基于压力响应关系法的湖泊营养物基准制定

湖泊富营养化与氮、磷及有机物含量过高密切相关,建立数字型营养物基准能够防止富营养化对水体指定用途造成影响.太湖流域是我国华东地区经济腹地,近年来流域内湖泊水质每况愈下,对其基准研究可为湖泊治理提供依据.详细介绍了压力响应关系法制定湖泊营养物基准的步骤,并将此方法运用到太湖流域营养物基准制定研究中.为满足大多数水体指定用途,研究中将该流域湖泊基本功能确定为娱乐、永生生物栖息地及饮用水,以此构建流域概念模型.选择压力变量为总氮(TN)、总磷(TP)和有机物,响应变量为叶绿素a(chl-a).用非参数分析法和线性回归法分别建立压力-响应模型,通过2种方法相互验证得到TN、TP和CODMn基准分别为0.593、0.067和4.092 mg/L.     

太湖湖表反照率时空特征及影响因子

湖表反照率是影响水-气界面能量平衡和水体内部光温环境的重要因子,受到太阳高度角、云量、风速和水质等环境因子的多重影响.基于太湖中尺度涡度通量网4个涡度通量观测站点(梅梁湾、大浦口、避风港和小雷山)的辐射和风速资料,结合晴空指数和水质数据,分析上述因子对太湖湖表反照率的影响及太湖湖表反照率空间差异的原因.主要结果为:太阳高度角是控制湖表反照率日变化、季节变化的主要因子;太阳高度角低于35°且当晴空指数在0~0.1和0.4~0.6之间时湖表反照率出现高值.反照率值呈现随风速、浊度和叶绿素a浓度升高而增大的趋势,而风浪通过影响浅水湖泊浊度、叶绿素a浓度从而间接影响湖表反照率.各站点湖表反照率关系为:小雷山避风港大浦口梅梁湾,其中小雷山站位于草型和藻型湖区过渡区而梅梁湾站位于藻型湖区.反照率与叶绿素a浓度水平之间的关系对蓝藻暴发及其严重程度并不敏感.本研究为湖体反照率的参数化过程提供参考依据.     

巢湖水体组分垂向分布特征及其对水下光场的影响

富营养化湖泊不同组分垂向分布及其对水下光场的影响是湖泊水环境遥感领域亟待开展的内容.利用巢湖野外实测数据,分析水体不同组分垂向分布特征,结合Hydrolight辐射传输模型模拟研究水体不同组分垂向分布对漫衰减系数Kd的影响.结果表明,巢湖水体悬浮物以及有色可溶性有机物CDOM垂向分布较为均一,水面未发生藻华现象时叶绿素a垂向分布符合高斯正态分布,漫衰减系数Kd受叶绿素a以及无机悬浮物的显著影响,其垂向变化复杂多样,以往以水体光学性质均一为前提计算得到的Kd仅仅表示其衰减的平均情况,不能精确反映水下光场的垂向变化,因此研究水体组分垂向分布特征及其对漫衰减系数Kd的影响是开展藻类垂向分布异质性对水下光场影响机制研究的前提和基础.     

成都府南河叶绿素a和氮、磷的分布特征与富营养化研究

通过对成都市府南河上中下游共21个断面叶绿素a和总溶解态氮(TDN)、总溶解态磷(TDP)含量的测定,绘制时空分布图,并应用SPSS 13.0统计软件分析了3个指标之间的相关性,初步评价了府南河的富营养化状况。结果表明,府南河叶绿素a含量不高,磷污染较为严重;相关性分析显示叶绿素a和TDP含量呈显著正相关关系,氮是河水富营养化的主要限制因子;按照叶绿素a的含量判定府南河基本属于贫营养化型,但按照氮、磷含量评价已达到富营养化水平。这对评价城市河流的富营养化状态及生态环境整治和恢复有着积极意义。     

附着在不同微塑料表面的藻类结构与群落组成

选取水环境中常见的4种微塑料介质（聚丙烯（PP）、聚氯乙烯（PVC）、聚乙烯（PE）、聚对苯二甲酸乙二醇酯（PET））和一种自然介质（鹅卵石）进行野外生物膜的培养,以探究不同类型介质表面附着的生物膜的表观结构和藻类群落组成的差异特征.结果表明,鹅卵石与微塑料介质上的生物膜的形貌结构及藻类含量与组成特性均存在一定差异：在微塑料介质表面附着的藻类叶绿素a浓度普遍低于自然介质.实验进一步发现,不同的微塑料类型同样会对生物膜藻类含量以及功能特性存在一定影响：PET片上附着的藻类叶绿素a浓度最高（613.7μg/L）,PP片上最低（492.5μg/L）;然而,PP片上藻类的光合作用最大量子产量最高（0.443）.以上结论说明微塑料会改变附着藻类的生长情况和初级生产力,进而可能影响生物膜在水体中的碳循环过程,对水体净化及污染治理产生一定影响.     

小型封闭水体环境因子与叶绿素a的时空分布及相关性研究

以崇明岛前卫村的一个小型封闭富营养化水体为对象,自2007年7月~2011年9月进行了约4 a的野外观测,研究了物化因子、水动力因素和叶绿素a(Chl-a)的时空分布特征及其相关性.结果表明,该水体Chl-a含量具有明显的时空差异性.Chl-a含量与水温、浊度、TN和TP均呈显著正相关关系,水温和营养盐是影响浮游植物季节动态的主要因素,浊度的季节变化是浮游植物生长的结果表征.Chl-a的空间差异性与不同水域水动力条件的差异有关,受风影响显著的水域(北河道)流速多分布在0.08~0.22 m·s-1范围内,Chl-a含量显著较低(平均浓度为53.11μg·L-1).从流速与Chl-a的关系分析来看,流速与Chl-a浓度呈显著负相关关系,流速总体分布在0~0.10 m·s-1的水域Chl-a含量显著偏高(平均浓度为35.30μg·L-1).该结果表明较大强度的水动力条件能够对富营养化封闭水体中浮游植物生长产生显著的抑制作用,可为相关水体的水华防治提供有益借鉴.     

