2023, Vol. 44
2. 中国科学院大学, 北京 100049
2. University of Chinese Academy of Sciences, Beijing 100049, China
受气候变暖和人类活动的影响, 湖泊富营养化进程加快, 浮游藻类大量增殖形成的蓝藻水华频发.湖泊蓝藻水华泛滥已成为我国乃至全世界共同面临的重大环境问题之一[1, 2]. 2007年在北太湖区域暴发的大规模蓝藻水华, 引发无锡市饮用水危机, 造成了巨大的社会影响[3].人为营养富集和气候变化是决定太湖蓝藻水华规模、程度和持续性的两个主要驱动因素[4, 5].在过去几十年中, 太湖水生生态系统中氮、磷负荷显著增加, 导致太湖水体富营养化和蓝藻水华的持续发生[6].太湖蓝藻水华加剧会导致水体污染加剧, 水质恶化, 增加水体耗氧量, 抑制太湖中其它好氧生物的生长繁殖, 影响沉积物-水微界面, 破坏太湖水生生态系统的多样性和稳定性[7~9].
叶绿素a(chlorophyll-a, Chla)在湖泊环境研究中被作为估算湖泊浮游植物生物量的指标[10~12].近年来, 许多学者研究了太湖中Chla与气象因子和水质条件的关系.朱广伟等[13]分析了2005~2017年北部太湖水体Chla和营养盐变化及影响因素, 研究发现近年来北部太湖水体Chla浓度的波动很大程度上受水文气象因子的影响.Liu等[14]通过使用Chla作为浮游植物生物量的代表, 选择总磷(TP)、风速等作为浮游植物生物量的潜在驱动因素, 利用广义可加模型(generalized additive models, GAM)和随机森林模型评估了Chla的可预测性以及在淡水湖泊中不同时间尺度驱动藻类大量繁殖的各种预测因子的相对重要性.Deng等[15]研究了长期风速下降对浅水富营养化太湖的影响, 发现春季和夏季的风速通过促进沉积物中营养盐的释放, 强烈影响了夏季Chla的浓度.
贝叶斯网络模型作为黑箱模型, 可以处理不完整和“噪声”较大的数据集, 通过概率测度的权重来描述数据间相关性, 并有助于先验知识和概率的结合[16].贝叶斯网络模型主要包括离散型、连续型[17]、混合型和分层贝叶斯网络模型[18].贝叶斯网络模型可以快速准确地识别模拟指标的异常波动并溯源, 在水环境领域中能快速辨析流域内典型污染来源和污染贡献[19].江杉杉等[20]基于贝叶斯网络模型定量分析了给水管网内各水质指标间的相互关联和消毒副产物的生成因素.连续型贝叶斯网络模型可以高效处理连续型变量的数据, 不需要将连续型变量数据离散化, 其提供了一种将经验知识整合到数据驱动模型中的有效方法[16, 17].Shan等[16]基于连续型贝叶斯网络模型较好地估计了太湖水体中营养盐浓度和潜在微囊藻毒素阈值之间的关系, 并指出估计的TP阈值对于减少微囊藻的生物量至关重要.
已有研究多使用水动力数值模型和多元回归模型等方法预测湖泊Chla浓度或蓝藻水华[21~23].但在不同的气候情景下, 营养盐控制目标不同, 即控制阈值应该是“动态”变化的, 而以往的方法通常只能得出静态的营养盐阈值[24~26].因此, 选取太湖1992~2020年期间太湖各季节气象、水质和生物监测数据, 首次基于连续型贝叶斯网络模型构建太湖Chla模型, 模拟不同气候背景和营养盐下的太湖Chla浓度, “动态”评估不同气候背景下的营养盐控制目标.
1 材料与方法 1.1 研究区域太湖(30°55′40″~31°32′58″N, 119°52′32″~120°36′10″E)是我国第三大淡水湖, 位于长江三角洲下游, 地处江苏、浙江交界处, 北连无锡、南濒湖州、东邻苏州、西接宜兴.太湖水面面积约2 338 km2, 平均水深约1.9 m, 属于大型浅水富营养化湖泊[23].
1.2 数据来源为研究太湖地区气象条件的长期变化趋势, 选取太湖周边的无锡站(站点号：58354, 下同)、东山站(58358)和湖州站(58450)这3个国家气象观测站1992~2020年的逐日气象数据, 气象数据来自国家气象科学数据中心(http://data.cma.cn/).气象指标包括气温、风速、降雨量和日照时长.气象站点和水质监测点位见图 1.
|
图 1 太湖水质监测点位和周边气象站点分布示意 Fig. 1 Distribution of water quality monitoring sites and surrounding meteorological stations in Lake Taihu |
选取太湖北部逐月监测点位(图 1)水质指标, 用以构建太湖Chla模拟模型.
