pH值,溶解氧和總磷的變化是葉綠素a濃度的敏感因子,也是藻類爆發(fā)的主要驅(qū)動因素.因此,控制 pH值、溶解氧以及總磷的含量對藻類爆發(fā)的防治具有重要意義.

表2　葉綠素a含量預(yù)測結(jié)果統(tǒng)計(jì)Table 1　The statistics for predicted values of chlorophyll-a content

圖5　葉綠素a含量對不同變量加、減10%的敏感度Fig.4　The sensitivity of chlorophyll-a content to the disturbance （±10%） of different variables

于橋水庫大量引水,氣溫升高以及水生植物的生長均會引起 pH值升高［31］；水中溶解氧的含量與空氣中氧的含量、水溫和浮游植物的生長有密切關(guān)系；總磷含量主要與水庫上游來水有關(guān).由于難以通過調(diào)節(jié)氣候條件或頻繁清理浮游植物控制敏感因子的變化,進(jìn)行輸水調(diào)度是優(yōu)先考慮的手段之一.主要措施有：在水庫上游設(shè)立前置庫減少引灤輸水和河道洪水污染負(fù)荷的直接入庫量；控制于橋水庫的水位在較高水平,減少水生植物獲得的光照；合理安排引水時間,由圖 6可知,近年來于橋水庫 pH值沒有明顯的年際變化,但從每年5月開始pH值逐漸升高,在5～9月之間形成一個高值期.因此,引水時間應(yīng)該避開 5～9月,這一時期氣溫較高,水生植物生長旺盛,如果大規(guī)模引水易造成 pH值顯著升高,富營養(yǎng)化加劇等問題；通過生物治理抑制浮游藻類的生長,如水生動物的捕食和水生植物的競爭作用,加強(qiáng)漁政管理工作.除以上措施之外,庫區(qū)流域的水質(zhì)監(jiān)管也不容忽視：汛期應(yīng)加強(qiáng)水庫水質(zhì)監(jiān)測,根據(jù)各項(xiàng)水質(zhì)指標(biāo),尤其是pH值,溶解氧,總磷等敏感性指標(biāo)判斷浮游藻類大量爆發(fā)的可能性；對上游排污企業(yè)加強(qiáng)管理,廢水達(dá)標(biāo)排放；對水庫周邊地區(qū)的生活廢水進(jìn)行集中處理,控制農(nóng)藥和化肥的使用量.

圖6　2006～2010年于橋水庫逐月pH值變化Fig.4　Monthly pH values during 2006～2010

逐步聚類分析方法推廣并發(fā)展了單指標(biāo)A.1.D.算法, 提出了一個多指標(biāo)聚類算法,可以有效處理連續(xù)和不連續(xù)變量以及變量之間的非線性關(guān)系.在對葉綠素a含量的預(yù)測中,所有自變量中均包含了葉綠素a含量的信息,聚類分析的結(jié)果由聚類樹給出,形成了一個可以靈活反映輸入數(shù)據(jù)變化的預(yù)測系統(tǒng).

對于水質(zhì)預(yù)測的研究具有兩方面意義：首先,引入了一種新的水質(zhì)預(yù)測的方法.大量的葉綠素a含量預(yù)測研究只針對線性和連續(xù)變量而很少考慮離散變量和他們之間的非線性關(guān)系.但逐步聚類模型在預(yù)測夏季汛期葉綠素a含量時有一定偏差,仍有待改進(jìn).其次,逐步聚類分析實(shí)現(xiàn)了在聚類過程中處理多元變量,研究結(jié)果表明這一方法對于水質(zhì)預(yù)測是有效的,可以繼續(xù)發(fā)展和應(yīng)用.

4　結(jié)論

4.1采用逐步聚類分析法進(jìn)行了于橋水庫藻類生長情況的預(yù)測.在計(jì)算中選取1999～2006年的溶解氧、高錳酸鹽指數(shù)、總磷、水溫、pH值、氣溫、風(fēng)速這7個影響因子作為自變量,葉綠素a含量作為因變量建立逐步聚類分析模型,聚類分析的結(jié)果用于預(yù)測2007～2010年葉綠素a含量.預(yù)測值與實(shí)際值相關(guān)性較好,相關(guān)系數(shù)達(dá)到0.94,且預(yù)測值與實(shí)際值的平均相對誤差為21.66%,表明這一方法對于短期預(yù)測是可行的.

