根據(jù)各地多年的監(jiān)測資料，近年來我國多數(shù)城市湖泊水體呈嚴重富營養(yǎng)化狀態(tài)⋯。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(yǎng)化的重要特征就是發(fā)生水華。水華是當水體中出現(xiàn)富營養(yǎng)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(huán)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(xiàn)象。水華一旦發(fā)生，就會使水體透明度下降，溶解氧降低，水體出現(xiàn)黑臭等現(xiàn)象，而有些類型的水華還會產(chǎn)生藻毒素，給人類居住環(huán)境和人體健康造成損害。水華的發(fā)生是突發(fā)性的，而水華一旦發(fā)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(fā)生并及時采取相應(yīng)措施會取得事半功倍的效果。水華預警是水質(zhì)預警中的一種突發(fā)型預警類別，是指在一定范圍內(nèi)，對藻類生長狀況進行分析、評價，對其未來發(fā)展狀況進行預測。水華預警系統(tǒng)具有超前性預報的功能，能夠提前預測出水質(zhì)演化趨勢、方向、速度和后果，在發(fā)生水華之前及早發(fā)出警報，為水華控制提供科學依據(jù)。國內(nèi)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(yǎng)指標對水體營養(yǎng)程度進行預測；(2)利用水質(zhì)模型對水體富營養(yǎng)化程度進行模擬和預測；(3)利用地理信息系統(tǒng)或遙感系統(tǒng)對水華的發(fā)生進行預測。水華預警的方法有模糊評價法、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、支持向量機(support vector machines，SVM)等，而神經(jīng)網(wǎng)絡(luò)方法由于具有較強的適應(yīng)能力、學習能力和真正的多輸人多輸出系統(tǒng)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(huán)境，藻類數(shù)量的某一個特定值，是對應(yīng)了水體環(huán)境的某一個狀態(tài)，這些狀態(tài)值與藻類的生長需求密切相關(guān)，包括營養(yǎng)因子、環(huán)境
因子和生態(tài)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(shù)量的變化可以在這些狀態(tài)值的變化中表現(xiàn)出來。同時藻類數(shù)量的變化也是這些狀態(tài)值綜合作用的結(jié)果HJ。水華的發(fā)生是由于許多因素如營養(yǎng)鹽、水溫、光照、pH值、生物因素等共同作用的結(jié)果，發(fā)生時又有多種水質(zhì)指針如pH值、溶解氧、氧化還原電位、氮磷濃度等同時發(fā)生變化，因此在水質(zhì)預警模型中參數(shù)較多，在模型設(shè)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(huán)境影響小的、適合于所選擇的模型的、監(jiān)測方便并且與藻類生長密切相關(guān)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(guān)，且與藻類的生物量之間具有很好的相關(guān)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(yǎng)因子。氮磷及氮磷比與藻類的生長之間有很好的相關(guān)性。可以利用它們之間的這種相關(guān)關(guān)系建立預測模型，通過監(jiān)測氮磷濃度來預測水華是否發(fā)生。V．H．Smith通過研究指出：對藻類生長來說，總氮質(zhì)量濃度P(tn)與總磷質(zhì)量濃度P(tp)之比在20：1以上時，表現(xiàn)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(xiàn)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(guān)。本湖沼學者坂本研究發(fā)現(xiàn)，當湖水的總氮質(zhì)量濃度P(tn)與總磷質(zhì)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(guān)關(guān)系。王志紅等通過研究初始總氮、總磷、氮磷比等營養(yǎng)因子對“水華”生物量的影響，發(fā)現(xiàn)當初始總氮質(zhì)量濃度小于2．0mg／L、初始總磷質(zhì)量濃度小于0．1mg／L時，藻生長高峰值與總氮總磷質(zhì)量濃度比之間具有良好的相關(guān)性，并提出了不同氮磷比值與對應(yīng)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(wèi)鴻等"1研究了N、P等對銅山源水庫優(yōu)勢藻類(綠球藻和舟形硅藻)生長的影響，發(fā)現(xiàn)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(diào)查，分析水中浮游藻類葉綠素a(chla)與氮磷營養(yǎng)鹽含量，進行回歸統(tǒng)計，發(fā)現(xiàn)它們之間是正相關(guān)關(guān)系，N、P營養(yǎng)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(guān)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(chǎn)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(huán)境有利于藻類光合作用，因為堿性系統(tǒng)易于捕獲大氣中的CO2，因而較高的生產(chǎn)力往往出現(xiàn)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(jié)果表明，在pH 8．0—9．5的范圍內(nèi)，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(fā)現(xiàn)pH值隨藻類數(shù)量的增長呈現(xiàn)出有規(guī)律的變化，并建立了藻類數(shù)量與pH之間的數(shù)學模型，可以通過監(jiān)測pH來預測藻類的水華現(xiàn)象。游亮等以北京什剎海原水作為培養(yǎng)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(guān)性分析，發(fā)現(xiàn)它們之間的相關(guān)系數(shù)為0．9312。這也說明了pH值與藻類生長關(guān)系非常密切，是一個合理的水華預警參數(shù)。
