青山水庫藻類分布特征及相關性研究

金丹娟 童群 許振波 施思 王潔屏 石芳明

摘要：青山水庫是杭州的飲用水源之一，其水質受生活污水、工業和農業等方面的影響。研究、跟蹤調查了2018年4月至2019年3月青山水庫藻類在水體中的分布情況，并分析了葉綠素a與藻類、環境因子的相關性。結果表明，青山水庫的藻類常年以綠藻、藍藻、硅甲藻為主，夏季以藍藻為主;藻類主要集中在表層水中（水面下1～2 m）;葉綠素a含量與綠藻、藍藻、硅甲藻均呈極顯著正相關;葉綠素a含量與水溫、高錳酸鹽指數呈極顯著正相關，與pH呈顯著正相關，與氨氮、硝酸鹽氮、總鐵、三價鐵離子、錳呈顯著負相關;逐步回歸分析得出高錳酸鹽指數、硝酸鹽氮和水溫是影響青山水庫葉綠素a含量的主要因子，葉綠素a計算值與實測值擬合的相關性較好（R=0.920，P<0.01）。

關鍵詞：青山水庫;葉綠素a;藻類;逐步回歸分析

中圖分類號：X524;X832? ? ? ? ?文獻標識碼：A

文章編號：0439-8114（2019）20-0072-04

DOI：10.14088/j.cnki.issn0439-8114.2019.20.015? ? ? ? ? ?開放科學（資源服務）標識碼（OSID）：

Distribution characteristics and correlation analysis of algae in Qingshan reservoir

JIN Dan-juan1，TONG Qun1，XU Zhen-bo1，SHI Si1，WANG Jie-ping1，SHI Fang-ming2

（1.Lin'an Environmental Monitoring Station，Hangzhou 311300，China;

2.Lin'an Science & Technology Bureau of Hangzhou City，Hangzhou 311300，China）

Abstract： Qingshan reservoir is one of the drinking water sources in Hangzhou， and the water quality is affected by domestic sewage， industry and agriculture. The distribution of algae in Qingshan reservoir from April 2018 to March 2019 was investigated， and the correlation between chlorophyll a and algae and environmental factors was analyzed. The analysis showed that the main algae in Qingshan Reservoir were green algae， blue-green algae and diatoms all the year round. Blue-green algae were the main species in summer. Algae were mainly distributed in surface water （1～2 m below the surface）. Correlation analysis indicated that green algae， blue-green algae and diatoms were extremely significant correlated with chlorophyll a. Chlorophyll a was? extremely significant associated with water temperature， CODMn and was a significant positive correlation with pH， and it had a negative correlation with ammonia nitrogen， nitrate nitrogen， total iron， trivalent iron ion and manganese. Stepwise regression analysis showed that CODMn， nitrate nitrogen and water temperature were the most important factors， which influenced the concentration of chlorophyll a in Qingshan reservoir. The calculated and measured values of chlorophyll a have a good correlation （R=0.920，P<0.01）.

Key words： Qingshan reservoir; chlorophyll a; algae; stepwise regression analysis

大量工業、生活污水以及在農業上使用的化肥等營養物質不斷排入江河湖泊等水體，造成水體的富營養化問題日益嚴重，并引發藻類爆發[1-3]。藻類爆發引起的水華及其危害是一個全球性的環境問題，而藻類在飲用水源地爆發引起的供水安全問題對人類的影響最為深刻。影響藻類生長的因素眾多，包括水溫、光照、水的流速等物理因素和營養鹽、金屬等化學因素[4-7]。目前，對于藻類爆發的機制多為假說成因，在實踐中應用性不強。

