基于多元回归理论的太湖湖泛预警模型研究

谢卫平，洪月菊，吴磊，陆勇

(1.宜兴市环境监测站，江苏 宜兴 214200；2.武汉市规划研究院，湖北 武汉 430000；3.东南大学能源与环境学院，江苏 南京 210096)



·环境预警·

基于多元回归理论的太湖湖泛预警模型研究

谢卫平1，洪月菊2，吴磊3，陆勇3

(1.宜兴市环境监测站，江苏 宜兴 214200；2.武汉市规划研究院，湖北 武汉 430000；3.东南大学能源与环境学院，江苏 南京 210096)

在太湖宜兴段藻源性湖泛高发区设立4个监测点，以湖泛发生的物质基础“藻类生物量”为研究对象，运用数据分析软件SPSS对监测点的藻类生物量、水质、气温等数据进行相关分析，建立了以藻密度为因变量的多元逐步回归模型。结合往年太湖藻源性湖泛发生时的气象条件等历史资料以及相关藻密度阈值的报道，构建了太湖宜兴段藻源性湖泛高发区监测预警模型系统，该模型能够基于监测点的实时水质数据和气象预报数据，对监控区域湖水在未来某时间段内发生湖泛风险的可能性进行分级预警。

多元回归理论；太湖；湖泛；预警模型

随着湖泊污染和富营养化程度的加剧，太湖水环境污染越来越突出。近年来，太湖西北沿岸湖区、贡湖、梅梁湾和竺山湖沙塘港水域均发生过不同程度的局部水体黑臭现象，这一现象成为太湖蓝藻水华危害新的表征，对水源的影响和危害较之于蓝藻暴发更为严重[1-2]。湖泛的发生将直接造成湖体水质和水生态系统严重恶化，进一步对周边城市水产、旅游业等社会经济产生严重破坏，其产生的致黑和致臭物质将威胁太湖沿岸居民的健康和生存环境[3-4]。

陆桂华[5]将由蓝藻暴发引起的湖泛(亦称“黑水团”或“污水团”)称之为“藻源性”湖泛。其诱因是藻类堆积到一定程度后发生厌氧反应，从而导致湖水发黑发臭。此外，王成林[6]通过对湖泛发生时的气象条件进行研究，发现湖泛的发生还存在着气象触发机制，即3 d以上时间维持高温(平均气温>20℃)、微风(平均风速<4 m/s)、风向基本一致(风向平均绝对偏差<20°)；其后，冷空气过境使得风速短时增大、风向调转180°左右、气温迅速降低，并且这种气象条件持续1 d以上。

水质预警系统是以水质预警方法为基础建立的系统，是一个集监测、计算、模拟、管理为一体的系统。国外的水质预警系统研究较早，发展趋于成熟。如美国在俄亥俄河及密西西比河，法国在塞纳河都建立了各自的预警系统以应对突发性水污染事件[7]。最为著名的是由德国、奥地利等欧洲国家联合开发的“多瑙河事故应急预警系统”[8]。国内在以河流为典型的流域水污染预警方面已有积极探索，吕俊等[9]构建了广西郁江水质预警预报系统总体框架；焦锋[10]在相对风险模型(Relative Risk Model)基础上，构建了区域生态风险识别的概念模型，对东太湖区域进行生态风险分析。但对于太湖湖泛监测预警系统的研究较少。王成林等[11]通过对湖泛发生时的气象条件进行归纳总结，提出黑臭水体形成的气象因素影响模型；李旭文等[12]通过对国产环境卫星CCD近年太湖地区影像的处理，提取了太湖湖泛分布信息。上述研究均针对湖泛发生的一个方面(气象或卫星影像)提出相应的预警方案，而没有开发出综合多方面信息、具有实用性和预报功能的太湖湖泛预警模型。

目前，环境数学模型的研究和应用已比较成熟，将湖泛这一具有突发性、历时短、影响因素复杂和环境危害大的水环境灾害集成到数学模型系统中。现通过实测数据，经相关分析后建立多元逐步回归模型预测藻类生物量，在此基础上结合气象条件判别方案建立太湖湖泛预警模型。

1 太湖宜兴段湖泛高发区的布点监测

1.1 采样点位

选取太湖西北岸近年湖泛易发代表性区域乌溪港东(N31°13′47.2″，E119°53′43.0″)、茭渎港(N31°21′16.7″，E119°57′50.1″)、社渎港东(N31°20′56.1″，E119°57′32.6″)和兰山嘴东(N31°13′13.0″， E119°54′36.7″)设置4个监测点，见图1。

