深圳市区空气污染的人工神经网络预测

王国胜, 郭联金, 董晓清, 朱燕茹. 深圳市区空气污染的人工神经网络预测[J]. 环境工程学报, 2015, 9(7): 3393-3399. doi: 10.12030/j.cjee.20150752
引用本文: 王国胜, 郭联金, 董晓清, 朱燕茹. 深圳市区空气污染的人工神经网络预测[J]. 环境工程学报, 2015, 9(7): 3393-3399. doi: 10.12030/j.cjee.20150752
Wang Guosheng, Guo Lianjin, Dong Xiaoqing, Zhu Yanru. Artificial neural network prediction of air pollutants in Shenzhen city[J]. Chinese Journal of Environmental Engineering, 2015, 9(7): 3393-3399. doi: 10.12030/j.cjee.20150752
Citation: Wang Guosheng, Guo Lianjin, Dong Xiaoqing, Zhu Yanru. Artificial neural network prediction of air pollutants in Shenzhen city[J]. Chinese Journal of Environmental Engineering, 2015, 9(7): 3393-3399. doi: 10.12030/j.cjee.20150752

深圳市区空气污染的人工神经网络预测

  • 基金项目:

    国家自然科学基金资助项目(E080402)

    深圳信息职业技术学院(lg2014007,HX-080)项目联合资助。

  • 中图分类号: X823

Artificial neural network prediction of air pollutants in Shenzhen city

  • Fund Project:
  • 摘要: 利用深圳市2006至2013年的大气污染物监测浓度数据和气象资料,分析深圳市空气质量的逐月分布变化特征。采用Pearson相关分析,选择显著相关因子,分别以BP神经网络和RBF神经网络构建空气质量预测模型,对该市2013年SO2、NO2、PM10 3种空气污染物的月均值进行预测。实验结果表明,通过Pearson相关分析建立的预测模型有更高的预报精度。BP和RBF 2种网络预测效果都比较理想,对不同污染物的预测精度各有高低。但BP网络的构建和参数优化过程较为复杂且网络训练结果不稳定,而RBF网络构建和训练简单,时间短而结果稳定。在综合性能上,RBF网络用于环境空气污染物浓度的预测具有更强的适用性。
  • 自1929年发现青霉素来,抗生素作为一种能够有效对抗细菌感染的药物已被广泛应用于人类和牲畜疾病的预防与治疗. Klein等[1]的研究表明,在2000年至2015年间,全球抗生素的消费量增加了65%,并且预测在没有政策干预的情况下,2030年全球抗生素消费量可能比2015年高出200%. 由抗生素大量使用诱导产生的抗生素耐药问题是人类面临的重要公共卫生挑战之一. 据估计,每年死于抗生素耐药性问题的人数高达70万,如果不采取适当的预防措施,到2050年,每年的死亡人数将接近1000万,超过癌症的死亡人数[2]. 存在于抗生素耐药菌(antibiotic resistant bacteria, ARB)中的抗生素抗性基因(antibiotic resistance genes, ARGs),作为一种新污染物,与传统污染物不同,可以通过细菌的繁殖,进行垂直基因转移(vertical gene transfer, VGT),在环境中大量扩增,也可以通过水平基因转移(horizontal gene transfer, HGT)在不同细菌间扩散,进一步诱导抗生素耐药性的产生,因而引起了广泛的关注[3-4].

    覆盖地球71%表面积的海洋对人类的生存和发展具有重要意义,反过来也受到了人类活动的广泛影响,它不仅是各类陆源污染物的汇,同样也是ARGs的重要天然储库. 海洋环境中的ARGs可以存在于细菌等微生物体内,也可以在微生物死亡后释放到海水和沉积物中并长期存在[5-6]. 这些ARGs可以在海洋生物之间传播,也可以在海洋生物与人类之间传播,显然海洋介质在ARGs的传播中发挥着重要作用,但这种作用在很大程度上无法量化[6-7]. 全球约40%的人口居住在海岸线100 km2以内的沿海地区,海洋环境中ARGs的存在会对这一区域的人类健康带来前所未有的挑战[8]. 但目前人们对于海洋环境中ARGs的来源、组成和影响因素,仍缺乏系统的认识. 本研究在总结国内外最新研究的基础上,重点讨论了海洋环境中ARGs的主要来源,对比分析了不同海域ARGs的优势类型、浓度水平,以及多个影响因子对海水和沉积物中ARGs的潜在影响,探讨了海洋环境中ARGs的传播扩散路径以及潜在影响等,为深入研究和治理海洋环境ARGs污染,降低ARGs的生态和健康风险提供参考.

    海洋环境中的污染物往往存在着复杂的来源,如污水处理厂排放、地表径流、船舶污染、人类近岸活动、大气远距离传输和候鸟迁徙等过程,这些过程给海洋环境带来了大量的污染物[9-12],其中就包括ARGs.

    大多数污水处理厂的现有水处理方法不能有效地去除抗生素和ARGs,残留的抗生素和ARGs会通过污水处理厂的出水口排放到环境中,是河口和近海环境中ARGs的一大来源[13-15]. 在国内外许多海域,近海污水处理厂的废水排放是ARGs的重要来源之一. Huang等[16]的研究发现,市政污水处理厂的废水可能是福建九龙江口和闽江口的主要ARGs污染源. Makkaew等[17]的研究表明,污水直排输入会提高泰国邦盛和芭提雅海滩附近海水中ARGs的丰度. Fonti等[18]研究发现,在中亚得里亚海排放入海的废水中存在大量的ermBqnrSsul2tetA等ARGs.

