福建平潭近海赤潮預(yù)警模型研究*

蘇金洙 , 鄒嘉澍 蘇玉萍 , 張明峰, 翁蓁洲, 楊小強(qiáng)

1. 福建師范大學(xué)環(huán)境科學(xué)與工程學(xué)院, 福建 福州 350007;

2. 福建省河湖健康研究中心, 福建 福州 350007;

3. 福建師范大學(xué)地理科學(xué)學(xué)院, 福建 福州 350007;

4. 福州市海洋與漁業(yè)技術(shù)中心, 福建 福州 350007

赤潮是一種復(fù)雜的海洋生態(tài)異?，F(xiàn)象, 由海洋中某些浮游生物, 包括微藻、原生動(dòng)物和細(xì)菌等暴發(fā)性增殖或聚集而產(chǎn)生的生態(tài)災(zāi)害(Zohdi et al, 2019; 林森杰 等, 2019)。近幾十年來(lái), 由于海洋生態(tài)環(huán)境的惡化, 赤潮等海洋災(zāi)害頻繁發(fā)生, 其帶來(lái)的危害效應(yīng)明顯加重(Anderson, 2009)。例如, 2002年由于微小原甲藻赤潮, 導(dǎo)致菲律賓 Bolinao 和Anda 海水養(yǎng)殖場(chǎng)所大量的虱目魚(yú)死亡, 造成經(jīng)濟(jì)損失 約 5.83 千 萬(wàn) 元 (Azanza et al, 2005; San Diego-McGlone et al, 2008)。根據(jù)《中國(guó)海洋災(zāi)害公報(bào)》統(tǒng)計(jì), 2000—2019 年間我國(guó)赤潮共計(jì)發(fā)生1300多起, 累計(jì)面積達(dá)到21.3 萬(wàn)km2。2012 年5 月, 福建近海海域暴發(fā)了嚴(yán)重的米氏凱倫藻赤潮, 其藻細(xì)胞數(shù)量達(dá)107個(gè)·L-1, 導(dǎo)致養(yǎng)殖鮑魚(yú)大量死亡, 經(jīng)濟(jì)損失達(dá) 20.11 億元, 其中平潭海域經(jīng)濟(jì)損失約占31.4%(藍(lán)虹 等, 2014; 蘇新紅 等, 2017)。赤潮的暴發(fā)除了對(duì)沿海養(yǎng)殖業(yè)造成經(jīng)濟(jì)損失外, 有害藻類產(chǎn)生的藻毒素也會(huì)危害水生生物, 進(jìn)而威脅人類健康(陳寶紅 等, 2015; Wu et al, 2019)。因此, 有效預(yù)警和預(yù)報(bào)赤潮暴發(fā), 提前做好應(yīng)急防控工作, 不僅在一定程度上可減少經(jīng)濟(jì)損失, 保護(hù)海洋生態(tài)環(huán)境健康, 同時(shí)也具有重要的理論和應(yīng)用價(jià)值。

