基于數值分析的藻類生長監測因子關聯性研究

周斌，楊利航，張曉

（1.浙江省環境監測中心，浙江杭州310012；2.浙江環境監測工程有限公司，浙江杭州310012）

基于數值分析的藻類生長監測因子關聯性研究

周斌1，2，楊利航1，2，張曉1，2

（1.浙江省環境監測中心，浙江杭州310012；2.浙江環境監測工程有限公司，浙江杭州310012）

連續監測湖州市與太湖入湖口交界斷面的10項水質指標，分別采用Pearson相關分析法和聚類分析法分析藻類暴發期和非暴發期各項水質指標之間的關聯性。兩種方法分析結果表明：在藻類非暴發期，藻類密度與葉綠素a、CODMn、總磷呈正相關關系，與氮磷比呈負相關關系；在藻類暴發期，藻類密度與葉綠素a、CODMn、pH、DO呈顯著正相關關系；與氨氮、總氮、氮磷比呈顯著負相關關系。通過分析不同時期各藻類生長監測因子間的關聯性，得出不同時期藻類預警監測應重點關注的監測指標，為太湖流域藻類預警監測與防控工作提供技術參考。

藻類；監測因子；聚類分析；相關性

0 前言

近年來，水體環境污染造成的水體富營養化程度日益嚴重，水體的富營養化導致了藻類的異常增殖，尤其是由水體富營養化所引起的藍藻水華現象已成為國內外重點關注的環境問題。藻類的暴發不僅破壞水生生態系統的平衡，還嚴重影響了飲用水源地的用水安全。太湖是長江三角洲地區社會經濟發展的重要水源，由于人口密度大，社會經濟活動頻繁，受生產、生活污水的不斷排入影響，導致太湖自身污染凈化能力有所降低，加之年均氣溫高，降雨豐沛，藻類生物量普遍偏高，存在發生較大藻類水華的風險[1-2]。2007年，太湖藍藻大面積暴發，無錫全城自來水斷供。盡管經過近十年的治理，太湖流域水環境有了明顯改善，但太湖的生態現狀仍然脆弱，每年隨著夏季高溫的到來，仍時有大面積的藍藻暴發。因此，太湖水污染防治一直是各級政府水環境綜合治理規劃的重點。浙江省湖州市位于太湖南岸，市內河網水系與太湖交換密切，其與太湖交界監測斷面是太湖藻類預警應急監測的重要點位。研究湖州與太湖交界斷面水質變化情況，了解藻類暴發期與非暴發期間藻類生物量與各項水質因子之間的關聯性，找出藻類預警應急監測期間應重點關注的水質監測指標，可以為浙江省太湖流域藻類暴發防治監測工作提供技術參考。

1 對象與方法

1.1 采樣點布設

浙江省湖州市的新塘港、新港口、小梅口、城西大橋、港湖大橋5個監測點位為浙江省太湖流域藻類預警應急監測的關鍵點位，在夏秋季太湖藻類暴發期，受太湖水倒灌等影響，藍藻積聚現象發生頻繁，將采樣點位布設在這5個監測點位，具有代表性。

1.2 采樣頻次

于某年1～12月進行一年的連續定位采樣，按照歷年的藻類暴發時間把6月上旬至10月下旬劃分為藻類暴發期，每隔1～2 d在設定采樣點進行采樣1次；其余時間劃分為非藻類暴發期，每周進行采樣1次。

1.3 分析項目與方法

測定分析10個水質因子，每個樣品每個因子重復3次測量。其中10個因子包括理化因子與生物因子，理化因子包括：水溫、pH、溶解氧（DO）、總氮、氨氮、總磷、氮磷比、高錳酸鉀指數（CODMn），評價及分析方法依據《地表水環境質量標準》（GB 3838-2002）；生物因子包括：葉綠素a（Chla）、藻類密度，藻類密度采用YSI-6600便攜式水質監測儀現場監測，葉綠素a測定采用丙酮萃取比色法[4]。

1.4 數據結構

將藻類密度做ln（X+1）變量轉換使其符合正態分布，再按時間順序建立該采樣點理化因子和生物因子的數據庫。

1.5 數據分析方法與原理

1.5.1 聚類分析

聚類分析（Cluster Analysis）是根據事物本身的特征研究個體分類的方法。聚類分析的基本思想認為所研究的樣品或因子之間存在著程度不同的相似性，將相似性較大的因子聚合為一類，把另外一些相似程度較大的因子又聚合為另一類。這樣將所有因子分成許多類別，同一類中的個體有較大的相似性，不同類中的個體差異性很大。

