太湖藍藻水華暴發程度年度預測

張虎軍,宋 挺,朱冰川,石浚哲,張軍毅

江蘇省無錫環境監測中心,江蘇 無錫 214000

水華是淡水水體中的藻類大量繁殖引發的一種自然生態現象,表觀特征為水體表面有藻類聚集或藻類顆粒懸浮在水體中[1]。 藍藻水華不僅影響環境景觀,還會釋放異味和藻毒素,并且藻類死亡后的分解過程會大量耗氧,造成水體溶解氧濃度迅速降低,使水體發黑發臭,形成湖泛[2-3]。2007 年,太湖湖泛引發了嚴重的供水危機,給當地民眾的用水安全帶來了巨大威脅。 經過10 多年的持續治理,雖然太湖水體營養鹽濃度總體持續下降,但富營養化狀況并沒有得到本質上的逆轉,太湖藍藻水華仍舊高發,暴發強度并未出現明顯的下降[4],特別是在2017 年出現了的反彈,使太湖藍藻水華防控工作和飲用水安全保障工作受到了嚴峻挑戰[5]。

實時監視太湖水質指標變化,對太湖藍藻水華進行預警預報,是當前太湖水質監測工作的重點[6]。 太湖浮標式自動監測系統自2008 年開始建設以來,目前總計有20 多套投入運行,其主體設備為水質多參數儀,可對水溫、濁度、pH、電導率、溶解氧、葉綠素a、藍藻密度等水質參數進行實時、連續的自動監測。 該項工作對于掌握太湖水質指標的瞬時變化和藍藻情勢起到了重要作用。 相較于傳統的地面監測,衛星遙感具有觀測范圍大、多時相、獲取快速等優點,在水環境質量和藍藻水華監測中具備較大的優勢,可以和太湖湖體中分布的浮標式自動監測系統相互配合,取長補短,形成“天地一體化”的監測系統,有利于藍藻水華預警預測工作的進一步深入與完善。 關于藍藻水華預警預測技術,已有學者開展了相關研究。 王兆群等[7]通過建立環境因子和生物因子的逐步回歸模型,對洪澤湖藻類密度開展了預測;羅曉春等[8]使用隨機森林算法分析了氣象要素與藍藻水華綜合指數的關系,對影響藍藻水華的主要氣象要素特征變量的重要性度量和貢獻率開展了定量評估;YE 等[9]基于對逐日單點水質及環境參數的監測,開發了利用人工神經網絡預測大型水庫支流未來7 天藍藻水華風險的方法;黃煒等[10]構建了以藍藻水華強度等級為應變量,水質、水文和氣象3 類指標為自變量的多元線性回歸模型。

太湖位于長江三角洲南部,橫跨江蘇和浙江兩省,是我國五大淡水湖泊之一。 當地屬亞熱帶季風氣候,年平均氣溫16～18 ℃。 太湖面積約為2 400 km2,湖岸線全長約393 km,北部有梅梁湖、竺山湖、貢湖3 個主要湖灣。 太湖最大水深為3 m,平均水深僅為1.89 m[11],湖泊動力比(湖泊面積的平方根/平均湖深)高達25.6[12],且水體富營養化水平較高,屬于典型的渾濁二類水體。 夏秋季節經常有大范圍的藍藻水華暴發,較容易導致湖泛的發生,從而對太湖周邊飲用水安全造成威脅。 目前,針對年際尺度藍藻水華預測技術的報道還較少。 本研究通過對2012—2020 年太湖浮標站自動監測數據、實驗室分析數據與藍藻水華遙感監測結果進行統計分析,試圖構建逐月層面的各環境因子與藍藻水華強度之間的定量關系,探索一種能對太湖全年藍藻水華形勢進行預測預判的方法,以期為太湖藍藻水華預警監測提供一定的技術支持。

1 材料與方法

1.1 環境因子數據

自動監測數據來源于江蘇省環境監測中心在太湖水域設立的22 個浮標站(圖1),主體設備為水質多參數儀(美國YSI,6600V2),測量深度為水下0.5 m,監測頻次為1 次/0.5 h,測量參數為水溫、濁度、pH、電導率、溶解氧、葉綠素a 和藍藻密度。 此外,本研究還使用了江蘇省無錫環境監測中心對太湖國控點位開展的每月例行監測數據,監測項目包括總磷、總氮、高錳酸鹽指數和生化需氧量。

圖1 水質自動監測浮標站分布示意圖Fig.1 Location map of the automatic water-quality monitoring sites