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(yǎng)水體中，DO則主要受生物過程的控制。當藻類數(shù)量上升到一定數(shù)量級時，其數(shù)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(zhì)(土壤、天然水、培養(yǎng)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(huán)境。張民等釗研究了銅綠微囊藻和柵藻在單培養(yǎng)
和混合培養(yǎng)條件下降低氧化還原電位對兩種藻的影響，結(jié)果表明單培養(yǎng)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(yǎng)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(fā)現(xiàn)，ORP降低使得銅綠微囊藻體積變大，生理參數(shù)發(fā)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(jiān)測數(shù)據(jù)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(fā)
現(xiàn)在春季的時候DO和ORP在每天的不同時段變化很大，呈現(xiàn)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(jié)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(shù)量不斷增加，藻類的生長影響了DO和ORP，使之呈現(xiàn)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(shù)據(jù)來對藻類的數(shù)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(yǎng)狀態(tài)。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(nèi)輸入的磷減去輸出的磷及其在湖內(nèi)沉積的磷。至80年代，隨著對水華和富營養(yǎng)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(yǎng)物質(zhì)負荷量之間的相關(guān)經(jīng)驗模型，其中比較經(jīng)典的有Rast和Lee的經(jīng)驗模型。這類經(jīng)驗模型簡單直觀，使用方便，但都假定水體混合均勻、穩(wěn)態(tài)，且限制性營養(yǎng)物質(zhì)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(xiàn)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(chǎn)力的預測模型和PROTECH-2類型即浮游植物與環(huán)境因子關(guān)系模型[20。22I，以及由美國國家*提出一種多參數(shù)綜合水質(zhì)生態(tài)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(yīng)用。Scardi和HardingⅢ1研究美國東部的切薩皮克海灣(Chesapeake Bay)的富營養(yǎng)化問題時，采用多層傳感器，運用概括方法構(gòu)造了兩個人工神經(jīng)網(wǎng)絡(luò)模型，對處于富營養(yǎng)化的初級生產(chǎn)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(zhì)關(guān)系模型，利用人工神經(jīng)網(wǎng)絡(luò)成功預測到了幾種主要優(yōu)勢藻微囊藻(Microcystis)、席藻(Phormidium)和針桿藻(Synedra)的爆發(fā)。Friedrieh Recknagel等心刮根據(jù)12年以上的環(huán)境監(jiān)測資料，利用神經(jīng)網(wǎng)絡(luò)建立了四個系統(tǒng)的淡水水華預測模型，對藻類發(fā)生的時間、數(shù)量級等的成功預測顯示該類模型對復雜的非線性的生態(tài)現(xiàn)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(zhì)監(jiān)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(fā)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(nèi)水華預警模型應(yīng)用研究