目前, 國(guó)際上關(guān)于赤潮的預(yù)警研究仍處于探索階段(洛昊 等, 2013; 俞志明 等, 2019)。在赤潮預(yù)警模型開(kāi)發(fā)方面, 通常有3 種預(yù)警模型: 機(jī)理演繹模型、數(shù)據(jù)驅(qū)動(dòng)歸納模型以及遙感空間模型。演繹模型是基于現(xiàn)有理論、知識(shí)和研究經(jīng)驗(yàn)建立的, 使用戶能夠模擬特定系統(tǒng)的行為趨勢(shì)(Recknagel, 1997), 演繹模型較為全面地考慮了赤潮過(guò)程中的各影響因素, 對(duì)赤潮的生態(tài)機(jī)理研究更為關(guān)注。但赤潮的生消過(guò)程受復(fù)雜的環(huán)境因素影響, 與赤潮暴發(fā)的關(guān)系尚未明確, 甚至部分影響因素暫未發(fā)現(xiàn)或仍處于研究階段, 以致演繹模型對(duì)復(fù)雜關(guān)系的揭示受限。數(shù)據(jù)驅(qū)動(dòng)歸納模型是通過(guò)統(tǒng)計(jì)學(xué)方法、相關(guān)性分析和機(jī)器學(xué)習(xí)方法從經(jīng)驗(yàn)數(shù)據(jù)模式中提取出整體信息, 從而使用戶能夠預(yù)測(cè)系統(tǒng)的趨勢(shì), 而不是解釋系統(tǒng)的行為(Recknagel, 1997; Tian et al, 2017)。但在實(shí)際海域監(jiān)測(cè)預(yù)警中, 需要不斷有實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)輸入才能客觀、及時(shí)反映現(xiàn)實(shí)情況, 同時(shí)由于該模型是基于歷史數(shù)據(jù)建立的, 故其預(yù)測(cè)精度不高。隨著遙感技術(shù)的發(fā)展, 尤其是在增加了可監(jiān)測(cè)參數(shù)及可搭載方式后, 遙感技術(shù)在赤潮預(yù)測(cè)預(yù)報(bào)方面得到了廣泛應(yīng)用。有學(xué)者將遙感技術(shù)與葉綠素a或浮游植物密度作為輸出參數(shù)的模型相結(jié)合(俞志明 等, 2019); Karki 等(2018)基于MODIS 數(shù)據(jù)建立的數(shù)據(jù)驅(qū)動(dòng)模型, 可以提前3 天作出預(yù)測(cè)預(yù)報(bào), 但是衛(wèi)星遙感目前尚無(wú)法反演赤潮預(yù)警中所需的一些生化因素, 且現(xiàn)有的遙感赤潮提取算法無(wú)法實(shí)現(xiàn)普遍適用性, 尤其是在人為干擾嚴(yán)重的近岸海域適用性較低。不同類型的預(yù)警模型各有利弊, 因此在進(jìn)行赤潮預(yù)警模型研究中, 需要針對(duì)特定的研究對(duì)象, 分析其赤潮時(shí)空特征及理化因素來(lái)進(jìn)行模型構(gòu)建, 找出與赤潮暴發(fā)相關(guān)性較高的環(huán)境因素, 開(kāi)發(fā)適合特定海域的赤潮預(yù)警模型。

本研究以平潭海域?yàn)檠芯繉?duì)象, 在對(duì)水文和氣象環(huán)境數(shù)據(jù)的統(tǒng)計(jì)分析基礎(chǔ)上, 篩選出與赤潮發(fā)生相關(guān)性較強(qiáng)的環(huán)境因子, 以藻類密度作為輸出因子, 探索K 最近鄰回歸模型(K-nearestneighbor, KNN)、隨機(jī)森林回歸模型(random forest, RF)、梯度提升樹(shù)回歸模型(gradient-boosted regression trees, GBRT)以及Bagging 回歸模型(bootstrap aggregating, Bagging)這4 種赤潮藻類密度模型的構(gòu)建, 并以葉綠素a濃度作為輸出因子, 構(gòu)建BP 人工神經(jīng)網(wǎng)絡(luò)預(yù)警模型, 應(yīng)用于沒(méi)有葉綠素a濃度監(jiān)測(cè)數(shù)據(jù)的海灣, 為實(shí)現(xiàn)平潭海域的赤潮防控提供參考。

1 材料與方法

1.1 研究區(qū)與采樣概況

平潭島位于福建省東部沿海, 屬濕潤(rùn)的海洋性季風(fēng)氣候, 適合養(yǎng)殖魚(yú)類、貝類、藻類和蝦蟹類。根據(jù)平潭海域赤潮災(zāi)害信息統(tǒng)計(jì), 2009—2019 年平潭海域共發(fā)生赤潮15 起, 角毛藻、擬菱形藻、圓篩藻、東海原甲藻、夜光藻以及米氏凱倫藻是該海域常見(jiàn)的赤潮原因種。

