太湖蓝藻水华暴发程度年度预测

张虎军,宋 挺,朱冰川,石浚哲,张军毅

江苏省无锡环境监测中心,江苏 无锡 214000

水华是淡水水体中的藻类大量繁殖引发的一种自然生态现象,表观特征为水体表面有藻类聚集或藻类颗粒悬浮在水体中[1]。 蓝藻水华不仅影响环境景观,还会释放异味和藻毒素,并且藻类死亡后的分解过程会大量耗氧,造成水体溶解氧浓度迅速降低,使水体发黑发臭,形成湖泛[2-3]。2007 年,太湖湖泛引发了严重的供水危机,给当地民众的用水安全带来了巨大威胁。 经过10 多年的持续治理,虽然太湖水体营养盐浓度总体持续下降,但富营养化状况并没有得到本质上的逆转,太湖蓝藻水华仍旧高发,暴发强度并未出现明显的下降[4],特别是在2017 年出现了的反弹,使太湖蓝藻水华防控工作和饮用水安全保障工作受到了严峻挑战[5]。

实时监视太湖水质指标变化,对太湖蓝藻水华进行预警预报,是当前太湖水质监测工作的重点[6]。 太湖浮标式自动监测系统自2008 年开始建设以来,目前总计有20 多套投入运行,其主体设备为水质多参数仪,可对水温、浊度、pH、电导率、溶解氧、叶绿素a、蓝藻密度等水质参数进行实时、连续的自动监测。 该项工作对于掌握太湖水质指标的瞬时变化和蓝藻情势起到了重要作用。 相较于传统的地面监测,卫星遥感具有观测范围大、多时相、获取快速等优点,在水环境质量和蓝藻水华监测中具备较大的优势,可以和太湖湖体中分布的浮标式自动监测系统相互配合,取长补短,形成“天地一体化”的监测系统,有利于蓝藻水华预警预测工作的进一步深入与完善。 关于蓝藻水华预警预测技术,已有学者开展了相关研究。 王兆群等[7]通过建立环境因子和生物因子的逐步回归模型,对洪泽湖藻类密度开展了预测;罗晓春等[8]使用随机森林算法分析了气象要素与蓝藻水华综合指数的关系,对影响蓝藻水华的主要气象要素特征变量的重要性度量和贡献率开展了定量评估;YE 等[9]基于对逐日单点水质及环境参数的监测,开发了利用人工神经网络预测大型水库支流未来7 天蓝藻水华风险的方法;黄炜等[10]构建了以蓝藻水华强度等级为应变量,水质、水文和气象3 类指标为自变量的多元线性回归模型。

太湖位于长江三角洲南部,横跨江苏和浙江两省,是我国五大淡水湖泊之一。 当地属亚热带季风气候,年平均气温16～18 ℃。 太湖面积约为2 400 km2,湖岸线全长约393 km,北部有梅梁湖、竺山湖、贡湖3 个主要湖湾。 太湖最大水深为3 m,平均水深仅为1.89 m[11],湖泊动力比(湖泊面积的平方根/平均湖深)高达25.6[12],且水体富营养化水平较高,属于典型的浑浊二类水体。 夏秋季节经常有大范围的蓝藻水华暴发,较容易导致湖泛的发生,从而对太湖周边饮用水安全造成威胁。 目前,针对年际尺度蓝藻水华预测技术的报道还较少。 本研究通过对2012—2020 年太湖浮标站自动监测数据、实验室分析数据与蓝藻水华遥感监测结果进行统计分析,试图构建逐月层面的各环境因子与蓝藻水华强度之间的定量关系,探索一种能对太湖全年蓝藻水华形势进行预测预判的方法,以期为太湖蓝藻水华预警监测提供一定的技术支持。

1 材料与方法

1.1 环境因子数据

自动监测数据来源于江苏省环境监测中心在太湖水域设立的22 个浮标站(图1),主体设备为水质多参数仪(美国YSI,6600V2),测量深度为水下0.5 m,监测频次为1 次/0.5 h,测量参数为水温、浊度、pH、电导率、溶解氧、叶绿素a 和蓝藻密度。 此外,本研究还使用了江苏省无锡环境监测中心对太湖国控点位开展的每月例行监测数据,监测项目包括总磷、总氮、高锰酸盐指数和生化需氧量。

图1 水质自动监测浮标站分布示意图Fig.1 Location map of the automatic water-quality monitoring sites