1.2 藍藻水華遙感監測

衛星資料來源于2012—2020 年歷年4—10月太湖藍藻水華預警期間EOS 系列衛星的MODIS 傳感器影像數據,空間分辨率為250 m。藍藻水華暴發時,藍藻覆蓋區的光譜特征與湖泊其他水體區域有明顯差異[13],特別是在近紅外波段,有藍藻水華覆蓋的水體會出現類似植被的“陡坡效應”。 本研究使用歸一化植被指數(NDVI)來反映藍藻水華信息[14],計算公式為

式中:ρNIR為近紅外波段反射率,ρR為紅光波段反射率,分別對應MODIS 數據的B2 和B1 波段。通過人工設定NDVI 閾值判定藍藻水華覆蓋區域,共篩選出935 幅出現藍藻水華的影像,并分別提取藍藻水華面積。

為更客觀地反映藍藻水華的影響程度,本研究綜合考慮藍藻水華的年度平均面積和最大面積,構建了太湖藍藻水華綜合指數(Ic)來表征藍藻水華暴發強度,方法如下:

式中:Ic為藍藻水華綜合指數;NA 和NM 分別為各年度藍藻水華平均面積和最大面積經歸一化處理后的數值;ωA和ωM分別為NA 和NM 對應的權重系數,均取0.5。

通過空間分布頻率指數(SDFI)法計算太湖不同區域的藍藻水華暴發頻率[15],計算公式為

式中:SDFI 為空間分布頻率指數;Ri為第i日藍藻水華解譯二值圖中的柵格像元值;n為影像數;t為整個統計周期的總天數。

1.3 藍藻水華預測數據統計處理

使用SPSS 軟件多元線性回歸分析中的“進入方法”分析藍藻水華強度與各項環境因子之間的定量關系,根據各項環境因子與藍藻水華強度的相關性分析結果篩選建模指標。

2 結果與討論

2.1 太湖藍藻水華時空變化分析

2.1.1 水華發生規模的年際變化

依據生態環境部發布的《水華遙感與地面監測評價技術規范(試行)》(HJ 1098—2020)中的基于水華面積比例的水華程度分級標準[1],以太湖總面積(2 400 km2)為換算基準,根據藍藻水華暴發面積(A),將太湖水華暴發規模分為4 個等級:當A<240 km2時,為無明顯水華;當240 km2≤A<720 km2時,為輕度水華;當720 km2≤A<1 440 km2時,為中度水華;當A≥1 440 km2時,為重度水華。 本文對2012—2020 年歷年4—10 月預警期間的太湖藍藻水華發生情況進行了統計,結果如表1 所示。

表1 太湖藍藻水華發生次數Table 1 Occurrence times of cyanobacteria blooms in Taihu Lake 次

通過表1 及圖2 可以看出,2012—2020 年,太湖藍藻水華發生規模以無明顯水華和輕度水華為主,2017、2019、2020 年分別出現了4 次、3 次、3次中度水華,其余年份未出現中度及以上規模水華。 其中,2017 年無明顯水華的占比最低,輕度和中度規模水華的占比相對較高,表明2017 年的水華暴發規模較其他年份更大。

圖2 太湖各等級水華發生次數占比Fig.2 Proportion of occurrences of cyanobacteria blooms of various levels in Taihu Lake

2.1.2 水華發生區域的空間變化

圖3 為2012—2020 年太湖藍藻水華暴發頻率,即SDFI。 從歷年情況來看,太湖藍藻水華暴發最頻繁的水域為宜興西部沿岸區,東部區域藍藻水華暴發頻率最低,整體呈現從西北向東南逐步遞減的空間分布特征。 根據太湖往年水質監測數據,氮磷等營養鹽濃度也呈現西部沿岸區最高、東部區域最低的空間分布特征,因此,營養鹽濃度可能是導致太湖藍藻水華暴發頻率西北高、東南低的原因之一。 2012—2017 年,太湖藍藻水華發生頻率基本呈逐年升高的趨勢,高頻暴發區由西部沿岸區往東逐步擴展,至2017 年達到頂峰。2017 年后,高頻暴發區開始有所收縮,表明近年來的太湖治理工作初見成效。

圖3 太湖藍藻水華年度暴發頻率Fig.3 Annual frequency of cyanobacteria blooms in Lake Taihu

2.2 太湖藍藻水華年度形勢預測

2.2.1 環境因子篩選

依據公式(2)計算得到太湖2012—2020 年各年度Ic,分別為0.338、0.179、0.256、0.429、0.369、0.596、0.345、0.567、0.562。 可 以 看 到,2017 年太湖藍藻水華強度最大,2013 年則最小。將2012—2020 年各項環境因子的逐月均值與歷年Ic做相關性分析,結果如表2 所示。

