基于支持向量机的渤海富营养化快速测评技术研究❋

车潇炜， 孔宪喻， 刘艳芳， 苏荣国， 石晓勇

(中国海洋大学海洋化学理论与工程技术教育部重点实验室，山东 青岛 266100)

基于支持向量机的渤海富营养化快速测评技术研究❋

车潇炜， 孔宪喻， 刘艳芳， 苏荣国❋❋， 石晓勇

(中国海洋大学海洋化学理论与工程技术教育部重点实验室，山东 青岛 266100)

本研究针对渤海富营养化状态现场快速监测评估技术的需要，基于溶解氧(DO)、浊度(Tur)和叶绿素a(Chla)这3个可现场实时监测的参数，以TRIX方法作为参照，将海水富营养化状态分为低风险和高风险两个水平，利用支持向量机建立了渤海富营养化状态快速评价技术，对训练集和测试集样品的富营养化状态分类准确率分别为100.0%和89.3%，交叉验证准确率为82.5%。所建立的渤海富营养化快速评价技术能够实现渤海富营养化状态的快速实时测评，可为渤海海洋环境监测提供技术支持。

富营养化；快速评估技术；支持向量机

近海富营养化是由于沿海地区人类活动使大量N、P营养物质排放入海，使得藻类及浮游生物迅速繁殖，水体溶解氧量下降，水质恶化，鱼类及其他生物大量死亡的现象[1]。富营养化会造成浮游藻群落结构发生变化，使水体生态结构受到破坏，严重者引发赤潮[2-3]。有些赤潮藻类会产生毒素，通过食物链最终影响到人体的健康[4-5]。目前，中国近海富营养化状况仍十分严重。2011—2015年《中国海洋环境状况公报》显示，近5年中国沿海赤潮发生次数以及累计面积平均值分别为53次和5 644 km2。其中，渤海的富营养化情况最为严重，近5年赤潮平均累计面积为2 313 km2，占总面积的41%。

渤海是中国的内海，三面环陆，东面经渤海海峡与黄海相通。渤海受陆源输入和人类活动影响显著，有黄河、海河、大辽河等40多条河流注入渤海，尤其是天津、河北、山东、辽宁等沿海城镇工业废水和生活污水直接入海，使得N、P等污染物大量输入。同时，渤海独特的地理环境使其海水交换能力及水体自净能力较差，导致渤海海水的富营养化问题较为突出[6]。

目前，近海富营养化状态的评价方法有：以营养盐、化学需氧量(COD)等为参数的单指数法、以无机氮磷和COD作为参数的富营养化指数法(EI法)、以TN、TP、COD和Chl-a为指数的营养状态质量指数法(NQI法)以及富营养化状态指数法(TRIX法)等综合指数法[7]。但是这些评价方法均使用了COD、TN、TP等参数，测定时需消耗大量化学试剂且难以实现现场快速分析。对于一个水体而言，富营养化状态测评的时效性尤为重要[8]。2012年，U. Pinto基于可现场快速实时监测的溶氧(DO)、温度、浊度(Tur)等参数利用多元判别分析发展了富营养化快速测评技术，将富营养化状态分为高风险与低风险状态，其分类准确率为72%[9]，实现了水体富营养化状态的现场快速测评。但该技术存在富营养化状态分类过少、分类准确低等问题。基于此，本文利用DO、Tur和Chl-a3个可现场实时监测的水质指标，基于支持向量机发展了渤海富营养化状态评估技术，可实现渤海富营养化状态的现场快速测评。

1 材料和方法

1.1 样品的采集和处理

样品采用于2013年6、11月以及2014年4月的3个渤海航次，共采集113个水样，采样站位如图1(其中2013年6月航次不包含M2、M3、M5、M7、N1、N5等6个站位)。现场采样采用Niskin采水器，过滤后贮存。DO和Tur数据由CTD直接测得。

总氮、总磷的测定 使用镉-铜还原法测定TN，用磷钼蓝法测定TP的浓度。具体测定方法：在消解罐中加入未过滤的海水水样50 mL，加入过硫酸钾氧化剂，在120℃的高压锅中消解。消解完成后取25 mL消解海水加入磷显色剂，显色10 min，使用Q水为参比，采用分光光度计测定波长880 nm处的吸收值；再取10 mL消解海水，用pH为8～9的氯化铵缓冲溶液稀释到100 mL，过镉-铜还原柱，过柱后的海水中加入磺胺，2 min后加入α-萘乙二胺，显色15 min，测波长540 nm处的吸光值。利用工作曲线获得总氮和总磷值。

