基于神經(jīng)網(wǎng)絡(luò)的城市內(nèi)湖水華預(yù)警綜合建模方法研究

鄭劍鋒,焦繼東,孫力平,2(.天津城建大學(xué)環(huán)境與市政工程學(xué)院,天津 300384；2.天津市水質(zhì)科學(xué)與技術(shù)重點實驗室,天津 300384)

環(huán)境生態(tài)

基于神經(jīng)網(wǎng)絡(luò)的城市內(nèi)湖水華預(yù)警綜合建模方法研究

鄭劍鋒1,2*,焦繼東1,孫力平1,2(1.天津城建大學(xué)環(huán)境與市政工程學(xué)院,天津 300384；2.天津市水質(zhì)科學(xué)與技術(shù)重點實驗室,天津 300384)

針對城市內(nèi)湖水華產(chǎn)生過程存在復(fù)雜性、時變性、不確定性等特點,運用內(nèi)集-外集、粗糙集約簡和RBF神經(jīng)網(wǎng)絡(luò)模型,通過水華藻生物量閾值界定、風(fēng)險概率計算、預(yù)警等級劃分、預(yù)警因子識別和神經(jīng)網(wǎng)絡(luò)預(yù)測模型的研究,提出一種城市內(nèi)湖水華預(yù)警綜合建模方法.以天津清凈湖為例,利用pH值、水溫等12項水質(zhì)指標(biāo)監(jiān)測數(shù)據(jù),確定清凈湖水華的葉綠素a濃度閾值為70.98μg/L,依據(jù)水華風(fēng)險概率劃分5個水華預(yù)警等級,并確定水溫、溶解氧、高錳酸鹽指數(shù)和TDS為水華預(yù)警因子.利用RBF神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建清凈湖水華預(yù)警模型,驗證結(jié)果顯示,模型預(yù)測精度達(dá)85.7%,表明該方法能較好地用于城市內(nèi)湖水華預(yù)警模型構(gòu)建.

水華；風(fēng)險概率；預(yù)警等級；預(yù)警因子；預(yù)警模型

水華災(zāi)害是當(dāng)今世界上重大的水環(huán)境問題.近年來,太湖[1]、滇池[2]、巢湖[3]等湖泊水華頻發(fā),水環(huán)境和生態(tài)系統(tǒng)健康受到極大影響.與自然湖泊相比,城市內(nèi)湖相對封閉,水體自凈能力差,加上城市劇烈的人類活動影響,其富營養(yǎng)化及由此帶來的水華問題更為突出[4].水華預(yù)警是對水華災(zāi)害實行分級防御的一種有效方法,其目的是在水華災(zāi)害發(fā)生前,根據(jù)實時風(fēng)險狀態(tài)評估和歷史警報統(tǒng)計分析,判別水華發(fā)生的可能性,預(yù)先進行警示,繼而有針對性地做出預(yù)先性防控措施.然而,由于水華產(chǎn)生過程具有突發(fā)性、復(fù)雜性、時變性等特點[5-6],其準(zhǔn)確預(yù)測一直是環(huán)保工作者面臨的難題.

