摘要：藍(lán)藻水華反演圖被用于判斷某一水域在某一時(shí)刻是否暴發(fā)藍(lán)藻水華，進(jìn)而直接以藍(lán)藻水華發(fā)生與否的二元變量為被預(yù)測(cè)變量，以水質(zhì)、水文、氣象3類監(jiān)測(cè)變量為預(yù)測(cè)變量構(gòu)建藍(lán)藻水華暴發(fā)Probit短期預(yù)測(cè)模型。以太湖大貢山水域作為案例進(jìn)行該預(yù)測(cè)模型的實(shí)證研究。結(jié)果表明，該預(yù)測(cè)模型的評(píng)價(jià)指標(biāo)值較好；平均相對(duì)誤差為13.5%，接近或小于2個(gè)對(duì)照模型；該模型在空間精度和時(shí)間精度方面具有顯著優(yōu)勢(shì)；隔天預(yù)測(cè)模型的準(zhǔn)確性最高，預(yù)測(cè)周期加長(zhǎng)時(shí)預(yù)測(cè)準(zhǔn)確性降低；將所有可用監(jiān)測(cè)變量都納入預(yù)測(cè)模型時(shí)的預(yù)測(cè)準(zhǔn)確度高于僅采用可用監(jiān)測(cè)變量的若干子集時(shí)的準(zhǔn)確度。

關(guān)鍵詞：藍(lán)藻水華；預(yù)測(cè)；Probit模型

中圖分類號(hào)： X524文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2014）01-0337-06

收稿日期：2013-06-14

基金項(xiàng)目：教育部“新世紀(jì)優(yōu)秀人才支持計(jì)劃”（編號(hào)：NCET-10-0938）。

作者簡(jiǎn)介：黃煒（1972—），男，上海人，博士，研究方向?yàn)樗h(huán)境管理。E-mail：hw3@shu.edu.cn。藍(lán)藻是一種原始而古老的藻類原核生物，氣溫較高尤其在夏季時(shí)容易在富營(yíng)養(yǎng)化的湖泊、水庫(kù)、河流中大量繁殖，在適宜的氣象條件與水文條件時(shí)上浮、漂移、聚集，有時(shí)在水面聚集成一層藍(lán)綠色而有腥臭味的浮沫，被稱為藍(lán)藻水華。藍(lán)藻暴發(fā)和藍(lán)藻水華暴發(fā)有所區(qū)別，藍(lán)藻暴發(fā)可以只是水體中藍(lán)藻大量增殖或聚集，即藍(lán)藻豐度增大，但不一定覆蓋水面；而藍(lán)藻水華暴發(fā)則是指藍(lán)藻覆蓋了某一（些）水域的水面，其危害更大，如可使水體含氧量降低，造成魚蝦大量死亡。近年來(lái)，太湖藍(lán)藻水華的持續(xù)時(shí)間有所增加，3—12月都有發(fā)生[1]，而且發(fā)生頻率和空間范圍都大大增加[2-3]；近年來(lái)滇池每年都會(huì)發(fā)生不同范圍、不同程度的藍(lán)藻水華[4]；波羅的海每年出現(xiàn)的夏末藍(lán)藻水華也引起了公眾關(guān)注[5]，藍(lán)藻水華問(wèn)題已成為國(guó)內(nèi)外主要環(huán)境問(wèn)題之一。對(duì)藍(lán)藻水華的預(yù)測(cè)和預(yù)防十分困難，已成為環(huán)境保護(hù)領(lǐng)域的一個(gè)關(guān)鍵問(wèn)題。本研究以太湖為例，以大貢山水域的藍(lán)藻水華為對(duì)象，研究藍(lán)藻水華的預(yù)測(cè)，以期為其他水域和水體的藍(lán)藻水華預(yù)測(cè)提供參考。

1藍(lán)藻水華暴發(fā)預(yù)測(cè)的研究現(xiàn)狀

已有研究表明，藍(lán)藻水華暴發(fā)受多種因素影響。（1）藍(lán)藻的生理特點(diǎn)和生長(zhǎng)特性。 藍(lán)藻聚集是在水底越冬的藍(lán)藻在適當(dāng)條件時(shí)轉(zhuǎn)換到浮性生活期的過(guò)程[6]。微囊藻借助其懸浮機(jī)制置身于水體中有利其自身生長(zhǎng)的位置[7]。為了得到適宜的光照，藍(lán)藻以形成水華的方式作為其適應(yīng)環(huán)境的生態(tài)對(duì)策的一部分[8]。藍(lán)藻生長(zhǎng)與藍(lán)藻水華形成由休眠、復(fù)蘇、生長(zhǎng)、上浮聚集等4個(gè)階段組成[9]。（2）其他水生生物。浮游植物群落的規(guī)模是由（水生）捕食動(dòng)物和營(yíng)養(yǎng)鹽共同控制的[10]。微囊藻細(xì)胞形成較大的群體后就可以有效抵御原生動(dòng)物、浮游動(dòng)物的捕食[11]。藍(lán)藻能形成群體膠鞘，這降低了其被浮游動(dòng)物攝食的可能；藍(lán)藻能分泌他感物質(zhì)，這對(duì)其他物種的生長(zhǎng)有抑制作用；其分泌的藻毒素對(duì)其他物種也有抑制作用[9]。（3）水質(zhì)情況。在相同條件時(shí)硝酸鹽濃度與藻藍(lán)素濃度呈正相關(guān)[12]。美國(guó)環(huán)境保護(hù)署指出，在湖泊與水庫(kù)中總磷、總氮濃度分別超過(guò)10、150 μg/L時(shí)即有可能發(fā)生藍(lán)藻水華[13]。Bulgakov等認(rèn)為，氮磷濃度比降至5～10常導(dǎo)致藍(lán)藻成為浮游植物群落的主導(dǎo)者[14]。在澳大利亞魚腥藻（屬藍(lán)藻門）水華在渾濁度低于50 NTU時(shí)發(fā)生[15]。（4）氣象情況。徐恒省等研究表明，風(fēng)速、風(fēng)向和藍(lán)藻在水體中的分布有內(nèi)在聯(lián)系[16]。武勝利等認(rèn)為，較大的風(fēng)速和降水量可以抑制藍(lán)藻水華[17]。藍(lán)藻在風(fēng)速低于3 m/s時(shí)能夠在水下30 cm內(nèi)占據(jù)優(yōu)勢(shì)[18]。光照條件與藍(lán)藻水華形成有密切關(guān)系[19]。溫度在25°C以上時(shí)大多數(shù)藍(lán)藻達(dá)到最高生長(zhǎng)速率[20]。（5）水文情況。在具備充分營(yíng)養(yǎng)鹽與適合水溫條件時(shí)，藍(lán)藻水華的發(fā)生在很大程度上受水體穩(wěn)定性的影響[21-22]。淀山湖水華暴發(fā)的頻率和規(guī)模遠(yuǎn)低于其他同類型湖泊，一個(gè)重要原因是其平均換水周期較短，僅為30 d左右[18]。風(fēng)浪和湖流的運(yùn)動(dòng)使湖區(qū)內(nèi)的藍(lán)藻聚集于湖岸形成水華[9]。水體發(fā)生垂直混合時(shí)微囊藻的懸浮機(jī)制優(yōu)勢(shì)喪失[23]。

