棉花灘水庫(kù)浮游植物群落結(jié)構(gòu)演替特征及風(fēng)險(xiǎn)預(yù)警研究

崔玉潔，楊友德，鄭婉婷，成再?gòu)?qiáng)，陳天生，林曉芳

（1.三峽庫(kù)區(qū)生態(tài)環(huán)境教育部工程研究中心，湖北宜昌 443002；2.福建省龍巖水文水資源勘測(cè)分中心，福建龍巖 364000）

0 引 言

水庫(kù)蓄水在發(fā)揮防洪、發(fā)電、航運(yùn)等巨大綜合效益的同時(shí)，也深刻的影響著水體的水動(dòng)力、水環(huán)境特征［1］。隨著蓄水，原河流水體水深加大，水體自凈能力降低，易引發(fā)水體富營(yíng)養(yǎng)化，流速趨緩也為漂浮型藍(lán)綠藻提供了適宜的生境條件，引發(fā)水華現(xiàn)象。水華的暴發(fā)是適宜的氣象條件、充足的營(yíng)養(yǎng)鹽和緩慢的水流共同作用的結(jié)果［2］。研究表明：隨著水庫(kù)運(yùn)行年限延長(zhǎng)，浮游植物優(yōu)勢(shì)藻種易由初期的河流型甲藻、硅藻向湖泊型藍(lán)、綠藻演替，而藍(lán)藻由于其釋放的有毒藻毒素，一直是關(guān)注的焦點(diǎn)［3］。

水華預(yù)警是水華防控的重要手段，其預(yù)警模型可分為物理過程模型和數(shù)據(jù)統(tǒng)計(jì)模型兩種，其中物理過程模型主要圍繞水華形成的生源要素、氣候水動(dòng)力條件，以藻類增殖的過程來預(yù)測(cè)水華情勢(shì)的強(qiáng)弱［4］。Kim 等［5］依托EFDC 構(gòu)建韓國(guó)Han River的環(huán)境水力學(xué)模型，考慮三個(gè)優(yōu)勢(shì)藻種：硅藻、綠藻和藍(lán)藻，較好的預(yù)測(cè)了Han River 葉綠素濃度；Zhang 等［6］針對(duì)日益嚴(yán)重的原甲藻水華，開發(fā)了集物理、營(yíng)養(yǎng)循環(huán)和浮游生物生理學(xué)的三維預(yù)測(cè)模型，再現(xiàn)了美國(guó)Chesapeake 灣浮游植物種群越冬的模式。Kerimoglu 等［7］利用自養(yǎng)分類不同的浮游植物群，為法國(guó)Bourget 湖開發(fā)了一個(gè)藍(lán)藻水華預(yù)測(cè)模型。由于浮游植物增殖影響因素眾多，水動(dòng)力學(xué)與藻類生理過程之間作用復(fù)雜，使用物理過程模型進(jìn)行水華預(yù)警過程中，參數(shù)眾多，且需要大量連續(xù)的基礎(chǔ)數(shù)據(jù)支撐，如在CE-QUAL-W2 模型中，僅考慮單種浮游植物生長(zhǎng)與溫度的本構(gòu)關(guān)系，就涵蓋8個(gè)參數(shù)，復(fù)合藻種水華模擬參數(shù)個(gè)數(shù)將成指數(shù)增加［8］。

