基于二维湖泊藻类模型的洪泽湖藻类空间动态模拟

齐凌艳，黄佳聪，高俊峰*，周 毅，田 威（.中国科学院南京地理与湖泊研究所，流域地理学重点实验室，江苏 南京 20008；2.中国科学院大学，北京 00049；.江苏省水文水资源勘测局，江苏 南京 20029）

基于二维湖泊藻类模型的洪泽湖藻类空间动态模拟

齐凌艳1，2，黄佳聪1，高俊峰1*，周 毅3，田 威3（1.中国科学院南京地理与湖泊研究所，流域地理学重点实验室，江苏 南京 210008；2.中国科学院大学，北京 100049；3.江苏省水文水资源勘测局，江苏 南京 210029）

将洪泽湖分为北、东、西3区，基于二维湖泊藻类模型构建洪泽湖藻类空间动态模型.利用水文、气象、水质数据初始化模型、设定边界条件，并用2012年逐月叶绿素a实测浓度校正模型参数，模拟出洪泽湖2012年叶绿素a浓度连续变化过程.从时间维度看，叶绿素a浓度变化多呈“双峰型”趋势，分别在4月和8月左右出现峰值；湖心和出湖口站点呈单峰型或无明显峰值；颜圩站点出现多个浓度峰值.从空间维度看，西区叶绿素a平均浓度最低且空间差异不明显；北区因湖水流动性差，浓度分布均匀，且靠近湖岸地区浓度较高；东区叶绿素a浓度受过水通道影响较大，空间差异显著.虽然受大型浅水湖泊模拟不确定性等因素影响，个别点位模拟误差偏高，但不会影响整体分析结果，模拟结果具有较高可信度.

湖泊藻类模型；洪泽湖；藻类；二维；模拟

目前，我国湖泊富营养化较为严重.蓝藻水华是水体富营养化的常见表征.近年来随着湖区环境负荷增加，污染日益严重，世界各大淡水湖频繁出现蓝藻大规模集聚现象，很大程度上破坏水环境景观、威胁生态系统健康［1-3］.湖泊作为重要生活用水来源，蓝藻水华会危及配给地用水安全，危害人类健康.

模型模拟是定量研究水体富营养化过程、认识富营养化机理的重要手段，也是水体富营养控制的重要环节之一.近年来，我国针对富营养化湖泊、水库开展大量定量模拟研究.通过构建太湖藻类过程模型，实现太湖蓝藻水华的短期（1～5d）预报［4］、分析其藻类过程的影响因子［5］、调水工程对湖泊藻类影响［6］以及进行太湖藻类动态模拟实验［7］.通过构建鄱阳湖二维水动力水质模型，研究鄱阳湖湖区水动力、水质变化情况［8］.构建巢湖蓝藻爆发尖点突变模型，研究蓝藻水华发生机制及其特征［9］.除富营养化湖泊外，模型模拟也大量应用于水库富营养化研究，如河北省洋河水库［10］、深圳水库［11］等.通过构建三维水动力和富营养化定量模拟模型，实现不同情景下水库富营养化模拟.模型模拟对提高藻类机理过程的认识、湖泊蓝藻水华预警与控制有重要意义.

洪泽湖是南水北调东线调蓄湖泊，其水质直接关系后续调水工程能否顺利运行.同时作为苏北地区农田灌溉及航运的水利枢纽，其水质营养程度以及是否会大面积暴发蓝藻，也会直接影响给水地生活生产用水安全.目前来看，洪泽湖富营养化研究多使用综合营养状态指数法等方法对其富营养化水平进行定性评价［12］以及对水质理化指标进行时空分析［13］，研究基于一月一次或更低频率采集的水质数据，缺乏对藻类生物量连续定量的分析.2013年10月19日至11月22日，南水北调东线一期工程全线试通水，截止11月5日，入洪泽湖水量7300万m3，占洪泽湖库容2.63%.2012年为洪泽湖试通水前邻近水文年，有必要作为参考状态对其藻类特征展开研究，以便后续跟踪对比调水工程是否对洪泽湖藻类生态产生影响.本研究基于二维湖泊藻类模型［4］构建洪泽湖藻类空间动态模型，定量模拟洪泽湖区2012年每日连续藻类生物量，并进一步探究该水文年湖区藻类的时空变化特征.

