棉花滩水库浮游植物群落结构演替特征及风险预警研究

崔玉洁; 杨友德; 郑婉婷; 成再强; 陈天生; 林晓芳; Yu-jie CUI; You-de YANG; Wan-ting ZHENG; Zai-qiang CHENG; Tian-sheng CHEN; Xiao-fang LIN

中国农村水利水电 ›› 2022 ›› (3) : 127-133.

作者信息 +

Research on the Succession Characteristics of Phytoplankton Community Structure and Risk Warnings in the Mianhuatan Reservoir

Author information +

稿件信息 +

摘要

水华的暴发是浮游植物在适宜的水文、气象及营养盐条件下大量增殖并聚集的过程，深入探索水华暴发与相应环境因子关系可为水华风险预警提供依据。以福建省龙岩市棉花滩水库连续两年的水文、气象和水质水生态监测数据为基础，分析该水库浮游植物群落演替规律，并建立了LSTM人工神经网络模型开展水华风险预警。结果表明：棉花滩浮游植物样品中共发现6门63属，主要优势藻种为小环藻、针杆藻、小球藻、衣藻；当以日均气温、水温、风向、入库流量作为输入变量时，监测方式最为简便且输出结果最优，预测值与实测值拟合度为0.76，水华高风险时段，相对误差在0.02~0.73范围内，且模型稳定性较好。该模型有望用于棉花滩水库水华预警，为优化当地水资源管理提供手段。

Abstract

The outbreak of algal bloom is a process of phytoplankton proliferation and aggregation under suitable hydrological， meteorological and nutrient conditions. Further exploration of the correlation between algal bloom and the corresponding environmental factors can provide a basis for risk warnings of algal bloom. Based on the nearly two-year monitoring data of hydrology， meteorology， water quality and water ecology of the Mianhuatan Reservoir in Longyan City of Fujian Province， the succession characteristics of phytoplankton community are analyzed in this paper. Meanwhile， the LSTM artificial neural network model is established to forecast the algal bloom. The results show that 6 phyla and 63 genera were found in the Mianhuatan Reservoir， and the main dominant species were cyclotella， synedra， chlorella and chlamydomonas. When the daily average temperature， water temperature， wind direction and inflow flow are used as input variables， the monitoring method is not only the simplest but also the best result. The fitting coefficient between the predicted value and the measured value has reached 0.76. The relative error is in the range of 0.02~0.73 in the high-risk period， which shows the stability of the model is acceptable. The model is expected to be used for risk warning of algal bloom in Mianhuatan Reservoir and provides a means for optimizing local water resources management.

关键词

水华 / LSTM神经网络 / 棉花滩水库 / 风险预警

Key words

algal Bloom / LSTM neural network / Mianhuatan Reservoir / risk forecast

基金

国家自然科学基金青年基金项目(52009066)

三峡库区生态环境教育部工程中心开放基金项目(KF2019-16)

引用本文

EndNote

Ris (Procite)

Bibtex

导出引用

崔玉洁 , 杨友德 , 郑婉婷 , 成再强 , 陈天生 , 林晓芳. 棉花滩水库浮游植物群落结构演替特征及风险预警研究[J].中国农村水利水电, 2022(3): 127-133

Yu-jie CUI , You-de YANG , Wan-ting ZHENG , Zai-qiang CHENG , Tian-sheng CHEN , Xiao-fang LIN. Research on the Succession Characteristics of Phytoplankton Community Structure and Risk Warnings in the Mianhuatan Reservoir[J].China Rural Water and Hydropower, 2022(3): 127-133

0 引言

水库蓄水在发挥防洪、发电、航运等巨大综合效益的同时，也深刻的影响着水体的水动力、水环境特征^［1］。随着蓄水，原河流水体水深加大，水体自净能力降低，易引发水体富营养化，流速趋缓也为漂浮型蓝绿藻提供了适宜的生境条件，引发水华现象。水华的暴发是适宜的气象条件、充足的营养盐和缓慢的水流共同作用的结果^［2］。研究表明：随着水库运行年限延长，浮游植物优势藻种易由初期的河流型甲藻、硅藻向湖泊型蓝、绿藻演替，而蓝藻由于其释放的有毒藻毒素，一直是关注的焦点^［3］。

