根據各地多年的監測資料，近年來我國多數城市湖泊水體呈嚴重富營養化狀態⋯。2007年，28個國控重點湖(庫)中，V類的5個，占17．9％，劣V類的11個，占39．3％舊J。水體富營養化的重要特征就是發生水華。水華是當水體中出現富營養狀況并具備適宜的溫度、光照、氣候及合適的水文條件等有利于藻類生長或聚集的環境條件時，水體藻類大量生長繁殖或聚集并達到一定濃度的現象。水華一旦發生，就會使水體透明度下降，溶解氧降低，水體出現黑臭等現象，而有些類型的水華還會產生藻毒素，給人類居住環境和人體健康造成損害。水華的發生是突發性的，而水華一旦發生，控制難度就會加大，治理成本成倍提高，因此如果能夠預見到水華的發生并及時采取相應措施會取得事半功倍的效果。水華預警是水質預警中的一種突發型預警類別，是指在一定范圍內，對藻類生長狀況進行分析、評價，對其未來發展狀況進行預測。水華預警系統具有超前性預報的功能，能夠提前預測出水質演化趨勢、方向、速度和后果，在發生水華之前及早發出警報，為水華控制提供科學依據。國內外對水華預警的研究主要圍繞三個方面展開：(1)利用單變量或多變量營養指標對水體營養程度進行預測；(2)利用水質模型對水體富營養化程度進行模擬和預測；(3)利用地理信息系統或遙感系統對水華的發生進行預測。水華預警的方法有模糊評價法、人工神經網絡、遺傳算法、支持向量機(support vector machines，SVM)等，而神經網絡方法由于具有較強的適應能力、學習能力和真正的多輸人多輸出系統的特點而受到人們的重視。
1 預警因子
對于一個確定的水體環境，藻類數量的某一個特定值，是對應了水體環境的某一個狀態，這些狀態值與藻類的生長需求密切相關，包括營養因子、環境
因子和生態因子，例如TN、，I’P、光照強度、pH值、溶解氧、氧化還原電位等。因此藻類數量的變化可以在這些狀態值的變化中表現出來。同時藻類數量的變化也是這些狀態值綜合作用的結果HJ。水華的發生是由于許多因素如營養鹽、水溫、光照、pH值、生物因素等共同作用的結果，發生時又有多種水質指針如pH值、溶解氧、氧化還原電位、氮磷濃度等同時發生變化，因此在水質預警模型中參數較多，在模型設計時需要在這些影響因素中篩選出合適的因素作為預警因子。一般選擇那些受周圍環境影響小的、適合于所選擇的模型的、監測方便并且與藻類生長密切相關的這些因素作為預警因子。在眾多的影響因子中，氮磷及氮磷比、pH值、DO和ORP等都與藻類生長密切相關，且與藻類的生物量之間具有很好的相關性，可以作為預警因子。
1．1氮磷及氮磷比
氮磷是藻類生長重要的營養因子。氮磷及氮磷比與藻類的生長之間有很好的相關性。可以利用它們之間的這種相關關系建立預測模型，通過監測氮磷濃度來預測水華是否發生。V．H．Smith通過研究指出：對藻類生長來說，總氮質量濃度P(tn)與總磷質量濃度P(tp)之比在20：1以上時，表現為氮過量，磷為限制因子，藻種群密度高峰值主要受磷含量的影響；當小于13：1時，表現為氮不足，氮成為限制因子，藻密度高峰值主要與氮含量有關。本湖沼學者坂本研究發現，當湖水的總氮質量濃度P(tn)與總磷質量濃度P(tp)之比在10：1～25：1范圍時，藻類生長與氮和磷的濃度存在直線相關關系。王志紅等通過研究初始總氮、總磷、氮磷比等營養因子對“水華”生物量的影響，發現當初始總氮質量濃度小于2．0mg／L、初始總磷質量濃度小于0．1mg／L時，藻生長高峰值與總氮總磷質量濃度比之間具有良好的相關性，并提出了不同氮磷比值與對應藻類“水華”生物量回歸模型，可以對藻類“水華”的生物量進行預測。鐘衛鴻等"1研究了N、P等對銅山源水庫優勢藻類(綠球藻和舟形硅藻)生長的影響，發現當N／P為25時，綠球藻生長量。楊廣杏等對里湖水體進行實地調查，分析水中浮游藻類葉綠素a(chla)與氮磷營養鹽含量，進行回歸統計，發現它們之間是正相關關系，N、P營養鹽變化趨勢與浮游藻類葉綠素a變化趨勢相吻合。
