抚仙湖藻类水华暴发风险的神经网络模型预测

李 杰，张玲芬

（1.云南省环境科学研究院，云南省高原湖泊流域污染过程与管理重点实验室，云南昆明650034；2.玉溪市抚仙湖生态环境保护工程管理中心，云南玉溪653100）

抚仙湖藻类水华暴发风险的神经网络模型预测

李 杰1，张玲芬2

（1.云南省环境科学研究院，云南省高原湖泊流域污染过程与管理重点实验室，云南昆明650034；2.玉溪市抚仙湖生态环境保护工程管理中心，云南玉溪653100）

使用神经网络模型预测水质符合不同国家水质标准的抚仙湖藻类生物量。当抚仙湖水质符合国家水质Ⅰ类标准时，浮游植物生物量预测值是40.19×104cell／L，几乎不存在水华暴发风险。当水质符合国家水质Ⅱ类标准时，浮游植物生物量预测值是79.51×104cell／L，水华暴发风险较小。抚仙湖水质降至Ⅲ类甚至劣于Ⅲ类时，浮游植物生物量预测值高于800.12×104cell／L，生物量预测值极高，存在较大的水华暴发风险。

神经网络模型；水华暴发；风险；预测；抚仙湖

抚仙湖是我国水质最好的淡水湖泊之一。作为云南省社会经济发展的集中区域，抚仙湖承受的环境压力日益凸显，湖泊富营养化进程加快。湖泊富营养化多伴随有藻类水华的发生。准确预测藻类水华的发生过程，将水华暴发风险降至最低，对湖泊藻类水华的控制及生态环境的治理具有重大现实意义。

人工神经网络模型（Artificial Neural Networks）是较好的藻类水华预测工具。它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。神经网络包括输入神经元和输出神经元，输入和输出神经元之间通过 “学习”连接。 “学习”是通过调整神经网络权值和阈值使得网络的实际输出和期望输出一致，达到处理信息的目的。本研究使用人工神经网络模型预测国家地表水质标准下的抚仙湖藻类生物量，分析抚仙湖藻类水华暴发的风险，为高原湖泊藻类水华的控制和治理提供理论依据和技术支撑。

1 材料与方法

1.1 区域概况

抚仙湖是位于中国云南省的高海拔淡水湖泊，是我国目前已知的第二深水湖泊。抚仙湖位于云南省玉溪市澄江、江川、华宁三县间，距离昆明市约70km。其经纬度为24°21′N～24° 38′N，102°49′E～102°58′E。抚仙湖流域范围涉及玉溪市澄江、江川、华宁3县7个乡镇，流域面积67469km2。

抚仙湖是珠江源头第一大湖，属南盘江水系，属南北向的断层溶蚀湖泊，湖泊面积211km2，最深水深l55m，平均水深87m。容水量2.066×1010m3，占云南高原淡水湖泊总储量的65.7%［1］。其上游与星云湖通过隔河相连，两湖相距2km，相对高差1m左右。抚仙湖年平均水位1721.12m，最高水位1722.0m，最低水位1720.5m，理论换水周期为167年［2］。抚仙湖主要靠降雨和湖周径流补给，属降水补给型湖泊。抚仙湖流域年平均径流量为1.6092×108m3，最大径流量为2.793×108m3，最小径流量为5.442×107m3［3］。

截至2013年12月，抚仙湖的水质符合国家地表水I类水质标准（云南省环境水质月报，2013），属贫营养型湖泊。湖区既是云南著名的风景旅游区，又是当地居民的主要饮用水源，具有防洪、灌溉、渔业、旅游、生活用水及工业用水等综合功能。

1.2 采样站位

项目在抚仙湖入水口、出水口、两湖连接处、重污染区等敏感区域选定9个采样点位 （图1）。采样频次为2012年4月、2012年7月、2012年10月、2013年1月、2013年4月、2013年7月，共计6次。

1.3 分析方法

水质样品采样方法根据《HJ494－2009水质采样技术指导》的要求，在已确定采样的点位按规定要求的技术进行湖泊水样采集。总氮、总磷、高锰酸盐指数、氨氮实验室测定指标依据表1中的方法和设备进行测试分析。

藻生物量采样使用采样桶采集水样，注入1L采样瓶中。将2～3m L鲁哥氏液（Lugol's碘液，1%／5%）滴入采样瓶，将浮游植物沉淀。静置48h后，将上清液吸走，保留浓缩液，使用量筒测量浓缩液体积V1。使用移液器吸取50μL的浓缩液置于载玻片上，盖上盖玻片后，置于显微镜下统计计数。镜下鉴定统计整个50μL浓缩液中的浮游植物细胞数量C1。计算整个水体中的浮游植物细胞浓度公式为：C＝（C1×V1）／（50×10－3）。

表1 水质检测方法及主要检测仪器设备

2 结果与讨论

2.1 神经网络层次设计

运用神经网络系统软件QNET 3.0预测抚仙湖藻类生物量。

神经网络设置4个分析层次 （图2），第一层次为输入层，设置4个输入神经元细胞；第二层次为结构层，设置3个训练神经元细胞；第三层次为结构层，设置2个训练神经元细胞；第四层次为输出层，设置1个输出神经元细胞。

链接神经元的函数设为非线性函数Sigmoid，公式为f（χ）

本研究中使用抚仙湖6个季度的水环境和藻类生物量数据作为学习准则。以总氮、总磷、高锰酸盐指数、氨氮作为输入层神经元数据，藻生物量作为输出层神经元数据 （表2）。训练神经网络，得到成熟的神经网络结构。