叶绿素a的测定方法 现场取水后立即使用0.7 μm的GF/F膜过滤，膜样用锡纸包好后冷冻保存。回到实验室后加入10 mL 90%丙酮，摇匀后置于冰箱中，在4 ℃的条件下避光浸提24 h，离心，将离心后所得的上清液倒入1 cm比色皿中，并以90%丙酮溶液为参比，测定吸光值，以Jeffrey 、Humphrey方程计算叶绿素a含量[10]。叶绿素a也可直接用CTD测得。

(a为2013年6月和11月展位图；b为2014年4月站位。a: stations inJune andNovember 2013; b:stations in April 2014.)图1 2013年6月、11月及2014年4月渤海航次站位图Fig. 1 Sampling stations ofthe Bohai Sea

1.2 TRIX综合指数法

TRIX值计算公式中既包含了TN、TP这两个主要的富营养化压力因子，也包含了Chl-a、DO等生态响应参数，相比于单指数法而言，具有更加全面、更加准确的优点，也不具有由于经验值而产生的随意性，能够较好的反应水体富营养化水平，被欧美国家广泛使用[11-13]。本研究选用TRIX综合指数法[14]作为发展近海富营养化状态快速测评技术的参照。TRIX法包含了Chl-a、DO、TN、TP等参数，其计算式为：

TRIX=[log10(Chl-a×aD%O2×

TN×TP)-(-1.5)]/1.2)。

(1)

其中：Chl-a、TN、TP的单位均为μ·g L-1；aD%O2为水体中溶解氧的绝对标准偏差。

TRIX综合指数法分类标准为：TRIX值<4时为极贫营养化状态，表明该海域几乎不具备生产力；4～5之间为贫营养化状态；5～6为中等富营养化状态；≥6为高富营养化状态，爆发富营养化灾害的风险高。

1.3 支持向量机技术(SVM)

支持向量机技术是由Cortes和Vapnik[15]提出的建立在统计学习理论基础上的新型数据挖掘方法，是统计学习理论的一种实现方法。近年来，其在富营养化状态分类等各个领域都得到广泛应用。支持向量机分类的关键为寻找一个超平面(即能够将两种或者更多类型的数据点准确分割开来的面)，如图2所示：

图2 超平面示意图[13]Fig. 2 The optimal separating hyperplane

首先需要假设n个观测样本已知为：(x1,y1)，(x2,y2)，… ，(xn,yn)，得到分类面同点间的距离为：

(2)

(3)

(4)

则方程(2)可转化为对偶问题得方程：

(5)

实际生活中存在的问题往往是复杂的，无法用线性分类解决的，故需要引入核函数K(xi,xj)=φ(xi)·φ(xj)将通过xi函数φ映射到一个高维的甚至是无限维度的空间当中，在这个空间中寻求最优解[16]。

本研究使用径向基核函数，其公式为：

(6)

在建立SVM模型时，首先使用训练集样品的DO、Tur和Chl-a参数作为输入变量，训练集样品的TRIX综合指数法分类结果作为输出变量，优化参数，建立SVM模型；然后，以测试集样品的DO、Tur和Chl-a参数作为输入变量，运算模型输出富营养化状态分类结果，以此分类结果与测试集样品TRIX综合指数法分类结果对比计算模型分类准确率。

