水体富营养化及蓝藻水华预警模型研究进展_百度文库

1、 第 34卷 第 34卷 第 11期 2011年 11月Vol. 34No.11Nov. 2011 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 Yong-hui, Wang Zhi-gang, LiuShu-zhao. Progress on early warning model of water eutrophication and algal bloomJ.Environmental Science &Technology, 2011, 34(11:152-157.水体富营养化及蓝藻

2、水华预警模型研究进展肖永辉, 王志刚 *, 刘曙照(扬州大学环境科学与工程学院, 江苏 扬州 225127摘要:目前, 水体富营养化及蓝藻水华污染已成为最为突出的世界性水环境问题之一, 做好水华的预测预警工作显得尤为重要 。预警模型是水体富营养化及蓝藻水华预警工作的前提与基础 。 文章讨论了主要预警参数因子的选择, 包括物理因子 、 化学因子和生物 因子; 介绍了常用的水体富营养化及蓝藻水华预警模型的研究进展, 总结了各个常用模型的概念 、 优缺点 、 建模思路以及应用现状 。 神 经网络模型已成为国内外预警模型应用的热点, 其中遗传算法模型 、 支持向量机模型 、 决策树方法受到了广泛的重视

3、, 另外, 一些其它 的模型得到了一定程度的应用, 如模糊系统预测模型 、 灰色系统预测模型 。 综合运用各种预警监测技术, 获取实时监测数据, 提高预警 模型的准确性是今后水华预警研究的重点方向 。关键词:富营养化; 蓝藻水华; 预警参数因子; 预警模型 中图分类号:X524文献标志码:A文章编号:1003-6504(201111-0152-06Progress on Early Warning Model of Water Eutrophication andAlgal BloomXIAO Yong-hui, WANG Zhi-gang *, LIU Shu-zhao(School of

4、Environmental Science and Engineering, Yangzhou University, Yangzhou 225127, China Abstract :Since water eutrophication and cyanobacteria bloom are becoming one of the most serious worldwide water environment problems, it is very important to predict cyanobacteria bloom. Model is the precondition an

5、d foundation of the early warning for water eutrophication and cyanobacteria bloom. Choice of main parameters and factors for early warning of cyanobacteria bloom were discussed, including physical factors, chemical factors and biotic factors. Progress of early warning model for water eutrophication

6、 and cyanobacteria bloom was also introduced, with analysis of the concepts, advantages and disadvantages, model building idea and application of commonly used models. Artificial neural network model has become the application focus for early warning model, in which genetic algorithm model, support

7、vector machine model and decision trees model aroused wide attentions. Some other models are used to some extent, such as fuzzy system prediction model and grey system prediction model. It was proposed that applying a variety of monitoring technologies, acquiring in -time monitoring data, and raisin

8、g accuracy of early warning model is the trend for further studying of early warning of water eutrophication and cyanobacteria bloom.Key words :eutrophication; cyanobacteria bloom; early warning parameters and factors; early warning model 环境科学与技术 编辑部:(网址 ht t p:/f j ks . chi naj our nal . net . cn (

9、电话电子信箱 hj kxyj s 126. com 收稿日期:2011-01-28; 修回 2011-03-23基金项目:国家 “ 863” 计划重点课题 (2009AA063005 ; 安徽省科技攻关计划 (08010301107水华是指当水体中出现富营养状况并具备适宜的温度 、光照 、 气候及合适的水文条件等有利于藻类 生长或聚集的环境条件时, 水体藻类大量生长繁殖或聚集并达到一定浓度的现象 。水华是水体富营养化的 一种表现形式, 主要由于生活及工农业生产中含有大量氮 、 磷的废污水进入水体后, 蓝藻 (严格意义上应称 为蓝细菌 、 绿藻 、 硅藻等藻类成为水体