1．2 pH值
水體pH值與藻類生長關系密切。在碳源豐富的水體中，藻類光合作用影響緩沖體系，從而影響水體pH值。見的是藻類大量吸收CO：引起水體pH上升，同時部分藻類對水體中有機酸的吸收和重碳酸鹽的利用，也會引起pH的升高歸1；而藻類的呼吸作用產生的CO2溶于水中促進H+的生成，會引起pH下降。水體酸堿度也會影響藻類的生長，例如堿性環境有利于藻類光合作用，因為堿性系統易于捕獲大氣中的CO2，因而較高的生產力往往出現在堿性水體中。每種藻類都有其適合的pH值范圍，因而pH不僅會影響藻類的生長繁殖速度，還會影響種類的演替。劉春光等引研究了淡水藻類在不同pH下的生長情況和種類變化。研究結果表明，在pH 8．0—9．5的范圍內，pH=8．5藻類生長狀況，pH=9．5生長差，表明藻類有適合其生長的pH值，且人為改變pH值會影響藻類的生長。王志紅等研究了水庫水藻類生長過程中pH的變化，發現pH值隨藻類數量的增長呈現出有規律的變化，并建立了藻類數量與pH之間的數學模型，可以通過監測pH來預測藻類的水華現象。游亮等以北京什剎海原水作為培養對象，進行了一系列實驗，研究水體中pH的變化，并對實驗過程中的pH與藻類生長情況進行相關性分析，發現它們之間的相關系數為0．9312。這也說明了pH值與藻類生長關系非常密切，是一個合理的水華預警參數。
1．3溶解氧(DO)和氧化還原電位(ORP)
水體中DO含量受多因素影響，例如水溫、溶解離子、微生物等，而在富營養水體中，DO則主要受生物過程的控制。當藻類數量上升到一定數量級時，其數量的多少、生命活動的旺盛程度對水體的DO變化起主導作用。氧化還原電位是反映介質(土壤、天然水、培養基等)氧化還原狀況的一個指標，在湖泊形成水華期間表面水華會造成水體中溶解氧含量降低，氧化還原電位也會隨之降低，從而改變藻類的生長環境。張民等釗研究了銅綠微囊藻和柵藻在單培養
和混合培養條件下降低氧化還原電位對兩種藻的影響，結果表明單培養下，降低氧化還原電位對兩種藻的生長速率沒有影響；在混合培養條件下，降低氧化還原電位提高了銅綠微囊藻的生長速率，而降低了柵藻的生長速率。同時試驗也發現，ORP降低使得銅綠微囊藻體積變大，生理參數發生改變，有可能是銅綠微囊藻迅速增值的原因。S．Marsili．Libelli對Orbetello礁湖的為期一年的監測數據進行分析，比較了春季和冬季的兩個變量的每日變化情況，發
現在春季的時候DO和ORP在每天的不同時段變化很大，呈現周期的變化趨勢；而在冬季DO和ORP在每天的不同時段變化不大。由此得出這樣的結論：在春季的時候水體溫度上升，藻類開始復蘇，水體中藻類數量不斷增加，藻類的生長影響了DO和ORP，使之呈現周期性的變化趨勢。冬季水溫低，水體中藻類非常少，使得DO和ORP的變化不是很明顯。同時說明，DO、ORP和藻密度是相互影響的，因此可以通過檢測DO、ORP數據來對藻類的數量進行預測。
2 國外水華預警模型研究進展
