根據(jù)各地多年的監(jiān)測(cè)資料，近年來我國多數(shù)城市湖泊水體呈嚴(yán)重富營養(yǎng)化狀態(tài)⋯。2007年，28個(gè)國控重點(diǎn)湖(庫)中，V類的5個(gè)，占17．9％，劣V類的11個(gè)，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(dāng)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(shí)，水體藻類大量生長繁殖或聚集并達(dá)到一定濃度的現(xiàn)象。水華一旦發(fā)生，就會(huì)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(huì)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(huì)加大，治理成本成倍提高，因此如果能夠預(yù)見到水華的發(fā)生并及時(shí)采取相應(yīng)措施會(huì)取得事半功倍的效果。水華預(yù)警是水質(zhì)預(yù)警中的一種突發(fā)型預(yù)警類別，是指在一定范圍內(nèi)，對(duì)藻類生長狀況進(jìn)行分析、評(píng)價(jià)，對(duì)其未來發(fā)展?fàn)顩r進(jìn)行預(yù)測(cè)。水華預(yù)警系統(tǒng)具有超前性預(yù)報(bào)的功能，能夠提前預(yù)測(cè)出水質(zhì)演化趨勢(shì)、方向、速度和后果，在發(fā)生水華之前及早發(fā)出警報(bào)，為水華控制提供科學(xué)依據(jù)。國內(nèi)外對(duì)水華預(yù)警的研究主要圍繞三個(gè)方面展開：(1)利用單變量或多變量營養(yǎng)指標(biāo)對(duì)水體營養(yǎng)程度進(jìn)行預(yù)測(cè)；(2)利用水質(zhì)模型對(duì)水體富營養(yǎng)化程度進(jìn)行模擬和預(yù)測(cè)；(3)利用地理信息系統(tǒng)或遙感系統(tǒng)對(duì)水華的發(fā)生進(jìn)行預(yù)測(cè)。水華預(yù)警的方法有模糊評(píng)價(jià)法、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、支持向量機(jī)(support vector machines，SVM)等，而神經(jīng)網(wǎng)絡(luò)方法由于具有較強(qiáng)的適應(yīng)能力、學(xué)習(xí)能力和真正的多輸人多輸出系統(tǒng)的特點(diǎn)而受到人們的重視。

1 預(yù)警因子
對(duì)于一個(gè)確定的水體環(huán)境，藻類數(shù)量的某一個(gè)特定值，是對(duì)應(yīng)了水體環(huán)境的某一個(gè)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(qiáng)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(shí)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(shí)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(shí)發(fā)生變化，因此在水質(zhì)預(yù)警模型中參數(shù)較多，在模型設(shè)計(jì)時(shí)需要在這些影響因素中篩選出合適的因素作為預(yù)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(cè)方便并且與藻類生長密切相關(guān)的這些因素作為預(yù)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(yù)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(yù)測(cè)模型，通過監(jiān)測(cè)氮磷濃度來預(yù)測(cè)水華是否發(fā)生。V．H．Smith通過研究指出：對(duì)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(shí)，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(dāng)小于13：1時(shí)，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(xué)者坂本研究發(fā)現(xiàn)，當(dāng)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(shí)，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(duì)“水華”生物量的影響，發(fā)現(xiàn)當(dāng)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(shí)，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(duì)應(yīng)藻類“水華”生物量回歸模型，可以對(duì)藻類“水華”的生物量進(jìn)行預(yù)測(cè)。鐘衛(wèi)鴻等"1研究了N、P等對(duì)銅山源水庫優(yōu)勢(shì)藻類(綠球藻和舟形硅藻)生長的影響，發(fā)現(xiàn)當(dāng)N／P為25時(shí)，綠球藻生長量。楊廣杏等對(duì)里湖水體進(jìn)行實(shí)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(jìn)行回歸統(tǒng)計(jì)，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(shì)與浮游藻類葉綠素a變化趨勢(shì)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(shí)部分藻類對(duì)水體中有機(jī)酸的吸收和重碳酸鹽的利用，也會(huì)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(jìn)H+的生成，會(huì)引起pH下降。