1 研究区概况

洪泽湖地处淮河中游末端（北纬33°06＇～33°40＇，东经118°10＇～118°52＇），是发育在冲积平原上的浅水型湖泊，为中国第四大淡水湖［14］.洪泽湖位于江苏省北部，湖面分属淮安市的洪泽、淮阴、盱眙与宿迁市的宿豫、泗洪、泗阳，共2市6区县管辖.湖区西纳长淮，南注长江，东通黄海，北连沂沭.总面积为1597km2，平均水深1.90m.湖盆呈浅碟形，湖底平坦，整个湖盆由西北向东南倾斜，呈西北高、东南低地势.所处地区降水较为丰富，但存在普遍的年际差异.丰水年最大年降水量达1240.9mm，枯水年最小年降水量只有532.9mm.受季风气候影响，呈现雨、热同季特点.丰富的夏季降水量可占全年降水量的50%以上.湖水来源除大气降水外，主要依靠地表径流.洪泽湖水力滞留时间为35d，入湖河流主要有8条：淮河、新汴河、老汴河、新濉河、老濉河、徐洪河、怀洪新河和安东河，其中淮河流量最大（图1）［15］.

图1 洪泽湖地理位置及水质监测点、水文站点分布Fig.1 Locations of Lake Hongze and its sampling sites

洪泽湖湖域面积较大，各区域存在差异.根据地理位置以及水文、水力和湖岸、出入湖河道特性等因素，将洪泽湖分为3个区：北区、东区、西区.北区即成子湖区域，水体流动性差，并且受宿迁市城市尾水影响，总体水质略差；东区包括过水通道及蒋坝闸湾，湖区水体流动性好，同时三河闸闸湾容易形成死水区，为重点监测区；西区包括溧河洼区域，地势较高且水深较浅，水生植物分布面积相对较广，生长茂盛［16］，水质较好（表1）.全湖共布设12个水质监测站点以及上游（西侧）5个入湖河流水文站点及下游（东侧）5个出湖河流水文站点（图1）.

表1 洪泽湖分区水质参数统计Table 1 Table of water quality factors in three zones in Lake Hongze

2 研究方法

2.1 二维湖泊藻类模型

本研究基于二维湖泊藻类模型定量模拟洪泽湖全年藻类生物量，采用叶绿素a浓度指示藻类生物量.洪泽湖作为过水性湖泊，水柱垂向藻类分布较为均匀，二维模型较为适用，而且模型计算速度快，模型校正效率较高.同时与国外模型（如EFDC、MIKE21）相比，采用的模型考虑到组分较少且模型输入数据容易获取，可以满足国内湖泊藻类模拟的需求，但也带来一定不确定性.该模型通过数据同化［17］与多模型比较分析［18］等工作提高模型可靠性，在大型湖泊的藻类影响因子分析［5］、调水工程对湖泊藻类影响［6］等方面都有成熟的应用，能够较好模拟大型浅水湖泊的藻类过程.该模型包括二维水动力模块、藻类运移模块与浮游植物生长过程模块（图2），其中二维水动力模块模拟在太阳辐射、风力、蒸发、出入湖河流等共同作用下的水动力环境；藻类运移模块在水动力模块驱动下，模拟藻类在网格之间的运输移动过程；浮游植物生长过程模块刻画藻类的生长、呼吸、排泄、沉降、死亡与被浮游动物捕食等一系列机理过程.3模块共同作用模拟出湖泊叶绿素a浓度的连续变化过程.模型主控方程如公式（1），二维水动力模块和藻类运移模块模拟运动参数：Chlin、Chlout，浮游植物生长过程模块模拟藻类参数：U、RA、MA、SA、GA、EA.因限于篇幅，表2，表3主要列出浮游植物模块的方程及参数.模型的详细机理过程可参考相关文献［4］.