    除此之外,地表径流也是海洋环境中ARGs的一个重要来源,人类和动物疾病治疗残留的大量抗生素和诱导产生的ARGs随着人为排放、雨水冲刷等途径直接入海或者进入河流,最终将排放到河口和近海环境中[13,19]. Dewi等[20]研究发现,澳大利亚悉尼海滩附近海水中的碳青霉素烯耐药菌很可能是通过雨水和其他淡水径流从陆源输入的. 河流排放是渤海[21]ARGs的重要来源之一,而胶州湾的ARGs则可能来自于河水和/或陆地废水排放[22].

    包括近海海水养殖、居民生活、娱乐用水等的人类活动也会给海洋环境带来ARGs污染. 为了治疗和预防动物疾病,海水养殖过程中往往会投加大量的抗生素,这些抗生素将会导致海洋环境的ARGs污染[23-24]. 与自然海域相比,海水养殖场中ARGs丰度更高[25]. 在土耳其爱琴海居鲁克湾[26]进行的观测表明,水产养殖区具有更高的抗生素耐药风险. 韩国巨济附近海水中ARGs来源可能是沿海地区的港口和造船厂活动,而莞岛附近海水中ARGs的来源可能是水产养殖或农业活动[27].

    候鸟尤其是海鸟在迁徙的过程中,也会携带ARGs并将其传播到更远的区域. 在美国东北部沿海水域,海鸟中分离出来的细菌的耐药性比在海洋哺乳动物中更普遍[28]. 斯瓦尔巴群岛朗伊尔城繁殖区的北极燕鸥泄殖腔内存在大量β-内酰胺类和喹诺酮类耐药菌[29]. 这些存在于海鸟体内的ARGs,将会随着海鸟的长距离迁移,传播到更远的区域.

    除此之外,大气远距离传输和船舶生活污水排放等途径也将给海洋环境尤其是远洋环境带来ARGs污染,但目前仍缺乏相应的研究,人们对这些来源的贡献以及影响这些传播途径的因素知之甚少(图1).

    图 1  海洋环境中ARGs的来源
    Figure 1.  Sources of ARGs in the marine environment

    对于海洋环境中微生物抗生素耐药性的检测,主要包括传统的微生物培养-药敏试验的方法和采用分子生物学技术的聚合酶链式反应(polymerase chain reaction, PCR)、定量PCR(quantitative real-time PCR, qPCR)、高通量qPCR(high-throughput qPCR, HT-qPCR)以及宏基因组检测等方法. 前者仅能检测海洋环境中可培养的ARB,而后者分析的对象则包括了可培养和不可培养的微生物,并可以进一步检测海洋环境中的ARGs,使得到的结果更为全面.

    在一些早期的研究中,大多采用细菌培养-药敏试验的方法对海洋环境中细菌的耐药性进行检测[30-32]. 这种方法较为简单,且成本较低,可以检测细菌的耐药率,鉴别多重耐药菌. 其中,药敏试验部分主要包括纸片扩散法(K-B琼脂法)和稀释法,前者主要通过测量含抗生素在琼脂平板培养基上形成的抑菌环的直径,测定细菌的耐药强度;后者则是通过配置药物浓度梯度稀释的培养基,测定抗生素的最小抑菌浓度(minimum inhibitory concentration, MIC),进而得到细菌耐药强度[33].

    一些研究会对得到的细菌进行进一步的DNA提取,并进行PCR检测,以进一步鉴定其中的ARGs种类[34-36]. 也有一些研究直接对海水或沉积物进行DNA提取,进一步PCR检测[37-38]. PCR检测主要是对特定DNA片段进行指数扩增,再采用琼脂糖凝胶电泳对扩增产物进行检测,以鉴别原始样品中是否存在目标DNA片段,这种检测方法耗时短、准确性强,能够定性分析海水和沉积物中的ARGs,但不能对其定量. 因此,近年来的许多研究采用了qPCR方法,对ARGs进行定量检测[39-41]. qPCR检测是在PCR检测的基础上,通过分析荧光信号在特定DNA片段指数扩增过程中的累积,对目标DNA片段进行定量的检测方法,这种方法可以更直观的表征海洋环境中ARGs组成和丰度的变化. 随着检测技术的发展,也有一些新的研究采用微滴式数字PCR(droplet digital PCR, ddPCR)[42]和HT-qPCR[43-44]对海洋环境中ARGs的组成进行分析,这些方法的灵敏度和检测效率更高.

    随着测序技术的逐步发展,越来越多的研究采用了宏基因组检测的方法对海洋环境中ARGs的组成进行分析[45-47]. 宏基因组又名微生物环境基因组或环境基因组,主要是从环境中直接提取全部的DNA,并构建宏基因组文库,进行测序,更全面地识别出环境中ARGs的组成;也可通过基因克隆,构建文库进行筛选分析,发现新的ARGs[48].

    海洋环境中的污染物既会受到附近人为污染源的强烈影响,也会随着海洋环流不断扩散,对遥远的大洋和极地产生影响,并长期存在于海水和沉积物中(图2). 因此,不同区域海水中ARGs的组成和丰度往往存在较大的差异,但总的来说,多药耐药基因,β-内酰胺类抗性基因和磺胺类抗性基因是常被检出的类型(表1).