水華預(yù)警模型主要分機理模型和非機理模型.機理模型是以生態(tài)動力學(xué)為理論基礎(chǔ)[7-8],用以模擬與預(yù)測水生態(tài)變化,如WASP[9-10]、QUALⅡ[11-12]、MIKE[13]模型,但機理模型通常結(jié)構(gòu)復(fù)雜、參數(shù)眾多.非機理模型屬數(shù)據(jù)驅(qū)動模型是利用數(shù)學(xué)模型定量描述水華指示性指標(biāo)與環(huán)境因子間的關(guān)系,如回歸模型[14-15]、決策樹模型[16-17]、神經(jīng)網(wǎng)絡(luò)模型[18-19]等,由于非機理所需模型參數(shù)少、建模和計算過程快速簡便,在實際工作中更受青睞.其中,神經(jīng)網(wǎng)絡(luò)技術(shù)具有強大的非線性問題處理能力、自學(xué)習(xí)功能強等特點,在國內(nèi)外富營養(yǎng)化和水華預(yù)警中廣泛應(yīng)用[20],但在實際建模中常面臨以下問題:①水華發(fā)生機理和臨界特征尚不明確,如何表征水華風(fēng)險及其風(fēng)險等級尚未有定論;②驅(qū)動水華產(chǎn)生的環(huán)境因子眾多,如何從眾多環(huán)境因子中識別主要驅(qū)動因子作為水華預(yù)警因子,亦缺乏成熟統(tǒng)一的研究方法;③水華是水生態(tài)系統(tǒng)中營養(yǎng)物質(zhì)長期累積的結(jié)果,是由量變到質(zhì)變、由漸變到突變的狀態(tài)階躍過程,這要求數(shù)學(xué)模型能夠體現(xiàn)這種非連續(xù)的、階躍式的特征,選取合適的神經(jīng)網(wǎng)絡(luò)模型是建模的關(guān)鍵.

本文旨在綜合利用內(nèi)集-外集模型、粗糙集約簡算法和RBF神經(jīng)網(wǎng)絡(luò)模型等一系列數(shù)學(xué)方法,提出一套完整的水華預(yù)警建模方法.以天津清凈湖為例,對此方法進行應(yīng)用與驗證,以期為城市內(nèi)湖水華預(yù)警提供一種科學(xué)的建模方法.

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

天津清凈湖位于117°44′39″～117°45′40″E、39°8′38″～39°9′41″N,距渤海海岸線不足 1km,水面面積 2.58km2,平均水深 2m,蓄水量約 560萬m3,水體含鹽量在 3‰～14‰范圍,屬濱海地區(qū)混鹽型淺水湖泊.清凈湖兼具景觀、娛樂和雨洪調(diào)蓄等功能,由于潔凈水資源嚴(yán)重匱乏,清凈湖補水主要來自雨水、過境水等低質(zhì)水源,加上水體相對封閉、自凈能力差,清凈湖一直面臨富營養(yǎng)化加劇及由此帶來的水華問題,5-10月以銅綠微囊藻為優(yōu)勢藻的片狀水華在局部水域時有發(fā)生.

1.2 數(shù)據(jù)采集

本課題組于2013年5月至2014年12月對清凈湖水質(zhì)進行采樣測試分析(1、2月冰封期暫停),每月采樣2-4次,共取得51組數(shù)據(jù).指標(biāo)包括pH值、水溫、照度、溶解氧、透明度、氨氮、總氮、正磷酸鹽、總磷、高錳酸鹽指數(shù)、TDS和葉綠素a共12項水質(zhì)指標(biāo),其中pH、水溫、溶解氧、光照強度、透明度和TDS于現(xiàn)場測定,氨氮、總氮、正磷酸鹽、總磷、高錳酸鹽指數(shù)和葉綠素a帶回實驗室分析測定[21].

1.3 研究方法

1.3.1 內(nèi)集-外集模型 內(nèi)集-外集模型由黃崇福提出,是針對自然災(zāi)害風(fēng)險評估中實際存在的信息不完備困難,基于小樣本案例信息擴散評估思想,用于計算樣本事件的可能性-概率分布,以表達(dá)小樣本情況下概率估計的模糊性[22-23].該模型以小容量災(zāi)害事件觀測樣本 X={xi|i=1,2,…,n}為對象,記 U={u1,u2,…,um}為樣本 X的離散論域,xi向ui的靠近程度記qij,由式(1)定義:

式中:xi為觀測值,uj為控制點,Δ為步長.令I(lǐng)j=[uj-Δ/2,uj+Δ/2],使用式(1)對給定的樣本X計算出各樣本點游離或漂入?yún)^(qū)間Ij的可能性ijq?或ijq+,從而在區(qū)間論域 I={Ij|j=1,2,…,m}和離散概率論域P={pk|k=1,2,…,n}上計算出災(zāi)害事件Ij發(fā)生的概率 pk的可能性πIj(pk),其全體ΠI,p={πIj(p)}是一個可能性-概率分布,也稱為可能性-概率風(fēng)險.