Chla浓度采用热乙醇提取、分光光度法测定[27].总氮(TN)采用碱性过硫酸钾消解紫外分光光度法(GB 11894-1989)测定, TP采用钼酸铵分光光度法(GB 11893-1989)测定.化学需氧量(高锰酸盐指数)的测定采用酸性水浴、高锰酸钾氧化和草酸钠还原滴定法(GB 11892-1989).
1.4 数据分析与处理由于太湖地区多年来气温和风速变化呈显著负相关, 变量之间不独立, 不符合统计学要求, 但它们对蓝藻水华暴发影响显著, 因此采用气温与风速的比值(“温风比”, ℃ ·s ·m-1)作为综合气候指标.
将上述所有监测的环境和气象指标纳入分析, 经过正态分布性检验发现除Chla浓度外均接近正态分布, 且Chla经log10转换后则符合正态分布, 因此后续分析中Chla为log10转换值.
在Chla模型构建时, 由于外界环境变化对太湖生态系统的影响具有短期记忆效应[28], 因此将上季Chla浓度和环境因子也作为本季Chla浓度的影响因子, 对各季的气象、水质和Chla浓度指标分别进行逐步回归运算, 搭建气象、水质与核心结构指标之间的经验模型.
首先通过逐步回归, 依据r2和AIC值筛选搭建Chla模型最优变量组合, 对于TN、TP、电导率(Cond.)、风速和温度等存在明显自相关的环境变量根据专家判断进一步筛选, 例如, 若风速和“温风比”或TP浓度和Cond.同时被保留在回归方程中, 则保留其中更为显著的一个作为表征气候水平或营养盐水平的指标.美国环保署(USEPA)建议将75分位数作为营养盐处于最小阈值的适当安全边界, 以排除异常值的影响[29], 因此本文借鉴将Chla浓度75分位数作为蓝藻水华发生风险高低判断的阈值, 当Chla浓度低于此阈值的概率大于75%的情况视为蓝藻水华暴发“低风险”[图 2(a)].
|
(a) 基于连续型贝叶斯网络的Chla模拟过程(虚线箭头表示构建模型的过程, 实线箭头表示运用构建好的模型路径使用); (b)模拟太湖Chla的连续型贝叶斯网络结构(箭头指示某一因子对另一因子产生影响, 虚线表示仅在夏季模拟模型中存在这项环境指标, 计算和构建过程见联合概率分布关系式) 图 2 连续型贝叶斯网络模型的构建 Fig. 2 Construction of Bayesian networkmodelwith continuous variables |
贝叶斯网络属于概率图形族的网络模型, 是多变量概率分布的一种概率图模型, 便于表示概率因果关系[30, 31].本研究采用的是连续型贝叶斯网络, 其构成贝叶斯网络的结点变量是连续型变量.
根据前期研究结论[28, 32, 33], 太湖Chla影响因素主要包括TP和温度、风速等气象要素, 因此本研究依据因果关系最终确定了3个网络节点(上季Chla、本季TP和本季Chla), 并以此为中心建立连续型贝叶斯网络结构.其中, 上季Chla模型由上季营养盐和气象指标构建; 本季TP模型由上季所有参与模拟的指标(含上季Chla)和本季除Chla外的所有指标构建; 本季Chla模型则由本季TP和气候指标构建[图 2(b)].
构建好连续型贝叶斯网络结构后, 需要确定网络中各指标之间经验模型的系数.模型的系数是借助贝叶斯推理软件Just Another Gibbs Sampler(JAGS), 采用吉布斯采样拟合计算得到[34].吉布斯采样(Gibbs sampler)是一种特殊的马尔可夫链(Markov Chain)算法, 常被用于解决包括矩阵分解、张量分解等在内的一系列问题, 围绕先验知识和观测数据, 以观测值作为条件推断出后验分布[35].本模型设置了3条马尔可夫链, 分别进行1 000次交替迭代Gibbs sampler, 利用1992~2020年太湖四季的气象、水质和Chla浓度数据, 得到每个系数的45 000个样点, 分别构成每个系数的优化分布结果.在计算得到已优化的模型联合分布系数后, 连续型贝叶斯网络中所有指标之间的关系式得以确定, 输入不同的环境水质条件就能得到相应概率形式的太湖Chla水平.由于太湖冬季一般不发生蓝藻水华, 所以本研究不考虑冬季.
构建联合概率分布关系式：
|
式中, 模型模拟指标包括总磷(TP)、风速(Wind)、电导率(Cond.)、日照时长(Sunshine hours)和“温风比”(Temperature/Wind); 在Si中, i=1和j=1表示上季, i=2和j=2表示本季; α1, 2, 3、β1, 2, 3, 4和γ1, 2, 3为联合概率分布中待定的概率分布系数, 仅在夏季模拟模型中考虑日照时长.
根据联合概率分布的特性, 当一个系数的分布跨越0值的位置在分布尾端95%以外, 则该系数置信度高, 模拟效果较好.本研究太湖春季、夏季和秋季模型中各指标系数的分布跨越0值的位置均在分布尾端95%以外, 模型模拟效果较好.