图2 二维湖泊藻类模型框架［4］Fig.2 Structure of the hydrodynamic-phytoplankton model［4］

表2 浮游植物生长过程模块方程［4］Table 2 List of equations for phytoplankton kinetics module［4］

表3 方程参数列表［4］Table 3 List of symbols in equations for phytoplankton kinetics module［4］

2.2 数据来源

构建洪泽湖藻类空间动态模型所需数据包括水文、气象、水质数据，具体内容如表4所示.

（1）水文数据包括金锁镇、泗洪、双沟、小柳巷、明光5个入湖河流水文站点测定的入湖河流日流量及叶绿素a浓度，二河闸、高良涧闸、周桥洞、洪金洞、三河闸5个出湖河流水文站点测定的出湖河流日流量（m³/s）（图1）.

（2）气象数据来自国家气象中心的盱眙站（站点编号：58138，图1），其气象数据能够代表洪泽湖的气象条件.数据包括2012年每日7个气象指标：日平均气温（℃）、日最高气温（℃）、日最低气温（℃）、日最大风速风向（°）、日照时数（h）、日平均风速（m/s）、日降水量（mm）.

（3）水质数据通过湖区水质监测站采样测定，共布设12个监测站，北区：颜圩站、高湖站、洪泽湖区（宿迁北）站；东区：韩桥站、洪泽湖区（淮安北）站、洪泽湖区（淮安东）站、洪泽湖区（淮安南）站、洪泽湖区（淮安西）站、蒋坝站、老子山站；西区：洪泽湖区（宿迁南）站、临淮站.测定水质指标包括溶解氧（DO， mg/L）、总磷（TP， mg/L）、总氮（TN，mg/L）、叶绿素a（Chl a， μg/L）浓度.

利用以上数据构建洪泽湖二维湖泊藻类模型，初始化水质参数及设定边界条件.初始水质参数设为2012年1月洪泽湖区各水质监测点实测叶绿素a（Chl a， μg/L）、可溶性磷， mg/L）、可溶性氮，，， mg/L），以上氮磷浓度是按经验值可溶性氮：颗粒态氮=3：1；可溶性磷：颗粒态磷=1：2比例折算总氮总磷浓度而来.边界条件包括动力边界和气象边界条件.动力边界条件为上述5条主要入湖河流水文站点测量的日流量.而气象边界条件设为2012年的逐日气象指标数据.

2.3 模型校正

模型校正是建立洪泽湖藻类空间动态模型中至关重要的过程，包括参数敏感性分析和参数优化两个环节.通过模型参数的敏感性分析，选定需要调整的参数，根据参数与值范围，采用自动方法多次运行模型，使用既定的算法在较少的运行次数条件下找到全局最优解，以此优化参数值.模型校正通过不断调整关键参数，使得变量模拟值与观测值之间差距最小［11］.水动力模块校正方法应用成熟，采用流量调节因子进行校正.本节主要介绍浮游植物模块校正过程，用于校正变量为叶绿素a.首先进行参数敏感性分析，分为3个步骤：利用参数初始值模拟叶绿素a浓度（SimA），利用参数阈值最大值模拟叶绿素a浓度（SimTmax），模型参数阈值最小值参与模拟叶绿素a浓度（SimTmin）.除测试参数外，其余参数值保持不变.通过分别计算SimTmax和SimTmin叶绿素a浓度与SimA之间相对误差［5］，确定敏感系数最高的前10个参数（表5），即相对误差均值越大，参数敏感性越高，取值改变对模拟结果影响越大.然后进行参数优化，在敏感参数的阈值范围内使用相同间隔修改参数值，多次运行模型并计算各水质监测点叶绿素a实测值中位数与模拟曲线值的误差指标，选择误差最小的参数值，确定敏感参数的优化结果（表5），完成浮游植物模块校正过程.拟合量度r²=0.281，RMSE=2.52μg/L.

