利用BP神经网络模型对太湖水体叶绿素a含量的估算*

王雪莲，宋玉芝，孔繁璠，王宇佳



利用BP神经网络模型对太湖水体叶绿素a含量的估算*

王雪莲1, 2，宋玉芝1, 2**，孔繁璠1，王宇佳1

（1.南京信息工程大学应用气象学院江苏省农业气象重点实验室，南京 210044；2.南京信息工程大学江苏省大气环境与装备协调创新中心，南京 210044)

利用太湖2001-2006年常规水质监测资料和气象资料进行主成分分析，确定影响太湖水体叶绿素a 含量的主要因子。在此基础上构建BP神经网络模型，利用模型对太湖湖心区水体叶绿素a含量进行估算，并对模型进行敏感度分析；将所建模型运用于太湖梅梁湾、贡湖湾、竺山湾以及东太湖4个湖区叶绿素a含量的估算，以验证其适用性。结果表明：基于主成分分析的BP神经网络模型估算的湖心区叶绿素a含量与实测值的拟合度良好，对已建立的BP神经网络预测模型进行敏感度分析表明，气温和溶解氧与浮游植物叶绿素a含量密切相关；该模型对太湖其它4个湖区水体叶绿素a含量的估算结果与实测值拟合度良好, 表明其适用性也较好，因此，可以运用于对太湖水体叶绿素a含量的估算及预测。

叶绿素a；主成分分析；BP神经网络模型；敏感度分析

近年来湖泊水体富营养化已成为全球面临的环境问题，也是中国在治理水环境方面面临的突出问题之一。太湖作为中国第三大淡水湖泊，20世纪80年代后期，蓝藻大暴发甚至引发饮用水危机，引起全球关注。叶绿素a是所有浮游植物重要的色素之一，其含量多少可以反映水体浮游植物生物量大小，同时叶绿素a含量能反映水体水质状况[1-2]。因此，为了更好地了解与评估太湖水质状况，需要对太湖叶绿素a含量进行预测估算。

常用于叶绿素a含量的预测方法有人工神经网络模型、时间序列分析法、遗传算法模型、支持向量机模型和决策树方法等[3]。其中，人工神经网络具备强大的非线性映射能力，在数据拟合，函数逼近等方面有较大优势。因此，在各种预测方法中，人工神经网络模型应用非常广泛，尤其是BP神经网络[4]。BP神经网络具有较好的容错性，可以从大量样本中提取统计特性，来调整权值。太湖生态系统相当复杂，各种因素之间相互关系属非线性关系，BP神经网络能够对复杂的水环境中非线性表现进行有效预测[5]。关于水体叶绿素a含量的预测前人也有研究，如裴洪平等[6]建立了BP神经网络，探究西湖叶绿素a浓度短期变化趋势预测的可行性。卢志娟等[7]利用BP神经网络实现了对西湖湖心区叶绿素a浓度的周预测。周露洪等[8]通过对2006-2008年的常规水质参数进行主成分分析，建立BP神经网络模型对叶绿素a浓度进行月预测。太湖属大型浅水湖泊，受气象条件影响较大。因此，本研究考虑动力扰动较强的湖心区的水文气象条件，结合气象资料与水质参数数据，在主成分分析基础上将所选的数据作为神经网络输入，运用BP神经网络构建预测模型预测太湖叶绿素a含量，并将预测值与实测值相比较，评价模型的预测效果，对模型进行敏感度分析，并利用太湖的梅梁湾、贡湖湾、竺山湾以及东太湖4个湖区的相关数据进行预测，以此来预测本研究的BP神经网络模型对太湖的适用性，以期为太湖富营养化管理提供科学依据。

1 资料与方法

1.1 研究区域与数据来源

太湖水域总面积2338km2，平均水深1.89m，受动力扰动相对较为频繁，且不同湖区生态环境差异明显。根据太湖实际情况及以往的研究结果[9]，把太湖分为5个区域，湖心区（1#、2#、3#和4#）、梅梁湾（5#和6#）、竺山湾（7#和8#）、贡湖湾（9#和10#）以及东太湖（11#和12#），所选点位均为常规采样点，各湖区监测点位经纬度见表1。各点逐月水质数据主要来源于《湖泊湿地海湾生态系统卷(江苏太湖站)》[10]，主要包括总氮含量(mg·L-1)、总磷含量(mg·L-1)、溶解氧含量(mg·L-1)、水体透明度(m)和浮游植物叶绿素a含量(μg·L-1)。逐月气象资料由苏州东山气象观测站提供，主要包括平均气温(℃)、日照时数(h)、降水量(mm)、平均风速(m·s-1)。