2 结果与讨论

2.1 水质参数分析

对DO、Tur、Chl-a与TP、TN的相关性进行分析(见表1)。DO、Tur、叶绿素a均与TN、TP均呈明显的相关性。

叶绿素a的含量也常常作为判断水体是否富营养化的主要指标之一。N、P营养物质的累积往往能加快水中藻类的繁殖生长，藻类数量越多，其所含叶绿素也越多[17]。叶绿素a含量的改变往往能够反映富营养化状况的变化[18]，故叶绿素a是常用的判定富营养化潜力的指标，当叶绿素a含量大于10 (g/L时，水体表现为高风险富营养化状态[19-21]。浊度(Tur)是水体中浮游植物及其分解产物和悬浮固体颗粒物相结合的结果，其与TN、TP相关性显著，一般浊度大的海水中富含更多的营养物质。王雨春等[22]通过研究发现表层沉积物中积累的有机物质的矿化分解会使大量的沉积磷重回水体，成为富营养化的二次污染源。张斌亮[23]发现水体中叶绿素的含量与浊度密切相关，说明水体中溶解性固体中藻类等生物体的细胞外分泌物可能占较大比例，浊度是水体富营养化影响因素和响应参数。浊度也是衡量海面入射光强的一种指标，而光强是光合作用的重要因素，如Takemura等[8]发现在一定范围内光照越强，铜绿微囊藻的比生长速率越大。DO与N、P等生源要素的海洋生物地球化学过程密切相关，研究发现水体中溶解氧含量高低决定着水体的氧化还原电位高低，影响着水生生物的生长和营养盐的交换[23]。同时，浮游植物的大量繁衍，初期由于其光合作用的加强使得水体中DO增大。王建华[24]发现在水体中无大型植物的情况下，富营养化水体中经常出现较大的溶氧过饱和现象。因此，DO一直是水体富营养化评价的常用指标之一[18,25-26]。

Chl-a、Tur和DO都与水体富营养化过程密切相关[27]，以DO、Tur和Chl-a为基本参数建立富营养化快速评价技术具有可行性。

表1 水质参数相关性系数表

注：**显著性相关，p<0.01; *显著性相关，p<0.05. ** Correlation is significant at the 0.01 level; * Correlation is significant at the 0.05 level.

2.2 TRIX综合指数法评价结果

对DO、Tur、Chl-a、TN、TP等参数以及TRIX值作统计分析(见表2)。TRIX值的变化范围在4.54～6.70之间，平均值为5.68，TRIX值呈近岸高远岸低的分布特点，且冬季明显小于夏季，说明陆源输入及季节变化均对渤海富营养化状态和风险有重要影响作用。按TRIX值分类标准，可知113个样品中TRIX值<5的样品数为5，TRIX值在5和6之间的，即富营养化风险中等的样品为76个，富营养化风险较高(TRIX≥6)的样品为32个。由于TRIX<5的低富营养化状态的样品较少，且TRIX=6常作为中、高营养化的临界值[28]，故在本研究中将海水富营养化状态分为低风险和高风险两个水平，对应的TRIX值的分类标准为：TRIX<6为中低富营养化状态；TRIX≥6为高富营养化状态，有爆发富营养化灾害的危险。

图3a和3b分别是2013年11月和2014年4月渤海表层水体的TRIX值分布图。可以发现：(1)2013年11月旅顺近岸海域及黄河口附近海域TRIX值明显偏大，2014年4月秦皇岛近岸海域、柒河口、黄河口以及莱州湾呈高富营养化状态。总体上TRIX值由近岸向渤海中央呈逐渐减小趋势，说明陆源输入对于渤海富营养化有显著影响。另外，渤海底层TRIX值明显高于表层，可能是由沉积物释放N、P引起[29]；(2)2014年4月柒河口海域、黄河口海域及莱州湾富营养化程度高于2013年11月，其他区域则是2013年11月富营养化程度较高，通过对DO、Chl-a、TN、TP等水质参数的分析表明，这种差异的主要来源为TN、TP，进一步说明N、P是影响渤海富营养化的主要环境因子。

图3 2013年11月表层(a)和2014年4月表层(b)TRIX值分布图Fig.3 The distribution of TRIX of surface and bottom water

在建立支持向量机模型之前，利用变异系数对各指标参数的总体离散程度进行了分析(见表2)，结果表明，浊度的离散度较大(变异系数为1.62)。为降低数据离散度，将DO、Chl-a、Tur等参数进行对数转化，能够有效减小变异系数。故本研究采用各指标参数的对数作为输入变量来建立支持向量机模型。

2.3 渤海富营养化快速测评技术建立与验证

以DO、Chl-a、Tur3个水质参数为指标，随机选取57个样品为训练集，56个样品为测试集，以TRIX评估结果为参照，选用径向基核函数建立支持向量机模型。惩罚因子C与核函数参数g是决定SVM分类能力的关键，故首先需对惩罚因子C和核函数系数g进行优化，当C越大时，其拟合数据能力越强，对于错分样的惩罚越大，分类变得复杂，而当惩罚因子C太小时，学习机的经验风险会增大；对核函数系数g来说，当g很小时，每一个数据都是支持向量，使得支持向量机工作量过大，而g太大时，分类结果准确性会降低，故需在保证准确率的前提下选择最小的C和g。常用的参数优化方式有三种：网格寻优(Grid)、遗传方法(Ga)和粒子群方法(Pso)，比较三种参数优化方法的结果(表3)可知，Ga得到的训练集准确率最高，且其C、g数值适中，故本支持向量机模型建立时采用Ga对惩罚因子C和核函数系数g进行寻优。在最优惩罚因子C和核函数系数g约束下，获得含45个支持向量的支持向量机模型：

‖x-xi‖2}。 (7)

注:CV表示变异系数。CVrepresentcoefficientofvariation.