目前國(guó)內(nèi)外有害藻華的預(yù)警和預(yù)報(bào)技術(shù)主要是針對(duì)藻華的發(fā)生和運(yùn)動(dòng)進(jìn)行監(jiān)測(cè)和預(yù)測(cè)，預(yù)測(cè)方法主要包括依據(jù)指標(biāo)經(jīng)驗(yàn)臨界值預(yù)警、確定性生態(tài)數(shù)學(xué)模型（或基于過(guò)程的模型）、不確定的數(shù)據(jù)驅(qū)動(dòng)模型（包括人工神經(jīng)網(wǎng)絡(luò)方法和多元回歸方法等）[1]。

依據(jù)指標(biāo)經(jīng)驗(yàn)臨界值進(jìn)行判斷隱含著一種錯(cuò)誤邏輯，即藍(lán)藻水華的某些相關(guān)因素取其自身閾值以上或以下的值是藍(lán)藻水華發(fā)生的條件。然而目前為止還沒(méi)有這樣的實(shí)證結(jié)果，即藍(lán)藻水華的發(fā)生是以其某些相關(guān)因素的閾值為分水嶺。有關(guān)影響因素對(duì)藍(lán)藻水華的影響趨勢(shì)并不一定是嚴(yán)格遞增或遞減的，例如并非氮濃度越高對(duì)藍(lán)藻的競(jìng)爭(zhēng)優(yōu)勢(shì)越有利，Blomqvist等指出，NO3--N濃度在小于200 μg/L時(shí)才對(duì)藍(lán)藻成為優(yōu)勢(shì)種類有利[24]。在氮、磷限制條件下微囊藻比其他藻類更具競(jìng)爭(zhēng)優(yōu)勢(shì)，因此在氮、磷濃度較低的許多水體中也可發(fā)生藍(lán)藻水華[9]。再如很多研究結(jié)果表明，藍(lán)藻水華易在高溫時(shí)暴發(fā)，然而2007年12月8日、2008年1月3日太湖2次暴發(fā)藍(lán)藻水華，而當(dāng)時(shí)日均溫分別為10.6、1.7 ℃；此外，2006年11月2日太湖吳縣東山氣象站的日照時(shí)數(shù)為0，但當(dāng)天藍(lán)藻仍然大面積暴發(fā)，說(shuō)明充足的日照并非藍(lán)藻水華暴發(fā)的必要條件[17]。由此可見(jiàn)，設(shè)定相關(guān)因素閾值進(jìn)行預(yù)警的方法是不可取的。

許秋瑾等提出了一種太湖藻類生長(zhǎng)的模型，考慮藻類的生長(zhǎng)率和死亡率，估算藻類濃度[25]。確定性數(shù)學(xué)模型需要大量的訓(xùn)練數(shù)據(jù)，為了開(kāi)發(fā)基于過(guò)程的模型，研究者還須要充分理解所有基礎(chǔ)的物理過(guò)程和物理化學(xué)過(guò)程，以便用數(shù)學(xué)方法將其表達(dá)出來(lái)。由于自然系統(tǒng)的巨大復(fù)雜性，這種方法常常是行不通的[26]。開(kāi)發(fā)基于過(guò)程的模型難度較大，這也降低了此類模型可推廣性。另外，藍(lán)藻水華暴發(fā)的原因非常復(fù)雜，湖泊內(nèi)不同水域的環(huán)境因素與藍(lán)藻水華暴發(fā)之間的響應(yīng)關(guān)系往往并不相同，年度差別也相當(dāng)明顯，因而水華發(fā)生具有很大的不確定性。這些因素導(dǎo)致消耗大量時(shí)間和成本后仍不能得到理想的生態(tài)數(shù)學(xué)模型[1]。上述情況也是導(dǎo)致此類模型的可推廣性不強(qiáng)的原因——不能保證將已有模型用于不同水域時(shí)的可靠性，所以對(duì)不同水域須另行開(kāi)發(fā)專用的基于過(guò)程的預(yù)測(cè)模型。還有，由于基于過(guò)程模型的自變量和因變量值往往屬于同期，因此必須用自變量的未來(lái)值預(yù)測(cè)藍(lán)藻水華。如果使用一個(gè)預(yù)測(cè)模型時(shí)須首先預(yù)測(cè)或估算諸多自變量甚至全部自變量在未來(lái)時(shí)期的值，雙重預(yù)測(cè)顯然會(huì)降低藍(lán)藻水華預(yù)報(bào)結(jié)果的準(zhǔn)確性。endprint

相對(duì)確定性生態(tài)數(shù)學(xué)模型而言，開(kāi)發(fā)不確定的數(shù)據(jù)驅(qū)動(dòng)模型則快捷、簡(jiǎn)便、成本較低。人工神經(jīng)網(wǎng)絡(luò)方法具有較強(qiáng)的適應(yīng)能力和學(xué)習(xí)能力。劉靜玲等建立了基于人工神經(jīng)網(wǎng)絡(luò)的北京“六?！彼A預(yù)警模型，以葉綠素a濃度為被預(yù)測(cè)變量[27]。Maier等使用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)河流中的藍(lán)藻水華[26]。但人工神經(jīng)網(wǎng)絡(luò)方法需要大量的訓(xùn)練數(shù)據(jù)，數(shù)據(jù)收集難度很大；而且該方法是一種完全的黑箱方法，研究者很難解釋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其對(duì)輸出變量的影響，也難以解釋輸入變量對(duì)輸出變量的影響。陳翔等基于18個(gè)旬度數(shù)據(jù)記錄構(gòu)建了影響洪澤湖藍(lán)藻水華暴發(fā)的氣象因子類多因子交叉相關(guān)綜合法預(yù)報(bào)方程，進(jìn)行下一旬中期預(yù)報(bào)[24]。但該方法只能以旬為時(shí)間單位進(jìn)行預(yù)報(bào)，不能精確到藍(lán)藻水華日暴發(fā)情況。該方法適用于類似洪澤湖這樣的藍(lán)藻水華暴發(fā)頻率不高的湖泊，但不適合太湖、滇池這種水華暴發(fā)頻率很高的湖泊。另外，該方法將連續(xù)型的自變量離散化，導(dǎo)致信息量損失，降低了預(yù)測(cè)模型精度。離散化的做法還可能導(dǎo)致預(yù)測(cè)模型的邏輯錯(cuò)誤或判斷錯(cuò)誤，導(dǎo)致水華誤報(bào)或漏報(bào)。一些實(shí)際投入使用的預(yù)測(cè)系統(tǒng)則將定量方法和定性方法相結(jié)合，例如中國(guó)科學(xué)院南京地理與湖泊研究所的預(yù)報(bào)系統(tǒng)[2]和美國(guó)的墨西哥灣赤潮預(yù)報(bào)系統(tǒng)[28]。

