基于ELCOM-CAEDYM模型的太湖藍藻水華早期預測探討

王長友,于 洋,孫運坤,李洪利,孔繁翔,張 民,史小麗,陽 振

(1.南京信息工程大學海洋科學學院,江蘇 南京 210044；2.中國科學院南京地理與湖泊研究所,湖泊與環境國家重點實驗室,江蘇 南京 210008)

太湖平均氮磷含量近年來一直居高不下,即使沒有外源輸入,長期積累在湖泊底泥中的內源營養鹽在相當長一段時間內仍然足以支撐水華藍藻的生長,很難杜絕藍藻水華的發生[1].根據掌握的藍藻水華形成的基本規律,發展藍藻水華發生的預測預報技術,將有助于提高環境管理部門的應對能力,有助于減少藍藻水華帶來的生態危害和健康風險.水華預測的時間尺度受水華形成機理認知程度和預測技術的限制.有文獻報道國外20世紀90年代末即開展了水華短期預測工作[2].中國科學院南京地理與湖泊研究所從2007年開始在太湖夏季水華形成時期進行未來3d水華短期預測及葉綠素濃度的分布格局.然而長時間尺度預測將更有助于提高環境管理部門應對生態危害和健康風險的能力,提高湖泊治理措施的針對性和科學性.近年來淺水湖泊藍藻水華的發生機制研究已取得重要進展,藍藻水華形成的"四階段理論" 揭示了太湖藍藻水華的形成機理與基本規律,確定了影響藍藻水華形成的關鍵要素及其閾值[1],為運用數值模型對太湖藍藻水華進行早期預測提供了理論框架.

本文基于澳大利亞西澳大學水研究中心開發的通用水生生態動力學模型CAEDYM,剖析其生態子系統中藍藻生物量增長的建模原理,應用太湖藍藻水華形成的"四階段理論", 考慮不同階段藍藻的生理特性及導致水華形成觸發因子,以風速、風向、太陽輻射、氣溫、相對濕度、大氣壓、降雨量等為系統外部環境驅動變量,通過模塊數組傳輸技術實現其與三維水動力模型 ELCOM 的耦合,以ELCOM-CAEDYM耦合模型為框架構建太湖水華藍藻生態動力學模型,對藍藻水華的形成進行早期預測.

1 太湖藍藻水華基本發生規律及形成機制的研究概況

太湖是我國的第三大淡水湖,處于長江三角洲 經 濟 區 的 核 心 地 帶 ,介 于 30°55′40″N～31°32′58″ N 和 119°52′32″ E～120°36′10″ E 之間,南北長 68.5km,東西平均寬 34km,最寬處 56km,地跨江蘇、浙江兩省.在正常水位條件下,太湖的水面積為 2338km2,平均水深 1.89m,水深介于1.5m-2.5m的面積近1700km2,最大水深4m,是一個典型的碟型淺水湖泊,平均湖水停留時間為300d[3].

從營養狀態來看,太湖在20世紀60年代處于貧中營養水平,至20世紀80年代達貧中至中營養水平,20世紀90年代初上升到中富營養,至2000年已以富營養化為主[4].從發生季節來看,太湖藍藻水華最初在夏季出現.隨著近年來水體富營養化程度加劇,首次發生的時間逐漸前移,而到秋季,藍藻水華完全消失的時間則顯著推遲.近年來,3～4月逐漸成為藍藻水華的初始出現期,5～9月為藍藻水華的頻發期,并能一直延續到晚秋,甚至到次年的1月份(如2008年).從發生地點來看,到上世紀末太湖北部(梅梁灣、竺山灣)一直是藍藻水華的最初發生地,也是全年藍藻水華發生的重災區;本世紀初開始,南部沿岸區(浙江附近水域)春季開始時有發生,逐漸成為太湖藍藻水華的最早發生地,集聚面積也逐年擴大,持續時間越來越長;2003 年以來,藍藻水華開始向湖心擴散,嚴重時幾乎覆蓋整個太湖的非水生植被區,發生的頻率也顯著增加[1,5].