1.2 采样时间和频率

各个监测点位的采样时间为2012年7—10月，采样频率为2次/周。

图1 太湖宜兴段湖泛高发区监测点位

1.3 监测项目及分析

国内外湖泊水库的藻类水华预警研究表明，水质监控指标结合气象、水文条件是蓝藻水华暴发的重要影响因子[13-15]。因此，环境监测因子主要包括：叶绿素a、藻密度、DO、pH值、浊度、水温、风速、风向、气温、气压、水体氮磷含量和有机物含量等。其中DO、pH值、浊度、叶绿素a、水温和藻密度用现场水质多参数测定仪(YSI 6000)现场测定；风速、风向、气温和气压使用便携式风速风向仪现场测定；采集各监测点位水下0.5 m处水样，带回实验室进行IMn、TP、氨氮、TN和COD指标分析，各项目的分析均采用标准方法[16]。

1.4 数据分析

选用目前国际上最著名的数据分析软件之一的SPSS 19.0(Statistical Product and Service Solutions，统计产品与服务解决方案)作为统计分析工具，对2012年7—10月监测数据进行分析。

2 监测点藻密度的多元回归分析

2.1 统计分析程序

采用SPSS 19.0软件，对各环境理化因子监测数据进行相关分析，计算相关系数r值，并根据r值分析理化因子的相关性大小，同时依靠检验统计量逐步筛选出各个监测点影响藻类生物量的关键因子，最后建立藻类生物量多元逐步回归方程和复相关系数等。

2.2 回归方程的建立

(1)选取pH值、DO、IMn、氨氮、TP、COD、 TN、风速、气压和气温，共10个环境理化因子作为回归分析的自变量；(2)选取藻密度(CCD)作为预测太湖藻类生物量的因变量；(3)筛选各个监测点影响藻类生物量的关键因子，对藻类生长影响因子进行简单相关分析和偏相关分析；(4)利用SPSS多元回归软件建立各监测点多元回归方程和复相关系数等。

2.3 结果和讨论

2.3.1 藻类生长影响因子简单相关分析

按照采样监测点位，分别量度藻密度变量与任一环境因子间的简单相关关系(表1)。

表1 藻密度和环境因子间的Pearson相关系数

由表1可见，各个点位的藻密度与环境因子间的相关系数在0.005～0.710之间，其与单个因子的相关系数较分散，表明藻密度的变化受多个环境理化因子共同影响。

2.3.2 藻类生长影响因子偏相关分析

考虑环境因子间相互依赖的耦合效应，在藻密度与单个因子相关性分析之外，针对4个监测点的环境理化因子也进行了任意2个环境影响因子间的相关性度量，其中水温和气温显著正相关，相关系数分别为0.936、0.905、0.907和0.889。说明各环境因子间也具有不同程度的相关关系，多因子间的耦合作用对筛选藻类生长驱动因子有干扰作用。

现通过偏相关分析分别度量水体藻密度与任意1个环境理化因子的偏相关关系(表2)。

由表2可见，乌溪港东藻密度与气温(r=0.912)和TP(r=0.814)呈显著正相关，与氨氮(r=-0.728)呈显著负相关，说明气温、TP和氨氮因子对乌溪港东藻类的生长影响较大；社渎港东藻密度与TN(r=0.927)和风速(r=0.831)呈显著正相关，说明TN和风速这2个因子对社渎港东藻类生长有较大影响；其他2个监测点各因子的偏相关系数均较低，说明影响藻类生长的因素复杂，目前还不能通过数据统计分析得到结果。

表2 藻密度和环境因子间的偏相关系数

2.3.3 多元逐步回归分析

藻类生长和暴发是由多个环境因子共同作用的结果。因地理环境、水文条件和入湖污染负荷等因素的差异，环境理化因子对藻类生长的影响程度随空间变化，考虑利用多元变量来预测藻类生物量的动态变化规律。

结合Pearson相关分析和偏相关分析的结果，选取相关系数 |r|>0.5的因子参与多元逐步回归分析，对监测点藻类生物量的变化趋势进行预测。各监测点位筛选出的关键因子见表3。藻密度与环境因子的逐步回归分析结果见表4。

