基于BP人工神經網絡平潭海域赤潮葉綠素a濃度模型演算研究

許陽春, 張明峰, 蘇玉萍, 洪 頤, 蘇金洙, 陳晶晶

基于BP人工神經網絡平潭海域赤潮葉綠素濃度模型演算研究

許陽春1, 2, 張明峰3, 蘇玉萍1, 2, 洪 頤4, 蘇金洙1, 2, 陳晶晶1

(1. 福建師范大學 環境科學與工程學院, 福建 福州 350007; 2. 福建省污染控制與資源循環重點實驗室, 福建 福州 350007; 3. 福建師范大學 地理科學學院, 福建 福州 350117; 4. 法國巴黎高科路橋學院, 法國 巴黎 77455)

以福建平潭海域為研究對象、以葉綠素濃度為輸出指標, 根據2009-2018年赤潮期數據規律及2013-2017年海洋監測數據主成分分析結果, 對擬構建的BP模型進行輸入指標篩選, 選定結果包括4個氣象因子和4個水質因子。基于此結果, 對2013-2017年的698組海洋監測數據中葉綠素濃度進行歸一化處理并進行模型演算, 隨機選取80%數據作為演算模型的訓練樣本, 其余進行模型驗證。通過交叉變換輸入指標, 尋求最優的輸入節點組合, 以氣溫、溶解氧濃度、日照時長指標為輸入參數時, BP模型誤差較小(均方根誤差為0.05 μg/L, 平均絕對誤差為0.03 μg/L), 演算結果精度較高(可決系數2=0.81)。以上結果表明, 氣溫、溶解氧濃度和日照時長對葉綠素濃度表征效果較好, 可為平潭海域以葉綠素濃度作為判定指標的赤潮預警研究提供參考。

BP人工神經網絡; 赤潮; 葉綠素濃度; 平潭海域

我國海域遼闊、海洋資源豐富, 合理開發海洋資源是發展我國海洋經濟、大力推進生態文明建設的重要內容。然而, 海洋經濟的快速發展也給海洋環境造成了巨大壓力, 海洋環境的持續惡化使赤潮等海洋災害問題日益凸顯[1]。1995-2014年, 我國近海海域發生赤潮1 160余起, 累計影響面積約214 700 km2,其中近70起典型赤潮事件造成的經濟損失高達36億元[2]。例如, 2012年5月, 福建近海海域發生以米氏凱倫藻為優勢種、面積達323 km2的赤潮災害, 造成直接經濟損失20.11億元[3]。更為嚴重的是有害藻毒素會對水生生物造成嚴重危害, 威脅人類健康[4]。因其產生的種種危害, 赤潮引起了世界各沿海國家、地區的高度重視[5-7]。

為有效跟蹤赤潮發展、減弱其環境危害, 國內外學者利用數學技術綜合分析赤潮歷史數據、影響因子及其發生機理, 建立應用型的赤潮預警模型, 但赤潮的發生受多種因素綜合影響, 預測難度較大, 相關研究仍處于探索階段[8]。目前, 葉綠素濃度和藻密度是國際上較為認可的赤潮預警表征因子。例如, Noh等[9]研究開發了一種新型的地球靜止海洋彩色成像儀(GOCI)赤潮量化算法, 結果顯示東海葉綠素濃度與赤潮呈現較高相關性, 在一定程度上可用于赤潮災害的及時量化; Sun等[5]基于模糊推理和集合法原理, 提出了一種可獲得赤潮類型和藻密度的預報方法, 實驗結果表明, 該方法的赤潮預測性能明顯優于其他單一分類器。隨著營養鹽在線連續監測的實現, 以營養鹽作為判定指標的赤潮預警模型得到了廣泛的驗證, 研究表明,根據現有海水氮濃度數據建立的灰色Verhulst模型檢驗結果較理想, 其最優預測值與實測氮濃度吻合度較高, 這說明基于背景值和時間響應公式的模型優化方法在模型構建及赤潮預報中是可靠的[10]。盡管如此, 上述模型的不足之處也很突出, 例如, 以影響赤潮發生的某一特定因素為因子構建的預警模型容錯性較差, 且野外監測數據的誤差會進一步降低預測模型的精度。因此, 開發一種具有自適應及數據容差性的預測模型尤為重要。人工神經網絡具有信息分布式存儲與并行計算、存儲與處理一體化, 以及較強的容錯性和適應性等特征, 目前已被廣泛應用于解決復雜背景下的赤潮預警問題[11]。常見的人工神經網絡包括BP神經網絡、徑向基函數神經網絡、廣義回歸神經網絡等。近年來, BP神經網絡算法在赤潮預警中的應用備受關注。例如, 馬玉梅等[12]利用BP神經網絡算法, 建立了理化因子與夜光藻密度的非線性預報模型, 并證實該模型對赤潮預報是行之有效的。不同的是, 蘇新紅等[13]將氣象因子和赤潮面積等級分別作為BP神經網絡的輸入和輸出因子, 建立了福建近海海域赤潮預警模型并實現了初步應用。但赤潮面積估算方法尚未成熟統一, 可能存在較大誤差; 而赤潮藻種類繁多且形態大小不一, 以藻密度作為判定指標也未實現分類預警, 故以此作為表征指標的預警模型存在誤差的可能性更高。因此建立一個可實現短期預報、判定指標相對精確并能穩定表征赤潮發生的預警模型具有重要的理論意義與現實價值。