表4 二维湖泊藻类模型数据源Table 4 Measured data for the hydrodynamic-phytoplankton model

表5 模型校正参数Table 5 Parameter range and calibration values

在敏感性分析选择的10个参数中，Umax、km、K、kr是衡量因浮游植物自身新陈代谢作用（生长、沉降、呼吸、死亡）引起叶绿素a增减的因子.与水温以及浮游植物呼吸、排泄、死亡速率密切相关（表2）.研究表明温度变化会影响藻类的光呼吸等耗氧的生理过程从而影响其光合作用［19］.Iopt、α、β反映了光照对浮游植物的影响，研究表明光照水平与藻类最大比增长率和指数生长期长短密切相关［20］.KP、PS是与磷营养盐相关因子，已有研究通过设定不同氮、磷营养盐浓度，研究营养盐浓度对蓝藻生长的影响，验证蓝藻在低磷浓度下生长受到抑制.其他研究也表明在湖泊中磷通常是限制因素，其浓度增加会导致水体中蓝藻在浮游植物群落演替中占优势［21-22］.

3 结果与分析

3.1 模拟误差分析

模型校正之后，运行洪泽湖藻类空间动态模型，模拟时间为2012年1月1日～12月31日，为期366d，时间步长为100s，得出2012年洪泽湖每日叶绿素a浓度数据.统计各个水质监测点叶绿素a浓度相对误差绝对值（图3）以及分区误差指标：MAE、RMSE、r²（表6）.图3表明，洪泽湖区（淮安北）、洪泽湖区（宿迁南）站点的相对误差绝对值较小；韩桥站实测数据出现223.5μg/L的浓度峰值，模拟曲线难以拟合到该峰值，造成相对误差较分布范围较大；大多数站点相对误差处于中等水平.表6显示，北区大部分监测站模拟结果决定系数较高，拟合程度较好；西区临淮站拟合程度较好，而靠近过水通道的监测点洪泽湖区（宿迁南）拟合程度较差；东区普遍拟合优度较差，因为过水通道穿过该区，淮河流场复杂加大该区叶绿素a模拟难度.

本研究部分误差指标计算结果虽相较于国外研究成果偏低［18］，但基于以下考量，模拟结果可信度较高：（1）本研究是针对大型浅水湖泊，不同于国外多为小型湖泊研究，大型湖泊湖区差异性大、藻类过程复杂，外界影响条件复杂，其“面大、水浅”的特征导致水动力过程复杂多变，增加水动力过程的模拟难度［23］，目前模型难以获得高精度的模拟结果；（2）指示藻类生物量的叶绿素a浓度受天气、温度、水下光照、沉水植物、悬浮质以及测量仪器等多方面影响，波动幅度非常大；（3）本研究侧重于探究洪泽湖叶绿素a的总体分布变化过程，个别监测点模拟误差较大并不会对整体分析结果造成太大影响.

图3 水质监测点叶绿素a浓度相对误差绝对值Fig.3 Relative error of chlorophyll a in 13sampling sites

表6 叶绿素a浓度模拟误差结果Table 6 Agreement of measured and simulation chlorophyll a

3.2 藻类时间变化

叶绿素a浓度模拟曲线与实测值总体变化趋势一致（图4），高湖、洪泽湖区（宿迁北）、临淮等大部分站点的叶绿素a浓度变化呈现“双峰型”特点，分别在4月和8月左右出现浓度峰值；洪泽湖（淮安北）、洪泽湖（淮安西）、蒋坝等部分位于过水通道以及出湖口的站点叶绿素a浓度曲线出现单峰值或无明显峰值，曲线呈波动状态.颜圩站点叶绿素a浓度曲线则分别在4、6、8月出现3个峰值.