表1 太湖5个湖区监测点序号及经纬度

1.2 数据处理与建模方法

1.2.1 基于主成分分析的指标筛选

湖泊生态系统是一个由多种因素相互作用的复杂系统，影响浮游植物生长的环境因子非常多，且相互之间可能存在一定的相关性。若将所有环境因子都作为神经网络的输入端，这样网络的复杂度将会增加。另外，每个变量都在不同程度上反映出某些信息，若将其中的一些因素丢弃，一些有用的信息就有可能会被丢失。因此，需要通过主成分分析方法，筛选出相对重要的且与叶绿素a含量相关性较高的指标作为输入变量，在有效保留数据信息的前提下对数据进行降维，减少输入层神经元的个数，增强网络性能，改善预测效果[11]。对太湖湖心区2001-2006年逐月平均气温、日照时数、降水量、平均风速以及水体总氮含量、总磷含量、透明度和溶解氧含量的月平均值共8项指标数据进行主成分分析，以便筛选得到影响太湖湖心区水体浮游植物中叶绿素a含量的主要指标。

1.2.2 BP神经网络模型的建立

（1）数据标准化处理

为加快网络的训练速度，在建模前先对所选数据系列进行归一化处理，即

（2）BP神经网络模型的建立

BP神经网络有两个阶段，第一阶段为学习阶段，神经元网络根据输入输出样本训练调整各层之间的权值和阈值，使之达到一定要求；第二阶段为运用阶段，通过输入层的输入，根据第一阶段的训练所得权值和阈值的作用，得到输出值[13]。本研究将利用经过主成分分析选择的湖心区2001-2005年气象因子和水质指标数据系列作为BP神经网络模型的学习样本，以湖心区2006年气象因子和水质指标数据系列作为检验样本，湖心区2006年水体浮游植物叶绿素a含量的数据系列作为网络输出变量。BP算法的误差通过输出层向输入层反向传播，层数越多，反向传播误差在靠近输入层时就越不可靠，因此，本研究选用单隐层结构，训练模型选择3层BP神经网络结构，即一个输入层、一个隐含层和一个输出层。

（3）BP神经网络模型节点选择

利用经过主成分分析选择的气象因子和水质指标作为湖心区BP神经网络模型的输入节点，输出节点为湖心区水体浮游植物叶绿素a含量。通过对训练结果的比较来找出最优的隐含层节点数。其中确定隐含层节点数的最基本原则是：在满足精度要求的前提下选取尽可能紧凑的结构，即选取尽可能少的隐含层节点数。确定BP神经网络隐含层节点数的经验公式为[14]

式中，J为网络隐含层节点数，m、n分别为输入层和输出层节点数，a为1～10的常数。

1.2.3 模型敏感度分析

为进一步验证已建立的BP神经网络的输入变量是否为影响太湖湖心区浮游植物叶绿素a含量的主要因子，并确定各因子的影响大小，故对模型进行敏感度分析。首先将输入变量用于测试的数据分别施以加、减10%的干扰，建立加、减都为10个灵敏度的测试数据组，调用已训练好的BP网络，利用SIM函数仿真得出新的叶绿素浓度预测结果，并与未施加干扰前的预测数据进行分析计算，得出其中变动幅度，模型因子敏感度计算式为

式中，C′为输入变量被施以干扰后的BP网络预测的浮游植物叶绿素a含量；C为输入变量未被施以干扰的BP网络预测的浮游植物叶绿素a含量；N为仿真输出值的个数[15]。

2 结果与分析

2.1 因子的选择和模型的建立

2.1.1 主成分分析指标筛选结果

对影响叶绿素a含量的8个指标，太湖湖心区2001-2006年逐月平均温度（Tw）、日照时数(SL)、降水、风速、总氮含量(TN)、总磷含量(TP)、透明度（SD）和溶解氧含量(DO)的均值做主成分分析，其结果见表2。由表可知，叶绿素a含量与温度、日照时数、总氮含量、总磷含量和溶解氧含量之间的线性关系较好，说明湖心区温度、日照时数、总氮含量、总磷含量和溶解氧含量变化对叶绿素a含量的影响较大。从湖心区各因子主成分贡献看，第一主成分中（累积贡献率为44%）气温、日照、溶解氧为主要因子，由此可见，对太湖湖心区，气温、日照、溶解氧共同对水质状况起着重要作用；在第二主成分中（其累积贡献率为68%），总磷为重要因素，总氮次之。