聚類分析根據實際的需要可分為兩類：按樣品進行聚類分析，稱為Q型聚類法；按因子進行聚類分析，稱為R型聚類法。本研究是對水質因子進行分類，采用的是R型聚類法。

1.5.2 數據的標準化

試驗測定的水質因子的量綱不同且數量級相差很大，為了去除因子的量綱對計算的影響，首先對因子的原始數據進行了標準化，采用的標準化公式如下：

式中y1為因子X的標準化數值；Xi為因子X的第i個樣品值；n為樣品數目；X為因子X的平均值，以下在聚類分析提供的數據都是標準化后的數據。

1.5.3 聚類分析中的距離、相似系數

假設有n個樣品，每個樣品測得p項因子，原始資料陣為

其中Xij（i=1，…n；j=1，…；p）為第i個樣品的第j個因子的觀測數據。第i個樣品Xi為矩陣X的第i行所描述，所以任何兩個樣品XK與XL之間的相似性，可以通過矩陣X中的第K行與第L行的相似程度來判斷；任何兩個變量XK與XL之間的相似性，可以通過第K列與第L列的相似程度來判斷。

p個因子之間相似性的定義與樣品相似性定義類似，但此時是在n維空間中來研究的，變量之間的相似性是通過原始資料矩陣X中p列間相似關系來研究的。

這時，每個因子都可以看成是m維空間的一個點，n個因子就組成m維空間的n個點，用各點之間的距離與相似系數來判斷各因子之間的靠近程度。

設dpq為任意兩個因子p、q之間的距離，把因子xp和xq之間的距離簡記為dpq。歐式距離（Euclidean distance，即二階Minkowski距離）dpq的計算公式如下：

1.5.4 離差平方和系統聚類法

選用常用的系統聚類法，令n個樣品自成一類，計算出相似性測度，此時類間距離與樣品間距離是等價的，把測度最小的兩個類合并；然后按照某種聚類方法計算類間的距離，再按最小距離準則并類；這樣每次減少一類，持續下去直到所有樣品都歸為一類為止。離差平方和法（Ward’s method）是系統聚類法的一種，是沃爾德（Ward，1963）首先提出的，其基本思想是同一類內各案例的離差平方和應該較小，不同類的離差平方和應該較大。求解過程是首先使每個案例自成一類，每一步使離差平方和增加，最小的兩類合并為一類，直到所有的案例合并為一類為止。

用G表示類，XG為X中元素的均值，則G的直徑為：

用Dp，Dq分別表示Gp和Gq的直徑，Dp+q用DpYDq表示大類Dw（p，q）的直徑，Dw（p，q）表示Gp和Gq的距離，則：

2 分析與結論

2.1 藻類非暴發期水質因子的線性相關分析

采用Pearson相關分析法對藻類非暴發期監測的10個水質因子進行分析，得到相關系數與伴隨系數（P值）矩陣表。經計算可得Pearson相關系數矩陣，為10×10階對稱矩陣。由于矩陣為對稱矩陣，所以只列出它的上三角部分，詳見表1。

2.1.1 藻類密度與相關因子的關系

目前我國尚無慢阻肺首次確診前錯失早期診斷時間的研究報道。因此本研究重點驗證慢阻肺確診前錯失早期診斷時間是否可以反映慢阻肺的嚴重程度，探討與疾病嚴重程度相關的臨床危險因素，從而進一步探索建立有利于慢阻肺早期確診的方法。

藻類密度是反映水體中浮游植物量最重要的綜合因子，可以較直觀地描述太湖水體富營養的情況，故選它作為指示因子。由表1數據分析可得，在藻類非暴發期，藻類密度與葉綠素a、CODMn、總磷之間均存在顯著正相關關系，與氮磷比呈顯著負相關關系，但相關性程度不高（相關系數均小于0.5）。

表1 藻類非暴發期各水質指標Pearson相關系數矩陣Table 1 The Pearson correlation coefficient matrix of non-outbreak period ofalgae

2.2 藻類非暴發期水質因子的聚類分析

表2為對非暴發期10個水質因子進行聚類分析的詳細過程，合并10個水質因子一共用了9步。圖1為反映聚類全過程的樹形圖。聚類分析結果反映出太湖水質環境的重要特征：在藻類非暴發期，10項因子總體可以分為四類：總氮、氮磷比、氨氮；水溫、pH；總磷、CODMn、DO；葉綠素a、藻類密度。每類之間因子的相關關系較大，且有相同的變化趨勢。