本文以平潭海域為立足點, 綜合赤潮機理和數理統計分析結果篩選出對赤潮發生影響較大的環境因子, 在此基礎上, 構建了平潭海域赤潮葉綠素濃度BP人工神經網絡演算模型, 為實現平潭海域的赤潮預警提供參考。

1 研究區及數據來源

1.1 研究區概況

平潭綜合實驗區為福建省福州市轄縣, 位于福建省東部沿海, 介于119°32′E~120°10′E, 25°15′N~25°45′N之間, 東臨臺灣海峽, 是中國大陸與臺灣島距離最近的地方。全縣由大小126個島嶼, 167個巖礁組成, 總面積370.90 km2, 海域面積6 064 km2。其中海壇島為主島, 地勢南北高, 且多為起伏的丘陵與低山, 中部較低為海積平原, 面積251.40 km2, 海岸線長408.73 km, 是全國的第五大島, 福建省第一大島[14]。作為海島縣,平潭具有豐富的海洋資源和較大的發展潛力, 是著名的漁業基地。但近年來, 平潭赤潮頻發給其海洋經濟帶來了嚴重損失[15], 因此, 本研究選擇平潭島所轄近海海域(距岸10 km左右)作為研究對象, 探索赤潮葉綠素濃度BP人工神經網絡演算模型的構建。

1.2 數據來源

本研究中, 利用2009-2018年平潭赤潮災害信息, 對其赤潮規律進行了探索, 初步掌握平潭海域赤潮基本情況, 以便對擬構建的演算模型輸入指標從機理層面進行把控。模型構建數據來源于福建省海洋與漁業廳提供的2013—2017年的698組海洋監測有效樣本數據, 經歸一化處理后, 建立各環境因子與葉綠素濃度的BP人工神經網絡赤潮演算模型, 為初步建立平潭海域赤潮預警系統提供依據。其中, 海洋監測數據中的氣象資料來源于中國氣象網, 包括平潭海域2013—2017年的風速、降水量、日照時數、氣溫4個指標。

2 BP人工神經網絡模型構建

2.1 BP神經網絡概念及其訓練過程

BP神經網絡是基于誤差反向傳播算法的多層前饋型人工神經網絡。利用BP神經網絡可以對組成前向多層網絡的各人工神經元之間的連接權值進行不斷地修改, 從而使該前向多層網絡能夠將輸入信息接近所期望的輸出信息。BP神經網絡結構一般包括輸入層、隱含層和輸出層, 同一層的各個神經元之間互不連接, 相鄰層的各個神經元之間全部互連[16]。BP神經網絡的訓練過程如圖1所示。

圖1 BP神經網絡的訓練過程

2.2 BP神經網絡模型樣本選擇和數據處理

本研究采用698組樣本, 包括風速(m/s)、降水量(mm)、日照時數(h)、氣溫(℃)、水溫(℃)、鹽度、pH、溶解氧(mg/L)、葉綠素濃度值(μg/L)。

為減少離散樣本數據對演算精度的影響, 在進行BP神經網絡模型構建、訓練和演算前, 對樣本原始數據進行歸一化處理, 本研究采用的歸一化公式如下:

