基于表观增氧量的平潭海域赤潮预警应用研究

邹嘉澍，许阳春，苏玉萍，Balaji PRASATH·BARATHAN，陈 斌,苏金洙

(1.福建师范大学环境科学与工程学院，福建 福州 350007；2.福建省污染控制与资源循环重点实验室，福建 福州 350007；3.福州福光水务技术有限公司，福建 福州 350007)

赤潮是一种无常的水体生态失衡的自然现象，其形成机理复杂，是海洋中的某些浮游生物，包括微藻、原生动物和细菌等暴发性增殖，导致海洋的颜色总体上变为红色或接近棕色，并对沿海地区和水生生态系统造成严重影响的水体污染问题[1-4]．目前，关于赤潮形成的机理研究尚未有明确定论．但许多研究指出，丰富的营养盐等水质条件是赤潮形成的物质基础，适宜的气象条件加速促进了赤潮的暴发，并影响了赤潮发生的频率、规模、生物地理特性以及藻类毒性[5-9]．赤潮一方面会对海洋生态系统造成破坏，给近海水产养殖业和水产资源造成严重损失；另一方面有毒赤潮还能直接或间接对人体健康产生危害[10]．因其产生的种种危害，20世纪90年代，赤潮就已被联合国列为三大近海海洋污染问题之一，引起了世界各沿海国家、地区的高度重视[11-13]．

通过对赤潮藻的时空分布特征及其对水生生态系统的影响的了解，人们可以更好地加强赤潮灾害管理.但是，由于赤潮藻的高度空间变异性，传统的野外水样采集及数据分析方法使其时空分布研究受限．而人工智能数据驱动型预警模型因具有信息分布式存储与并行计算、存储与处理一体化，以及较强的容错性和适应性等特征，目前已被广泛应用于解决复杂背景下的赤潮预警问题[14]．国内外在赤潮预警模型开发上，通常以机理模型与非机理模型两种方式进行．机理模型是基于现有理论、知识和研究经验建立的，使用户能够模拟特定系统的行为趋势[15]．例如，覃苗[16]、许阳春等[17-18]用Chl-a的含量来反映藻类生物量,并将其作为BP神经网络模型的输出指标，演算出以水温、溶解氧、电导率和气温作为组合变量的输入指标，该模型预测藻华发生的结果最佳．就非机理模型而言，主要通过统计学方法、相关性分析和机器学习方法从经验数据模式中提取出整体信息，从而使用户能够预测系统的趋势而不是解释系统的行为[19]．例如，Noh等[20]研究开发了一种新型的地球静止海洋彩色成像仪(GOCI)赤潮量化算法，结果显示东海叶绿素-a浓度与赤潮呈现较高相关性，在一定程度上可用于赤潮灾害的及时量化．因此，针对特定海域，建立一个可实现短期预报、判定指标相对精确并能稳定表征赤潮发生的预警模型具有重要的理论意义与现实价值．除人工智能数据驱动型预警模型外，研发相对简易且实用的预警方法是目前的预警模型发展的另一趋势．许多学者发现Chl-a与众多水质因子如pH、DO、CODMn都有较强的相关性，甚至一些营养因子SiO42-、NH4+对Chl-a含量的影响也很大，说明浮游植物的生长繁殖是众多水质因子和营养因子综合作用的结果[21]．研究指出，海水中的溶解氧含量在赤潮形成至暴发期间逐渐升高，且溶解氧与浮游植物细胞密度的相关性较高．许昆灿等[22]提出了“表观增氧量”的概念，他假定赤潮形成初期，水体与大气中的氧处于平衡状态；赤潮暴发期间，赤潮生物光合作用产生大量的氧气从而使水体溶解氧含量增高．需要注意的是，赤潮期间溶解氧浓度的变化不仅与赤潮藻生物暴发后的光合作用产氧量有关，生物的呼吸作用和有机物的矿化分解作用同时也会消耗一部分的氧气．另外，水的混合及与大气瞬间完成平衡的偏离也会使增氧量对浮游植物光合作用下真实的产氧量存在一定的偏差．因此，用“表观”二字来定义增氧量，即允许上述影响的存在，用表观增氧量来估算赤潮生物量的多少．在赤潮快速评价和预警的研究中，表观增氧量(Apparent oxygen increase，AOI)赤潮预警模式仅需对海水盐度、水温、溶解氧进行测定，其测定方法简便、快速、准确，也易于实现现场测定，AOI在赤潮预警中具有较高的实用价值．