由于物理模型的復(fù)雜性和局限性，單純基于數(shù)據(jù)挖掘算法和統(tǒng)計(jì)學(xué)理論，建立水華與驅(qū)動(dòng)因素之間的關(guān)系的數(shù)據(jù)統(tǒng)計(jì)模型可避開其中的復(fù)雜環(huán)節(jié)，得以大量應(yīng)用。孔繁翔等［9］利用水文和氣象監(jiān)測(cè)，結(jié)合衛(wèi)星遙感技術(shù)對(duì)太湖藍(lán)藻水華發(fā)生進(jìn)行預(yù)測(cè)，準(zhǔn)確率達(dá)80%。人工神經(jīng)網(wǎng)絡(luò)算法由于方法簡(jiǎn)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(cuò)性，在水華預(yù)報(bào)中得到廣泛的應(yīng)用。Shen 等［10］利用支持向量機(jī)較好地模擬和預(yù)測(cè)年際間藻華變化。覃苗等［11］用水溫、溶解氧、電導(dǎo)率和氣溫作為輸入變量，采用BP神經(jīng)網(wǎng)絡(luò)模型（Back Propagation）對(duì)東張水庫(kù)葉綠素a 進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果較好，擬合度達(dá)0.83。神經(jīng)網(wǎng)絡(luò)雖以成功應(yīng)用于水華預(yù)警中，但該模型不易收斂，需要反復(fù)多次調(diào)參才能趨于穩(wěn)定。因此不僅考慮前一時(shí)刻的輸入，而且賦予了網(wǎng)絡(luò)對(duì)前期內(nèi)容的“記憶”功能的改進(jìn)后的RNN循環(huán)神經(jīng)網(wǎng)絡(luò)（Rerrent Neural Network）得以逐步推廣，而長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM（Long Short-Term Memory）則是在RNN 循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上解決其存在的數(shù)據(jù)長(zhǎng)期依賴問題，適合于處理和預(yù)測(cè)時(shí)間序列中間隔和延遲非常長(zhǎng)的時(shí)間，在水質(zhì)預(yù)測(cè)中進(jìn)行了一定的應(yīng)用［12］。

綜上，本研究通過近兩年對(duì)棉花灘水庫(kù)的水文水生態(tài)跟蹤監(jiān)測(cè)，在分析浮游植物群落結(jié)構(gòu)及生境變化的基礎(chǔ)上，采用LSTM進(jìn)行水華預(yù)警建模，以期為水華風(fēng)險(xiǎn)預(yù)警提供技術(shù)支撐。

1 研究區(qū)域與方法

1.1 研究區(qū)域

棉花灘水庫(kù)大壩位于福建省永定區(qū)境內(nèi)的汀江干流棉花灘峽谷河段中部，由汀江干流和黃潭河中下游河段組成，是以發(fā)電、防洪為主，航運(yùn)、水產(chǎn)養(yǎng)殖為輔的大型調(diào)節(jié)型水庫(kù)［13］。大壩工程于1998年開工，2002年12月全部完工，控制流域面積為7 907 km2，總庫(kù)容20.35 m3［14］。庫(kù)區(qū)屬亞熱帶海洋性季風(fēng)氣候，多年平均氣溫為20.1 ℃。受溫潤(rùn)暖濕氣流影響，庫(kù)區(qū)降水充沛，干濕季節(jié)分明，雨季相對(duì)集中，多年平均降水量1 400～1 800 mm，最大年平均降雨量近2 000 mm［15］。

1.2 監(jiān)測(cè)方案

本次調(diào)查集中于棉花灘大壩庫(kù)首區(qū)，樣點(diǎn)布設(shè)見圖1，其中汀江干流：上游源頭自然河流段8 號(hào)、變動(dòng)回水區(qū)7 號(hào)、回水淹沒區(qū)6 號(hào)、5 號(hào)、交匯以后庫(kù)區(qū)9 號(hào)、10 號(hào)、11 號(hào)、12 號(hào)。支流黃潭河：上游源頭自然河流段4號(hào)、變動(dòng)回水區(qū)3號(hào)、回水淹沒區(qū)2號(hào)，1 號(hào)。2019年7-12月、2020年5-10月開展生態(tài)環(huán)境監(jiān)測(cè)，共計(jì)34次。

圖1 棉花灘水庫(kù)采樣點(diǎn)分布圖Fig.1 Distribution of sampling sites in the Mianhuatan Reservoir

1.3 監(jiān)測(cè)指標(biāo)及方法

營(yíng)養(yǎng)鹽：取表層以下0.5 m 水體500 mL，用于測(cè)定水體中總氮（TN）、氨氮（NH4-N）、硝氮（NO3-N）、總磷（TP）、正磷酸鹽（PO4-P）、葉綠素a（chlorophyll-a，簡(jiǎn)記為chl-a），現(xiàn)場(chǎng)濃硫酸低溫保存，48 h 內(nèi)進(jìn)行水化學(xué)分析實(shí)驗(yàn)，分析測(cè)試方法依據(jù)《水和廢水監(jiān)測(cè)分析方法》［16］。