1.3.2 粗糙集 約簡粗糙集由 Pawlak于提出,是一種描述不確定性和不完備性的數(shù)學(xué)方法[24].知識約簡是粗糙集理論的核心內(nèi)容之一,是在保持原始決策表的條件屬性和決策屬性間依賴關(guān)系不發(fā)生變化前提下,刪除不相關(guān)冗余屬性,提取最能反映系統(tǒng)特征的屬性,使知識系統(tǒng)達(dá)到最簡化.粗糙集約簡以信息系統(tǒng)為研究對象,表示為S= {U,A,V,f},其中 U 為論域,A 為屬性集,A=C∪D, C∩D=?;C、D分別為條件屬性集和決策屬性集; V為A的值域; f是U→V的信息函數(shù),它為每個對象的每個屬性賦予一個信息值.具有條件屬性和決策屬性的知識表達(dá)系統(tǒng)稱為決策表,決策表中的屬性并非同等重要,其中某些屬性是冗余的,若存在屬性子集 Q∈C,對于決策屬性D的分類能力不變,且Q相對D獨立,則Q稱為C的D相對約簡.相對約簡的計算可采用區(qū)分函數(shù),區(qū)分函數(shù)的極小范式中的所有合取式就是屬性集C的所有D相對約簡.

1.3.3 RBF神經(jīng)網(wǎng)絡(luò) 徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)是以函數(shù)逼近理論為基礎(chǔ)的單隱層前潰網(wǎng)絡(luò),隱含層采用對局部響應(yīng)的徑向基函數(shù)作為激勵函數(shù),具有結(jié)構(gòu)簡單、訓(xùn)練速度快和與初始權(quán)值無關(guān)等優(yōu)良特性[25].在 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中,X=[x1, x2,…,xn]T為網(wǎng)絡(luò)的輸入向量;wij為第 i個輸入單元與隱層第 j個神經(jīng)元相連的權(quán)值.設(shè)RBF網(wǎng)絡(luò)的徑向基向量為R=[r1,…,rj,…,rm],其中rj為基函數(shù),一般為高斯函數(shù),如式(2)所示.

式中:Cj為網(wǎng)絡(luò)第j個節(jié)點的中心向量;bj為節(jié)點j的基寬參數(shù),且為大于零的數(shù).隱層與輸出層連接的權(quán)向量為 U=[u1,u2,…,um],輸出層為線性函數(shù),如式(3)所示.

RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程分為兩個階段:①根據(jù)輸入樣本決定隱含層各節(jié)點的基函數(shù)中心向量和基寬向量;②在確定了隱含層的參數(shù)后,利用最小二乘原則求出隱含層和輸出層之間的連接權(quán)值.

2 模型設(shè)計

本研究將水華預(yù)警建模過程分三步,分別為水華概率與等級劃分、預(yù)警因子識別和模型建立.

2.1 水華概率與預(yù)警等級劃分

水華是水體中藻生物量由量變向質(zhì)變躍遷過程,當(dāng)水體中的藻生物量達(dá)到或超過某閾值時就會產(chǎn)生水華[26],故本研究以水華藻生物量閾值作為確定水華風(fēng)險概率的依據(jù).理論上水華藻生物量閾值應(yīng)由水華爆發(fā)臨界時刻的藻生物量確定,但實際中很難獲取水華臨界時刻的藻生物量.本研究以水華爆發(fā)首日的藻生物量為替代樣本,采用內(nèi)集-外集模型確定水華的葉綠素a濃度閾值,依據(jù)水華閾值計算水華風(fēng)險概率,并劃分水華預(yù)警級別,主要步驟為:

Step 1:以清凈湖水華發(fā)生首日葉綠素a濃度觀測值X={xi|i=1,2,…,n}為研究樣本;

Step 2:構(gòu)建內(nèi)集-外集模型對水華進行模糊風(fēng)險分析,得到水華發(fā)生的可能性-概率分布πIj(p);

Step 3:對可能性-概率風(fēng)險模糊集進行非模糊化處理,根據(jù)式(4)計算各區(qū)間的平均概率;

Step 4:以平均概率最大的區(qū)間的下限作判斷水華發(fā)生的葉綠素a閾值,記作It.

