论文部分内容阅读
水体富营养化及其引发的藻类水华爆发已经成为20世纪以来世界范围内的重要环境问题之一。藻类水华的出现,尤其是饮用水水体藻类水华的出现,不仅降低了水体各营养级物种多样性,弱化了水体生态系统的功能,而且对人类的生活和生产都造成了严重的威胁。为了更好的实现对藻类水华的应急监测和预报预警,BP人工神经网络方法已被广泛的运用于水生态预测模型的构建中。本研究选取了2种不同类型的内陆水体作为研究对象,其中一种是两个具有代表性的饮用水水库,分别是奉化市的亭下水库和慈溪市的梅湖水库,这两个水库都是富营养型水库,并且时常有藻类水华的发生;另一种是一个位于宁波大学校内的小型池塘,该池塘富营养化严重,多年发生藻类水华。对两个饮用水水库的理化以及生物指标进行了为期一年的跟踪监测,研究了水体藻类动态变化和各理化因子之间的关系,并基于BP人工神经网络构建了水体叶绿素a浓度的预测模型;而对校内小型藻华水体进行了为期30周的连续跟踪调查研究,研究了藻类发生动态及其与水体各理化因子之间的关系,并基于BP人工神经网络构建了水体颤藻水华的预测模型,并对藻华水体浮游植物群落结构进行了研究。主要研究结果归纳如下:1.2009年2月至2010年1月间对奉化市亭下水库进行了为期一年的跟踪调查研究,监测项目中包括pH值、溶解氧（Dissolved Oxygen,DO）、水温（ Water Temperature, WT）、透明度（ Secchi Depth, SD）、总氮（ Total Nitrogen,TN）、硝氮（Nitrate Nitrogen,NO3-N）、氨氮（Ammonium Nitrogen,NH3-N）和叶绿素a浓度（Concentration of ChloropHyll-a,Chl-a）这8个水体的理化因子以及浮游植物和浮游动物等生物因子。利用主成分分析法从pH、DO、WT、SD、TN、NO3-N、NH3-N这7个环境变量中选出pH、DO、WT、SD、TN和NO3-N这6个环境变量作为构建模型时的网络输入变量,并基于BP人工神经网络和Matlab7.0软件,以水体叶绿素a浓度作为网络输出变量,构建了亭下水库叶绿素a浓度的预测模型。模型输出结果显示:叶绿素a浓度预测值与实测值之间的相关系数达到了0.768,叶绿素a浓度预测曲线和实测曲线之间的拟合程度良好,说明构建的BP神经网络能够较为准确的反映亭下水库叶绿素a浓度的变化趋势。模型确定后,为了进一步探究哪些输入的环境变量是影响亭下水库叶绿素a浓度的主要因素,对构建的模型进行了敏感度分析,敏感度分析结果显示:水体的温度是影响亭下水库叶绿素a浓度的主要因素,且pH与叶绿素a浓度呈显著相关,水温和pH是影响亭下水库藻类生长的主要驱动因子。2.2009年2月至2010年1月间对慈溪市梅湖水库进行了为期一年的跟踪调查研究,监测项目与亭下水库的相同,并利用主成分分析法选出了DO、WT、TN、NO3-N和NH3-N这5个环境变量作为构建模型时的网络输入变量,并基于BP人工神经网络和Matlab7.0软件,以水体叶绿素a浓度作为网络输出变量,构建了梅湖水库叶绿素a浓度的预测模型。模型输出结果显示:叶绿素a浓度预测值与实测值之间的相关系数达到了0.877,叶绿素a浓度预测曲线和实测曲线之间的拟合程度良好,说明构建的BP神经网络能够很好的反映梅湖水库叶绿素a浓度的变化趋势。模型确定后,为了进一步探究哪些输入的环境变量是影响梅湖水库叶绿素a浓度的主要因素,对构建的模型进行了敏感度分析,敏感度分析结果显示:水体的温度和硝氮含量是影响梅湖水库叶绿素a浓度的主要因素,也是影响梅湖水库藻类生长的主要驱动因子。3.2009年3月至2009年10月间对宁波大学校内小型藻华水体进行了为期30周的连续跟踪调查研究,监测项目中包括TN、总磷（ Total Phosphorus,TP）、SD、DO、pH和WT这6个环境变量以及浮游植物生物量,特别是水体中颤藻（Oscillatoria）生物量。用以上6个环境变量第（n-1）周和第（n-2）周的监测数据为网络输入,以第n周颤藻生物量的监测数据为网络输出,基于BP人工神经网络和Matlab7.0软件,构建了小型藻华水体藻类水华的预测模型,对藻华水体的颤藻生物量进行了短期预测,并对构建的模型进行了敏感度分析。结果显示:（1）BP神经网络模型对颤藻生物量预测值与实测值之间拟合程度良好,相关系数达到了0.984,说明BP神经网络模型可以用于水体中藻类水华的短期预测。（2）通过对构建的BP神经网络模型进行敏感度分析,阐明了宁波大学校内池塘藻类水华的主要驱动因素,并指出控制水体的PH值是宁波大学校内池塘藻类水华防治工作的重点。4.以宁波大学校内池塘2009年3月至10月间30周的监测数据为基础,根据其跟踪监测的水化和生物指标,基于PRIMER5.0群落结构多元统计分析软件,利用其中的非度量多维尺度转换排序（Non-metric Multi-Dimensional Scaling MDS ）和聚类分析（CLUSTER）等多元统计分析方法,探求采样池塘浮游植物群落结构的动态变化及其与环境因子的关系。结果表明,采样池塘的优势藻类是蓝藻和绿藻,且其繁盛过程分为绿藻期、绿藻和蓝藻期和蓝藻期三个阶段,并存在着这两个优势藻类群落演替的过程。通过对采样池塘整个浮游植物群落和蓝藻群落与环境因子之间进行RELATE相关性检验及BIO-ENV匹配性分析结果可知,采样池塘整个浮游植物群落和环境因子的相关系数R=0.489,显著水平P=0.1%;采样池塘蓝藻群落和环境因子的相关系数R=0.449,显著水平P=0.1%,两个群落与池塘环境因子之间的相关性都是极其显著的。并且SD和pH这两个环境因子是采样池塘整个浮游植物群落结构的最佳环境因子组合,而SD、pH和WT是采样池塘蓝藻群落结构的最佳环境因子组合。另外,pH既是采样池塘整个浮游植物群落的关键控制因素,也是蓝藻群落的关键控制因素,且pH与采样池塘整个浮游植物群落之间的相关系数达到了0.711。