4.2對影響葉綠素a含量的7個影響因子進(jìn)行了敏感性分析,結(jié)果表明pH值、溶解氧以及總磷對葉綠素a含量的影響最為顯著,因此控制于橋水庫pH值、溶解氧和總磷是防治藻華的重要方法之一.

［1］ 金丹越,黃艷菊.天津于橋水庫主要環(huán)境問題及其防治對策 ［J］.環(huán)境科學(xué)研究, 2004,17（z1）：77-79.

［2］ Dimberg P H, Hytteborn J K, Bryhn A C, Predicting median monthly chlorophyll-a concentrations ［J］. Limnologica-Ecology and Management of Inland Waters, 2013,43（3）：169-176.

［3］ 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(bào), 2011（2）：91-99.

［4］ 武春芳,徐明德,李 璐,等.太原市迎澤湖富營養(yǎng)化控制的模型研究 ［J］. 中國環(huán)境科學(xué), 2014,34（2）：485-491.

［5］ Cho K H, Kang J H, Ki S J, et al. Determination of the optimal parameters in regression models for the prediction of chlorophyll-a： A case study of the Yeongsan Reservoir, Korea ［J］. Science of the Total Environment, 2009,407（8）：2536-2545.

［6］ ?amdevyren H, Demyr N, Kanik A, et al. Use of principal component scores in multiple linear regression models forprediction of Chlorophyll-a in reservoirs ［J］. Ecological Modelling, 2005,181（4）：581-589.

［7］ Mulia I E, Tay H, Roopsekhar K, et al. Hybrid ANN-GA model for predicting turbidity and chlorophyll-a concentrations ［J］. Journal of Hydro-environment Research, 2013,7（4）：279-299.

［8］ Cho S, Lim B, Jung J, et al. Factors affecting algal blooms in a man-made lake and prediction using an artificial neural network ［J］. Measurement, 2014,53：224-233.

［9］ Zhao X, Zhang H, Tao X. Predicting the short-time-scale variability of chlorophyll a in the Elbe River using a Lagrangianbased multi-criterion analog model ［J］. Ecological Modelling, 2013,250：279-286.

［10］ 李本綱,陶 澍,曹 軍.水環(huán)境模型與水環(huán)境模型庫管理 ［J］.水科學(xué)進(jìn)展, 2002,13（1）：14-20.

［11］ Zaldivar J, Gutiérrez E, Galván I, et al. Forecasting high waters at Venice Lagoon using chaotic time series analysis and nonlinear neural networks ［J］. Journal of Hydroinformatics, 2000,2：61-84.

［12］ 徐 敏,曾光明,謝更新,等.混沌理論在河流溶解氧預(yù)測中的應(yīng)用初探 ［J］. 環(huán)境科學(xué)學(xué)報(bào), 2003,23（6）：776-780.

［13］ 仝玉華,周洪亮,黃浙豐,等.一種自優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的葉綠素a濃度時序預(yù)測模型 ［J］. 生態(tài)學(xué)報(bào), 2011,22：6788-6795.

［14］ 羅華軍,劉德富,黃應(yīng)平.基于遺傳算法-支持向量機(jī)的水庫葉綠素 a濃度短期預(yù)測非線性時序模型 ［J］. 水利學(xué)報(bào), 2009,1：46-51.

［15］ 李如忠.水質(zhì)預(yù)測理論模式研究進(jìn)展與趨勢分析 ［J］. 合肥工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）, 2006,1：26-30.

［16］ Wang X, Huang G, Lin Q, et al. A stepwise cluster analysis approach for downscaled climate projection-A Canadian case study ［J］. Environmental Modelling and Software, 2013,49：141-151.

［17］ Wang S, Huang G H, He L. Development of a clusterwiselinear-regression-based forecasting system for characterizing DNAPL dissolution behaviors in porous media ［J］. Science of the Total Environment, 2012,433（7）：141-150.

［18］ 馮 平,牛軍宜,張 偉.于橋水庫流域年降水的豐枯規(guī)律及其補(bǔ)償特性研究 ［J］. 資源科學(xué), 2010,6：1127-1132.