Step 5:引入水華風(fēng)險概率 η,假定當(dāng)水體中葉綠素a濃度YChl-a≥It時,水華風(fēng)險概率η=1,即水華事件發(fā)生的概率為 100%;當(dāng)葉綠素 a濃度YChl-a＜It時,水華風(fēng)險概率按式(5)計算.

Step 6:依據(jù)水華風(fēng)險概率劃分水華預(yù)警等級,同時對水華預(yù)警等級進行賦值,見表1,以此表達(dá)水華風(fēng)險含義.

表1 水華預(yù)警等級的劃分Table 1 Divisioncriterion of early-warning grades of water bloom

2.2 水華預(yù)警因子識別

驅(qū)動水華產(chǎn)生的環(huán)境因子眾多,各因子之間存在一定的相關(guān)性,部分因子信息具有一定的重復(fù)性,這會給水華預(yù)警建模帶來諸多干擾,水華預(yù)警因子識別是水華預(yù)警建模的重要內(nèi)容.本文采用的粗糙集約簡模型對驅(qū)動水華產(chǎn)生的環(huán)境因子進行識別,作為水華預(yù)警模型輸入變量,具體步驟如下:

Step 1: 選取水華監(jiān)測指標(biāo)數(shù)據(jù)集,形成原始決策表S={U,A,V,f};

Step 2: 基于水體葉綠素a指標(biāo)監(jiān)測數(shù)據(jù),根據(jù)式(5)計算水華風(fēng)險概率,并依據(jù)表1對水華預(yù)警等級進行賦值,從而獲得決策屬性的信息熵,形成決策屬性集D;

Step 3: 利用粗集理論數(shù)據(jù)離散化方法[27]對水華監(jiān)測指標(biāo)數(shù)據(jù)進行5級離散,得到條件屬性集C;

Step 4:依照粗糙集約簡算法[28]刪除冗余條件屬性及重復(fù)信息,得到簡化決策表,從而得到水華的主要影響因子,作為水華預(yù)警因子.

2.3 基于RBF神經(jīng)網(wǎng)絡(luò)的水華預(yù)警模型

以上述水華預(yù)警因子作為神經(jīng)網(wǎng)絡(luò)模型的輸入向量 Z=[z1,z2,…,zl],以水華預(yù)警等級賦值為模型的輸出向量 Y=[y1,y2,…,yl],構(gòu)建基于RBF神經(jīng)網(wǎng)絡(luò)的水華預(yù)警模型,具體建模與解算步驟:

表2 水華風(fēng)險的可能性-概率分布與平均概率Table 2 Water bloom risk represented a possibilityprobability and average-probability distribution

Step 1:以水華預(yù)警因子的5級離散數(shù)據(jù)(2.2節(jié)中約簡后的條件屬性集C)為輸入向量Z的樣本,以水華預(yù)警等級賦值(2.2節(jié)中決策屬性集D)為期望輸出向量T的樣本,組成建模所需的樣本集P;

Step 2:網(wǎng)絡(luò)初始化,即從樣本集 P中選取 k個訓(xùn)練樣本(k＜P)作為聚類中心Ci;

Step 3:將輸入的訓(xùn)練樣本集合按最近鄰規(guī)則分組,按照Zp與中心Ci之間的歐氏距離將Zp分配到輸入樣本的各個聚類集合中,然后采用競爭學(xué)習(xí)規(guī)則重新調(diào)整聚類中心 Ci,如果新的聚類中心不再發(fā)生變化,則所得Ci即為RBF神經(jīng)網(wǎng)絡(luò)的最終基函數(shù)中心,否則返回進行下一輪的中心求解.