水华预警是水华防控的重要手段，其预警模型可分为物理过程模型和数据统计模型两种，其中物理过程模型主要围绕水华形成的生源要素、气候水动力条件，以藻类增殖的过程来预测水华情势的强弱^［4］。Kim等^［5］依托EFDC构建韩国Han River的环境水力学模型，考虑三个优势藻种：硅藻、绿藻和蓝藻，较好的预测了Han River叶绿素浓度；Zhang等^［6］针对日益严重的原甲藻水华，开发了集物理、营养循环和浮游生物生理学的三维预测模型，再现了美国Chesapeake湾浮游植物种群越冬的模式。Kerimoglu等^［7］利用自养分类不同的浮游植物群，为法国Bourget湖开发了一个蓝藻水华预测模型。由于浮游植物增殖影响因素众多，水动力学与藻类生理过程之间作用复杂，使用物理过程模型进行水华预警过程中，参数众多，且需要大量连续的基础数据支撑，如在CE-QUAL-W2模型中，仅考虑单种浮游植物生长与温度的本构关系，就涵盖8个参数，复合藻种水华模拟参数个数将成指数增加^［8］。

由于物理模型的复杂性和局限性，单纯基于数据挖掘算法和统计学理论，建立水华与驱动因素之间的关系的数据统计模型可避开其中的复杂环节，得以大量应用。孔繁翔等^［9］利用水文和气象监测，结合卫星遥感技术对太湖蓝藻水华发生进行预测，准确率达80%。人工神经网络算法由于方法简单、无需建立复杂的数学计算模型、具有很强的适应性和容错性，在水华预报中得到广泛的应用。Shen等^［10］利用支持向量机较好地模拟和预测年际间藻华变化。覃苗等^［11］用水温、溶解氧、电导率和气温作为输入变量，采用BP神经网络模型（Back Propagation）对东张水库叶绿素a进行预测，预测结果较好，拟合度达0.83。神经网络虽以成功应用于水华预警中，但该模型不易收敛，需要反复多次调参才能趋于稳定。因此不仅考虑前一时刻的输入，而且赋予了网络对前期内容的“记忆”功能的改进后的RNN循环神经网络（Rerrent Neural Network）得以逐步推广，而长短期记忆网络LSTM （Long Short-Term Memory）则是在RNN循环神经网络的基础上解决其存在的数据长期依赖问题，适合于处理和预测时间序列中间隔和延迟非常长的时间，在水质预测中进行了一定的应用^［12］。

综上，本研究通过近两年对棉花滩水库的水文水生态跟踪监测，在分析浮游植物群落结构及生境变化的基础上，采用LSTM进行水华预警建模，以期为水华风险预警提供技术支撑。

1 研究区域与方法

1.1 研究区域

棉花滩水库大坝位于福建省永定区境内的汀江干流棉花滩峡谷河段中部，由汀江干流和黄潭河中下游河段组成，是以发电、防洪为主，航运、水产养殖为辅的大型调节型水库^［13］。大坝工程于1998年开工，2002年12月全部完工，控制流域面积为7 907 km²，总库容20.35 m^3［14］。库区属亚热带海洋性季风气候，多年平均气温为20.1 ℃。受温润暖湿气流影响，库区降水充沛，干湿季节分明，雨季相对集中，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 监测方案

本次调查集中于棉花滩大坝库首区，样点布设见图1，其中汀江干流：上游源头自然河流段8号、变动回水区7号、回水淹没区6号、5号、交汇以后库区9号、10号、11号、12号。支流黄潭河：上游源头自然河流段4号、变动回水区3号、回水淹没区2号，1号。2019年7-12月、2020年5-10月开展生态环境监测，共计34次。

图1 棉花滩水库采样点分布图

Fig.1 Distribution of sampling sites in the Mianhuatan Reservoir

Full size|PPT slide

1.3 监测指标及方法

营养盐：取表层以下0.5 m水体500 mL，用于测定水体中总氮（TN）、氨氮（NH₄-N）、硝氮（NO₃-N）、总磷（TP）、正磷酸盐（PO₄-P）、叶绿素a （chlorophyll-a，简记为 chl-a），现场浓硫酸低温保存，48 h内进行水化学分析实验，分析测试方法依据《水和废水监测分析方法》^［16］。

水环境参数：温度、溶解氧、电导率、pH、氧化还原电位，由水质多参数仪（Hydrolab DS5）现场测定表层水体获得。

藻类鉴定：取监测点表层水体1 L，每瓶加鲁哥试剂2.5 mL，低温保存，每静置8 h以上采用医用输移管在微扰动模式下移除上层清液，反复几次，逐步沉淀浓缩至50 mL后，在迅数藻类鉴定计数仪下对浮游藻类细胞进行分类镜检到属，其藻种鉴定参照《中国淡水藻类》^［17］。