“双峰型”叶绿素a浓度曲线满足蓝藻水华成因的4阶段理论假设.即在四季分明、扰动剧烈的长江中下游大型浅水湖泊中，蓝藻的生长与水华的形成可分为休眠、复苏、生物量增加、上浮及聚集等4个阶段［24］.叶绿素a浓度在1～4月呈上升态，且在4月左右出现峰值.Tan等［25］在太湖冬季泥样的模拟升温培养实验指出，蓝藻的复苏温度为12.5℃.洪泽湖4月平均气温已经达到17.383℃，蓝藻从冬季底泥内快速复苏.同时光照充足，氮磷等无机盐丰富（总氮浓度为2.024mg/L，总磷浓度为0.087mg/L）.种群竞争小，使得藻类生长速率加快，细胞数目成倍增加，达到峰值.蓝藻大规模生长繁殖，为浮游动物及其他大型鱼类牧食提供便利，同时营养盐也被快速消耗，遏制藻类数目的进一步增加，造成曲线回落.随着7～9月气温上升，洪泽湖区平均温度达到25.8°，依据蓝藻在19.5℃以后占据优势，26.5℃出现最大光合效率的特点［25］，光合作用加强促进叶绿素a浓度再次达到峰值.此外洪泽湖区夏季雨量充沛，大量雨水会带来城市尾水及农业非点源污染，也会造成曲线浓度高值.10月之后，随着温度降低，光照减弱，曲线呈下降态，大部分藻类由水柱下沉到底泥表面进行越冬，群体解体，生物量显著下降，进入休眠期［24］.

洪泽湖区（淮安北）、洪泽湖区（淮安西）、洪泽湖区（淮安东），3个位于过水通道的站点以及位于三河闸出湖口的蒋坝站点叶绿素a浓度曲线呈现不同特征，曲线呈单峰型或无明显峰值，曲线整体呈一定波动趋势.研究表明水动力过程是影响水体富营养化状态的重要因素［11］，不论是单一藻种还是混合藻类，低流速、小扰动有利于藻类的生长和聚集，快流速环境的冲刷作用使藻类的生长、繁殖环境受到破坏，有效地抑制藻类的增长和聚集［26-28］.过水通道区域与出入湖河口的水动力条件复杂，流场不稳定，可能导致藻类难以大规模聚集，不会出现明显浓度峰值.

颜圩站点位于洪泽湖区北端，叶绿素a浓度曲线出现3个峰值.该地区由于引水条件较好以及水草丰富，水产养殖业发展迅猛，沿岸多为人工开挖鱼塘和围网养蟹池，造成该区水污染严重［29］，同时雨水冲刷引发农业和养殖业面源污染，造成水质富营养化水平较高，藻类频繁暴发，造成叶绿素a浓度曲线出现多个峰值.

图4 洪泽湖藻类时间变化Fig.4 Time dynamics of measured and simulation chlorophyll a concentrations in Lake Hongze

3.3 藻类空间分布

北、东、西3区全年叶绿素a平均浓度分别为：（11.89±25.29），（9.90±24.75），（5.76±2.97）μg/L（表1）.总体上看，西区富营养化水平最低、水质最优，东区次之，北区最差.叶绿素a浓度在3区的空间分布存在一定差异（图5）.

北区因湖水整体流动性差，叶绿素a浓度分布较为均匀且浓度较高.在营养盐相对充足、水流缓慢及适宜气候条件下，湖泊发生水华现象远多于河流［30］.水动力条件较弱已证明是导致水体水华频发的主要原因.Paerl等［29］通过对东非Victoria湖、北美Erie湖、中国太湖和欧洲波罗的海的蓝藻水华分析认为弱的水体紊动非常有利于蓝藻上浮至水面形成水华［31］.同时北区湖岸周围多水产养殖和农田耕地，人工投饵与春耕施肥会造成湖岸水域富营养化水平升高.北区湖面封闭，水流缓慢，营养盐充足促进藻类生长聚集.同时从图5可知，北区靠近湖岸地区叶绿素a浓度高于湖心水域，因湖岸会对水流起一定的阻滞作用及受风力作用，藻类容易发生堆积.北区9月份在徐洪河入湖口位置出现明显局部浓度高值.表明入湖口注入上游大量受污染尾水，其富营养水平较高并可能包含大量藻类.后因湖水运动、搅拌，叶绿素a浓度逐渐下降，分布均匀.