1 研究区及数据来源

1.1 研究区概况

平潭综合实验区古称海坛,位于福建省福州市，东邻台湾海峡，西隔海坛海峡，经纬度介于119°32′E～120°10′E，25°15′N～25°45′N之间．平潭由126个岛屿，167个岩礁组成，总面积371.91 km2，海域面积6 064 km2，拥有丰富的海洋生物资源，包括鱼类、藻类、贝类、甲壳动物类等高达934种[23]，是著名的渔业基地．其中部多平原，位于东北偏北方向的长江澳，是贯穿中部平原的风口；南部以低丘为主，在这一地势之间，平原穿插其中，其独特的地形条件也使平潭综合实验区形成了独具特色的气候特点[24]．据福建省海洋与渔业局的赤潮预警信息统计，平潭海域在2013—2019年间共发生过8次赤潮，赤潮暴发的藻种多为夜光藻、米氏凯伦藻、东海原甲藻等，赤潮频发给其海洋经济带来了严重损失．

1.2 数据来源

本研究数据来源于福建省海洋与渔业厅提供的2013—2019年4-6月份的698组海洋监测有效样本数据，主要包括水温(℃)、盐度(g·L-1)、溶解氧 (mg·L-1)、pH、Chl-a(μg·L-1)、藻细胞密度(L-1)等参数．

通常每年的4-6月为平潭海域赤潮的高发期，监测频率为每周1～2次；7-10月为赤潮藻类的消亡期，监测频率下降至每月1～2次．2013—2018年的监测点位共有6个，2019年的监测点位数量保持不变，但监测点位的经纬度相较于2013—2018年略有变化．2013—2019年的监测点位名称和具体经纬度如表1所示．

表1 2013—2019年监测点位名称及位置

2 研究方法

2.1 AOI在平潭海域赤潮的预警方法

为探究AOI能否作为预测赤潮发生的评价指标，本研究以单一不同藻种为研究方向，既消除异种藻类细胞的个体差异对细胞密度测量造成的影响，也提高赤潮预警的精准性．首先对2013—2019年平潭海域内的赤潮监测数据进行收集，应用Excel2016对数据进行整理和规一化处理，使用Origin201864Bit将AOI与藻密度进行线性拟合，找到AOI与赤潮藻密度之间的定量关系．随后利用平潭海域2019年5月的赤潮监测数据对AOI指标进行精度分析．最后依据日本安達六郎[25]提出的“赤潮生物密度”作为赤潮判断的参考标准，从而找到赤潮生物密度的AOI的预警值和赤潮评价标准．本研究方案流程如下：

(1)收集整理平潭海洋监测数据；

(2)探索AOI与赤潮藻密度的相关性；

(3)AOI预警指标精度分析；

(4)制定AOI预警值及赤潮判定标准．

2.2 AOI计算

收集赤潮监测数据中的水温(℃)和盐度(g·L-1)，并采用Gammerson和Robertson提出的饱和溶解氧的经验式[26](简称G氏公式)计算现场水温、盐度条件下氧的饱和浓度．

(1)

式中ρs为固体溶解量(mg·L-1)；t为水温(℃)．

根据许昆灿等[22]提出的“表观增氧量”的概念，假定在赤潮形成初期，水体与大气中的氧处于平衡状态；而在赤潮暴发期间，赤潮藻类大量增殖并在光合作用下产生氧气使水体溶解氧含量增加．因此，表观增氧量(AOI)可以用下式表示为：