在探索藍藻水華形成機理方面也取得重要進展,孔繁翔等[6]提出的藍藻水華形成"四階段理論"認為,藍藻生長與水華形成經歷了越冬休眠(12～2月)、春季復蘇(3～4月)、生長(4～9月)、集聚上浮(4～11月)并形成水華等 4個階段,不同的階段藻類的生理特性不同,影響其發展的主導生態因子也不同.冬季水華藍藻的休眠主要受低溫及黑暗環境所影響,春季復蘇階段藍藻復蘇的生物量與每天高于藍藻生理代謝起始溫度(9℃)以上的連續積累溫度值(有效積溫)線性相關[7].水華發生季節太湖微囊藻的細胞分裂頻率有顯著的日變化規律,日原位生長速率介于 0.19 到0.37[8].在春季和夏季已經成為優勢種群的水華藍藻在有適當的水文氣象條件,將會漂浮到水面,在風和湖流的驅動下,形成了災害性藍藻水華.風浪對于水華的形成具有直接的驅動作用,當風速小于閾值3.1m/s時,藍藻水華就會形成[9].該理論比較清晰地闡述了藍藻水華形成的幾個關鍵性階段以及導致不同階段轉換的關鍵因子及其閾值,把握這些關鍵因子的變化規律,就有可能更準確的預測藍藻水華的發展趨勢.

2 基于ELCOM-CAEDYM構建太湖水華藍藻生態動力學模型

2.1 ELCOM-CAEDYM模型簡介

CAEDYM 模型在傳統的"N-P-Z"模型基礎上,考慮了生源要素生物地球化學變化過程與湖泊內源釋放的碳、氮、磷、金屬等遷移與形態轉化過程,涵蓋浮游植物、浮游動物、魚類、沉水植物、底棲生物、無脊椎動物、微生物、細菌等生態系統過程,已發展成為一個基于過程的通用水生生態系統動力學模型[10].CAEDYM 模型采用模塊開發技術,采用公共數組傳輸機制能與任意模擬湖泊、水庫、濕地、河流、河口和海岸的水動力學模型耦合.ELCOM 是由西澳大學水研究中心開發的用于模擬河口、湖泊與沿海水域的水動力學狀態的三維數值模型,可用來預測受到風應力、表面加熱或冷卻等環境力作用時,水體的速度、溫度和鹽度分布.ELCOM 可與CAEDYM 結合構建ELCOM-CAEDYM耦合模型用于水動力條件下化學和生物過程的模擬[10-11].其中,ELCOM-CAEDYM 耦合模型的ELCOM運用用戶提供的太陽輻射、風速、氣溫和相對濕度等數據通過地表熱力學模塊模擬控制自由表面的傳熱和水體溫度,自由面上遷移的能量中不可穿透性成分(長波輻射、顯熱交換、蒸發、熱損失)作為水體表面混合層的溫度源,可穿透性短波輻射遵循指數衰減和消光法則,作為多個網格層的熱源.ELCOM 對風作用的模擬不僅體現在地表熱力學模塊中的蒸發冷卻,還體現在風混合層中的風力作用、自由面上的風應力,以及風生流[11].ELCOM-CAEDYM 耦合模型通過公共數組傳輸機制將 ELCOM 模擬的水體溫度等變量傳遞給CAEDYM,CAEDYM進而通過狀態變量方程模擬控制葉綠素、營養鹽等生物化學狀態變量,葉綠素、營養鹽等 CAEDYM 狀態變量也經由公共數組傳輸機制傳遞給 ELCOM,作為 ELCOM 的有效遷移標量通過標量輸移方程模擬其在水體中的運動[10-11].