2 结果与分析 2.1 经验模型经过逐步多元回归, 最终确立了3个经验模型.图 3(a)所示为基于连续型贝叶斯网络模型构建的太湖春季Chla模拟模型结构, 冬季Chla由冬季TP和冬季风速构建, 春季TP由冬季Chla和冬季Cond.构建, 最终, 春季Chla模拟模型由春季TP和春季“温风比”构建(r2=0.434 4, P < 0.01).图 3(b)所示为基于连续型贝叶斯网络模型构建的太湖夏季Chla模拟模型结构, 春季Chla由春季TP和春季“温风比”构建, 夏季TP由春季Chla、夏季Cond.和夏季日照时长构建, 最终, 夏季Chla模拟模型由夏季TP和夏季“温风比”构建(r2=0.392 6, P < 0.01).图 3(c)所示为基于连续型贝叶斯网络模型构建的太湖秋季Chla模拟模型结构, 夏季Chla由夏季TP和夏季风速构建, 秋季TP由夏季Chla和秋季Cond.构建, 最终, 秋季Chla模拟模型由秋季TP和秋季“温风比”构建(r2=0.609 2, P < 0.01).
|
(a)春季, (b)夏季, (c)秋季 图 3 基于连续型贝叶斯网络模型构建的太湖春季、夏季和秋季Chla经验模型 Fig. 3 Chla empirical model of Lake Taihu in spring, summer, and autumn based on Bayesian network modelwith continuous variables |
太湖春、夏、秋三季ρ(Chla)75分位数分别为24.58、55.69和44.91 μg ·L-1, 即本研究判断春、夏、秋三季Chla偏高的阈值.
春季“温风比”平均水平为6.67℃ ·s ·m-1, ρ(TP)低于0.130 mg ·L-1左右时, Chla偏高的概率小于75%, Chla偏高概率的敏感性随春季TP浓度的升高而增强; ρ(TP)高于0.153 mg ·L-1左右时, Chla偏高的概率大于95%. ρ(TP)平均水平为0.144 mg ·L-1, 春季“温风比”小于6.42℃ ·s ·m-1左右时, Chla偏高的概率小于75%, Chla偏高概率的敏感性随春季“温风比”的增加而增强; 春季“温风比”大于6.67℃ ·s ·m-1时, 春季Chla偏高的概率将大于90%[图 4(a)].
|
水平灰色虚线表示各季节平均模拟ρ(TP); 竖直灰色虚线表示各季节平均“温风比”; 红点表示在不同ρ(TP)和“温风比”下的Chla偏高的概率 图 4 不同营养盐水平和气候组合条件下太湖春季、夏季和秋季Chla偏高的概率 Fig. 4 Probability of high Chla in spring, summer, and autumn in Lake Taihu under different nutrient levels and climate combinations |
夏季“温风比”平均水平为10.52℃ ·s ·m-1, ρ(TP)低于0.257 mg ·L-1左右时, Chla偏高的概率小于75%, Chla偏高概率的敏感性随夏季TP浓度的升高而增强. ρ(TP)平均水平为0.220 mg ·L-1时, Chla偏高概率的敏感性随夏季“温风比”的增加而增强; ρ(TP)高于0.240 mg ·L-1时, Chla偏高概率的敏感性随夏季“温风比”的增加先增强后减弱[图 4(b)].
秋季“温风比”平均水平为7.84℃ ·s ·m-1时, 秋季Chla偏高的概率大于85%, Chla偏高概率的敏感性随秋季TP浓度的升高而减弱; ρ(TP)高于0.130 mg ·L-1左右时, Chla偏高的概率大于85%.秋季“温风比”小于7.00℃ ·s ·m-1时, Chla偏高概率的敏感性随TP浓度的升高先增强后减弱. ρ(TP)平均水平为0.154 mg ·L-1时, Chla偏高的概率大于65%, Chla偏高概率的敏感性随秋季“温风比”的增加而减弱; 秋季“温风比”小于6.30℃ ·s ·m-1左右时, 秋季Chla偏高的概率小于75%[图 4(c)].
2.3 不同气候情景下营养盐控制目标的估算太湖春季水华暴发“低风险”的概率与TP浓度控制的关系表明, 水华暴发“低风险”阈值为春季ρ(Chla)75分位数24.58 μg ·L-1.水平虚线和模拟概率线的交点对应于控制水华暴发“低风险”的TP浓度阈值(下同).在春季3个气候情景阶段(1992~2000、2001~2010和2011~2020年), 模拟结果表明当3个阶段ρ(TP)分别低于0.135、0.115和0.059 mg ·L-1时, 太湖水华暴发“低风险”[图 5(a)].
|
图 5 不同气候情景阶段下太湖春季、夏季和秋季Chla为中低水平的概率 Fig. 5 Probability of low to medium level of Chlain spring, summer, and autumn in Lake Taihu under different climate scenarios |
太湖夏季水华暴发“低风险”的概率与TP浓度控制的关系表明, 水华暴发“低风险”阈值为夏季ρ(Chla)75分位数55.69 μg ·L-1.在夏季3个气候情景阶段(1992~2000、2001~2010和2011~2020年), 模拟结果表明当3个阶段ρ(TP)分别低于0.174、0.164和0.145 mg ·L-1时, 太湖水华暴发“低风险”[图 5(b)].