3 模型應(yīng)用與討論

3.1 模型建立

監(jiān)測期間,清凈湖發(fā)生了 12次局部水華.由于樣本數(shù)據(jù)概率分布的函數(shù)形式未知,且容量僅為12個的小樣本,依據(jù)其進行的概率估計必然不準(zhǔn)確.根據(jù)2.1節(jié)所述方法,設(shè)定區(qū)間個數(shù)為5個,控制步長為 9.08,構(gòu)建基于內(nèi)集-外集的水華藻生物量閾值界定模型,求解模型得到水華風(fēng)險的可能性-概率分布,并根據(jù)式(4)計算水華發(fā)生首日的葉綠素 a濃度落在各區(qū)間的平均概率.由表2可知,水華發(fā)生首日的葉綠素 a濃度落在[70.98,80.06)區(qū)間內(nèi)的概率最大,說明此區(qū)間能夠反映清凈湖水華發(fā)生首日的藻類生物量的規(guī)律.由此本研究將葉綠素a濃度70.98μg/L作為清凈湖水華的藻生物量閾值.

表3為2013年5月至2014年12月水質(zhì)監(jiān)測數(shù)據(jù),共51組.依據(jù)式(5)計算水華風(fēng)險概率,并依照表1對清凈湖水華預(yù)警等級進行賦值.

清凈湖12項水質(zhì)監(jiān)測指標(biāo)數(shù)據(jù)均為連續(xù)型數(shù)據(jù),對其進行 5級離散預(yù)處理,分別用 C1, C2,…,C12表示.以 12項水質(zhì)指標(biāo)作為條件屬性C,以水華預(yù)警等級賦值為決策屬性 D,建立清凈湖水華風(fēng)險原始決策表,決策表由 12個條件屬性、1個決策屬性和51組樣本組成,見表4.按照2.2節(jié)所述方法,精簡屬性集,獲得最優(yōu)約簡集合為C2,C4,C9,C11,即水溫、溶解氧、高錳酸鹽指數(shù)和TDS為清凈湖水華的主要影響因子,作為清凈湖水華預(yù)警因子.

表3 水華風(fēng)險概率計算結(jié)果Table 3 Water bloom risk probability of Qingjing Lake

以水溫、溶解氧、高錳酸鹽指數(shù)和TDS作為神經(jīng)網(wǎng)絡(luò)模型的輸入向量,以水華預(yù)警等級賦值為模型的輸出向量,構(gòu)建基于RBF神經(jīng)網(wǎng)絡(luò)的清凈湖水華預(yù)警模型.采用2013年5月20日至2014年5月13日的37組數(shù)據(jù)對RBF神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練,訓(xùn)練樣本為粗糙集約簡后的屬性值 C2,C4,C9,C11(表 5)輸入模型進行訓(xùn)練,輸出層為水華風(fēng)險決策屬性值D(表5).

選用高斯函數(shù)為徑向基函數(shù)、輸出層為線性函數(shù)的單隱層RBF網(wǎng)絡(luò),RBF神經(jīng)網(wǎng)絡(luò)的中心采用自組織學(xué)習(xí)的方法確定,對所有輸入樣本用K-means聚類算法進行聚類來確定各隱層節(jié)點中心,隱層到輸出層間的權(quán)系數(shù)采用最小二乘法求解.在網(wǎng)絡(luò)運算過程中,根據(jù)網(wǎng)絡(luò)特點,通過改變其擴散系數(shù)Spread來調(diào)整網(wǎng)絡(luò)的模擬精度,最終選擇擁有模擬值最接近真實值的那個擴散系數(shù)的網(wǎng)絡(luò)作為最終網(wǎng)絡(luò).