從圖1橫坐標的垂直距離可以看出，藻類密度與葉綠素a的相關性最大，這與用Pearson相關分析的結果一致。葉綠素a通常在水質監測中作為藻類生物量的代表性參數，并且有些研究直接以葉綠素a值直接表征藻類暴發情況。藻類在非暴發時期基本處于休眠的狀態，藻類的生長對湖體的水文參數與理化性質的影響較小。

表2 藻類非暴發期水質因子聚類過程Table 2 The clustering process of water quality factors in non-outbreak period of algae

2.3 藻類暴發期水質因子的線性相關分析

采用Pearson相關分析法對藻類暴發期監測的10個水質因子進行分析，得到相關系數與伴隨系數（P值）矩陣表。經計算可得Pearson相關系數矩陣，為10×10階對稱矩陣。由于矩陣為對稱矩陣，所以只列出它的上三角部分，見表3。

2.3.1 藻類密度與相關因子的關系

2.4 藻類暴發期水質因子的聚類分析

表4為藻類暴發期10個水質因子進行聚類分析的詳細過程，合并10個水質因子一共用了9步。圖2為反映藻類暴發期聚類全過程的樹形圖。聚類結果反映出太湖水質環境的重要特征：在藻類暴發期，10項水質因子總體可以分為四類：總氮、氮磷比、水溫；氨氮、總磷；CODMn、藻類密度、葉綠素a、pH、DO。每類因子之間的相關關系較大，且有相同的變化趨勢。從圖2橫坐標的垂直距離與Pearson相關性分析可以看出，藻類密度與CODMn、葉綠素a的相關性最大，其次是pH、DO，且這些因子均與藻類密度呈顯著正相關關系；另外，藻類密度與總氮、氮磷比、氨氮相關性大且呈顯著負相關。

表3 藻類暴發期Pearson相關系數矩陣Table 3 The Pearson correlation coefficient matrix of outbreak period of algae

分析結果表明藻類密度、CODMn與葉綠素a之間呈現顯著的正相關關系。高錳酸鹽指數（CODMn）主要是指水體中能被高錳酸鉀氧化的有機物含量。在藻類暴發期，太湖藻類的生物量主要呈現不斷增長的趨勢，藻類聚積量會為水體提供有機質源，因此藻類密度與有機污染物的含量變化有同步特點，在藻類生物量高的水體中，可以被氧化的有機物量也高[5]。葉綠素是藻類的重要組成成分之一，葉綠素a的含量與水體中藻類的種類、數量等密切相關，通過測定水體中葉綠素a含量能在一定程度上反映水體的藻類污染狀況[6]。

Pearson相關性和聚類分析表明藻類密度與pH、溶解氧相關性較大，且呈顯著正相關關系，這與張澎浪，鄭曉紅等人[7－8]的研究結果一致。在地表水pH范圍內，碳酸鹽體系中的碳主要以HCO3-形式存在，結合水體碳酸鹽的化學平衡與藻類光合作用原理，在藻類密度較高的水體中，藻類的光合作用向水中釋放了O2和OH-，從而使水中的溶解氧濃度和pH值升高。這說明該港口水體的pH、溶解氧受藻類的大量生長影響較大，在藻類防治預警監測工作中，建議對水體的pH值和溶解氧指標的變化趨勢進行關注。

聚類分析結果顯示，藻類密度的增大伴隨著水體總氮與氨氮含量的減少、氮磷比數值的降低。湖庫浮游藻類的生長是由營養鹽、水文氣象條件等因素控制的，氮、磷營養鹽類是藻類生長的限制因子[9]。藻類的生長、繁殖需要吸收水體中大量的可溶性磷鹽與氮鹽，從而導致水體這些營養鹽含量的減少。太湖四周企業與農田較多，地表特別是農田地區受暴雨徑流、灌溉、河流沖刷的作用會產生土壤流失，農田流失的土壤攜帶有大量磷、氮化合物，使得水體富含磷、氮營養鹽類，即通常所稱非點源污染。湖泊水體中的浮游植物主要利用氨氮和硝態氮進行生產，而由于生物化學的原因氨氮更容易被藻類吸收。另外分析結果表明：在該港口藻類暴發期，磷營養鹽對藻類的影響小于氮對藻類生長的影響。

表4 藻類暴發期水質因子聚類過程Table 4 The clustering process of water quality factors in the outbreak period of algae