太湖秋季水华暴发“低风险”的概率与TP浓度控制的关系表明, 水华暴发“低风险”阈值为秋季ρ(Chla)75分位数44.91 μg ·L-1.在秋季3个气候情景阶段(1992~2000、2001~2010和2011~2020年), 模拟结果表明当3个阶段ρ(TP)分别低于0.171、0.162和0.145 mg ·L-1时, 太湖水华暴发“低风险”[图 5(c)].
3 讨论太湖有害藻华的暴发与多种环境因素有关, 当前对太湖有害藻华的研究普遍认为引起太湖中浮游藻类大量繁殖并导致藻华暴发的环境因子主要包括: 气象、水质条件和营养盐浓度, 其中气象条件是诱导因子, 水质条件是重要的驱动因子, 营养盐是基础性限制因子[2, 36, 37].本研究基于连续型贝叶斯网络构建Chla模型模拟了气象和水质条件对太湖Chla的影响, 模型可以较好地进行模拟, 这进一步证明了连续型贝叶斯网络模型处理生物数据的优势和在水环境领域应用的可行性[16].
3.1 基于连续型贝叶斯网络的模型构建和应用目前太湖水体富营养化严重, 且我国现有的Chla标准较为简洁[38], 难以用已有的固定标准评估太湖不同时期的Chla浓度水平.有研究将ρ(Chla)高于20 μg ·L-1定义为太湖蓝藻水华发生[39], 也有研究指出ρ(Chla)高于20 μg ·L-1在蓝藻水华发生期间较为常见[24].美国环保署建议将75分位数作为营养盐处于最小阈值的适当安全边界[29].太湖春季蓝藻水华暴发时ρ(Chla)大致在其75分位数(24.58 μg ·L-1)左右, 因此将Chla浓度75分位数作为阈值, Chla浓度超过此分位数则视为该季节Chla偏高, 当Chla偏高时, 太湖水体中浮游植物的生物量往往较大, 水华暴发的风险也相对较大.
将当季TP浓度和当季“温风比”视为对Chla偏高贡献的直接影响因素, 绘制出不同TP浓度和“温风比”下的Chla偏高概率等值线图, 用以量化不同环境条件下Chla偏高的概率(图 4).
然而, 本研究发现风速在夏季模型中模拟上季春季时, 模拟效果不如“温风比”, 而在春季和秋季模型中对上季Chla的影响都要强于“温风比”, 这可能是由于夏季气温不如风速变化显著, 风速的变化更能引起藻类响应和Chla浓度的变化[15].
3.2 太湖叶绿素a浓度变化的影响因素近年来, 虽然太湖水体中TN浓度逐年下降, 但Chla浓度上升趋势显著, 综合气象和水质条件, 可能是由于气温显著上升、风速显著下降且夏季和秋季TP浓度显著上升.TP浓度的上升一方面可能是太湖内源磷的释放到水体中造成, 另一方面可能是由于连通河道向太湖输入大量的磷和径流等面源污染的影响[6].磷在湖泊中的浓度的高低常常被用来衡量一个湖泊生产力高低和富营养化水平的重要指标[33].朱广伟等[13]通过对2005~2017年北部太湖水体Chla的研究发现, Chla浓度与水体TP浓度呈显著正相关, 两者的相关性主要反映的是蓝藻水华或藻类的季节性增殖带来的水质生态反馈效应.李洪利等[40]在分析1985~2011年太湖Chla浓度的影响因素时, 发现气温在调节太湖Chla浓度年际变化过程中发挥着主导作用.Zhou等[41]通过分析滇池1991~2013年气象条件对滇池水体Chla浓度的影响, 发现Chla浓度与气温呈显著正相关.
本研究发现, 春季太湖Chla偏高的概率对TP浓度和“温风比”都较为敏感.这可能是由于春季气温回升, 逐渐达到藻类生长繁殖的最适温度, 且日照时长增加, 导致藻类迅速增殖, 对营养物质需求加大[32, 42].夏季和秋季太湖Chla偏高的概率分布在高温低风速的条件下, 且分布相对更为密集, 这是由于夏季和秋季气候条件适宜, 藻类生物量在上一季节已累积较多, 尤其是具有伪空胞的水华蓝藻借助自身的上浮下沉能力, 可以更好地获得营养物质和光, 其群聚程度受风浪扰动和漂移作用的影响较大[43].结合夏季和秋季Chla模拟结果, 当“温风比”较大, 即高温低风速时, 藻类的生长繁殖会更加迅速, 此时Chla对各影响因子的敏感性相对更加显著.