水環(huán)境參數(shù)：溫度、溶解氧、電導(dǎo)率、pH、氧化還原電位，由水質(zhì)多參數(shù)儀（Hydrolab DS5）現(xiàn)場(chǎng)測(cè)定表層水體獲得。

藻類鑒定：取監(jiān)測(cè)點(diǎn)表層水體1 L，每瓶加魯哥試劑2.5 mL，低溫保存，每靜置8 h 以上采用醫(yī)用輸移管在微擾動(dòng)模式下移除上層清液，反復(fù)幾次，逐步沉淀濃縮至50 mL 后，在迅數(shù)藻類鑒定計(jì)數(shù)儀下對(duì)浮游藻類細(xì)胞進(jìn)行分類鏡檢到屬，其藻種鑒定參照《中國(guó)淡水藻類》［17］。

2 風(fēng)險(xiǎn)預(yù)報(bào)模型原理

2.1 模型介紹

長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)最早于1997年被提出，它是遞歸神經(jīng)網(wǎng)絡(luò)（RNN）的改進(jìn)版本［18］。LSTM 是一種時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)，它繼承了大多數(shù)RNN 模型的特點(diǎn)，解決了梯度反向傳播過程中梯度消失的問題［19］。在RNN 的基礎(chǔ)上，LSTM 增加了一個(gè)記憶“細(xì)胞”結(jié)構(gòu)來判斷信息是否有用。每個(gè)單元由一個(gè)輸入門、一個(gè)忘記門和一個(gè)輸出門組成。每條信息都進(jìn)入了LSTM網(wǎng)絡(luò)，并根據(jù)規(guī)則被認(rèn)為是有用的，只留下符合規(guī)則的信息，不符合的信息通過遺忘門被遺忘，這對(duì)于具有長(zhǎng)期序列依賴性問題的數(shù)據(jù)非常有效。

2.2 模型構(gòu)建

圖2 為L(zhǎng)STM 神經(jīng)網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)示意圖，包括輸入層、隱藏層和輸出層［12］。

圖2 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Neural network structure of LSTM

輸入層：整個(gè)模型采用全連接結(jié)構(gòu)，變量首先通過輸入閥門進(jìn)入神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該閥門層的功能是決定更新的信息內(nèi)容，包括sigmoid 函數(shù)層和tanh 函數(shù)層兩部分，其層數(shù)與輸入變量數(shù)量一致。其計(jì)算公式為：

隱藏層：在該模型隱藏層中設(shè)置50 個(gè)神經(jīng)元，每個(gè)神經(jīng)元細(xì)胞包含遺忘門和更新門。遺忘閥門主要用以決策，可自主決定舍去細(xì)胞狀態(tài)中的信息。ht-1為上一層的輸出結(jié)果，xt為現(xiàn)階段的輸入數(shù)據(jù)，輸出結(jié)果的數(shù)值范圍為［0，1］，Ct-1為各細(xì)胞的狀態(tài)，其內(nèi)部數(shù)字中1 意味著“完全保留”，0 意味著“完全舍棄”。更新閥門的功能為更新?lián)Q代舊細(xì)胞和新細(xì)胞的狀態(tài)，由狀態(tài)Ct-1更新至狀態(tài)Ct，該層的計(jì)算公式為：

輸出層：該層功能主要為決策該層輸出的類型和內(nèi)容。這個(gè)輸出過程為首先運(yùn)行輸入層中的sigmoid 層確定輸出的哪些細(xì)胞狀態(tài)，其次通過輸入層中tanh函數(shù)層進(jìn)行處理細(xì)胞狀態(tài)，緊接著將其與sigmoid層的輸出數(shù)據(jù)相乘，從而最終確定出輸出內(nèi)容。該層計(jì)算公式為：

