蓝藻水华的相关环境因素识别与短期预测

中国人口·资源与环境2015年第25卷第5期增刊CHINAPOPULATION，RESOURCESANDENVIRONMENTVol．25No．52015收稿日期:2014-09-25作者简介:黄炜，博士，主要研究方向为水环境管理。基金项目:2010年教育部“新世纪优秀人才支持计划”(编号:NCET－10－0938)。蓝藻水华的相关环境因素识别与短期预测黄炜(上海工程技术大学管理学院，上海201620)摘要该文使用反演图判断某一水域在某一时刻是否发生蓝藻水华，以及生成水华强度等级值。分别直接以水华发生与否的指标和水华强度等级为因变量，以水质、水文和气象3类监测变量为自变量构建蓝藻水华显著相关环境因素的两个识别模型和一个probit短期预测模型。太湖大贡山水域的蓝藻水华被用于实证分析。结果表明，这两个识别模型的识别结果与本研究领域的一般结论是一致的。本预测模型的平均相对误差为13．3%，这与两个对照预测模型的误差相近或低于其误差;本模型在空间精度和时间精度方面具有显著优势。关键词蓝藻水华;环境因素;probit模型;强度等级;预测中图分类号X524文献标识码A文章编号1002－2105(2015)05增－0213－04蓝藻是一种原始而古老的藻类原核生物，气温较高时容易在富营养化湖泊、水库和河流中大量繁殖，在气象、水文条件适宜时上浮、漂移、聚集，有时在水面聚集成一层蓝绿色而有腥臭味的浮沫［1］，这被称为蓝藻水华。蓝藻水华已成为国内外一个主要的环境问题［2－3］。识别蓝藻水华的显著相关因素对蓝藻水华形成机理的研究以及蓝藻水华的防治具有支撑和指导作用。本文的重点是蓝藻水华的显著相关环境因素识别和水华预测的模型构建。1国内外研究现状1．1蓝藻水华的相关因素现有研究表明，蓝藻水华暴发与以下几类因素相关。①蓝藻自身的生理特点和生长特性。例如蓝藻浮沫形成可能是蓝藻能主导水面的一种机制，此机制基于蓝藻优先选择水面的CO2作为光合作用的碳来源［4］。②其它水生生物。例如大型水蚤存在时，水华束丝藻通过形成大型、不可捕食的群落达到很大密度［5］。③水质情况。其它条件相同时，硝酸盐浓度与藻蓝素颗粒的浓度正相关［6］。④气象情况。26℃的水温最适合微囊藻形成水华［7］。⑤水文情况。在总磷浓度超过10μg/L时，蓝藻的生长在很大程度上受水体稳定性的影响［8］。现有文献存在以下问题。一些研究者只考察少量的环境因素与蓝藻水华之间的相关性。实验方法中数据量偏少及模拟、真实环境的偏差也会导致误差。未构建模型作系统分析;样本较少，可靠性不高。1．2蓝藻水华强度自20世纪60年代以来波罗的海蓝藻水华的强度一直在增加，这与人为导致的营养盐浓度的增加是一致的，与太阳辐射和水温也很相关［9］，而基于较小时间粒度的研究也是必须的。Kahru等用波罗的海蓝藻水华的发生频率表示水华强度［10］，时间粒度为年或月。研究者较少研究水华面积，更少有研究者将之作为因变量研究。用水华暴发面积表示水华强度具有宏观性、直观性和确定性。1．3蓝藻水华预测目前国内外预测藻华的方法主要包括根据某些指标的临界值预测、确定性生态模型(基于过程的模型)和不确定的数据驱动模型［2］。根据指标临界值判断并不科学，因为相关因素对蓝藻水华的影响趋势并不一定严格递增或递减。许秋瑾等提出了太湖藻类生长的一种模型，考虑了藻类的生长率和死亡率，估算了藻类浓度［11］。但此类确定性模型需要大量的训练数据;另外，为了开发基于过程的模型，研究者需要充分理解大量基础过程［12］。相较开发确定性生态模型，开发数据驱动模型则快捷、简便，成本较低。人工神经网络属于数据驱动方法，Maier等用人工神经网络预测河流中的蓝藻水华［12］。但人工神经网络需要大量的训练数据，而且属于黑箱方法。陈翔等构建了·312·中国人口·资源与环境2015年第5期增刊影响洪泽湖蓝藻水华暴发的气象因子多因子交叉相关综合法的水华预报方程［1］。该预报只能以旬为单位，适合水华暴发频率不高的湖泊。2模型构建国内外研究者关于蓝藻水华的相关环境因素的主要研究思路是:用叶绿素a浓度、蓝藻丰度或藻类生物量等指标衡量蓝藻水华发生与否［11－12］，考察这些指标与环境因素之间的关系。但仪器测量的上述指标值可能只是很小范围的情况，且不能确切表示蓝藻水华发生与否;在水华易发季节，富营养化湖泊中的叶绿素一般都保持高浓度状态［10］，但水华并非总是出现。而蓝藻颗粒覆盖水面却是蓝藻水华暴发的重要特征［1－2，7］。笔者用卫星图像反演图判断某水域是否发生了蓝藻水华并且生成水华的强度等级值，将水华暴发与否的指标或水华强度等级作为因变量。蓝藻水华的形成需要满足一些基本条件，例如水体中有足够的蓝藻生物量，有合适的水动力条件等。本研究关注的是蓝藻水华易发季节，即5月到12月，在该时间段内，上述基本