式中,x為第個樣本值;′是為第個數據x的歸一化值;min為樣本數據中的最小值;max為樣本數據中的最大值。

2.3 BP神經網絡模型構建

模型輸入層、輸出層和隱含層節點個數輸入層神經元的個數由研究人員確定, 包括氣象因子: 風速(m/s)、降水量(mm)、日照時數(h)、氣溫(℃); 水質因子: 水溫(℃)、鹽度、pH、溶解氧(mg/L)。葉綠素濃度值作為輸出層的一個節點。參考下面的經驗公式[16]確定隱含層節點的個數:

式中,為隱含層神經元個數,為輸出層神經元個數,為輸入層神經元個數,為0~10的常數。本研究結合經驗公式, 利用MATLAB語言的程序在隱含層節點數的大致范圍內不斷試運行最終確定最佳的隱含層節點數。

輸入層至隱含層的傳遞函數[16]雙曲正切S型(Sigmoid)傳遞函數

隱含層至輸出層的傳遞函數[16]對數S型(Sigmoid)傳遞函數

最大迭代次數本研究取50 000次, 保證模型的計算能夠收斂。

允許誤差本研究取0.000 001, 即當計算誤差結果小于該值時, 訓練停止, 輸出結果。

2.4 BP人工神經網絡模型演算

本研究采用的取樣方法: 對698組數據進行隨機排序, 從數據集序列中隨機選取80%作為模型的訓練數據, 其余20%的樣本數據作為測試數據。為綜合分析和深入挖掘數據, 本研究以不同的環境因子指標組合作為模型輸入參數, 進行BP神經網絡模型的訓練和演算。

模型輸入層、輸出層和隱含層節點個數: 設置1~8個輸入層神經元節點, 1個輸出層節點, 分別進行模型的訓練。通過不斷變化輸入節點的組合, 以尋求精度最高的輸入節點組合, 達到預期的演算精度。將對赤潮發生具有較大影響的環境因子: 水溫(℃)、氣溫(℃)、日照時數(h)、降水量(mm)、風速(m/s)、鹽度、溶解氧(mg/L)作為輸入因子。模型最佳的隱含層節點個數為12。這是結合經驗公式得其大致范圍, 再通過大量的訓練和演算實驗確定下來的。模型的最大迭代次數為50 000次, 參數設置訓練目標為每次訓練之間數據誤差容限為10–6, 當模型達到誤差容限時, 模型停止運行, 給出葉綠素模擬圖。利用模擬圖導出歸一化實測值和模型演算值, 計算模型的誤差和精度。

2.5 模型精度評價標準

模型評價標準參考Qin[8]等的ARIMA-DBN模型的標準均方誤差(RMSE(μg/L))、平均絕對誤差(MAE(μg/L))及可決系數(2), 公式如下:

RMSE是指參數估計值與參數真值之差平方的期望值, 可以評價數據的變化程度, RMSE的值越小, 說明預測模型描述實驗數據具有更好的精確度; MAE是絕對誤差的平均值, 能更好地反映計算值誤差的實際情況;2是綜合度量預警模型對樣本觀測值擬合優度的度量指標。可決系數越大, 說明在總變差中由模型作出了解釋的部分占的比重越大, 模型擬合度越好。

3 結果與討論

3.1 2009-2018年平潭海域赤潮特征

3.1.1 平潭海域赤潮年際變化特征

2009-2018年平潭海域赤潮發生基本情況如表1所示。近10 a平潭沿海共發生赤潮14起, 其中2012、2013年均發生3起, 達到近10 a最高。每年平潭海域都會受到赤潮不同程度的影響, 年均持續天數達6.4 d。但自2013年以來, 赤潮總影響面積、發生起數大體上呈現遞減趨勢。發生這一變化的原因與近年來政府環保政策的實施、人類活動對近海海域環境影響可能有一定的關系, 具體的影響機制還有待研究。從圖2中可以看出, 平潭海域赤潮持續時間的區間比例最高為71.4%, 對應于赤潮持續時間1~5 d; 赤潮最大影響面積的區間比例最大為61.5%, 表明每起赤潮的最大影響面積集中在20 km2以下。