10、中的优势种群,大量繁殖后使水体呈现蓝色或绿色的一种现象 。目前,蓝藻水华是最为突出的世界性水环境问题之 一, 且随着全球经济的发展和人类活动影响的扩大而日趋严重 。我国蓝藻水华现象尤为严重, 大多数湖泊 、 水库甚至河流中都不同程度地有水华的发生,太湖 、 滇池 、 巢湖 、 洪泽湖等湖泊常有水华出现, 2007年发生 的无锡太湖水华事件虽然已经过去, 但已向人们敲响第 11期了警钟 1。 蓝藻水华现象大面积 、 长时间频发, 不仅破 坏了湖泊功能和生态环境, 而且威胁着人体健康及生 活饮用水的安全, 已成为困扰中国经济持续发展的主 要环境问题之一 。蓝藻水华具有重大危害,它会引起水质恶化,

11、严 重时耗尽水中氧气而造成鱼类死亡,还会产生藻毒 素, 对鱼类 、 人畜产生毒害, 甚至诱发肝癌, 目前还缺 少有效的治理手段 。 水华的治理应该首先削减湖泊营 养盐, 从根本上阻断蓝藻水华生长的营养物质来源 2。 在采用各种方法治理蓝藻水华的同时, 必须认识蓝藻 水华形成的基本规律, 尤其要做好蓝藻水华的预警工 作 。 对于水体的富营养化现象, 做好预测预警工作显 得尤为重要, 因为水华一旦发生, 控制难度就会加大, 治理成本就会显著提高, 因此如果能够预见到水华的 发生并及时采取相应措施会取得事半功倍的效果 。 现 阶段, 防治水华已成为当务之急, 而根据富营养化现 状对水华进行准确的预测

12、预报更是当前工作的重中 之重 。水华的预警监测工作横跨多个学科和领域, 涉及 面广, 需要各级管理 、 监测和科研部门通力合作 。 从理 论和实践两方面入手, 充分利用各种传统和现代监测 技术,结合预警模型建立蓝藻水华监测及预警系统, 通过对监测数据的处理 、 分析等, 揭示蓝藻水华的发 生 、 发展 、 变化趋势及暴发时间 、 地点, 从而减少或避 免由蓝藻水华暴发所导致的经济损失 、 社会和生态灾 难 。模型的建立是预警工作的基础和支撑, 关于水华 预警模型方面的研究已引起了人们极大的关注, 国内 外已有不少这方面的研究工作和成果 。 本文从参数因 子的选择和国内外常用预警模型的角度对水体

13、富营 养化及蓝藻水华的预警研究工作进行介绍 。1参数因子的选择研究蓝藻水华暴发的影响因子, 探索蓝藻水华的 形成机制,可以科学地预测水体中蓝藻水华的产生, 并采取相应的技术措施, 具有极其重要的生态和环境 意义 。水华的影响因子主要分为 3大类,即物理因子 (包括温度 、 光照以及水文 、 气候 、 气象等条件 、 化学 因子 (如营养盐氮磷 、 pH 、 溶解氧等 、 生物因子 (主要 是蓝藻本身的生理生态特征, 如气囊 、 色素体 、 胶鞘 、 藻毒素等 3-4。水华的预警因子因其发生时间 、 地域 、 研究方法 的不同而有差异, 如何从众多的预警因子中筛选出影 响水华发生的最主要的参数因

14、子是水华预警工作前 期的研究内容 。 黄振芳等 5以北京市中心区城市河湖 水体为对象, 研究了各水质指标和气象指标与水华发 生的响应关系, 确定了水华短期预警系统选择的输入 指标为总磷和总氮 、 水温 、 光照 、 叶绿素 a 、 溶解氧, 输 出指标为叶绿素 a 、 溶解氧; 崔莉凤等 6在连续监测的 条件下, 测量并记录叶绿素 、 溶解氧 、 pH 、 蓝绿藻数量 等表征指标, 分析各指标的相互关系, 发现叶绿素与 溶解氧 、 叶绿素和 pH 、 pH 和溶解氧之间存在明显的 正相关, 同时发现可利用 pH 、 DO 作为预测水华暴 发的表观指标; 李继影等 7指出常规预警监测的主要 监测

15、项目为水温 、 浊度 、 pH 、 溶解氧 、 总磷 、 总氮; 邢丽 贞等 8通过研究提出在众多影响因子中, 氮磷及氮磷 比 、 pH 值 、 DO 和 ORP 等都与藻类生长密切相关, 且 与藻类的生物量之间具有很好的相关性, 故可作为预 警因子 。2常用预警模型利用水质模型对水体富营养化程度进行模拟和 预测已成为国内外对水华预警研究的主要工作之一 。 目前国内外常用的蓝藻水华预警模型主要有人工神 经网络模型 、 遗传算法 、 支持向量机模型 、 决策树方法 等 。2.1神经网络模型神经网络,也称人工神经网络 (Artificial neural network , ANN , 是最常用的