2 风险预报模型原理

2.1 模型介绍

长短期记忆（LSTM）网络最早于1997年被提出，它是递归神经网络（RNN）的改进版本^［18］。LSTM是一种时间递归神经网络，它继承了大多数RNN模型的特点，解决了梯度反向传播过程中梯度消失的问题^［19］。在RNN的基础上，LSTM增加了一个记忆“细胞”结构来判断信息是否有用。每个单元由一个输入门、一个忘记门和一个输出门组成。每条信息都进入了LSTM网络，并根据规则被认为是有用的，只留下符合规则的信息，不符合的信息通过遗忘门被遗忘，这对于具有长期序列依赖性问题的数据非常有效。

2.2 模型构建

图2为LSTM神经网络内部结构示意图，包括输入层、隐藏层和输出层^［12］。

图2 LSTM神经网络结构图

Fig.2 Neural network structure of LSTM

Full size|PPT slide

输入层：整个模型采用全连接结构，变量首先通过输入阀门进入神经网络结构，该阀门层的功能是决定更新的信息内容，包括sigmoid函数层和tanh函数层两部分，其层数与输入变量数量一致。其计算公式为：

i_{t} = σ (W_{i} ∙ [h_{t - 1}, x_{t}] + b_{i})

（1）

{\tilde{G}}_{t} = t a n h (W_{c} ∙ [h_{t - 1}, x_{t}] + b_{c})

（2）

隐藏层：在该模型隐藏层中设置50个神经元，每个神经元细胞包含遗忘门和更新门。遗忘阀门主要用以决策，可自主决定舍去细胞状态中的信息。h_t _-1为上一层的输出结果，

x_{t}

为现阶段的输入数据，输出结果的数值范围为［0，1］，

C_{t - 1}

为各细胞的状态，其内部数字中1意味着“完全保留”，0意味着“完全舍弃”。更新阀门的功能为更新换代旧细胞和新细胞的状态，由状态C_t _-1更新至状态C_t，该层的计算公式为：

f_{t} = σ (W_{f} ∙ [h_{t - 1}, x_{t}] + b_{f})

（3）

C_{t} = f_{t} C_{t - 1} + i_{i} {\tilde{C}}_{t}

（4）

输出层：该层功能主要为决策该层输出的类型和内容。这个输出过程为首先运行输入层中的sigmoid层确定输出的哪些细胞状态，其次通过输入层中tanh函数层进行处理细胞状态，紧接着将其与sigmoid层的输出数据相乘，从而最终确定出输出内容。该层计算公式为：

o_{t} = σ (W_{o} ∙ [h_{t - 1}, x_{t}] + b_{o})

（5）

h_{t} = o_{t} t a n h (C_{t})

（6）

本研究中的LSTM神经网络模型使用Python编程语言和其深度学习框架Keras搭建。Keras是一个用于快速构建深度学习网络的高级库，它的Sequential模型可以快速堆叠不同类型的网络结构。由于输入输出参数量纲不一致，在进行运算之前需要进行数据标准化处理，计算公式如式（7）：

x_{s t d}^{i} = \frac{x^{i} - x_{m e a n}^{i}}{σ_{x}^{i}}

（7）

式中：

x_{m e a n}^{i}

和

σ_{x}^{i}

分别是均值和第i个变量的方差。

经过标准化处理的数据输入到LSTM模型中。该神经网络模型中输入层设置一个单元，隐藏层设置50个LSTM神经元，输出层为一个单元，采用Dense（全连接）结构，该模型其余参数：迭代次数epochs取值为1 000、分段长度batchsize取值72、损失函数loss设置为mae，优化函数optimizer设置为adam。

2.3 误差评价指标

为分析各种参数预测性能的优劣，采用相对误差RE、平均绝对误差MAE和拟合度R ²作为评价指标，计算方法如下：

R E = \frac{|y_{i}' - y_{i}|}{y_{i}}

（8）

M A E = \frac{1}{n} \sum_{i = 1}^{n} |y_{i}' - y_{i}|

（9）

R^{2} = \frac{\sum_{i = 1}^{n} {(y_{i}^{'} - \bar{y})}^{2}}{\sum_{i = 1}^{n} {(y_{i} - \bar{y})}^{2}}