已有研究表明, 当风速小于3.1 m ·s-1时, 蓝藻水华更易形成[44], 近年来水华发生的时间和空间范围扩张, 也与风速的降低关系密切[45], 可见适当的风速是促成蓝藻水华形成和扩张的重要因素, 也是影响Chla偏高概率的重要因子.
3.3 太湖总磷浓度的阈值控制本研究方法的优越性在于能够动态估计营养盐的控制阈值, 因为气候一直在发生变化, 通过改变不同的气候条件, 可以动态获得相应的TP浓度控制阈值.曹晶等[26]基于2011~2018年太湖国控点位的监测数据, 以轻富营养化等级下的Chla分级标准(10, 26]作为表征水华暴发的条件, 得出太湖蓝藻水华暴发的ρ(TP)控制阈值为0.05~0.06 mg ·L-1.Xu等[24]在2015年的研究中通过营养稀释和富集生物测定表明, 现阶段春季ρ(TP)阈值应低于0.05 mg ·L-1, 从而限制以微囊藻为主的水华的增长速率, 并指出在现有营养水平下需要使TP浓度降低20% ~46%才能使太湖的浮游植物生物量[ρ(Chla)]达到低于20 μg ·L-1的可接受的亚蓝藻水华条件.
Xu等[25]在2017年的研究中发现, 现阶段将ρ(TP)控制在0.057 mg ·L-1以下时, 太湖ρ(Chla)不超过20 μg ·L-1, 水华暴发的概率较低; 当ρ(TP)达到0.08 mg ·L-1时, ρ(Chla)超过20 μg ·L-1的50%左右, 可视为控制有害蓝藻水华频率和强度的阈值.吴雅丽等[46]在2012年5月通过原位营养盐富集生物模拟实验得出太湖春季藻类生长的ρ(TP)阈值为0.059 mg ·L-1.在同一气候背景下, 本研究基于连续型贝叶斯网络模型构建的Chla模型模拟的2011~2020年春季ρ(TP)控制阈值为0.059 mg ·L-1, 与吴雅丽等[46]研究得出的太湖春季TP阈值一致, 但略高于Xu等[25]在2017年的研究中的ρ(TP)控制阈值(0.057 mg ·L-1).Xu等[47]基于2006、2007和2008年的太湖水质和生物监测数据通过原位营养富集生物测定发现, 夏季ρ(TN)高于0.80 mg ·L-1、ρ(TP)高于0.20mg ·L-1时, 水华蓝藻生长不受营养盐限制, 高于本研究2001~2010年这一气候背景下夏季的ρ(TP)控制阈值(0.164 mg ·L-1).通过以上研究对比证明使用连续型贝叶斯网络模型“动态”评估营养盐控制阈值的合理性.
在本研究中, 提出了一个结合气象、水质和生物监测数据的连续型贝叶斯网络模型构建的Chla模拟模型来分季节“动态”评估营养盐TP浓度的控制阈值.因此, 可以在不同气候背景下, 通过不同季节TP浓度的控制阈值来制定相应的防控措施, 实现有效、“动态”控磷, 并精准监测和预测预警富营养化引发的蓝藻水华灾害, 提升太湖蓝藻水华主动防控能力和保障饮用水安全.并可通过输入不同湖泊、水库的监测数据“动态”获得对应水体的营养盐控制阈值, 为太湖和其它湖库开展针对性的蓝藻水华防控和水体富营养化治理提供理论基础.
4 结论(1) 从各季节Chla偏高概率的分布上看, Chla偏高的概率随TP浓度和“温风比”的增大而增加, 且在高温低风速的气候条件下Chla偏高的概率对TP浓度的敏感性强于低温高风速的气候条件.
(2) 通过对不同气候水平背景下Chla模拟结果的分析, 1992~2000、2001~2010和2011~2020年, 春季ρ(TP)控制阈值分别为0.135、0.115和0.059 mg ·L-1, 夏季ρ(TP)控制阈值分别为0.174、0.164和0.145 mg ·L-1, 秋季ρ(TP)控制阈值分别为0.171、0.162和0.145 mg ·L-1.