表2 2012—2020 年太湖Ic 與相關環境因子的相關性分析Table 2 Environmental factors related to cyanobacteria bloom intensity in Taihu Lake from 2012 to 2020

從表2 可以看到,各項環境因子的逐月均值與歷年Ic的相關性存在較大的月度變化,其中,各項環境因子對應的最大相關系數(取絕對值)與出現的月份分別如下:水溫,0.790,1 月;pH,0.623,11 月; 溶 解 氧, 0.626, 5 月; 電 導 率,-0.860,1 月;濁度, - 0.544,4 月;葉綠素 a,-0.756,10 月;藍藻密度,0.778,6 月;高錳酸鹽指數,0.677,5 月;生化需氧量,-0.880,1 月;總氮,-0.907,5 月;總磷,0.767,7 月。

為達到預測當年藍藻水華強度的目的,本研究設定了3 個條件用于篩選環境因子:①選用歷年年初1—3 月的數據;②相關性需達到顯著相關以上;③在符合前兩項條件的前提下,取最大相關系數。最終篩選得到的指標分別為1 月水溫(T1)、1 月電導率(σ1)、1 月生化需氧量(B1)、3 月總氮(TN3)。

2.2.2 預測模型構建

將篩選出的T1、σ1、B1和TN34 個指標作為年度太湖藍藻水華強度的預測因子,采用依次增加的方式做逐步回歸,比較各因子加入后的年度太湖藍藻水華強度預測能力。 先將所有數據取自然對數,再進行回歸分析。 各回歸方程及決定系數R2見表3。

表3 環境因子組合對太湖年度水華強度Ic 的預測模型Table 3 Regression equations between Ic and environmental factors in Taihu Lake

通過查看表3 中不同回歸方程的決定系數可知,回歸方程(5)的優勢較為明顯,其顯著性很高,且決定系數達到最大。 因此,采用包含了水溫、電導率、總氮和生化需氧量4 個環境因子的回歸方程(5)比較合理。

將根據回歸方程(5)得到的Ic模擬值與實際值進行相關性分析,擬合度為0. 908,通過了0. 01 水平顯著性檢驗,表明模擬值與實際值高度相關。 圖4 為模型模擬值與實際值的擬合曲線。 從圖4 可以看出,模型模擬值與實際值的年度變化趨勢基本保持一致,平均相對誤差為10. 35%,僅在2019 年有相對明顯的偏差,預測模型模擬效果整體較好。

圖4 2012—2020 年Ic 實際值與模擬值Fig.4 Cyanobacteria index and model simulation values from 2012 to 2020

2.2.3 2021 年太湖藍藻水華形勢預測

2021 年1 月全太湖平均水溫、電導率、生化需氧量分別為5.1 ℃、452.41 μS/cm、2.63 mg/L,3 月總氮濃度為1.43 mg/L,將其代入優選出的回歸方程,預估得到2021 年Ic為0.480±0.050,與歷史數據相比處于偏高水平,但和2019 年的0.567 以及2020 年的0.562 相比有所降低,如圖5 所示。

圖5 2012—2020 年Ic 實際值與2021 年預估值Fig.5 Cyanobacteria index from 2012 to 2020 and estimated value for 2021

2.3 討論

2.3.1 模型的有效性

本研究構建的藍藻水華強度預測模型的分析結果與該研究領域的主流觀點一致[8,10],證明了該模型的有效性。 該模型同時也具備一定的實用性和普適性,因為在諸多湖泊、水庫和河流都設有自動監測設備或人工監測點位,且衛星遙感具有大范圍覆蓋監測的能力,說明該類研究工作需要的數據在更多區域是比較容易獲得的,可通過獲取相應數據對其他水域的藍藻水華進行模型構建與研究。

2.3.2 藍藻水華與環境因子的關系

在探索藍藻水華形成機理方面,孔繁翔等[16]提出了藍藻的生長與水華的形成經歷了越冬休眠—春季復蘇—生長—集聚上浮并形成水華的四階段理論,認為不同階段的藻類的生理特性不同,影響其發展的主導生態因子也不同。 水溫是影響藻類生長的重要要素,可通過控制浮游植物的光合作用與呼吸代謝速率影響藻類生物量,特別是在當前太湖水質呈富營養化的情況下,水溫在藍藻的休眠、復蘇和生長等不同階段起著關鍵作用。1 月處于冬季,其間的水溫變化對處于休眠期的藍藻冬季種源、春季生物量基礎有著重要影響,且與年度藍藻水華強度有著較好的擬合關系。 因此,本研究將1 月水溫作為預測年度藍藻水華形勢的環境要素是合理的。