本研究中的LSTM 神經(jīng)網(wǎng)絡(luò)模型使用Python 編程語言和其深度學(xué)習(xí)框架Keras 搭建。Keras 是一個(gè)用于快速構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)的高級(jí)庫(kù)，它的Sequential 模型可以快速堆疊不同類型的網(wǎng)絡(luò)結(jié)構(gòu)。由于輸入輸出參數(shù)量綱不一致，在進(jìn)行運(yùn)算之前需要進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，計(jì)算公式如式（7）：

經(jīng)過標(biāo)準(zhǔn)化處理的數(shù)據(jù)輸入到LSTM 模型中。該神經(jīng)網(wǎng)絡(luò)模型中輸入層設(shè)置一個(gè)單元，隱藏層設(shè)置50 個(gè)LSTM 神經(jīng)元，輸出層為一個(gè)單元，采用Dense（全連接）結(jié)構(gòu)，該模型其余參數(shù)：迭代次數(shù)epochs 取值為1 000、分段長(zhǎng)度batchsize 取值72、損失函數(shù)loss設(shè)置為mae，優(yōu)化函數(shù)optimizer設(shè)置為adam。

2.3 誤差評(píng)價(jià)指標(biāo)

為分析各種參數(shù)預(yù)測(cè)性能的優(yōu)劣，采用相對(duì)誤差RE、平均絕對(duì)誤差MAE和擬合度R2作為評(píng)價(jià)指標(biāo)，計(jì)算方法如下：

式中：i表示樣本腳標(biāo)；n表示樣本數(shù)量表示模擬值；yi表示實(shí)測(cè)值表示實(shí)測(cè)值的均值。

3 結(jié)果與分析

3.1 環(huán)境因子變化特征

表1 列舉了棉花灘庫(kù)區(qū)各環(huán)境因子平均值、變化范圍以及變異系數(shù)。由表可知，其中平均水溫27.63 ℃，平均氣溫29.35 ℃，波動(dòng)幅度相對(duì)較小。由氧化還原電位可知，水體整體呈現(xiàn)出還原性，均值為-85.06，變異程度為所有參數(shù)最大。chla濃度變化范圍為0.28～76.51 mg/m3，均值為16.16 mg/m3，離散程度僅次于氧化還原電位。溶解氧DO 含量變化范圍位于5.04～10.74 mg/L，平均為7.70 mg/L，整體維持在較高水平。氨氮NH4-N含量位于0.34～0.90 mg/L之間，平均含量為0.06 mg/L，總磷TP 平均含量為0.02 mg/L，正磷酸鹽PO4-P 含量偏低，總體來說，水質(zhì)情況良好，處于地表水二類水質(zhì)。

表1 棉花灘環(huán)境因子特征Tab.1 Characteristics of environmental factors in Mianhuatan Reservoir

3.2 浮游植物群落結(jié)構(gòu)演替規(guī)律

棉花灘水庫(kù)2019年、2020年共鑒定藻門6 門63 屬（如表2），分別為綠藻門（21 屬）、甲藻門（6 屬）、硅藻門（19 屬）、隱藻門（1 屬）、藍(lán)藻門（15 屬）、黃藻門（1 屬）。其中綠藻門屬數(shù)最多，占浮游植物總屬數(shù)的33.33%。小環(huán)藻為所有藻種中出現(xiàn)頻率最高藻種，達(dá)到93.69%，為棉花灘水庫(kù)常見優(yōu)勢(shì)藻種，其次為針桿藻、小球藻、衣藻。對(duì)比陳麗萍等在2010年9月紫金銅礦污染污染事件后棉花灘庫(kù)區(qū)浮游植物群落結(jié)構(gòu)構(gòu)成為6 門35屬［20］。

表2 棉花灘水庫(kù)不同浮游植物藻屬構(gòu)成Tab.2 Composition of phytoplankton algae in Mianhuatan Reservoir

通過對(duì)棉花灘水庫(kù)的浮游植物總藻密度可知，2019年7月總藻濃度達(dá)到最高值，達(dá)到0.35 億個(gè)/L，2019年8月濃度大幅降低，9月以后藻類密度非常低。2020年6月總藻濃度達(dá)到最高值，達(dá)到0.286 億個(gè)/L，7月濃度大幅降低，此后總藻密度一直呈上下波動(dòng)狀態(tài)。