    图 2  海水和沉积物中ARGs的相关研究(采用Ocean Data View[69]绘制)
    Figure 2.  Researches of ARGs in seawater and sediments (Draw with Ocean Data View)

    河口和近海生态系统是陆源抗生素和ARGs入海的起点[39,49-50]. 对于印度洋附近海域,科钦河口肠外致病性大肠杆菌对β-内酰胺类抗生素氨苄西林耐药性最强(23.07%),其次是四环素(19.23%)[51]. 对于大西洋附近海域,西西里岛西北部近海地区的海水中β-内酰胺类抗性基因bla-TEM的检出率最高[38],亚得里亚海东部卡什泰拉湾的海水中β-内酰胺类抗生素耐药最强,其中检出率最高的抗性基因是bla-TEM[52],黑海近海地区海水中万古霉素类抗性基因vanB(2×10−1±1×10−1)和β-内酰胺类抗性基因bla-SHV(4×10−2±1×10−2)是相对丰度最高的ARGs[53],英吉利海峡和北海海域磺胺类抗性基因sul1占主导[54]. 在太平洋沿岸海域,泰国邦盛和芭堤雅海滩的海水中,bla-TEM在所有样品中均能检测到,磺胺类抗性基因sul1检出率为97.6%,四环素类抗性基因tetQ检出率为85.4%[17];我国通向南海的河口中,β-内酰胺类抗性基因和磺胺类抗性基因占主导[55-56];在渤海湾检出率最高的ARGs为磺胺类抗性基因sul1sul2β-内酰胺类抗性基因bla-TEM和四环素类抗性基因tetB,四者检出率均为100%[6]

    而与近海环境相比,更开阔且受人类活动影响较小的大洋区域,ARGs的丰度相对较低. 在相对封闭的地中海,检测到的ARGs的平均相对丰度明显高于开阔的南大西洋[57]. 对于不同大洋区域,ARGs丰度也存在差异,西太平洋海水中ARGs的丰度((3.0×106±1.6×106) copies·mL−1)高于南大洋((1.7×106±1.0×106) copies·mL−1),ARGs丰度从最远的采样点到靠近陆地的采样点呈增加趋势,与人类活动或人为污染源有关[58]. 而对于同一区域,西太平洋中层和深层海水中观察到的ARGs丰度与在浅海中的差异并不显著,表明深海也是ARGs的汇[58]. 此外,在大西洋和北海的海水中,sul2基因在40年间无显著变化,但造成这一奇怪现象的原因仍不清楚[42].

    极地通常被认为是脆弱且受人类影响最小的区域,但极地海洋环境中仍有ARGs的存在,不过南极海水中ARGs的丰度比地中海中低3—5个数量级,bla-TEMtetW是地中海中最丰富的ARGs,而bla-TEMbla-CTX-M-1是南极海域最丰富的ARGs,这种差异主要与人为污染有关. 地中海海水中ARGs的丰度更高,主要是由于受到沿岸人类活动带来的高抗生素选择压力和人类粪便污染的影响[63]. 在南极洲菲尔德斯地区,多肽、多药耐药和β-内酰胺抗性基因在海水中的含量也较为丰富.

    表 1  不同海域海水中的ARGs的丰度
    Table 1.  Abundance of ARGs in seawater of different areas
    海域Sea area研究时间Time研究方法MethodARGs相对丰度(16S rRNA−1)Relative abundance绝对丰度Absolute abundance参考文献Reference
    中国渤海湾2015.07.12qPCRtetM5.15×10−5[59]
    sul10−5—10−3
    泰国邦盛和芭堤雅海滩2018.12, 2019.02—2019.08qPCRbla-TEM2.08—4.12 lg copies·100 mL−1[17]
    中国黄海和渤海2018.08.18—2018.09.07qPCRsul1, sul2, tetB, tetG, tetX, ermF, ermT, qnrA, qnrB, qnrS21.1—8.00×103 copies·mL−1[60]
    西太平洋和南大洋2019.10.31—2019.12.04qPCRtetA, tetB, tetBP, tetD, tetZ, sul1, ermB, blaTEM, qnrD, oqxA(3.0×106±1.6×106) copies·mL−1[58]
    爱尔兰海2018.09—2019.10qPCRbla-TEM2.6×103—6.3×103 GC·100 mL−1[41]
    sul13.7×102—4.8×103 GC·100 mL−1
    黑海2019.07—08qPCRvanB2×10−1±1×10−1[53]
    bla-SHV4×10−2±1×10−2
    bla-CMY1×10−2±3×10−3
    mcr-13×10−2±2×10−2
    ermB1×10−3±5×10−4
    vanA1×10−5±5×10−4
    悉尼港河口玫瑰湾2019.08—09qPCRsul1(7.96×101±2.16×102) copies·100 mL−1[61]
    qnrS(1.38×103±3.23×103) copies·100 mL−1
    tetA(9.98×103±3.03×103) copies·100 mL−1(2.87×105±2.50×105) copies·100 mL−1
    波罗的海2008.08,2009.09qPCRtetB1.8×102—7.3×102 copies·L−1[62]
    bla-SHV2.5×102—1.0×103 copies·L−1
    ermB5.0×101—3.0×102 copies·L−1
    tetM4.2×101—7.8×103 copies·L−1
    sul12.5×101—1.7×104 copies·L−1
    英吉利海峡和北海海域2020.01qPCRtetA2.24 lg copies·mL−1[54]
    sul11.52—3.55 lg copies·mL−1
     | Show Table
    DownLoad: CSV

    与流动的海水环境相比,沉积物更具有区域稳定性,因此ARGs更倾向于在沉积物中积累,沉积物中的ARGs丰富且持久[21,60]表2),所以沉积物的再悬浮也是海水中ARGs的一种重要来源[17,49,64]. 总的来说,多药耐药基因和磺胺类抗性基因是海洋沉积物中常被检出的类型(表2图2).