ELCOM-CAEDYM 模型在國外得到較為廣泛的應用[10].在國內,盧嘉等[12]利用ELCOMCAEDYM 模型對淀山湖營養物投入響應關系進行了模擬.謝興勇等[13-14]利用 CAEDYM 與一維水動力模型DYRESM耦合,研究了太湖磷的循環以及引江濟巢對巢湖的水環境影響.李大勇等[15-16]將 ELCOM-CAEDYM 應用于太湖,對藻類生物量、磷酸鹽、氨氮及硝酸鹽的變化進行了模擬,并評估了引江調水對貢湖灣的環境效應.盡管研究目的及掌握的數據資料不同,ELCOM - CAEDYM 模型在太湖的成功應用,表明該模型構建理論基本適用于太湖,尤其是該模型沉積層再懸浮及營養鹽釋放的計算模式與太湖內源釋放模式吻合[16],并且為ELCOM-CAEDYM 在太湖參數化應用提供了寶貴經驗.然而像太湖這樣的長江中下游地區大型淺水富營養化湖泊,藍藻水華形成的“四階段”具有明顯的地域生態學特征,目前ELCOM-CAEDYM 模型對太湖藍藻水華形成的生態過程地域性特征考慮不多.

2.2 太湖水華藍藻生態動力學模型的構建及參數的再率定

藍藻生物量一定程度的增長是藍藻水華形成的必要條件,"四階段理論"作為太湖藍藻水華形成機制的理論,目前預測藍藻生物量的生態動力學方法還不完善,而 CAEDYM 模型作為通用的水生生態動力學模型可以模擬預測藍藻生物量的增長.本文以CAEDYM 模型為建模框架,并與ELCOM水動力學模型耦合,重點圍繞藍藻及其關鍵影響因子建立太湖水華藍藻生態動力學模型.東南太湖水草密集,極少出現水華,屬草型湖區,北太湖、西太湖和南太湖屬藻型湖區,水華頻發.考慮到太湖藻型湖區藍藻生物量巨大,浮游動物、魚類等攝食作用對于藍藻生物量影響很小等實際特點,對生態過程進行了適當簡化處理,重點關注藍藻生態過程及生源要素的生物地球化學過程.此外,春季的藍藻復蘇是太湖水華形成的關鍵階段,藍藻的復蘇生物量與有效積溫呈有線性關系上標>[1,6,17],因此在利用 ELCOM-CAEDYM 模型框架構建太湖水華藍藻生態動力學模型時增加了藍藻復蘇項.太湖水華藍藻生態動力學模型中藍藻生物量狀態變量與營養鹽(氮磷)、光照、溫度等影響因子的關系方程為[1,10]：

式中：Aa為藻類生物量,μg Chl-a/L;μ為藻類生長速率,d-1;μmax為最大生長速率;VAa為藻類的沉降速率;Δz為平均沉積厚度;N為氮營養鹽濃度;P為磷營養鹽濃度;I為光照強度;T為溫度;f()表示限制因子函數.

藻類生長光限制時應用Steele方程：

式中：IK為最大生長速率條件下光合速率所需光強.

氮限制時應用胞內N濃度Monod方程：

式中：KN為半飽和常數.

磷限制時應用胞內P濃度Monod方程：

式中：KP為半飽和常數.

溫度限制方程：

表1 模型主要生態參數Table 1 The main ecological model paterments

模型水平網格分辨率為250m×250m,垂直分為7層,表層0.3m,其他層0.5m.模型參數率定根據參數地域性程度的差異,分別選擇實驗測定值、相似系統參考值和權威文獻值作為模型參數初始值,然后應用數據同化技術進行必要的優化.對于高強度地域性參數,盡可能采用太湖原位生態實驗等現場實驗方法獲得,例如藍藻最大原位生長速率[8],底泥藍藻復蘇系數[7]等.對于中等強度地域性參數,一般采用相似系統參考值,例如,藍藻再懸浮速率常數,營養鹽半飽和常數等.此外,對于個別自由參數,例如藍藻生長溫度限制函數中的常數項,藍藻呼吸和死亡速率系數等,在模型模擬結果和原位觀測數據基礎上,采用模型參數優化方法最終予以確定.

根據水體和底泥藍藻生物量調查數據(圖1)[18],考慮底泥藍藻的復蘇量與"有效積溫"的相互關系,對每個網格內的藍藻生物量進行預測,構建藍藻初始濃度場.根據太湖站監測數據確定湖水氮磷濃度(溶解態、顆粒態)、水溫、溶氧、懸浮物、透明度、湖泥氮磷含量等初始值.自動氣象監測站(美國NOVALYNX系統)每隔5min收集的湖泊表面風速、風向、太陽輻射、氣溫、相對濕度、大氣壓、降雨量等氣象數據作為外部強迫邊界條件.此外入湖徑流的流量、氮磷濃度(溶解態、顆粒態)、水溫、溶氧、懸浮物等也作為外部強迫邊界條件.

