基于二維湖泊藻類模型的洪澤湖藻類空間動態模擬

齊凌艷，黃佳聰，高俊峰*，周 毅，田 威（.中國科學院南京地理與湖泊研究所，流域地理學重點實驗室，江蘇 南京 20008；2.中國科學院大學，北京 00049；.江蘇省水文水資源勘測局，江蘇 南京 20029）

基于二維湖泊藻類模型的洪澤湖藻類空間動態模擬

齊凌艷1，2，黃佳聰1，高俊峰1*，周 毅3，田 威3（1.中國科學院南京地理與湖泊研究所，流域地理學重點實驗室，江蘇 南京 210008；2.中國科學院大學，北京 100049；3.江蘇省水文水資源勘測局，江蘇 南京 210029）

將洪澤湖分為北、東、西3區，基于二維湖泊藻類模型構建洪澤湖藻類空間動態模型.利用水文、氣象、水質數據初始化模型、設定邊界條件，并用2012年逐月葉綠素a實測濃度校正模型參數，模擬出洪澤湖2012年葉綠素a濃度連續變化過程.從時間維度看，葉綠素a濃度變化多呈“雙峰型”趨勢，分別在4月和8月左右出現峰值；湖心和出湖口站點呈單峰型或無明顯峰值；顏圩站點出現多個濃度峰值.從空間維度看，西區葉綠素a平均濃度最低且空間差異不明顯；北區因湖水流動性差，濃度分布均勻，且靠近湖岸地區濃度較高；東區葉綠素a濃度受過水通道影響較大，空間差異顯著.雖然受大型淺水湖泊模擬不確定性等因素影響，個別點位模擬誤差偏高，但不會影響整體分析結果，模擬結果具有較高可信度.

湖泊藻類模型；洪澤湖；藻類；二維；模擬

目前，我國湖泊富營養化較為嚴重.藍藻水華是水體富營養化的常見表征.近年來隨著湖區環境負荷增加，污染日益嚴重，世界各大淡水湖頻繁出現藍藻大規模集聚現象，很大程度上破壞水環境景觀、威脅生態系統健康［1-3］.湖泊作為重要生活用水來源，藍藻水華會危及配給地用水安全，危害人類健康.

模型模擬是定量研究水體富營養化過程、認識富營養化機理的重要手段，也是水體富營養控制的重要環節之一.近年來，我國針對富營養化湖泊、水庫開展大量定量模擬研究.通過構建太湖藻類過程模型，實現太湖藍藻水華的短期（1～5d）預報［4］、分析其藻類過程的影響因子［5］、調水工程對湖泊藻類影響［6］以及進行太湖藻類動態模擬實驗［7］.通過構建鄱陽湖二維水動力水質模型，研究鄱陽湖湖區水動力、水質變化情況［8］.構建巢湖藍藻爆發尖點突變模型，研究藍藻水華發生機制及其特征［9］.除富營養化湖泊外，模型模擬也大量應用于水庫富營養化研究，如河北省洋河水庫［10］、深圳水庫［11］等.通過構建三維水動力和富營養化定量模擬模型，實現不同情景下水庫富營養化模擬.模型模擬對提高藻類機理過程的認識、湖泊藍藻水華預警與控制有重要意義.

洪澤湖是南水北調東線調蓄湖泊，其水質直接關系后續調水工程能否順利運行.同時作為蘇北地區農田灌溉及航運的水利樞紐，其水質營養程度以及是否會大面積暴發藍藻，也會直接影響給水地生活生產用水安全.目前來看，洪澤湖富營養化研究多使用綜合營養狀態指數法等方法對其富營養化水平進行定性評價［12］以及對水質理化指標進行時空分析［13］，研究基于一月一次或更低頻率采集的水質數據，缺乏對藻類生物量連續定量的分析.2013年10月19日至11月22日，南水北調東線一期工程全線試通水，截止11月5日，入洪澤湖水量7300萬m3，占洪澤湖庫容2.63%.2012年為洪澤湖試通水前鄰近水文年，有必要作為參考狀態對其藻類特征展開研究，以便后續跟蹤對比調水工程是否對洪澤湖藻類生態產生影響.本研究基于二維湖泊藻類模型［4］構建洪澤湖藻類空間動態模型，定量模擬洪澤湖區2012年每日連續藻類生物量，并進一步探究該水文年湖區藻類的時空變化特征.