    表 2  不同海域沉积物中的ARGs丰度
    Table 2.  Abundance of ARGs in sediment of different areas
    海域Sea area研究时间Time研究方法MethodARGs相对丰度(16S rRNA−1)Relative abundance绝对丰度(copies·g−1)Absolute abundance参考文献Reference
    中国渤海湾2015.07.12qPCRtetM1.7×10−4[59]
    sul104—102
    中国九龙江口和闽江口2016.04宏基因组289种ARGs1.05×10−1—2.93×10−1[16]
    中国黄海和渤海2018.08.18—2018.09.07qPCRsul1, sul2, tetB, tetG, tetX, ermF, ermT, qnrA, qnrB, qnrS4.67×103—1.08×107[60]
    白令海北部2007.05—06,2016.07,2015.11qPCRsul1, sul2, sul3, tetA, tetB, tetM, tetC, tetD, aacC2, aacC3, aacC4, qepA, qnrB, qnrA, qnrS, qnrD, ermC, blaOXA-1, blaTEM-1, blaOXA-2, blaDHA-1, blaVIM-1, ampC, blaCMY-2, blaOXA-10, blaSHV-1, blaGES-1, blaNDM-1, blaKPC109—105[68]
    中国渤海附近海河河口2018.05HT-qPCR85种ARGs9.06×106—2.93×108[43]
     | Show Table
    DownLoad: CSV

    对于印度洋周边海域,在科威特附近海域沉积物中β-内酰胺类、头孢菌素类和青霉素类抗性基因被频繁检出[65],而在库奇湾、康巴特湾和阿拉伯海的沉积物中,多药耐药抗性基因的占比几乎>40%[66]. 对于太平洋周边海域,多药耐药基因是东中国海九龙江口和闽江口主要的ARGs类型[16],氨基糖苷类、多药耐药和磺胺类耐药是渤海湾西部海河河口3种最主要的耐药类型,其主要的耐药机制为抗生素失活和外排泵(共占81.4%)[43].

    在大洋区域的沉积物中,情况与近海不同,ARGs的检出率和种类数目明显低于海水中. Su等[67]在西太平洋雅浦海沟的一个沉积物样品中检出了杆菌肽抗性基因,在另外两个沉积物样品中则未检出任何ARGs,而在海水样品中则检出了包括万古霉素、大环内酯和多药耐药等多种ARGs,这可能与海沟的极端深度和远离人为污染有关.

    在极地海洋沉积物中也检出了ARGs. 在北极和亚北极的白令海北部区域,sul1sul2sul3是最普遍存在的ARGs,但其丰度与渤海湾的海河河口和其他受人类严重影响的海域相比低约2—5个数量级[68].

    除污水处理厂的排放、地表径流、船舶污染、人类近岸活动等常见ARGs污染源的影响外,海洋环境中ARGs的组成还受到多种生物和环境因素的影响.

    微生物作为ARGs的直接宿主,其群落组成会对ARGs的组成产生重要影响,但在不同区域,ARGs往往有着不同的潜在宿主. 蛭弧菌门(Bdellovibrionota)、蓝细菌(Cyanobacteria)和Margulisbacteria是西太平洋和南大洋海水中ARGs的主要潜在宿主[58]. γ‐变形菌(Gammaproteobacteria)和α-变形菌(Alphaproteobacteria)是西太平洋和深海ARGs的主要潜在宿主[70]. 而拟杆菌门(Bacteroidetes)和厚壁菌门(Firmicutes)与黄海沉积物中大部分ARGs正相关,可能是其潜在宿主[71]. Yang等[57]通过对Tara Oceans项目收集的全球132个海水样品中ARGs组成分析发现,海杆菌(Marinobacter)、交替单胞菌(Alteromonas)、黄杆菌(Flavobacterium)和假交替单胞菌(Pseudoalteromonas)是这些样品中ARGs的主要潜在宿主. 这种差异可能是不同区域理化因子和优势菌群的差异导致的. 与大多数化学污染物不同,ARGs不仅能够长期存在于海洋环境中,而且还能够通过VGT随着宿主的增殖进一步扩增. Li等[72]对龟山岛附近浅海热液口海水的调查显示,细菌群落和物理化学因素对ARGs的组成存在较强的共同影响,细菌群落介导的VGT过程可能对浅海生态系统中ARGs的组成存在重要影响. 此外,它们还能通过HGT作用在不同细菌之间传递,在环境中逐渐增加[73-74]. 包括质粒、转座子、整合子等在内的可移动遗传元件(Mobile Genetic Elements, MGEs)通过接合、转化、转导等方式实现HGT[75]. 许多研究都发现intI1能够促进海水和沉积物中一些基因的传递[43,58-59,76]. 例如,Na等[77]研究显示,1类整合子intI1sul1sul2显著相关,表明1类整合子可以促进黄海海水和沉积物中这两种抗性基因的传播. 而亚得里亚海沉积物中,具有β-内酰胺抗性的大肠杆菌菌株则与IncF质粒之间表现出显著相关[78].