表3 各监测点位参与多元逐步回归的因子

表4 藻密度与环境因子的逐步回归统计

①T为气温。

各监测点位的关键因子参与多元逐步回归分析计算时，模型自身从关键因子中选定入选变量生成逐步回归方程。经检验，乌溪港东和社渎港东监测点的逐步回归方程系数的F统计量的概率P值均<显著性水平α(α=0.05)，藻密度与环境因子间的线性关系显著，因此可以建立逐步回归模型。

监测点茭渎港和南山嘴东因监测数据量受限，规律性不强，未获得相应的多元逐步回归方程。另外，由于现场实地试验的复杂性，影响藻类生长和暴发的环境因素较多，目前暂不能明确原因。

3 湖泛预警系统的构建

3.1 建立藻类生物量预测模型

预测过程本身就是一个时间上的连续方程，要预测未来的状态，一种方法是建立因变量和自变量之间同一时间的回归方程，预测分析自变量的未来值，再根据建立的回归方程预测因变量的未来值。另一种方法就是建立因变量和自变量之间不同时刻的回归方程，也即t时刻的自变量对(t+1)时刻的因变量的影响，研究采用前一种方法。

建立藻类生物量预测模型，即(t+1)时刻藻密度预测值需要(t+1)时刻的环境理化因子值。气象条件(风速、气温和风向)可通过国家气象局天气预报系统提供预测值，其他环境因子(TP、TN等)预测值根据监测获取的样本数据来拟合。

利用最小二乘估计法可获取各种函数形式的拟合方程，通过比较各方程复相关系数的大小，选择相应的方程作为环境因子(TN、TP等)的预测模型，并将其代入藻密度预测模型，见表5。

表5 TN、TP预测模型

将相关自变量的预测拟合方程代入表3多元逐步回归方程中，得到各监测点藻类生物量预测模型，见表6。

表6 藻类生物量预测模型①

①T为气温，v为风速。

3.2 建立湖泛预警判别方案

以藻类生物量预测模型来预测(t+1)时刻太湖监测点藻密度，当藻密度预测值达到一定阈值后，结合气象条件来判别藻源性湖泛发生可能性等级。利用SPSS 19.0分析软件建立藻类生物量预测模型(表6)和基于气象条件的判别规则(图2)[6]，将预判方案转化为计算机语言，开发太湖湖泛高发区预警软件系统。

图2 太湖湖泛高发区预警系统分析判别示意

目前，中国突发事件分为4类，即自然灾害、事故灾难、公共卫生事件、社会安全事件。预警级别分为4级：一级预警，预警信号为红色；二级预警，预警信号为橙色；三级预警，预警信号为黄色；四级预警，预警信号为蓝色[17]。因此，该预警系统采用目前国内通行的4级预警级别来划分。具体分级预警方案见表7。

表7 太湖湖泛高发区分级预警方案

4 结语

充分利用监测站的数据采集与分析能力，建立太湖湖泛高发区藻密度的预测模型，结合其气象触发条件开展太湖藻源性湖泛的预警工作，是基层环境监测站从数据监测到数据应用的能力提升过程。

目前模型的预测精度受现有样本空间的影响，有待进一步提高。为了使系统进行较准确的预测，一方面需进一步对相关参数(水质、气象和底泥)进行监测，积累数据样本，提高现有模型的精确度；另一方面，多元线性回归模型是基于历史资料进行回归分析，能较好地拟合过去，适用于水体藻密度变化的短期趋势分析，故需寻求能够更好地反映时间序列变化趋势的模型，对藻类生物量进行较高精确度的预测。

[1] 陈荷生.太湖宜兴近岸水域“湖泛”现象初析[J].水利水电科技进展， 2011， 31 (4)： 33-37.

[2] 盛东，徐兆安，高怡.太湖湖区“黑水团”成因及危害分析[J].水资源保护，2010， 26(3)：41-44.

[3] YANG M， YU J W， LI Z L，et al.Taihu not to blame for Wuxi′s woes[J].Science，2008， 319(2)：158.

[4] 于建伟， 李宗来，曹楠，等.无锡市饮用水嗅味突发事件致嗅原因及潜在问题分析[J].环境科学学报， 2007， 27(11)： 1771-1777.

[5] 陆桂华，马倩.太湖水域“湖泛”及其成因研究[J].水科学进展，2009，20(3)：438-442.