16、一种蓝藻水华预警模型, 它是一种模拟人脑的神经网络原理, 能自适应地响应 环境信息, 自治地演化出运算能力的非程序化计算模 式 。 鉴于人工神经网络技术具有较强的适应能力 、 学 习能力和真正的多输入多输出系统的特点, 其在预测 水华和富营养化中的应用已经成为国内外研究的热 点 。目前虽然已有数十种的神经网络模型, 但主要可 分成三大类, 即前向网络 (Feedforward NNs 、 反馈网 络 (Feedback NNs 和自组织网络 (Self-organizing NNs 。 其中理论较成熟 、 应用广泛的是前向网络 。 在前 向神经网络的应用中又首推 BP 网络和它的变化形 式,

17、它也是前向网络的核心部分, 并体现了人工神经 网络最精华的部分 。BP 网络是一种按误差逆传播算法训练的单向传 递的多层前向网络, 是目前应用最广泛的神经网络模 型之一 。 BP 网络能学习和存贮大量的输入输出模式 映射关系, 而无需事前揭示描述这种映射关系的数学 方程 。 它的学习规则是使用最速下降法, 通过反向传 播来不断调整网络的权值和阈值, 使网络的误差平方肖永辉, 等 水体富营养化及蓝藻水华预警模型研究进展 153第 34卷 和最小 。 BP 神经网络模型拓扑结构包括输入层 (in -put 、 隐含层 (hidelayer 和输出层 (outputlayer , 相邻 层之间实现全

18、连接,而每层的各个神经元之间无连 接 。 输入信号从输入层节点依次传过各隐含层节点, 然后传到输出节点, 每一层节点的输出只影响下一层 节点的输出 9-10。BP 神经网络具有许多独特的优点:方法简单, 无 需建立各种复杂的数学模型; 具有较强的非线性处理 能力, 适合于求解内部机制复杂的问题; 具有较强的 学习 、 存储 、 容错能力 。 但也存在以下缺陷:收敛速度 慢; 网络不具有记忆能力, 易受训练过度的影响; 容易 陷入误差函数的局部最小值而不能继续收敛 。利用 BP 神经网络进行水体富营养化和蓝藻水华 预测时,首先对数据进行标准归一化和主成分分析, 选择最具有代表性的若干个水质指标或

19、因子作为输入参数, 采用叶绿素 a 作为网络的输出变量,然后通 过 BP 网络进行插值,建立 BP 网络并对其进行训练 和测试, 最后对网络进行验证 。裴洪平等 11利用 BP 神经网络方法预测西湖叶绿素 a 的浓度,取得了很好的效果, 说明人工神经网络 对叶绿素 a 的预测是一种有效工具,小波神经网络 (Wavelet neural networks , WNN 是小波分析理论与神经网络理论相 结 合 的 产 物 。 Zhang Qinghu 等 1992年正式提出小波神经网络的概 念, 其思想是用小波元代替神经元, 即用已定位的小 波函数代替 Sigmoid 函数作激活函数, 通过仿射变换

20、 建立起小波变换与网络系数之间的连接 。WNN 是建立在小波分析理论基础上的一种新型 神经网络,其兼容了小波分析与神经网络的优点:第 一, WNN 具有逼近能力强 、 收敛速度快 、 预测精度高 的特点, 即较强的函数学习能力和泛化能力; 第二, 其 学习过程是对一个凸问题的优化逼近过程, 能够最终找到一个全局的最优解, 而不存在局部最小点, 在非线性函数逼近等方面得到了广泛的应用 。 第三,小波 基单元数及整个网络结构是依据小波分析理论确定 的, 有可靠的理论根据, 可避免 BP 神经网络 RBF 网 络等结构设计上的盲目性 。在将其应用于湖泊富营养化状态的评价中, 首先 选用几种营养参数作