2藍(lán)藻水華Probit短期預(yù)測(cè)模型

為了解決上述問(wèn)題，筆者構(gòu)建了以藍(lán)藻水華是否發(fā)生為被預(yù)測(cè)變量，以水質(zhì)、水文、氣象3類監(jiān)測(cè)變量為連續(xù)型預(yù)測(cè)變量的非線性預(yù)測(cè)模型。該模型屬于數(shù)據(jù)驅(qū)動(dòng)模型，且克服了傳統(tǒng)多元（線性）回歸分析方法和人工神經(jīng)網(wǎng)絡(luò)方法的不足。

藍(lán)藻細(xì)菌的生長(zhǎng)速率為0.3～1.4倍/d，比其他很多藻類慢得多[20]。藍(lán)藻的生長(zhǎng)發(fā)育時(shí)間為7～12 d，在單體水中藍(lán)藻大量增殖形成堆積，才會(huì)形成水華；但在非單體水中則不一定如此，藍(lán)藻水華可由藍(lán)藻輸移形成[29]。藍(lán)藻達(dá)到一定數(shù)量后，低流速、高溫、弱風(fēng)、弱降水、強(qiáng)光照、低氣壓可能導(dǎo)致水華發(fā)生[18]。在多數(shù)情況中，這種突然出現(xiàn)的水華是已存在的藍(lán)藻群落在水中的重新分布（即上浮、聚集于水體表層）引起的；而藍(lán)藻群落的重新分布則是由適宜的氣象與水文條件引起的，例如對(duì)微弱湍流條件的反應(yīng)。藍(lán)藻水華并不全是由藻類的原位生長(zhǎng)所致，不是短時(shí)間內(nèi)藍(lán)藻數(shù)量爆炸性增長(zhǎng)的結(jié)果[30]。因此對(duì)藍(lán)藻水華進(jìn)行短期（如1周內(nèi)）預(yù)測(cè)時(shí)，可以將重點(diǎn)放在考察水質(zhì)、水文、氣象3類環(huán)境因素方面。在藍(lán)藻水華易暴發(fā)的季節(jié)，尤其是在研究水域的藍(lán)藻密度較高時(shí)，藍(lán)藻在自身生長(zhǎng)和種群競(jìng)爭(zhēng)方面已經(jīng)占有優(yōu)勢(shì)，或者說(shuō)這2方面因素已不是藍(lán)藻水華暴發(fā)的限制因素，因此僅以這3類指標(biāo)作為藍(lán)藻水華短期預(yù)測(cè)模型的潛在自變量（預(yù)測(cè)變量）不會(huì)明顯降低預(yù)測(cè)精度。

目前國(guó)內(nèi)外的藍(lán)藻水華預(yù)測(cè)模型主要預(yù)測(cè)葉綠素a濃度、藻類生物量、藍(lán)藻密度/豐度或藻藍(lán)素濃度等指標(biāo)，或者用這些指標(biāo)作為藍(lán)藻水華暴發(fā)的替代指標(biāo)，并未直接預(yù)測(cè)藍(lán)藻水華是否暴發(fā)[25-27，31-32]。葉綠素a濃度或藍(lán)藻密度等指標(biāo)只能從微觀角度表示藍(lán)藻水華強(qiáng)度，并不能確切地度量或反映藍(lán)藻水華發(fā)生與否；再加上藍(lán)藻水華暴發(fā)條件的多樣性和復(fù)雜性，葉綠素a濃度或藍(lán)藻密度等指標(biāo)與其預(yù)測(cè)變量之間的響應(yīng)關(guān)系并不能代表藍(lán)藻水華暴發(fā)與這些預(yù)測(cè)變量之間的響應(yīng)關(guān)系。例如有研究表明，當(dāng)湖體中葉綠素a含量超過(guò) 10 μg/L 或藍(lán)藻密度達(dá)到2萬(wàn)細(xì)胞/mL時(shí)可被稱為藻類水華[1]；然而孔繁翔等的觀測(cè)報(bào)告顯示，2007年8月上旬太湖水體中葉綠素a濃度大于水華形成閾值，但由于臺(tái)風(fēng)過(guò)境，幾乎沒(méi)有觀測(cè)到藍(lán)藻水華[2]。在水華易發(fā)生季節(jié)，沒(méi)有人為干擾時(shí)，只要環(huán)境合適富營(yíng)養(yǎng)化湖泊中的葉綠素一般都保持高濃度狀態(tài)，這期間葉綠素并沒(méi)有迅速消失或增加[9]。另外盡管對(duì)藍(lán)藻水華的定義并不統(tǒng)一，但在該領(lǐng)域內(nèi)有一個(gè)較通行的觀點(diǎn)，即藍(lán)藻顆粒覆蓋水面是藍(lán)藻水華暴發(fā)的重要特征[33-36]。但水體中葉綠素a濃度或藻類密度等指標(biāo)較高時(shí)藍(lán)藻顆粒并不一定形成對(duì)水面的覆蓋；另一方面，由于藍(lán)藻顆粒上浮、覆蓋水面，此時(shí)水體中葉綠素a濃度或藻類密度反而降低[9]。因此藍(lán)藻顆粒對(duì)水面的覆蓋與水體中葉綠素a濃度或藻類密度之間并無(wú)確定的關(guān)系，或者說(shuō)關(guān)于葉綠素a濃度或藻類密度并沒(méi)有一個(gè)科學(xué)、準(zhǔn)確、確定的閾值可被用來(lái)判斷藍(lán)藻水華暴發(fā)與否。綜上，不宜用葉綠素a濃度或藻類密度等指標(biāo)作為藍(lán)藻水華暴發(fā)與否的指標(biāo)。