1.2 蓝藻水华遥感监测

卫星资料来源于2012—2020 年历年4—10月太湖蓝藻水华预警期间EOS 系列卫星的MODIS 传感器影像数据,空间分辨率为250 m。蓝藻水华暴发时,蓝藻覆盖区的光谱特征与湖泊其他水体区域有明显差异[13],特别是在近红外波段,有蓝藻水华覆盖的水体会出现类似植被的“陡坡效应”。 本研究使用归一化植被指数(NDVI)来反映蓝藻水华信息[14],计算公式为

式中:ρNIR为近红外波段反射率,ρR为红光波段反射率,分别对应MODIS 数据的B2 和B1 波段。通过人工设定NDVI 阈值判定蓝藻水华覆盖区域,共筛选出935 幅出现蓝藻水华的影像,并分别提取蓝藻水华面积。

为更客观地反映蓝藻水华的影响程度,本研究综合考虑蓝藻水华的年度平均面积和最大面积,构建了太湖蓝藻水华综合指数(Ic)来表征蓝藻水华暴发强度,方法如下:

式中:Ic为蓝藻水华综合指数;NA 和NM 分别为各年度蓝藻水华平均面积和最大面积经归一化处理后的数值;ωA和ωM分别为NA 和NM 对应的权重系数,均取0.5。

通过空间分布频率指数(SDFI)法计算太湖不同区域的蓝藻水华暴发频率[15],计算公式为

式中:SDFI 为空间分布频率指数;Ri为第i日蓝藻水华解译二值图中的栅格像元值;n为影像数;t为整个统计周期的总天数。

1.3 蓝藻水华预测数据统计处理

使用SPSS 软件多元线性回归分析中的“进入方法”分析蓝藻水华强度与各项环境因子之间的定量关系,根据各项环境因子与蓝藻水华强度的相关性分析结果筛选建模指标。

2 结果与讨论

2.1 太湖蓝藻水华时空变化分析

2.1.1 水华发生规模的年际变化

依据生态环境部发布的《水华遥感与地面监测评价技术规范(试行)》(HJ 1098—2020)中的基于水华面积比例的水华程度分级标准[1],以太湖总面积(2 400 km2)为换算基准,根据蓝藻水华暴发面积(A),将太湖水华暴发规模分为4 个等级:当A<240 km2时,为无明显水华;当240 km2≤A<720 km2时,为轻度水华;当720 km2≤A<1 440 km2时,为中度水华;当A≥1 440 km2时,为重度水华。 本文对2012—2020 年历年4—10 月预警期间的太湖蓝藻水华发生情况进行了统计,结果如表1 所示。

表1 太湖蓝藻水华发生次数Table 1 Occurrence times of cyanobacteria blooms in Taihu Lake 次

通过表1 及图2 可以看出,2012—2020 年,太湖蓝藻水华发生规模以无明显水华和轻度水华为主,2017、2019、2020 年分别出现了4 次、3 次、3次中度水华,其余年份未出现中度及以上规模水华。 其中,2017 年无明显水华的占比最低,轻度和中度规模水华的占比相对较高,表明2017 年的水华暴发规模较其他年份更大。

图2 太湖各等级水华发生次数占比Fig.2 Proportion of occurrences of cyanobacteria blooms of various levels in Taihu Lake

2.1.2 水华发生区域的空间变化

图3 为2012—2020 年太湖蓝藻水华暴发频率,即SDFI。 从历年情况来看,太湖蓝藻水华暴发最频繁的水域为宜兴西部沿岸区,东部区域蓝藻水华暴发频率最低,整体呈现从西北向东南逐步递减的空间分布特征。 根据太湖往年水质监测数据,氮磷等营养盐浓度也呈现西部沿岸区最高、东部区域最低的空间分布特征,因此,营养盐浓度可能是导致太湖蓝藻水华暴发频率西北高、东南低的原因之一。 2012—2017 年,太湖蓝藻水华发生频率基本呈逐年升高的趋势,高频暴发区由西部沿岸区往东逐步扩展,至2017 年达到顶峰。2017 年后,高频暴发区开始有所收缩,表明近年来的太湖治理工作初见成效。

图3 太湖蓝藻水华年度暴发频率Fig.3 Annual frequency of cyanobacteria blooms in Lake Taihu

2.2 太湖蓝藻水华年度形势预测

2.2.1 环境因子筛选

依据公式(2)计算得到太湖2012—2020 年各年度Ic,分别为0.338、0.179、0.256、0.429、0.369、0.596、0.345、0.567、0.562。 可 以 看 到,2017 年太湖蓝藻水华强度最大,2013 年则最小。将2012—2020 年各项环境因子的逐月均值与历年Ic做相关性分析,结果如表2 所示。