21、为小波神经网络中训练样本的 输入结点, 营养状况评价的结果参数作为训练样本的 输出结点; 然后将湖泊监测点所得到的监测值及其营 养状况输入小波神经网络进行训练;训练完之后, 将 前面所得到的各监测点的值分别带入训练后的小波 神经网络中时期进行评价, 即得出营养状况的评价结 果 。曾光明等 16通过深入探讨洞庭湖区水质恶化的 原因, 运用小波神经网络对洞庭湖各监测点附近区域 的营养状况进行了评价, 并针对洞庭湖的富营养化问 题提出了相应的对策 。 朱启兵等 17提出了一种核主元 分析和小波神经网络相结合的水质预测建模方法, 最 大限度地保证了网络的泛化能力, 实验结果表明该预测模型具有预测精度高

22、 、模糊神经网络 (Fuzzy neural network , FNN 是模糊理论 FS (Fuzzy Systems与神经网络 NN (Neural networks 相结合的产物, 它汇集了神经网络与模糊理 论的优点, 集学习 、 联想 、 识别 、 自适应及模糊信息处 理于一体, 得到了广泛的应用和研究 。 与其它方法相 比, 模糊神经网络评价系统操作简单; 一旦评价标准 有所变动,模糊神经网络只需修改相应的学习样本,而无需对其结构程序做较大改动 。其主要缺点是样本 的选取须十分慎重 。其应用思路和方法为:评价要素的确定 、 网络结构的设计 、网络结构的训练 、 综合评价 。 利用模糊

23、神经 网络对湖泊水质富营养化程度的评价结果与其它方 法的评价结果基本一致 19。陈守煜等 20阐述了基于模糊人工神经网络识别 的水质评价模型和方法, 并将其用于长江支流沱江枯 水期的水质综合评价; 吴利斌等 21在综合评价体系结 构基础上, 应用模糊神经网络技术建立了湖泊富营养 化程度模糊神经网络评价系统, 并利用该系统对全国 16个有代表性的湖泊进行水质评价, 均得到了正确的 评价结果 。154第 11期2.2遗传算法模型遗传算法 (Genetic algorithm , GA 是建立在种群 遗传机制和自然选择原理基础上 , 模拟自然界 “ 优胜劣 汰 、 适者生存 ” 的一种寻优算法 。

24、它是一种启发式算 法, 具有全局搜索特征, 在模型参数优化中有广泛的 应用 。 遗传算法采用多点并行搜索, 且搜索进化过程 算法简单, 它可以降低人工神经网络陷入局部最优解 的可能性, 还能增强网络的泛化能力 。利用 GA 优化蓝藻水华预报模型参数,其步骤 为:(1 确定待优化参数及其空间; (2 算法控制参数 配置; (3 初始化; (4 适应度函数设计, 计算每个参数 组合的适应度; (5 选择参数组合; (6 交叉; (7 变异 。 然后得到模型优化参数值 。 采用相对残差评价模型参 数优化对模拟精度的影响 。黄佳聪等 22以太湖北部三湾为研究对象, 采用动 态空间环境建模技术,构建了蓝

25、藻水华预报模型, 并 通过实地观测建立了模拟的初始参数集,利用 2008年 4-9月太湖水环境 、 气象等实测数据, 采用遗传算 法优化叶绿素 a 浓度预报模型中敏感度较高的四个 参数, 提高水体叶绿素 a 浓度的模拟精度, 进而提高 蓝藻水华的预报精度; Muttil 等 23运用遗传算法对香 港铜锣湾 3年的叶绿素 a 、 溶解氧和气象水文资料建 立实时预测模型进行水华超前预测, 也得到令人满意 的效果 。2.3支持向量机模型支持向量机 (Support vector machine , SVM 是 Vapnik 等根据统计学理论提出的一种新的通用机器 学习方法, 该方法近来受到广泛重视

26、。 支持向量机方 法是建立在统计学习理论 VC 维理论和结构风险最 小原理基础上的, 根据有限的样本信息在模型的复杂 性 (即对特定训练样本的学习精度 和学习能力 (即无 错误地识别任意样本的能力 之间寻求最佳折中点, 以期获得最强的推广能力 。与传统方法相比, 支持向量机既克服了传统方法 的大样本要求, 还有效地克服了维数灾难及局部极小 问题, 避免了传统神经网络拓扑结构需要经验试凑的 方法, 在解决小样本 、 非线性及高维模式识别问题中 表现出许多特有的优势 。利用支持向量机的分类方法进行湖泊水体富营 养化程度评价, 首先要确定影响水体富营养化的主要 因素, 其次选择样本数据集, 然后利用