圖3 棉花灘水庫(kù)浮游植物種類百分比Fig.3 Percentage of phytoplankton species in Mianhuatan Reservoir

3.3 風(fēng)險(xiǎn)預(yù)報(bào)模型結(jié)果分析

3.3.1 相關(guān)性分析

由于棉花灘水庫(kù)共鑒定浮游植物藻種6 門63 屬，且不同藻種生長(zhǎng)關(guān)聯(lián)要素眾多，成因復(fù)雜，為開展水華風(fēng)險(xiǎn)預(yù)警，本文選擇浮游植物總藻密度為預(yù)警目標(biāo)，通過相關(guān)性分析，遴選棉花灘庫(kù)區(qū)影響水華生長(zhǎng)的關(guān)鍵因子，篩除關(guān)聯(lián)性較弱因子，為后續(xù)LSTM 模型輸入條件提供依據(jù)。此處主要采用棉花灘水庫(kù)藻類生長(zhǎng)的水質(zhì)、氣象因子與總藻密度開展Pearson 相關(guān)性分析，結(jié)果如表3 示。由表可知，總藻密度與水質(zhì)因子中的水溫、pH、氧化還原電位、溶解氧DO、五日生化需氧量、總磷、硝酸鹽氮、高錳酸鹽指數(shù)等水質(zhì)參數(shù)存在顯著相關(guān)關(guān)系（P＜0.01）。其中，藻密度與溶解氧的相關(guān)系數(shù)達(dá)0.57，符合浮游植物與溶解氧濃度成正相關(guān)關(guān)系的一般性規(guī)律［21］。水質(zhì)因子中，營(yíng)養(yǎng)鹽（總磷、硝酸鹽）對(duì)預(yù)測(cè)結(jié)果不敏感，說明主要影響棉花灘水庫(kù)藻類繁殖的是其環(huán)境因子，營(yíng)養(yǎng)鹽不是藻類生長(zhǎng)的限制因子。

表3 藻密度與各指標(biāo)Pearson相關(guān)關(guān)系Tab.3 Correlation between algal density（units/L）and Pearson of each index

藻密度與水文氣象條件中的氣溫（日均氣溫、最高氣溫、最低氣溫）、平均風(fēng)速、風(fēng)向、極大風(fēng)速、入庫(kù)及出庫(kù)流量等存在顯著相關(guān)性（P＜0.01）。

3.3.2 預(yù)測(cè)結(jié)果分析

依據(jù)相關(guān)性分析結(jié)果，選取顯著相關(guān)（P＜0.01）的影響因素作為輸入變量，分別以水質(zhì)單因子、水文氣象單因子和組合因子3種情況作為L(zhǎng)STM模型輸入變量去預(yù)測(cè)藻密度濃度。

表4列舉了氣象因子中和水質(zhì)因子逐一代入模型中后輸出的模擬結(jié)果，結(jié)果表明，氣象水文因子中入庫(kù)流量模擬結(jié)果表現(xiàn)最好，實(shí)測(cè)值與預(yù)測(cè)值擬合度R2為0.68，出庫(kù)流量次之，擬合度R2為0.60。水質(zhì)因子中溶解氧為單一輸入變量時(shí)的模擬結(jié)果時(shí)，實(shí)測(cè)值與預(yù)測(cè)值擬合度R2最好，可達(dá)0.65，平均絕對(duì)誤差MAE為0.041 億個(gè)/L，這與水華暴發(fā)時(shí)浮游植物增殖所產(chǎn)生的光合作用制氧關(guān)系密切［22］。其次為pH，擬合度R2為0.50，這與水華暴發(fā)時(shí)浮游植物增殖光合作用利用水中的CO2合成有機(jī)質(zhì)，使得藻類的生物量增加，pH 升高有關(guān)［23］。水質(zhì)因子中的溶解氧和pH 異常波動(dòng)時(shí)水華暴發(fā)的結(jié)果，從一定程度上表明了預(yù)測(cè)結(jié)果的合理性。目前的研究中，有部分研究成果即以溶解氧DO濃度、pH來開展水華的預(yù)測(cè)預(yù)報(bào)工作［24，25］。