表2 太湖湖心区叶绿素a含量各主成分贡献均值（2001-2006年）

Note: Tw is the monthly mean air temperature; SL is the monthly mean hours of sunshine. TN is the monthly mean total nitrogen content, TP is the monthly mean total phosphorus content, SD is the water transparency and DO is the oxygen content in the water body.

2.1.2 模型层数确定与节点选择结果

由主成分分析的结果，选取2001-2006年气象资料与水质参数数据，温度、日照时数、总氮含量、总磷含量、溶解氧和叶绿素a含量6项指标，共432个数据，采样周期为逐月采样，每月数据为一个数据集，共72组数据集。其中2001-2005年的60组数据作为训练数据，2006年的12组数据作为测试数据。本次建模采用三层网络结构，即一个输入层、一个隐含层和一个输出层。将2006年平均温度、日照时数、总氮、总磷和溶解氧作为网络输入，即输入层有5个神经元；预测输出2006年浮游植物叶绿素a的含量，即输出层有1个神经元。由表3可以看出，当隐含层节点数为8时实测值与预测值的均方差达最小值，此时训练的网络性能最佳。由此，建立的BP神经网络的拓扑结构如图1所示。

表3 隐含层取不同节点数时对应的均方误差（2006年数据）

2.2 模型训练与预测

采用提前停止的训练方法，基于建立好的BP神经网络，在Matlab 7.0软件中导入已预处理的训练样本，函数名为trainlm，采用Levenberg- Marquardt算法对训练数据进行训练，反复训练3000次，使训练误差降至10-5。利用Matlab 7.0软件中sim函数对测试数据进行仿真运算输出，其调用格式为a=sim(net,p)，其中a为网络输出，net为已经训练好的网络，p为矩阵或输入向量[16]，以验证训练好的网络及其泛化能力。

模型预测的太湖湖心区2006年逐月平均叶绿素a含量的绝对误差在-2.95~10.92μg·L-1，相对误差在-41.7%~26.6%，叶绿素a含量的模拟值与实测值的拟合程度较高，方程决定系数R2可达0.9587，叶绿素a含量的平均预测值与实测值的误差变动范围见图2。由图2a可知，实测值与模拟值误差最大出现在7月，该月份水体叶绿素a含量较高，且变化速度较快，这可能是导致网络学习效果下降的原因之一，而在叶绿素浓度较低的月份，BP神经网络的模拟效果较好。图2b给出了BP神经网络模型对太湖湖心区2006年逐月浮游植物叶绿素a含量模拟估算结果相对误差的变化趋势，可以看出模拟值与实测值相对误差主要集中在30%以内，大于30%的只有3个点，说明训练的BP神经网络模型对湖心区2006年浮游植物叶绿素a含量的模拟效果较好。

2.3 模型敏感度分析

用于模拟估算2006年太湖湖心区浮游植物叶绿素a含量的BP神经网络模型敏感度分析结果如图3所示。由图可以看出，气温和溶解氧对模型敏感度较高，日照时数和总氮次之，总磷最低。由此表明，气温和溶解氧的变化与太湖湖心区浮游植物叶绿素a含量的变化有关；日照时数和总氮的变化对太湖湖心区浮游植物叶绿素a含量的影响程度也相对较高；而总磷的变化虽对太湖湖心区浮游植物叶绿素a含量有影响，但影响作用并不大。这与主成分分析结果基本一致，说明该模型的输入因子准确有效。