表1 2009-2018年平潭海域赤潮發生的基本情況

圖2 2009-2018年平潭海域赤潮(a)持續時間的區間比例和(b)最大影響面積的區間比例

赤潮發生存在這種差異的原因是多方面的: 一方面, 年際氣候變化具有周期性的特征, 這將會對赤潮的發生頻率帶來一定的影響; 另一方面是氣候差異引起的, 常年氣候偏暖的月份更容易引發赤潮, 特別是冬春季比往年暖和的年份, 發生較多赤潮事件的可能性更大[17]。

3.1.2 平潭海域赤潮季節變化特征

近10 a平潭海域赤潮主要發生在春、夏季的4~6月, 5月是平潭赤潮高發期, 其他月份無赤潮發生。平潭島地處臺灣海峽的風口走廊, 屬于東亞季風區, 是東、西風帶交替影響的過渡區, 又受臺灣雨影區的影響, 季節變化明顯[15]。冬季盛行東北季風, 夏季盛行西南季風, 4~6月正是從東北季風轉為西南季風的轉風階段。對于福建海域底層流, 流向始終北上, 而表層流則不同。東北季風盛行時, 福建海域東海岸的表層流受到風場的影響, 流向向南, 與底層流方向相反; 西南季風盛行時, 表層流在風場的影響下, 流向與底層流一致, 這就使得福建海域北上的海流急劇加強, 再加之4~6月恰逢平潭雨季, 結果導致水溫升高、鹽度降低, 近岸上升流加大等海洋環境變化, 在這種特殊的水文環境下, 孕育了平潭海域的多起赤潮[18]。

2009—2018年平潭海域引發赤潮頻次較高的優勢藻種為東海原甲藻和夜光藻。這兩種優勢藻種在2009—2018年10年時間里共引發了13起赤潮(東海原甲藻5起, 夜光藻8起), 占2009—2018年赤潮發生總數的92.9%。平潭海域多發夜光藻赤潮, 尤其是近年來赤潮發生頻率升高, 這與水體富營養化有重要關系。夜光藻赤潮發生前, 海水中硅藻大量繁殖, 甚至于硅藻赤潮的發生, 這為夜光藻提供了足夠的餌料。平潭海域位于福建沿岸海域的中部區域, 與港灣、河口區不同的是平潭海域常年受各種水系的控制, 并存在上升流。平潭海域多發夜光藻赤潮, 可能與其復雜的水文環境有一定的關系[19]。東海原甲藻赤潮在平潭海域頻發的原因是在東海原甲藻赤潮暴發前有一個升溫過程, 赤潮前期的較高溫度對東海原甲藻的大量增殖, 形成赤潮有誘導作用。而5月份是平潭入夏的時期, 恰逢平潭海域氣溫突破20℃, 海水溫度突破17℃, 6月份持續升溫, 使溫度處于上升趨勢之中, 這樣的溫度條件, 有利于東海原甲藻赤潮的發生與發展[20-21]。另外, 營養物質的大量富集也促進了東海原甲藻赤潮的形成, 平潭春夏季的多雨天氣為海洋輸送了大量的營養鹽, 改變了平潭海域的營養條件, 東海原甲藻又具有較強的種間競爭力, 這些都為東海原甲藻的增殖提供了有利條件[22-23]。

3.2 BP人工神經網絡模型演算結果分析

在綜合分析和深入挖掘數據的基礎上, 本研究選取不同的輸入節點進行BP神經網絡模型的訓練和演算。在大量的訓練和演算實驗中, 選取葉綠素實測值與葉綠素BP模型演算值相關性較強的輸入節點。將不同的指標組合作為輸入層的神經元進行模型的訓練和演算, 分析輸出結果, 然后通過不斷優化網絡的輸入節點, 使BP神經網絡模型更加準確地刻畫出各環境因子與葉綠素濃度值的非線性關系。