（10）

式中：

i

表示样本脚标；n表示样本数量；

y_{i}^{'}

表示模拟值；

y_{i}

表示实测值；

\bar{y}

表示实测值的均值。

3 结果与分析

3.1 环境因子变化特征

表1列举了棉花滩库区各环境因子平均值、变化范围以及变异系数。由表可知，其中平均水温27.63 ℃，平均气温29.35 ℃，波动幅度相对较小。由氧化还原电位可知，水体整体呈现出还原性，均值为-85.06，变异程度为所有参数最大。chl-a浓度变化范围为0.28~76.51 mg/m³，均值为16.16 mg/m³，离散程度仅次于氧化还原电位。溶解氧DO含量变化范围位于5.04~10.74 mg/L，平均为7.70 mg/L，整体维持在较高水平。氨氮NH₄-N含量位于0.34~0.90 mg/L之间，平均含量为0.06 mg/L，总磷TP平均含量为0.02 mg/L，正磷酸盐PO₄-P含量偏低，总体来说，水质情况良好，处于地表水二类水质。

表 1 棉花滩环境因子特征

Tab.1 Characteristics of environmental factors in Mianhuatan Reservoir

环境因子	平均值	变化范围	变异系数
水温/℃	27.63	17.75~33.96	0.16
气温/℃	29.35	18.56~35.99	0.15
酸碱度pH	8.34	7.16~9.83	0.10
透明度SD/m	0.99	0.51~1.78	0.32
氧化还原电位ORP/mV	-85.06	-169.00~11.92	-0.60
电导率/（uS·cm^-1）	121.29	84.00~147.33	0.13
溶解氧DO/（mg/L^-1）	7.70	5.04~10.74	0.21
chl-a/（mg·m^-3）	16.16	0.28~76.51	0.90
化学需氧量COD_-Mn/（mg·L^-1）	2.23	1.45~3.56	0.20
生物需氧量BOD₅/（mg·L^-1）	1.19	0.78~2.21	0.22
总氮TN/（mg·L^-1）	0.71	0.34~0.90	0.19
氨氮NH₄-N/（mg·L^-1）	0.06	0.02~0.15	0.53
硝酸盐氮NO₃-N/（mg·L^-1）	0.41	0.08~0.77	0.51
总磷TP/（mg·L^-1）	0.02	0.01~0.05	0.45
正磷酸盐PO₄-P/（mg·L^-1）	0.01	0.01~0.03	0.37

3.2 浮游植物群落结构演替规律

棉花滩水库2019年、2020年共鉴定藻门6门63属（如表2），分别为绿藻门（21属）、甲藻门（6属）、硅藻门（19属）、隐藻门（1属）、蓝藻门（15属）、黄藻门（1属）。其中绿藻门属数最多，占浮游植物总属数的33.33%。小环藻为所有藻种中出现频率最高藻种，达到93.69%，为棉花滩水库常见优势藻种，其次为针杆藻、小球藻、衣藻。对比陈丽萍等在2010年9月紫金铜矿污染污染事件后棉花滩库区浮游植物群落结构构成为6门35属^［20］。

表2 棉花滩水库不同浮游植物藻属构成

Tab.2 Composition of phytoplankton algae in Mianhuatan Reservoir

甲藻门	硅藻门	绿藻门	蓝藻门	黄藻门	隐藻门
扁甲藻	小环藻	小球藻	微囊藻属	黄丝藻属	隐藻属
裸甲藻	直链藻	衣藻	鱼腥藻
原甲藻	针杆藻	新月藻	伪鱼腥藻
多甲藻	脆杆藻	丝藻	束丝藻
拟多甲藻	根管藻	栅藻	颤藻
角甲藻	舟形藻	实球藻属	色球藻
	双壁藻	空球藻	念珠藻
	娄氏藻	顶接鼓藻属	螺旋藻
	冠盘藻	角星鼓藻	微鞘藻
	圆筛藻	鼓藻	拟鱼腥藻属
	等片藻	宽带鼓藻	束球藻属
	菱形藻	柱形鼓藻	节旋藻属
	羽纹藻	棒形鼓藻	眉藻属
	曲壳藻	盘星藻	灰胞藻属
	曲壳藻属	卵囊藻	微鞘藻属
	冠盘藻属	四角藻
	双壁藻属	胶囊藻属
	星芒藻属	团藻属
	等片藻属	似竹鼓藻属
		四鞭藻属
		角星鼓藻属