水體酸堿度也會(huì)影響藻類的生長，例如堿性環(huán)境有利于藻類光合作用，因?yàn)閴A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(huì)影響藻類的生長繁殖速度，還會(huì)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(huì)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(xué)模型，可以通過監(jiān)測(cè)pH來預(yù)測(cè)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(duì)象，進(jìn)行了一系列實(shí)驗(yàn)，研究水體中pH的變化，并對(duì)實(shí)驗(yàn)過程中的pH與藻類生長情況進(jìn)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(gè)合理的水華預(yù)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(dāng)藻類數(shù)量上升到一定數(shù)量級(jí)時(shí)，其數(shù)量的多少、生命活動(dòng)的旺盛程度對(duì)水體的DO變化起主導(dǎo)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(gè)指標(biāo)，在湖泊形成水華期間表面水華會(huì)造成水體中溶解氧含量降低，氧化還原電位也會(huì)隨之降低，從而改變?cè)孱惖纳L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(duì)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(duì)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(shí)試驗(yàn)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(duì)Orbetello礁湖的為期一年的監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析，比較了春季和冬季的兩個(gè)變量的每日變化情況，發(fā)
現(xiàn)在春季的時(shí)候DO和ORP在每天的不同時(shí)段變化很大，呈現(xiàn)周期的變化趨勢(shì)；而在冬季DO和ORP在每天的不同時(shí)段變化不大。由此得出這樣的結(jié)論：在春季的時(shí)候水體溫度上升，藻類開始復(fù)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(shì)。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(shí)說明，DO、ORP和藻密度是相互影響的，因此可以通過檢測(cè)DO、ORP數(shù)據(jù)來對(duì)藻類的數(shù)量進(jìn)行預(yù)測(cè)。

2 國外水華預(yù)警模型研究進(jìn)展
上世紀(jì)70年代湖泊學(xué)家們通過建立簡單的磷負(fù)荷模型，用于評(píng)價(jià)、預(yù)測(cè)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(shí)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(duì)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(fù)荷量之間的相關(guān)經(jīng)驗(yàn)?zāi)Ｐ停渲斜容^經(jīng)典的有Rast和Lee的經(jīng)驗(yàn)?zāi)Ｐ?。這類經(jīng)驗(yàn)?zāi)Ｐ秃唵沃庇^，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(shí)際情況往往有較大差別，更不能反映藻類生長的機(jī)理。進(jìn)入90年代后，國外出現(xiàn)了更多對(duì)湖泊藻類的預(yù)測(cè)模型，較有名的有PACGAP類型即藻類種群生長和生產(chǎn)力的預(yù)測(cè)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(duì)性的水華預(yù)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(shí)，采用多層傳感器，運(yùn)用概括方法構(gòu)造了兩個(gè)人工神經(jīng)網(wǎng)絡(luò)模型，對(duì)處于富營養(yǎng)化的初級(jí)生產(chǎn)力進(jìn)行了成功預(yù)測(cè)。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(yù)測(cè)到了幾種主要優(yōu)勢(shì)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(cè)資料，利用神經(jīng)網(wǎng)絡(luò)建立了四個(gè)系統(tǒng)的淡水水華預(yù)測(cè)模型，對(duì)藻類發(fā)生的時(shí)間、數(shù)量級(jí)等的成功預(yù)測(cè)顯示該類模型對(duì)復(fù)雜的非線性的生態(tài)現(xiàn)象進(jìn)行預(yù)測(cè)的準(zhǔn)確率達(dá)到了很高的程度。此外，Nitin Muttil，Joseph H．W．Lee悼刊運(yùn)用遺傳算法對(duì)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(shí)時(shí)預(yù)測(cè)模型進(jìn)行水華超前預(yù)測(cè)，也得到令人滿意的效果。S．Marsili．Libell利用15個(gè)月的水質(zhì)監(jiān)測(cè)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(yù)測(cè)水華發(fā)生的可能性，運(yùn)用模糊評(píng)
價(jià)的方法建立了Orbetello湖的水華預(yù)警模型，進(jìn)行了成功的水華預(yù)測(cè)。

3 國內(nèi)水華預(yù)警模型應(yīng)用研究
國內(nèi)對(duì)水華預(yù)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(yán)重水污染事件，人們對(duì)環(huán)境問題越來越重視。國內(nèi)對(duì)水質(zhì)預(yù)報(bào)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(yù)警和湖泊的綜合水質(zhì)預(yù)報(bào)。朱繼業(yè)等口引在研究物元分析理論的基礎(chǔ)上，運(yùn)用綜合評(píng)判模型對(duì)南京市秦淮外河進(jìn)行綜合水質(zhì)評(píng)定，并建立回歸預(yù)警模型進(jìn)行綜合水質(zhì)預(yù)報(bào)，在實(shí)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(píng)判法對(duì)吉林地區(qū)的潛層地下水水質(zhì)進(jìn)行預(yù)警評(píng)價(jià)后，結(jié)合GIS系統(tǒng)得出了該地區(qū)的水質(zhì)預(yù)警結(jié)果圖。王東云等運(yùn)用多層前饋神經(jīng)網(wǎng)絡(luò)模型和B．P算法，對(duì)我國某海域的水質(zhì)富營養(yǎng)化水平進(jìn)行了評(píng)價(jià)，只要將觀測(cè)結(jié)果提供給網(wǎng)絡(luò)，模型可自動(dòng)將評(píng)價(jià)結(jié)果輸出。劉載文等舊¨利用算法改進(jìn)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(dǎo)率和水溫五個(gè)參數(shù)作為模型輸人，以預(yù)測(cè)ld：3d和5d后的葉綠素含量為目標(biāo)，構(gòu)建了北京市長河水系水華短期預(yù)報(bào)系統(tǒng)，對(duì)該水系三個(gè)周期的預(yù)測(cè)精度分別達(dá)到了97．