基于PCA和SOM模型的龍感湖水質時空動態研究

肖靈君 王普澤,3 熊滿堂 葉少文 張堂林 劉家壽 李鐘杰

(1. 中國科學院水生生物研究所淡水生態與生物技術國家重點實驗室, 武漢 430072;2. 中國科學院大學, 北京 100049; 3. 大連海洋大學, 大連 116023)

龍感湖是長江中下游重要的淡水濕地, 具有涵養水源、調蓄洪水和維持生物多樣性等重要生態功能[1]。龍感湖曾是養殖開發的優良水域, 過去20多年間實施以圍欄養殖為主的漁業生產模式[2]。圍欄養殖雖大幅增加了漁產量和漁民收入, 但高強度的養殖方式也造成了嚴重的環境問題, 如棲息地破碎、漁業資源枯竭、生物多樣性降低、生態系統退化及水體富營養化加劇等[3—5]。為加強湖泊生態保護, 改善湖泊生態環境, 中央及地方政府發布了一系列的管理方案和意見, 強令禁止圍欄圍網養殖, 龍感湖目前已完成了圍欄圍網的拆除整治工作,有必要對該湖漁業養殖模式轉型階段的水環境動態進行監測和評估。

一般而言, 水環境評價可分為單項評價和多項綜合評價, 單項評價是根據國家標準和湖泊環境本底值, 評價主要水質參數的超標程度, 計算相對容易; 綜合評價則是考慮水體中主要污染物的綜合作用, 確定水質的綜合級別。常用的地表水水質綜合評價方法有模糊評價法、灰色系統評價法、層次分析法、主成分分析、聚類方法、人工神經網絡法和水質標識指數法等[6,7]。

本研究以長江中下游典型淺水養殖型湖泊龍感湖為研究地點, 于2017—2018年對該湖的2個跨省界水域(湖北省黃梅水域和安徽省宿松水域)的水質狀況進行周年季度調查, 通過主成分分析(PCA)和自組織特征映射人工神經網絡(SOM)模型, 定量分析主要水質參數的時空動態, 同時采用綜合營養狀態指數法對水體富營養化狀況進行評價, 以期為我國湖泊漁業養殖模式轉型的環境效應評估和湖泊生態系統長期監測提供參考。

1 材料與方法

1.1 研究地點

龍感湖(115°59′—116°18′E, 29°51′—30°05′N)位于長江下游北岸, 與南岸的鄱陽湖隔江相望, 北依大別山, 東臨大官湖, 西近太白湖, 系古長江變遷與跨長江兩岸古彭蠡澤解體后的殘跡湖[8]。該湖屬于跨省界淺水湖泊, 包括湖北省的黃梅水域和安徽省的宿松水域(以圍網分隔, 圖 1), 是傳統的高強度圍欄養殖湖泊。在農業農村部關于加快推進漁業轉方式調結構的指導意見和地方政府管理部門的有力推動下, 該湖黃梅水域和宿松水域分別于2017年夏季和2018年初完成了養殖圍欄的拆除工作。根據水域空間特征和圍欄拆除時間情況, 在黃梅水域和宿松水域共設置15個采樣點(圖 1), 于2017年冬季(12月)和2018年春季(4月)、夏季(8月)、秋季(11月)對主要水質參數進行周年季度調查。

圖1 龍感湖輪廓圖及采樣點分布Fig. 1 Sketch map of Longgan Lake and the distribution of sampling sites

1.2 水樣采集和分析

水樣采集時在各采樣點現場測量水深(WD)和透明度(SD), 通過便攜式多參數水質分析儀(YSI)測定pH、水溫(WT)、溶解氧(DO)和電導率(Cond);用采水器取中上層水樣, 注入1 L塑料瓶密封保存,帶回實驗室檢測。主要水質指標按照《湖泊生態調查觀測和分析》、《水和廢水監測分析方法-第四版》 和《地表水環境質量標準(GB3838-2002)》規定的標準方法進行分析測定, 其中總氮(TN)、亞硝酸氮( NO－2-N)、氨氮(N H+4-N)和高錳酸鹽指數(CODMn)分別采用堿性過硫酸鉀消解-紫外分光光度法、N- (1-萘基) -乙二胺分光光度法、納氏試劑分光光度法和高錳酸鉀氧化滴定法, 總磷(TP)采用過硫酸鉀氧化-鉬酸銨分光光度法, 葉綠素a含量采用丙酮萃取分光光度法。