上世紀70年代湖泊學家們通過建立簡單的磷負荷模型，用于評價、預測湖泊水體的營養狀態。這類模型的典型代表是加拿大湖泊專家Vollenweider提出的Vollenweider模型。Vollenweider模型假定，湖泊中隨時間而變化的總磷濃度值等于單位容積內輸入的磷減去輸出的磷及其在湖內沉積的磷。至80年代，隨著對水華和富營養化研究的不斷深入，不少專家建立了一系列藻類生物量與營養物質負荷量之間的相關經驗模型，其中比較經典的有Rast和Lee的經驗模型。這類經驗模型簡單直觀，使用方便，但都假定水體混合均勻、穩態，且限制性營養物質是的，與實際情況往往有較大差別，更不能反映藻類生長的機理。進入90年代后，國外出現了更多對湖泊藻類的預測模型，較有名的有PACGAP類型即藻類種群生長和生產力的預測模型和PROTECH-2類型即浮游植物與環境因子關系模型[20。22I，以及由美國國家*提出一種多參數綜合水質生態模型(water quality analysis simulation program，WQASP)。此后，越來越多的有針對性的水華預警模型被建立并得到成功應用。Scardi和HardingⅢ1研究美國東部的切薩皮克海灣(Chesapeake Bay)的富營養化問題時，采用多層傳感器，運用概括方法構造了兩個人工神經網絡模型，對處于富營養化的初級生產力進行了成功預測。Bin Wei心糾等建立了Kasumi—gaura湖的多因子水質關系模型，利用人工神經網絡成功預測到了幾種主要優勢藻微囊藻(Microcystis)、席藻(Phormidium)和針桿藻(Synedra)的爆發。Friedrieh Recknagel等心刮根據12年以上的環境監測資料，利用神經網絡建立了四個系統的淡水水華預測模型，對藻類發生的時間、數量級等的成功預測顯示該類模型對復雜的非線性的生態現象進行預測的準確率達到了很高的程度。此外，Nitin Muttil，Joseph H．W．Lee悼刊運用遺傳算法對香港銅鑼灣3年的葉綠素a、溶解氧和氣象水文資料建立實時預測模型進行水華超前預測，也得到令人滿意的效果。S．Marsili．Libell利用15個月的水質監測值(每日溶解氧(DO)、pH值、氧化還原電位(ORP)和溫度等)的變化來預測水華發生的可能性，運用模糊評
價的方法建立了Orbetello湖的水華預警模型，進行了成功的水華預測。
3 國內水華預警模型應用研究
國內對水華預警的研究起步較晚。近年來隨著水體水質的惡化及不斷發生的嚴重水污染事件，人們對環境問題越來越重視。國內對水質預報的研究工作已經全面展開，但更多著眼于大流域的水質預警和湖泊的綜合水質預報。朱繼業等口引在研究物元分析理論的基礎上，運用綜合評判模型對南京市秦淮外河進行綜合水質評定，并建立回歸預警模型進行綜合水質預報，在實際應用中取得了較滿意的結果。董志穎等悼引采用模糊綜合評判法對吉林地區的潛層地下水水質進行預警評價后，結合GIS系統得出了該地區的水質預警結果圖。王東云等運用多層前饋神經網絡模型和B．P算法，對我國某海域的水質富營養化水平進行了評價，只要將觀測結果提供給網絡，模型可自動將評價結果輸出。劉載文等舊¨利用算法改進型的BP(back propagation)神經網絡，選擇葉綠素含量、磷、氮磷比、電導率和水溫五個參數作為模型輸人，以預測ld：3d和5d后的葉綠素含量為目標，構建了北京市長河水系水華短期預報系統，對該水系三個周期的預測精度分別達到了97．2％、94％、88．3％。王洪禮等∞21利用支持向量機理論對海水水質富營養化的程度進行評價，并與BP人工神經網絡方法所得結果進行比較，發現SVM理論能更好地解決小樣本的分類評價問題，評價效果良好，在水質評價領域有較好的應用前景。韓濤等以MATLAB為工具，建立了評價湖泊水體富營養化狀態的BP神經網絡模型，應用此模型對我國9個湖泊富營養化程度進行評價。