本研究選擇平潭綜合實(shí)驗(yàn)區(qū)所轄海域作為研究對(duì)象, 監(jiān)測(cè)站位如圖1 所示。出海采樣及監(jiān)測(cè)時(shí)間為每年的4—10 月, 其中4—6 月是平潭海域赤潮高發(fā)期, 每周采樣1～2 次; 7—10 月進(jìn)入赤潮消亡期, 赤潮發(fā)生概率較低, 僅在月初和月末進(jìn)行野外采樣。

1.2 數(shù)據(jù)來(lái)源與處理

本研究中, 用于構(gòu)建模型的平潭海域水質(zhì)數(shù)據(jù)來(lái)源于福建省海洋環(huán)境與漁業(yè)資源監(jiān)測(cè)中心提供的2013—2019 年的802 組平潭海洋監(jiān)測(cè)有效樣本數(shù)據(jù), 模型所用的氣象資料來(lái)源于中國(guó)氣象數(shù)據(jù)網(wǎng)(https://data.cma.cn/)(表1)。其中, 氨氮、硝酸鹽-氮、 亞硝酸鹽-氮、磷酸鹽、硅酸鹽、溶解氧飽和度、化學(xué)耗氧量這7 個(gè)環(huán)境參數(shù)為2013—2015 年的監(jiān)測(cè)數(shù)據(jù)。

表1 2013—2019 年平潭海域的環(huán)境指標(biāo)Tab. 1 Environmental data sets of Pingtan coastal area from 2013 to 2019

模型指標(biāo)包括風(fēng)速、降水量、日照時(shí)數(shù)、氣溫、水溫、鹽度、pH、溶解氧、表觀增氧量(apparent oxygen increase, AOI)、葉綠素a以及浮游植物密度。表觀增氧量(AOI)表示在赤潮開(kāi)始形成之初, 大氣中的溶解氧含量與海水中的溶解氧含量達(dá)到一種平衡狀態(tài)(許昆燦 等, 2004)。赤潮暴發(fā)時(shí), 浮游植物的光合作用使得海水中的溶解氧增加。表觀增氧量的公式為:

式中: DO實(shí)測(cè)值為海水中溶解氧含量的現(xiàn)場(chǎng)實(shí)測(cè)值(單位: mg·L-1); DO飽和值為現(xiàn)場(chǎng)水溫、鹽度條件下的飽和溶解氧(單位: mg·L-1); AOI 的單位為mg·L-1。

關(guān)于飽和溶解氧DO飽和值的計(jì)算公式, 本研究采用Gammerson 和Robertson 提出的飽和溶解氧經(jīng)驗(yàn)式, 簡(jiǎn)稱G 氏公式(小沃爾特·J·韋伯, 1980), 即:

式中:Cds為固體溶解物的量(單位: g·L-1);t為水溫(單位: ℃)。

數(shù)據(jù)的歸一化處理參考許陽(yáng)春等(2020), 具體公式如下:

式中:xi為第i個(gè)樣本值;xi′為第i個(gè)數(shù)據(jù)xi的歸一化值;xmin為樣本數(shù)據(jù)中的最小值;xmax為樣本數(shù)據(jù)中的最大值。

1.3 模型介紹

1.3.1 KNN 回歸模型

KNN 回歸模型是一種懶惰的回歸學(xué)習(xí)模型(赫芬·I·里斯, 2020)。所有的操作均在測(cè)試階段完成, 通過(guò)計(jì)算每個(gè)測(cè)試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)之間的距離, 選擇最接近K的數(shù)據(jù), 并輸出預(yù)測(cè)數(shù)據(jù)的平均值, 模型公式如下:

式中:X為預(yù)測(cè)輸出;yk為第k個(gè)預(yù)測(cè)輸出值;K為最鄰近數(shù)據(jù)。

1.3.2 RF 回歸模型

隨機(jī)森林是一種集成學(xué)習(xí)器, 在這個(gè)學(xué)習(xí)模型中, 每個(gè)學(xué)習(xí)是一個(gè)決策樹(shù)(Breiman, 2001)。當(dāng)隨機(jī)森林構(gòu)建樹(shù)時(shí), 從隨機(jī)選擇的特征值中選擇最佳的 特征值放入樹(shù)的節(jié)點(diǎn)中。當(dāng)一個(gè)實(shí)例進(jìn)入一個(gè)隨機(jī)森林時(shí), 它將進(jìn)入所有的樹(shù), 每棵樹(shù)都有一個(gè)預(yù)測(cè), 并返回預(yù)測(cè)的平均值, 模型公式如下:

式中:F(x)為預(yù)測(cè)輸出;Tb(x)為第b個(gè)預(yù)測(cè)輸出值;x為輸入數(shù)據(jù);B為回歸樹(shù)數(shù)量。

1.3.3 GBRT 回歸模型

GBRT 回歸結(jié)合了一種稱為boosting 的統(tǒng)計(jì)技術(shù), 是對(duì)傳統(tǒng)決策樹(shù)方法進(jìn)行改進(jìn)的模型。該方法將一組“弱”模型聚集起來(lái), 形成一個(gè)單一的“強(qiáng)”共識(shí)模型(Lin et al, 2013)。該模型的構(gòu)建通過(guò)每步添加一棵新樹(shù)來(lái)優(yōu)化預(yù)測(cè)(Elith et al, 2008)。假設(shè)數(shù)據(jù)為

S= {(xi,yi)|i= 1, …,M}, 其中xi∈RN,yi∈R(R表示實(shí)數(shù)集,RN表示N維實(shí)數(shù)集), M 回歸樹(shù)f(xi)的GBRT模型表示公式如下(Zhou et al, 2016):

式中:P(xi)為預(yù)測(cè)輸出;fm(xi)為第m個(gè)預(yù)測(cè)輸出值;xi為輸入數(shù)據(jù);M為回歸樹(shù)數(shù)量。

1.3.4 Bagging 回歸模型

Bagging 回歸模型是一個(gè)集合估計(jì)器, 它擬合 數(shù)據(jù)集的隨機(jī)子集上的每個(gè)基本回歸器, 然后通過(guò)投票或平均來(lái)累積它們的單個(gè)預(yù)測(cè), 從而做出最終預(yù)測(cè)。該模型通過(guò)置換和預(yù)測(cè)抽取樣本, 并通過(guò)多數(shù)投票機(jī)制獲得樣本(Nabipour et al, 2020)。Bagging 在不進(jìn)行修剪的情況下構(gòu)造函數(shù)h(x)的多元回歸樹(shù), 并利用如下公式(Prasad et al, 2006)預(yù)測(cè)輸出g(x)。

式中:g(x)為預(yù)測(cè)輸出;ht(x)為第t個(gè)預(yù)測(cè)輸出值;x為輸入數(shù)據(jù);T為回歸樹(shù)數(shù)量。

1.3.5 4 種模型的優(yōu)缺點(diǎn)

本研究基于以上4 種預(yù)警回歸模型 (KNN 回歸模型、RF 回歸模型、GBRT 回歸模型和Bagging 回歸模型), 以環(huán)境數(shù)據(jù)為樣本作為輸入端, 藻密度為輸出端, 對(duì)其輸出結(jié)果進(jìn)行精度評(píng)價(jià)和分析, 最終選取精度最高的模型用于構(gòu)建平潭綜合實(shí)驗(yàn)區(qū)海域甲藻赤潮預(yù)警模型, 4 種模型的優(yōu)缺點(diǎn)如表2 所示。

表2 以藻類密度作為輸出參數(shù)的4 種模型的優(yōu)缺點(diǎn) Tab. 2 Advantages and disadvantages of four models with algae biomass as output parameter.