青山水庫是隸屬太湖源流域，水庫集雨面積603 km2，主源長46 km，集流時間10 h，總庫容2.15億m3[8]。青山水庫主要入庫水源有南苕溪、錦溪、橫溪及靈溪等地表徑流，其水質受生活污水、工業和農業等方面的影響。自五水共治開始，青山水庫整體水質持續改善，但富營養化依然嚴重。本研究基于2018年4月至2019年3月青山水庫的監測數據，旨在跟蹤調查青山水庫藻類在水體中的分布特征，進一步研究葉綠素a與藻類、環境因子的相關性分析，并采用多元線性回歸中的逐步回歸分析建立葉綠素a含量的預測模型，以期為青山水庫水體富營養化預警提供參考。

1? 材料與方法

1.1? 采樣布點

本研究共設10個表層水采樣點（圖1）。水溫（WT）、溶解氧（DO）、透明度（SD）、葉綠素a（Chl-a）、藻密度、綠藻密度、藍藻密度、硅甲藻密度、隱藻密度等指標為現場測定指標，并記錄當天采樣時間、天氣狀況、水樣外觀等參數供研究參考。采樣時間控制在9：30—11：00，采樣頻率為每月1次，且采樣前1～2 d的天氣均未下雨。水樣采集完成后，立即送實驗室，當天完成其他化學指標的測定。

另外，選取湖中心采樣點（圖1中的4號），監測了該點位藻類垂直分布情況，現場監測指標包括水溫、葉綠素a、藻密度、綠藻密度、藍藻密度、硅甲藻密度、隱藻密度。采樣頻次為每季度1次，監測時，將儀器勻速緩慢的放入水下（約3 s測量1次），測量深度最深為10 m。

1.2? 監測項目與方法

水溫、溶解氧用HQ30d型美國哈希便捷式溶解氧測定儀進行現場測定;透明度用塞氏盤法測定;pH、高錳酸鹽指數（CODMn）、總氮（TN）、氨氮（NH3-N）、硝酸鹽氮（NO3-N）、亞硝酸鹽氮（NO2-N）、總磷（TP）、總鐵（TFe）、錳（Mn）、亞鐵離子（Fe2+）參照國家標準（GB/T 6920-1986、GB/T 11892-1989、HJ 636-2012、HJ/T 195-2005、HJ 84-2016、GB/T 11893-1989、GB 11911-1989、HJ/T 345-2007）進行測定;電導率、磷酸鹽（PO43-P）參照《水和廢水監測分析方法（第四版增補版）》進行測定[9];葉綠素a、藻密度、綠藻密度、藍藻密度、硅甲藻密度、隱藻密度采用BBE FluoroProbe野外藻類分析儀監測。

1.3? 數據分析

對青山水庫葉綠素a與藻類、環境因子進行Pearson相關性分析[10]和逐步回歸分析[11-12]，并選用與葉綠素a相關性顯著的環境因子建立多元線性回歸方程，以預測葉綠素a含量變化及趨勢。采用SPSS 19.0軟件對水樣數據進行統計分析。

2? 結果與分析

2.1? 青山水庫藻類季節分布特征

青山水庫常年生長的藻類主要是綠藻、藍藻、硅甲藻，各藻類種群結構的季節變化規律如圖2所示。自2008年4月開始，藻類數量開始上升，8月達到最高值，然后開始下降;11月至次年2月，藻類數量較低且波動不大。2018年4月、2019年1—3月青山水庫水體中以硅甲藻為主，分別占總細胞數的62.5%、51.8%、79.9%和62.6%;2018年5、10、11、12月以綠藻為主，分別占總細胞數的52.8%、40.1%、48.8%和37.5%;2018年6—9月以藍藻為主，分別占總細胞數的53.1%、49.1%、47.8%、46.3%。

2.2? 青山水庫藻類數量的時空分布特征

選取湖中心點位（4號）監測青山水庫藻類垂直分布特征。從垂直分布上看（圖3和圖4），1月隨深度的增加，藻類數量增加;5、8、11月藻類主要集中在表層水（水面下1～2 m）;底層水中，1、5、8、11月藻類數量相差不大。1月、8月和11月，表層水、中層水和底層水的水溫變化不大，1月水溫變化范圍為7.38～7.51 ℃，8月水溫變化范圍為27.3～30.37 ℃，11月水溫變化范圍為15.13～15.66 ℃;5月，表層水、中層水和底層水的水溫變化較大，范圍為18.01～28.12 ℃，表層水水溫高于中、底層。5月和8月，表層水水溫均高于24 ℃，且表層光照、溶解氧相對充足，為藻類生長提供了有利條件。