本研究中藍(lán)藻水華反演圖（圖1）被用來(lái)判斷某個(gè)水域某個(gè)時(shí)刻是否暴發(fā)藍(lán)藻水華，并以此指標(biāo)作為被預(yù)測(cè)變量。目前國(guó)內(nèi)外尚無(wú)研究者基于此判斷方法和指標(biāo)進(jìn)行藍(lán)藻水華預(yù)測(cè)。藍(lán)藻水華反演圖是基于衛(wèi)星遙感影像數(shù)據(jù)制作的，而衛(wèi)星遙感影像在反映藍(lán)藻水華暴發(fā)情況方面具有較多優(yōu)勢(shì)，例如其從宏觀角度反映藍(lán)藻水華的暴發(fā)情況，因而更確切；它是由特定的衛(wèi)星遙感傳感器成像，因而反映情況較客觀；它基于覆蓋水面的藍(lán)藻水華的光譜特征而成像，符合藍(lán)藻水華通行的概念。

在該藍(lán)藻水華預(yù)測(cè)模型中，被預(yù)測(cè)變量是藍(lán)藻水華暴發(fā)與否，是二元變量，只取“發(fā)生”或“未發(fā)生”2個(gè)值；而預(yù)測(cè)變量大多為連續(xù)型變量。對(duì)于這一特殊的數(shù)據(jù)模式，一般的研究方法或模型均不適用，而離散因變量模型類型中的二元選擇模型較合適。二元選擇模型被用來(lái)研究在給定條件時(shí)作一種選擇而舍棄另一種選擇的概率。Probit模型就是一種二元選擇模型[37]，本研究中藍(lán)藻水華預(yù)測(cè)模型采用Probit模型的形式。用“發(fā)生”和“未發(fā)生”這2個(gè)狀態(tài)描述藍(lán)藻水華，該研究方法包含如下概念：這2個(gè)狀態(tài)分別代表一個(gè)指標(biāo)或指標(biāo)組合的某個(gè)取值范圍。例如藍(lán)藻在水面的集聚面積大到某個(gè)程度（可以是定性指標(biāo)）以上、藻藍(lán)素濃度高到某個(gè)程度以上時(shí)定義為藍(lán)藻水華“發(fā)生”。因此根據(jù)研究背景和需要，可基于相關(guān)指標(biāo)值確定藍(lán)藻水華“發(fā)生”或“未發(fā)生”。例如筆者基于藍(lán)藻水華反演圖的宏觀特性判斷水華“發(fā)生”或“未發(fā)生”，即這2個(gè)狀態(tài)的定義可因不同研究需要而變化，因此該研究方法具有廣泛的適用性。

在Probit模型中因變量y是關(guān)于自變量向量x的、服從正態(tài)分布的非線性函數(shù)。以藍(lán)藻水華發(fā)生或不發(fā)生的狀態(tài)作為因變量y，以若干潛在相關(guān)環(huán)境因素作為自變量向量x，構(gòu)建二元選擇水華預(yù)測(cè)模型?？傮w模擬模型為：endprint

y=1-F（-βTx）+μ（1）

式中：F（·）為累積分布函數(shù)，對(duì)于Probit模型而言，F(xiàn)（·）為Φ（·），即標(biāo)準(zhǔn)正態(tài)分布函數(shù)；β為系數(shù)向量；T為向量轉(zhuǎn)置運(yùn)算符號(hào)； μ是均值為0的隨機(jī)誤差項(xiàng)。用Φ（·）替換F（·），可得到模型（1）的具體形式：

y=φ（βTx）+μ=∫βTx1-∞112πe-112u2du+μ（2）

式中：y=1表示藍(lán)藻水華發(fā)生，y=0表示藍(lán)藻水華不發(fā)生。上述模型為一個(gè)通用模型，可用于湖泊、水庫(kù)藍(lán)藻水華的預(yù)測(cè)。

3案例研究：太湖大貢山水域藍(lán)藻水華暴發(fā)預(yù)測(cè)

調(diào)查結(jié)果顯示，太湖流域藻類以藍(lán)藻門為主，藍(lán)藻門數(shù)量最高時(shí)約占藻類總量的91.6%[38]。2007年5月底藍(lán)藻大規(guī)模暴發(fā)，藍(lán)藻水華面積達(dá)全太湖面積的1/3。統(tǒng)計(jì)結(jié)果表明：2007、2008年藍(lán)藻水華呈加劇態(tài)勢(shì)[39]。2011年太湖藻類水華暴發(fā)頻次較往年有一定幅度下降，但小范圍水華暴發(fā)頻次居高不下。梅梁灣、貢湖灣、西部沿岸一帶藍(lán)藻水華形勢(shì)沒(méi)有根本好轉(zhuǎn)。以下以大貢山水域的藍(lán)藻水華為對(duì)象，研究藍(lán)藻水華的預(yù)測(cè)。

3.1數(shù)據(jù)來(lái)源和處理

本研究中太湖湖區(qū)數(shù)據(jù)為太湖大貢山水域2008年7—12月和2009年8—11月的每日水質(zhì)、水文、氣象3類監(jiān)測(cè)數(shù)據(jù)（共17個(gè)監(jiān)測(cè)變量、86條觀測(cè)記錄）和匹配的太湖藍(lán)藻水華反演圖，由湖泊-流域科學(xué)數(shù)據(jù)共享平臺(tái)提供。數(shù)據(jù)采集時(shí)段為每天08：47—15：44。17個(gè)監(jiān)測(cè)變量為：風(fēng)速（WS）、風(fēng)向（WD）、瞬時(shí)降雨（IRF）、氣溫（AT）、水溫（WT）、太陽(yáng)輻射（I）、氣壓（AP）、水深（WDEP）、電導(dǎo)率（COND）、pH值（PH）、溶解氧濃度（DO）、電池電壓（V）、濕度（H）、藍(lán)藻密度（CD）、葉綠素a濃度（CHLA）、氨濃度（NH3）、鹽度（SA），括號(hào)中為相應(yīng)的變量名。這些監(jiān)測(cè)變量屬于本研究文獻(xiàn)研究提到的后3類環(huán)境相關(guān)因素，因此可以作為潛在預(yù)測(cè)變量被納入本預(yù)測(cè)模型。上述數(shù)據(jù)均采集自被預(yù)測(cè)水域即大貢山水域，而不是采用附近水域或地區(qū)的數(shù)據(jù)或更大范圍的數(shù)據(jù)，然后作近似替代。本數(shù)據(jù)集的空間精度可為預(yù)測(cè)模型達(dá)到較高的預(yù)測(cè)準(zhǔn)確度和較高的空間精度奠定基礎(chǔ)。