1.3 水域營養狀態評價

采用環境保護部《地表水環境質量評價方法(試行)》(2011年)[9]規定的綜合營養狀態指數法TLI(Σ)對龍感湖水域營養狀態進行數值化分級評價, 選擇的參數包括葉綠素a(Chl.a)、總磷(TP)、總氮(TN)、透明度(SD)和高錳酸鹽指數(CODMn)。

計算各參數的營養狀態指數TLI, 計算公式為:

式中, 葉綠素a(Chl.a)單位為mg/m3, 透明度 SD單位為 m; 其他指標單位均為 mg/L。

計算各參數的TLI在TLI(Σ)中所占的相關權重Wj, 計算公式為:

式中,m為評價參數的個數;rij為第j種參數與基準參數Chl.a的相關系數;Wj為第j種參數的營養狀態指數的相關權重。

中國湖泊(水庫)的Chl.a與其他參數之間的相關關系rij及r見表 1。

表1 中國湖泊(水庫)部分參數與Chl.a的相關關系 rij 及r值[9]Tab. 1 Correlation between some parameters of lakes (reservoirs)and Chl.a in China rij and r values

表1 中國湖泊(水庫)部分參數與Chl.a的相關關系 rij 及r值[9]Tab. 1 Correlation between some parameters of lakes (reservoirs)and Chl.a in China rij and r values

參數Parameter Chl.a SD COD Mn TP TN rij 1 -0.83 0.83 0.84 0.82 r2ij 1 0.6889 0.6889 0.7056 0.6724

計算綜合營養狀態指數, 計算公式為:式中,TLI(∑)為綜合營養狀態指數;m為評價參數的個數;TLI(j)為第j種參數的營養狀態指數。

湖泊營養狀態分級, 采用0—100的一系列連續數字對湖泊(水庫)營養狀態進行分級(表 2)。

表2 湖泊(水庫)綜合營養狀態指數TLI (∑)與營養狀態的對應關系[9]Tab. 2 The corresponding relationship between the comprehensive trophic level index TLI (∑) and trophic level of lakes (reservoirs)

1.4 數據分析

主成分分析法(PCA)是將原有多個變量降維處理為少數幾個綜合指標的一種統計分析方法, 將原來眾多的具有一定相關性的變量重新組合成新的少數幾個綜合變量(主成分)。本研究主成分分析選取4個季節15個樣點的14個變量, 即水深(WD)、透明度(SD)、pH、水溫(WT)、溶解氧(DO)、電導率(Cond)、特定電導率(SPC)、總氮(TN)、總磷(TP)、亞硝酸氮(N O－2-N)、氨氮(N H+4-N)、高錳酸鹽指數(CODMn)、葉綠素a(Chl.a)和水域地點, 共同構成一個60×14的矩陣。應用統計分析軟件R 3.5.2進行主成分分析并作圖描述水質的季節差異。

自組織映射圖譜(Self-organizing map, SOM)是由芬蘭赫爾辛基大學Teuvo Kohonen教授提出的一種非監督人工神經網絡(Artificial neural network,ANN), 因此也稱為Kohonen神經網絡。SOM對非線性數據具有很強的聚類功能, 可將高維數據矩陣降為二維或一維拓撲結構, 是一種競爭式學習網絡,具有無監督自組織學習的能力。

SOM學習算法分為兩步, 即自組織訓練和輸出特征圖[10]。在SOM模型的自組織訓練過程中, 訓練樣本數據經過競爭學習, 將結果展現在一系列的神經元上。每一個神經元代表一個d維的權向量, d的維度由輸入樣本的維數所決定。本研究將4個季節53個采樣點的多變量數據矩陣作為 SOM 的輸入層, 通過自組織訓練學習, 將結果呈現在由36(6×6)個神經元組成的輸出層上。根據各神經元的矢量值對神經元進行聚類分析后, 將環境特征劃分為不同類群。SOM 模型分析采用 MATLAB 軟件SOM Toolbox。