赤潮的暴發受各環境因子的綜合影響, 而葉綠素含量與浮游植物細胞密度具有相關性, 能在一定程度上表征赤潮藻種的生長情況, 因此, 將各輸入指標與葉綠素之間的關系進行主成分分析(圖3), 篩選出與葉綠素相關性較強的影響因子進行模型的演算, 以提高模型的演算精度。通過主成分分析可知, 氣溫、水溫、DO、日照、鹽度在第一主成分貢獻率較高, 分別達到了0.53、0.49、–0.50、0.35、0.29。此外, pH在第二主成分的貢獻率達到了0.73, 故將這一指標疊加到模型演算中。將篩選出的環境因子通過多輸入指標組合進行BP模型的建模分析, 環境因子組合的部分演算結果誤差及可決系數2如表2所示。根據Qin等[8]ARIMA-DBN模型的評價標準, 為了更加精準的預測赤潮, RMSE和MAE應當盡可能小,2盡可能逼近1。各演算誤差RMSE均小于0.1 μg/L、MAE均小于0.05 μg/L, 各組合差別不大。在這個基礎上篩選出相關性較高的, 使得模型的預測結果盡可能可靠。根據表2可以看出組合6的演算結果誤差較小, RMSE=0.05 μg/L, MAE=0.03 μg/L, 可決系數2達到0.81, 擬合度較好, BP神經網絡對應樣本的相關性較高, 即該模型的預測結果與實際發生情況的相關度較高, 這一結果達到期望精度。在組合6的擬合圖中(見圖4)可以看出葉綠素的BP模型演算值與實測值的趨勢大體一致, 多數模型演算值與實測值極為接近。模型演算值峰值與實測值峰值不僅在同一點出現, 且模型演算值峰值高于實測值, 這對于赤潮預警極為重要, 可以使相關部門提前對赤潮的發生做好防范工作, 以減少赤潮帶來的損失。因此, 可以認為以氣溫、日照、DO作為BP神經網絡的輸入指標進行演算時, 模型訓練結果可以獲取有效的學習經驗。

圖3 2013-2017年平潭海域赤潮歷史數據主成分分析結果

表2 部分模型演算輸出結果的RMSE、MAE、R2

圖4 氣溫、日照時數、DO作為輸入指標的葉綠素a的擬合結果

4 主要結論

本研究對平潭海域2009-2018年發生的14起赤潮進行了規律性的探索, 平潭海域赤潮主要發生在春季和夏季, 具有較為明顯的季節特征, 5月是其赤潮高發期。赤潮年均持續時間6.4 d, 影響面積集中在20 km2以下。2009—2018年在平潭海域引發赤潮最多的藻種為夜光藻, 其次為東海原甲藻, 且引發赤潮的優勢藻種具有演替規律。

應用BP神經網絡模型, 將篩選出的水質因子和氣象因子交叉組合, 作為模型的輸入層節點, 葉綠素濃度值作為模型輸出層節點, 進行模型訓練。不斷優化輸入指標組合進行演算, 結果表明, 以氣溫、日照、DO多指標組合作為模型輸入節點的BP人工神經網絡模型的演算精度較高, 其精度達到模型的期望值, 誤差RMSE=0.05 μg/L, MAE=0.03 μg/L, 模型可決系數2=0.81, 得到相對較好的演算結果, 有望用于平潭海域BP人工神經網絡赤潮預警模型的構建。

[1] 洛昊, 馬明輝, 梁斌, 等. 中國近海赤潮基本特征與減災對策[J]. 海洋通報, 2013, 32 (5): 595-600. Luo Hao, Ma Minghui, Liang Bin, et al. Basic characteristics and disaster reduction measures of red tides in China’s offshore areas[J]. Marine Science Bulletin, 2013, 32 (5): 595-600.

[2] 郭皓, 丁德文, 林鳳翱, 等. 近20 a我國近海赤潮特點與發生規律[J]. 海洋科學進展, 2015, 33(4): 547-558. Guo Hao, Ding Dewen, Lin Feng-ao, et al. Characteristic and patterns of red tides in China coastal waters during the last 20a[J]. Advances in Marine Science, 2015, 33(4): 547-558.

[3] 鄧華, 管衛兵, 曹振軼, 等. 2012年福建沿海大規模米氏凱倫藻赤潮暴發的水文氣象原因探討[J]. 海洋學研究, 2016, 34(4): 28-38. Deng Hua, Guan Weibing, Cao Zhenyi, et al. Analysis of hydrological and meteorological factors causingbloom in 2012along Fujian coast[J]. Journal of Marine Sciences, 2016, 34(4): 28-38.

[4] Wu D N, Chen J H, He X P, et al. Distribution, partitioning, and seasonal variation of lipophilic marine algal toxins in aquatic environments of a typical semi-closed mariculture bay[J]. Environmental pollution, 2019, 255: 113299.

[5] Sun P. Seong R L. Red tides prediction system using fuzzy reasoning and the ensemble method[J]. Applied Intelligence, 2014, 40 (2): 244-255.

