构建耦合自组织映射神经网络(SOFM)和随机森林(RF)的方法, 对中国63个湖泊11年的9种水质指标(5110条数据)进行模式识别。首先采用SOFM对湖泊进行聚类, 以识别污染状况, 然后采用RF分析水质指标对湖泊类别的决定效果, 以确定代表性指标。SOFM的结果显示, 湖泊可以按污染程度分为3类。RF的结果发现, 在分类准确率为80%时, 根据高锰酸盐指数和叶绿素a浓度即可判定湖泊污染程度。该方法可从庞杂的数据中识别出反映水体污染特征的水质指标, 为快速认知水体污染状况及选取监测指标提供参考。

为了揭示富营养湖泊恢复时间和负荷削减强度之间的非线性关系及其影响因素, 以典型湖泊为理论分析对象, 基于经典磷循环模型, 通过数值模拟, 计算得到不同负荷削减强度下的湖泊恢复时间, 即不同负荷下, 湖泊从初始富营养状态, P浓度逐渐降低回到清水稳态所需要的时间。通过计算不同参数取值下湖泊恢复时间的变化, 探究湖泊不同方面的特征对湖泊恢复时间的影响及可能的管理契机, 得到如下结果。1) 湖泊由浊水稳态向清水稳态的恢复时间和负荷削减强度之间存在非线性关系。若将外源负荷强度控制在略低于“浊水–清水”转换阈值, 则恢复时间在40年以上, 若加大削减强度, 则可缩短恢复时间; 但随着削减强度的持续增加, 其边际效应将逐渐减弱。2) 湖泊形态和状态会对恢复时间产生明显的影响。在同样的负荷削减强度下, 寒冷地区较深的湖泊恢复时间更短; 沉积物释放较快的湖泊恢复时间更长; 水力停留时间短的湖泊恢复时间也更短。因此, 从理论上讲, 通过生态修复工程措施来降低沉积物P的释放或改善水动力条件, 能够缩短富营养湖泊的恢复时间; 湖泊状态的改善还可降低“浊水–清水”稳态转换阈值, 进而降低治理难度。

为探究湖泊群水质变量的响应模式, 构建适用于监测数据匮乏的湖泊群聚类和响应模式识别方法体系(PCA-BN), 包括4个步骤: 数据预处理、PCA降维与湖泊聚类、贝叶斯网络构建及参数学习、湖泊响应关系模拟。以云南高原湖泊群为例开展研究, 结果表明: 所研究的26个湖泊可分为两类; 由于第一类湖泊受到的人为干扰更严重, 因而叶绿素a对总氮和总磷的响应比第二类湖泊更敏感; 第一类湖泊表层水温高, 溶解氧趋近饱和, 随叶绿素a变化不显著, 第二类湖泊溶解氧随叶绿素a升高而显著升高; 两类湖泊的透明度与叶绿素a的关系一致。