图3 棉花滩水库浮游植物种类百分比

Fig.3 Percentage of phytoplankton species in Mianhuatan Reservoir

Full size|PPT slide

通过对棉花滩水库的浮游植物总藻密度可知，2019年7月总藻浓度达到最高值，达到0.35 亿个/L，2019年8月浓度大幅降低，9月以后藻类密度非常低。2020年6月总藻浓度达到最高值，达到0.286^{亿个/L，7月浓度大幅降低，此后总藻密度一直呈上下波动状态。}

图4 棉花滩水库总藻密度变化图

Fig.4 Variation of total algae density in Mianhuatan Reservoir

Full size|PPT slide

3.3 风险预报模型结果分析

3.3.1 相关性分析

由于棉花滩水库共鉴定浮游植物藻种6门63属，且不同藻种生长关联要素众多，成因复杂，为开展水华风险预警，本文选择浮游植物总藻密度为预警目标，通过相关性分析，遴选棉花滩库区影响水华生长的关键因子，筛除关联性较弱因子，为后续LSTM模型输入条件提供依据。此处主要采用棉花滩水库藻类生长的水质、气象因子与总藻密度开展Pearson相关性分析，结果如表3示。由表可知，总藻密度与水质因子中的水温、pH、氧化还原电位、溶解氧DO、五日生化需氧量、总磷、硝酸盐氮、高锰酸盐指数等水质参数存在显著相关关系（P<0.01）。其中，藻密度与溶解氧的相关系数达0.57，符合浮游植物与溶解氧浓度成正相关关系的一般性规律^［21］。水质因子中，营养盐（总磷、硝酸盐）对预测结果不敏感，说明主要影响棉花滩水库藻类繁殖的是其环境因子，营养盐不是藻类生长的限制因子。

表3 藻密度与各指标Pearson相关关系

Tab.3 Correlation between algal density （units /L） and Pearson of each index

指标	平均气温	最高气温	最低气温	入库流量	出库流量	日均降水量
藻密度	0.38^**	0.36^**	0.35^**	0.38^**	0.53^**	0.11^*
指标	风向	平均风速	极大风速	总磷/（mg·L^-1）	总氮/（mg·L^-1）	氨氮/（mg·L^-1）
藻密度	-0.29^**	-0.01	0.20^**	0.15^**	0.12^*	0.00
指标	水温/℃	硝酸盐氮/（mg·L^-1）	透明度/m	溶解氧/（mg·L^-1）	pH	磷酸盐/（mg·L^-1）
藻密度	0.44^**	-0.17^**	0.04	0.57^**	0.54^**	-0.04
指标	高锰酸盐指数/（mg·L^-1）	五日生化需氧量/（mg·L^-1）	电导率	氧化还原电位	叶绿素a/（mg·L^-1）
藻密度	0.24^**	0.24^**	-0.09	-0.46^**	0.11^*

注：**. 在 0.01 级别（双尾），相关性显著；*. 在 0.05 级别（双尾），相关性显著。

藻密度与水文气象条件中的气温（日均气温、最高气温、最低气温）、平均风速、风向、极大风速、入库及出库流量等存在显著相关性（P<0.01）。

3.3.2 预测结果分析

依据相关性分析结果，选取显著相关（P<0.01）的影响因素作为输入变量，分别以水质单因子、水文气象单因子和组合因子3种情况作为LSTM模型输入变量去预测藻密度浓度。

表4列举了气象因子中和水质因子逐一代入模型中后输出的模拟结果，结果表明，气象水文因子中入库流量模拟结果表现最好，实测值与预测值拟合度R² 为0.68，出库流量次之，拟合度R² 为0.60。水质因子中溶解氧为单一输入变量时的模拟结果时，实测值与预测值拟合度R² 最好，可达0.65，平均绝对误差MAE为0.041亿个/L，这与水华暴发时浮游植物增殖所产生的光合作用制氧关系密切^［22］。其次为pH，拟合度R ²为0.50，这与水华暴发时浮游植物增殖光合作用利用水中的CO₂合成有机质，使得藻类的生物量增加，pH升高有关^［23］。水质因子中的溶解氧和pH异常波动时水华暴发的结果，从一定程度上表明了预测结果的合理性。目前的研究中，有部分研究成果即以溶解氧DO浓度、pH来开展水华的预测预报工作^{［24， 25］}。