1 研究區概況

洪澤湖地處淮河中游末端（北緯33°06＇～33°40＇，東經118°10＇～118°52＇），是發育在沖積平原上的淺水型湖泊，為中國第四大淡水湖［14］.洪澤湖位于江蘇省北部，湖面分屬淮安市的洪澤、淮陰、盱眙與宿遷市的宿豫、泗洪、泗陽，共2市6區縣管轄.湖區西納長淮，南注長江，東通黃海，北連沂沭.總面積為1597km2，平均水深1.90m.湖盆呈淺碟形，湖底平坦，整個湖盆由西北向東南傾斜，呈西北高、東南低地勢.所處地區降水較為豐富，但存在普遍的年際差異.豐水年最大年降水量達1240.9mm，枯水年最小年降水量只有532.9mm.受季風氣候影響，呈現雨、熱同季特點.豐富的夏季降水量可占全年降水量的50%以上.湖水來源除大氣降水外，主要依靠地表徑流.洪澤湖水力滯留時間為35d，入湖河流主要有8條：淮河、新汴河、老汴河、新濉河、老濉河、徐洪河、懷洪新河和安東河，其中淮河流量最大（圖1）［15］.

圖1 洪澤湖地理位置及水質監測點、水文站點分布Fig.1 Locations of Lake Hongze and its sampling sites

洪澤湖湖域面積較大，各區域存在差異.根據地理位置以及水文、水力和湖岸、出入湖河道特性等因素，將洪澤湖分為3個區：北區、東區、西區.北區即成子湖區域，水體流動性差，并且受宿遷市城市尾水影響，總體水質略差；東區包括過水通道及蔣壩閘灣，湖區水體流動性好，同時三河閘閘灣容易形成死水區，為重點監測區；西區包括溧河洼區域，地勢較高且水深較淺，水生植物分布面積相對較廣，生長茂盛［16］，水質較好（表1）.全湖共布設12個水質監測站點以及上游（西側）5個入湖河流水文站點及下游（東側）5個出湖河流水文站點（圖1）.

表1 洪澤湖分區水質參數統計Table 1 Table of water quality factors in three zones in Lake Hongze

2 研究方法

2.1 二維湖泊藻類模型

本研究基于二維湖泊藻類模型定量模擬洪澤湖全年藻類生物量，采用葉綠素a濃度指示藻類生物量.洪澤湖作為過水性湖泊，水柱垂向藻類分布較為均勻，二維模型較為適用，而且模型計算速度快，模型校正效率較高.同時與國外模型（如EFDC、MIKE21）相比，采用的模型考慮到組分較少且模型輸入數據容易獲取，可以滿足國內湖泊藻類模擬的需求，但也帶來一定不確定性.該模型通過數據同化［17］與多模型比較分析［18］等工作提高模型可靠性，在大型湖泊的藻類影響因子分析［5］、調水工程對湖泊藻類影響［6］等方面都有成熟的應用，能夠較好模擬大型淺水湖泊的藻類過程.該模型包括二維水動力模塊、藻類運移模塊與浮游植物生長過程模塊（圖2），其中二維水動力模塊模擬在太陽輻射、風力、蒸發、出入湖河流等共同作用下的水動力環境；藻類運移模塊在水動力模塊驅動下，模擬藻類在網格之間的運輸移動過程；浮游植物生長過程模塊刻畫藻類的生長、呼吸、排泄、沉降、死亡與被浮游動物捕食等一系列機理過程.3模塊共同作用模擬出湖泊葉綠素a濃度的連續變化過程.模型主控方程如公式（1），二維水動力模塊和藻類運移模塊模擬運動參數：Chlin、Chlout，浮游植物生長過程模塊模擬藻類參數：U、RA、MA、SA、GA、EA.因限于篇幅，表2，表3主要列出浮游植物模塊的方程及參數.模型的詳細機理過程可參考相關文獻［4］.