东区出现明显叶绿素a浓度空间差异.该区包括过水通道及蒋坝闸湾，过水通道水体流动性好，从西侧的淮河入湖口经湖区至东侧二河闸、三河闸出湖.良好的湖水流动性带动藻类运移，造成浓度分布差异.空间差异特征随淮河入湖口水域的叶绿素a浓度变化而有所不同.淮河入湖口水域藻类生长旺盛或注入上游污染含藻水，叶绿素a浓度由西南向东北方向随湖水运动浓度递减（8月）；淮河入湖口水域藻类生物量较低或注水起一定程度稀释作用，叶绿素a浓度则由西南向东北方向递增（12月），以上特征表明洪泽湖东区叶绿素a浓度受上游汇水及湖水运动影响较大.

西区总体叶绿素a浓度最低，水质最好.该区叶绿素a浓度分布特点与北区相似，空间差异并不明显.同时因西区北岸多养殖场及村落聚居，汇水污染程度较高，造成叶绿素a浓度略高于西区南部.

图5 洪泽湖叶绿素a空间分布Fig.5 Spatial distribution of chlorophyll a in Lake Hongze

3.4 模拟结果不确定性分析

模型模拟结果能够在一定程度上反映2012年洪泽湖藻类生物量的时空变化特征，但尚存在以下不确定性：

（1）现有监测数据难以有效支持模型验证.本研究构建的二维湖泊藻类模型涉及过程复杂、参数较多，模型验证需要长期监测数据的支持.而目前叶绿素a监测水平有限，容易出现特异值.同时数据存在一定数据缺失现象（7月份5个监测点的叶绿素a实测数据缺失），加大了模拟结果难度.此外按比例折算可溶性氮磷浓度依据经验值决定，存在一定信度风险.因此目前的监测数据难以完全有效地支持模型验证，后期需要完善监测数据，进一步优化模型参数，提高模型可靠性.

（2）湖区模拟的边界条件复杂.边界条件准确性对于模拟过程影响很大，洪泽湖区出入湖河流复杂且河流平均日流量及其叶绿素浓度数据也存在不足，造成边界条件模糊，加大模拟难度，对模拟精度产生影响.其中东区大多数监测点模拟误差较大，因为过水通道穿过该区，受入湖河流淮河流场影响，边界条件存在不确定性.后期需要补充相关数据，提高数据精度，完善模型输入条件.

（3）气象数据方面.藻类运输移动受气象条件驱动，温度、光照、风力等条件都会不同程度影响藻类生长，即促生不同的叶绿素分布模式.本研究使用盱眙气象站数据代表整个洪泽湖区的气候，一定程度上影响了模拟精度.后期应采用更全面有效的气象数据驱动叶绿素模拟，降低模型不确定性.

4 结论

4.1 洪泽湖2012年叶绿素a浓度从时间维度上看，处于湖流运动相对较弱水域的高湖、韩桥等站点叶绿素a浓度变化呈现“双峰型”特点；位于过水通道及出湖口的洪泽湖（淮安北）等站点的叶绿素a浓度受活跃湖流影响出现单峰值或无明显峰值；颜圩站点叶绿素a浓度曲线出现3个峰值.在空间维度上看，北区浓度分布均匀且岸边浓度高于中心水域浓度，东区存在明显空间差异且受湖流运动影响较大，西区空间差异不明显.

4.2 洪泽湖为过水性湖泊，其水动力对藻类影响较大.处于过水通道和封闭水域的站点叶绿素a浓度在时间和空间上都存在明显不同.

4.3 虽然模拟结果在单个监测点位存在一定误差，但因大型湖泊模拟不确定性及受制于叶绿素a监测水平等原因，且不影响洪泽湖藻类总体变化分布特征，模拟结果仍具有较高可信度.