2.3? 葉綠素a含量變化與藻類、環境因子的相關性分析

水體中葉綠素a含量受諸多因子的制約，選取2018年4月至2019年3月青山水庫湖中心點位的數據，對水庫水體中葉綠素a含量與藻類、環境因子等進行Pearson相關性分析。葉綠素a與藻類生物量的Pearson相關性分析表明，葉綠素a含量與綠藻、藍藻、硅甲藻均呈極顯著正相關，相關系數為0.975、0.859、0.871;葉綠素a含量與隱藻無顯著相關性，相關系數為0.506，這表明研究期間綠藻、藍藻、硅甲藻對生成葉綠素a貢獻較大。葉綠素a與環境因子的Pearson相關性分析表明（表1），葉綠素a含量與水溫、高錳酸鹽指數均呈極顯著正相關，與pH呈顯著正相關，與氨氮、硝酸鹽氮、總鐵、三價鐵離子、錳呈均顯著負相關;與其他指標無顯著相關。

2.4? 葉綠素a含量的預測

根據Pearson相關性分析結果，選擇與葉綠素a相關性較大的高錳酸鹽指數、水溫、總鐵、錳、三價鐵離子、pH、氨氮、硝酸鹽氮8個環境因子，采用多元線性回歸中的逐步回歸分析，預測葉綠素a含量（表2）。逐步回歸分析結果表明，極顯著水平下高錳酸鹽指數、硝酸鹽氮和水溫這3個因子入選，因此高錳酸鹽指數、硝酸鹽氮和水溫是影響青山水庫葉綠素a含量的主要環境因子;多元線性回歸方程為y=46.773 X1+16.221 X2-1.277 X3-121.259（X1、X2、X3分別表示CODMn、NO3-N、WT），R為0.989，F為116.215，顯著性檢驗P=0.000<0.01，表明該方程有較好的擬合度，回歸結果有效。

將2018年5月10個采樣點的高錳酸鹽指數、硝酸鹽氮和水溫實測值帶入多元線性回歸方程計算葉綠素a的含量，葉綠素a含量實測值與計算值（表2）對比發現，最大相對偏差為10.53%，最小相對偏差為0，平均相對偏差為5.13%。對葉綠素a含量的計算值與實測值進行相關性分析，兩者相關性較好（R=0.920，P<0.01）。

3? 結論

青山水庫藻類數量從2018年4月開始上升，8月達到最高值，然后開始下降;11月至次年2月，藻類數量較低且波動不大。青山水庫的藻類常年以綠藻、藍藻、硅甲藻為主，夏季以藍藻為主。從青山水庫湖中心藻類垂直分布的監測結果來看，藻類主要集中在表層水（水面下1～2 m）。

基于2018年4月至2019年3月青山水庫湖中心點位的數據，對水庫水體中葉綠素a含量與藻類、環境因子等進行Pearson相關性分析。葉綠素a含量與綠藻、藍藻、硅甲藻均呈極顯著正相關;葉綠素a含量與水溫、高錳酸鹽指數呈極顯著正相關，與pH呈顯著正相關，與氨氮、硝酸鹽氮、總鐵、三價鐵離子、錳均呈顯著負相關。藻類通過光合作用產生大量的有機物，水體中高錳酸鹽指數含量升高[13]。青山水庫葉綠素a含量與高錳酸鹽指數呈極顯著正相關（R=0.964，P<0.01），說明高錳酸鹽指數是影響葉綠素a的被動因子，有機物不是青山水庫藻類生長的制約因素[14]。一般情況下，pH是影響葉綠素a含量的被動因子、非限制因子，藻類光合作用大量吸收水體中的二氧化碳，釋放氧氣，進而增加了pH[10，15]。因此，青山水庫葉綠素a含量與pH呈極顯著正相關（R=0.657，P<0.05），但pH是影響葉綠素a含量的被動因子。