將監(jiān)測(cè)數(shù)據(jù)與水華反演圖的信息即0、1值匹配、組合，并用Excel軟件對(duì)監(jiān)測(cè)數(shù)據(jù)作歸一化處理。由于該模型中被預(yù)測(cè)變量與預(yù)測(cè)變量不屬于同一期，所以須基于原始數(shù)據(jù)構(gòu)造非同期數(shù)據(jù)集。隔天預(yù)測(cè)模型數(shù)據(jù)集的構(gòu)造方法是：將對(duì)應(yīng)的第2天水華暴發(fā)與否的值替換每日相應(yīng)值，使模型能預(yù)測(cè)第2天是否暴發(fā)水華，在每日氣溫值后添加相應(yīng)第2天的氣溫值（NEXTAT），由于天氣預(yù)報(bào)能提供氣溫預(yù)報(bào)值，所以添加此項(xiàng)；將第2天沒(méi)有水華暴發(fā)與否數(shù)據(jù)的日期的記錄刪除，原因是缺乏可驗(yàn)證預(yù)報(bào)值的因變量值。這樣就形成了所需數(shù)據(jù)集。用類似方法為相差2、3 d進(jìn)行的預(yù)測(cè)構(gòu)造數(shù)據(jù)集。

3.2模型擬合、預(yù)測(cè)檢驗(yàn)與準(zhǔn)確性分析

將第1個(gè)數(shù)據(jù)集（隔天預(yù)測(cè)數(shù)據(jù)集，共18個(gè)自變量、43條記錄，構(gòu)造隔天預(yù)測(cè)模型的數(shù)據(jù)集時(shí)刪除了部分無(wú)效數(shù)據(jù)記錄）分成2部分。第1部分有30條記錄，用于擬合預(yù)測(cè)模型；第2部分有13條記錄，用于檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)的準(zhǔn)確性。根據(jù)“3.1”中的變量?jī)?nèi)容，用統(tǒng)計(jì)分析軟件EViews 6.0構(gòu)建相應(yīng)的數(shù)據(jù)結(jié)構(gòu)，并將上述第1部分的30條記錄復(fù)制到該數(shù)據(jù)結(jié)構(gòu)中。然后選擇EViews中的Probit建模工具構(gòu)建模型，并基于上述數(shù)據(jù)進(jìn)行擬合，即估計(jì)式（2）中的各系數(shù)值。預(yù)測(cè)模型的擬合形式為：

y^=Φ（-18.22-6.98IRF+12.23V-54.67WS-7638WD-61.25AP-24.49I-124.33AT+111.96NEXTAT-28.66H-14.45CD+113.33PH-57.14CHLA+18.22DO+231.24WDEP-128.57NH3-92.23WT-81.51COND+14225SA）（3）

式中：Φ（·）為標(biāo)準(zhǔn)正態(tài)分布函數(shù)。

該P(yáng)robit模型的評(píng)價(jià)指標(biāo)如表1所示。該模型整體的顯著性較高。LR統(tǒng)計(jì)量檢驗(yàn)除了常數(shù)項(xiàng)以外所有系數(shù)都是0的假設(shè)，測(cè)試模型整體的顯著性。LR統(tǒng)計(jì)量漸進(jìn)服從χ2（k）分布，k為自由度。LR統(tǒng)計(jì)量值在0.5%水平上大于χ2分布的臨界值，通過(guò)整體顯著性檢驗(yàn)；Prob（LR）<0.5%，這也表示該模型在0.5%的顯著性水平上通過(guò)整體顯著性檢驗(yàn)。Andrews統(tǒng)計(jì)量值及其概率表明預(yù)測(cè)模型通過(guò)擬合優(yōu)度檢驗(yàn)，擬合優(yōu)度較好。

表1對(duì)第1個(gè)數(shù)據(jù)集擬合得到的指標(biāo)

模型指標(biāo)1值LR statistic141.588 8Prob（LR statistic）10.001 3Andrews Statistic17.470 2Prob. Chi-Sq（10）10.680 4

再將數(shù)據(jù)集第2部分的13條記錄復(fù)制到前述數(shù)據(jù)結(jié)構(gòu)中，將其置于前述30條記錄之后。用這13條數(shù)據(jù)記錄進(jìn)行檢驗(yàn)。圖2為預(yù)測(cè)結(jié)果，其中左邊部分為藍(lán)藻水華暴發(fā)概率的預(yù)測(cè)值，右邊部分為預(yù)測(cè)結(jié)果評(píng)價(jià)，折線YF表示預(yù)測(cè)值，Y表示實(shí)際值，Y折線未顯示于圖中。Y的情況是：樣本31～41的值為1，樣本42、43的值為0。結(jié)果顯示：預(yù)測(cè)平均絕對(duì)誤差為20.4%，預(yù)測(cè)平均相對(duì)誤差為13.5%。平均相對(duì)誤差（圖2中平均絕對(duì)百分比誤差）為預(yù)測(cè)值與真實(shí)值的偏差占真實(shí)值的比例。本預(yù)測(cè)模型的平均相對(duì)誤差與以往研究結(jié)果相近，陳翔等建立的模型在2008—2009年試報(bào)中誤差率為12.5%[29]；孔繁翔等2008年的預(yù)報(bào)誤差率為：梅梁灣22%、貢山灣16%、大太湖12%，2009年的預(yù)報(bào)誤差率為：梅梁灣40%、貢山灣30%、大太湖5%[2]。

偏差比例度量了預(yù)測(cè)值均值與數(shù)據(jù)序列實(shí)際值均值的偏離程度，表示系統(tǒng)誤差，本模型的偏差比例較小，為2.3%；方差比例度量了預(yù)測(cè)值方差與實(shí)際序列方差的偏離程度，圖2中相應(yīng)值為0.4%，也較小。協(xié)方差比例衡量了剩余的非系統(tǒng)誤差的大小。偏差比例、方差比例、協(xié)方差比例之和為1。如果前兩者較小，而協(xié)方差比例較大，則預(yù)測(cè)結(jié)果比較理想[40]。以上指標(biāo)值顯示本模型的預(yù)測(cè)結(jié)果較好。本案例研究還表明：將所有可用監(jiān)測(cè)變量都納入預(yù)測(cè)模型時(shí)的預(yù)測(cè)準(zhǔn)確度高于僅采用可用監(jiān)測(cè)變量諸多子集時(shí)的準(zhǔn)確度，這印證了藍(lán)藻水華暴發(fā)受多種因素影響的一般觀點(diǎn)。endprint