圖2 二維湖泊藻類模型框架［4］Fig.2 Structure of the hydrodynamic-phytoplankton model［4］

表2 浮游植物生長過程模塊方程［4］Table 2 List of equations for phytoplankton kinetics module［4］

表3 方程參數列表［4］Table 3 List of symbols in equations for phytoplankton kinetics module［4］

2.2 數據來源

構建洪澤湖藻類空間動態模型所需數據包括水文、氣象、水質數據，具體內容如表4所示.

（1）水文數據包括金鎖鎮、泗洪、雙溝、小柳巷、明光5個入湖河流水文站點測定的入湖河流日流量及葉綠素a濃度，二河閘、高良澗閘、周橋洞、洪金洞、三河閘5個出湖河流水文站點測定的出湖河流日流量（m3/s）（圖1）.

（2）氣象數據來自國家氣象中心的盱眙站（站點編號：58138，圖1），其氣象數據能夠代表洪澤湖的氣象條件.數據包括2012年每日7個氣象指標：日平均氣溫（℃）、日最高氣溫（℃）、日最低氣溫（℃）、日最大風速風向（°）、日照時數（h）、日平均風速（m/s）、日降水量（mm）.

（3）水質數據通過湖區水質監測站采樣測定，共布設12個監測站，北區：顏圩站、高湖站、洪澤湖區（宿遷北）站；東區：韓橋站、洪澤湖區（淮安北）站、洪澤湖區（淮安東）站、洪澤湖區（淮安南）站、洪澤湖區（淮安西）站、蔣壩站、老子山站；西區：洪澤湖區（宿遷南）站、臨淮站.測定水質指標包括溶解氧（DO， mg/L）、總磷（TP， mg/L）、總氮（TN，mg/L）、葉綠素a（Chl a， μg/L）濃度.

利用以上數據構建洪澤湖二維湖泊藻類模型，初始化水質參數及設定邊界條件.初始水質參數設為2012年1月洪澤湖區各水質監測點實測葉綠素a（Chl a， μg/L）、可溶性磷， mg/L）、可溶性氮，，， mg/L），以上氮磷濃度是按經驗值可溶性氮：顆粒態氮=3：1；可溶性磷：顆粒態磷=1：2比例折算總氮總磷濃度而來.邊界條件包括動力邊界和氣象邊界條件.動力邊界條件為上述5條主要入湖河流水文站點測量的日流量.而氣象邊界條件設為2012年的逐日氣象指標數據.

2.3 模型校正

模型校正是建立洪澤湖藻類空間動態模型中至關重要的過程，包括參數敏感性分析和參數優化兩個環節.通過模型參數的敏感性分析，選定需要調整的參數，根據參數與值范圍，采用自動方法多次運行模型，使用既定的算法在較少的運行次數條件下找到全局最優解，以此優化參數值.模型校正通過不斷調整關鍵參數，使得變量模擬值與觀測值之間差距最小［11］.水動力模塊校正方法應用成熟，采用流量調節因子進行校正.本節主要介紹浮游植物模塊校正過程，用于校正變量為葉綠素a.首先進行參數敏感性分析，分為3個步驟：利用參數初始值模擬葉綠素a濃度（SimA），利用參數閾值最大值模擬葉綠素a濃度（SimTmax），模型參數閾值最小值參與模擬葉綠素a濃度（SimTmin）.除測試參數外，其余參數值保持不變.通過分別計算SimTmax和SimTmin葉綠素a濃度與SimA之間相對誤差［5］，確定敏感系數最高的前10個參數（表5），即相對誤差均值越大，參數敏感性越高，取值改變對模擬結果影響越大.然后進行參數優化，在敏感參數的閾值范圍內使用相同間隔修改參數值，多次運行模型并計算各水質監測點葉綠素a實測值中位數與模擬曲線值的誤差指標，選擇誤差最小的參數值，確定敏感參數的優化結果（表5），完成浮游植物模塊校正過程.擬合量度r2=0.281，RMSE=2.52μg/L.