圖1 太湖藍藻生物量調查站點Fig.1 Survey stations of cyanobacteria biomass in the Lake Taihu

2.3 太湖水華藍藻生態動力學模型中的底泥藍藻復蘇生物量

“四階段理論”認為,對于太湖這樣四季分明、擾動劇烈的大型淺水富營養化湖泊,藍藻的生長與水華的形成具有階段性特征,其中春季的藍藻復蘇是水華形成的關鍵階段,在太湖底泥越冬的藍藻是來年春天水華藍藻的種源[1,4].隨著春季溫度上升、光照加強, 在冬季下沉到太湖底泥中的水華藍藻細胞及群體開始進入水柱中,逐漸復蘇生長并發展為水華,野外觀測和室內實驗結果證實溫度是影響藍藻復蘇的關鍵因子,復蘇階段藍藻復蘇的生物量與每天高于藍藻生理代謝起始溫度(9℃)以上的連續積累溫度值(有效積溫)線性相關[1,6-7,17].CAEDYM 模型原有的藍藻生物量狀態變量沒有考慮來自底泥的藍藻復蘇生物量[10],本文在模擬藍藻復蘇階段生物量時增加了底泥藍藻復蘇項.底泥藍藻復蘇項中的底泥藍藻復蘇系數kAT和藍藻復蘇閾值溫度Tthr直接來自野外觀測值[7].

圖2 2008年4月25日模擬輸出的藍藻生物量與站點調查值、MODIS衛星反演值的對比Fig.2 Comparison of the modeled cyanobacteria biomass with the survey data and the inferred data from MODIS satellite imagery

以2008年3月20日藍藻生物量調查值構建初始場,分別在有藍藻復蘇項和無藍藻復蘇項的情況下運行模型,模擬輸出2008年4月25日水柱藍藻生物量模擬值與站點調查值(整個水柱藍藻生物量平均值)比對,相應位置的表層藍藻生物量模擬值與MODIS衛星反演值(一般反映表層藍藻生物量的情況)比對(圖 2),并計算相對誤差.有藍藻復蘇項的情況下,水柱模擬值與站點調查值的誤差變化范圍在 2.8%～70.4%,平均誤差32.1%,誤差小于20%的站點4個;無藍藻復蘇項的情況下,模擬值與站點調查值的誤差變化范圍在 7.5%～78.5%,平均誤差 35.5%,誤差小于20%的站點只有2個.有藍藻復蘇項的情況下,表層模擬值與 MODIS衛星反演值的誤差變化范圍在12.5%～83.9%,平均誤差47.3%,誤差小于 20%的站點 4個;無藍藻復蘇項的情況下,模擬值與站點調查值的誤差變化范圍在 2.0%～85.5%,平均誤差 52.3%,誤差小于 20%的站點只有1個.可見增加藍藻復蘇項一定程度上降低了模擬結果的誤差.

此外,應用蒙特卡羅分析方法,采用變異系數分析初始濃度場(50%變化幅度)對模擬輸出結果的靈敏度,結果表明有藍藻復蘇項的情況下變異系數為 0.33,無藍藻復蘇項的情況下變異系數為0.31,二者變異系數沒有明顯差別.

3 太湖藍藻水華的早期預測及其效果評估

太湖藍藻水華的早期預測,主要是在深入認識藍藻時空分布規律及越冬復蘇時間序列規律的基礎上,構建太湖水華藍藻生態動力學模型,結合中長期的水文與氣象預測,對未來一段時間內藍藻水華發生的時間和地點進行早期預測.通過模型輸出結果與站點調查結果及MODIS衛星反演結果進行比對,評估早期預報的效果.其中,站點調查葉綠素值為湖水整個水柱葉綠素平均值,與模型輸出的水柱葉綠素模擬結果比對;MODIS衛星反演結果一般反映的是表層葉綠素的情況,與模型輸出的表層葉綠素模擬結果比對.