ρ(AOI)=ρ(O)-ρ(O′)，

(2)

式中ρ(AOI)为表观增氧量(mg·L-1)；ρ(O)为现场测得的氧的质量浓度(mg·L-1)；ρ(O′)为现场水温、盐度条件下氧的饱和质量浓度(mg·L-1)．

2.3 AOI与浮游植物密度的拟合方法

根据我国对赤潮藻的计数习惯及已有的海洋监测数据，本文选择浮游植物细胞密度与AOI进行拟合．浮游植物生物量被定义为在同一时间内单位体积水样中所存在的浮游植物量[27]．由于藻细胞的个体大小有所差异，仅用藻细胞数量来表示藻生物量不够准确．目前我国主要使用光学显微镜对藻类生物进行定量分析和细胞计数，并用藻细胞密度即单位体积的细胞数来表示藻类生物量[28],必须考虑其形态大小对赤潮判定值的影响．根据对平潭海域水生态特征的分析结果可知，近几年，频繁引发平潭海域赤潮的优势藻主要为东海原甲藻、夜光藻、米氏凯伦藻、中肋骨条藻等．

根据平潭海域的水生态特征，从2013—2019年的海洋监测数据中筛选出平潭海域频发的赤潮优势藻数据．在上述几种常见的优势藻中，夜光藻的体长明显大于其他优势藻种，且其生活习性异于其他浮游植物，常于海域较深层的位置生长增殖，而本研究选用的海洋监测数据均为表层水体的数据，考虑到数据的一致性，本章节拟合数据将夜光藻数据剔除．选用东海原甲藻、米氏凯伦藻、中肋骨条藻等其他几种体长均介于10～29 μm之间的浮游植物的监测数据，在一定程度上消除了个体差异对拟合公式适用性的影响．此外，拟合数据的各采样点位基本上覆盖了平潭海域全部的赤潮频发点位，这使数据更加具有区域代表性，也使拟合结果具有更强的海域适用性．

本文选用的121组拟合数据样本的浮游植物细胞密度介于2.25×103～9.02×106L-1之间，ρ(AOI)在-2.48～2.70 mg·L-1之间波动．其中，米氏凯伦藻细胞密度介于5.00×103～8.40×105L-1之间，AOI的量值处于-0.77～1.11 mg·L-1之间．

2.4 最小二乘法线性拟合原理

为找到AOI同藻密度之间的相关模式，可通过实验或观测所获得的离散数据来建立其对应的、近似的连续模型．最小二乘法通常被应用于处理拟合问题中，它秉承测量值偏差的加权平方和尽可能最小的原则，找到目标函数使其尽可能地接近已知离散数据点的总体分布轮廓[29]．其数学表达式为：

(3)

在线性拟合模型中，设对一组N个样本数据(xi,yi)作出y=ax+b的一元线性拟合.根据最小二乘法原理，对n个样本数据做误差求和计算S值为：

为满足S达到最小值，求得拟合(a,b)值使测量值偏差平方和最小，因此对S值做偏微分计算：

进而解得：

可求得最优解(a,b)，即确定了一个最合适的线性拟合方程y=ax+b.相关系数r反映出两变量之间的线性关系，通常被定义为[30]：

(4)

式中Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差.|r|的范围在0到1之间，其绝对值越接近1，表明实验数据中各点同该直线偏离程度越小，其分布情况同该直线相邻的越紧密.

在回归模型中，判定系数R2可作为估计的回归方程拟合程度的度量参数，通常用来评估模型预测值和实际值之间的相关程度[31].在简单的线性回归模型中，判定系数R2的值为相关系数r的平方，该统计量越接近1，表明模型的拟合程度越高[31].

