基于数值分析的藻类生长监测因子关联性研究

周斌，杨利航，张晓

（1.浙江省环境监测中心，浙江杭州310012；2.浙江环境监测工程有限公司，浙江杭州310012）

基于数值分析的藻类生长监测因子关联性研究

周斌1，2，杨利航1，2，张晓1，2

（1.浙江省环境监测中心，浙江杭州310012；2.浙江环境监测工程有限公司，浙江杭州310012）

连续监测湖州市与太湖入湖口交界断面的10项水质指标，分别采用Pearson相关分析法和聚类分析法分析藻类暴发期和非暴发期各项水质指标之间的关联性。两种方法分析结果表明：在藻类非暴发期，藻类密度与叶绿素a、CODMn、总磷呈正相关关系，与氮磷比呈负相关关系；在藻类暴发期，藻类密度与叶绿素a、CODMn、pH、DO呈显著正相关关系；与氨氮、总氮、氮磷比呈显著负相关关系。通过分析不同时期各藻类生长监测因子间的关联性，得出不同时期藻类预警监测应重点关注的监测指标，为太湖流域藻类预警监测与防控工作提供技术参考。

藻类；监测因子；聚类分析；相关性

0 前言

近年来，水体环境污染造成的水体富营养化程度日益严重，水体的富营养化导致了藻类的异常增殖，尤其是由水体富营养化所引起的蓝藻水华现象已成为国内外重点关注的环境问题。藻类的暴发不仅破坏水生生态系统的平衡，还严重影响了饮用水源地的用水安全。太湖是长江三角洲地区社会经济发展的重要水源，由于人口密度大，社会经济活动频繁，受生产、生活污水的不断排入影响，导致太湖自身污染净化能力有所降低，加之年均气温高，降雨丰沛，藻类生物量普遍偏高，存在发生较大藻类水华的风险[1-2]。2007年，太湖蓝藻大面积暴发，无锡全城自来水断供。尽管经过近十年的治理，太湖流域水环境有了明显改善，但太湖的生态现状仍然脆弱，每年随着夏季高温的到来，仍时有大面积的蓝藻暴发。因此，太湖水污染防治一直是各级政府水环境综合治理规划的重点。浙江省湖州市位于太湖南岸，市内河网水系与太湖交换密切，其与太湖交界监测断面是太湖藻类预警应急监测的重要点位。研究湖州与太湖交界断面水质变化情况，了解藻类暴发期与非暴发期间藻类生物量与各项水质因子之间的关联性，找出藻类预警应急监测期间应重点关注的水质监测指标，可以为浙江省太湖流域藻类暴发防治监测工作提供技术参考。

1 对象与方法

1.1 采样点布设

浙江省湖州市的新塘港、新港口、小梅口、城西大桥、港湖大桥5个监测点位为浙江省太湖流域藻类预警应急监测的关键点位，在夏秋季太湖藻类暴发期，受太湖水倒灌等影响，蓝藻积聚现象发生频繁，将采样点位布设在这5个监测点位，具有代表性。

1.2 采样频次

于某年1～12月进行一年的连续定位采样，按照历年的藻类暴发时间把6月上旬至10月下旬划分为藻类暴发期，每隔1～2 d在设定采样点进行采样1次；其余时间划分为非藻类暴发期，每周进行采样1次。

1.3 分析项目与方法

测定分析10个水质因子，每个样品每个因子重复3次测量。其中10个因子包括理化因子与生物因子，理化因子包括：水温、pH、溶解氧（DO）、总氮、氨氮、总磷、氮磷比、高锰酸钾指数（CODMn），评价及分析方法依据《地表水环境质量标准》（GB 3838-2002）；生物因子包括：叶绿素a（Chla）、藻类密度，藻类密度采用YSI-6600便携式水质监测仪现场监测，叶绿素a测定采用丙酮萃取比色法[4]。

1.4 数据结构

将藻类密度做ln（X+1）变量转换使其符合正态分布，再按时间顺序建立该采样点理化因子和生物因子的数据库。

1.5 数据分析方法与原理

1.5.1 聚类分析

聚类分析（Cluster Analysis）是根据事物本身的特征研究个体分类的方法。聚类分析的基本思想认为所研究的样品或因子之间存在着程度不同的相似性，将相似性较大的因子聚合为一类，把另外一些相似程度较大的因子又聚合为另一类。这样将所有因子分成许多类别，同一类中的个体有较大的相似性，不同类中的个体差异性很大。