圖3 2009年6月18日和20日太湖水體藍藻葉綠素空間分布(μg Chla/L)Fig.3 Spatial distribution of cyanobacteria chlorophyll in the water of the Taihu Lake in June 18 and 20, 2009 (μg Chla/L)

3.1 生長及上浮聚集階段藍藻水華形成的早期預測

在野外觀測中發現,藍藻水華形成的 4個階段彼此相互部分重疊.夏、秋兩季,藍藻生長并形成優勢和上浮漂移聚集 2個階段可以重復無數次,成為藍藻水華的頻發期[1],在此階段進行早期預測有助于減少頻發期間藍藻水華的危害.

基于2009年5月14日水柱藍藻葉綠素調查結果構建藍藻生物量初始濃度場,驅動模型模擬2009年6月18日和20日太湖水體藍藻葉綠素空間分布(圖3).與6月18日站點水柱調查結果比較,可以看出模型輸出結果在葉綠素濃度范圍及發生地點上與站點調查結果有很較高的一致性.與6月20日MODIS衛星反演結果比較,可以看出模型輸出結果與MODIS衛星反演結果一致(圖3,圖4).其中,2009年6月18日模擬值與站點調查值的誤差變化范圍在1.0%～56.9%,平均誤差23.8%,誤差小于20%的站點7個,占站點總數的50%,誤差在20%～50%之間的站點4個,占站點總數的29%,誤差大于50%站點3個,占站點總數的21%;2009年6月20日模擬值與MODIS衛星反演值的誤差變化范圍在3.8%～62.7%,平均誤差33.6%,誤差小于 20%的站點 5個,占站點總數的 36%,誤差在20%～50%之間的站點5個,占站點總數的36%,誤差大于50%站點4個,占站點總數的29%.此外,應用蒙特卡羅分析方法,采用變異系數分析初始濃度場(50%變化幅度)對模擬輸出結果的靈敏度,結果表明生長、集聚上浮階段變異系數為0.16,模擬結果對初始濃度場的變化比較敏感.

有研究表明在太湖這樣的富營養化湖泊中,營養鹽濃度已遠遠超過了藍藻生長的基本需求,夏季的光照強度和溫度也不是藻類生長的限制因子,湖水中水華藍藻的生物量將會一直高于發生水華的閾值.氣象與水文因素是藍藻水華形成堆積的驅動力[1].基于 ELCOM-CAEDYM 耦合模型框架構建的太湖水華藍藻生態動力學模型,在較長時間尺度上對生長和上浮階段藍藻水華形成的成功預測,表明 CAEDYM 模型能很好的模擬夏季水華藍藻的生長過程,ELCOM 水動力模型能很好的模擬藍藻水華形成的水動力學過程.

圖4 2009年6月18日太湖水體藍藻葉綠素站點調查值與模擬輸出水柱平均值、2009年6月20日MODIS衛星反演值與模擬輸出表層值的對比Fig.4 Comparison between the surveyed and the modeled cyanobacteria biomass in the water column in June 18,2009 and between the inferred data from MODIS satellite imagery and the modeled ones in the surface water of the Lake Taihu in June 20, 2009

3.2 復蘇階段藍藻水華形成的早期預測

近年來,太湖水華藍藻從復蘇到成為優勢種群所需時間越來越短,只要有合適的水文氣象條件,就有可能在早春形成災害性藍藻水華.3～4月逐漸成為太湖藍藻水華的初始出現期[1].