[6] 竇勇, 高金偉, 時曉婷, 等. 2000-2013年中國南部近海赤潮發生規律及影響因素研究[J]. 水生態學, 2015, 36(3): 31-37. Dou Yong, Gao Jinwei, Shi Xiaoting, et al. Outbreak frequency and factors influencing red Tides in Nearshore Waters of the South China Sea from 2000 to 2013[J]. Journal of Hydroecology, 2015, 36(3): 31-37.

[7] 孫曉慧. 基于人工神經網絡的赤潮預測方法研究[D]. 舟山: 浙江海洋學院, 2012.Sun Xiaohui. The research of red tide prediction methodbased on artificial neural network[D]. Zhoushan: Zhejiang Ocean University, 2012.

[8] Qin M J, Li Z H, Du Z H. Red tide time series foreca-sting by combining ARIMA and deep belief network[J]. Knowledge-Based Systems, 2017, 125: 39-52.

[9] Noh J H, Kim W, Son S H, et al. Remote quantification ofblooms occurring in the East Sea using geostationary ocean color imager (GOCI)[J]. Harmful Algae, 2018, 73: 129-137.

[10] Hu X M, Wang Y B, Yu Y, et al. Research on the concentration prediction of nitrogen in red tide based on an optimal grey verhulst model[J]. Mathematical Problems in Engineering, 2016, 2016: 1-9.

[11] 毛健, 趙紅東, 姚婧婧. 人工神經網絡的發展及應用[J].電子設計工程, 2011, 19(24): 62-65. Mao Jian, Zhao Weidong, Yao Jingjing. Application and prospect of artificial neural network[J]. Electronic Design Engineering, 2011, 19(24): 62-65.

[12] 馬玉梅, 高靜宇, 王清華. 基于人工神經網絡的赤潮預測模型[J]. 海洋預報, 2007, 24(1): 38-44. Ma Yumei, Gao Jingyu, Wang Qinghua. Forecast model for red tide on artificial neural network[J]. Marine Forecasts, 2007, 24(1): 38-44.

[13] 蘇新紅, 金豐軍, 楊奇志, 等. 基于BP神經網絡模型的福建海域赤潮預報方法研究[J]. 水產學報, 2017, 41(11): 1744-1755. Su Xinhong, Jin Fengjun, Yang Qizhi, et al. Red tide forecasting model based on BP neural network in Fujian sea area[J]. Journal of Fisheries of China, 2017, 41(11): 1744-1755.

[14] 藍虹, 盧君峰, 曹宇峰, 等. 淺析平潭島主要海洋災害及防治對策[J]. 海洋開發與管理, 2014, 31(2): 55- 58. Lan Hong, Lu Junfeng, Cao Yufeng, et al. Analysis on the main marine disasters and control countermeasures in Pingtan Island[J]. Ocean Development and Mana-gement, 2014, 31(2): 55-58.

[15] 陳寶紅, 謝爾藝, 高亞輝, 等.米氏凱倫藻對海洋生物致毒作用的研究進展[J]. 福建水產, 2015, 37(3): 241-249.Chen Baohong, Xie Er-yi, Gao Yahui, et al. Toxic effects of red tide caused byon marine organisms[J]. Journal of Fujian Fisheries, 2015, 37(3): 241-249.

[16] 高丹. 基于BP神經網絡的藻華暴發峰值預警模型研究[D]. 廣州: 廣東工業大學, 2013.Gao Dan. Study on predict model for maximum biomassof algal blooms based on BP neural network[D]. Guang-zhou: Guangdong University of Technology, 2013.

[17] 吳瑞貞. 南海赤潮發生前后階段水文氣象要素演變特征研究[D]. 青島: 中國海洋大學, 2006. Wu Ruizhen. Study on the evolution characteristics of Hydro-meteorological elements around the occurrence of red tide in South China Sea[D]. Qingdao: Ocean University of China, 2006.

[18] 杜琦, 張友權, 高磊, 等. 近年福建海域赤潮的特點及防治對策[J]. 福建水產, 2002, 4: 32-37. Du Qi, Zhang Youquan, Gao Lei, et al. Characteristics and prevention measures of red tide in Fujian coastal area in recent years[J]. Journal of Fujian Fisheries, 2002, 4: 32-37.