［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， Hörmann Georg. Hydrodynamicphytoplankton model for short-term forecasts of phytoplankton in Lake Taihu， China ［J］. Limnologica， 2012，（42）：7-18.

［5］Huang Jiacong， Gao Junfeng， Hörmann 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.水动力条件下藻类动态模拟 ［J］. 生态学报， 2005，25（8）：1964-1867.

［8］杜彦良，周怀东，彭文启，等.近10年流域江湖关系变化作用下鄱阳湖水动力及水质特征模拟 ［J］. 环境科学学报， 2015，35（5）：1274-1284.

［9］方凤满，金高洁，高 超.巢湖蓝藻爆发多要素预测模型研究 ［J］.地理科学， 2010，30（5）：760-764.

［10］邵东国，郭宗楼.综合利用水库水量水质统一调度模型 ［J］. 水利学报， 2000（8）：10-15.

［11］唐天均，杨 晟，尹魁浩，等.基于EFDC模型的深圳水库富营养化模拟 ［J］. 湖泊科学， 2014，26（3）：393-400.

［12］刘 涛，揣小明，陈小锋，等.江苏省西部湖泊水环境演变过程与成因分析 ［J］. 环境科学研究， 2011，24（9）：996-1002.

［13］李 为，都 雪，林明利.基于PCA和SOM网络的洪泽湖水质时空变化特征分析 ［J］. 长江流域资源与环境， 2013，22（12）：1593-1599.

［14］王苏民，窦鸿身.中国湖泊志 ［M］. 北京：科学出版社， 1998：218-220.

［15］高俊峰.中国五大淡水湖保护与发展 ［M］. 北京：科学出版社，2012：39-220.

［16］张圣照.洪泽湖水生植被 ［J］. 湖泊科学， 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］张 曼，曾 波，张 怡.温度变化对藻类光合电子传递与光合放氧关系的影响 ［J］. 生态学报， 2010，30（24）：7087-7091.

［20］刘春光，金相灿，邱金泉.光照与磷的交互作用对两种淡水藻类生长的影响 ［J］. 中国环境科学， 2005，25（1）：32-36.

［21］王文杰，姚 旦，赵辰红，等.氮磷营养盐对四种淡水丝状蓝藻生长的影响 ［J］. 生态科学， 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.蓝藻生物学特性与水华形成机制概述 ［M］. 北京：科学出版社， 2011：43.

［24］孔繁翔，高 光.大型浅水富营养化湖泊中蓝藻水华形成机理的思考 ［J］. 生态学报， 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］吴晓辉，李其军.水动力条件对藻类影响的研究进展 ［J］. 生态环境学报， 2010，19（7）：1732-1738.

［27］吴述园，葛继稳，苗文杰，等.三峡库区古夫河着生藻类叶绿素a的时空分布特征及其影响因素 ［J］. 生态学报， 2013，33（21）：7023-7034.

［28］张毅敏，张永春，张龙江，等.湖泊水动力对蓝藻生长的影响 ［J］.中国环境科学， 2007，27（5）：707-711.

［29］范亚民，何华春，崔云霞，等.淮河中下游洪泽湖水域动态变化研究 ［J］. 长江流域资源与环境， 2010，19（12）：1397-1403.

［30］颜润润，逄 勇，赵 伟，等.环流型水域水动力对藻类生长的影响 ［J］. 中国环境科学， 2008，28（9）：813-817.

［31］陈瑞弘，李飞鹏，张海平.面向流量管理的水动力对淡水藻类影响的概念机制 ［J］. 湖泊科学， 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

齐凌艳（1988-），女，安徽芜湖人，中国科学院南京地理与湖泊研究所博士研究生，主要从事湖泊-流域过程模拟.发表论文1篇.

2015-03-02

国家“973”项目（2012CB417006）

* 责任作者， 研究员， gaojunf@niglas.ac.cn