水體中充足的營養鹽和適宜藻種吸收的電解質也是水華暴發的主要原因之一[17],并且兩者含量的變化同時又影響著電導率的變化[18]。 電導率的大小主要由溶解在水中的離子種類和濃度、水溫、降雨及pH 等決定[19],電導率數值的變化主要與水體中營養鹽、離子等物質的消耗或補充有關。 從表2 可知,電導率與年度藍藻水華強度有著比較強的負相關。 不同的離子物質對水體中不同藻種的生長繁殖起著不同的作用(抑制或促進)[20],因此,上述負相關可能是因為太湖水體中的部分離子物質對藍藻的生長繁殖具有較強的抑制作用。

在水華形成機理的研究中,常常涉及營養鹽與藻類生長之間的關系。 當浮游植物的生長受到營養鹽的限制時,其體內碳水化合物的積累、光合作用的產量均會受到影響,但太湖的水體營養鹽條件目前還明顯高于能夠限制浮游植物生長、藍藻水華暴發的臨界條件。 在富營養化湖泊中,當水體的總氮總磷比(TN/TP)較低時,藍藻的生長和水華的形成通常處于有利條件[21]。 但也有研究表明,較低的TN/TP 并不是促進藍藻水華形成的條件,而是藍藻水華產生的結果[22]。 從表2 可知,雖然太湖水體總氮濃度與全年藍藻水華強度呈負相關,但這并不能表明藍藻水華強度的增加與總氮濃度的下降有關,可能的原因是藍藻的生長造成了總氮濃度的下降。 特別是在3—5 月的藍藻復蘇和生長階段,總氮濃度與全年藍藻水華強度的相關性尤其高,表明這兩個階段的總氮濃度對預測全年藍藻水華強度具有較好的指示作用。

2.3.3 模型的局限性

從遙感監測結果來看,藍藻水華暴發強度在2012—2017 年呈波動上升趨勢,于2017 年達到峰值,之后開始有所緩和。 本研究通過在年初水質數據中篩選環境驅動因子構建的年度藍藻水華強度預測模型的模擬結果,在變化趨勢上與實際情況基本一致,但在2019 年有相對明顯的偏差。由于太湖水域較長時間序列的風速、光照等氣象數據不易獲取且部分缺失,本研究暫未將氣象數據作為影響要素納入預測模型。 本預測模型主要從影響藻類生長的環境因子的角度開展藻情估測,但藻情變化除受環境因子影響外,還與未來春夏季藍藻水華暴發期間的水文、氣象條件密切相關。 因此,未能體現未來氣象、水文情勢預測信息是本模型的不足。 目前,氣候預測信息的獲取渠道較多,今后可納入一些專業機構對氣候的預測結果,有助于加強對未來藍藻水華情勢的準確估測。 此外,本模型也未考慮藻類群落結構和生物量變化的影響,僅僅采用遙感監測結果表征藍藻水華強度還存在一定的局限性,在藻情評估方法上尚有一定的不足。 由于目前較難獲取藻類群落結構方面的優質數據,將其納入模型后可能會降低模擬精度。 建議在今后的模型優化過程中,待藻類人工智能快速識別等技術成熟后,再將其納入預測模型。

總而言之,藍藻水華的暴發是一個受氣象、水質和生物行為等多重因素共同影響的復雜過程。本研究通過水質要素構建的藍藻水華強度預測模型還不完善,今后需考慮更多方面的影響因素,從而實現對藍藻水華強度預測模型的進一步優化。

3 結論

本研究以遙感手段獲取了2012—2020 年歷年4—10 月預警期間的太湖藍藻水華發生規模與頻率,在此基礎上提出了表征藍藻水華強度的太湖藍藻水華綜合指數,并通過對該指數與同步浮標站自動監測數據、實驗室分析結果進行相關性分析,最終篩選出1 月水溫、1 月電導率、1 月生化需氧量和3 月總氮濃度4 項指標,用于構建基于年度太湖藍藻水華強度及與其顯著相關的環境因子的多元線性回歸預測模型。 該預測模型的決定系數達到了0.908,平均相對誤差為10.35%,預測精度總體較好。 該項研究能為有關部門制定藍藻水華防治規劃和開展藍藻水華預警工作提供一定的技術支持。 此外,該模型和研究方法還存在有待進一步提高和完善的地方,在收集氣象、生物量等更多影響要素相關數據的基礎上,預期可以獲得更好的預測效果。