基于实测光谱分析和MODIS数据鄱阳湖叶绿素a浓度估算

基于遥感的大面积水体监测技术为水环境监测提供了一种有效手段。以鄱阳湖为研究区,以反映水体营养状态的重要指标叶绿素a为研究对象,在测定研究区水体光谱及叶绿素a浓度和收集了相应时间的MODIS数据的基础上,采用浮游藻类指数法（Floating Algae Index,FAI）提取鄱阳湖水体范围,对鄱阳湖水体实测光谱数据进行剔除异常、归一化及光谱微分处理,构建波段差值、比值、归一化差值等光谱指数,利用最小二乘原理迭代分析水体叶绿素光谱响应特征,得出敏感波段范围：673～680 nm与650～665 nm、680～710 nm与650～670 nm、662～671 nm与700～720 nm光谱区间组合。选择最佳通道组合,建立基于MODIS影像的鄱阳湖叶绿素a浓度反演模型,相关系数为067。应用该模型得到2011年秋季鄱阳湖的叶绿素浓度估算值,反演结果显示湖区水体叶绿素浓度总体不高,且在空间分布上湖区水体周边与陆地交界处比湖中心区浓度偏高。分析认为：通过对实测光谱的定量分析,获得对鄱阳湖地区水体叶绿素浓度的光谱特征认识,揭示出其反射光谱的长波漂移现象,为鄱阳湖这一富营养化程度底,且水体分布不均匀区域建立一种叶绿素浓度反演方法,可为该区域长期的水环境管理提供方法借鉴     

基于3种时间序列模型的九龙江河流库区藻华预测

湖库富营养化和有害藻华是全球性生态环境问题,藻华预测与早期预警是保障湖库水源地供水安全的关键技术.如何基于高频水生态在线监测数据进行藻华的实时动态预测成为水生态管理领域的重大需求.本研究以福建省九龙江江东库区（水源地）为例,利用3年连续观测的逐时平均总叶绿素a浓度数据,对比研究了SARIMA、Prophet和LSTM（长短期记忆神经网络）3种时间序列模型在藻华（日平均叶绿素a大于15 μg?L^-1）预测方面的效果.结果表明：①时间序列模型要求参数少,灵活性强,能清晰反映水质特征和未来变化趋势,可弥补传统藻类监测预警方法的局限性;②基于深度学习框架的LSTM模型,具有独特的迭代优化算法,对藻类非线性变化特征的识别和预测能力较强,其总叶绿素a逐日预测和7日预测效果均显著优于SARIMA模型和Prophet模型;③输入数据长度会在一定程度上影响模型预测效果,最优的输入数据时间长度为7 d;输入数据频率对预测效果也有影响,在预测非藻华日时,小时数据的预测效果优于日频率数据;在预测藻华日时,两种频率数据 无显著差异,但日频率数据能更准确识别藻华日特征.总结起来,基于LSTM模型实现总叶绿素a浓度的短期预测,可为九龙江河流库区藻华早期预警和供水安全保障提供技术支撑.     

三峡水库藻类“水华”预测

根据三峡库区江段16条一级支流以及重庆市35座大中型〖JP2〗水库的调查资料，分析天然河流与水库两种不同水流条件下，水体叶绿素a浓度与总磷和透明度的关系。结果发现,在水库环境中，水体叶绿素a的浓度与总磷以及与透明度都具有较好的相关性，但在河流条件下则没有明显的关系。由于三峡库区江段大多数支流的营养水平已达到富营养化状况，当三峡水库建成、水流条件发生变化后，在支流河口等水域存在爆发“水华”的风险。为此，我们根据1998年枯水期，在三峡库区长江江段流域面积大于100 km2的40条支流河口实测的总磷浓度，利用所建立的水库环境中总磷与叶绿素a 浓度的关系，对三峡成库后在局部水域爆发“水华”的可能性和程度进行了分析，并提出了相应的对策。     

Application of Bayesian regularized BP neural network model for analysis of aquatic ecological data-A case study of chlorophyll-a prediction in Nanzui water area of Dongting Lake

Bayesian regularized BP neural network（BRBPNN） technique was applied in the chlorophyll-α prediction of Nanzui water area in Dongting Lake. Through BP network interpolation method, the input and output samples of the network were obtained. After the selection of input variables using stepwise/multiple linear regression method in SPSS i1.0 software, the BRBPNN model was established between chlorophyll-α and environmental parameters, biological parameters. The achieved optimal network structure was 3-11-1 with the correlation coefficients and the mean square errors for the training set and the test set as 0.999 and 0.000？8426, 0.981 and 0.0216 respectively. The sum of square weights between each input neuron and the hidden layer of optimal BRBPNN models of different structures indicated that the effect of individual input parameter on chlorophyll- α declined in the order of alga amount 〉 secchi disc depth（SD） 〉 electrical conductivity （EC）. Additionally, it also demonstrated that the contributions of these three factors were the maximal for the change of chlorophyll-α concentration, total phosphorus（TP） and total nitrogen（TN） were the minimal. All the results showed that BRBPNN model was capable of automated regularization parameter selection and thus it may ensure the excellent generation ability and robustness. Thus, this study laid the foundation for the application of BRBPNN model in the analysis of aquatic ecological data（chlorophyll-α prediction） and the explanation about the effective eutrophication treatment measures for Nanzui water area in Dongting Lake.