預(yù)測(cè)藍(lán)藻水華時(shí)更須要知道藍(lán)藻水華發(fā)生的確切位置，因?yàn)槟壳八{(lán)藻水華在夏季、秋季容易暴發(fā)，但是只有湖濱岸帶、重要景觀湖區(qū)、飲用水源地的藍(lán)藻水華才有可能給人們的生活與社會(huì)穩(wěn)定帶來(lái)威脅[2]。本模型針對(duì)的是某一個(gè)水域，可以預(yù)測(cè)藍(lán)藻水華暴發(fā)的確切位置；而陳翔等的研究針對(duì)的是整個(gè)洪澤湖，從而有利于其預(yù)測(cè)準(zhǔn)確率處于較高水平，但這種準(zhǔn)確率是以較低的空間精度為代價(jià)的[29]。因而本研究的空間精度更高，或者說(shuō)空間粒度更細(xì)?？追毕璧鹊难芯恐胁糠诸A(yù)測(cè)的空間粒度也非常粗，其地點(diǎn)預(yù)測(cè)誤差率在 16%～53%[2]。

本預(yù)測(cè)模型的時(shí)間精度為1 d。而孔繁翔等的研究中藍(lán)藻水華預(yù)報(bào)系統(tǒng)的預(yù)報(bào)時(shí)間精度是3 d[2]，其時(shí)間精度沒(méi)有本模型的高；陳翔等的模型時(shí)間精度更差，為旬[29]。這有利于這些模型的預(yù)測(cè)準(zhǔn)確率處于較高水平，同樣這種準(zhǔn)確率是以較低的時(shí)間精度為代價(jià)的。也就是說(shuō)本預(yù)測(cè)模型達(dá)到與前二者相近的預(yù)測(cè)準(zhǔn)確度時(shí)，本預(yù)測(cè)模型的實(shí)用性更強(qiáng)。因此整體而言，本預(yù)測(cè)模型的準(zhǔn)確度高于對(duì)照模型。

3.3其他預(yù)測(cè)周期與預(yù)測(cè)準(zhǔn)確度分析

相差2 d的預(yù)測(cè)數(shù)據(jù)集共有28條觀測(cè)記錄，被分成2部分。第1部分19條記錄，用于擬合預(yù)測(cè)模型；第2部分9條記錄，用于檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)精度。如圖3所示，預(yù)測(cè)周期為相差 2 d 的模型預(yù)測(cè)平均絕對(duì)誤差和平均相對(duì)誤差均比隔天預(yù)測(cè)模型的大，其他評(píng)價(jià)指標(biāo)值也偏大（差），預(yù)測(cè)精度有所降低。

相差3 d的預(yù)測(cè)數(shù)據(jù)集共有27條觀測(cè)記錄，被分成2部分。第1部分19條記錄，用于擬合預(yù)測(cè)模型；第2部分8條記錄，用于檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)精度。如圖4所示，預(yù)測(cè)周期為相差 3 d 的模型預(yù)測(cè)均方根誤差、平均絕對(duì)誤差、Theil不等系數(shù)、偏差比例、方差比例都偏大，預(yù)測(cè)效果不好。

第2個(gè)、第3個(gè)模型的預(yù)測(cè)效果變差的潛在原因除了擬合預(yù)測(cè)模型的可用樣本數(shù)量明顯減少外，還有預(yù)測(cè)周期加長(zhǎng)導(dǎo)致不確定性因素增多的不利影響。

4結(jié)語(yǔ)

筆者根據(jù)藍(lán)藻水華反演圖判斷太湖大貢山水域在某一時(shí)刻是否暴發(fā)藍(lán)藻水華，用藍(lán)藻水華暴發(fā)與否作為預(yù)測(cè)模型的被預(yù)測(cè)變量，用水質(zhì)、水文、氣象3類監(jiān)測(cè)變量作為預(yù)測(cè)變量，基于太湖大貢山水域的監(jiān)測(cè)數(shù)據(jù)，使用二元選擇模型構(gòu)建了藍(lán)藻水華短期預(yù)測(cè)模型。該預(yù)測(cè)模型的平均相對(duì)誤差為135%，該模型的誤差接近或小于對(duì)照模型誤差，預(yù)測(cè)結(jié)果較為理想；并且該模型在空間精度和時(shí)間精度方面具有顯著優(yōu)勢(shì)。整體而言，該模型的準(zhǔn)確度比對(duì)照模型更高。本研究中被預(yù)測(cè)對(duì)象（藍(lán)藻水華發(fā)生與否的二元變量）比諸多文獻(xiàn)中的被預(yù)測(cè)對(duì)象更直接、有效。該預(yù)測(cè)模型能為有關(guān)部門提供藍(lán)藻水華預(yù)測(cè)，有利于短期應(yīng)急措施實(shí)施。本研究還涉及不同預(yù)測(cè)周期對(duì)預(yù)測(cè)準(zhǔn)確性的影響，結(jié)果顯示隔天預(yù)測(cè)模型的準(zhǔn)確性最高，預(yù)測(cè)周期加長(zhǎng)時(shí)準(zhǔn)確性降低。

本研究方法具有實(shí)用性和普適性，因?yàn)樵谥T多湖泊、水庫(kù)、河流都設(shè)有自動(dòng)監(jiān)測(cè)設(shè)備或人工監(jiān)測(cè)點(diǎn)，而衛(wèi)星遙感服務(wù)又具有廣泛覆蓋性，只要通過(guò)合適方法獲得這些數(shù)據(jù)后就能構(gòu)建此類預(yù)測(cè)模型，并進(jìn)行實(shí)際預(yù)測(cè)工作。該預(yù)測(cè)模型屬于數(shù)據(jù)驅(qū)動(dòng)型模型，適合處理藍(lán)藻水華暴發(fā)的復(fù)雜性和不確定性，因而易于被應(yīng)用到不同湖泊、水庫(kù)，這適應(yīng)了為不同水域的藍(lán)藻水華暴發(fā)構(gòu)建專用預(yù)測(cè)模型的要求，但卻不必花費(fèi)很多精力和成本另行開(kāi)發(fā)模型（如采用確定性模型時(shí)）。由于各種原因，本研究中的數(shù)據(jù)集未能涵蓋太湖大貢山水域2008、2009年的所有有效數(shù)據(jù)記錄，但即使這樣，本預(yù)測(cè)模型亦具有較好的預(yù)測(cè)效果?？梢灶A(yù)計(jì)，如果能獲得更全面的監(jiān)測(cè)變量和更完整的數(shù)據(jù)記錄，以及更多年份的數(shù)據(jù)記錄和匹配的藍(lán)藻水華反演圖，將之用于本預(yù)測(cè)模型的擬合，則可以獲得與實(shí)際情況更吻合的模型和更高的預(yù)測(cè)準(zhǔn)確率。

本研究中第1個(gè)預(yù)測(cè)模型具有更高準(zhǔn)確性的原因是：（1）對(duì)被預(yù)測(cè)變量的科學(xué)設(shè)計(jì)以及表示被預(yù)測(cè)變量數(shù)據(jù)的正確選擇；（2）大量、精確數(shù)據(jù)的支撐；（3）選用了合適的建模工具——二元選擇模型。

參考文獻(xiàn)：

[1]王崇，孔海南，王欣澤，等. 有害藻華預(yù)警預(yù)測(cè)技術(shù)研究進(jìn)展[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2009，20（11）：2813-2819.

