Viability of a Freshwater Mussel (Elliptio complanata) as a Biomechanical Filter for Aquaculture Ponds I: Clearance Rate of Chlorophyll-α

The production and livelihood of aquaculture facilities depend on increased growth of species being harvested. Only 15%-25% of nitrogen and phosphorus are retained in farmed fish even when all feed is consumed. In both marine and freshwater aquaculture systems, bivalves have proven to be an inexpensive method for controlling algal growth through suspension feeding. With 25% of the native U.S. freshwater mussel species under federal protection, their use in aquaculture ponds could lead to further propagation and restoration of natural populations. Elliptio complanata is an important species in Delaware rivers and connected estuaries; a recent two-year study by the United States Geological Survey found that 98% of mussels found in the Delaware River were Elliptio complanata. The objective of this study was to calculate the clearance rate of E. complanata in a laboratory study. This would help us determine if mussels can serve as an addition to chemical and mechanical filtration regiments and thrive in an aquaculture setting. Using feeding chambers we investigated the effect of E. complanata on algae grown from an aquaculture pond and on a cultured alga over a four-hour period. Temperature, dissolved oxygen, and pH were monitored, and samples were than analyzed for total chlorophyll-α. The average of both the single cell using Chlorella vulgaris and mixed assemblage treatments chlorophyll-α clearance rate was 0.187 liters per hour per mussel. Prior to this experiment, these mussels were held for a period for two months in the holding system in the laboratory. The resulting low clearance rate as compared to the previous studies in the field is possibly due to the stress from holding these mussels. However, our study demonstrated that mussels have the potential to be used in an aquaculture setting and/or recreational ponds to help reduce algae populations that can occur as a result of eutrophication.     

BP神经网络在太湖不同湖区叶绿素a浓度短期预测的应用初探

摘要：人工神经网络具有强大的非线性能力,能对复杂的水环境系统中非线性行为进行准确有效地预测。本文选择太湖的梅梁湾和湖心区两个典型湖区为研究对象,分别设置4个和2个采样点。通过对其2006-2008年三年的常规水质监测参数进行主成分分析,选择合适的输入因子及最优的网络参数,建立优化的BP网络模型,以实现叶绿素a浓度的月预测。结果表明,梅梁湾湖区和湖心区的预测值与实测值的平均相对误差分别为71%和39%,两者预测精度均较低,原因与太湖的水动力条件、水文气象及藻型生态系统等因素有关。     

青海湖总磷、水温及矿化度与叶绿素a相关性分析

以青海湖水体11个样点为研究对象,测定水中叶绿素a含量,并对其分布特征及相关性进行分析.用叶绿素a来表征藻类,采用回归分析方法,对青海湖水中总磷、水温及矿化度与叶绿素a的关系进行探讨.结果表明:5月叶绿素a含量为0.396～4.031 mg·L-1,均值1.387 mg·L-1;7月叶绿素a含量为0.129-0.865 mg·L-1,均值0.432 mg· L-1;9月叶绿素a含量为0.164～1.360 mg·L-1,均值0.665 mg· L-1.5月至9月湖水总磷平均含量从0.124 mg· L-1持续下降到0.061 mg·L-1,藻类生长对总磷的需求大于外源输入和内源转化的总量,磷是青海湖藻类生长繁殖限制性营养元素之一,水温是春季限制藻类生长的主要因素.目前青海湖湖水矿化度在藻类生长的适宜范围内.     

千岛湖水体叶绿素浓度高光谱遥感监测研究初报

以千岛湖为研究对象,利用高光谱地物光谱仪在库区进行了反射光谱测量和同步水质采样分析.通过研究水体藻类叶绿素浓度与其高光谱反射特征之间的关系,建立了叶绿素a的遥感定量模型, 结果表明:光谱反射率比值R701 nm/R516 nm、IKONOS的红光与蓝光波段反射率之比与叶绿素a线性相关程度都比较高,决定系数分别为0.87和0.83,可以用来估计叶绿素a浓度;而微分光谱、单波段以及其它波段比与叶绿素a的相关性不及前两者.所以,遥感估算千岛湖叶绿素a浓度,采用比值法最准确.由于TM波段与IKONOS波段范围几乎完全相同,而分辨率不同,从经济实用的角度考虑,可以用TM数据对整个库区进行大范围遥感监测,而对其支流和小范围水面,用分辨率较高的IKONOS数据才能满足精度要求.     

千岛湖叶绿素a浓度动态变化及其影响因素分析

通过对千岛湖各常规监测点1999～2000年叶绿素a含量及水质理化指标的逐月监测,分析了千岛湖叶绿素a含量的时空变化特征及影响因子.结果表明,千岛湖叶绿素a含量在湖心区和出水区随季节变化不明显,但受人类活动影响较大的河流区和湖边区随季节变化明显,其含量明显高于湖心区和出水区.影响千岛湖叶绿素a含量变化的主要因子有氮、磷、水温、透明度和降水等,这些生态因子对叶绿素a含量有着直接和间接的影响,但不同区域各影响因子所起的作用不同.     