表4 二維湖泊藻類模型數據源Table 4 Measured data for the hydrodynamic-phytoplankton model

表5 模型校正參數Table 5 Parameter range and calibration values

在敏感性分析選擇的10個參數中，Umax、km、K、kr是衡量因浮游植物自身新陳代謝作用（生長、沉降、呼吸、死亡）引起葉綠素a增減的因子.與水溫以及浮游植物呼吸、排泄、死亡速率密切相關（表2）.研究表明溫度變化會影響藻類的光呼吸等耗氧的生理過程從而影響其光合作用［19］.Iopt、α、β反映了光照對浮游植物的影響，研究表明光照水平與藻類最大比增長率和指數生長期長短密切相關［20］.KP、PS是與磷營養鹽相關因子，已有研究通過設定不同氮、磷營養鹽濃度，研究營養鹽濃度對藍藻生長的影響，驗證藍藻在低磷濃度下生長受到抑制.其他研究也表明在湖泊中磷通常是限制因素，其濃度增加會導致水體中藍藻在浮游植物群落演替中占優勢［21-22］.

3 結果與分析

3.1 模擬誤差分析

模型校正之后，運行洪澤湖藻類空間動態模型，模擬時間為2012年1月1日～12月31日，為期366d，時間步長為100s，得出2012年洪澤湖每日葉綠素a濃度數據.統計各個水質監測點葉綠素a濃度相對誤差絕對值（圖3）以及分區誤差指標：MAE、RMSE、r2（表6）.圖3表明，洪澤湖區（淮安北）、洪澤湖區（宿遷南）站點的相對誤差絕對值較小；韓橋站實測數據出現223.5μg/L的濃度峰值，模擬曲線難以擬合到該峰值，造成相對誤差較分布范圍較大；大多數站點相對誤差處于中等水平.表6顯示，北區大部分監測站模擬結果決定系數較高，擬合程度較好；西區臨淮站擬合程度較好，而靠近過水通道的監測點洪澤湖區（宿遷南）擬合程度較差；東區普遍擬合優度較差，因為過水通道穿過該區，淮河流場復雜加大該區葉綠素a模擬難度.

本研究部分誤差指標計算結果雖相較于國外研究成果偏低［18］，但基于以下考量，模擬結果可信度較高：（1）本研究是針對大型淺水湖泊，不同于國外多為小型湖泊研究，大型湖泊湖區差異性大、藻類過程復雜，外界影響條件復雜，其“面大、水淺”的特征導致水動力過程復雜多變，增加水動力過程的模擬難度［23］，目前模型難以獲得高精度的模擬結果；（2）指示藻類生物量的葉綠素a濃度受天氣、溫度、水下光照、沉水植物、懸浮質以及測量儀器等多方面影響，波動幅度非常大；（3）本研究側重于探究洪澤湖葉綠素a的總體分布變化過程，個別監測點模擬誤差較大并不會對整體分析結果造成太大影響.

圖3 水質監測點葉綠素a濃度相對誤差絕對值Fig.3 Relative error of chlorophyll a in 13sampling sites

表6 葉綠素a濃度模擬誤差結果Table 6 Agreement of measured and simulation chlorophyll a

3.2 藻類時間變化

葉綠素a濃度模擬曲線與實測值總體變化趨勢一致（圖4），高湖、洪澤湖區（宿遷北）、臨淮等大部分站點的葉綠素a濃度變化呈現“雙峰型”特點，分別在4月和8月左右出現濃度峰值；洪澤湖（淮安北）、洪澤湖（淮安西）、蔣壩等部分位于過水通道以及出湖口的站點葉綠素a濃度曲線出現單峰值或無明顯峰值，曲線呈波動狀態.顏圩站點葉綠素a濃度曲線則分別在4、6、8月出現3個峰值.