[2]孔繁翔，馬榮華，高俊峰，等. 太湖藍(lán)藻水華的預(yù)防、預(yù)測(cè)和預(yù)警的理論與實(shí)踐[J]. 湖泊科學(xué)，2009，21（3）：314-328.

[3]商兆堂，任健，秦銘榮，等. 氣候變化與太湖藍(lán)藻暴發(fā)的關(guān)系[J]. 生態(tài)學(xué)雜志，2010，29（1）：55-61.

[4]謝國(guó)清，李蒙，魯韋坤，等. 滇池藍(lán)藻水華光譜特征、遙感識(shí)別及暴發(fā)氣象條件[J]. 湖泊科學(xué)，2010，22（3）：327-336.

[5]Lips I，Lips U. Abiotic factors influencing cyanobacterial bloom development in the Gulf of Finland（Baltic Sea）[J]. Hydrobiologia，2008，614（1）：133-140.

[6]Tan X，Kong F X，Cao H S，et al. Recruitment of bloom-forming cyanobacteria and its driving factors[J]. African Journal of Biotechnology，2008，7（25）：4726-4731.

[7]Wallace B B，Hamilton D P. Simulation of vertical position of buoyancy regulating Microcystis aeruginosa in a shallow eutrophic lake[J]. Aquatic Sciences，2000，62（4）：320-333.

[8]Paerl H W，Ustach J F. Blue-green algal scums：an explanation for their occurrence during freshwater blooms[J]. Limnology and Oceanography，1982，27（2）：212-217.endprint

[9]孔繁翔，高光. 大型淺水富營(yíng)養(yǎng)化湖泊中藍(lán)藻水華形成機(jī)理的思考[J]. 生態(tài)學(xué)報(bào)，2005，25（3）：589-595.

[10]Vanni M J，Temte J. Seasonal patterns of grazing and nutrient limitation of phytoplankton in a eutrophic lake[J]. Limnology and Oceanography，1990，35（3）：697-709.

[11]Lynch M，Shapiro J. Predation，enrichment，and phytoplankton community structure[J]. Limnology and Oceanography，1981，26（1）：86-102.

[12]胡鴻鈞. 水華藍(lán)藻生物學(xué)[M]. 北京：科學(xué)出版社，2011：146.

[13]Gibson G，Carlson R，Simpson J，et al. Nutrient criteria，technical guidance manual：lakes and reservoirs[R]. Washington DC：United States Environmental Protection Agency，2000..

[14]Bulgakov N G，Levich A P. The nitrogen：Phosphorus ratio as a factor regulating phytoplankton community structure[J]. Archive für Hydrobiologia，1999，146（1）：3-22.

[15]Sullivan C，Saunders J，Welsh D. Phytoplankton of the river murray[R]. Canberra：Murray-Darling Basin Commission（Australia），1988.

[16]徐恒省，翁建中，李繼影，等. 太湖藍(lán)藻水華預(yù)警監(jiān)測(cè)與風(fēng)速風(fēng)向的關(guān)系研究[J]. 環(huán)境監(jiān)控與預(yù)警，2009，1（2）：5-7.

[17]武勝利，劉誠(chéng)，孫軍，等. 衛(wèi)星遙感太湖藍(lán)藻水華分布及其氣象影響要素分析[J]. 氣象，2009，35（1）：18-23.

[18]王銘瑋，徐啟新，車越，等. 淀山湖藍(lán)藻水華暴發(fā)的氣象水文因素探討[J]. 華東師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2011（1）：21-31.

[19]Spencer C N，King D L. Regulation of blue-green algal buoyancy and bloom formation by light，inorganic Nitrogen，CO2，and trophic level interactions[J]. Hydrobiologia，1987，144（2）：183-191.

[20]Mur L R，Skulberg O M，Utkilen H. Cyanobacteria in the environment[M]，1999.

[21]趙孟緒，韓博平. 湯溪水庫(kù)藍(lán)藻水華發(fā)生的影響因子分析[J]. 生態(tài)學(xué)報(bào)，2005，25（7）：1554-1561.

[22]Steinberg C E W，Hartmann H M. Plankton bloom-forming cyanobacteria and the eutrophication of lakes and rivers[J]. Freshwater Biology，1988，20（2）：279-287.

[23]Visser P M，Ibelings B W，Veer B，et al. Artificial mixing prevents nuisance blooms of the cyanobacterium Microcystis in Lake Nieuwe Meer，the Netherlands[J]. Freshwater Biology，1996，36（2）：435-450.

[24]Blomqvist P，Pettersson A，Hyenstrand P. Ammonium-nitrogen：a key regulatory factor causing dominance of non-nitrogen-fixing cyanobacteria in aquatic system[J]. Archive für Hydrobiologia，1994，132（2）：141-164.

[25]許秋瑾，秦伯強(qiáng)，陳偉民，等. 太湖藻類生長(zhǎng)模型研究[J]. 湖泊科學(xué)，2001，13（2）：149-157.

[26]Maier H R，Dandy G C，Burch M D. Use of artificial neural networks for modelling cyanobacteria Anabaena spp. in the River Murray，South Australia[J]. Ecological Modeling，1998，105（2/3）：257-272.

[27]劉靜玲，曾維華，曾勇，等. 海河流域城市水系優(yōu)化調(diào)度[M]. 北京：科學(xué)出版社，2008.

[28]NOAA. Algal Bloom Forecasting System[OL]. [2013-10-31]. http：//tidesandcur-rents.noaa.gov/hab/.endprint

[29]陳翔，禹繼華，劉杰，等. 洪澤湖藍(lán)藻暴發(fā)的氣象條件分析[J]. 安徽農(nóng)業(yè)科學(xué)，2010，38（15）：8141-8142，8177.

[30]Reynolds C S. The ecology of the planktonic blue-green algae in the North Shropshire meres[J]. Field Studies，1971，3：409-432.

[31]Wei B，Sugiura N，Maekawa T. Use of artificial neural network in the prediction of algal blooms[J]. Water Research，2001，35（8）：2022-2028.

[32]Rechnagel F. ANNA-Artificial neural network model for predicting species abundance and succession of blue-green algae[J]. Hydrobiologia，2004，349（1/2/3）：47-57.

[33]Oliver R L，Ganf G G. Freshwater blooms. In：Whitton[C]. Netherlands：Kluwer Academic Publishers，2000：149-194.