致谢: 中国科学院太湖湖泊生态系统研究站提供了太湖历史监测资料, 薛静琛等参与了样品分析工作, 丁侃和张庆吉提供太湖研究区域矢量数据, 郑皎珏和刘嘉协助绘制太湖研究区域概况图, 团队人员定期进行太湖采样, 中国科学院重庆绿色智能技术研究院大数据研究中心闪锟副研究员对本文使用的方法和结果阐释进行了审查, 在此一并表示感谢.
| [1] | Qin B Q, Deng J M, Shi K, et al. Extreme climate anomalies enhancing cyanobacterial blooms in eutrophic Lake Taihu, China[J]. Water Resources Research, 2021, 57(7). DOI:10.1029/2020WR029371 |
| [2] | Huisman J, Codd G A, Paerl H W, et al. Cyanobacterial blooms[J]. Nature Reviews Microbiology, 2018, 16(8): 471-483. DOI:10.1038/s41579-018-0040-1 |
| [3] |
秦伯强, 王小冬, 汤祥明, 等. 太湖富营养化与蓝藻水华引起的饮用水危机——原因与对策[J]. 地球科学进展, 2007, 22(9): 896-906. Qin B Q, Wang X D, Tang X M, et al. Drinking water crisis caused by eutrophication and cyanobacterial bloom in Lake Taihu: cause and measurement[J]. Advances in Earth Science, 2007, 22(9): 896-906. DOI:10.3321/j.issn:1001-8166.2007.09.003 |
| [4] | Paerl H W, Havens K E, Hall N S, et al. Mitigating a global expansion of toxic cyanobacterial blooms: confounding effects and challenges posed by climate change[J]. Marine and Freshwater Research, 2019, 71(5): 579-592. |
| [5] | Deng J M, Tang X M, Qin B Q, et al. Decreasing nitrogen loading and climate change promotes the occurrence of nitrogen-fixing cyanobacteria in a restored city lake[J]. Hydrobiologia, 2020, 847(13): 2963-2975. DOI:10.1007/s10750-020-04299-7 |
| [6] |
秦伯强. 浅水湖泊湖沼学与太湖富营养化控制研究[J]. 湖泊科学, 2020, 32(5): 1229-1243. Qin B Q. Shallow lake limnology and control of eutrophication in Lake Taihu[J]. Journal of Lake Sciences, 2020, 32(5): 1229-1243. |
| [7] | Qin B Q, Zhu G W, Gao G, et al. A drinking water crisis in Lake Taihu, China: linkage to climatic variability and lake management[J]. Environmental Management, 2010, 45(1): 105-112. DOI:10.1007/s00267-009-9393-6 |
| [8] |
刘志迎, 许海, 詹旭, 等. 蓝藻水华对太湖水柱反硝化作用的影响[J]. 环境科学, 2019, 40(3): 1261-1269. Liu Z Y, Xu H, Zhan X, et al. Influence of cyanobacterial blooms on denitrification rate in shallow Lake Taihu, China[J]. Environmental Science, 2019, 40(3): 1261-1269. DOI:10.3969/j.issn.1000-6923.2019.03.044 |
| [9] |
王永平, 谢瑞, 晁建颖, 等. 蓝藻水华及其降解对沉积物-水微界面的影响[J]. 环境科学, 2018, 39(7): 3179-3186. Wang Y P, Xie R, Chao J Y, et al. Effects of algal blooms and their degradation on the sediment-water micro-interface[J]. Environmental Science, 2018, 39(7): 3179-3186. DOI:10.13227/j.hjkx.201710029 |
| [10] |
秦伯强, 许海, 董百丽. 富营养化湖泊治理的理论与实践[M]. 北京: 高等教育出版社, 2011. Qin B Q, Xu H, Dong B L. The principle and practice of eutrophic lake restoration and management[M]. Beijing: Higher Education Press, 2011. |
| [11] | Vallina S M, Follows M J, Dutkiewicz S, et al. Global relationship between phytoplankton diversity and productivity in the ocean[J]. Nature Communications, 2014, 5(1). DOI:10.1038/ncomms5299 |
| [12] | Zhang M, Straile D, Chen F Z, et al. Dynamics and drivers of phytoplankton richness and composition along productivity gradient[J]. Science of the Total Environment, 2018, 625: 275-284. DOI:10.1016/j.scitotenv.2017.12.288 |
| [13] |
朱广伟, 秦伯强, 张运林, 等. 2005-2017年北部太湖水体叶绿素a和营养盐变化及影响因素[J]. 湖泊科学, 2018, 30(2): 279-295. Zhu G W, Qin B Q, Zhang Y L, et al. Variation and driving factors of nutrients and chlorophyll-a concentrations in northern region of Lake Taihu, China, 2005-2017[J]. Journal of Lake Sciences, 2018, 30(2): 279-295. |
| [14] | Liu X, Feng J F, Wang Y Q. Chlorophyll a predictability and relative importance of factors governing lake phytoplankton at different timescales[J]. Science of the Total Environment, 2019, 648: 472-480. DOI:10.1016/j.scitotenv.2018.08.146 |
| [15] | Deng J M, Paerl H W, Qin B Q, et al. Climatically-modulated decline in wind speed may strongly affect eutrophication in shallow lakes[J]. Science of the Total Environment, 2018, 645: 1361-1370. DOI:10.1016/j.scitotenv.2018.07.208 |