3.2 模型驗證

基于上述模型,對2014年5月27日至12月 24日清凈湖水華預(yù)警等級進行預(yù)測,并采用同期觀測值進行對比驗證,結(jié)果見表6.模型驗證結(jié)果顯示,14組驗證數(shù)據(jù)中,正確12個,誤判2個,模型預(yù)測正確率達(dá)85.7%.在模型驗證中,出現(xiàn)2次誤判,但沒有出現(xiàn)跨級誤判,且均為對低風(fēng)險的誤判,對高風(fēng)險的預(yù)測準(zhǔn)確,6次高風(fēng)險的預(yù)測全部正確.通過實例驗證,證實了該建模方法的可行性.

表6 模型驗證Table 6 Results of model validation

3.3 討論

神經(jīng)網(wǎng)絡(luò)作為一種數(shù)據(jù)驅(qū)動模型,本質(zhì)是從大量數(shù)據(jù)中提取其中蘊含的規(guī)律,需要全面的環(huán)境參數(shù)信息及長系列水質(zhì)監(jiān)測數(shù)據(jù),然而目前大多水體缺乏長期監(jiān)測數(shù)據(jù),且監(jiān)測指標(biāo)不全面,信息缺失給建模工作帶來極大困難.本研究將樣本數(shù)據(jù)經(jīng)過離散聚類預(yù)處理,大大降低了建模數(shù)據(jù)量的需求,但在模型驗證中,出現(xiàn)2次對低風(fēng)險水華的誤判,其主要原因仍是由低風(fēng)險下樣本數(shù)據(jù)不足導(dǎo)致.因此,在模型建立后,仍需后續(xù)樣本數(shù)據(jù)對模型參數(shù)進行修正.

基于神經(jīng)網(wǎng)絡(luò)的水華預(yù)測模型,常出現(xiàn)對異常峰值預(yù)測失靈的情況,本研究利用預(yù)警等級賦值的方法對峰值數(shù)據(jù)進行了“坦化”,基本解決了峰值預(yù)測失靈的問題,這是本模型對高風(fēng)險水華預(yù)測精度良好的原因.然而,利用“坦化”處理后的數(shù)據(jù)構(gòu)建模型,會對中等警度預(yù)測產(chǎn)生干擾.對于這個問題,可嘗試通過建立分段式神經(jīng)網(wǎng)絡(luò)預(yù)警模型予以解決.

在實際中,水體藻生物量指示性指標(biāo)常會出現(xiàn)由環(huán)境異常引起的突變情況,如人工打撈、降雨等.本模型無法解決這些突發(fā)因素的影響,故可以考慮給模型增加人工修正量.該人工修正量依賴于實時監(jiān)測和工作人員的豐富經(jīng)驗,估算環(huán)境突變對葉綠素 a濃度水平的影響,并將其作為修正量疊加到模型輸出上,對預(yù)測結(jié)果進行修正.

神經(jīng)網(wǎng)絡(luò)屬數(shù)據(jù)驅(qū)動型模型,故本模型對水華爆發(fā)后的強度與發(fā)展趨勢預(yù)測能力不足.對于這個問題,可以通過加密水華爆發(fā)后水質(zhì)監(jiān)測頻次,利用水華爆發(fā)后的加密樣本數(shù)據(jù)對模型進行修正.更科學(xué)的方法是通過建立二維生態(tài)系統(tǒng)動力學(xué)模型,從空間和時間上對水華爆發(fā)后的強度與發(fā)展趨勢進行模擬與預(yù)測.

4 結(jié)論

4.1 本文提出了一種可應(yīng)用于城市內(nèi)湖水華預(yù)警的綜合建模方法,包括水華風(fēng)險概率計算、預(yù)警等級劃分、預(yù)警因子識別和RBF神經(jīng)網(wǎng)絡(luò)預(yù)警模型.提出了基于內(nèi)集-外集模型的水華藻生物量閾值的界定方法,引入水華風(fēng)險概率概念提出水華預(yù)警等級劃分方法,借助粗糙集約簡方法對水華預(yù)警因子進行識別,構(gòu)建了基于RBF神經(jīng)網(wǎng)絡(luò)的水華預(yù)警模型.

