太湖蓝藻水华年度情势的预测方法研究.docxVIP

? ? 太湖蓝藻水华年度情势的预测方法研究 ? ? 朱广伟，辛华荣，李 未，刘俊杰，邹 伟，秦伯强 （1.中国科学院南京地理与湖泊研究所太湖湖泊生态系统研究站，江苏 南京 210008；2.江苏省水文水资源勘测局，江苏 南京 210029） 湖库型水源地常常面临蓝藻水华的危害，水质安全受到严重威胁［1］。开发蓝藻水华预测预警技术并实施业务化运行对于水源地水质安全保障、大面积湖泛事件的预防具有重要的价值［2-4］。然而，蓝藻水华的影响因素很多，短期预报的精度相对较高［5］，但季度预报或者年度预报等中长期的预报缺乏有效的工具，成为蓝藻水华防控中的技术瓶颈。 美国国家海洋与大气管理局（NOAA）的Stumpf等［6］2012年提出了用春季入流量及总磷负荷开展夏季蓝藻水华强度预测的方法，通过MERIS卫星影响681 nm波段信号反演出蓝藻水华强度信息（CI），2002—2011年10年的统计分析表明，CI值（0.64～14.18之间，对应水华面积170～2 968 km2）与伊利湖主要入湖河道Maumee河3—6月来水量及6月TP负荷量相关，可以用来预测8月的水华强度。由于伊利湖水体水质较好，湖体磷浓度较低，藻类生长的磷限制明显，因此，该方法具有一定的可信度。此后，Stumpf等［7］又根据预测误差分析，修正了预测方法，用生物可利用磷（TBP）负荷代替TP负荷，预测精度有所提高，并发现了入湖负荷发生的具体月份、6月的温度等对预测精度产生较大的影响。密歇根大学水中心的Obenour等［8］发现由于TP与水华面积之间的非线性响应会导致预测精度不佳，并改用贝叶斯层次模型对预测模型进行了优化。 气候因子对水华强度的影响较大。2007年以来，太湖是水污染治理投入巨大，但是蓝藻水华强度在2016年之后反而增大，与冬春季增温等气候因子密切相关［9］。上海交通大学的周韫韬等［10］通过对我国东海海岸带有害蓝藻水华（HABs）发生规律进行分析，提出可以利用表层水体的无机磷含量、地区降雨量及年度表层海温对年度HABS发生频次进行预测。美国威斯康辛大学Beal等［11］以Mendota湖为例，开发了提前2月预测未来蓝藻水华强度的模型，综合考虑了营养盐和气候因子，包括入湖水量、磷负荷、漂浮蓝藻指数及全球海面水温等信息。 张虎军等［12］基于2012—2020年太湖蓝藻水华面积变化，构建了采用湖体自动监测浮标1月水温、电导率及实验室分析的1月BOD和3月水体TN质量浓度统计预测水华强度。朱广伟等［13］则基于太湖湖泊生态系统研究站2005—2019年太湖蓝藻水华监测信息，构建了基于冬春季水温、年度降雨量及冬春季TN为变量因子的统计预测模型。这些模型在一定程度上实现了太湖蓝藻水华中长期预测，但是模型的理论基础不清，特别是关于氮的解释难以令人满意。因此，本文以太湖2005—2021年的蓝藻水华遥感监测及太湖湖泊生态系统研究站的相关环境因子观测为基础，提出了1种预测因子更为全面的太湖蓝藻水华中长期预测模型，以期为类似湖库的蓝藻水华风险防控提供科技支撑。 1 数据来源及预测方法构建 1.1 数据来源 2004年12月至2022年2月太湖水体浮游植物Chl-a、太湖逐日水温（WT）、采样点月水深（WD）、水体TN、TP数据均来自中国科学院太湖湖泊生态系统研究站的生态系统观测数据库；MODIS遥感影像来自美国NASA的Goddard Space Flight Center Web网站。 1.2 预测方法构建 首先构建了蓝藻水华强度（Bloom Intensity，BI）这一参数。太湖BI值采用文献［13］中的方法构建，以季度为单位进行计算。该算法包含2个方面的信息：（1）利用MODIS遥感反演获得的太湖蓝藻水华面积ABL，基于冬、春、夏、秋4个季度的可获得反演的水华面积进行季度平均，自2004年12月1日至2022年2月28日，共获得具有统计意义的遥感反演影像1 882 d，面积介于0.1～1 216.7 km2之间，平均值为170.8 km2，按照冬季（12月—翌年2月）、春季（3—5月）、夏季（6—8月）及秋季（9—11月）分段统计，获得各个季度的ABL值；（2）太湖湖泊生态系统研究站每季度一次（每年2月、5月、8月、11月采样，分别代表冬、春、夏、秋）的全湖32个点位水柱3层混合样测定的浮游植物叶绿素a浓度。而某季度的BI值是该季度的ABL与Chl-a之积与统计期间最大积（出现在2017年秋季）的比值。 其次，采用多元统计回归的方法，从当年冬季结束时（每年的2月底）可获得的气象、水文、营养盐等信息中遴选信息，构建当年春季（3—5月）及整个水华季（3—11月）BI值与环境信息之间的能够经得起显著性检验的统计关系方程。在信息筛选时，综合考虑如下几方面的信息：（1