“雙峰型”葉綠素a濃度曲線滿足藍藻水華成因的4階段理論假設.即在四季分明、擾動劇烈的長江中下游大型淺水湖泊中，藍藻的生長與水華的形成可分為休眠、復蘇、生物量增加、上浮及聚集等4個階段［24］.葉綠素a濃度在1～4月呈上升態，且在4月左右出現峰值.Tan等［25］在太湖冬季泥樣的模擬升溫培養實驗指出，藍藻的復蘇溫度為12.5℃.洪澤湖4月平均氣溫已經達到17.383℃，藍藻從冬季底泥內快速復蘇.同時光照充足，氮磷等無機鹽豐富（總氮濃度為2.024mg/L，總磷濃度為0.087mg/L）.種群競爭小，使得藻類生長速率加快，細胞數目成倍增加，達到峰值.藍藻大規模生長繁殖，為浮游動物及其他大型魚類牧食提供便利，同時營養鹽也被快速消耗，遏制藻類數目的進一步增加，造成曲線回落.隨著7～9月氣溫上升，洪澤湖區平均溫度達到25.8°，依據藍藻在19.5℃以后占據優勢，26.5℃出現最大光合效率的特點［25］，光合作用加強促進葉綠素a濃度再次達到峰值.此外洪澤湖區夏季雨量充沛，大量雨水會帶來城市尾水及農業非點源污染，也會造成曲線濃度高值.10月之后，隨著溫度降低，光照減弱，曲線呈下降態，大部分藻類由水柱下沉到底泥表面進行越冬，群體解體，生物量顯著下降，進入休眠期［24］.

洪澤湖區（淮安北）、洪澤湖區（淮安西）、洪澤湖區（淮安東），3個位于過水通道的站點以及位于三河閘出湖口的蔣壩站點葉綠素a濃度曲線呈現不同特征，曲線呈單峰型或無明顯峰值，曲線整體呈一定波動趨勢.研究表明水動力過程是影響水體富營養化狀態的重要因素［11］，不論是單一藻種還是混合藻類，低流速、小擾動有利于藻類的生長和聚集，快流速環境的沖刷作用使藻類的生長、繁殖環境受到破壞，有效地抑制藻類的增長和聚集［26-28］.過水通道區域與出入湖河口的水動力條件復雜，流場不穩定，可能導致藻類難以大規模聚集，不會出現明顯濃度峰值.

顏圩站點位于洪澤湖區北端，葉綠素a濃度曲線出現3個峰值.該地區由于引水條件較好以及水草豐富，水產養殖業發展迅猛，沿岸多為人工開挖魚塘和圍網養蟹池，造成該區水污染嚴重［29］，同時雨水沖刷引發農業和養殖業面源污染，造成水質富營養化水平較高，藻類頻繁暴發，造成葉綠素a濃度曲線出現多個峰值.

圖4 洪澤湖藻類時間變化Fig.4 Time dynamics of measured and simulation chlorophyll a concentrations in Lake Hongze

3.3 藻類空間分布

北、東、西3區全年葉綠素a平均濃度分別為：（11.89±25.29），（9.90±24.75），（5.76±2.97）μg/L（表1）.總體上看，西區富營養化水平最低、水質最優，東區次之，北區最差.葉綠素a濃度在3區的空間分布存在一定差異（圖5）.

北區因湖水整體流動性差，葉綠素a濃度分布較為均勻且濃度較高.在營養鹽相對充足、水流緩慢及適宜氣候條件下，湖泊發生水華現象遠多于河流［30］.水動力條件較弱已證明是導致水體水華頻發的主要原因.Paerl等［29］通過對東非Victoria湖、北美Erie湖、中國太湖和歐洲波羅的海的藍藻水華分析認為弱的水體紊動非常有利于藍藻上浮至水面形成水華［31］.同時北區湖岸周圍多水產養殖和農田耕地，人工投餌與春耕施肥會造成湖岸水域富營養化水平升高.北區湖面封閉，水流緩慢，營養鹽充足促進藻類生長聚集.同時從圖5可知，北區靠近湖岸地區葉綠素a濃度高于湖心水域，因湖岸會對水流起一定的阻滯作用及受風力作用，藻類容易發生堆積.北區9月份在徐洪河入湖口位置出現明顯局部濃度高值.表明入湖口注入上游大量受污染尾水，其富營養水平較高并可能包含大量藻類.后因湖水運動、攪拌，葉綠素a濃度逐漸下降，分布均勻.