| [16] | Shan K, Wang X X, Yang H, et al. Use statistical machine learning to detect nutrient thresholds in Microcystis blooms and microcystin management[J]. Harmful Algae, 2020, 94. DOI:10.1016/j.hal.2020.101807 |
| [17] | Qian S S, Miltner R J. A continuous variable Bayesian networks model for water quality modeling: a case study of setting nitrogen criterion for small rivers and streams in Ohio, USA[J]. Environmental Modelling & Software, 2015, 69: 14-22. |
| [18] | Yuan L L, Jones J R. Rethinking phosphorus-chlorophyll relationships in lakes[J]. Limnology and Oceanography, 2020, 65(8): 1847-1857. DOI:10.1002/lno.11422 |
| [19] |
王泽正, 张帅, 王利民, 等. 基于贝叶斯网络拓扑结构的水环境风险溯源——以饮马河流域为例[J]. 中国环境科学, 2022, 42(5): 2299-2304. Wang Z Z, Zhang S, Wang L M, et al. Water environmental risk tracing based on the combination of Bayesian network topology: a case study of Yinma River Basin[J]. China Environmental Science, 2022, 42(5): 2299-2304. DOI:10.3969/j.issn.1000-6923.2022.05.036 |
| [20] |
江杉杉, 王臻宇, 高权, 等. 基于贝叶斯网络的给水管网消毒副产物生成因素分析[J]. 环境科学, 2022, 43(3): 1512-1520. Jiang S S, Wang Z Y, Gao Q, et al. Factor analysis of disinfection byproduct formation in drinking water distribution systems through the Bayesian network[J]. Environmental Science, 2022, 43(3): 1512-1520. |
| [21] |
李娜, 李勇, 冯家成, 等. 太湖水体Chl-a预测模型ARIMA的构建及应用优化[J]. 环境科学, 2021, 42(5): 2223-2231. Li N, Li Y, Feng J C, et al. Construction and application optimization of the Chl-a forecast model ARIMA for Lake Taihu[J]. Environmental Science, 2021, 42(5): 2223-2231. |
| [22] |
朱广伟, 施坤, 李未, 等. 太湖蓝藻水华的年度情势预测方法探讨[J]. 湖泊科学, 2020, 32(5): 1421-1431. Zhu G W, Shi K, Li W, et al. Seasonal forecast method of cyanobacterial bloom intensity in eutrophic Lake Taihu, China[J]. Journal of Lake Sciences, 2020, 32(5): 1421-1431. |
| [23] | Li W, Qin B Q. Dynamics of spatiotemporal heterogeneity of cyanobacterial blooms in large eutrophic Lake Taihu, China[J]. Hydrobiologia, 2019, 833(1): 81-93. DOI:10.1007/s10750-019-3883-1 |
| [24] | Xu H D, Paerl H W, Qin B Q, et al. Determining critical nutrient thresholds needed to control harmful cyanobacterial blooms in eutrophic Lake Taihu, China[J]. Environmental Science & Technology, 2015, 49(2): 1051-1059. |
| [25] | Xu H, Paerl H W, Zhu G W, et al. Long-term nutrient trends and harmful cyanobacterial bloom potential in hypertrophic Lake Taihu, China[J]. Hydrobiologia, 2017, 787(1): 229-242. DOI:10.1007/s10750-016-2967-4 |
| [26] |
曹晶, 田泽斌, 储昭升, 等. 太湖蓝藻水华暴发的氮磷控制阈值分析[J]. 湖泊科学, 2022, 34(4): 1075-1089. Cao J, Tian Z B, Chu Z S, et al. Nitrogen and phosphorus control thresholds of cyanobacterial blooms in Lake Taihu[J]. Journal of Lake Sciences, 2022, 34(4): 1075-1089. |
| [27] |
陈宇炜, 陈开宁, 胡耀辉. 浮游植物叶绿素a测定的"热乙醇法"及其测定误差的探讨[J]. 湖泊科学, 2006, 18(5): 550-552. Chen Y W, Chen K N, Hu Y H. Discussion on possible error for phytoplankton chlorophyll-a concentration analysis using hot-ethanol extraction method[J]. Journal of Lake Sciences, 2006, 18(5): 550-552. |
| [28] | Deng J M, Zhang W, Qin B Q, et al. Winter climate shapes spring phytoplankton development in non-ice-covered lakes: subtropical Lake Taihu as an example[J]. Water Resources Research, 2020, 56(9). DOI:10.1029/2019WR026680 |
| [29] | Gibson G, Carlson R, Simpson J, et al. Nutrient criteria technical guidance manual: lakes and reservoirs[R]. Washington: United States Environment Protection, 2000. |
| [30] | Holmes D E, Jain L C. Innovations in Bayesian networks: theory and applications[M]. Berlin: Springer, 2008. |
| [31] | Scutari M, Denis J B. Bayesian networks: with examples in R (2nd ed.)[M]. Boca Raton: CRC Press, 2021. |