表3 支持向量机模型参数寻优方法比较

由表3知，该模型对近海富营养化状态的分类具有较高的准确率，其中，对训练集样品的富营养化状态分类准确率为100.0%。利用获得的支持向量机模型对测试集样品富营养化状态进行分类，得到测试集样品的富营养化状态分类结果，分类准确率为89.3%(见图4)。

对富营养化状态分类错误的样品进行分析(见表4)表明，错误样品的TRIX值处于分类边界值附近(6.07～6.43)。如果将TRIX值在范围内(临界值的95%～105%)的富营养化状态错误分类样品计为正确，则测试集样品的富营养化状态分类准确率也为94.6%。

图4 测试集的预测分类图Fig.4 The classification diagram of predicted category for the test set表4 测试集中富营养化状态分类错误的样品Table 4 The misclassified samples of the test set

站位⁃D/mStation⁃DTRIX值TRIXValueTRIX分类ClassificationresultbyTRIX支持向量机分类ClassificationresultbySVMO1⁃06．3721O3⁃106．1321B45⁃d6．4021B49⁃d6．0721B68⁃06．4321B70⁃26．2221

2.4 温、盐等环境因子对模型的影响

在自然条件下，不同的环境因素可能会对该技术的准确率产生影响，其中，温度主要受季节变化的影响，而盐度则是河口海域极为重要的水质因子。分别将温度和盐度指标作为输入变量加入模型，结果表明(见表5)，温度和盐度变量的加入并未提高支持向量机模型的分类能力。与U.Pinto以溶氧(DO)、温度、浊度(Tur)等参数发展了富营养化快速测评技术相比，本研究中温度影响不显著，一方面可能是Chl-a参数的使用能够一定程度上反映温度变化的影响，另一方面是本研究的3个航次期间渤海海水温度均处于10～20℃之间，变化幅度较小。

表5 温度和盐度对分类模型的预测精度的影响

3 结语

本文基于DO、Chl-a、Tur等可现场实时监测的水质参数，利用支持向量机建立了渤海富营养化快速测评技术，该技术对训练集样品富营养化状态分类准确率为100.0%，测试集样品富营养化状态的分类准确率为89.3%，分类准确率显著高于文献报导的同类技术，由于所用参数均可通过现有的探头传感器获得，因而可实现渤海富营养化状况的现场实时准确测评，可为海洋环境监测提供技术支持。

[1] Richardson K, Jørgensen B B,Eutrophication: Definition, history and effects[J]. Eutrophication in Coastal Marine Ecosystems, 1996,52: 1-19.

[2] Zhou M J, Shen Z L, Yu R C. Responses of a coastal phytoplankton community to increased nutrient input from the Yangtze River[J]. Continental Shelf Research, 2008, 28(12): 1483-1489.

[3] Hilton J, O’Hare M, Bowes M J, Jones J I.How green is my river? A new paradigm of eutrophication in rivers[J]. Science of the Total Environment 2006, 365(s1-3): 66-83.

[4] Smith V H. Eutrophication of freshwater and coastal marine ecosystems a global problem[J]. Environmental Science and Pollution Research, 2003, 10(2):126-139.

[5] Hallegraeff G M. A review of harmful algal blooms and their apparent global increase[J]. Phycologia, 1993, 32(2): 79-99.

[6] 张志峰，贺欣，张哲，等. 渤海富营养化现状、机制及其与赤潮的时空耦合性[J]. 海洋环境科学, 2012, 31(4):465-468. Zhang Z F, He X, Zhang Z, et al. Eutrophication status, mechanism and its coupling effect with algae blooming in Bohai[J]. Marine Environmental Science, 2012, 31(4):465-468.

[7] 时文博. 我国近岸海水富营养化现状及评估方法的研究探讨[J]. 河北渔业, 2014(4):42-46. Shi W B. Study on eutrophication status and assessment method of coastal seawaters in china[J].Hebei Fisheries, 2014(4):42-46.