27、 SVM 进行学习 训练, 最后根据训练后获得的模型进行计算, 得到评 价值 。管军等 24将支持向量机方法应用于水质评价领 域, 借助支持向量机良好的多类识别分类性能, 建立 了基于支持向量机的水质监测数据处理及状况识别 与评价模型; 卢敏等 25利用 SVM 分类算法, 建立了区 域水安全预警评价的支持向量机模型, 并对此进行相 应的实例研究 。 王洪礼等 296利用支持向量机理论对海 水水质富营养化的程度进行评价,并与 BP 人工神经 网络方法所得结果进行比较,发现 SVM 理论能更好 地解决小样本的分类评价问题, 评价效果良好, 在水 质评价领域有较好的应用前景 。2.4决策树方法决策

28、树方法 27-28是一种以实例 (训练集 为基础的 归纳学习方法, 着眼于从一组无秩序 、 无规则的实例 中推理出决策树表示形式的分类规则 。 它是一个类似 流程图的树型结构, 树的最高层节点为根节点, 是所 有数据的集合, 树的每个内部节点代表着对某一属性 的最佳测试, 其分支代表测试结果, 树的每个叶节点 代表分类类别 。 它采用自顶向下的递归方式, 将决策 过程各个阶段之间的结构绘制成一张箭线图, 其过程 为:决策树生成 (主要算法有 Quinlan 提出的 ID3、 C4.5算法 和剪枝技术 。 决策树主要应用于分类和预 测, 通过确定对象的各属性的重要程度, 提取出必要 的属性对研究

29、对象进行分类 。决策树分类模型对于处理限制因素发生变化时 水华预测结果更为准确, 且结构简单, 输入输出关系 明显, 结果易于解释 。决策树方法通常与非线性回归方法结合起来进 行水华的预测, 首先根据决策树分析结果确定出主要 的输入变量以及变量的区间划分, 在各区间内, 将确 定出的主要输入变量作为回归方程的自变量, 叶绿素 a 浓度为因变量, 采用 Enter 法进行分段线性回归, 然 后可以对决策树预测水华爆发时机的准确率进行计 算模型验证 。目前, 单独采取决策树对水华爆发进行预测的研 究并不多见, 有人尝试使用决策树和非线性回归相结 合的方法对水华进行预测, 取得了一定进展 。 曾勇等

30、 29采用决策树方法和非线性回归方法建立湖泊水华预 警模型, 以北京 “ 六海 ” 为例, 利用分段线性多元统计 回归预测公式, 建立了三个由叶绿素 a 、 水量 Q 、 水温 T 以及总磷 TP 组成的回归方程,来计算叶绿素 a 的 含量, 从而达到预测水华的目的 。 Chen 等 30应用决策 树和分段非线性统计回归方法预测了荷兰海岸带水 华的叶绿素 a 浓度变化趋势 。2.5其它模型除以上介绍的常见模型以外,其它预警模型, 如 模糊系统预测模型 31、 Bayes 决策法 32、 D-S 证据推理 算法 33、 复杂网络 34、 物元模型 35、 灰色系统预测模型 36、肖永辉, 等 水

31、体富营养化及蓝藻水华预警模型研究进展 155第 34卷 突变模型 37以及时间序列向量自回归模型 38等也引起 了一定的关注, 并且在水体富营养化和蓝藻水华预警 中得到了实际应用 。 3结语近年来, 水华预警模型取得了很大发展, 除了以 上介绍的常规预警模型以外, 将几种模型结合起来以及利用人工现场观测 、实验室分析技术 、 水质自动在 线监测系统 、卫星遥感实时监测技术 39-41以及多源信 息融合技术 42等已引起了极大的关注与应用 。蓝藻水华预警的发展趋势以学科间相互渗透与 交错为主, 随着新技术的发展, 一些新的研究思路和 技术也开始逐渐应用到水体富营养化模型中, 比如经济学领域中的模