2 結果

2.1 水質理化參數現狀

如表 3所示, 龍感湖屬淺水型湖泊, 不同季節平均水深0.83—2.52 m; 平均透明度0.14—0.40 m, 夏季較高, 冬季較低, 且4個季節的整體透明度都很低,冬季最低; 葉綠素a含量除秋季(平均28.30 μg/L)偏低外, 其他季節均很高, 夏季最高, 平均達95.28 μg/L。

表3 2017—2018年龍感湖水質參數的季節變化(平均值±標準誤)Tab. 3 Seasonal variations of water quality parameter in Longgan Lake during 2017—2018 (Mean±SE)

溶解氧秋季最高, 平均為12.11 mg/L; 化學需氧量(COD)夏季達最高(8.20 mg/L)。pH(8.60—9.27)和電導率(161.59—256.93 μS/cm)的變化特征一致,水體酸堿度四季均偏堿性, 夏季最高, 冬季最低。

總氮含量夏季最高, 平均為2.30 mg/L, 比其他季節高出一倍以上, 其他季節的差異不明顯。4個季節氨氮(0.12—0.64 mg/L)的變化趨勢與總氮的變化趨勢一致, 總磷(0.11—0.22 mg/L)和亞硝態氮(0.03—0.09 mg/L)的季節變化不明顯。

2.2 水域綜合營養狀態

龍感湖的水域綜合營養狀態指數范圍為50.32—71.97, 屬典型的富營養型湖泊。綜合營養狀態指數(圖 2)顯示秋季黃梅水域和宿松水域具有顯著性差異(P＜0.05), 而其他季節這兩個水域之間差異不顯著; 但同一水域秋季與其他季節之間具有顯著性差異, 秋季綜合營養狀態指數值最低, 屬輕度富營養水體, 其他季節均屬于中度富營養水體。由表 4可知, 黃梅水域采樣點多為中度富營養狀態,宿松水域采樣點中有較多輕度富營養的情況。

表4 龍感湖不同采樣點富營養化狀態分級統計Tab. 4 Classification statistics of eutrophication status at different sampling points of Longgan Lake

圖2 龍感湖黃梅水域和宿松水域綜合營養狀態指數(TLI)的季節動態特征Fig. 2 Seasonal dynamics of comprehensive trophic level index(TLI) for Huangmei and Susong areas of Longgan Lake

2.3 基于PCA的水質動態特征

主成分分析結果顯示, PCA第一、二軸分別解釋了環境變量的39.91%和17.78%變異。水溫、氣溫、水深、總氮、氨氮、電導率、pH與PCA第一軸呈顯著正相關; COD、葉綠素a、總磷與PCA第二軸呈顯著正相關, 而透明度與之呈顯著負相關(圖 3)。從PCA作圖可見, 龍感湖宿松水域與黃梅水域的環境差異并不大, 而季節差異較為明顯。龍感湖夏季水溫、水深、總氮、氨氮、電導率和pH較高, 而溶解氧含量很低; 冬季總磷和溶解氧含量較高, 而透明度、電導率、水深和水溫等值較低;秋季亞硝態氮和溶解氧含量較高, COD和葉綠素a含量較低。

圖3 龍感湖水質參數的主成分分析Fig. 3 Principal component analysis (PCA) on water quality parameters in Longgan Lake

2.4 基于SOM的水質動態特征

根據模型訓練后的SOM輸出層神經元的等級距離, 將輸出層劃分為兩大類(Ⅰ和Ⅱ), Ⅰ再細分為Ⅰa和Ⅰb兩小類, Ⅱ再細分為Ⅱa和Ⅱb(圖 4)。從采樣點在輸出層神經元上的分布情形(圖 4), 季節變化方面, Ⅰa主要代表的是春秋兩個季節, Ⅰb主要代表的是冬季, Ⅱa和Ⅱb均代表了夏季; 空間變化方面, 宿松和黃梅兩個區域的環境差別不顯著,不能很好的劃分開來。

圖4 龍感湖水質時空動態SOM模型Fig. 4 The SOM modelling of spatio-temporal dynamics of water quality in Longgan Lake