2.5 拟合公式精度评价方法

在对拟合公式中的变量进行精度分析时，通常可用预测误差来表示预测结果同真实结果的差距.绝对误差是预测估算值与真实观测值的绝对差距，而相对误差是绝对误差相对于真实观测的百分比[32]．本研究选用相对误差来评估AOI实测值与由藻密度计算的AOI估算值之间的偏离度．

AOI实测值ρ(AOIi)对估算值ρ(AIi)的平均相对误差系数可表示∀AOI总体偏差程度，并按下式计算：

(5)

式中n为样本数；ρ(AOIi)为AOI实测值；ρ(AIi)为根据拟合公式得到的AOI估算值；表示AOI实测值相对于估算值的相对误差．

3 结果与分析

3.1 AOI和藻密度建模结果

近11年平潭沿海共发生15起赤潮，其中2012、2013年均发生3起，达到近11年最高．每年平潭海域都会受到赤潮不同程度的影响，年均持续天数达6.2 d．但自2013年以来，赤潮总影响面积、发生起数大体呈现递减趋势．为了判断AOI与藻密度之间是否存在定量关系，该研究基于最小二乘法线性拟合原理，利用Origin201864Bit将121组数据中的米氏凯伦藻密度与AOI值按以下方程进行线性拟合，即：

ρ(AOI)=a+blgN,

(6)

式中a为常数；b为系数；N为藻密度(L-1)．

3.1.1 多种优势藻拟合结果

本组将2013—2019年平潭海域的121组海洋监测数据进行拟合，得到的拟合关系如图1，其拟合关系式的可决系数R2达到0.544 3(样本数量n=121)，对比野外监测数据的拟合优度，R2已经达到了较高的拟合度，这一精度也说明AOI与浮游植物细胞密度之间具有较强的相关性，同时也表明AOI作为赤潮判定指标具有客观科学意义．其拟合公式为：

图1 多种优势藻数据拟合图

ρ(AOI)=0.599 2 lgN-2.751 8.

(7)

3.1.2 米氏凯伦藻拟合结果

平潭海域近年来米氏凯伦藻频现，2019年5月下旬，在平潭苏澳海域发生的米氏凯伦藻赤潮导致大面积的鲷鱼等鱼类死亡，给海产养殖户带来惨重的经济损失．本小节从平潭海域2013—2019年的海洋监测数据中筛选出全部23组以米氏凯伦藻为优势藻的监测数据，按照多种优势藻数据的计算方法得到AOI值，浮游植物细胞密度同样进行取对数处理，最后对数据进行线性拟合分析，其拟合结果如图2．米氏凯伦藻的具体拟合公式如下：

ρ(AOI)=0.791 1 lgN-3.685 6.

(8)

与多种优势藻的拟合结果相比，其拟合精度有了明显的提高，可决系数R2达到了0.802 6(样本数量n=23)．这一结果显示，样本拟合方程对样本观测值拟合程度好，而且通过图2可以看出，各样本观测点与拟合线靠得较近，表明样本拟合做出解释的离差平方和与总离差平方和较接近．

图2 米氏凯伦藻数据拟合图

3.2 AOI预警指标的精度分析

为了评价AOI作为赤潮预警指标的可信度，本文以米氏凯伦藻为例，选取平潭海域2019年5月中下旬的3组赤潮期间海洋监测数据，对AOI的实测值和估算值之间的偏离程度进行计算和分析．

将拟合公式(8)进行变形，得到：

(9)

将米氏凯伦藻细胞密度实测值代入拟合公式(8)中，得到AOI的估算值如表2所示．表2显示AOI的实测值与估算值存在一定的偏差．为了具体地描述拟合公式中AOI的验证误差，将表2中AOI估算值和实测值代入公式(5)中得到∀AOI=0.29，即表明AOI实测值对估算值的平均相对偏差为29%，AOI的估算精度达到71%．基于该研究是在理想的条件下，赤潮发生初期水体与大气的氧处于平衡状态，即影响氧浓度的各种物理、化学、生物过程都相互抵消处于平衡状态，且假定赤潮暴发的过程中水体含氧量的增加是由浮游植物光合作用产生的．藻类生长发育的阶段和个体大小的差异；藻密度计数时的测量误差；浮游生物的呼吸作用和有机物的矿化分解作用；水温及盐度对溶解氧含量的影响等都有可能造成AOI实测值与估算值的相对偏差[33]．但是总体来看，该实验采用的是自然海区内的监测数据其包容性也会更大，AOI实测值对估算值的平均相对误差系数较小，因此证明了AOI与米氏凯伦藻密度之间有着密切的线性相关性，从而表明AOI作为度量米氏凯伦藻生物量的指标是可信的．