32、型 。 综合运用各种预警监测技术,对 水体预警因子进行实时监测, 进一步提高预警模型的 可靠性是水华预警模型研究的重要方向 。参考文献 1路云霞 , 吴长年 , 黄戟 , 等 . 由 “ 无锡太湖水华事件 ” 论太湖富营养化的防治 J.生态经济 , 2008, (2:154-157. Lu Yun-xia, Wu Chang-nian, Huang Ji, et al. Studies onthe preventing and controlling measures of Taihu Lake -Based on the eutrophication event of Taihu Lake

33、in Wuxi City J.Ecologigal Environment, 2008, (2:154-157. (inChinese2孔繁翔 , 马荣华 , 高俊峰 , 等 . 太湖蓝藻水华的预防 、 预测和预警的理论与实践 J.湖泊科学 , 2009, 21(3:314-328. Kong Fan-xiang, Ma Rong-hua, Gao Jun-feng, et al. Thetheory and practice of prevention, forecast and warning on cyanobacteria bloom in Lake TaihuJ.Journal of

34、 Lake Sci -ences, 2009, 21(3:314-328. (inChinese3刘载文 , 吕思颖 , 王小艺 , 等 . 河湖水华预测方法研究 J.水资源保护 , 2008, 24(5:42-46.Liu Zai -wen, Lv Si -ying, Wang Xiao -yi, et al. Forecast methods for algal bloom in rivers and lakesJ.Water Re -sources Protection, 2008, 24(5:42-46. (inChinese 4孔繁翔 , 高光 . 大型浅水富营养化湖泊中蓝藻水华形成

35、机理的思考 J.生态学报 , 2005, 25(3:589-594.Kong Fan-xiang, Gao Guang. Hypothesis on cyanobacteria bloom-forming mechanism in large shallow eutrophic lakes J.Acta Ecologica Sinica,2005,25(3:589-594.(inChinese 5黄振芳 , 刘昌 , 刘波, 等 . 北京城市水华预警指标体系研究J.人民黄河 , 2010, 32(5:8-10.Huang Zhen-fang, Liu Chang, Liu Bo, et al.

36、 Research on early warning index system of algal bloom in Beijing City J.Yellow River, 2010, 32(5:8-10. (inChinese6崔莉凤, 黄振芳, 刘载文, 等 . 水华暴发叶绿素 -a 与表征指标溶解氧和 pH 的关系 J.给水排水 , 2008, 34(S2:177-178.Cui Li-feng, Huang Zhen-fang, Liu Zai-wen, et al. The re -lationship between Chl -a of breakout of water bloo

37、m and characteristic index-DO and pHJ.Water &Wastewa -ter Engineering, 2008, 34(Z2:177-178. (inChinese 7李继影 , 徐恒省 , 翁建中 , 等 . 浅水型湖泊蓝藻水华预警监测工作的思考 J.环境科学与管理 , 2009, 34(4:121-125. Li Ji-ying, Xu Heng-sheng, Weng Jian-zhong, et al. Con -sideration of monitoring cyanobacteria bloom -forming in shallow la

38、kesJ.Environmental Science and Management, 2009, 34(4:121-125. (inChinese8邢丽贞 , 邱靖国 , 王立鹏 . 水华预警模型研究进展 J.山东建筑大学学报 , 2009, 24(3:267-271.Xing Li-zhen, Qiu Jing-guo, Wang Li-peng. Research on early warning model of algal bloomJ.Journal of Shandong Jianzhu University, 2009, 24(3:267-271. (inChinese9焦志钦

39、.BP 人工神经网络的原理及其应用 J.科技风 ,2010,(6:200-201.Jiao Zhi -qin. The principle and application of BP neural networkJ.Technology Wind, 2010, (6:200-201. (inChi -nese10莫慧芳 , 谷爱昱 , 张新政 , 等 . 基于 BP 神经网络的水质预测方法的研究 J.控制工程 , 2004, 11(5:9-10.Mo Hui-fang, Gu Ai-yu, Zhang Xin-zheng, et al. Research on a method of BP n