基于2008年3月20日水柱和底泥藍藻葉綠素調查結果構建藍藻生物量初始濃度場,驅動模型模擬2008年4月25日太湖水體藍藻葉綠素空間分布(圖 5).與站點水柱調查結果比較,可以看出3月20日水柱和底泥藍藻生物量為初始場的模型輸出水柱結果在葉綠素濃度范圍及發生地點上與站點調查結果基本一致.將模型輸出表層葉綠素結果與 MODIS衛星反演結果比較,總體上模擬結果與MODIS衛星反演結果的也比較一致,但 MODIS衛星反演結果在近岸水體明顯高于模擬結果,可能是受陸地地表影響(圖 5,圖 6).其中,2008年4月25日模擬值與站點調查值的誤差變化范圍在2.8%～70.4%,平均誤差32.1%,誤差小于 20%的站點 4個,占站點總數的 29%,誤差在20%～50%之間的站點 7個,占站點總數的 50%,誤差大于50%站點3個,占站點總數的21%;模擬值與 MODIS衛星反演值的誤差變化范圍在12.5%～83.9%,平均誤差 47.3%,誤差小于 20%的站點 4個,占站點總數的 29%,誤差在 20%～50%之間的站點 3個,占站點總數的 21%,誤差大于50%站點7個,占站點總數的50%.應用蒙特卡羅分析方法獲得的初始濃度場(50%變化幅度)對模擬輸出結果的變異系數為 0.33,表明復蘇階段模擬結果對初始濃度場的變化靈敏度較高.以上結果表明,基于 ELCOM-CAEDYM 耦合模型框架構建的太湖水華藍藻生態動力學模型,對春季復蘇階段藍藻水華形成的早期預測也有一定的應用價值,同時表明 CAEDYM 模型能較好的模擬復蘇階段水華藍藻的生長過程.

3.3 越冬階段水華藍藻生長的早期預測

越冬階段藍藻生物量對春末夏初藍藻水華的形成具有關鍵作用[1,4],因此在較長時間尺度上對越冬階段水華藍藻生長狀況進行預測有助于提高水華生態災害的應對能力.

基于2008年2月20日水柱和底泥藍藻葉綠素調查結果構建藍藻生物量初始濃度場,驅動模型模擬2008年4月25日太湖水體葉綠素空間分布(圖 5).與站點水柱調查結果及 MODIS衛星反演結果比較,可以看出2月20日藍藻生物量為初始場的模型輸出結果在葉綠素濃度范圍及發生地點上與站點調查結果及MODIS衛星反演結果也具有一定的一致性,但一致性程度都低于 3月20日藍藻生物量為初始場的模擬結果(圖5,圖6).其中,模擬值與站點調查值的誤差變化范圍在3.0%～82.5%,平均誤差 38.5%,誤差小于 20%的站點4個,占站點總數的29%,誤差在20%～50%之間的站點5個,占站點總數的36%,誤差大于50%站點5個,占站點總數的36%;模擬值與MODIS衛星反演值的誤差變化范圍在 12.7%～91.5%,平均誤差55.0%,誤差小于20%的站點3個,占站點總數的21%,誤差在20%～50%之間的站點2個,占站點總數的14%,誤差大于50%站點9個,占站點總數的65%.盡管模型計算誤差會隨預測時間的延長而增大,但幾乎同樣的時間尺度,在生長上浮聚集階段的差異并沒這么大.造成這種較大差異最有可能的原因是2月份絕大部分藍藻還處于冬季休眠階段,而目前CAEDYM模型對于越冬階段的微藻生存狀況還沒有清晰表達,如越冬藍藻的存活率等,藍藻越冬機制還沒能夠在模型中充分體現.