表4 单一因子作为输入变量模拟结果

Tab.4 Simulation results of singal factor as input variables

气象水文因子	MAE（×10⁷）	R²	水质因子	MAE（×10⁷）	R²
日均气温	0.50	0.41	水温	0.49	0.35
最高气温	0.51	0.33	pH	0.46	0.50
最低气温	0.48	0.38	氧化还原定位	0.45	0.49
风速	0.63	0.02	溶解氧	0.41	0.65
风向	0.6	0.14	五日生化需氧量	0.58	0.31
极大风速	0.55	0.07	总磷	0.64	0.03
入库流量	0.37	0.68	硝酸盐	0.63	0.01
出库流量	0.40	0.60	高锰酸盐	0.61	0.04

图5（a）为仅以入库流量作为单一输入变量预测结果，由图可知，棉花滩水库藻密度预测与实测结果整体拟合度较好，特别是藻密度浓度峰值拟合效果较好，平均绝对误差MAE为0.037亿个/L，这可能与棉花滩水库规律性季节调节方式有关。图5（b）为以溶解氧为输入变量时的模拟结果，虽平均误差整体相对其他水质因子较小，但是对藻类峰值时的模拟结果较差。

图5 分别以入库流量和溶解氧作为输入变量预测结果

Fig.5 Forecast results of inflow flow and dissolved oxygen as input variables

Full size|PPT slide

当该模型输入变量为单因子时，拟合度均不超过0.70，模拟精度整体不高。为进一步提高模拟进度，此处对与水华存在相关性的16个因素分别进行了二因子组合，三因子组合和四因子组合，由于篇幅所限，此处仅列举预测模拟结果较好的情况（表6），由表可知，二因子“水温+入库流量”组合模式拟合度优于“水温+溶解氧”的二因子组合，R ²可达到0.73。当增加为3因子时，即“水温+溶解氧+入库流量”的模式下，拟合度R ²可进一步提高至0.75，当增加至四因子时，多因素组合下R ²均可达到0.76，其中以“日均气温、水温、风向、入库流量”4个指标作为模型输入变量，平均绝对误差MAE最低为0.031亿个/L，同时由于这4个因子可以结合天气预报提前获知，较容易实现水华的预测预报工作。

表5 组合因子作为输入变量模拟结果

Tab.5 Simulation results of combining factors as input variables

组合编号	组合指标	MAE（ $\times 10^{7}$ ）	R ²
1	水温、溶解氧	0.42	0.65
2	水温、入库流量	0.34	0.73
3	水温、溶解氧、入库流量	0.33	0.75
4	水温、溶解氧、入库流量、出库流量	0.32	0.76
5	水温、溶解氧、入库流量、出库流量、pH	0.33	0.76
6	日均气温、溶解氧、入库流量、水温	0.33	0.74
7	日均气温、水温、溶解氧、风向、入库流量	0.32	0.76
8	日均气温、水温、风向、入库流量	0.31	0.76

表6 实测值与预测值对比

Tab.6 Comparison between Measured Values and Predicted Values

实测值/（万个·L^-1）	预测值/（万个·L^-1）	相对误差（RE）	实测值/（万个·L^-1）	预测值/（万个·L^-1）	相对误差（RE）
3 094	1 493	0.51	620	245	0.58
2 820	2 646	0.06	604	446	0.19
2 699	2 641	0.02	572	253	0.54
1 813	1 258	0.29	516	797	0.58
1 499	2 056	0.37	395	343	0.10
1 402	828	0.39	250	552	1.33
1 354	941	0.29	181	209	0.34
1 080	232	0.73	128	362	2.09
1 056	852	0.40	101	152	0.53
1 039	774	0.22	97	311	2.51
1 023	732	0.24	64	355	4.82
951	755	0.21	55	55	0.72
854	1 099	0.35	44	16	0.04
705	178	0.66	15	11	1.13
701	568	0.17	14	26	3.03

在不同因子组合遴选过程中可知，棉花滩气温和出入库流量对藻类生长有较大的影响，气温升高会导致水库表层水温升高，营造利于藻类的生境条件，这与本人曾获取的淡水水库10大优势藻种的温度与藻类的本构关系曲线也可得到验证^［8］。本研究中，预测结果对入库流量最为敏感，入库流量的大小可能会影响水库的水动力过程，改变水库垂向水温分层结构，影响藻类繁殖，其机制还有待进一步探究^{［26， 27］}。