40、eural network in water quality evalua -tionJ.Control Engineering of China, 2004, 11(5:9-10. (inChinese11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 Hong -ping, Luo Ni -na, Jiang Yong. Applications of back propagation neural network for predicting the concen -tration of

41、chlorophyll -a in West LakeJ.Acta Ecologica Sinica, 2004, 24(2:246-251. (inChinese12刘载文 , 杨斌 , 黄振芳 , 等 . 基于神经网络的北京市水体水华短期预报系统 J.计算机工程与应用 , 2007, 43(28:243-245.Liu Zai-wen , Yang Bin , Huang Zhen-fang, et al. Water-bloom short -time predicting system of Beijing based on neural networkJ.Computer Engin

42、eering and Applications , 2007, 43(28:243-245. (inChinese13任黎 , 董增川 , 李少华 . 人工神经网络模型在太湖富营养化评价中的应用 J.河海大学学报 (自然科学版 , 2004, 32(2:147-150. Ren Li, Dong Zeng-chuan, Li Shao-hua. Application of artifi -cial neural network model to assessment of Taihu Lake eu -trophicationJ.Journal of Hehai University (Na

43、turalSciences, 2004, 32(2:147-150. (inChinese14Lee J H W, Huang Y, Dickman M, et al. Neural networkmodelling of coastal algal bloomsJ.Ecological Modelling, 2003, 159(2-3:179-201.15Wei B, Sugiura N, Maekawa T. Use of artificial neural net -work in the prediction of algal bloomsJ.Water Research, 2001,

44、 35(8:2022-2028.16曾光明, 卢宏玮, 金相灿, 等 . 洞庭湖水体水质状况及运用小波神经网络对营养状态的评价 J.湖南大学学报 (自156第 11 期 肖永辉， 水体富营养化及蓝藻水华预警模型研究进展 等 157 然科学版，2005，32(1：91-94. Zeng Guang-ming, Lu Hong-wei, Jin Xiang-can, et al. As sessment of the water quality and nutrition of Dongting Lake with wavelet neural networkJ. Journal of Hunan

45、 Uni versity (Natural Science，2005，32(1：91-94. (in Chinese 17 朱启兵，黄敏，崔宝同. 基于小波神经网络的污水处理厂 出水水质预测J. 计算机工程与应用, 2007，43(28:15-17. Zhu Qi-bing，Huang Min，Cui Bao-tong. Effluent quality prediction of wastewater treatment plant based on wavelet neural networksJ.Computer Engineering and Applications， 2007，43

46、(28：15-17. (in Chinese 18 邓宇，姚宁，田考聪. 基于小波神经网络的饮用水水质预 测模型研究J. 重庆医科大学学报, 2009, 34(4. Deng Yu, Yao Ning, Tian Kao-cong. Research of predictive model of drinking water quality based on wavelet neural networkJ. Journal of Chongqing Medical University,2007， 43(28：15-17. (in Chinese 19 胡明星，郭达志. 湖泊水质富营养化评价的

47、模糊神经网络 方法J. 环境科学研究, 1998, 11(4. Hu Ming-xing, Guo Da-zhi. Evaluation of lake eutrophica tion by means of fuzzy neural networkJ.Research of Envi ronmental Science, 1998, 11(4. (in Chinese 20 陈守煜，李亚伟. 基于模糊人工神经网络识别的水质评价 模型J. 水科学进展, 2005, 16(1. Chen Shou-yu, Li Ya-wei. Water quality evaluation based on

48、fuzzy artificial neural networkJ.Advances in Water Sci ence, 2005, 16(1. (in Chinese 21 吴利斌，尚士友，岳海军. 利用模糊神经网络对湖泊富营 养化程度进行评价的研究J. 内蒙古农业大学学报， 2004， 25(4：67-70. Wu Li-bin, Shang Shi-you, Yue Hai-jun. Study on evalua tion of eutrophication of lakes based on fuzzy neurak net workJ. Joural of Inner Mongol

49、ia Agricultural University， 2004，25(4：67-70. (in Chinese 22 黄佳聪，吴晓东，高俊峰, 等. 蓝藻水华预报模型及基于 遗传算法的参数优化J.生态学报，2010，30(4：10031010. Huang Jia -cong, Wu Xiao -dong, Gao Jun -feng, et al. Cyanobacteria bloom prediction model and parameters opti mization based on genetic algorithmJ.Acta Ecologica Sini ca，2010，