    此外,抗生素作为诱导产生ARGs的直接驱动力,是许多区域ARGs组成和丰度的重要影响因素. 例如,在一些海水养殖区,抗生素的浓度与一些相应ARGs丰度呈显著正相关关系[64,79]. 在厦门西溪河口和台州椒江口也发现了相同的情况[44]. 在珠江口的沉积物、北黄海的海水和渤海湾水和沉积物中,sul1sul2都与磺胺类抗生素均呈显著正相关[56,59,77],此外,在渤海湾的海水和沉积物中,tetW与土霉素也呈显著正相关[59]. 但这种情况并非是绝对的,同样是在黄、渤海沉积物中,Lu等[60]的研究则发现,ARGs与相应抗生素间无明显相关关系. 在辽河河口海水、泰国沿海海水、香港沿岸沉积物中,抗生素浓度也与ARGs无明显相关关系[39,80-81]. 这可能与抗生素浓度和水文动力学过程对污染物的影响有关,在抗生素浓度高的养殖等区域,对ARGs存在更强的选择压力,并且海水的运动也会稀释近海水体中的抗生素和ARGs,减弱二者的相关性[39].

    非抗生素污染因素也可以通过共同选择过程等影响ARGs的组成和丰度[39,82]. 越来越多的证据表明,重金属[39]、微塑料[46]、有机污染物(包括苯扎氯铵消毒剂[83]、多环芳烃(polycyclic aromatic hydrocarbons, PAHs)[84]、多氯联苯(polychlorinated biphenyls, PCBs)[85]、杀虫剂[86]、等离子液体[87]、纳米粒子[88]等在内的多种因素都会影响环境中ARGs的组成和丰度. Yang等[46]研究发现,与海水相比,微塑料和大塑料中ARGs和MRGs的相对丰度均较高,塑料是ARGs的重要载体. Wang等[84]研究发现,PAHs促进了海水中intI1介导的ARGs的共轭转移. Li等[50]研究发现,有机污染物PAHs、PCBs和六溴环十二烷的浓度也与ARGs丰度呈正相关,这一结果可以通过上述污染物对intI1的上调来解释. 此外,也有许多研究表明,海水和沉积物中的重金属与ARGs间存在显著正相关,这与共选择机制作用有关[39,44,50].

    与淡水环境相比,海洋具有独特的物理化学性质,包括pH、盐度、营养盐和微量元素水平等,这些因素也会影响ARGs的组成. Zhang等[6]研究表明,海水中溶解氧(dissolved oxygen, DO)和sul2bla-TEM有强负相关,DO是表示海水自净能力的重要因素,ARGs与DO呈负相关,表明海水的自净能力越低,ARGs的丰度越高,即在低氧海水环境中,ARGs具有更高的浓度. 盐度是衡量海水性质的重要指标,不同研究区域地理位置和盐度变化范围存在差异,对ARGs的影响也就不同. 在大洋海域,盐度高且变化小,而河口和近海区域盐度低且变化幅度大[58]. 在西太平洋和南大洋海水中,盐度和ARGs丰度呈正相关关系[58]. 而在太平洋海域的南海珊瑚礁海域的海水中、渤海湾海河河口沉积物中、厦门西溪河口沉积物中,以及大西洋海域英吉利海峡和北海海水中,盐度和ARGs丰度则呈现负相关关系[43-44,90]. 这可能与污水排放和地表径流对海水的冲淡有关,携带有大量ARGs的污水和河水盐度较低,但会带来大量的ARGs输入,因而导致了这种负相关关系. 与盐度类似,不同海域海水和沉积物中ARGs与不同理化因子的关系也不同. 渤海和黄海海水中ARGs的组成主要受铵盐、硝酸盐和海水盐度的影响[60]. Lu等[44]研究表明,沉积物中ARGs的相对丰度与沉积物粒径和总有机碳(total organic carbon, TOC)含量呈正相关,与沉积物pH和氧化还原电位呈负相关,其中,沉积物粒径是影响ARGs丰度的主要因子. 英吉利海峡和北海海水中sul1与DO、pH和浊度显著正相关[54]. 福建闽江口沉积物中ARGs与TOC、总氮(Total Nitrogen, TN)和总磷(total phosphorus, TP)显著正相关,而九龙江口沉积物中ARGs则与TOC显著正相关,与TN和TP显著负相关[16]. 西太平洋和渤海海水中的糖肽、三氯生、磷霉素和大环内酯-林可酰胺-链阳菌素抗性基因与亚硝酸盐、硝酸盐、叶绿素a、DO呈正相关,而糖肽、三氯生、大环内酯-林可酰胺-链阳菌素和β-内酰胺抗性基因与盐度和DO呈负相关[70]. 总的来说,TOC与海水和沉积物中ARGs呈明显正相关,而不同区域营养盐和pH则对ARGs的组成呈现不同的影响. 有机碳作为微生物尤其是异养细菌的重要营养来源,可以影响微生物群落[90-91],因而与ARGs呈明显正相关;而不同区域营养盐浓度和微生物群落组成差异较大,因此对ARGs的影响也不同.