对以上四因子组合（日均气温、水温、风向、入库流量）作为输入变量时，对实测值与预测值输出结果开展误差分析。从表6中可以看出，当藻密度量级在2 500 万个/L以下时，相对误差会出现较大值，此时预测值可信度较低，但此时为水华低风险时期，预测值不具有参考性；随着水华浓度的升高，实测值和预测值误差缩小，当实测藻密度高于10⁷个/L时，相对误差RE变化范围为0.02~0.73，整体处于可接受范围，能大体预测出水华风险趋势。

图6为四因素组合下实测与预测结果对比图，由图6可知，该模型整体拟合结果较好，虽然在藻密度浓度较低时，存在一定误差，但随着藻浓度升高，精度在可接受范围，加上这四个因子可以结合天气预报提前获知，较容易实现水华的预测预报工作，推荐作为棉花滩库区首选水华预测组合。

图6 以气温、水温、风向、入库流量作为输入变量预测结果

Fig.6 Forecast results of air temperature， water temperature， wind direction and inflow flow as input variables

Full size|PPT slide

综合以上预测结果可知，气象水文单因子中，入库流量凭借其季节规律性和对降水的响应，可作为LSTM模型预测棉花滩库区首选，水质单因子中，溶解氧可作为水华预测首选，但对藻密度峰值模拟精度稍差。多因素组合下，首选日均气温、水温、风向、入库流量四个指标作为模型输入变量，可较好的预测该区域水华。

4 结论

通过对棉花滩水库近两年水生态环境连续监测，本文系统分析了该区域浮游植物群落结构特征，并通过相关性分析对影响水华关键因子进行筛选。依据相关性分析结果，选取显著相关（P<0.01）的影响因素作为输入变量，分别以水质单因子、水文气象单因子和组合因子3种情况作为LSTM模型输入变量去预测总藻密度，主要结论如下。

（1）棉花滩水库属亚热带海洋性季风气候，气候温润多雨，整体水质处于地表水II类水体，水质状况良好，浮游植物样品中共发现6门63属，主要优势藻种为小环藻、针杆藻、小球藻、衣藻，从属于绿藻和硅藻门，蓝藻水华整体风险较低；

（2）单因子中分别以气象水文因子中入库流量和水质因子中的溶解氧作为单一输入变量时的模拟结果最佳；多因子下以日均气温、水温、风向、入库流量的组合条件下，利用LSTM模型预报浮游植物总藻种密度效果最佳，拟合度可达到0.76，特别当实测藻密度高于0.1 亿个/L时，相对误差RE变化范围为0.02~0.73，推荐为水华风险预警优选组合。 □

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	陆佑楣，曹广晶. 长江三峡工程：技术篇［M］. 北京：中国水利水电出版社， 2010. 本文引用 [1]

2	蔡庆华，胡征宇. 三峡水库富营养化问题与对策研究［J］. 水生生物学报， 2006，30（1）：7-11. 本文引用 [1]

3	刘德富，黄钰铃，纪道斌，等. 三峡水库支流水华与生态调度［M］. 北京：中国水利水电出版社， 2013. 本文引用 [1]

4	NDONG M， BIRD D， NGUYEN-QUANG T， et al. Estimating the risk of cyanobacterial occurrence using an index integrating meteorological factors： application to drinking water production［J］. Water Research， 2014， 56： 98-108. 本文引用 [1]

5	KIM J， LEE T， SEO D. Algal bloom prediction of the lower Han River， Korea using the EFDC hydrodynamic and water quality model［J］. Ecological Modelling， 2017，366（24）：27-36. 本文引用 [1]

6	ZHANG F， LI M， GLIBERT P M， et al. A three-dimensional mechanistic model of Prorocentrum minimum blooms in eutrophic Chesapeake Bay［J］. Science of the Total Environment， 2021，769：144 528. 本文引用 [1]

7	KERIMOGLU O， JACQUET S， VINCON-LEITE B， et al. Modelling the plankton groups of the deep， peri-alpine Lake Bourget［J］. Ecological Modelling， 2017，359：415-433. 本文引用 [1]

8	崔玉洁. 三峡水库香溪河藻类生长敏感生态动力学过程及其模拟［D］. 武汉：武汉大学， 2017. 本文引用 [2]

9	孔繁翔，马荣华，高俊峰，等. 太湖蓝藻水华的预防、预测和预警的理论与实践［J］. 湖泊科学， 2009，21（3）：314-328. 本文引用 [1]

10	SHEN J， QIN Q， WANG Y， et al. A data-driven modeling approach for simulating algal blooms in the tidal freshwater of James River in response to riverine nutrient loading［J］. Ecological Modelling， 2019，398：44-54. 本文引用 [1]