50、30(4: 1003-1010. (in Chinese 23 Muttil N, Lee J H W. Genetic programming for analysis and realtime prediction of coastal algal bloomsJ.Ecological Modelling, 2005, 189(3/4: 363-376. 24 管军, 徐立中, 石爱业. 基于支持向量机的水质监测数据处 理及状况识别与评价方法J.计算机应用研究,2006,(9:3638. Guan Jun, Xu Li-zhong, Shi Ai-ye. Assessment method

51、 of water quality of monitoring data based on support vector machineJ.Application Research of Computers,2006,(9:3638. (in Chinese 25 卢敏, 张展羽, 冯宝平, 等. 基于支持向量机的区域水安全 预警模型及应用J. 计算机工程, 2006, 32(15: 44-45. Lu Min, Zhang Zhan -yu, Feng Bao -ping, et al. Early warning model and its application of regional

52、water security based on support vector machineJ. Computer Engineering, 2006, 32(15: 44-45. (in Chinese 26 王洪礼, 王长江, 李胜朋. 基于支持向量机理论的海水水质 富营养化评价研究J. 海洋技术，2004, 24(1: 48-51. Wang Hong -li, Wang Chang -jiang, Li Sheng -peng. Eu trophication evaluation of sea water based on support vector machineJ. Ocean

53、 Technology，2004, 24(1:48-51. (in Chi nese 27 Mingers J. An empirical comparison of selection measures for decision-tree inductionJ. Machine Learning, 1989, 3: 319-3421 28 Quinlan J R. C4. 5: Programs for Machine Learning M. San Mateo, California: Morgan Kaufrmann, 1993. 以 29 曾勇, 杨志峰, 刘静玲. 城市湖泊水华预警模

54、型研究 “六海” 为例J. 水科学进展，2007，18(1: 79-84. 北京 Zeng Yong, Yang Zhi-feng,Liu Jing-ling. Algalbloom pre diction models for Liuhai-Lake in Beijing cityJ. Advances in Water Science，2007，18(1：79-84. (in Chinese 30 Chen Q, Mynett A E. Predicting Phaeocystis globosa bloom in Dutch coastal waters by decision tree

55、s and nonlinear piecewise regressionJ.Ecological Modelling,2004,176:277290. 31 Marsili Libelli S. Fuzzy prediction of the algal blooms in the Orbetello lagoonJ. Environmental Modelling & Soft ware, 2004(19: 799-808. 32 朱震峰,苗敬毅.贝叶斯决策法的应用J.太原大学学报, 2007, 8(3: 74-76. Zhu Zhen -feng，Miao Jing -yi. The ap

56、plication of Bayes decisionJ. Journal of Taiyuan University, 2007, 8(3: 7476. (in Chinese 33 林志贵, 徐立中, 黄凤辰, 等. 基于 D-S 理论的多源水质监 测数据融合处理J. 计算机工程与应用, 2004, 40(10: 3-5. Lin Zhi-gui, Xu Li-zhong, Huang Feng-chen, et al. Multisource water quality monitoring data fusion based on D -S theoryJ. Computer Engi

57、neering and Applications, 2004, 40 (10: 3-5. (in Chinese 34 刘信安, 卢挺, 湛敏. 基于复杂网络的水华爆发模型初探 J. 化工文摘, 2009, (2: 28-30. Liu Xin -an, Lu Ting, Zhan Min. Tentative study of algae bloom based on the complex network theoryJ. China Chemicals, 2009, (2: 28-30. (in Chinese 35 朱继业, 窦贻俭, 方红松. 动态系统物元模型在综合水质预 报中的研究和应用J.城市环境与城市生态,1999,12(1:5154. Zhu Ji-ye, Dou Yi-jian, Fang Hong-song. Applying study of dynamic matter-element models of synthetic water quali ty forecastJ.Urban Environment & Urban Ecology,1999,12 (1: 51-54. (in Chinese 36 朱世平， 刘载文， 王小艺， 基于灰色-BP 神经网络的水华 等. 预测方法A. 毛善锋. 2009 中国智能自动化会议论文集 （