表4 單一因子作為輸入變量模擬結(jié)果Tab.4 Simulation results of singal factor as input variables

圖4 棉花灘水庫(kù)總藻密度變化圖Fig.4 Variation of total algae density in Mianhuatan Reservoir

圖5（a）為僅以入庫(kù)流量作為單一輸入變量預(yù)測(cè)結(jié)果，由圖可知，棉花灘水庫(kù)藻密度預(yù)測(cè)與實(shí)測(cè)結(jié)果整體擬合度較好，特別是藻密度濃度峰值擬合效果較好，平均絕對(duì)誤差MAE為0.037 億個(gè)/L，這可能與棉花灘水庫(kù)規(guī)律性季節(jié)調(diào)節(jié)方式有關(guān)。圖5（b）為以溶解氧為輸入變量時(shí)的模擬結(jié)果，雖平均誤差整體相對(duì)其他水質(zhì)因子較小，但是對(duì)藻類峰值時(shí)的模擬結(jié)果較差。

圖5 分別以入庫(kù)流量和溶解氧作為輸入變量預(yù)測(cè)結(jié)果Fig.5 Forecast results of inflow flow and dissolved oxygen as input variables

當(dāng)該模型輸入變量為單因子時(shí)，擬合度均不超過0.70，模擬精度整體不高。為進(jìn)一步提高模擬進(jìn)度，此處對(duì)與水華存在相關(guān)性的16個(gè)因素分別進(jìn)行了二因子組合，三因子組合和四因子組合，由于篇幅所限，此處僅列舉預(yù)測(cè)模擬結(jié)果較好的情況（表6），由表可知，二因子“水溫+入庫(kù)流量”組合模式擬合度優(yōu)于“水溫+溶解氧”的二因子組合，R2可達(dá)到0.73。當(dāng)增加為3因子時(shí)，即“水溫+溶解氧+入庫(kù)流量”的模式下，擬合度R2可進(jìn)一步提高至0.75，當(dāng)增加至四因子時(shí)，多因素組合下R2均可達(dá)到0.76，其中以“日均氣溫、水溫、風(fēng)向、入庫(kù)流量”4 個(gè)指標(biāo)作為模型輸入變量，平均絕對(duì)誤差MAE最低為0.031 億個(gè)/L，同時(shí)由于這4 個(gè)因子可以結(jié)合天氣預(yù)報(bào)提前獲知，較容易實(shí)現(xiàn)水華的預(yù)測(cè)預(yù)報(bào)工作。

表5 組合因子作為輸入變量模擬結(jié)果Tab.5 Simulation results of combining factors as input variables

在不同因子組合遴選過程中可知，棉花灘氣溫和出入庫(kù)流量對(duì)藻類生長(zhǎng)有較大的影響，氣溫升高會(huì)導(dǎo)致水庫(kù)表層水溫升高，營(yíng)造利于藻類的生境條件，這與本人曾獲取的淡水水庫(kù)10大優(yōu)勢(shì)藻種的溫度與藻類的本構(gòu)關(guān)系曲線也可得到驗(yàn)證［8］。本研究中，預(yù)測(cè)結(jié)果對(duì)入庫(kù)流量最為敏感，入庫(kù)流量的大小可能會(huì)影響水庫(kù)的水動(dòng)力過程，改變水庫(kù)垂向水溫分層結(jié)構(gòu)，影響藻類繁殖，其機(jī)制還有待進(jìn)一步探究［26，27］。

