AI与大数据在水环境中的应用案例-1.ppt

夜光藻赤潮的环境影响因素 及预测研究 中国经济社会大数据研究平台 / 大数据数据来源 研究背景 近年来赤潮的频繁发生和规模的不断扩大，严重破坏了海洋生态系统的平衡、渔业资源和海产养殖业，赤潮毒素也严重威胁着人类的生命安全。 夜光藻赤潮是我国赤潮发生频率较高的种类之一。夜光藻虽然本身不含毒素，但由于它形成赤潮时，大量的夜光藻粘附于鱼鳃上，阻碍了鱼类呼吸导致鱼类窒息死亡；同时夜光藻死亡分解过程中所产生的尸碱和硫化氢，使海水变质，危害水体生态环境。此外，它还能渗透出高浓度的氨和磷，不利于海产养殖业的发展。因此，研究赤潮发生机理，有效预测和防治赤潮发生迫在眉睫。 研究背景 夜光藻赤潮的环境影响因素 赤潮的发生是各种生物、化学、物理因素的综合作用结果，且不同海域有着不同的赤潮藻类，影响赤潮发生的主要影响因子也不尽相同。大量研究表明，海水的富营养化状况与赤潮的发生概率有着密切的关系，水文气象和海水理化因子是诱发赤潮发生的重要原因。在此研究水温、溶解氧、盐度、总氮、可溶性无机磷、浮游植物密度等环境因素与夜光藻密度的关系，夜光藻密度越大越容易发生赤潮，为夜光藻赤潮的预测和防治提供依据。 通过数据图表，无法直观看出环境因素与夜光藻赤潮的关系。运用相关性分析和多元线性回归研究水温、溶解氧、盐度、总氮、可溶性无机磷、浮游植物密度等环境因素与夜光藻密度的定量关系。 STEP 1 STEP 2 STEP 3 STEP 4 选择相关性分析——相关系数； 选择时间：1989年~2015年； 选择地区：中国； 设置指标：夜光藻密度、水温、溶解氧、盐度、总氮、可溶性无机磷、浮游植物密度。 结果及结果分析 夜光藻赤潮与环境因素的相关性分析 相关系数矩阵表 根据相关系数矩阵表得，浮游植物密度和可溶性无机磷与夜光藻密度呈负相关，说明浮游植物密度和可溶性无机磷越高，越不利于夜光藻赤潮的发生，营养物质磷是赤潮藻类生长的限制性因子；而溶解氧、水温、盐度、总氮与夜光藻密度呈正相关，说明溶解氧、水温、盐度、总氮越高，越有可能导致赤潮的发生。其中，可溶性无机磷、总氮与夜光藻密度的相关性较高，相关系数分别为-0.58996、0.49462；而水温与夜光藻密度的相关性很低，相关系数为0.14155。 夜光藻赤潮与环境因素的线性回归分析 以夜光藻密度为被解释变量，水温、溶解氧、盐度、总氮、可溶性无机磷、浮游植物密度等环境因素为解释变量，运用线性回归进一步研究夜光藻赤潮与环境因素的数量关系。运用不同的解释变量组合构建模型，根据结果选择最优模型。 夜光藻赤潮与环境因素的线性回归分析 经过多个模型的比较，最终以可溶性无机磷、总氮、浮游植物密度为解释变量的模型较优。但是，调整R^2=0.453，说明该回归方程对夜光藻密度的拟合效果不是特别好，则夜光藻赤潮与环境因素有更加复杂的关系，仅用线性回归无法刻画。 基于判别分析的夜光藻赤潮预测 采用判别分析，根据各环境因素和夜光藻密度的历史数据，判别新的数据是否发生赤潮。历史数据取26组数据为训练样本，包括3类：1类为赤潮样本，2类为赤潮前样本，3类为正常样本。然后对其余第27组、第28组数据进行判别归类，判断其是否发生赤潮。 基于判别分析的夜光藻赤潮预测 对变量进行筛选，根据待引入变量表，在第一步中环境因素水温的判别F值最大，且判别FFin，引入环境因素水温，同理依次引入环境因素可溶性无机磷、盐度、溶解氧；根据待剔除变量表，发现在每一步中最小的判别FFout，即没有变量剔除。综上，最终用来进行判别分析的环境因素为水温、可溶性无机磷、盐度、溶解氧，这四个变量的判别作用较大，其余变量的判别作用低微。 基于判别分析的夜光藻赤潮预测 根据判别效果表发现 F统计量F0.05，说明两两类别间均值在显著性水平0.05下具有显著性差异，即赤潮发生前、赤潮发生、未发生赤潮时的环境因素和夜光藻密度间的差异较大，所以能采用判别分析对夜光藻赤潮进行预测。 采用逐步判别分析对26组训练数据的分类情况进行回判，除第14组、第22组、第26组数据的判别分类与原始分类结果不一致外，其余均一致，即判别分析的判对率为88%，说明模型效果较好。用训练的判别模型对第27组、第28组数据进行归类得到第27组归为第2类，即为赤潮前情况；第28组归为第1类，即为发生赤潮情况。 结论 运用相关性分析和线性回归分析，研究水温、溶解氧、盐度、总氮、可溶性无机磷、浮游植物密度等环境因素对夜光藻赤潮的影响；运用逐步判别研究环境因素和夜光藻密度历史数据，并判别新数据是否会发生夜光藻赤潮。得到以