11	覃苗，张明峰，洪颐，等. 东张水库蓝藻水华BP人工神经网络模型演算研究［J］. 渔业研究， 2019，41（1）：18-25. 本文引用 [1]

12	王嫄嫄. 基于LSTM的水质预测方法研究［D］. 南京：南京邮电大学， 2019. 本文引用 [2]

13	丘永龙. 浅析棉花滩水库永定库区水域低溶解氧成因［J］. 基层农技推广， 2015（8）：82-84. 本文引用 [1]

14	黄南山，许诩俭，何荣才. 棉花滩水库的三次防洪调度［J］. 中国三峡， 2017（10）：74-81. 本文引用 [1]

15	陈刚. 棉花滩水库库区渔业定位与布局研究［D］. 福建厦门：集美大学， 2011. 本文引用 [1]

16	国家环境保护总局，水和废水监测分析方法第四版［M］.北京：中国环境科学出版社，2005. 本文引用 [1]

17	胡鸿均，魏印心. 中国淡水藻类一系统，分类及生态［M］. 北京：科学出版社， 2006. 本文引用 [1]

18	HOCHREITER S， SCHMIDHUBER J. Long Short-Term Memory［J］. Neural Computation， 1997，9（8）：1 735-1 780. 本文引用 [1]

19	秦文虎，陈溪莹. 基于长短时记忆网络的水质预测模型研究［J］. 安全与环境学报， 2020，115（20）：333-339. 本文引用 [1]

20	陈丽萍，周彦锋，尤洋. 棉花滩水库浮游生物群落结构特征研究［J］. 水生态学杂志， 2012，33（6）：62-68. 本文引用 [1]

21	孙启鑫，宋林旭，纪道斌，等. 汛期三峡库区水华发生期间相关因子关系分析［J］. 中国农村水利水电， 2019，444（10）：21-27，37. 本文引用 [1]

22	崔莉凤，黄振芳，刘载文，等. 水华暴发叶绿素-a与表征指标溶解氧和pH的关系［J］. 给水排水， 2008，34（）：177-178. 本文引用 [1] 摘要增刊1

23	于洋，彭福利，孙聪，等. 典型湖泊水华特征及相关影响因素分析［J］. 中国环境监测， 2017，33（2）：88-94. 本文引用 [1]

24	黄振芳，刘昌明，刘波，等. 北京城市水华预警指标体系研究［J］. 人民黄河， 2010（5）：8-10. 本文引用 [1]

25	HORNBERGER G M. Uncertainty in dissolved oxygen prediction due to variability in algal photosynthesis［J］. Water Research， 1980，14（4）：355-361. 本文引用 [1]

26	杨正健. 分层异重流背景下三峡水库典型支流水华生消机理及其调控［D］. 武汉：武汉大学， 2014. 本文引用 [1]

27	LIU L， LIU D， OHNSON D M J， et al. Effects of vertical mixing on phytoplankton blooms in Xiangxi Bay of Three Gorges Reservoir： Implications for management［J］. Water Research， 2012，46（7）： 2 121-2 130. 本文引用 [1]

PDF(1850 KB)

访问

引用

详细情况

段落导航

摘要
Abstract
关键词
Key words
基金
引用本文
0 引言
1 研究区域与方法
1.1 研究区域
1.2 监测方案
图1 棉花滩水库采样点分布图
1.3 监测指标及方法
2 风险预报模型原理
2.1 模型介绍
2.2 模型构建
图2 LSTM神经网络结构图
2.3 误差评价指标
3 结果与分析
3.1 环境因子变化特征
表 1 棉花滩环境因子特征
3.2 浮游植物群落结构演替规律
表2 棉花滩水库不同浮游植物藻属构成
图3 棉花滩水库浮游植物种类百分比
图4 棉花滩水库总藻密度变化图
3.3 风险预报模型结果分析
3.3.1 相关性分析
表3 藻密度与各指标Pearson相关关系
3.3.2 预测结果分析
表4 单一因子作为输入变量模拟结果
图5 分别以入库流量和溶解氧作为输入变量预测结果
表5 组合因子作为输入变量模拟结果
表6 实测值与预测值对比
图6 以气温、水温、风向、入库流量作为输入变量预测结果
4 结论
参考文献

收稿日期	出版日期
2021-06-08	2022-03-15
发布日期
2022-05-26

选择文件类型/文献管理软件名称

选择包含的内容