通過對比用分級評分法、模糊數學法、Fuzzy—Grey決策法(F．G決策法)的評價結果，BP神經網絡的評價結果更為準確。由于采用了足夠多的學習樣本對網絡進行了訓練，大限度地避免了人為主觀因素的影響，并經過樣本的檢驗證明了網絡具有很強的泛化能力，所以其評價結果更客觀、可靠。曾勇等舊4o采用決策樹方法和非線性回歸方法建立湖泊水華預警模型。應用決策樹方法預測水華爆發時機，非線性回歸方法預測水華爆發強度。以北京“六?！睘槔?，利用分段線性多元統計回歸預測公式，建立了三個由葉綠素a、水量Q、水溫r以及總磷TP組成的回歸方程。通過這幾個回歸方程來計算葉綠素a的含量，從而達到預測水華的目的。近年來，隨著科技的發展，更多的*應用于水質預警中。GIS,RS應用比較廣泛并取得了良好的效果。竇明等舊糾綜合運用GIS、RS、網絡、多媒體及計算機仿真等現代*手段，對漢江流域的地形地貌、水質狀況、生態環境、水資源分布等各種信息進行動態監測與處理，建立全流域水質基礎信息平臺、不同功能的水質模型及其相應的管理系統。漢江水質預警系統具備對漢江水質實時監控、水污染事故應急響應、水資源優化調度和水環境綜合管理等功能。朱燦等以GIS和數據庫管理系統(DBMS)為開發平臺，建立了數字西江水質預警預報系統，在發生水污染突發事故后，能夠快速預報污染物向下游的擴散時間、擴散面積、確定污染范圍、污染程度及對下游取水口等所造成的影響，為決策部門提供決策支持。豐江帆等13刊針對太湖的藍藻爆發引起的太湖水質不斷惡化，結合預警模型和GIS技術以太湖歷年來的連續監測資料為基礎，運用多元逐步回歸統計方法，選擇水溫等多項環境理
化因素與葉綠素a、藻類生物量、藍藻生物量等生物因素進行逐步回歸分析，建立起多元逐步回歸方程，對太湖藻類生物量的變化情況進行預測預報。
4存在問題及研究方向
近20年來，富營養化模型和水華預警模型得到了很大發展：狀態變量由初的幾個發展到幾十個；水體維數由一維穩態發展到多維動態；研究角度由簡單的營養鹽吸收發展到對生態系統分析模擬；研究對象由單一的藻類生長模擬發展到綜合考慮水體的動力學、熱力學及生物動態過程等。但是，在建模過程中仍存在許多問題：(1)建模所依據的數據量不足，缺乏統一詳細的水體水化學方面的數據，這給模型的校正、驗證造成很大困難，降低了水華預警模型的可靠度和適用性。(2)模型缺乏真正生態系統所具有的靈活性，不能實時模擬環境的突變，因而預測結果不能反映水體生態系統的真實性。(3)模型的模擬對象主要是營養鹽的循環、浮游植物的生長和死亡的動態過程，水華預警模型在整個生態系統中非常獨立，沒有形成一整套水體管理決策支持體系。為了克服上述問題提出了一些新的方法。例如：用模糊數據方法克服數據量不足的問題，用人工智能方法進行參數估計，用混沌與分形理論增強參數估計的能力，用災變理論模擬系統結構變化，建立生態參數數據庫，使用目標函數等。富營養化模擬的發展趨勢以學科相互滲透與交錯為主，如水體物理環境與藻類生態行為相結合，藻類生態學與分子生物學相結合。富營養化模型也將從單一的預測和評價發展成為多目標管理優化模型。隨著新技術的發展，一些新的研究思路和技術也開始逐漸應用到水體富營養化模型中，比如在模型中綜合考慮社會學、經濟學和心理學因素，結合人工智能方法或GIS技術，從而使模型的適用性和可靠性得到進一步加強。綜合運用GIS、RS、計算機仿真技術、多媒體技術等，對水體預警因子進行實時監測與處理，建立更符合水體實際的多維動態水華預警模型，進一步提高預警模型的可靠性，是水華預警模型研究的方向。