表2 神经元细胞选择指标

2.2 预测数据选择

使用国家地表水质标准中的I类、II类、III类、IV类、V类水质标准中总氮、总磷、高锰酸盐指数、氨氮参数作为预测数据的输入神经元（表3）。将预测数据输入训练成熟的神经网络结构，得到输出神经元浮游植物生物量。

表3 神经网络预测输入数据（mg／L）

2.3 结果与讨论

抚仙湖浮游植物生物量神经网络预测值见表4。当国家水质标准是Ⅰ类时，浮游植物生物量预测值是40.19×104cell／L。当国家水质标准是Ⅱ类时，浮游植物生物量预测值是79.51×104cell／L。当国家水质标准是Ⅲ类时，浮游植物生物量预测值是800.12×104cell／L。当国家水质标准是Ⅳ类时，浮游植物生物量预测值是800.41×104cell／L。当国家水质标准是Ⅴ类时，浮游植物生物量预测值是800.47×104万cell／L。

表4 抚仙湖浮游植物生物量神经网络预测值

神经网络的预测参数见表5和图3。标准离差为154.31，乖离率为－0.81405，最大误差为390.5036，相关性是0.73887。预测结果符合统计学意义。

表5 神经网络计算参数

由于抚仙湖是贫营养湖泊，水质符合地表水Ⅰ类水质。在抚仙湖神经网络预测中，训练神经网络时使用的数据均为抚仙湖处于Ⅰ类、Ⅱ类水质时的数据，训练得到的神经网络对Ⅰ类、Ⅱ类和Ⅲ类水质时的结果较成熟。由于缺乏Ⅳ类和Ⅴ类水质下的神经网络训练数据，Ⅳ类和Ⅴ类水质下的浮游植物生物量预测值与Ⅲ类水质差异不大，Ⅳ类和Ⅴ类水质下的预测结果不成熟，存在误差。

同为高海拔湖泊，滇池 （外海）营养状态为中度富营养，水质属劣Ⅴ类，浮游植物水华连年暴发。在11月至次年1月浮游植物休眠期，水体浮游植物生物量达1000～2000万cell／L；在8月水华暴发期，水体浮游植物生物量高达15000万cell／L［4］。洪泽湖和骆马湖的水华风险评估表明［5］，水质在Ⅳ类或Ⅳ类以上，浮游植物细胞浓度100～500万cell／L时，水华可能发生，预警等级为初级；水质在Ⅳ类或Ⅳ类以上，浮游植物细胞浓度500～1000万cell／L时，水华发生可能性较高，预警等级为中级；水质在Ⅳ类或Ⅳ类以上，浮游植物细胞浓度在1000万cell／L以上时，水华发生可能性极高，预警等级为强。因此，抚仙湖达到Ⅲ类或劣于Ⅲ类水质时，存在较大的水华暴发风险。

3 结论

神经网络预测抚仙湖浮游植物生物量，当抚仙湖水质符合国家水质Ⅰ类标准时，浮游植物生物量预测值是40.19×104cell／L，几乎不存在水华暴发风险。当水质符合国家水质标准Ⅱ类时，浮游植物生物量预测值是79.51×104cell／L，水华暴发风险较小。抚仙湖水质降至III类甚至劣于III类时，浮游植物生物量预测值高于800.12×104cell／L，生物量预测值极高，存在较大的水华暴发风险。

参考文献：

［1］黎尚豪，俞敏娟.云南高原湖泊调查 ［J］.海洋与湖沼，1963，5（2）：87－114.

［2］王建云，普发贵.抚仙湖垂向水质状况及特征研究 ［J］.玉溪师范学院学报，2003（19）：53－58.

［3］王苏民，窦鸿生.中国湖泊志 ［M］.北京：科学出版社，1998.

［4］Li J.，Duan C.Q.，Yang F.L..Relationship between Phytoplankton and Nutrient Dynamics in the Enclosed Waterbody，Dianchi Lake.Advanced Materials Research［J］.2013（779）：1514－1517.

［5］杨刚，李国，胡瑾.洪泽湖、骆马湖富营养化评价及 “水华”发生风险等级评估［J］.治淮，2010（12）：31－35.

Prediction of the Phytop lankton Bloom in Fuxian Lake by Artificial Neural Network

LIJie1，ZHANG Ling－fen2
（1.Yunnan Institute of Environmental Science，Yunnan Key Laboratory of Pollution Process and Management of Platrau Lake－watershed，Kunming Yunnan 650034，China）

The artificial neural network was used to predict the phytoplankton biomass of Fuxian Lake in different scenarios based on Chinese national water quality standards.The prediction results showed that a low biomass was 40.19×104cell／L when water quality of the lake accorded withⅠclass of the national water quality standard，which had no risk of algal bloom.The phytoplankton biomasswas79.51×104cell／L when thewater quality accorded withⅡclass.It has little risk of algal bloom.However，a significanthigh abundance of phytoplankton biomasswas predicted to 800.12×104cell／L when the water quality was belowⅢclass，which implied a big risk of the algal bloom.

artificial neural network；algal bloom；risk；predict；Fuxian Lake

X52

：A

：1673－9655（2015）06－0004－04

2015－05－12

云南省环境保护厅 “云南省生物多样性保护专项《泸沽湖、洱海、抚仙湖三大高原湖泊水生态调查与评估》项目。”

李杰 （1983－），女，博士，工程师，研究方向为湖泊污染控制及生态修复。