[8] 吴锋，战金艳，邓祥征，等. 中国湖泊富营养化影响因素研究——基于中国22个湖泊实证分析[J]. 生态环境学报, 2012, 21(1): 94-100. Wu F, Zhan J Y, Deng X Z, et al.Influencing factors of lake eutrophication in China ——A case study in 22 lakes in China[J]. Ecology and Environmental Sciences, 2012, 21(1): 94-100.

[9] Pinto U, Maheshwari B, Shrestha S, et al. Modelling eutrophication and microbial risks in peri-urban river systems using discriminant function analysis[J]. Water Research, 2012, 46(19): 6476-6488.

[10] JeffreyS W, HumphreyG F. New spectrophotometric equations for determining chlorophylls a, b, c1 and c2 in higher plants, algae and natural phytoplankton[J].Plant Physiology and Biochemistry, 1975, 8(2): 53-59.

[11] Pettine M, Casentini B, Fazi S, et al. A revisitation of TRIX for trophic status assessment in the light of the European Water Framework Directive: Application to Italian coastal waters[J]. Marine Pollution Bulletin, 2007, 54(9): 1413-1426.

[12] Primpas I, Karydis M. Scaling the trophic index(TRIX) in oligotrophic marine environments[J]. Environ Monit Assess, 2011, 178(1-4): 257-269.

[13] Cabrita M T, Silva A, Oliveira P B, et al. Assessing eutrophic in the Portuguese continental exclusive economic zone with the European marine strategy framework directive[J]. Ecological Indicators, 2015, 58(1): 286-299.

[14] VollenweiderR A, Giovanardi F, Montanari G, et al.Characterization of the trophic conditions of marine coastal waters, with special reference to the NW Adriatic Sea: Proposal for a trophic scale, turbidity and generalized water quality index[J]. Environmetrics, 1998, 9(3): 329-357.

[15] Cortes C, Vapnik V. Support-vector networks[J]. Machine Learning, 1995, 20(3): 273～297.

[16] 陈娟，刘凌，王建中. 支持向量分类机在湖泊富营养化评价中的应用[J]. 人民长江, 2008, 39(2): 55-78. Chen J, Liu L, Wang J Z. Application of support vector machine in evaluation of lake eutrophication [J]. Yangtze River, 2008, 39(2): 55-78.

[17] 杨煜，李云梅，王桥，等. 富营养化的太湖水体叶绿素a浓度模型反演[J]. 地球信息科学学报, 2009, 11(5): 597-603. Yang Y, Li Y M, Wang Q, et al. Retrieval of Chlrophyll-aconcentration in the turbidand eutrophic Taihu lake[J]. Journal of Geo-Information Science, 2009, 11(5): 597-603.

[18] 张庆林，张学雷，王晓，等. 辽东湾东南海域富营养化评价[J]. 海岸工程, 2009, 28(1): 38-43. Zhang Q L, Zhang X L, Wang X, et al.Assessment of eutrophication in Southeast of Liaodong Bay[J]. Coastal Engineering, 2009, 28(1): 38-43.

[19] AnezeccA. Australian and New Zealand guidelines for fresh and marine water quality[J]. Department of the Environment, 2000: 1-103.

[20] Deely J, Hodges S, Mcintosh J, et al. Enterococcal numbers measured in waters of marine, lake, and river swimming sites of the Bay of Plenty, New Zealand[J]. New Zealand Journal of Marine and Freshwater Research, 1997(31): 89-101.

[21] 吴怡，郭亚飞，曹旭，等. 成都府南河叶绿素a和氮、磷的分布特征与富营养化研究[J]. 中国环境监测, 2013, 29(4): 44-49. Wu Y, Guo Y F, Cao X, et al. Eutrophication and spatial distribution of chlorophyll-a，nitrogen and phosphorus in Fu-Nan River，Chengdu City[J].Environmental Monitoring in China, 2013, 29(4): 44-49.

[22] 王雨春, 万国江, 黄荣贵, 等.湖泊现代化沉积物中磷的地球化学作用及环境效应[J].重庆环境科学, 2000, 22(4): 39-41. Wang Y C, Wang G J, Huang R G, et al. Geochemistry and environmental effect of modern sediments in Lake Baihua[J]. Chongqing Environmental Science, 2000, 22(4): 39-41.