東區出現明顯葉綠素a濃度空間差異.該區包括過水通道及蔣壩閘灣，過水通道水體流動性好，從西側的淮河入湖口經湖區至東側二河閘、三河閘出湖.良好的湖水流動性帶動藻類運移，造成濃度分布差異.空間差異特征隨淮河入湖口水域的葉綠素a濃度變化而有所不同.淮河入湖口水域藻類生長旺盛或注入上游污染含藻水，葉綠素a濃度由西南向東北方向隨湖水運動濃度遞減（8月）；淮河入湖口水域藻類生物量較低或注水起一定程度稀釋作用，葉綠素a濃度則由西南向東北方向遞增（12月），以上特征表明洪澤湖東區葉綠素a濃度受上游匯水及湖水運動影響較大.

西區總體葉綠素a濃度最低，水質最好.該區葉綠素a濃度分布特點與北區相似，空間差異并不明顯.同時因西區北岸多養殖場及村落聚居，匯水污染程度較高，造成葉綠素a濃度略高于西區南部.

圖5 洪澤湖葉綠素a空間分布Fig.5 Spatial distribution of chlorophyll a in Lake Hongze

3.4 模擬結果不確定性分析

模型模擬結果能夠在一定程度上反映2012年洪澤湖藻類生物量的時空變化特征，但尚存在以下不確定性：

（1）現有監測數據難以有效支持模型驗證.本研究構建的二維湖泊藻類模型涉及過程復雜、參數較多，模型驗證需要長期監測數據的支持.而目前葉綠素a監測水平有限，容易出現特異值.同時數據存在一定數據缺失現象（7月份5個監測點的葉綠素a實測數據缺失），加大了模擬結果難度.此外按比例折算可溶性氮磷濃度依據經驗值決定，存在一定信度風險.因此目前的監測數據難以完全有效地支持模型驗證，后期需要完善監測數據，進一步優化模型參數，提高模型可靠性.

（2）湖區模擬的邊界條件復雜.邊界條件準確性對于模擬過程影響很大，洪澤湖區出入湖河流復雜且河流平均日流量及其葉綠素濃度數據也存在不足，造成邊界條件模糊，加大模擬難度，對模擬精度產生影響.其中東區大多數監測點模擬誤差較大，因為過水通道穿過該區，受入湖河流淮河流場影響，邊界條件存在不確定性.后期需要補充相關數據，提高數據精度，完善模型輸入條件.

（3）氣象數據方面.藻類運輸移動受氣象條件驅動，溫度、光照、風力等條件都會不同程度影響藻類生長，即促生不同的葉綠素分布模式.本研究使用盱眙氣象站數據代表整個洪澤湖區的氣候，一定程度上影響了模擬精度.后期應采用更全面有效的氣象數據驅動葉綠素模擬，降低模型不確定性.

4 結論

4.1 洪澤湖2012年葉綠素a濃度從時間維度上看，處于湖流運動相對較弱水域的高湖、韓橋等站點葉綠素a濃度變化呈現“雙峰型”特點；位于過水通道及出湖口的洪澤湖（淮安北）等站點的葉綠素a濃度受活躍湖流影響出現單峰值或無明顯峰值；顏圩站點葉綠素a濃度曲線出現3個峰值.在空間維度上看，北區濃度分布均勻且岸邊濃度高于中心水域濃度，東區存在明顯空間差異且受湖流運動影響較大，西區空間差異不明顯.

4.2 洪澤湖為過水性湖泊，其水動力對藻類影響較大.處于過水通道和封閉水域的站點葉綠素a濃度在時間和空間上都存在明顯不同.

4.3 雖然模擬結果在單個監測點位存在一定誤差，但因大型湖泊模擬不確定性及受制于葉綠素a監測水平等原因，且不影響洪澤湖藻類總體變化分布特征，模擬結果仍具有較高可信度.

［1］Lyubov S， Kravtsova Lyudmila， Izhboldina L. Nearshore benthic blooms of filamentous green algae in Lake Baikal ［J］. Journal of Great Lakes Research， 2014，40（2）：441-448.