[19] 許翠婭, 黃美珍, 杜琦. 福建沿岸海域主要赤潮生物的生態學特征[J]. 臺灣海峽, 2010, 29(3): 434-441. Xu Cuiya, Huang Meizhen, Du Qi. Ecological characteristics of important red tide species in Fujian coastal waters[J].Journal of Oceanography in Taiwan Strait, 2010, 29(3): 434-441.

[20] 卓鑫. 近十年福州沿海赤潮的基本特征研究[J]. 海洋預報, 2018, 35(4): 34-40. Zhuo Xin. Research on the basic characteristics of red tide in Fuzhou coastal waters during the past 10 years[J]. Marine Forecasts, 2018, 35(4): 34-40.

[21] 龍華, 杜琦. 福建沿海米氏凱倫藻赤潮的初步研究[J].福建水產, 2005, 4: 22-26. Long Hua, Du Qi. Primary research onbloom in Fujian coast[J]. Journal of Fujian Fishe-ries, 2005, 4: 22-26.

[22] 李正華. 福建定海灣一次東海原甲藻與夜光藻雙相赤潮淺析[J]. 漁業研究, 2016, 38(2): 132-136. Li Zhenghua. A brief analysis for a bilateral red tide ofandin Dinghai Sea Zone of Fujian Province[J]. Journal of Fisheries Research, 2016, 38(2): 132-136.

[23] Park J, Jeong H J, Yoo Y D, et al. Mixotrophic dino-flagellate red tides in Korean waters: Distribution and ecophysiology[J]. Harmful Algae, 2013, 30: S28-S40.

Calculation of the Chlorophyll-concentration of red tide in the Pingtan Coastal Zone by a BP artificial neural network model

XU Yang-chun1, 2, ZHANG Ming-feng3, SU Yu-ping1, 2, HONG Yi4, SU Jin-zhu1, 2, CHEN Jing-jing1

(1. Environmental Science and Engineering College, Fujian Normal University, Fuzhou 350007, China; 2. Fujian Key laboratory of Pollution Control and Resource Reuse, College of Environmental Science and Engineering, Fujian Normal University, Fuzhou 350007, China; 3. Institution of Geography, Fujian Normal University, Fuzhou 350117, China; 4. LEESU, MA 102, école des Ponts Paris Tech, 77420 Champs-sur-Marne, France)

Based on the change trend of red tide data from 2009 to 2018 and a principal component analysis of ocean monitoring data of Pingtan for the 2013–2017 period, we propose a back propagation (BP) model, which was used to screen input indicators with chlorophyllas an output indicator. Four meteorological factors and four water quality factors were obtained as input indicators. Next, the chlorophyllconcentrations in 698 sets of ocean monitoring data from 2013 to 2017 were normalized and used for model calculation. 80% of the normalized data were randomly selected for use in model training, and the rest were used for model verification. An analysis of the optimal combination of input indexes revealed that when the temperature, dissolved oxygen concentration, and sunshine duration were set as a combination index, the model accuracy was higher than other cases (2= 0.81, RMSE = 0.05 μg/L, and MAE = 0.03μg/L). These results indicate that temperature, dissolved oxygen, and sunshine duration are favorable factors for predicting the chlorophyllconcentration, which could be helpful for forecasting red tides in the Pingtan coastal zone.

BP neural network; red tide; Chlorophyllconcentration; Pingtan coastal zone

Jul. 4, 2019

X55

A

1000-3096(2020)03-0034-08

10.11759/hykx20190704004

2019-07-04;

2020-01-02

國家重點研發計劃(2016YFE0202100); 國家自然科學基金(41573075); 福建省科技廳高校產學合作項目(2017Y4003); 福州市科技局項目(2016-G-68)

[National Key R&D Program of China, No. 2016YFE0202100; National Natural Science Foundation of China, No. 41573075; University- Industry Cooperation Program of Fujian Science and Technology Department, No. 2017Y4003; Fuzhou Science and Technology Bureau Program, No. 2016-G-68]

許陽春(1995-), 女, 山東菏澤人, 碩士研究生, 主要從事赤潮早期預警模型的研究, 電話: 13959186287, E-mail: 1392078785@qq.com; 蘇玉萍(1972-),通信作者, 教授, 研究方向: 陸海水體富營養化防控與生態修復, 電話: 0591-83426504, E-mail: ypsu@fjnu.edu.cn

(本文編輯: 康亦兼)