[23] 张斌亮, 张昱, 杨敏, 等.长江中下游平原三个湖泊表层沉积物对磷的吸附特征[J]. 环境科学学报, 2004, 24(4): 595-600. Zhang B L, Zhang Y, Yang M, et al.Characteristics of phosphorus sorption on surface sediments in three shallow lakes in the Yangtze River Basin[J]. Acta Science Circumstantiae, 2004, 24(4): 595-600.

[24] 王建华，丘焱伦. 富营养化浅水池塘溶解氧过饱和成因分析[J]. 广东化工, 2013, 40(16): 151-153. Wang J H, Qiu Y L. The analysis for the cause of over saturated dissolved oxygen in eutrophic shallow pond[J]. Guangdong Chemical Industry, 2013, 40(16): 151-153.

[25] Ibane, J G, Hernandez-Esparza M, Doria-Serrano C, et al. Dissolved oxygen in water[J]. Springer New York, 2008, 27(9):16-27.

[26] ShresthaS, KazamaF. Assessment of surface water quality using multivariate statistical techniques: A case study of the Fuji river basin, Japan[J]. Environmental Modelling and Software, 2007, 22(4): 464-475.

[27] 陈水勇，吴振明，俞伟波，等. 水体富营养化的形成、危害和防治[J]. 环境科学与技术, 1999(2): 11-15. Chen S Y, Wu Z M, Yu W B, et al.Formation, harmfulness, prevention, control and treatment of waters eutrophication[J]. Environmental Science & Technology, 1999(2): 11-15.

[28] GiovanardiF, VollenweiderR A. Trophic conditions of marine coastal waters: experience in applying the trophic index TRIX to two areas of the Adriatic and Tyrrhenian seas [J]. Journal of Limnology, 2004, 63(2): 199-218.

[29] 赵海超，王圣瑞，赵明，等. 洱海水体溶解氧及其与环境因子的关系[J]. 环境科学, 2011, 32(7):1952-1959. Zhao H C, Wang S R, Zhao M, et al. Relationship between the DO and the environmental factors of the water body in Lake Erhai[J]. Environmental Science, 2011, 32(7): 1952-1959.

责任编辑 徐 环

Atechniqueforrapid Assessment of the Eutrophicationstatus ofBohai Sea by Support Vector Machine

CHE Xiao-Wei，KONG Xian-Yu，LIU Yan-Fang，SU Rong-Guo，SHI Xiao-Yong

(Key Laboratory of Marine Chemistry Theory and Technology, Ministry of Education, College of Chemistry and Chemical Engineering, Ocean University of China, Qingdao 266100, China)

To meet the urgent need of in-situand rapid eutrophicationassessment of the Bohai Sea, atechniquebased on support vector machinewas developed bythree easy-to-measure parameters (turbidity (Tur), chlorophyll a (Chl-a) and dissolved oxygen (DO)) with the trophic index (TRIX) asreference. The trophic status were set to two levels: low eutrophicationrisk and high eutrophicationrisk.The results indicated that the classification accuracy rates of the developed technique were 100.0% for the training data, 89.3% for the validation data and 82.5% for the cross-validation, respectively.It would be useful for in situ and rapidly assessing the eutrophication status of the Bohai Sea.

eutrophication; rapid assessment; support vector machine (SVM)

山东省自然科学基金项目(ZR2013DM017)；国家自然科学基金项目(41376106)资助 Supported by the Natural Science Foundation of Shandong Province (ZR2013DM017) and the Natural Science Foundation of China (41376106)

2016-03-24；

2016-05-13

车潇炜(1992-)，男，硕士生，主要研究方向为海洋污染防护与治理。E-mail:Nigal_Che@163.com

❋❋ 通讯作者：E-mail: surongguo@ouc.edu.cn

X834

A

1672-5174(2017)07-072-08

10.16441/j.cnki.hdxb.20160086

车潇炜，孔宪喻，刘艳芳，等.基于支持向量机的渤海富营养化快速测评技术研究[J].中国海洋大学学报(自然科学版),2017, 47(7): 72-78.

CHE Xiao-Wei，KONG Xian-Yu，LIU Yan-Fang，et al.Atechniqueforrapid assessment of the eutrophicationstatus of Bohai Seaby support vector machine (SVM)[J].Periodical of Ocean University of China, 2017, 47(7): 72-78.