湖泊藻类水华神经网络预测研究

水体富营养化研究目前主要集中在水体水质评价和水华预测两个领域。其中，湖库水华预测研究成果丰富，如刘载文等提出了的水华预测方法［1］，能有效预测叶绿素的短期变化规律，具有网络精度高，拟合性能好等优点。Sucrez等利用每周野外监测数据，建立BP神经网络预测藻类的生长状况［2］，并对神经网络预测未来的训练模式进行评估，结果表明少数的输入变量能预测藻类的生长动态。王小艺等将灰色理论引入到水体富营养化预测中［3］，对传统灰色模型内在的缺陷进行改进的基础上，将改进模型应用于对湖库水体富营养化的预测中，得到了相对于传统模型更好的预测效果。李大刚等根据水华产生机理，采用一种用于水华预测的过程神经网络方法［4］，通过加入动量项提高了网络学习速率和收敛速度，实现了对水华的有效预测。本文结合水体遥感反射率及一些重要水质监测参数，如叶绿素浓度、水温、化学需氧量、总氮、总磷等，通过神经网络构建水华非线性预测模型，实现对湖泊藻类水华准确预测，对于获得水环境状况及了解其发展规律具有重要现实意义。1水华形成关键指标获取1．1水华影响因素影响藻类水华形成的因素很多，主要影响因素分为3大类，即生物因素、化学因素和物理因素。每个因素都不同程度的影响着藻类生长，关键影响因素的确定对于建立水华形成机理模型有重要意义。其中，生物因素是藻类是水华发生的主体，优势藻类尤其是蓝藻的大量繁殖会过多消耗水中的氧，致使水体中的动植物因为缺氧而大量死亡，而水体中死亡的动植物分解又需要氧气，这样形成一个恶性循环；化学因素中N、P在水体生态系统中是生物生长需要的重要元素，藻类的生长与N、P的含量及其比例有很大的关系，而Cu、Mn、Fe、Zn等微量元素也对藻类的生长有一定的促进作用。蓝藻光合作用需要消耗水体中溶解氧以及二氧化碳，造成水体pH值上升，而正因为产生水华的水体大部分呈现碱性或弱碱性，在出现富营养化的水体中，水体富营养化的趋势和水体pH值之间成线性关系，因此pH值也是引起水华形成的化学元素之一。引发藻类水华的物理因素主要包括温度、光照、流速等气象和水文条件，水温和光照水平可直接影响水体中生物的光合作用等一系列过程，也可影响水体的混合以及营养元素的利用率等。水温、光照发生变化的同时，水体中生物的光合作用等一系列的过程都相应的发生变化。从实际结果得出，水体富营养化程度随着水温和光照的增加而增加。当雨少、温高、光照强的适宜条件下，藻类的新陈代谢的速度加快，繁殖速度迅速，从而产生水华。1．2水华形成关键影响因素获取由于湖泊蓝藻水华形成过程存在很多不确定因素，机理模型中参数过少则不能反映水体富营养化过程，而参数过多则很难描述各参数之间的非线性作用机制。因此，针对水体特点，通过搭建阳光房实验室，最大限度地模拟自然环境下蓝藻水华形成过程；通过控制水体的氮、磷、溶解氧、光照、水温等影响因素研究这些因素变化对蓝藻水华形成的影响，进而研究不同影响因素之间的相关性，确定蓝藻水华形成机理建模参量。同时，结合正交试验方法和粗糙集理论获取影响湖库蓝藻水华形成的关键因素———温度、溶解氧、光照、总磷、总氮［5］，作为建立藻类水华机理模型的输入变量，以叶绿素a作为城市湖库蓝藻水华形成的表征指标，根据相互之间的作用机制构建湖库蓝藻水华形成模型。2基于神经网络的藻类水华预测建模2．1RBF神经网络训练算法由于BP网络存在一些固有的缺陷与不足，在实际工程应用中可能会遇到一些问题，同时RBF网络在某些实际应用中显现出优于BP网络的性能，使其在很多研究领域引起了RBF网络的研究热潮。研究焦点主要集中于RBF网络的训练算法，并且提出了许多有效的方法，如K－means聚类法、最小方差法［6－7］等。但是这些算法都或多或少地没有充分考虑以下两个问题：聚湖泊藻类水华神经网络预测研究杨斌（北京金控自动化技术有限公司，北京100048）许继平王凌斌郝启文（北京工商大学计算机与信息工程学院，北京100048）ResearchonPredictionaboutNeuralNetworkofAlgalBloominLakes摘要在分析湖库藻类水华形成机理特征基础上，确定湖库水华形成关键影响因素，即总氮、总磷、化学需氧量、温度与叶绿素a等，结合关注区域的遥感监测信息，构建基于神经网络的藻类水华预测模型，实现对湖库藻类水华的有效预测，通过仿真验证该方法的有效性，为湖库藻类水华预测提供一种有效途径。关键词：水华预测，关键因素，遥感监测，神经网络AbstractBasedontheanalysisofbloomformationmechanisminlakes,thekeyfactorsininfluencingtheformationofbloomhavebeenconfirmednamely:TN,TP,DO,temperatureandch