如圖 5所示, Ⅰa的透明度和電導率略高, 氨氮和COD較低; Ⅱa的透明度和電導率較高, 總磷較低;Ⅰb的總磷和COD含量略高, 其他理化指標值均偏低; Ⅱb電導率、pH、總氮、氨氮和COD的數值均較高。由此可清晰直觀地顯示, 龍感湖的透明度夏季較高, 同時氨氮、pH、電導率、總氮和COD的含量均很高; 冬季總磷和COD含量很高; 而春秋季的透明度和電導率略高, 各營養鹽含量均偏低。

圖5 主要水質參數在SOM神經元上的貢獻值分布Fig. 5 Distribution of contribution values of major water quality parameters on the SOM neurons

3 討論

3.1 龍感湖養殖水域環境狀況

本研究表明龍感湖水環境具有時空動態特征。水體透明度冬季最低, 與吳奇麗[11]在龍感湖的研究結果一致, 透明度主要受水中懸浮物的影響,懸浮物多為泥沙和浮游植物及腐敗的有機質等[12]。夏季水位較高, 泥沙懸浮受風力作用而減弱, 透明度趨于定值; 冬天水位降低, 湖水較淺, 風力作用攪動水體泥沙, 增加水中懸浮物, 從而降低了透明度。另外, 冬季為龍感湖的捕魚季節, 船只的頻繁活動和“趕攔刺張”聯合漁法的作業方式也會造成水體渾濁、透明度降低[13]。

龍感湖是越冬水鳥的棲息地, 水生植物的腐敗碎屑和水鳥的排泄物均會對水體營養鹽產生一定的影響; 且冬季是集中捕撈的高峰時期, 人為的干擾攪動起水底營養物, 可能是冬季總磷和COD等營養鹽含量較高的主要原因。曾凱等[14]2015—2018年對華陽河湖群水質的監測表明, 龍感湖TN、TP和COD濃度最大值出現在水位變動期, 原因在于湖泊水動力條件引起底泥污染物釋放, 導致湖區污染物濃度增加, 這與本研究TP和COD的變化特征較一致。

夏季雨水較為集中, 強降雨導致湖面水位上漲,湖泊水流增大, 促進了水體的交換, 湖泊周邊農業廢水進入湖泊, 增加了水中外源營養物質的輸入,使得龍感湖夏季TN、氨氮和COD的含量最高, 太湖[15]和鄱陽湖[16]等受夏季徑流注入影響的湖泊也表現出相似的水質變化規律。水體營養鹽的增加,易造成藻類迅速生長繁殖并導致暴發水華, 故本研究龍感湖夏季葉綠素a含量也顯著高于其他季節;吳奇麗等[17]研究結果也顯示龍感湖葉綠素a濃度春冬季低, 夏秋季高, 且與水體營養鹽和越冬水鳥的排泄物都有一定的相關性。

3.2 湖泊綜合營養狀態評價

綜合營養狀態指數評價結果表明, 龍感湖冬季水體富營養化狀態最嚴重, 可能是由于2017年末(本文冬季采樣時間)該湖剛完成圍欄拆除和冬季大捕撈, 頻繁的湖上作業和對底質的人為擾動, 使得沉積在湖泊底泥中的營養鹽在攪動和擴散生物活動等作用下釋放和溶解到水中, 湖泊營養負荷因而增大。另一方面, 龍感湖夏季富營養化程度僅次于冬季, 本研究采樣期間發現夏秋兩季黃梅水域有大量鳳眼蓮[Eichhornia crassipes(Mart.) Solms]分布,在網圍養殖導致水體營養鹽充足的條件下, 該物種入侵并大量繁殖, 覆蓋大片水域, 嚴重時使得局部水域密不透氣, 水質嚴重惡化。

目前龍感湖水環境面臨的主要問題包括: 農業面源污染嚴重、工業點源污染、畜禽養殖污染、生活污水處理率低、湖泊淤積嚴重湖容縮小, 及傳統漁業粗放發展和20余年圍網養殖造成的湖泊內源營養鹽負荷嚴重等方面[18]。這些問題對龍感湖生態系統造成了嚴重影響, 即使如今龍感湖已實現圍網全部拆除, 地方政府也加強了污染整治力度和環境保護舉措, 湖泊生態環境修復形勢依然嚴峻,水質改善仍需一定時間。