圖2 藻類爆發期聚類樹狀圖Fig.2 The clustering dendrogram of outbreak period ofalgae

3 結論

（1）在藻類非暴發期，藻類密度與葉綠素a、CODMn、總磷之間均存在顯著正相關關系，與氮磷比呈顯著負相關關系，但相關性程度不高（相關系數均小于0.5）；其他因子與藻類密度的關聯性不顯著。非暴發期藻類的生長對湖體的水文參數與理化性質的影響較小，建議該時期對藻類密度、葉綠素a、高錳酸鹽指數、總磷等監測指標進行關注。

（2）在藻類暴發期，藻類密度除了與葉綠素a、CODMn關系密切，與水體的pH、溶解氧濃度也呈現顯著的正相關關系；與總氮、氮磷比、氨氮呈顯著負相關關系；但是與藻類非爆發期相比，與總磷的相關性不大。因此，我們可以在太湖流域藻類暴發預警監測工作中，通過監測水體中的藻類密度、pH值、溶解氧濃度、葉綠素a、CODMn的變化，對藻類暴發的趨勢進行預測和風險評估，以便于提前采取相應的有效措施，破壞藻類生長能力，緩解藻類的暴發，防止水質的進一步惡化。

（3）在太湖流域藻類防治工作中，營養鹽的削減仍是最可行的控制途徑。分析結果表明該區域湖體流域氮營養鹽對藻類生長的影響大于磷的影響，可能與該處的氮污染嚴重程度有關，政府部門與其它相關職能部門需注意該港口湖體流域污水處理廠改造，提高流域脫氮能力；減少源頭氮等污染物排放，控制農田人工復合肥料量使用。

參考文獻：

[1]吳攀，鄧建明，秦伯強，等.水溫和營養鹽增加對太湖冬、春季節藻類生長的影響[J].環境科學研究，2013，26（10）：1064-1071.

[2]朱廣偉，金穎薇，任杰，等.太湖流域水庫型水源地硅藻水華發生特征及對策分析[J].湖泊科學，2016，28（1）：9-21.

[3]于海燕，周斌，胡尊英.浙江省太湖交界斷面藻類預警應急監測指標特征分析[J].環境污染與防治，2010，32（2）：59-62.

[4]國家環境保護總局，水和廢水監測分析方法編委會.水和廢水監測分析方法[M].第4版（增補版）.北京：中國環境科學出版社，2008：701-705，722.

[5]張巍，王學軍，江耀慈，等.太湖水質指標相關性與富營養化特征分析[J].環境污染與防治，2002，24（1）：50-53.

[6]金相燦.中國湖泊環境[M].北京：海洋出版社，1995.

[7]張澎浪，孫承軍.地表水體中藻類的生長對pH值及溶解氧含量的影響[J].中國環境監測，2004，20（4）：49-50.

[8]鄭曉紅.地表水中總磷和總氮對藻類生長的影響以及藻類生長對pH值和溶解氧含量的影響[J].儀器儀表與分析監測，2012，（3）：43-45.

[9]申哲民，張濤，馬晶，等.富營養化與溫度因素對太湖藻類生長的影響研究[J].環境監控與預警，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產線點“墨”成金

（丁文供稿）

2017-05-02

浙江省環保科研項目（2016A011）。

周斌（1985-），男，浙江杭州人，碩士，工程師，主要從事環境監測方面的工作研究。E-mail:34299660@qq.com。

石墨銷售價格是按照顆粒大小和純度來決定的，顆粒越大、純度越高的石墨價格越貴，所以選用專業加工設備至關重要。由于我國并不掌握石墨深加工核心技術，而先進石墨加工技術被美、日、歐盟等壟斷，導致我國石墨資源“低出高進”，外國“以購代采”的狀態長期存在。如何改變這一現狀，將石墨資源優勢轉化為經濟優勢？浙江力普粉碎設備有限公司一馬當先，發揮自身長期從事粉碎設備行業累積的經驗優勢，根據用戶實際需求研制的“GCL系列石墨粉碎球化生產線”（省級新產品試制計劃項目，編號：2016D60SA642837）為國內的石墨粉碎深加工行業解決了一大難題，成為行業的佼佼者。該生產線采用系列微粉機和大小渦輪分級機的優化配置，解決了生產線上下游產量的銜接問題。研制的負壓除塵回收系統，采用自動加料系統和風網系統，將生產線中的全部尾粉在出口統一收集，提高生產線的自動化程度，防止粉塵污染。日前，這一成果在杭州通過省級新產品鑒定，專家認為該技術處國內領先水平。