太湖水體和底泥中藍藻含量的調查結果表明,2007～2008 年藍藻越冬的主要水域位于西太湖和南太湖的部分區域,1月份平均水溫 4℃,全湖水體及底泥中藍藻等藻類都降至最低點,2月份平均水溫 8℃,個別時段水溫超過藍藻復蘇的閾值溫度(9℃),各個湖區底泥藍藻的含量有所增加,以西南湖區最為顯著,但水體藍藻含量仍然較低; 3月初水溫已回升接近14℃,超過越冬藍藻復蘇的溫度閾值,底泥表層藍藻的量開始增加,部分上升進入水體開始復蘇,但水體藍藻含量仍然不高[18].以2008年1月20日水柱和底泥藍藻葉綠素調查結果構建藍藻生物量初始濃度場,驅動模型模擬2008年2月20日太湖水體葉綠素空間分布(圖7).與站點水柱調查結果及MODIS衛星反演結果比較,可以看出1月20日藍藻生物量為初始場的模型輸出結果與站點調查結果及MODIS衛星反演結果具有一定的相似性(圖7,圖9),但相似程度比復蘇及生長聚集階段的要低.同樣,以2008年2月20日水柱和底泥藍藻生物量為初始濃度場,模擬2008年3月20日太湖水體葉綠素空間分布(圖8),可以看出2月20日藍藻生物量為初始場的模型輸出結果在葉綠素濃度范圍及發生地點上與站點調查結果及MODIS衛星反演結果的相似性程度也不高(圖8,圖9).其中,2008年2月20日模擬值與站點調查值的誤差變化范圍在12.0%～116.2%,平均誤差42.1%,誤差小于20%的站點 3個,占站點總數的 21%,誤差在 20%～50%之間的站點 8個,占站點總數的 58%,誤差大于50%站點 3個,占站點總數的 21%;模擬值與MODIS衛星反演值的誤差變化范圍在18.7%～114.5%,平均誤差48.5%,誤差小于20%的站點 2個,占站點總數的 14%,誤差在 20%～50%之間的站點 7個,占站點總數的 50%,誤差大于50%站點5個,占站點總數的36%.2008年3月20日模擬值與站點調查值的誤差變化范圍在11.9%～143.6%,平均誤差39.7%,誤差小于20%的站點 4個,占站點總數的 29%,誤差在 20%～50%之間的站點 6個,占站點總數的 42%,誤差大于50%站點 4個,占站點總數的 29%;模擬值與MODIS衛星反演值的誤差變化范圍在 9.7%～118.4%,平均誤差 43.0%,誤差小于 20%的站點 4個,占站點總數的 29%,誤差在 20%～50%之間的站點5個,占站點總數的36%,誤差大于50%站點5個,占站點總數的 36%.應用蒙特卡羅分析方法獲得的越冬休眠階段初始濃度場(50%變化幅度)對模擬輸出結果的變異系數平均為 0.17.以上結果反映出 CAEDYM 模型對藍藻越冬過程模擬能力不強,應在藍藻越冬機制模擬計算方面進一步改進,才能更好滿足藍藻水華早期預測的需要.5值

圖5 2008年4月25日太湖水體藍藻葉綠素空間分布(μg Chla/L)Fig.5 Spatial distribution of cyanobacteria chlorophyll in the water of the Lake Taihu in April 25, 2008 (μg Chla/L)

圖6 2008年4月25日太湖水體藍藻葉綠素站點調查值與模擬輸出水柱平均值的對比、MODIS衛星反演值與模擬輸出表層值的對比Fig.6 The comparison between the surveyed and the modeled cyanobacteria biomass in the water column and between the inferred data from MODIS satellite imagery and the modeled ones in the surface water in the Lake Taihu in April 25, 2008

圖7 2008年2月20日太湖水體葉綠素空間分布(μg Chla/L)Fig.7 Spatial distribution of cyanobacteria chlorophyll in the water of the Lake Taihu in February 20, 2008 (μg Chla/L)

圖8 2008年3月20日太湖水體葉綠素空間分布(μg Chla/L)Fig.8 Spatial distribution of cyanobacteria chlorophyll in the water of the Lake Taihu in March 20, 2008 (μg Chla/L)

圖9 2008年2月20日、3月20日的太湖水體藍藻葉綠素站點調查值與模擬輸出水柱平均值的對比、MODIS衛星反演值模擬輸出表層值的對比Fig. 9 The comparison between the surveyed and the modeled cyanobacteria biomass in the water column and between the inferred data from MODIS satellite imagery and the modeled ones in the surface water in the Lake Taihu in February 20 and March 20, 2008

4 結論

4.1 應用太湖藍藻水華形成的"四階段理論",基于ELCOM-CAEDYM耦合模型框架構建了太湖水華藍藻生態動力學模型,在較長時間尺度上對藍藻水華的強度和最初形成時間、地點進行早期預測, 生長上浮階段模擬值與站點調查值的平均誤差為 23.8%,與 MODIS衛星反演值的平均誤差33.6%;春季復蘇階段模擬值與站點調查值的平均誤差為32.1%,與MODIS衛星反演值的平均誤差47.3%;越冬階段的模擬值與站點調查值的平均誤差為40.1%,與MODIS衛星反演值的平均誤差為48.8%.