4.2 以天津清凈湖為例,對此方法進行了應(yīng)用與驗證.確定葉綠素a濃度70.98μg/L為清凈湖水華的藻生物量閾值;將清凈湖水華風(fēng)險劃分為 5個等級,分別為無警、輕微警、輕度警、中度警和重度警;率定水溫、溶解氧、高錳酸鹽指數(shù)和TDS為清凈湖水華預(yù)警因子;建立了基于RBF神經(jīng)網(wǎng)絡(luò)的清凈湖水華預(yù)警模型,模型預(yù)測精度達(dá)85.7%,表明該模型能較好地應(yīng)用于清凈湖水華預(yù)警模型.

[1] 孔繁翔,馬榮華,高俊峰,等.太湖藍(lán)藻水華的預(yù)防、預(yù)測和預(yù)警的理論與實踐 [J]. 湖泊科學(xué), 2009,21(3):314-328.

[2] 王 華,楊樹平,房晟忠,等.滇池浮游植物群落特征及與環(huán)境因子的典范對應(yīng)分析 [J]. 中國環(huán)境科學(xué), 2016,36(2):544-552.

[3] 王雪蕾,王新新,朱 利,等.巢湖流域氮磷面源污染與水華空間分布遙感解析 [J]. 中國環(huán)境科學(xué), 2015,35(5):1511-1519.

[4] 王小藝,唐麗娜,劉載文,等.城市湖庫藍(lán)藻水華形成機理 [J]. 化工學(xué)報, 2012,63(5):1492-1497.

[5] Coad P, Cathers B, Ball J E, et al. Proactive management of estuarine algal blooms using an automated monitoring buoy coupled with an artificial neural network [J]. Environmental Modeling & Software, 2014,61:393-409.

[6] 陳云峰,殷福才,陸根法.水華爆發(fā)的突變模型-以巢湖為例 [J].生態(tài)學(xué)報, 2006,26(3):878-883.

[7] JΦrgensen S E. Structural dynamic model [J]. Ecological Modeling, 1986,31:1-9.

[8] Kirchner W B, Dillon P J. Comment on an empirical method of estimating the retention of phosphorus in lakes [J]. Water Researches, 1975,2(1):182-183.

[9] Wool T A, Ambrose R B, Martin J L, et a1. Water Quality Analysis Simulation Program (WASP) Version6. 0, DRAFF: User’s Manual [M]. Georgia: U S Environmental Protection Agency-Region, Atlanta. 2001:22-28.

[10] 張質(zhì)明,王曉燕,李明濤.基于全局敏感性分析方法的 WASP模型不確定性分析 [J]. 中國環(huán)境科學(xué), 2014,34(5):1336-1346.

[11] Vivian P, Roberto J C. Qual2E model for the Corumbata′?River [J]. Ecological Modelling, 2006,198:269-275.

[12] Mehmet Y, Erdal K, Ridvan B. Simulation of river streams: Comparison of a new technique with QUAL2E [J]. Mathematical and Computer Modelling, 2007,46:292-305.

[13] 常 旭,王 黎,李 芬,等.Mike 11模型在渾河流域水質(zhì)預(yù)測中的應(yīng)用 [J]. 水電能源科學(xué), 2013,31(6):58-62.

[14] Cracknell A P, Newcombe S K, Black A F, et al. TheABDMAP (algal bloom detection,monitoring and prediction) concerted action [J]. International Journal of Remote Sensing, 2001,22(2/3): 205-247.

[15] 鄭劍鋒,李付寬,孫力平.濱海地區(qū)混鹽水體富營養(yǎng)化主因子識別與分析-以天津市清凈湖為例 [J]. 環(huán)境科學(xué)學(xué)報, 2016, 36(3):785-791.

[16] Chen Q, Mynett A E. Predicting phaeocystisglobosa bloom in Dutch coastal waters by decision trees and non-linear piecewise regression [J]. Ecological Modeling, 2004,176:277-290.

[17] 曾 勇,楊志峰,劉靜玲.城市湖泊水華預(yù)警模型研究-以北京“六海”為例 [J]. 水科學(xué)進展, 2007,18(1):79-85.