表2 AOI模式下AOI的实测值与估算值

3.3 AOI预警值设定及米氏凯伦藻赤潮评价标准

结合上节中的分析结果，本文以米氏凯伦藻为例，选用安達六郎[25]的赤潮生物判断基准作为其赤潮临界密度来确定AOI的预警值．研究的实验样本中米氏凯伦藻体长在10～29 um，依据安達六郎提出的赤潮生物判断基准：当赤潮生物体长在10～29 um，赤潮暴发时藻类细胞临界密度为1×106L-1，将细胞密度1×106·L-1代入拟合公式(8)中，得到AOI值为1.06 mg·L-1．此值可作为判断米氏凯伦藻赤潮发生时AOI的临界值，但仍需综合AOI临界值情况和其他影响因素来确定合适的AOI预警值．由于AOI模式存在一定的不确定性，用1.06 mg·L-1作为判定米氏凯伦藻赤潮发生的AOI临界值可能会有所偏差．并且安達六郎的赤潮生物判断基准是基于赤潮发生时提出的，如果作为判断赤潮发生的预警值明显过高．

在AOI预警指标的精度分析中，已计算出米氏凯伦藻AOI实测值相对于AOI估算值的平均相对偏离系数为0.29．按照这个平均相对偏离系数进行计算，判断赤潮发生时AOI临界值应该在0.75～1.37 mg·L-1范围内．AOI预警值的设定不仅要满足赤潮监测管理的需要，也要有较高的准确度和实效性，因此将ρ(AOI) =0.8 mg·L-1设定为米氏凯伦藻赤潮的AOI预警值．若当AOI值接近0.8 mg·L-1时，藻密度达到5×105L-1，说明此时水体的溶解氧含量已经明显增高，并且米氏凯伦藻生长和聚集导致其生物量有所增加，暗示该海域正处于米氏凯伦藻赤潮即将发生或初步形成的阶段，此时应该开始加强并加密海域赤潮监测点的监测．

4 结论

本研究通过对2013—2019年平潭海域内的海洋赤潮监测数据进行处理和分析，应用线性拟合分析找到了AOI与浮游植物细胞密度之间有较强的线性相关性，通过2019年5月实际监测的数据进行验证，多种优势藻的AOI预测精度达到63%．同时，通过结合对藻群落结构的分析，可以进一步对某个优势种进行预警，以米氏凯伦藻为例，利用2019年5月平潭米氏凯伦藻赤潮监测数据验证得到AOI平均相对误差为29%．综合其拟合优度、AOI的平均相对误差和拟合模型的代表性，最终确定了米氏凯伦藻赤潮的AOI拟合公式为 (n=23，R2=0.802 6)．结果表明AOI可以较为客观并准确地反映米氏凯伦藻的生物量，因此可以作为评价米氏凯伦藻赤潮发生的指标．

研究表明，利用AOI对藻类赤潮进行预警和评价更为快速、简便，通过进一步分析藻的群落结构和优势藻的种类，预期可提高预警精度，具有较高的应用价值．同时可为平潭海域以表观增氧量作为判定指标的赤潮预警和防控提供参考．根据本研究提出的AOI预警值：当ρ(AOI) ≥0.80 mg·L-1时，表明该海域的溶解氧含量已达到饱和程度并且米氏凯伦藻生物量处于迅速积累的阶段，此时当地政府和居民应该提高警惕，及时做好监测和防范赤潮的准备．对于不同的海域情况和其他区域需要进一步的验证和研究．