1.4 以葉綠素濃度作為輸出參數(shù)的BP 人工神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)使用梯度下降法來(lái)獲得最佳權(quán)重和閾值。BP 神經(jīng)網(wǎng)絡(luò)具有m個(gè)輸入層和n個(gè)輸出層, 以及輸入層和輸出層之間的幾個(gè)隱含層(Lyu et al, 2019)。當(dāng)預(yù)測(cè)精度未達(dá)到要求的水平時(shí), 可以通過(guò)增加隱含層中的節(jié)點(diǎn)數(shù)來(lái)提高預(yù)測(cè)精度。設(shè)有n個(gè)樣本(Xk,Yk)(k=1, 2, 3, …,n), 每任一輸入值Xk, 其相應(yīng)輸出值為Yk, BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程如圖2 所示。

1.5 模型演算

本研究模型對(duì)802 組數(shù)據(jù)隨機(jī)排序, 從數(shù)據(jù)集序列中隨機(jī)選取80%作為模型的訓(xùn)練數(shù)據(jù), 其余20%的樣本數(shù)據(jù)作為測(cè)試數(shù)據(jù)(許陽(yáng)春 等, 2020)。以不同的環(huán)境因子指標(biāo)交叉組合, 作為模型輸入?yún)?shù), 以藻密度作為輸出參數(shù), 對(duì)赤潮預(yù)警模型進(jìn)行訓(xùn)練和演算。

1.6 模型精度評(píng)價(jià)

模型評(píng)價(jià)標(biāo)準(zhǔn)參考 Qin 等(2017)的 ARIMA- DBN 模型的標(biāo)準(zhǔn)均方誤差(RMSE)、平均絕對(duì)誤差(MAE)及可決系數(shù)(R2), 公式如下:

各式中:xobs,i為第i個(gè)歷史數(shù)據(jù)實(shí)測(cè)值;xpre,i為第i個(gè)模型演算值;xobs為歷史數(shù)據(jù)實(shí)測(cè)值;xpre為模型演算值;為歷史數(shù)據(jù)實(shí)測(cè)均值;為模型演算均值;n為樣本數(shù)量。

1.7 數(shù)據(jù)處理

本文的數(shù)據(jù)預(yù)處理主要通過(guò)Excel 2016 進(jìn)行規(guī)范化, 模型演算所用數(shù)據(jù)的相關(guān)性分析通過(guò)SPSS 25.0 統(tǒng)計(jì)軟件完成, 主成分分析通過(guò)Origin 2017完成, 模型的構(gòu)建及運(yùn)行環(huán)境均在Matlab 2016a 中進(jìn)行開(kāi)發(fā)。

2 結(jié)果與討論

2.1 模型指標(biāo)篩選結(jié)果分析

赤潮的暴發(fā)受各環(huán)境因子的綜合影響, 因此 對(duì)數(shù)據(jù)進(jìn)行初步的篩選剔除之后, 將802 組環(huán)境參數(shù)的各輸入指標(biāo)與藻密度之間的關(guān)系進(jìn)行相關(guān)性分析。運(yùn)用SPSS 25.0 統(tǒng)計(jì)軟件, 對(duì)2013—2019 年平潭海域的藻密度與各環(huán)境因子進(jìn)行Pearson 相關(guān)分析, 結(jié)果顯示藻密度與葉綠素a、氣溫、AOI、溶解氧、pH 呈極顯著的正相關(guān)關(guān)系, 與風(fēng)速、海平面氣壓則呈極顯著的負(fù)相關(guān)關(guān)系, 與鹽度呈顯著的正相關(guān)關(guān)系(表3)。結(jié)合主成分分析結(jié)果, 剔除冗余指標(biāo), 精簡(jiǎn)與浮游植物密度強(qiáng)相關(guān)的環(huán)境因子, 提高模型的演算精度。主成分分析結(jié)果表明, 溶解氧、氣溫、水溫、海平面氣壓與第一主成分密切相關(guān)(圖3), 分別為-0.463、0.461、0.442、-0.344; 與第二主成分相關(guān)的有葉綠素a、AOI、pH 和日照貢, 獻(xiàn)率分別為0.466、0.460、0.385、0.282; 風(fēng)速、降水、鹽度在第三主成分中占比較大, 分別為0.569、-0.525、0.416。

表3 平潭海域各指標(biāo)因子間的Pearson 相關(guān)關(guān)系 Tab. 3 Pearson correlation between various index factors in the Pingtan costal area