聚类分析根据实际的需要可分为两类：按样品进行聚类分析，称为Q型聚类法；按因子进行聚类分析，称为R型聚类法。本研究是对水质因子进行分类，采用的是R型聚类法。

1.5.2 数据的标准化

试验测定的水质因子的量纲不同且数量级相差很大，为了去除因子的量纲对计算的影响，首先对因子的原始数据进行了标准化，采用的标准化公式如下：

式中y1为因子X的标准化数值；Xi为因子X的第i个样品值；n为样品数目；X为因子X的平均值，以下在聚类分析提供的数据都是标准化后的数据。

1.5.3 聚类分析中的距离、相似系数

假设有n个样品，每个样品测得p项因子，原始资料阵为

其中Xij（i=1，…n；j=1，…；p）为第i个样品的第j个因子的观测数据。第i个样品Xi为矩阵X的第i行所描述，所以任何两个样品XK与XL之间的相似性，可以通过矩阵X中的第K行与第L行的相似程度来判断；任何两个变量XK与XL之间的相似性，可以通过第K列与第L列的相似程度来判断。

p个因子之间相似性的定义与样品相似性定义类似，但此时是在n维空间中来研究的，变量之间的相似性是通过原始资料矩阵X中p列间相似关系来研究的。

这时，每个因子都可以看成是m维空间的一个点，n个因子就组成m维空间的n个点，用各点之间的距离与相似系数来判断各因子之间的靠近程度。

设dpq为任意两个因子p、q之间的距离，把因子xp和xq之间的距离简记为dpq。欧式距离（Euclidean distance，即二阶Minkowski距离）dpq的计算公式如下：

1.5.4 离差平方和系统聚类法

选用常用的系统聚类法，令n个样品自成一类，计算出相似性测度，此时类间距离与样品间距离是等价的，把测度最小的两个类合并；然后按照某种聚类方法计算类间的距离，再按最小距离准则并类；这样每次减少一类，持续下去直到所有样品都归为一类为止。离差平方和法（Ward’s method）是系统聚类法的一种，是沃尔德（Ward，1963）首先提出的，其基本思想是同一类内各案例的离差平方和应该较小，不同类的离差平方和应该较大。求解过程是首先使每个案例自成一类，每一步使离差平方和增加，最小的两类合并为一类，直到所有的案例合并为一类为止。

用G表示类，XG为X中元素的均值，则G的直径为：

用Dp，Dq分别表示Gp和Gq的直径，Dp+q用DpYDq表示大类Dw（p，q）的直径，Dw（p，q）表示Gp和Gq的距离，则：

2 分析与结论

2.1 藻类非暴发期水质因子的线性相关分析

采用Pearson相关分析法对藻类非暴发期监测的10个水质因子进行分析，得到相关系数与伴随系数（P值）矩阵表。经计算可得Pearson相关系数矩阵，为10×10阶对称矩阵。由于矩阵为对称矩阵，所以只列出它的上三角部分，详见表1。

2.1.1 藻类密度与相关因子的关系

目前我国尚无慢阻肺首次确诊前错失早期诊断时间的研究报道。因此本研究重点验证慢阻肺确诊前错失早期诊断时间是否可以反映慢阻肺的严重程度，探讨与疾病严重程度相关的临床危险因素，从而进一步探索建立有利于慢阻肺早期确诊的方法。

藻类密度是反映水体中浮游植物量最重要的综合因子，可以较直观地描述太湖水体富营养的情况，故选它作为指示因子。由表1数据分析可得，在藻类非暴发期，藻类密度与叶绿素a、CODMn、总磷之间均存在显著正相关关系，与氮磷比呈显著负相关关系，但相关性程度不高（相关系数均小于0.5）。

表1 藻类非暴发期各水质指标Pearson相关系数矩阵Table 1 The Pearson correlation coefficient matrix of non-outbreak period ofalgae

2.2 藻类非暴发期水质因子的聚类分析

表2为对非暴发期10个水质因子进行聚类分析的详细过程，合并10个水质因子一共用了9步。图1为反映聚类全过程的树形图。聚类分析结果反映出太湖水质环境的重要特征：在藻类非暴发期，10项因子总体可以分为四类：总氮、氮磷比、氨氮；水温、pH；总磷、CODMn、DO；叶绿素a、藻类密度。每类之间因子的相关关系较大，且有相同的变化趋势。

从图1横坐标的垂直距离可以看出，藻类密度与叶绿素a的相关性最大，这与用Pearson相关分析的结果一致。叶绿素a通常在水质监测中作为藻类生物量的代表性参数，并且有些研究直接以叶绿素a值直接表征藻类暴发情况。藻类在非暴发时期基本处于休眠的状态，藻类的生长对湖体的水文参数与理化性质的影响较小。

表2 藻类非暴发期水质因子聚类过程Table 2 The clustering process of water quality factors in non-outbreak period of algae