2.4 模型适用性验证

将已建立的BP神经网络模型分别对梅梁湾、竺山湾、贡湖和东太湖水体叶绿素a含量进行估算，以验证其对太湖其它湖区的适用性，估算时模型各输入变量分别为梅梁湾、竺山湾、贡湖湾以及东太湖各湖区观测位点的均值。模型对太湖4个湖区2006年浮游植物叶绿素a含量的预测值与实测值的误差分析见表4。由表可知，BP神经网络模型可以较好地反映这4个湖区叶绿素a含量的变化趋势，各湖区模拟的P值均达极显著水平。对梅梁湾模拟的结果最好，绝对误差与平均误差较小，叶绿素a含量模拟的结果与实测值的线性拟合方程的决定系数R2为0.917，拟合程度较高，模拟值接近实测值。对竺山湾和贡湖湾模拟的绝对误差范围较大，平均误差值也高，模拟效果不及另外两个湖区理想；对东太湖模拟的结果较好，绝对误差范围不大，且平均误差仅4.8μg·L-1。由此可以看出，BP神经网络模型对太湖浮游植物叶绿素a含量的估算是适用的。

表4 BP神经网络模型对2006年太湖4个区域浮游植物叶绿素a含量的模拟结果

3 结论与讨论

对太湖湖心区2001-2006年常规水质监测资料和气象资料进行主成分分析，确定影响太湖水体叶绿素a 含量的主要因子为气温、日照、溶解氧、总氮和总磷，共同对水质状况起着重要作用。刘建萍等[12]利用BP神经网络探究太湖叶绿素a含量与环境因子的关系时发现，总氮是影响太湖叶绿素浓度的主要因子，总磷不是其限制因子。张克鑫等[14]利用主成分分析法，运用BP神经网络对湖南镇水库的叶绿素a含量构建预测模型，考虑了总氮、总磷、溶解氧、温度和pH这5个环境因子，也发现总磷的变化对叶绿素a浓度影响甚微，总氮、溶解氧和温度对叶绿素a含量有一定影响。本研究结论与两位学者的结论相一致。

本次研究的BP神经网络模型对湖心区的预测相对误差在-41.7%～26.6%，拟合方程决定系数R2可达0.9587。利用训练好的湖心区BP神经网络模型对梅梁湾、贡湖湾、竺山湾和东太湖叶绿素a含量进行预测，其平均误差在4.8～8.9μg·L-1。说明建立的BP神经网络模型可较好地预测太湖浮游植物叶绿素a含量，该模型准确性和实用性较理想。罗固源等[17]利用神经网络对次级河流回水区3-5月叶绿素a含量的短期预测相对误差为1.25%～14.86%，裴洪平等[6]利用BP神经网络模型对西湖湖心区叶绿素a含量实现周预测，相对误差小于10%，周露洪等[8]利用BP神经网络模型实现了对太湖湖心区及梅梁湾叶绿素a含量的月预测平均相对误差分别为39%和71%，李一平等[18]运用人工神经网络对太湖全湖叶绿素含量预测的平均相对误差范围在-30.5%～31%，张克鑫等[14]利用BP神经网络模型对湖南镇水库叶绿素a含量的年预测相关系数达0.95。由于太湖是大型浅水湖泊，湖心区受风浪扰动大，尤其在夏季受东南季风的影响，温度与水动力变化很大，因此其水力特性与河流、西湖、水库等水体差异很大，月份之间水力特性相差也较大。水体扰动会引起水体营养盐浓度发生改变，同时还会伴随浮游植物的迁移[19-20]，这可能是引起BP神经网络模型预测误差的原因。本研究资料年限跨度较大，利用2001-2006年的气象资料与水质参数对太湖湖心区2006年的叶绿素a含量进行预测，这也是导致出现误差的原因之一。

基于主成分分析的BP神经网络模型估算太湖湖心区浮游植物叶绿素a含量的模拟值与实测值的拟合度良好，模型可以运用于太湖浮游植物叶绿素a含量预测；通过对建立的BP神经网络预测模型进行敏感度分析，可知气温和溶解氧与浮游植物叶绿素a含量的变化关系密切，这与主成分分析的结果一致；该模型对太湖其它4个湖区的浮游植物叶绿素a含量进行预测，其适用性也较好，因此，该模型可以运用于太湖水体叶绿素a含量的估算及预测。

参考文献References

[1]汪益嫔,张维砚,徐春燕,等.淀山湖浮游植物初级生产力及其影响因子[J].环境科学,2011,32(5):1249-1256.

Wang Y P,Zhang W Y,Xu C Y,et al.Phytoplankton productivity and its influencing factors in Dianshan lake[J].Environmental Science,2011,32(5):1249-1256.(in Chinese)

[2]金相灿,刘鸿亮,屠清瑛,等.中国湖泊富营养化[M].北京:中国环境科学出版社,1990.