［19］ 仝玉華.庫區(qū)藻類水華短期預(yù)測研究 ［D］. 杭州：浙江大學(xué), 2012.

［20］ Althuwaynee O F, Pradhan B, Park H J, et al. A novel ensemble decision tree-based CHi-squared Automatic Interaction Detection （CHAID） and multivariate logistic regression models in landslide susceptibility mapping ［J］. Landslides, 2014,11（6）：1063-1078.

［21］ 張成成,陳求穩(wěn),徐 強(qiáng),等.基于支持向量機(jī)的太湖梅梁灣葉綠素a濃度預(yù)測模型 ［J］. 環(huán)境科學(xué)學(xué)報(bào), 2013,10：2856-2861.

［22］ 龍?zhí)煊?周鵬瑞,吳 磊.環(huán)境因子對香溪河春季藻類生長影響的模擬實(shí)驗(yàn) ［J］. 中國環(huán)境科學(xué), 2011,31（2）：327-331.

［23］ 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(bào), 2004,24（2）：246-251.

［24］ 李 賀,劉春光,樊 娟,等.BP神經(jīng)網(wǎng)絡(luò)在河流葉綠素a濃度預(yù)測中的應(yīng)用 ［J］. 中國給水排水, 2009,25（5）：75-79.

［25］ 李 博,孫冬梅,馮 平,等.于橋水庫浮游藻類時空分布規(guī)律的數(shù)值模擬研究 ［J］. 中國環(huán)境科學(xué), 2013,33（3）：508-515.

［26］ 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.

［27］ 吳雅麗,許 海,楊桂軍,等.太湖春季藻類生長的磷營養(yǎng)鹽閾值研究 ［J］. 中國環(huán)境科學(xué), 2013,33（9）：1622-1629.

［28］ 張克鑫.2種不同內(nèi)陸水體浮游藻類發(fā)生動態(tài)及預(yù)測模型構(gòu)建［D］. 寧波：寧波大學(xué), 2011.

［29］ 杜喬喬,顏 坤.基于 PCA的于橋水庫富營養(yǎng)化因子分析 ［J］.水資源與水工程學(xué)報(bào), 2013,2：212-214.

［30］ Wei B, Sugiura N, Maekawa T. Use of artificial neutral network in the prediction of algal blooms ［J］. Water Research, 2001,35（8）：2022-2028.

［31］ 朱海燕,戴學(xué)穎,王可玉.于橋水庫pH值變化原因分析及可調(diào)控措施 ［J］. 水科學(xué)與工程技術(shù), 2010,1：40-42.

Prediction of the alga growth in a reservoir based on the stepwise cluster analysis.

CHANG Chun1*, FENG Ping1, SUN Dong-mei1, ZHANG Kai2（1.State Key Laboratory of Hydraulic Engineering Simulation and Safety, Tianjin University, Tianjin 300072, China；2.Tianjin Hydraulic Science Research Institute, Tianjin 300061, China）.

China Environmental Science, 2015,35（9）：2805～2812

The stepwise cluster analysis （SCA） was employed to predict the chlorophyll-a content of alga in Yuqiao Reservoir. A SCA model was firstly developed based on 56 data sets of 7factors related to water quality and meteorology from 1999 to 2006, which was used to predict the chlorophyll-a content from 2007 to 2010. The predicted values matched the measured values well with the average absolute error of -0.0007 and the average relative error of 21.66%, and the correlation coefficient is 0.94. It showed that SCA was effective to predict the chlorophyll-a content in Yuqiao Reservoir. The sensitivity analysis were also performed, the results showed that pH value, total phosphorus content and dissolved oxygen had more significant impacts on the alga growth in Yuqiao Reservoir. Therefore, it is an important way to prevent algal blooms by controlling the above 3 factors.

stepwise cluster analysis；reservoir；alga；prediction

X524

A

1000-6923（2015）09-2805-08

2015-01-13

國家自然科學(xué)基金 （51179117）；國家水體污染控制與治理科技重大專項(xiàng)（2014ZX07203-009）

*責(zé)任作者, 博士, changchun90319@hotmail.com

常 淳（1990-）,女,天津人,天津大學(xué)博士研究生,主要從事水文學(xué)水環(huán)境問題研究.發(fā)表論文1篇.