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

[19] 蔡煜東,汪 列,姚林聲,等.水質(zhì)富營養(yǎng)化程度的人工神經(jīng)網(wǎng)絡(luò)決策模型 [J]. 中國環(huán)境科學(xué), 1995,15(2):123-127.

[20] 盧小燕,徐福留,詹 巍,等.湖泊富營養(yǎng)化模型的研究現(xiàn)狀與發(fā)展趨勢 [J]. 水科學(xué)進展, 2003,14(6):792-798.

[21] 國家環(huán)境保護總局水和廢水監(jiān)測分析方法編委會.水和廢水監(jiān)測分析方法 [M]. 4版.北京:中國環(huán)境科學(xué)出版社, 2002.

[22] Huang C F. Demonstration of benefit of information distribution for probability estimation [J]. Signal Processing, 2000,80(6): 1037-1048.

[23] 黃崇福.內(nèi)集-外集模型的計算機仿真檢驗 [J]. 自然災(zāi)害學(xué)報, 2002,11(3):62-70.

[24] Pawlak Z, Skowron A. Rudiments of rough sets [J]. Information Sciences, 2007,177(1):3-27.

[25] 葛哲學(xué),孫志強.神經(jīng)網(wǎng)絡(luò)理論與 MATLAB R2007實現(xiàn) [M].北京:電子工業(yè)出版社, 2007.

[26] 張家瑞,曾 勇,趙彥偉.白洋淀濕地水華暴發(fā)閾值分析 [J]. 生態(tài)學(xué)雜志, 2011,30(8):1744-1750.

[27] 趙 軍,王國胤,吳中福,等.基于粗集理論的數(shù)據(jù)離散化方法[J]. 小型微型計算機系統(tǒng), 2004,25(1):60-64.

[28] 李元萍,李元良.粗糙集約簡算法的研究與實現(xiàn) [J]. 礦業(yè)研究與開發(fā), 2008,28(4):48-50.

A modeling approach for early-warning of water bloom risk in urban lake based on neural network.

ZHENG Jian-feng1,2*, JIAO Ji-dong1, SUN Li-ping1,2(1.School of Environmental and Municipal Engineering, Tianjin Chengjian University, Tianjin 300384, China；2.Tianjin Key Laboratory of Aquatic Science and Technology, Tianjin 300384, China). China Environmental Science, 2017,37(5)：1872～1878

Formation process of water bloom was complicated, time-varied and uncertain. So far water bloom prediction of urban lake was still difficult. An integrated modeling approachby using interior-outer-set, rough sets reduction algorithm and RBF neural network model was proposed for early-warning of water bloom risk. Interior-outer-set model was employed to define the threshold of chlorophyll a for predictingwater bloom risk, and a method was put forward for calculating the risk probability of water bloom.Rough sets reduction algorithm was used to identify the keydriving factors ofwater bloom. An early-warning model of water bloom risk was developed based on RBF neural network model. Feasibility of themodeling approach was proved though the application in Qingjing Lake. The results indicated thatthe threshold value of chlorophyll a was 70.98μg/L; water bloom risk was divided into five grades based on the risk probability of water bloom; fourwater quality indexes including water temperature, dissolved oxygen, permanganate index and total dissolved solids were identified as the indicators of water bloom. Result of model validation showed that the RBF neural network model's accurate rate exceeded 85%, and could be applied to early-warning of water bloom risk in Qingjing Lake.

water bloom；risk probability；risk grade；key driving factors；early-warning model

X524

A

1000-6923(2017)05-1872-07

鄭劍鋒(1976-),男,講師,博士,浙江杭州人,主要研究方向為水污染控制理論與技術(shù).發(fā)表論文20余篇.

2016-10-30

天津市自然科學(xué)基金(15JCYBJC49100);天津水質(zhì)科學(xué)與技術(shù)重點實驗室開放基金(TJKLAST-ZD-2015-01)

* 責(zé)任作者, 講師, jianfen1605@163.com