逐步回歸分析得到的多元線性回歸方程，高錳酸鹽指數、硝酸鹽氮和水溫為該方程的自變量，該方程的擬合度較好（R=0.989，P<0.01）;多元線性回歸方程得出的葉綠素a含量計算值與實測值擬合的相關性較好（R=0.920，P<0.01），且實測值和計算值之間的相對偏差范圍為0～10.53%。葉綠素a含量平行樣的相對偏差要求≤20%[16]。表明用高錳酸鹽指數、硝酸鹽氮和水溫為自變量所建立的多元回歸方程可以較為準確地擬合青山水庫葉綠素a的含量，以預測青山水庫葉綠素a含量的變化趨勢，其結果可為水體富營養化預警提供參考。

參考文獻：

[1] ZHU W，WAN L，ZHAO L F. Effect of nutrient level on phytoplankton community structure in different water bodies[J].Journal of environmental sciences，2010，22（1）：32-39.

[2] 孫玉平，于恒國，周? 欽，等.典型富營養化城市河流——浙江溫瑞塘河的浮游植物群落類型與季節變化[J].湖泊科學，2018， 30（2）：375-384.

[3] 胡光偉，張? 明，劉? 珍，等.洞庭湖水質變化及其形成機制分析[J].水資源與水工程學報，2019，30（3）：39-45.

[4] ELMGREN R，LARSSON U. Nitrogen and the Baltic sea：Managing nitrogen in relation to phosphorus[J].The scientific world journal，2001，1：371-377.

[5] XU H，PAERL H W，QIN B，et al. Nitrogen and phosphorus inputs control phytoplankton growth in eutrophic Lake Taihu，China[J].Limnology and oceanography，2010，55（1）：420-432.

[6] HOWARTH R W，MARINO R. Nitrogen as the limiting nutrient for eutrophication in coastal marine ecosystems：Evolving views over three decades[J].Limnology and oceanography，2006，51（12）：364-376.

[7] ZHANG W，XU Q J，WANG X X，et al. Spatiotemporal distribution of eutrophication in Lake Tai as affected by wind[J].Water，2017，9（3）：1-20.

[8] 黃再榮，王治新，卞良根，等.臨安市水利志[M].南京：河海大學出版社，2001.

[9] 國家環境保護總局水和廢水監測分析方法編委會.水和廢水監測分析方法[M].第四版增補版.北京：中國環境科學出版社，2006.

[10] 羅宜富，李? 磊，李秋華，等.阿哈水庫葉綠素a時空分布特征及其與藻類、環境因子的關系[J].環境科學，2017，38（10）：4151-4159.

[11] 田午子，孫? 澤，孫? 潤，等.基于SPSS多元線性回歸對城市用水量的分析[J].華北科技學院學報，2019，16（2）：114-117.

[12] 周鵬飛，盧澤雨.基于SPSS多元線性回歸模型在城市用水量的預測[J].水利科技與經濟，2018，24（5）：6-10.

[13] 王之明，王? 堃，劉綏華，等.草海豐水期chl-a空間分布與環境因子相關關系[J].人民長江，2018，49（14）：34-39.

[14] 王玉玨，劉? 哲，張? 永，等.2010—2011年膠州灣葉綠素a與環境因子的時空變化特征[J].海洋學報，2015，37（4）：103-116.

[15] 周貝貝，王國祥，徐? 瑤，等.南京秦淮河葉綠素a空間分布及其與環境因子的關系[J].湖泊科學，2012，24（2）：267-272.

[16] HJ 897-2017，水質 葉綠素a的測定 分光光度法[S].