表2 2012—2020 年太湖Ic 与相关环境因子的相关性分析Table 2 Environmental factors related to cyanobacteria bloom intensity in Taihu Lake from 2012 to 2020

从表2 可以看到,各项环境因子的逐月均值与历年Ic的相关性存在较大的月度变化,其中,各项环境因子对应的最大相关系数(取绝对值)与出现的月份分别如下:水温,0.790,1 月;pH,0.623,11 月; 溶 解 氧, 0.626, 5 月; 电 导 率,-0.860,1 月;浊度, - 0.544,4 月;叶绿素 a,-0.756,10 月;蓝藻密度,0.778,6 月;高锰酸盐指数,0.677,5 月;生化需氧量,-0.880,1 月;总氮,-0.907,5 月;总磷,0.767,7 月。

为达到预测当年蓝藻水华强度的目的,本研究设定了3 个条件用于筛选环境因子:①选用历年年初1—3 月的数据;②相关性需达到显著相关以上;③在符合前两项条件的前提下,取最大相关系数。最终筛选得到的指标分别为1 月水温(T1)、1 月电导率(σ1)、1 月生化需氧量(B1)、3 月总氮(TN3)。

2.2.2 预测模型构建

将筛选出的T1、σ1、B1和TN34 个指标作为年度太湖蓝藻水华强度的预测因子,采用依次增加的方式做逐步回归,比较各因子加入后的年度太湖蓝藻水华强度预测能力。 先将所有数据取自然对数,再进行回归分析。 各回归方程及决定系数R2见表3。

表3 环境因子组合对太湖年度水华强度Ic 的预测模型Table 3 Regression equations between Ic and environmental factors in Taihu Lake

通过查看表3 中不同回归方程的决定系数可知,回归方程(5)的优势较为明显,其显著性很高,且决定系数达到最大。 因此,采用包含了水温、电导率、总氮和生化需氧量4 个环境因子的回归方程(5)比较合理。

将根据回归方程(5)得到的Ic模拟值与实际值进行相关性分析,拟合度为0. 908,通过了0. 01 水平显著性检验,表明模拟值与实际值高度相关。 图4 为模型模拟值与实际值的拟合曲线。 从图4 可以看出,模型模拟值与实际值的年度变化趋势基本保持一致,平均相对误差为10. 35%,仅在2019 年有相对明显的偏差,预测模型模拟效果整体较好。

图4 2012—2020 年Ic 实际值与模拟值Fig.4 Cyanobacteria index and model simulation values from 2012 to 2020

2.2.3 2021 年太湖蓝藻水华形势预测

2021 年1 月全太湖平均水温、电导率、生化需氧量分别为5.1 ℃、452.41 μS/cm、2.63 mg/L,3 月总氮浓度为1.43 mg/L,将其代入优选出的回归方程,预估得到2021 年Ic为0.480±0.050,与历史数据相比处于偏高水平,但和2019 年的0.567 以及2020 年的0.562 相比有所降低,如图5 所示。

图5 2012—2020 年Ic 实际值与2021 年预估值Fig.5 Cyanobacteria index from 2012 to 2020 and estimated value for 2021

2.3 讨论

2.3.1 模型的有效性

本研究构建的蓝藻水华强度预测模型的分析结果与该研究领域的主流观点一致[8,10],证明了该模型的有效性。 该模型同时也具备一定的实用性和普适性,因为在诸多湖泊、水库和河流都设有自动监测设备或人工监测点位,且卫星遥感具有大范围覆盖监测的能力,说明该类研究工作需要的数据在更多区域是比较容易获得的,可通过获取相应数据对其他水域的蓝藻水华进行模型构建与研究。

2.3.2 蓝藻水华与环境因子的关系

在探索蓝藻水华形成机理方面,孔繁翔等[16]提出了蓝藻的生长与水华的形成经历了越冬休眠—春季复苏—生长—集聚上浮并形成水华的四阶段理论,认为不同阶段的藻类的生理特性不同,影响其发展的主导生态因子也不同。 水温是影响藻类生长的重要要素,可通过控制浮游植物的光合作用与呼吸代谢速率影响藻类生物量,特别是在当前太湖水质呈富营养化的情况下,水温在蓝藻的休眠、复苏和生长等不同阶段起着关键作用。1 月处于冬季,其间的水温变化对处于休眠期的蓝藻冬季种源、春季生物量基础有着重要影响,且与年度蓝藻水华强度有着较好的拟合关系。 因此,本研究将1 月水温作为预测年度蓝藻水华形势的环境要素是合理的。