Jin X C,Liu H L,Tu Q Y,et al.Eutrophication of lakes in China[M].Beijing:China Environmental Science Press, 1990.(in Chinese)

[3]肖永辉,王志刚,刘曙照.水体富营养化及蓝藻水华预警模型研究进展[J].环境科学与技术,2011,34(11):152-157.

Xiao Y H,Wang Z G,Liu S Z.Progress on early warning model of water eutrophication and algal bloom[J].Environmental Science & Techology,2011,34(11):152-157.(in Chinese)

[4]Maier H R,Dandy G C.Neural networks for the prediction and forecasting of water resources variables:a review of modeling issues and applications[J].Environmental Modeling and Software,1999,15(1):101-123.

[5]Kilic H,Soyupak S,Gürbüz H,et al.Automata net-works as preprocessing technique of artificial neural network in estimating primary production and dominating phyto-plankton levels in a reservoir:an experimental work[J]. Ecological Informatics,2006,1(4):431 - 439．

[6]裴洪平,罗妮娜,蒋勇.利用BP 神经网络方法预测西湖叶绿素a的浓度[J].生态学报,2004,24(2):246-251.

Pei H P,Luo N N,Jiang Y.Application of back propagation neural network for predicting the concentration of chlorophyll-a in West Lake[J].Acta Ecologica Sinica, 2004,24(2):246-251.(in Chinese)

[7]卢志娟,朱玲,裴洪平,等.基于小波分析与BP神经网络的西湖叶绿素a浓度预测模型[J].生态学报,2008,28(10): 4965-4973.

Lu Z J,Zhu L,Pei H P,et al.The model of chlorophyll-a concentration forecast in the West Lake based on wave let analysis and BP neural networks[J].Acta Ecologica Sinica,2008,28(10):4965-4973.(in Chinese)

[8]周露洪,谷孝鸿,曾庆飞,等.利用BP神经网络短期预测太湖不同湖区叶绿素a浓度[J].水生态学杂志,2012, 33(4):1-6.

Zhou L H,Gu X H,Zeng Q F,et al.Applications of back propagation neural network for short-term prediction of chlorophyll-a concentration in different regions of lake Taihu[J].Journal of Hydroecology,2012,33(4):1-6.(in Chinese)

[9]许海,秦伯强,朱广伟.太湖不同湖区夏季蓝藻生长的营养盐限制研究[J].中国环境科学,2012,32(12):2230-2236.

Xu H,Qin B Q,Zhu G W.Nutrient limitation of cyanobacterial growth in different regions of Lake Taihu in summer[J].China Environmental Science,2012,32(12):2230-2236.(in Chinese)

[10]秦伯强,胡春华.湖泊湿地海湾生态系统卷(江苏太湖站)[M].北京:中国农业出版社,2010.

Qin B Q,Hu C H.Lake,wetland and gulf ecosystem(Jiangsu Taihu station)[M].Beijing:China Agriculture Press,2010.(in Chinese)

[11]刘柯.基于主成分分析的BP神经网络在城市建成区面积预测中的应用[J].地理科学进展,2007,26(6):129-137.

Liu K.Application of BP neural network in the prediction urban built-up area:a case study of Beijing[J].Progress in Geography,2007,26(6):129-137.(in Chinese)

[12]刘建萍,张玉超,钱新,等.太湖叶绿素a浓度预测模型初探[J].环境保护科学,2009,35(4):46-49.

Liu J P,Zhang Y C,Qian X,et al.Preliminary studies on the prediction model of chlorophyll-a in Taihu Lake[J].Environmental Protection Science,2009,35(4):46-49. (in Chinese)

[13]欧钊荣,谭宗琨,何燕,等.BP神经网络模型在广西原料蔗产量预报中的应用[J].中国农业气象,2007,28(2):213-216.

Ou Z R,Tan Z K,He Y,et al.Application of BP neural network in yield predication of sugarcane (L) in Guangxi province[J].Chinese Journal of Agrometeorology, 2007,28(2):213-216.(in Chinese)

[14]张克鑫,陆开宏,金春华,等.基于BP神经网络的湖南镇水库叶绿素a浓度预测模型的研究[J].海洋湖沼通报,2011,13(2): 91-99.