[6] 王成林，张咏.太湖藻源性“湖泛”形成机制的气象因素分析[J].环境科学，2011，32(4)：401-408.

[7] 卢金锁.地表水厂原水水质预警系统研究及应用[D].西安：西安建筑科技大学，2006.

[8] BOTTERWEG T,RODDA D W.Danube riverbasin：progress with the environmental programme[J].Water Science and Technology，1999，40(10)： 1-8.

[9] 吕俊，彭斌，唐奇善，等.郁江水质预警预报系统建设模式的探讨[J].水资源保护，2006，22(5)：81-83.

[10] 焦锋.区域生态风险识别系统构建[J].环境科技，2011，24(2)： 49-53.

[11] 王成林，张宁红，张咏，等.基于气象条件的太湖湖泛预警研究[J].环境监控与预警，2010，2(5)： 1-4.

[12] 李旭文，牛志春，姜晟，等.环境卫星CCD影像在太湖湖泛暗色水团监测中的应用[J].环境监控与预警，2012，4(3)：1-9.

[13] 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.

[14] LILOVE M J， LAANEMETS J.A simple tool for the early prediction of the cyanobacteria Nodularia spumigena bloom biomass in the Gulf of Finland[J].Oceanologia， 2006，48(S)：213-229.

[15] FRIEDRICH R.ANNA-artifical neural network model for predicting species abundance and succession of bluegreen algae[J].Hydrobiologia， 1997，349(1-3)：47-57.

[16] 国家环境保护总局.水和废水监测分析方法[M].4 版.北京： 中国环境科学出版社， 2002.

[17] 薛澜，钟开斌.突发公共事件分类、分级与分期：应急体制的管理基础[J].CPA中国行政管理学术论坛， 2005(2)： 102-107.

·简讯·

英国发明可移除土壤有害物质的植物

新华社消息 受到化学物质影响，硝烟散去的战场或军事训练场上植物总是难以存活。这个问题困扰人类已久，不过，科学家们已经快找到解决办法了。英国约克大学研究人员在《自然》杂志上撰文说，他们发现，炸药中的三硝基甲苯，也就是俗称的TNT会聚集在植物的根部，抑制植物生长。这是因为植物中有一种名为MDHAR6的酶能与TNT发生反应，产生超氧化物，对植物细胞造成严重损伤。这一发现有助科学家们利用基因改造技术，创造出一种不含MDHAR6的植物，这种植物可以在受到污染的土地上茂盛地生长，由根部从土壤中吸收并移除有害化学物质，同时不会损害自身。研究人员表示，人们对利用自然机制去除土壤中有毒化学物质的兴趣很浓厚。只有去除了TNT的毒性，才可能利用植物清理受污染的土地，“我们的工作朝这一方向迈进了一步”。

摘自 www.jshb.gov.cn 2015-09-10

Study on the Early-Warning Model of Feculent and Anaerobic Water Aggregation in Taihu Lake Using the Multiple Regression Theory

XIE Wei-ping1，HONG Yue-ju2，WU Lei3，LU Yong3

(1.YixingEnvironmentalMonitoringStation,Yixing,Jiangsu214200,China; 2.WuhanPlanning&DesignInstitute,Wuhan,Hubei430000,China; 3.SchoolofEnergyandEnvironment,SoutheastUniversity,Nanjing,Jiangsu210096,China)

Feculent and anaerobic water aggregation (FAWA) is a type of specific environmental disaster with characteristics of occurring abruptly,lasting in short duration,and causing serious consequences on the environment and ecosystems.Experiments choosing algal density as the investigated object were carried out to analyze the parameters using data analysis software SPSS,including the water quality,temperature,and algal density,in four monitoring sites of the Yixing part where FAWA happened historically.An early-warning model using the multiple regression theory was constructed based on the algal cell density together with weather conditions and related algal density threshold when FAWA happened in the past years.Based on the current weather data and real-time water quality parameters in the monitoring site,the model could be used to evaluate the risk grade of FAWA occurring in the monitoring region.

Multiple regression theory; Taihu Lake; Feculent and anaerobic water aggregation; Early-warning model

2015-03-20；

2015-05-18

江苏省环境保护厅2011年省级环保科研课题管理基金资助项目(201154)

谢卫平(1973—)，男，高级工程师，本科，从事环境监测管理工作。

X84

A

1674-6732(2015)05-0007-05