2.3 藻类暴发期水质因子的线性相关分析

采用Pearson相关分析法对藻类暴发期监测的10个水质因子进行分析，得到相关系数与伴随系数（P值）矩阵表。经计算可得Pearson相关系数矩阵，为10×10阶对称矩阵。由于矩阵为对称矩阵，所以只列出它的上三角部分，见表3。

2.3.1 藻类密度与相关因子的关系

2.4 藻类暴发期水质因子的聚类分析

表4为藻类暴发期10个水质因子进行聚类分析的详细过程，合并10个水质因子一共用了9步。图2为反映藻类暴发期聚类全过程的树形图。聚类结果反映出太湖水质环境的重要特征：在藻类暴发期，10项水质因子总体可以分为四类：总氮、氮磷比、水温；氨氮、总磷；CODMn、藻类密度、叶绿素a、pH、DO。每类因子之间的相关关系较大，且有相同的变化趋势。从图2横坐标的垂直距离与Pearson相关性分析可以看出，藻类密度与CODMn、叶绿素a的相关性最大，其次是pH、DO，且这些因子均与藻类密度呈显著正相关关系；另外，藻类密度与总氮、氮磷比、氨氮相关性大且呈显著负相关。

表3 藻类暴发期Pearson相关系数矩阵Table 3 The Pearson correlation coefficient matrix of outbreak period of algae

分析结果表明藻类密度、CODMn与叶绿素a之间呈现显著的正相关关系。高锰酸盐指数（CODMn）主要是指水体中能被高锰酸钾氧化的有机物含量。在藻类暴发期，太湖藻类的生物量主要呈现不断增长的趋势，藻类聚积量会为水体提供有机质源，因此藻类密度与有机污染物的含量变化有同步特点，在藻类生物量高的水体中，可以被氧化的有机物量也高[5]。叶绿素是藻类的重要组成成分之一，叶绿素a的含量与水体中藻类的种类、数量等密切相关，通过测定水体中叶绿素a含量能在一定程度上反映水体的藻类污染状况[6]。

Pearson相关性和聚类分析表明藻类密度与pH、溶解氧相关性较大，且呈显著正相关关系，这与张澎浪，郑晓红等人[7－8]的研究结果一致。在地表水pH范围内，碳酸盐体系中的碳主要以HCO3-形式存在，结合水体碳酸盐的化学平衡与藻类光合作用原理，在藻类密度较高的水体中，藻类的光合作用向水中释放了O2和OH-，从而使水中的溶解氧浓度和pH值升高。这说明该港口水体的pH、溶解氧受藻类的大量生长影响较大，在藻类防治预警监测工作中，建议对水体的pH值和溶解氧指标的变化趋势进行关注。

聚类分析结果显示，藻类密度的增大伴随着水体总氮与氨氮含量的减少、氮磷比数值的降低。湖库浮游藻类的生长是由营养盐、水文气象条件等因素控制的，氮、磷营养盐类是藻类生长的限制因子[9]。藻类的生长、繁殖需要吸收水体中大量的可溶性磷盐与氮盐，从而导致水体这些营养盐含量的减少。太湖四周企业与农田较多，地表特别是农田地区受暴雨径流、灌溉、河流冲刷的作用会产生土壤流失，农田流失的土壤携带有大量磷、氮化合物，使得水体富含磷、氮营养盐类，即通常所称非点源污染。湖泊水体中的浮游植物主要利用氨氮和硝态氮进行生产，而由于生物化学的原因氨氮更容易被藻类吸收。另外分析结果表明：在该港口藻类暴发期，磷营养盐对藻类的影响小于氮对藻类生长的影响。

表4 藻类暴发期水质因子聚类过程Table 4 The clustering process of water quality factors in the outbreak period of algae

图2 藻类爆发期聚类树状图Fig.2 The clustering dendrogram of outbreak period ofalgae

3 结论

（1）在藻类非暴发期，藻类密度与叶绿素a、CODMn、总磷之间均存在显著正相关关系，与氮磷比呈显著负相关关系，但相关性程度不高（相关系数均小于0.5）；其他因子与藻类密度的关联性不显著。非暴发期藻类的生长对湖体的水文参数与理化性质的影响较小，建议该时期对藻类密度、叶绿素a、高锰酸盐指数、总磷等监测指标进行关注。

（2）在藻类暴发期，藻类密度除了与叶绿素a、CODMn关系密切，与水体的pH、溶解氧浓度也呈现显著的正相关关系；与总氮、氮磷比、氨氮呈显著负相关关系；但是与藻类非爆发期相比，与总磷的相关性不大。因此，我们可以在太湖流域藻类暴发预警监测工作中，通过监测水体中的藻类密度、pH值、溶解氧浓度、叶绿素a、CODMn的变化，对藻类暴发的趋势进行预测和风险评估，以便于提前采取相应的有效措施，破坏藻类生长能力，缓解藻类的暴发，防止水质的进一步恶化。