3.3 水質時空動態分析模型方法

湖泊環境中存在大量非線性、非平穩和不確定因素, 傳統的水質評價方法對于水環境中存在的非線性過程很難準確描述。人工神經網絡(Artificial Neural Networks)是一種由大量處理單元組成的非線性自適應的動力學系統, 具有學習、聯想、容錯和抗干擾等功能, 相比線性統計方法, 更能抓住系統的主要特征, 反映系統變量之間關系。應用人工神經網絡進行水質評價[19], 首先圍繞“學習樣本”進行自適應和自組織訓練, 使得網絡具有對學習樣本的記憶聯想能力, 然后將實測數據輸入網絡系統, 由已掌握知識信息的網絡對它們進行評價。該過程類似人腦的學習過程, 因此可模擬人腦解決某些具有模糊性和不確定性的問題。

人工神經網絡在不受非線性及其分類潛力影響的情況下, 從已知數據中學習的能力使其具有優于其他傳統統計分析方法的能力[20], 本研究所采用的SOM神經網絡模型可分析多維數據, 并將結果呈現為有助于理解的可視化信息[19]。本研究PCA和SOM的主要結果基本吻合, 但SOM模型具有強大的非線性聚類能力, 能夠更加清晰地反映龍感湖水質變量的時空分布特征, 且SOM輸出層模式圖具有很強的可視性, 能夠更直觀地反映出各個不同的水質參數在不同研究區域的變化情況。

3.4 湖泊漁業環境修復措施建議

龍感湖在經歷了連續多年的高強度圍網養殖、人工投餌和投肥后, 大量氮磷等營養物質隨顆粒物沉積到底泥中, 再通過靜態或動態內源釋放模式進入水體中; 同時, 圍網會造成生態阻隔和生境破碎化, 嚴重阻礙水體自然交換, 影響湖泊的自凈能力[18]。魚類是決定湖泊生態系統結構和功能的重要組成[21], 一般通過上行和下行作用影響湖泊生物群落和水體營養狀態[22]。龍感湖魚類群落組成以鯉科魚類為主, 優勢種為鯽(Carassius auratusLinnaeus)、鯉(Cyprinus carpioLinnaeus)、短頜鱭(Coilia brachygnathusKreyenberg et Pappenheim)、似鳊(Pseudobrama simoniBleeker)和?(Hemiculter leucisculusBasilewsky)等, 以小型魚類、浮游生物食性魚類和雜食性魚類偏多; 而鱖(Siniperca chuatsiBasilewsky)和翹嘴鲌(Culter alburnusBasilewsky)等食魚性魚類偏少, 且易被捕撈。

因缺乏大型食魚性魚類的捕食壓力, 小型浮游動物食性魚類(如?)數量不斷增長, 并通過攝食浮游動物, 降低了浮游動物對浮游植物的濾食壓力,易造成浮游植物生物量上升, 進而影響湖泊水質;另一方面, 鯉和鯽等底層雜食性魚類的活動會加大對底層沉積物的擾動, 使得底泥中的營養鹽釋放,造成浮游植物過度生長, 同時也不利于沉水植物保護。湖區禁漁和圍網拆除等措施對恢復漁業資源、保護水生生物具有重要意義, 可減少捕撈和養殖生產等人為活動對水體營養鹽釋放和湖區水生植物的影響, 使得沉水植被得到一定的恢復, 提高湖泊的水體自凈能力。

建議在漁業模式轉型后, 一方面通過水體自身進行生態系統修復, 另一方面通過合理的增殖放流進行魚類群落調控, 即投放一定規格和比例的鰱(Hypophthalmichthys molitrixValenciennes)和鳙(Hypophthalmichthys nobilisRichardson)等濾食性魚類, 及鱖和翹嘴鲌等食魚性魚類。總體上, 通過鰱鳙控藻并移除水體中的氮磷等營養物質; 通過擴大食魚性魚類種群規模, 提高對小型餌料魚類資源的控制作用, 通過食物網的下行效應改善水質, 提高餌料生物的轉化效率。同時必須持續進行動態監測, 加強對漁業模式轉型后的湖泊生態系統結構與功能等方面的長期跟蹤調查和評估。