基于以上分析, 篩選出葉綠素a、氣溫、AOI、溶解氧、pH、風(fēng)速、海平面氣壓、降水、日照這9個(gè)環(huán)境因子。為了減少模型指標(biāo)的冗余性, 本研究中的表觀增氧量(AOI)已涵蓋了水文因子中的水溫和鹽度。將篩選出的環(huán)境組合因子通過(guò)模型來(lái)建模分析, 并對(duì)模型預(yù)警精度進(jìn)行評(píng)價(jià)。

2.2 以藻密度為輸出指標(biāo)的模型演算結(jié)果分析

以藻密度作為輸出端的4 種模型的部分演算結(jié)果如表4 所示, 所列的3 種多指標(biāo)組合輸出結(jié)果相對(duì)最優(yōu), 可決系數(shù)均達(dá)到較高擬合優(yōu)度。所有組合在4 種模型演算結(jié)果中, MAE 和RMSE 差異不大, 均在0.800～0.900 范圍內(nèi)。

表4 4 種模型的演算結(jié)果 Tab. 4 Calculation results of four models

組合1(風(fēng)速、氣溫、海平面氣壓、葉綠素a)指標(biāo)數(shù)量少, 且4 種模型演算結(jié)果的R2均大于0.500, 說(shuō)明組合1 的擬合效果在所有多指標(biāo)組合中精度最好。相反, 雖然組合2(氣溫、海平面氣壓、葉綠素a、AOI)指標(biāo)數(shù)量與組合1 相同, 但組合2 的4 種模型結(jié)果的R2均小于0.500, 表明風(fēng)速是赤潮預(yù)警的重要環(huán)境指標(biāo)。風(fēng)速大小影響水體擾動(dòng)強(qiáng)弱, 風(fēng)浪擾動(dòng)是影響浮游植物生長(zhǎng)的重要環(huán)境因子之一。李冬 梅等(2010)通過(guò)研究分析水體擾動(dòng)對(duì)多種赤潮藻生長(zhǎng)的影響, 發(fā)現(xiàn)其他環(huán)境因子不變的情況下, 擾動(dòng)是藻類生長(zhǎng)的主要影響因子。一定強(qiáng)度的風(fēng)浪擾動(dòng)有利于藻華的消逝, 適宜強(qiáng)度的擾動(dòng)則會(huì)促進(jìn)藻類聚集和生長(zhǎng), 防止藻類沉降到水體底層, 且能夠維持水環(huán)境中的營(yíng)養(yǎng)鹽濃度(芮政 等, 2019; 張海涵 等, 2022)。陳旭陽(yáng)等(2018)通過(guò)布設(shè)在線監(jiān)測(cè)浮標(biāo)實(shí)時(shí)監(jiān)測(cè)赤潮數(shù)據(jù)的變化, 同樣發(fā)現(xiàn)了風(fēng)速的減小有利于表層海水中藻類的迅速增殖, 風(fēng)速增大則有利于赤潮消退。

所有組合中, 組合3(風(fēng)速、氣溫、海平面氣壓、葉綠a、AOI)的指標(biāo)數(shù)量最多, 除KNN 回歸模型外, 其他3 種模型的R2均大于0.500, 但小于組合1 模型演算結(jié)果的R2。這表明指標(biāo)信息冗余并不一定有利于模型預(yù)警, 適當(dāng)降低評(píng)價(jià)指標(biāo)數(shù)量, 篩選最佳的輸入指標(biāo)進(jìn)行預(yù)警, 不僅節(jié)省人力物力, 還能提高一定的預(yù)測(cè)精度。

4 種模型中, 組合1(風(fēng)速、氣溫、海平面氣壓、葉綠素a)在KNN 回歸中演算的精度最高,R2為0.624。這表明以風(fēng)速、氣溫、海平面氣壓、葉綠素a組合作為輸入端, 藻密度作為輸出端時(shí), KKN 回歸模型能夠達(dá)到很好的預(yù)測(cè)精度。溫度不僅是單個(gè)藻類增殖的影響因素, 還是浮游植物群落結(jié)構(gòu)演替的重要環(huán)境影響因素(蘇金洙 等, 2020)。海平面氣壓對(duì)藻類增殖的影響, 目前還未有明確的定論, 但一定的低壓條件有利于赤潮藻類的維持(馬毅 等, 2008; 趙雪 等, 2009)。葉綠素a濃度是海水中浮游生物密度的表征, 葉綠素a濃度高, 說(shuō)明海水中浮游植物密度高(陳旭陽(yáng) 等, 2018)。因此, 以氣溫、海平面氣壓、葉綠素a作為模型輸入指標(biāo), 能在一定程度上表征藻類密度。