4.2 應用蒙特卡羅分析方法獲得初始濃度場(50%變化幅度)對各階段模擬結果的變異系數變化范圍為0.16～0.33,復蘇階段模擬結果對初始濃度場變化的敏感度最高,生長、集聚上浮階段模擬結果對初始濃度場變化的敏感度最低.

[1] 孔繁翔,馬榮華,高俊峰,等.太湖藍藻水華的預防、預測和預警的理論與實踐 [J]. 湖泊科學, 2009,21(3)：314-328.

[2] Cracknell A P, Newcombe S K, Black A F. The ABDMAP (Algal bloom detection, monitoring and prediction) concerted action [J].International Journal of Remote Sensing, 2001,22(2-3)：205-247.

[3] 譚 嘯.主要環境因子對藻類多樣性及藍藻優勢確立的影響[D]. 南京：中國科學院南京地理與湖泊研究所, 2009.

[4] 吳曉東.藍藻水華形成的關鍵過程研究及太湖藍藻水華預報[D]. 南京：中國科學院南京地理與湖泊研究所, 2008.

[5] 馬榮華,孔維娟,段洪濤,等.基于MODIS影像估測太湖藍藻暴發期藻藍素含量 [J]. 中國環境科學, 2009,29(3)：254-260.

[6] 孔繁翔,高 光.大型淺水富營養化湖泊中藍藻水華形成機理的思考 [J]. 生態學報, 2005,25(3)：589-595.

[7] Cao H S, Tao Y, Kong F X, et al. Relationship between temperature and cyanobacterial recruitment from sediments in laboratory and field studies [J]. Journal of Freshwater Ecology,2008,23(3)：405-412.

[8] 吳曉東,孔繁翔.水華期間太湖梅梁灣微囊藻原位生長速率的測定 [J]. 中國環境科學, 2008,28(6)：552-555.

[9] Cao H S, Kong F X, Luo L C, et al. Effects of wind-induced waves on vertical photoplankton distribution and surface blooms ofMicrocystis aeruginosain Lake Taihu [J]. Journal of Freshwater Ecology, 2006,21(2)：231-238.

[10] Hipsey M R, Antenucci J P, Hamilton D. Computational aquatic ecosystem dynamics model： CAEDYM v3.2 Science Manual(DRAFT) [R]. Perth： Centre for Water Research, University of Western Australia, 2008.

[11] Hodges B, Dallimore C. Estuary, lake and coastal ocean model：ELCOM v2.2 science manual [R]. Perth： Centre for Water Research, University of Western Australia, 2008.

[12] 盧 嘉,陳小華,李小平.基于ELCOM-CAEDYM模型的淀山湖營養物投入響應關系的模擬 [J]. 湖泊科學, 2011,23(3)：366-374.

[13] 謝興勇,錢 新,張玉超,等.引江濟巢對巢湖的水環境影響分析[J]. 環境科學研究, 2009,22(8)：897-901.

[14] 謝興勇,祖 維,錢 新.太湖磷循環的生態動力學模擬研究 [J].中國環境科學, 2011,31(5)：858-862.

[15] 李大勇,王濟干,董增川.引江調水改善太湖貢湖灣的水環境效應 [J]. 水力發電學報, 2011,30(5)：132-138.

[16] 李大勇,王濟干,董增川.基于生態系統動力學模型的太湖藻類動態模擬 [J]. 水力發電學報, 2011,30(6)：124-131.

[17] 譚 嘯,孔繁翔,于 洋,等.升溫過程對藻類復蘇和群落演替的影響 [J]. 中國環境科學, 2009,29(6)：578-582.

[18] 季 健,孔繁翔,于 洋,等.太湖越冬藍藻空間分布的初步研究[J]. 湖泊科學, 2009,21(4)：490-494.

[19] Hu W P, J?rgense S E, Zhang F B. A vertical-compressed three-dimensional ecological model in Lake Taihu, China [J].Ecological Modelling, 2006,190：367-398.