    综上所述,ARGs与环境因子和生物因素的相关性存在区域差异,可能与不同环境中这些理化因子差异较大、以及微生物的适应过程不同有关. 在复杂的海洋生态系统中,存在多种影响ARGs组成和丰度的因素,但对此仍没有一致性认识,因此需要进一步的识别和量化,并揭示相关机制.

    海洋微生物群落是地球上最丰富、最复杂的群落之一[92],因此海洋也成了ARGs巨大的汇. 虽然海洋环境中ARGs的污染目前可能是局部性的,但其后果具有全球相关性,这些首先存在于局域环境中的ARGs可以通过海洋环流运输、海鲜运输和消费、旅游等过程扩大污染范围,对公共卫生、生态系统功能和动物疾病防治等造成严重危害[93].

    首先,沿海地区会受到ARGs污染,并给附近生活的人类造成健康威胁. 例如,公共海滩是潜在ARGs污染源,这些区域的休闲海水、沉积物和沙子中存在的ARGs会给海滩使用者带来潜在的健康风险[17,30,36,94-95]. 在大连的傅家庄海水浴场,海水中检出了多种抗生素耐药大肠杆菌,其中38%(26/69)的菌株对至少一种抗生素具有耐药性[96]. 在巴西的海滩,休闲水域的海水和沙子中,也检测出了多种ARGs[97].

    其次,海洋环境中的ARGs可以通过洋流输送到遥远的地区,构成全球风险,最终对人类健康构成威胁. 例如,极地区域和深海中也检出了多种ARGs[47,63,70]. Tan等[68]研究发现,北极/亚北极区域存在多种ARGs,这些ARGs与人类特异性分子标记物显著相关,这意味着极地区域已受到人为源ARGs的污染,而这些人为源ARGs很可能是通过海洋环流等过程传输而来的. 除此之外,陆源ARGs可以通过大气传输影响海洋,而海洋环境中的ARGs也可以通过海-气交换进入大气环境,并通过大气长距离运输,进一步传播到更远的地区. 候鸟迁徙也是ARGs从海洋环境向外扩散的一个重要途径,多项研究表明,海鸟胃肠道和粪便中存在多种ARB和ARGs,它们即是环境中的被感染对象也是潜在的传播源[98-100].

    此外,海水养殖设施对海水和沉积物中ARGs的积累和传播也具有重要作用. 随着海水养殖业的快速发展,使得大量投加抗生素治疗养殖生物的细菌感染等疾病成为了常态,这带来了大量的抗生素残留,而鱼、虾等海产品则会从海水养殖环境中摄取这些ARGs,并进一步通过食物链威胁人类健康[101-103]. 在不同国家的多种海产品中均检出了ARGs[104-106]. 例如,在印度孟买零售市场销售的海鲜中分离出了大肠杆菌,71.58%的菌株能够产生超广谱β-内酰胺酶[107]. 在中国12个沿海地区采集的虾的内脏中也检测到了114种ARGs,其中主要为多药耐药抗性基因(21.05%),其次是四环素类抗性基因(17.54%)[108]. 可见,这些存在于海水养殖环境及水产品中ARGs将会通过食用等途径,给人类健康带来风险.

    抗生素耐药性问题是一个全球性的公共卫生问题,也是整个世界,尤其是发展中国家面临的一个亟待解决的重要问题. 而海洋环境作为人类活动产生的污染物的重要归宿,也是ARGs的一个天然储库. 海洋环境中存在着多种ARGs,但目前关于海洋环境中ARGs种类组成和传播途径的相关研究较少,对ARGs的归趋及其影响因素还缺乏系统的认识,对海水和沉积物中ARGs的扩散机制仍有待进一步探索.

    因此,建议在以下4个方面强化研究,以深入认识海洋环境中的ARGs污染过程及防控措施:(1)开展各个海域、各种模式下海洋环境中ARGs的来源、组成和丰度的相关研究,深入解析不同人为源和自然源对海洋环境ARGs的贡献. (2)丰富海洋环境中ARGs的相关数据,建立海洋ARGs污染数据库,调查抗生素污染以及由此引发的ARGs对海洋微生物的长期和短期影响,并建立和完善海洋环境中ARGs的生态风险和人类健康风险评价指标体系,研发近海海洋环境ARGs污染基准,为制定相应环境标准、规范海水养殖和近海污水处理排放提供理论依据. (3)深入探究海洋环境中各类理化因子和污染物对ARGs的选择压力及机制,研究海洋环境中ARGs的降解机制,明确ARGs与海洋微生物群落之间的关系,细化海洋生态系统中ARGs的环境行为,从而制定相应策略,以期遏制ARGs在海洋环境中的扩散. (4)明确海洋环境中ARGs扩散和传播的分子机制,基于基因组学、大数据分析和数值模型,预测海洋环境介质中ARGs的变化趋势.