水体中充足的营养盐和适宜藻种吸收的电解质也是水华暴发的主要原因之一[17],并且两者含量的变化同时又影响着电导率的变化[18]。 电导率的大小主要由溶解在水中的离子种类和浓度、水温、降雨及pH 等决定[19],电导率数值的变化主要与水体中营养盐、离子等物质的消耗或补充有关。 从表2 可知,电导率与年度蓝藻水华强度有着比较强的负相关。 不同的离子物质对水体中不同藻种的生长繁殖起着不同的作用(抑制或促进)[20],因此,上述负相关可能是因为太湖水体中的部分离子物质对蓝藻的生长繁殖具有较强的抑制作用。

在水华形成机理的研究中,常常涉及营养盐与藻类生长之间的关系。 当浮游植物的生长受到营养盐的限制时,其体内碳水化合物的积累、光合作用的产量均会受到影响,但太湖的水体营养盐条件目前还明显高于能够限制浮游植物生长、蓝藻水华暴发的临界条件。 在富营养化湖泊中,当水体的总氮总磷比(TN/TP)较低时,蓝藻的生长和水华的形成通常处于有利条件[21]。 但也有研究表明,较低的TN/TP 并不是促进蓝藻水华形成的条件,而是蓝藻水华产生的结果[22]。 从表2 可知,虽然太湖水体总氮浓度与全年蓝藻水华强度呈负相关,但这并不能表明蓝藻水华强度的增加与总氮浓度的下降有关,可能的原因是蓝藻的生长造成了总氮浓度的下降。 特别是在3—5 月的蓝藻复苏和生长阶段,总氮浓度与全年蓝藻水华强度的相关性尤其高,表明这两个阶段的总氮浓度对预测全年蓝藻水华强度具有较好的指示作用。

2.3.3 模型的局限性

从遥感监测结果来看,蓝藻水华暴发强度在2012—2017 年呈波动上升趋势,于2017 年达到峰值,之后开始有所缓和。 本研究通过在年初水质数据中筛选环境驱动因子构建的年度蓝藻水华强度预测模型的模拟结果,在变化趋势上与实际情况基本一致,但在2019 年有相对明显的偏差。由于太湖水域较长时间序列的风速、光照等气象数据不易获取且部分缺失,本研究暂未将气象数据作为影响要素纳入预测模型。 本预测模型主要从影响藻类生长的环境因子的角度开展藻情估测,但藻情变化除受环境因子影响外,还与未来春夏季蓝藻水华暴发期间的水文、气象条件密切相关。 因此,未能体现未来气象、水文情势预测信息是本模型的不足。 目前,气候预测信息的获取渠道较多,今后可纳入一些专业机构对气候的预测结果,有助于加强对未来蓝藻水华情势的准确估测。 此外,本模型也未考虑藻类群落结构和生物量变化的影响,仅仅采用遥感监测结果表征蓝藻水华强度还存在一定的局限性,在藻情评估方法上尚有一定的不足。 由于目前较难获取藻类群落结构方面的优质数据,将其纳入模型后可能会降低模拟精度。 建议在今后的模型优化过程中,待藻类人工智能快速识别等技术成熟后,再将其纳入预测模型。

总而言之,蓝藻水华的暴发是一个受气象、水质和生物行为等多重因素共同影响的复杂过程。本研究通过水质要素构建的蓝藻水华强度预测模型还不完善,今后需考虑更多方面的影响因素,从而实现对蓝藻水华强度预测模型的进一步优化。

3 结论

本研究以遥感手段获取了2012—2020 年历年4—10 月预警期间的太湖蓝藻水华发生规模与频率,在此基础上提出了表征蓝藻水华强度的太湖蓝藻水华综合指数,并通过对该指数与同步浮标站自动监测数据、实验室分析结果进行相关性分析,最终筛选出1 月水温、1 月电导率、1 月生化需氧量和3 月总氮浓度4 项指标,用于构建基于年度太湖蓝藻水华强度及与其显著相关的环境因子的多元线性回归预测模型。 该预测模型的决定系数达到了0.908,平均相对误差为10.35%,预测精度总体较好。 该项研究能为有关部门制定蓝藻水华防治规划和开展蓝藻水华预警工作提供一定的技术支持。 此外,该模型和研究方法还存在有待进一步提高和完善的地方,在收集气象、生物量等更多影响要素相关数据的基础上,预期可以获得更好的预测效果。