2％、94％、88．3％。王洪禮等∞21利用支持向量機(jī)理論對(duì)海水水質(zhì)富營養(yǎng)化的程度進(jìn)行評(píng)價(jià)，并與BP人工神經(jīng)網(wǎng)絡(luò)方法所得結(jié)果進(jìn)行比較，發(fā)現(xiàn)SVM理論能更好地解決小樣本的分類評(píng)價(jià)問題，評(píng)價(jià)效果良好，在水質(zhì)評(píng)價(jià)領(lǐng)域有較好的應(yīng)用前景。韓濤等以MATLAB為工具，建立了評(píng)價(jià)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(duì)我國9個(gè)湖泊富營養(yǎng)化程度進(jìn)行評(píng)價(jià)。通過對(duì)比用分級(jí)評(píng)分法、模糊數(shù)學(xué)法、Fuzzy—Grey決策法(F．G決策法)的評(píng)價(jià)結(jié)果，BP神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)結(jié)果更為準(zhǔn)確。由于采用了足夠多的學(xué)習(xí)樣本對(duì)網(wǎng)絡(luò)進(jìn)行了訓(xùn)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(yàn)證明了網(wǎng)絡(luò)具有很強(qiáng)的泛化能力，所以其評(píng)價(jià)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(yù)警模型。應(yīng)用決策樹方法預(yù)測(cè)水華爆發(fā)時(shí)機(jī)，非線性回歸方法預(yù)測(cè)水華爆發(fā)強(qiáng)度。以北京“六?！睘槔?，利用分段線性多元統(tǒng)計(jì)回歸預(yù)測(cè)公式，建立了三個(gè)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(gè)回歸方程來計(jì)算葉綠素a的含量，從而達(dá)到預(yù)測(cè)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(yù)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(yùn)用GIS、RS、網(wǎng)絡(luò)、多媒體及計(jì)算機(jī)仿真等現(xiàn)代*手段，對(duì)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(jìn)行動(dòng)態(tài)監(jiān)測(cè)與處理，建立全流域水質(zhì)基礎(chǔ)信息平臺(tái)、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(yù)警系統(tǒng)具備對(duì)漢江水質(zhì)實(shí)時(shí)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(tái)，建立了數(shù)字西江水質(zhì)預(yù)警預(yù)報(bào)系統(tǒng)，在發(fā)生水污染突發(fā)事故后，能夠快速預(yù)報(bào)污染物向下游的擴(kuò)散時(shí)間、擴(kuò)散面積、確定污染范圍、污染程度及對(duì)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(duì)太湖的藍(lán)藻爆發(fā)引起的太湖水質(zhì)不斷惡化，結(jié)合預(yù)警模型和GIS技術(shù)以太湖歷年來的連續(xù)監(jiān)測(cè)資料為基礎(chǔ)，運(yùn)用多元逐步回歸統(tǒng)計(jì)方法，選擇水溫等多項(xiàng)環(huán)境理
化因素與葉綠素a、藻類生物量、藍(lán)藻生物量等生物因素進(jìn)行逐步回歸分析，建立起多元逐步回歸方程，對(duì)太湖藻類生物量的變化情況進(jìn)行預(yù)測(cè)預(yù)報(bào)。

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(yù)警模型得到了很大發(fā)展：狀態(tài)變量由初的幾個(gè)發(fā)展到幾十個(gè)；水體維數(shù)由一維穩(wěn)態(tài)發(fā)展到多維動(dòng)態(tài)；研究角度由簡單的營養(yǎng)鹽吸收發(fā)展到對(duì)生態(tài)系統(tǒng)分析模擬；研究對(duì)象由單一的藻類生長模擬發(fā)展到綜合考慮水體的動(dòng)力學(xué)、熱力學(xué)及生物動(dòng)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(xì)的水體水化學(xué)方面的數(shù)據(jù)，這給模型的校正、驗(yàn)證造成很大困難，降低了水華預(yù)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(shí)時(shí)模擬環(huán)境的突變，因而預(yù)測(cè)結(jié)果不能反映水體生態(tài)系統(tǒng)的真實(shí)性。(3)模型的模擬對(duì)象主要是營養(yǎng)鹽的循環(huán)、浮游植物的生長和死亡的動(dòng)態(tài)過程，水華預(yù)警模型在整個(gè)生態(tài)系統(tǒng)中非常獨(dú)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(jìn)行參數(shù)估計(jì)，用混沌與分形理論增強(qiáng)參數(shù)估計(jì)的能力，用災(zāi)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(biāo)函數(shù)等。富營養(yǎng)化模擬的發(fā)展趨勢(shì)以學(xué)科相互滲透與交錯(cuò)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(xué)與分子生物學(xué)相結(jié)合。富營養(yǎng)化模型也將從單一的預(yù)測(cè)和評(píng)價(jià)發(fā)展成為多目標(biāo)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(huì)學(xué)、經(jīng)濟(jì)學(xué)和心理學(xué)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(jìn)一步加強(qiáng)。綜合運(yùn)用GIS、RS、計(jì)算機(jī)仿真技術(shù)、多媒體技術(shù)等，對(duì)水體預(yù)警因子進(jìn)行實(shí)時(shí)監(jiān)測(cè)與處理，建立更符合水體實(shí)際的多維動(dòng)態(tài)水華預(yù)警模型，進(jìn)一步提高預(yù)警模型的可靠性，是水華預(yù)警模型研究的方向。