| [32] | Deng J M, Qin B Q, Paerl H W, et al. Earlier and warmer springs increase cyanobacterial (Microcystis spp.) blooms in subtropical Lake Taihu, China[J]. Freshwater Biology,, 2014, 59(5): 1076-1085. |
| [33] |
秦伯强, 高光, 朱广伟, 等. 湖泊富营养化及其生态系统响应[J]. 科学通报, 2013, 58(10): 855-864. Qin B Q, Gao G, Zhu G W, et al. Lake eutrophication and its ecosystem response[J]. Chinese Science Bulletin, 2013, 58(9): 961-970. |
| [34] | Plummer M. JAGS: a program for analysis of Bayesian graphical models using Gibbs sampling[A]. In: Proceedings of the 3rd International Workshop on Distributed Statistical Computing[C]. Vienna, Austria, 2003. |
| [35] | Casella G, George E I. Explaining the Gibbs sampler[J]. The American Statistician, 1992, 46(3): 167-174. |
| [36] |
李建, 尹炜, 贾海燕, 等. 汉江中下游水华防控生态调度研究[J]. 湖泊科学, 2022, 34(3): 740-751. Li J, Yin W, Jia H Y, et al. Study on the ecological regulation of algal bloom control in the middle and lower reaches of the Hanjiang River[J]. Journal of Lake Sciences, 2022, 34(3): 740-751. |
| [37] |
杨柳燕, 杨欣妍, 任丽曼, 等. 太湖蓝藻水华暴发机制与控制对策[J]. 湖泊科学, 2019, 31(1): 18-27. Yang L Y, Yang X Y, Ren L M, et al. Mechanism and control strategy of cyanobacterial bloom in Lake Taihu[J]. Journal of Lake Sciences, 2019, 31(1): 18-27. |
| [38] | 中华人民共和国生态环境部. 国家生态环境基准《湖泊营养物基准—中东部湖区(总磷、总氮、叶绿素a)》(2020年版)及其技术报告[EB/OL]. https://www.mee.gov.cn/xxgk2018/xxgk/xxgk01/202012/t20201230_815561.html, 2020-12-30. |
| [39] | Qin B Q, Li W, Zhu G W, et al. Cyanobacterial bloom management through integrated monitoring and forecasting in large shallow eutrophic Lake Taihu (China)[J]. Journal of Hazardous Materials, 2015, 287: 356-363. |
| [40] |
李洪利, 王坚红, 程军, 等. 太湖叶绿素a年际变化的主要驱动因子及未来气候的影响[J]. 生态学杂志, 2015, 34(5): 1332-1341. Li H L, Wang J H, Cheng J, et al. Main factors driving inter-annual variability of chlorophyll-a and the influence of future climate on chlorophyll-a in Lake Taihu[J]. Chinese Journal of Ecology, 2015, 34(5): 1332-1341. |
| [41] | Zhou Q C, Zhang Y L, Lin D M, et al. The relationships of meteorological factors and nutrient levels with phytoplankton biomass in a shallow eutrophic lake dominated by cyanobacteria, Lake Dianchi from 1991 to 2013[J]. Environmental Science and Pollution Research, 2016, 23(15): 15616-15626. |
| [42] | Zhang M, Qin B L, Yu Y, et al. Effects of temperature fluctuation on the development of cyanobacterial dominance in spring: implication of future climate change[J]. Hydrobiologia, 2016, 763(1): 135-146. |
| [43] |
秦伯强, 杨桂军, 马健荣, 等. 太湖蓝藻水华"暴发"的动态特征及其机制[J]. 科学通报, 2016, 61(7): 759-770. Qin B Q, Yang G J, Ma J M, et al. Dynamics of variability and mechanism of harmful cyanobacteria bloom in Lake Taihu, China[J]. Chinese Science Bulletin, 2016, 61(7): 759-770. |
| [44] | Cao H S, Kong F X, Luo L C, et al. Effects of wind and wind-induced waves on vertical phytoplankton distribution and surface blooms of Microcystis aeruginosa in Lake Taihu[J]. Journal of Freshwater Ecology, 2006, 21(2): 231-238. |
| [45] |
张民, 阳振, 史小丽. 太湖蓝藻水华的扩张与驱动因素[J]. 湖泊科学, 2019, 31(2): 336-344. Zhang M, Yang Z, Shi X L. Expansion and drivers of cyanobacterial blooms in Lake Taihu[J]. Journal of Lake Sciences, 2019, 31(2): 336-344. |
| [46] |
吴雅丽, 许海, 杨桂军, 等. 太湖春季藻类生长的磷营养盐阈值研究[J]. 中国环境科学, 2013, 33(9): 1622-1629. Wu Y L, Xu H, Yang G J, et al. Developing the critical phosphorus threshold for spring algal growth in Lake Taihu, China[J]. China Environmental Science, 2013, 33(9): 1622-1629. |
| [47] | Xu H, Paerl H W, Qin B Q, et al. Nitrogen and phosphorus inputs control phytoplankton growth in eutrophic Lake Taihu, China[J]. Limnology and Oceanography, 2010, 55(1): 420-432. |