  • [1] Jacob D.J.,Winner D.A.Effect of climate change on air quality.Atmospheric Environment,2009,43(1):51-56
    [2] Kumar A.,Goyal P.Forecasting of air quality index in delhi using neural network based on principal component analysis.Pure and Applied Geophysics,2013,170(4):711-722
    [3] 赵宏,刘爱霞,王恺,等.环境空气SO2和NO2浓度的GA_ANN预测模型研究.计算机工程与应用,2010,46(8):199-201,213 Zhao Hong,Liu Aixia,Wang Kai,et al.Study on GA_ANN based ambient air SO2 and NO2 concentration forecasting model.Computer Engineering and Applications,2010,46(8):199-201,213(in Chinese)
    [4] Cobaner M.,Citakoglu H.,Kisi O.,et al.Estimation of mean monthly air temperatures in Turkey.Computers and Electronics in Agriculture,2014,109:71-79
    [5] Westerlund J.,Urbain J.P.,Bonilla J.Application of air quality combination forecasting to Bogota.Atmospheric Environment,2014,89:22-28
    [6] Ćirić I.T.,Ćojbašić Ž.M.,Nikolić V.D.,et al,Air quality estimation by computational intelligence methodologies.Thermal Science,2012,16(Suppl 2):S493-S504
    [7] Muñoz E.,Martín M.L.,Turias I.J.,et al.Prediction of PM10 and SO2 exceedances to control air pollution in the Bay of Algeciras,Spain.Stochastic Environmental Research and Risk Assessment,2014,28(6):1409-1420
    [8] 孙大洪,王发展,刘强,等.基于BP和RBF神经网络的滚动轴承故障诊断比较.轴承,2010,(2):53-56 Sun Dahong,Wang Fazhan,Liu Qiang,et al.Comparative study on fault diagnosis of rolling bearings based on BP and RBF neural network.Bearing,2010,(2):53-56(in Chinese)
    [9] 白鹤鸣,沈润平,师华定,等.基于BP神经网络的空气污染指数预测模型研究.环境科学与技术,2013,36(3):186-189 Bai Heming,Shen Runping,Shi Huading,et al.Forecasting model of air pollution index based on BP neural network.Environmental Science & Technology,2013,36(3):186-189(in Chinese)
    [10] 刘杰,杨鹏,吕文生,等.城市空气质量的BP和RBF人工神经网络建模及分类评价.安全与环境工程,2014,21(6):129-134,139 Liu Jie,Yang Peng,Lu Wensheng,et al.BP and RBF artificial neural network modeling and classified evaluation for urban air quality.Safety and Environmental Engineering,2014,21(6):129-134,139(in Chinese)
    [11] 朱树先,张仁杰.BP和RBF神经网络在人脸识别中的比较.仪器仪表学报,2007,28(2):375-379 Zhu Shuxian,Zhang Renjie.Comparison with BP and RBF neural network used in face recognition.Chinese Journal of Scientific Instrument,2007,28(2):375-379(in Chinese)
    [12] 高彩云,高宁.变形预报中RBF和BP神经网络有效性比较.人民黄河,2012,34(7):132-134 Gao Caiyun,Gao Ning.Comparison with RBF and BP neural network used in deformation prediction.Yellow River,2012,34(7):132-134(in Chinese)
    [13] 谭德生,陈军苗.2004~2009年深圳空气质量及其污染物扩散条件分析.南昌大学学报(理科版),2012,36(3):301-306 Tan Desheng,Chen Junmiao.Analyse of air quality and diffusive conditions of contaminant in Shenzhen from 2004 to 2009.Journal of Nanchang University (Natural Science),2012,36(3):301-306(in Chinese)
    [14] 朱星宇,陈勇强.SPSS多元统计分析方法及应用.北京:清华大学出版社,2011
    [15] 刘国红,彭朝琼,黄广文,等.深圳市2002~2005年大气污染物浓度与气象因素的关系研究.现代预防医学,2008,35(15):2855-2857 Liu Guohong,Peng Zhaoqiong,Huang Guangwen,et al.Study on relationship between concentrations of air pollutants and meteorological factor in Shenzhen from 2002 to 2005.Modern Preventive Medicine,2008,35(15):2855-2857(in Chinese)
    [16] 陈明.MATLAB神经网络原理与实例精解.北京:清华大学出版社,2013
    [17] 张德丰.MATLAB神经网络应用设计.北京:机械工业出版社,2012
  • 期刊类型引用(19)