[34]周立國(guó)，馮學(xué)智，王春紅，等. 太湖藍(lán)藻水華的MODIS衛(wèi)星監(jiān)測(cè)[J]. 湖泊科學(xué)，2008，20（2）：203-207.

[35]Reynolds C S，Irish A E，Elliott J A. The ecological basis for simulating phytoplankton responses to environmental change（PROTECH）[J]. Ecological Modelling，2001，140（3）：271-291.

[36]Australian and New Zealand Environment and Conservation Council. Australian water quality guidelines for fresh and Marine waters，National water quality management strategy[R]. Canberra：Australian and New Zealand Environment and Conservation Council，1992.

[37]張大維，劉博，劉琪. EViews數(shù)據(jù)統(tǒng)計(jì)與分析教程[M]. 北京：清華大學(xué)出版社，2010：160-161.

[38]顧蘇莉，陳方，孫將陵. 太湖藍(lán)藻監(jiān)測(cè)及暴發(fā)情況分析[J]. 水資源保護(hù)，2011，27（3）：28-32.

[39]李旭文. Landsat-7 SLC-OFF ETM遙感數(shù)據(jù)下載及在太湖藍(lán)藻水華監(jiān)測(cè)中的應(yīng)用[J]. 環(huán)境監(jiān)測(cè)管理與技術(shù)，2009，21（3）：54-57.

[40]汪昌云，戴穩(wěn)勝，張成思. 基于EViews的金融計(jì)量學(xué)[M]. 北京：中國(guó)人民大學(xué)出版社，2011：59.吉林，孟慶俊. 干旱礦區(qū)耕地保水劑的篩選[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（1）：343-346.endprint

[29]陳翔，禹繼華，劉杰，等. 洪澤湖藍(lán)藻暴發(fā)的氣象條件分析[J]. 安徽農(nóng)業(yè)科學(xué)，2010，38（15）：8141-8142，8177.

[30]Reynolds C S. The ecology of the planktonic blue-green algae in the North Shropshire meres[J]. Field Studies，1971，3：409-432.

[31]Wei B，Sugiura N，Maekawa T. Use of artificial neural network in the prediction of algal blooms[J]. Water Research，2001，35（8）：2022-2028.

[32]Rechnagel F. ANNA-Artificial neural network model for predicting species abundance and succession of blue-green algae[J]. Hydrobiologia，2004，349（1/2/3）：47-57.

[33]Oliver R L，Ganf G G. Freshwater blooms. In：Whitton[C]. Netherlands：Kluwer Academic Publishers，2000：149-194.

[34]周立國(guó)，馮學(xué)智，王春紅，等. 太湖藍(lán)藻水華的MODIS衛(wèi)星監(jiān)測(cè)[J]. 湖泊科學(xué)，2008，20（2）：203-207.

[35]Reynolds C S，Irish A E，Elliott J A. The ecological basis for simulating phytoplankton responses to environmental change（PROTECH）[J]. Ecological Modelling，2001，140（3）：271-291.

[36]Australian and New Zealand Environment and Conservation Council. Australian water quality guidelines for fresh and Marine waters，National water quality management strategy[R]. Canberra：Australian and New Zealand Environment and Conservation Council，1992.

[37]張大維，劉博，劉琪. EViews數(shù)據(jù)統(tǒng)計(jì)與分析教程[M]. 北京：清華大學(xué)出版社，2010：160-161.

[38]顧蘇莉，陳方，孫將陵. 太湖藍(lán)藻監(jiān)測(cè)及暴發(fā)情況分析[J]. 水資源保護(hù)，2011，27（3）：28-32.

[39]李旭文. Landsat-7 SLC-OFF ETM遙感數(shù)據(jù)下載及在太湖藍(lán)藻水華監(jiān)測(cè)中的應(yīng)用[J]. 環(huán)境監(jiān)測(cè)管理與技術(shù)，2009，21（3）：54-57.

[40]汪昌云，戴穩(wěn)勝，張成思. 基于EViews的金融計(jì)量學(xué)[M]. 北京：中國(guó)人民大學(xué)出版社，2011：59.吉林，孟慶俊. 干旱礦區(qū)耕地保水劑的篩選[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（1）：343-346.endprint

[29]陳翔，禹繼華，劉杰，等. 洪澤湖藍(lán)藻暴發(fā)的氣象條件分析[J]. 安徽農(nóng)業(yè)科學(xué)，2010，38（15）：8141-8142，8177.

[30]Reynolds C S. The ecology of the planktonic blue-green algae in the North Shropshire meres[J]. Field Studies，1971，3：409-432.

[31]Wei B，Sugiura N，Maekawa T. Use of artificial neural network in the prediction of algal blooms[J]. Water Research，2001，35（8）：2022-2028.

[32]Rechnagel F. ANNA-Artificial neural network model for predicting species abundance and succession of blue-green algae[J]. Hydrobiologia，2004，349（1/2/3）：47-57.

[33]Oliver R L，Ganf G G. Freshwater blooms. In：Whitton[C]. Netherlands：Kluwer Academic Publishers，2000：149-194.

[34]周立國(guó)，馮學(xué)智，王春紅，等. 太湖藍(lán)藻水華的MODIS衛(wèi)星監(jiān)測(cè)[J]. 湖泊科學(xué)，2008，20（2）：203-207.

[35]Reynolds C S，Irish A E，Elliott J A. The ecological basis for simulating phytoplankton responses to environmental change（PROTECH）[J]. Ecological Modelling，2001，140（3）：271-291.

[36]Australian and New Zealand Environment and Conservation Council. Australian water quality guidelines for fresh and Marine waters，National water quality management strategy[R]. Canberra：Australian and New Zealand Environment and Conservation Council，1992.

[37]張大維，劉博，劉琪. EViews數(shù)據(jù)統(tǒng)計(jì)與分析教程[M]. 北京：清華大學(xué)出版社，2010：160-161.

[38]顧蘇莉，陳方，孫將陵. 太湖藍(lán)藻監(jiān)測(cè)及暴發(fā)情況分析[J]. 水資源保護(hù)，2011，27（3）：28-32.

[39]李旭文. Landsat-7 SLC-OFF ETM遙感數(shù)據(jù)下載及在太湖藍(lán)藻水華監(jiān)測(cè)中的應(yīng)用[J]. 環(huán)境監(jiān)測(cè)管理與技術(shù)，2009，21（3）：54-57.

[40]汪昌云，戴穩(wěn)勝，張成思. 基于EViews的金融計(jì)量學(xué)[M]. 北京：中國(guó)人民大學(xué)出版社，2011：59.吉林，孟慶俊. 干旱礦區(qū)耕地保水劑的篩選[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（1）：343-346.endprint