2.3 以葉綠素a 濃度為輸出因子的赤潮預(yù)警模型分析

本研究綜合考慮模型的運(yùn)行成本和特定海域歷史數(shù)據(jù)的特點(diǎn), 通過(guò)BP 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建了以葉 綠素a為輸出因子的赤潮預(yù)警模型, 用于未布設(shè)葉綠素a浮標(biāo)探頭的赤潮頻發(fā)海域。

模型演算結(jié)果如表5 所示, 組合1(氣溫、日照、溶解氧)和組合2(氣溫、日照、AOI)的RMSE、MAE 在6 個(gè)組合的誤差中較大, RMSE 均在0.065μg·L-1以上, MAE均在0.045μg·L-1以下, 且R2較小, 因此排除這2 個(gè)組合。組合3(氣溫、日照、風(fēng)速)、組合4(氣溫、日照、降水、溶解氧)、組合5(氣溫、日照、風(fēng)速、AOI)和組合6(氣溫、日照、風(fēng)速、溶解氧)的RMSE在6 個(gè)組合中較小, 均低于0.065μg·L-1, 且MAE 差別不大。這6 個(gè)組合的指標(biāo)中均包含有氣溫和日照指標(biāo)。日照強(qiáng)弱會(huì)對(duì)藻類的光合作用速率產(chǎn)生影響, 這是因?yàn)樵孱惤?jīng)葉綠素吸收光能, 把二氧化碳和水合成有機(jī)物, 同時(shí)釋放出氧氣(趙聰蛟 等, 2020)。因此, 日照能夠間接反映葉綠素a的濃度情況。

表5 葉綠素a 作為輸出端的部分模型演算結(jié)果 Tab. 5 Partial model calculation results with Chl a as output in BP model

組合 5(氣溫、日照、風(fēng)速、AOI)的可決系數(shù)R2在所有組合中達(dá)到最高值(0.651), 且該組合的RMSE=0.062μg·L-1, MAE=0.033μg·L-1, 擬 合 度 較好。本研究的模型演算結(jié)果說(shuō)明, 在沒(méi)有布設(shè)葉綠素a浮標(biāo)探頭的海域, 通過(guò)構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)赤潮模型, 以氣溫、日照、風(fēng)速等氣象數(shù)據(jù)及AOI 作為 模型輸入端, 能夠達(dá)到較高的葉綠素a濃度預(yù)測(cè)準(zhǔn)確度。

3 主要結(jié)論

本研究分析了平潭海域2009—2019 年期間發(fā)生赤潮的水文氣象環(huán)境因素, 優(yōu)化了輸入赤潮預(yù)警模型的指標(biāo)組合。模型演算結(jié)果表明, 以藻類密度為模型輸出指標(biāo), 以風(fēng)速、氣溫、海平面氣壓、葉綠素a組合作為模型輸入指標(biāo)時(shí), 4 種預(yù)警模型中以KNN 回歸模型的演算精度較高。此外, 本研究構(gòu)建了以葉綠素a濃度為輸出指標(biāo), 以氣溫、日照、風(fēng)速、AOI 組合為輸入指標(biāo)的BP 神經(jīng)網(wǎng)絡(luò)赤潮模型, 應(yīng)用于沒(méi)有葉綠素a濃度監(jiān)測(cè)的海域, 演算結(jié)果表明該模型有較好的預(yù)測(cè)精度。在未來(lái)的研究中, 可以對(duì)模型不斷增加新數(shù)據(jù)訓(xùn)練并檢驗(yàn), 有望用于平潭海域的赤潮預(yù)警和防控工作, 并為其他海域的赤潮預(yù)警提供參考。