    1. 金利山,刘芳. 基于机器学习的呼和浩特PM_(2.5)和PM_(10)浓度预测与分析. 环境科技. 2024(06): 45-50 . 百度学术
    2. 战莘晔,吕晓,金丹丹,康晓玉,韩艳凤,韩国敬,徐庆喆,田璐. 基于灰色关联下神经网络在南果梨始花期预报中的应用. 农学学报. 2023(08): 89-93 . 百度学术
    3. 廖国莲,曾鹏,莫雨淳,郑凤琴. 基于CUACE模式产品的广西空气质量预报效果对比分析. 气象与环境科学. 2022(04): 39-44 . 百度学术
    4. 陈金车,迪里努尔·牙生,王田宇,王金艳,孙彩霞,谢祥珊,冯薇. 基于机器学习的长沙市空气污染物浓度预报研究. 环境保护科学. 2022(04): 103-112 . 百度学术
    5. 胡青,龚世才,胡珍. 基于改进麻雀搜索算法的空气质量指数预测. 广西科学. 2022(04): 642-651 . 百度学术
    6. 马占飞,江凤月,李克见,巩传胜. 基于IRBF的草原环境污染物预测模型. 计算机工程与设计. 2021(09): 2599-2605 . 百度学术
    7. 庄玉册,黎蔚. 基于PSO优化极限学习机神经网络的空气质量预报. 沈阳工业大学学报. 2020(02): 213-217 . 百度学术
    8. 郑霞,胡东滨,李权. 基于小波分解和SVM的大气污染物浓度预测模型研究. 环境科学学报. 2020(08): 2962-2969 . 百度学术
    9. 宋丹,夏晓玲,何玉龙,张蕾,杜正静. 贵阳市空气质量预报方法与效果检验. 气象与环境科学. 2019(01): 93-100 . 百度学术
    10. 于秀丽. 积温效应对大气环境污染事件的影响预测研究. 项目管理技术. 2019(05): 40-46 . 百度学术
    11. 俆乔王,胡红萍,白艳萍,王建中. 基于MEA_SVM空气质量指数预测. 重庆理工大学学报(自然科学). 2019(12): 150-155 . 百度学术
    12. 韩伟,吴艳兰,任福. 基于全连接和LSTM神经网络的空气污染物预测. 地理信息世界. 2018(03): 34-40 . 百度学术
    13. 王凤强,徐继宁. 小区域大气污染物预测研究. 工业控制计算机. 2018(05): 112-113 . 百度学术
    14. 黄小英,黄涛,彭道平,刘轶鋆,张毅博. 厌氧消化产气预测模型研究进展. 四川环境. 2018(02): 161-166 . 百度学术
    15. 付亚丽,洪亚. 基于IPSO-ELM算法的空气质量预测. 环境科学与技术. 2017(S1): 324-328 . 百度学术
    16. 孙宝磊,孙暠,张朝能,史建武,钟曜谦. 基于BP神经网络的大气污染物浓度预测. 环境科学学报. 2017(05): 1864-1871 . 百度学术
    17. 尹琪,胡红萍,白艳萍,王建中. 基于GA-SVM的太原市空气质量指数预测. 数学的实践与认识. 2017(12): 113-120 . 百度学术
    18. 张平,贺亮,张涛,霍培书,危才亮,妙欢. 基于GIS和BP神经网络模型的PM_(10)浓度预测与空间分布研究. 环境科学与管理. 2016(05): 39-43 . 百度学术
    19. 尹文君,张大伟,严京海,张超,李云婷,芮晓光. 基于深度学习的大数据空气污染预报. 中国环境管理. 2015(06): 46-52 . 百度学术

    其他类型引用(32)

  • 加载中
    Created with Highcharts 5.0.7访问量Chart context menu近一年内文章摘要浏览量、全文浏览量、PDF下载量统计信息摘要浏览量全文浏览量PDF下载量2024-062024-072024-082024-092024-102024-112024-122025-012025-022025-032025-042025-050Highcharts.com
计量
  • 文章访问数:  1904
  • HTML全文浏览数:  1394
  • PDF下载数:  602
  • 施引文献:  51
出版历程
  • 收稿日期:  2015-02-07
  • 刊出日期:  2015-07-02
王国胜, 郭联金, 董晓清, 朱燕茹. 深圳市区空气污染的人工神经网络预测[J]. 环境工程学报, 2015, 9(7): 3393-3399. doi: 10.12030/j.cjee.20150752
引用本文: 王国胜, 郭联金, 董晓清, 朱燕茹. 深圳市区空气污染的人工神经网络预测[J]. 环境工程学报, 2015, 9(7): 3393-3399. doi: 10.12030/j.cjee.20150752
Wang Guosheng, Guo Lianjin, Dong Xiaoqing, Zhu Yanru. Artificial neural network prediction of air pollutants in Shenzhen city[J]. Chinese Journal of Environmental Engineering, 2015, 9(7): 3393-3399. doi: 10.12030/j.cjee.20150752
Citation: Wang Guosheng, Guo Lianjin, Dong Xiaoqing, Zhu Yanru. Artificial neural network prediction of air pollutants in Shenzhen city[J]. Chinese Journal of Environmental Engineering, 2015, 9(7): 3393-3399. doi: 10.12030/j.cjee.20150752

深圳市区空气污染的人工神经网络预测

  • 1. 深圳信息职业技术学院交通与环境学院, 深圳 518172
  • 2. 东莞职业技术学院机电工程系, 东莞 523808
基金项目:

国家自然科学基金资助项目(E080402)

深圳信息职业技术学院(lg2014007,HX-080)项目联合资助。

摘要: 利用深圳市2006至2013年的大气污染物监测浓度数据和气象资料,分析深圳市空气质量的逐月分布变化特征。采用Pearson相关分析,选择显著相关因子,分别以BP神经网络和RBF神经网络构建空气质量预测模型,对该市2013年SO2、NO2、PM10 3种空气污染物的月均值进行预测。实验结果表明,通过Pearson相关分析建立的预测模型有更高的预报精度。BP和RBF 2种网络预测效果都比较理想,对不同污染物的预测精度各有高低。但BP网络的构建和参数优化过程较为复杂且网络训练结果不稳定,而RBF网络构建和训练简单,时间短而结果稳定。在综合性能上,RBF网络用于环境空气污染物浓度的预测具有更强的适用性。

English Abstract

参考文献 (17)

返回顶部

目录

/

返回文章
返回