Zhang K X,Lu K H,Jin C H,et al.Predicting model of the concentration of chlorophyll-a based on BP neural network in Hunan Zhen reservoir[J].Transactions of Oceanology and Limnology,2011,13(2):91-99.(in Chinese)

[15]Jeong K S,Joo G J,Kim H W,et al.Prediction and elucidation of phytoplankton dynamics in the Nakdong River (Korea) by means of a recurrent neural network[J].Ecological Modelling, 2001,146(3):115-129.

[16]巨军让,卓戎.BP神经网络在MATLAB上的方便实现[J].新疆石油学院学报,1999,11(2):42-46.

Ju J R,Zuo R.Convenient realization of BP networks on Matlab[J].Journal of Xinjiang Petroleum Institute,1999,11(2): 42-46.(in Chinese)

[17]罗固源,郑剑锋,许晓毅,等.神经网络在次级河流回水区叶绿素a浓度预测中的应用[J].环境工程学报,2009,3(2):372- 376.

Luo G Y,Zhen J F,Xu X Y,et al.Application of the neural network in prediction for chlorophyll-a in branch back water region[J].Chinese Journal of Environmental Engineering,2009, 3(2):372-376.(in Chinese)

[18]李一平,降勇,田娜.太湖生态系统的人工神经网络模拟研究[J].环境科学与技术,2004,23(2):43-45.

Li Y P,Jiang Y,Tian N.Artificial neural network simulation study in Taihu ecosystem[J].Enironmental Science &Technology, 2004,23(2):43-45.(in Chinese)

[19]孙小静,秦伯强,朱广伟,等.风浪对太湖水体中胶体态营养盐和浮游植物的影响[J].环境科学,2007,27(3):506-511.

Sun X J,Qin B Q,Zhu G W,et al.Effect of wind-induced wave on concentration of colloidal nutrient and phytoplankton in lake Taihu[J].Environmental Science & Technology,2007,27 (3):506-511.(in Chinese)

[20]张毅敏,张永春,张龙江,等.湖泊水动力对蓝藻生长的影响[J].中国环境科学,2007,27(5):707-711.

Zhang Y M,Zhang Y C,Zhang L J,et al.The influence of lake hydrodynamics on blue agalal growth[J].China Environmental Science,2007,27(5):707-711.(in Chinese)

Estimation of Chlorophyll-a Concentration in Taihu Lake by Using Back Propagation (BP) Neural Network Forecast Model

WANG Xue-lian1，2, SONG Yu-zhi1，2, KONG Fan-fan1, WANG Yu-jia1

(1.Jiangsu key Laboratory of Agricultural Meteorology, School of Applied Meteorology, Nanjing University of Information Science & Technology, Nanjing 210044,China; 2.Jiangsu Collaborative Innovation Center of Atmospheric Environment and Equipment Technology (CICAEET)，College of Environmental Science ＆ Engineering, Nanjing University of Information Science & Technology, Nanjing 210044)

To estimate chlorophyll-a concentration in the centre area of Taihu Lake, back propagation (BP) neural network forecast model was constructed based on principal component analysis according to conventional water quality monitoring data and meteorological data in Taihu from 2001 to 2006 and the sensitivity analysis of model was performed. The results showed that in the centre area of Taihu Lake, estimated value of chlorophyll-a concentration according to BP neural network forecast model had a better fit with the measured data of chlorophyll-a concentration. Through sensitivity analysis of established estimation model, it was found that temperature and dissolved oxygen were highly related with the chlorophyll-a concentrations. At the same time, chlorophyll-a concentrations in different areas of Taihu Lake (Meiliang Bay, Gonghu Bay, Zhushan Bay and East Taihu) were estimated by using BP neural network forecast model, close agreement was observed between estimated and the measured data of chlorophyll-a concentration. In general, BP neural network forecast model could be used to estimate and predict the chlorophyll-a concentration of the whole lake in Taihu.

Chlorophyll-a; Principal component analysis; BP neural network; Sensitivity analysis

10.3969/j.issn.1000-6362.2016.04.004

2015-12-28 

通讯作者。E-mail: syz70@nuist.edu.cn

国家自然科学基金(41471446)

王雪莲（1990-），硕士生，主要研究方向为环境工程。E-mail:wangxuelian_415@163.com