對(duì)以上四因子組合（日均氣溫、水溫、風(fēng)向、入庫(kù)流量）作為輸入變量時(shí)，對(duì)實(shí)測(cè)值與預(yù)測(cè)值輸出結(jié)果開展誤差分析。從表6 中可以看出，當(dāng)藻密度量級(jí)在2 500 萬個(gè)/L 以下時(shí)，相對(duì)誤差會(huì)出現(xiàn)較大值，此時(shí)預(yù)測(cè)值可信度較低，但此時(shí)為水華低風(fēng)險(xiǎn)時(shí)期，預(yù)測(cè)值不具有參考性；隨著水華濃度的升高，實(shí)測(cè)值和預(yù)測(cè)值誤差縮小，當(dāng)實(shí)測(cè)藻密度高于107個(gè)/L 時(shí)，相對(duì)誤差RE變化范圍為0.02～0.73，整體處于可接受范圍，能大體預(yù)測(cè)出水華風(fēng)險(xiǎn)趨勢(shì)。

表6 實(shí)測(cè)值與預(yù)測(cè)值對(duì)比Tab.6 Comparison between Measured Values and Predicted Values

圖6 為四因素組合下實(shí)測(cè)與預(yù)測(cè)結(jié)果對(duì)比圖，由圖6 可知，該模型整體擬合結(jié)果較好，雖然在藻密度濃度較低時(shí)，存在一定誤差，但隨著藻濃度升高，精度在可接受范圍，加上這四個(gè)因子可以結(jié)合天氣預(yù)報(bào)提前獲知，較容易實(shí)現(xiàn)水華的預(yù)測(cè)預(yù)報(bào)工作，推薦作為棉花灘庫(kù)區(qū)首選水華預(yù)測(cè)組合。

圖6 以氣溫、水溫、風(fēng)向、入庫(kù)流量作為輸入變量預(yù)測(cè)結(jié)果Fig.6 Forecast results of air temperature，water temperature，wind direction and inflow flow as input variables

綜合以上預(yù)測(cè)結(jié)果可知，氣象水文單因子中，入庫(kù)流量憑借其季節(jié)規(guī)律性和對(duì)降水的響應(yīng)，可作為L(zhǎng)STM 模型預(yù)測(cè)棉花灘庫(kù)區(qū)首選，水質(zhì)單因子中，溶解氧可作為水華預(yù)測(cè)首選，但對(duì)藻密度峰值模擬精度稍差。多因素組合下，首選日均氣溫、水溫、風(fēng)向、入庫(kù)流量四個(gè)指標(biāo)作為模型輸入變量，可較好的預(yù)測(cè)該區(qū)域水華。

4 結(jié) 論

通過對(duì)棉花灘水庫(kù)近兩年水生態(tài)環(huán)境連續(xù)監(jiān)測(cè)，本文系統(tǒng)分析了該區(qū)域浮游植物群落結(jié)構(gòu)特征，并通過相關(guān)性分析對(duì)影響水華關(guān)鍵因子進(jìn)行篩選。依據(jù)相關(guān)性分析結(jié)果，選取顯著相關(guān)（P＜0.01）的影響因素作為輸入變量，分別以水質(zhì)單因子、水文氣象單因子和組合因子3 種情況作為L(zhǎng)STM 模型輸入變量去預(yù)測(cè)總藻密度，主要結(jié)論如下。

（1）棉花灘水庫(kù)屬亞熱帶海洋性季風(fēng)氣候，氣候溫潤(rùn)多雨，整體水質(zhì)處于地表水II 類水體，水質(zhì)狀況良好，浮游植物樣品中共發(fā)現(xiàn)6 門63 屬，主要優(yōu)勢(shì)藻種為小環(huán)藻、針桿藻、小球藻、衣藻，從屬于綠藻和硅藻門，藍(lán)藻水華整體風(fēng)險(xiǎn)較低；

（2）單因子中分別以氣象水文因子中入庫(kù)流量和水質(zhì)因子中的溶解氧作為單一輸入變量時(shí)的模擬結(jié)果最佳；多因子下以日均氣溫、水溫、風(fēng)向、入庫(kù)流量的組合條件下，利用LSTM 模型預(yù)報(bào)浮游植物總藻種密度效果最佳，擬合度可達(dá)到0.76，特別當(dāng)實(shí)測(cè)藻密度高于0.1 億個(gè)/L 時(shí)，相對(duì)誤差RE變化范圍為0.02～0.73，推薦為水華風(fēng)險(xiǎn)預(yù)警優(yōu)選組合。 □