基于结构方程模型的滇池叶绿素 a 与关键影响因子关系识别

北京大学学报（自然科学版）

基于结构方程模型的滇池叶绿素 a 与关键影响因子关系识别

颜小品¹,李玉照¹,刘永¹,杨永辉¹,赵磊²,郭怀成¹

1. 北京大学环境科学与工程学院, 水沙科学教育部重点实验室, 北京 100871; 2. 云南省高原湖泊流域污染过程与管理重点实验室, 昆明 650034;

收稿日期:2012-10-29 出版日期:2013-11-20 发布日期:2013-11-20

Identifying the Influence of Water Chemistry on Chlorophyll a in Lake Dianchi: A Structural Equation Modeling Analysis

YAN Xiaopin¹, LI Yuzhao¹, LIU Yong¹, YANG Yonghui¹, ZHAO Lei², GUO Huaicheng¹

1. College of Environmental Science and Engineering, Key Laboratory of Water and Sediment Sciences MOE, Peking University, Beijing 100871; 2. Yunnan Key Laboratory of Pollution Process and Management of Plateau Lake-Watershed, Kunming 650034;

Received:2012-10-29 Online:2013-11-20 Published:2013-11-20

摘要/Abstract

摘要： 应用基于主成分绝对得分的源解析模型(APCS-MLR)和结构方程模型(SEM)识别滇池富营养化的关键影响因子, 定量描述叶绿素a (Chl a)浓度与关键影响因子的关系, 并与神经网络模型(ANN)分析结果进行对比, 检验此结果的可靠性。模型结果表明, 影响滇池富营养化发生的最关键影响因子为物理因子(T > DO > SD > pH), 其次为营养物质(NH₃-N); 在当前观测的高氮高磷水环境下, 营养物质的浓度变化对Chl a浓度的影响并不显著, 但相对而言, 控氮比控磷可能更为有效。

关键词: 富营养化, 结构方程模型, 神经网络, 叶绿素a, 滇池

Abstract: An integrated approach of absolute principle components score-multivariate linear regression (APCS-MLR) and structural equation modeling (SEM) were developed to understand the influence of water chemistry variables on chlorophyll a (Chl a) in Lake Dianchi. The SEM result was further validated with the artificial neural networks (ANN) model. It proved that there was a good agreement on the results of the various models. The model results demonstrated that, among the water chemistry factors, physical factors (T > DO > SD > pH) had the greatest influence on Chl a; whereas nutrients had little influence. In severely polluted water with chronically high nitrogen (N) and phosphorus (P) concentrations like Lake Dianchi, the change of nutrients concentrations will not significantly influence on Chl a, while the sensibility of N is higher than P. Therefore, nitrogen load reduction should be put in priority for eutrophication control in Lake Dianchi.

Key words: eutrophication, structural equation modeling, artificial neural networks, chlorophyll a, Lake Dianchi

中图分类号:

X321

颜小品,李玉照,刘永,杨永辉,赵磊,郭怀成. 基于结构方程模型的滇池叶绿素 a 与关键影响因子关系识别[J]. 北京大学学报（自然科学版）.

YAN Xiaopin,LI Yuzhao,LIU Yong,YANG Yonghui,ZHAO Lei,GUO Huaicheng. Identifying the Influence of Water Chemistry on Chlorophyll a in Lake Dianchi: A Structural Equation Modeling Analysis[J]. Acta Scientiarum Naturalium Universitatis Pekinensis.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://xbna.pku.edu.cn/CN/

https://xbna.pku.edu.cn/CN/Y2013/V49/I6/1031

[1]	吴悔, 陈旭, 景永俊, 王叔洋. MFA-SGWNN: 基于多特征聚合谱图小波神经网络的僵尸网络检测[J]. 北京大学学报自然科学版, 2024, 60(3): 403-412.
[2]	刘立超, 胡天跃, 李徯徯, 刘依谋, 梁上林, 黄建东. 基于无监督神经网络匹配算法的叠前表面多次波压制方法[J]. 北京大学学报自然科学版, 2024, 60(3): 453-463.
[3]	李玳, 王天牧, 张思, 秦跃, 谢福贵, 刘辛军, 聂振国, 黄红拾. 基于足底压力和卷积长短期记忆神经网络的前交叉韧带断裂智能辅助诊断[J]. 北京大学学报自然科学版, 2024, 60(1): 109-117.
[4]	刘佳驹, 李金城, 郭怀成, 袁鹏, 李政, 张扬, 王志勇. 基于人工神经网络的雅鲁藏布江水化学变化趋势研究[J]. 北京大学学报自然科学版, 2023, 59(6): 1043-1051.
[5]	张领, 曹健, 张袁, 冯硕, 王源. 基于知识蒸馏的脉冲神经网络强化学习方法[J]. 北京大学学报自然科学版, 2023, 59(5): 757-763.
[6]	刘相呈, 曹健, 姚宏毅, 徐鹏涛, 张袁, 王源. 基于自适应剪枝率与高效权重继承的神经网络通道剪枝方法[J]. 北京大学学报自然科学版, 2023, 59(5): 764-772.
[7]	刘士磊, 夏军. 采伐限额对林业投资和森林保护的影响研究——基于结构方程模型的分析[J]. 北京大学学报自然科学版, 2023, 59(4): 617-628.
[8]	周翔宇, 毛善君, 李梅. 基于频域降采样和CNN的轴承故障诊断方法[J]. 北京大学学报自然科学版, 2023, 59(2): 251-260.
[9]	赵丹丹, 张俊朋, 孟佳娜, 张志浩, 苏文. 基于预训练模型和混合神经网络的医疗实体关系抽取[J]. 北京大学学报自然科学版, 2023, 59(1): 65-75.
[10]	谢豪, 曹健, 李普, 赵雄波, 张兴. 基于FPGA的SSD目标检测硬件加速器设计[J]. 北京大学学报自然科学版, 2022, 58(6): 1015-1022.
[11]	徐鹏涛, 曹健, 孙文宇, 李普, 王源, 张兴. 基于可融合残差卷积块的深度神经网络模型层剪枝方法[J]. 北京大学学报自然科学版, 2022, 58(5): 801-807.
[12]	徐鹏涛, 曹健, 陈玮乾, 刘晟荣, 王源, 张兴. 基于离群值去除的卷积神经网络模型训练后量化预处理方法[J]. 北京大学学报自然科学版, 2022, 58(5): 808-812.
[13]	屈永霖, 闻新宇, 张慕琪, 刘喆. 使用人工神经网络改进2022年北京冬奥会数值天气预报后处理过程的算法研究[J]. 北京大学学报自然科学版, 2022, 58(2): 210-220.
[14]	张慕琪, 闻新宇, 包赟, 屈永霖. 基于人工神经网络开发中国地区统计降尺度气候预估数据[J]. 北京大学学报自然科学版, 2022, 58(2): 221-233.
[15]	张阳, 冼慧婷, 赵志杰. 基于空间相关性和神经网络模型的实时河流水质预测模型[J]. 北京大学学报自然科学版, 2022, 58(2): 337-344.