［2］Cho Sohyun， Lim Byungjin， Jung Jaewoon. Factors affecting algal blooms in a man-made lake and prediction using an artificial neural network ［J］. Measurement， 2014，（53）：224-233.

［3］Paerl H W， Huisman J. Blooms like It Hot ［J］. Science， 2008，（320）：57-58.

［4］Huang Jiacong， Gao Junfeng， H?rmann Georg. Hydrodynamicphytoplankton model for short-term forecasts of phytoplankton in Lake Taihu， China ［J］. Limnologica， 2012，（42）：7-18.

［5］Huang Jiacong， Gao Junfeng， H?rmann Georg， et al. Modeling the effects of environmental variables on short-term spatial changes in phytoplankton biomass in a large shallow lake， Lake Taihu ［J］. Environmental Earth Sciences， 2014，72（9）：3609-3621.

［6］Huang Jiacong， Gao Junfeng， Zhang Yinjun， et al. Modeling impacts of water transfers on alleviation of phytoplankton aggregation in Lake Taihu ［J］. Journal of Hydroinformatics， 2015，17（1）：149-162.

［7］丁 玲，逄 勇，李 凌，等.水動力條件下藻類動態模擬 ［J］. 生態學報， 2005，25（8）：1964-1867.

［8］杜彥良，周懷東，彭文啟，等.近10年流域江湖關系變化作用下鄱陽湖水動力及水質特征模擬 ［J］. 環境科學學報， 2015，35（5）：1274-1284.

［9］方鳳滿，金高潔，高 超.巢湖藍藻爆發多要素預測模型研究 ［J］.地理科學， 2010，30（5）：760-764.

［10］邵東國，郭宗樓.綜合利用水庫水量水質統一調度模型 ［J］. 水利學報， 2000（8）：10-15.

［11］唐天均，楊 晟，尹魁浩，等.基于EFDC模型的深圳水庫富營養化模擬 ［J］. 湖泊科學， 2014，26（3）：393-400.

［12］劉 濤，揣小明，陳小鋒，等.江蘇省西部湖泊水環境演變過程與成因分析 ［J］. 環境科學研究， 2011，24（9）：996-1002.

［13］李 為，都 雪，林明利.基于PCA和SOM網絡的洪澤湖水質時空變化特征分析 ［J］. 長江流域資源與環境， 2013，22（12）：1593-1599.

［14］王蘇民，竇鴻身.中國湖泊志 ［M］. 北京：科學出版社， 1998：218-220.

［15］高俊峰.中國五大淡水湖保護與發展 ［M］. 北京：科學出版社，2012：39-220.

［16］張圣照.洪澤湖水生植被 ［J］. 湖泊科學， 1992，4（1）：63-70.

［17］Huang Jiacong， Gao Junfeng， Liu Jutao， et al. State and parameter update of a hydrodynamic-phytoplankton model using ensemble Kalman filter ［J］. Ecological Modelling， 2013，263：81-91.

［18］Huang Jiacong， Gao Junfeng， Mooij W M . A Comparison of Three Approaches to Predict Phytoplankton Biomass in Gonghu Bay of Lake Taihu ［J］. Journal of Hydroinformatics， 2014，24（1）：39-51.

［19］張 曼，曾 波，張 怡.溫度變化對藻類光合電子傳遞與光合放氧關系的影響 ［J］. 生態學報， 2010，30（24）：7087-7091.

［20］劉春光，金相燦，邱金泉.光照與磷的交互作用對兩種淡水藻類生長的影響 ［J］. 中國環境科學， 2005，25（1）：32-36.

［21］王文杰，姚 旦，趙辰紅，等.氮磷營養鹽對四種淡水絲狀藍藻生長的影響 ［J］. 生態科學， 2008，27（4）：202-207.

［22］Steiberg C E W， Hartmann H M. Planktonic bloom forming cyanobacteria and the eutrophication of lake and rivers ［J］. Freshwater Biology， 1998，（20）：279-287.

［23］孔繁翔.藍藻生物學特性與水華形成機制概述 ［M］. 北京：科學出版社， 2011：43.

［24］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.