國內(nèi)對水華預警的研究起步較晚。近年來隨著水體水質(zhì)的惡化及不斷發(fā)生的嚴重水污染事件，人們對環(huán)境問題越來越重視。國內(nèi)對水質(zhì)預報的研究工作已經(jīng)全面展開，但更多著眼于大流域的水質(zhì)預警和湖泊的綜合水質(zhì)預報。朱繼業(yè)等口引在研究物元分析理論的基礎(chǔ)上，運用綜合評判模型對南京市秦淮外河進行綜合水質(zhì)評定，并建立回歸預警模型進行綜合水質(zhì)預報，在實際應(yīng)用中取得了較滿意的結(jié)果。董志穎等悼引采用模糊綜合評判法對吉林地區(qū)的潛層地下水水質(zhì)進行預警評價后，結(jié)合GIS系統(tǒng)得出了該地區(qū)的水質(zhì)預警結(jié)果圖。王東云等運用多層前饋神經(jīng)網(wǎng)絡(luò)模型和B．P算法，對我國某海域的水質(zhì)富營養(yǎng)化水平進行了評價，只要將觀測結(jié)果提供給網(wǎng)絡(luò)，模型可自動將評價結(jié)果輸出。劉載文等舊¨利用算法改進型的BP(back propagation)神經(jīng)網(wǎng)絡(luò)，選擇葉綠素含量、磷、氮磷比、電導率和水溫五個參數(shù)作為模型輸人，以預測ld：3d和5d后的葉綠素含量為目標，構(gòu)建了北京市長河水系水華短期預報系統(tǒng)，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(zhì)富營養(yǎng)化的程度進行評價，并與BP人工神經(jīng)網(wǎng)絡(luò)方法所得結(jié)果進行比較，發(fā)現(xiàn)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(zhì)評價領(lǐng)域有較好的應(yīng)用前景。韓濤等以MATLAB為工具，建立了評價湖泊水體富營養(yǎng)化狀態(tài)的BP神經(jīng)網(wǎng)絡(luò)模型，應(yīng)用此模型對我國9個湖泊富營養(yǎng)化程度進行評價。通過對比用分級評分法、模糊數(shù)學法、Fuzzy—Grey決策法(F．G決策法)的評價結(jié)果，BP神經(jīng)網(wǎng)絡(luò)的評價結(jié)果更為準確。由于采用了足夠多的學習樣本對網(wǎng)絡(luò)進行了訓練，大限度地避免了人為主觀因素的影響，并經(jīng)過樣本的檢驗證明了網(wǎng)絡(luò)具有很強的泛化能力，所以其評價結(jié)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(yīng)用決策樹方法預測水華爆發(fā)時機，非線性回歸方法預測水華爆發(fā)強度。以北京“六?！睘槔?，利用分段線性多元統(tǒng)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(fā)展，更多的*應(yīng)用于水質(zhì)預警中。GIS,RS應(yīng)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(wǎng)絡(luò)、多媒體及計算機仿真等現(xiàn)代*手段，對漢江流域的地形地貌、水質(zhì)狀況、生態(tài)環(huán)境、水資源分布等各種信息進行動態(tài)監(jiān)測與處理，建立全流域水質(zhì)基礎(chǔ)信息平臺、不同功能的水質(zhì)模型及其相應(yīng)的管理系統(tǒng)。漢江水質(zhì)預警系統(tǒng)具備對漢江水質(zhì)實時監(jiān)控、水污染事故應(yīng)急響應(yīng)、水資源優(yōu)化調(diào)度和水環(huán)境綜合管理等功能。朱燦等以GIS和數(shù)據(jù)庫管理系統(tǒng)(DBMS)為開發(fā)平臺，建立了數(shù)字西江水質(zhì)預警預報系統(tǒng)，在發(fā)生水污染突發(fā)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(fā)引起的太湖水質(zhì)不斷惡化，結(jié)合預警模型和GIS技術(shù)以太湖歷年來的連續(xù)監(jiān)測資料為基礎(chǔ)，運用多元逐步回歸統(tǒng)計方法，選擇水溫等多項環(huán)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(yǎng)化模型和水華預警模型得到了很大發(fā)展：狀態(tài)變量由初的幾個發(fā)展到幾十個；水體維數(shù)由一維穩(wěn)態(tài)發(fā)展到多維動態(tài)；研究角度由簡單的營養(yǎng)鹽吸收發(fā)展到對生態(tài)系統(tǒng)分析模擬；研究對象由單一的藻類生長模擬發(fā)展到綜合考慮水體的動力學、熱力學及生物動態(tài)過程等。但是，在建模過程中仍存在許多問題：(1)建模所依據(jù)的數(shù)據(jù)量不足，缺乏統(tǒng)一詳細的水體水化學方面的數(shù)據(jù)，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(tài)系統(tǒng)所具有的靈活性，不能實時模擬環(huán)境的突變，因而預測結(jié)果不能反映水體生態(tài)系統(tǒng)的真實性。(3)模型的模擬對象主要是營養(yǎng)鹽的循環(huán)、浮游植物的生長和死亡的動態(tài)過程，水華預警模型在整個生態(tài)系統(tǒng)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(shù)據(jù)方法克服數(shù)據(jù)量不足的問題，用人工智能方法進行參數(shù)估計，用混沌與分形理論增強參數(shù)估計的能力，用災變理論模擬系統(tǒng)結(jié)構(gòu)變化，建立生態(tài)參數(shù)數(shù)據(jù)庫，使用目標函數(shù)等。富營養(yǎng)化模擬的發(fā)展趨勢以學科相互滲透與交錯為主，如水體物理環(huán)境與藻類生態(tài)行為相結(jié)合，藻類生態(tài)學與分子生物學相結(jié)合。富營養(yǎng)化模型也將從單一的預測和評價發(fā)展成為多目標管理優(yōu)化模型。隨著新技術(shù)的發(fā)展，一些新的研究思路和技術(shù)也開始逐漸應(yīng)用到水體富營養(yǎng)化模型中，比如在模型中綜合考慮社會學、經(jīng)濟學和心理學因素，結(jié)合人工智能方法或GIS技術(shù)，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(shù)、多媒體技術(shù)等，對水體預警因子進行實時監(jiān)測與處理，建立更符合水體實際的多維動態(tài)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。