（3）在太湖流域藻类防治工作中，营养盐的削减仍是最可行的控制途径。分析结果表明该区域湖体流域氮营养盐对藻类生长的影响大于磷的影响，可能与该处的氮污染严重程度有关，政府部门与其它相关职能部门需注意该港口湖体流域污水处理厂改造，提高流域脱氮能力；减少源头氮等污染物排放，控制农田人工复合肥料量使用。

参考文献：

[1]吴攀，邓建明，秦伯强，等.水温和营养盐增加对太湖冬、春季节藻类生长的影响[J].环境科学研究，2013，26（10）：1064-1071.

[2]朱广伟，金颖薇，任杰，等.太湖流域水库型水源地硅藻水华发生特征及对策分析[J].湖泊科学，2016，28（1）：9-21.

[3]于海燕，周斌，胡尊英.浙江省太湖交界断面藻类预警应急监测指标特征分析[J].环境污染与防治，2010，32（2）：59-62.

[4]国家环境保护总局，水和废水监测分析方法编委会.水和废水监测分析方法[M].第4版（增补版）.北京：中国环境科学出版社，2008：701-705，722.

[5]张巍，王学军，江耀慈，等.太湖水质指标相关性与富营养化特征分析[J].环境污染与防治，2002，24（1）：50-53.

[6]金相灿.中国湖泊环境[M].北京：海洋出版社，1995.

[7]张澎浪，孙承军.地表水体中藻类的生长对pH值及溶解氧含量的影响[J].中国环境监测，2004，20（4）：49-50.

[8]郑晓红.地表水中总磷和总氮对藻类生长的影响以及藻类生长对pH值和溶解氧含量的影响[J].仪器仪表与分析监测，2012，（3）：43-45.

[9]申哲民，张涛，马晶，等.富营养化与温度因素对太湖藻类生长的影响研究[J].环境监控与预警，2011，3（2）：1-4.

Study on Correlations of Algae Growth Monitoring Factors based on Numerical Analysis

ZHOU Bin1，2，YANG Li-hang1，2ZHANG Xiao1，2
（1.Zhejiang Province Environmental Monitoring Center，Hangzhou，Zhejiang 310012，China; 2.Zhejiang Environmental Monitoring Engineering Co.，Ltd.，Hangzhou，Zhejiang 310012，China）

10 water quality indexes were continuously monitored at the cross-section of Tai Lake and ports in Huzhou，and the correlations among the 10 indexes were analyzed by Pearson correlation analysis and cluster analysis respectively.The results showed that the algal density was positively correlated with chlorophyll-a，CODMnand totalphosphorus（TP）in the non-outbreak period of algae，and negatively correlated with the ratio of nitrogen to phosphorus.In the outbreak period of algae，the algal density has a significant positive correlation with chlorophyll-a，CODMn，pH，DO，and a negative correlation with ammonia nitrogen（NH3-N），total nitrogen（TN）and the ratio of nitrogen to phosphorus（N/P）.The focus indexes in different periods could be obtained from the analysis results，which could provide technical reference for the algae early-warning and emergency monitoring in Tai Lake.

algae;monitoring factors;cluster analysis;correlation

1006-4184（2017）8-0037-07

浙江力普石墨粉碎球形化生产线点“墨”成金

（丁文供稿）

2017-05-02

浙江省环保科研项目（2016A011）。

周斌（1985-），男，浙江杭州人，硕士，工程师，主要从事环境监测方面的工作研究。E-mail:34299660@qq.com。

石墨销售价格是按照颗粒大小和纯度来决定的，颗粒越大、纯度越高的石墨价格越贵，所以选用专业加工设备至关重要。由于我国并不掌握石墨深加工核心技术，而先进石墨加工技术被美、日、欧盟等垄断，导致我国石墨资源“低出高进”，外国“以购代采”的状态长期存在。如何改变这一现状，将石墨资源优势转化为经济优势？浙江力普粉碎设备有限公司一马当先，发挥自身长期从事粉碎设备行业累积的经验优势，根据用户实际需求研制的“GCL系列石墨粉碎球化生产线”（省级新产品试制计划项目，编号：2016D60SA642837）为国内的石墨粉碎深加工行业解决了一大难题，成为行业的佼佼者。该生产线采用系列微粉机和大小涡轮分级机的优化配置，解决了生产线上下游产量的衔接问题。研制的负压除尘回收系统，采用自动加料系统和风网系统，将生产线中的全部尾粉在出口统一收集，提高生产线的自动化程度，防止粉尘污染。日前，这一成果在杭州通过省级新产品鉴定，专家认为该技术处国内领先水平。