4种机器学习模型反演太湖叶绿素a浓度的比较

基于太湖实测叶绿素a浓度数据以及同步HJ-1B卫星CCD多光谱影像,综合比较4种机器学习模型(随机森林,RF;支持向量回归,SVR;反向传播人工神经网络,BPANN;深度学习,DL)反演太湖叶绿素a浓度的精度、稳定性及鲁棒性。利用11种波段组合分别建立基于RF、SVR、BPANN和DL的反演模型,筛选出最佳波段组合模型用于验证和评价。结果表明,模型精度方面,DL(决定系数R2=0.91,均方根误差RMSE=3.458μg/L,相对预测偏差RPD=3.13)和SVR(R2=0.88,RMSE=3.727μg/L,RPD=2.90)具有较优的验证精度;模型稳定性方面,DL模型不易受模型校正样本数影响,稳定性较好,而RF模型稳定性较差;模型鲁棒性方面,DL模型不易受噪声影响,鲁棒性较好,其次是SVR、BPANN和RF模型。综合4种模型的验证精度、稳定性和鲁棒性,DL模型在太湖叶绿素a浓度的反演具有较大应用潜力,能为研究湖泊水色参数提供借鉴。     

凡纳滨对虾养殖塘叶绿素a与水质因子的多元回归分析

2009年4-9月期间,对上海市奉贤区某凡纳滨对虾养殖场22个养殖池塘水体叶绿素a、水温、pH、溶解氧、透明度、悬浮物(SS)、总有机碳(TOC)、五日生化需氧量(BOD₅)、高锰酸盐指数(COD_Mn)等15项水质因子进行测定。取164组测定数据,进行描述性统计,分析叶绿素a与各项因子的相关性系数。分析结果显示,与叶绿素a呈极显著线性正相关的水质因子为SS、TOC、BOD₅、COD_Mn、TN、TP;呈显著正相关的为DO;而叶绿素a与透明度呈极显著线性负相关,与PO^3-₄-P呈显著线性负相关;与水温、pH、NO^-₂-N、 NO^-₃-N、NH₃-N则未呈现显著相关性。根据多元线性回归选择自变量的原则,选择了TOC、TN、PO^3-₄-P和TP₄项水质因子,建立了叶绿素a与4项水质因子的逐步回归模型:Chl.a =-0.054 5+0.0034 9 TOC+0.015 3 TN-0.418 PO^3-₄-P+0.276 TP(r=0.715 5)。利用偏回归系数检验各水质因子对叶绿素a的影响,结果表明,对叶绿素a影响从大到小依次是TP、TOC、PO^3-₄-P和TN。研究结果对进一步探讨养殖池塘生态系统的变化规律及水环境质量保护提供了依据。     

基于Sentinel-2卫星遥感影像的巢湖及南淝河叶绿素a浓度反演

叶绿素a是反映水生态环境污染状况的重要指标。定量反演叶绿素a浓度有助于及时监测水体营养状态变化，对富营养化水体治理具有重要意义。以巢湖及南淝河支流下游为研究区域，利用Sentinel-2卫星遥感数据源，构建其叶绿素a浓度反演模型，探究叶绿素a浓度的时空变化规律。结果显示，构建的深度神经网络（DNN）模型反演精度较高（R2=0.96，MRE=31.62%，RMSE=24.4 μg/L）。通过减少训练样本量对DNN模型精度的影响分析，发现训练样本较少时，模型仍具有较高的精度；根据其精度的敏感模型训练样本个数，将训练集按组等分，模型呈现较好的稳定性并具有一定的适用性。分析表明，研究区叶绿素a浓度在时间上呈现夏秋季上升、春冬季下降的规律，在空间上呈现湖区西高东低、局部近岸区分布较高的特点。     

水下集鱼灯在近海水体中的光场分布数值模拟

为提高水下集鱼灯光场分布计算精度，本实验采用集鱼灯光谱数据、光度分布数据和海水固有光学参数，基于蒙特卡罗模拟方法构建了新的光场传输数值模拟方法，将光束能量离散成大量光子，通过追踪光子路径计算水下集鱼灯形成的光场强度，并开展水槽实验对计算方法进行了验证。同时，提出了新的集鱼灯光场分布评价指标I_ds和A_ds。利用模型分析了海水的叶绿素a质量浓度、散射作用类型和散射相位函数HG (Henyey Greenstein)中非对称参量g的取值对水下光场分布的影响。结果显示，①叶绿素a质量浓度从1mg/m³增加到5 mg/m³,LED集鱼灯A_5m减少了72.73%,MH集鱼灯A_5m减少了72.17%;LED集鱼灯I_5m减少了66.69%,MH集鱼灯I_5m减少了53.29%。②当海水介质引起的散射类型分别为米氏散射和瑞利散射时，MH集鱼灯I_5m分别为1 058.48和1 020.5 lx,LED集鱼灯I     

太湖五里湖叶绿素-a与环境因子的灰关联分析

运用灰色系统理论对淡水湖泊太湖五里湖中叶绿素-a与环境因子的关系进行研究,采用灰关联分析方法探讨太湖五里湖的部分理化因子对叶绿素-a浓度影响的大小排列顺序。结果表明,影响太湖五里湖叶绿素-a的“优势”因子包括溶解氧DO、高锰酸盐指数CODMn、湖水温度和pH。