［25］Tan X， Kong F X， Zhang M， et al. Recruitment of phytoplankton from winter sediment of Lake Taihu： A laboratory simulation ［J］. Journal of Freshwater Ecology， 2009，24（2）：339-341.

［26］吳曉輝，李其軍.水動力條件對藻類影響的研究進展 ［J］. 生態環境學報， 2010，19（7）：1732-1738.

［27］吳述園，葛繼穩，苗文杰，等.三峽庫區古夫河著生藻類葉綠素a的時空分布特征及其影響因素 ［J］. 生態學報， 2013，33（21）：7023-7034.

［28］張毅敏，張永春，張龍江，等.湖泊水動力對藍藻生長的影響 ［J］.中國環境科學， 2007，27（5）：707-711.

［29］范亞民，何華春，崔云霞，等.淮河中下游洪澤湖水域動態變化研究 ［J］. 長江流域資源與環境， 2010，19（12）：1397-1403.

［30］顏潤潤，逄 勇，趙 偉，等.環流型水域水動力對藻類生長的影響 ［J］. 中國環境科學， 2008，28（9）：813-817.

［31］陳瑞弘，李飛鵬，張海平.面向流量管理的水動力對淡水藻類影響的概念機制 ［J］. 湖泊科學， 2015，27（1）：24-30.

Spatial-temporal modeling of phytoplankton in Lake Hongze using a 2-D hydrodynamic-phytoplankton model.

QI Ling-yan1，2， HUANG Jia-cong1， GAO Jun-feng1*， ZHOU Yi3， TIAN Wei3（1.Key Laboratory of Watershed Geographic Sciences， Nanjing Institute of Geography and Limnology， Chinese Academy of Sciences， Nanjing 210008， China；2.University of Chinese Academy of Sciences， Beijing 100049， China；3.Jiangsu Province Hydrology and Water Resources Investigation Bureau， Nanjing 210029， China）. China Environmental Science， 2015，35（10）：3090～3100

The dynamics of algae biomass distribution in Lake Hongze was simulated using a two-dimensional hydrodynamic-phytoplankton model. Lake Hongze was divided into three zones， i.e.， northern zone， eastern zone and western zone. Chlorophyll a （Chl a） was used to represent algal biomass in Lake Hongze. The initial and boundary data for the hydrodynamic-phytoplankton model included hydrological， meteorological and water quality data. The spatial distribution of Chl a， nitrogen and phosphorus concentrations in January was used as the initial data. The boundary data included daily water flow， temperature and precipitation. Ten most sensitive parameters （e.g.， maximum growth rate of phytoplankton） were identified based on sensitivity analysis， and was optimized based on the value ranges from previous study. The calibration results showed good agreement between measured and simulated Chl a （r2=0.281， RMSE = 2.52 μg/L）. Based on the calibrated model， the dynamics of Chl a distribution in Lake Hongze during 2012 were simulated. The simulation results generally showed two Chl a peaks in April and August. However， simulation Chl a at central and outlet areas had one peak or no obvious peak. Simulation Chl a at Yanwei station showed many peaks in the year. Simulation Chl a in three spatial zones was significantly different. In western zone， Chl a was low and showed low spatial heterogeneity. Spatial heterogeneity of Chl a in northern zone was low due to the low water flow. Chl a in the nearshore area was relatively higher， and was significantly affected by wind conditions. In eastern zone， spatial heterogeneity of Chl a was high due to the inflow rivers with large discharge， such as River Huai. The model well predicted the overall trend of Chl a in Lake Hongze during 2012. However， the model fits at some stations were relatively low due to the existing model uncertain. The modeling practice in this study improved our understanding of algae dynamics in Lake Hongze， and thus benefited us in controlling algal blooms.

hydrodynamic-phytoplankton model；Lake Hongze；phytoplankton；2-D；simulation

X524

A

1000-6923（2015）10-3090-11

齊凌艷（1988-），女，安徽蕪湖人，中國科學院南京地理與湖泊研究所博士研究生，主要從事湖泊-流域過程模擬.發表論文1篇.

2015-03-02

國家“973”項目（2012CB417006）

* 責任作者， 研究員， gaojunf@niglas.ac.cn