李　未，秦伯強，張運林，朱廣偉

(中國科學(xué)院南京地理與湖泊研究所湖泊與環(huán)境國家重點實驗室，南京 210008)

?

富營養(yǎng)化淺水湖泊藻源性湖泛的短期數(shù)值預(yù)報方法
——以太湖為例*

李未，秦伯強，張運林，朱廣偉

(中國科學(xué)院南京地理與湖泊研究所湖泊與環(huán)境國家重點實驗室，南京 210008)

本文建立了一種富營養(yǎng)化淺水湖泊藻源性湖泛的短期數(shù)值預(yù)報方法. 選取表征藻源性湖泛的代表性指標(biāo)葉綠素a和溶解氧濃度作為預(yù)測變量，以天氣預(yù)報中的風(fēng)場為驅(qū)動力，求解淺水湖泊三維水動力-水質(zhì)耦合數(shù)值模型，計算未來3 d 淺水湖泊葉綠素a和溶解氧濃度的時空分布，然后結(jié)合未來3 d的氣象因子信息建立經(jīng)驗公式，計算湖泛易發(fā)水域發(fā)生湖泛的概率，并進(jìn)一步確定湖泛發(fā)生位置和面積. 以太湖為例，采用構(gòu)建的方法于2013-2014年夏、秋季對太湖7段湖泛易發(fā)水域的湖泛發(fā)生概率及發(fā)生面積進(jìn)行未來3 d的預(yù)測預(yù)報，預(yù)報正確率在80%以上.

藻源性湖泛；數(shù)值模型；短期預(yù)報；淺水湖泊；太湖

近20年來，我國長江中下游地區(qū)淺水湖泊水環(huán)境問題日趨嚴(yán)重，在夏、秋季由湖水富營養(yǎng)化引發(fā)的藍(lán)藻水華暴發(fā)時有發(fā)生，嚴(yán)重影響水質(zhì)景觀，甚至危及供水安全. 由藍(lán)藻水華引發(fā)的“湖泛”是指湖泊富營養(yǎng)化水體在藻類大量暴發(fā)、積聚和死亡后，在適宜的氣象、水文條件下，與底泥中的有機物在缺氧和厭氧條件下產(chǎn)生生化反應(yīng)，釋放金屬類和硫醚類等硫化物，形成褐黑色伴有惡臭的“黑水團(tuán)”，從而導(dǎo)致水體水質(zhì)迅速惡化，生態(tài)系統(tǒng)受到嚴(yán)重破壞的現(xiàn)象[1].

以太湖為例，1990s以來，太湖西部湖區(qū)、北部湖區(qū)曾多次發(fā)生湖泛[2]. 2009-2014年春、夏季，每年發(fā)生的湖泛次數(shù)分別為11、4、5、10、6和3次，持續(xù)時間1～6 d不等，其中最大湖泛面積可達(dá)17 km2，嚴(yán)重影響太湖水生態(tài)系統(tǒng)，并威脅水源地的供水安全[3-5]. 湖泛已經(jīng)成為繼藍(lán)藻水華大面積暴發(fā)以后太湖又一重要環(huán)境災(zāi)害問題，引起政府部門和研究機構(gòu)的高度重視. 目前國內(nèi)外學(xué)者對于藍(lán)藻水華的預(yù)測預(yù)警技術(shù)研究較多[6-11]，但是對于湖泛的研究，多停留在跟蹤性觀測湖泛過程和特性[1-2,4-5,12-17]，以及室內(nèi)模擬湖泛的產(chǎn)生，研究湖泛致黑物質(zhì)組成、產(chǎn)生機制、消除方式等機理方面[18-24]，真正在災(zāi)害發(fā)生之前，應(yīng)用于湖泛預(yù)測預(yù)警實踐，并定期發(fā)布湖泛預(yù)報的較少. 為了避免水危機事件的發(fā)生，保障富營養(yǎng)化湖泊飲用水的安全，有必要建立一個可操作性強、時效性強的預(yù)測預(yù)警方法，在夏、秋季實現(xiàn)對湖泛發(fā)生概率、發(fā)生區(qū)域及面積的短期動態(tài)預(yù)測.

本文基于確定性模型的思想，建立了一種藻源性湖泛的短期預(yù)報方法. 選取表征藻源性湖泛的代表性指標(biāo)葉綠素(Chl.a)濃度和溶解氧(DO)濃度，建立湖泊三維水動力-水質(zhì)數(shù)值耦合模型；以未來3 d天氣預(yù)報中的風(fēng)場作為驅(qū)動力，實時計算未來3 d全湖Chl.a和DO濃度的時空分布，結(jié)合未來3 d的氣象因子(風(fēng)速、降雨等)信息建立經(jīng)驗公式，計算湖泛易發(fā)水域發(fā)生湖泛的概率，并進(jìn)一步確定湖泛發(fā)生位置和面積. 利用此模型，在2013年和2014年4-10月期間對太湖藻源性湖泛進(jìn)行每3 d一次的預(yù)測預(yù)報，并通過人工巡測數(shù)據(jù)對計算結(jié)果進(jìn)行檢驗，檢驗結(jié)果顯示此模型可以較好地實現(xiàn)藻源性湖泛的預(yù)測預(yù)警.

1 數(shù)據(jù)來源與處理

在湖泛易發(fā)水域設(shè)定監(jiān)測點位，對氣象參數(shù)和水環(huán)境參數(shù)進(jìn)行測定，為湖泛預(yù)報提供基礎(chǔ)數(shù)據(jù). 基于對太湖湖泛易發(fā)水域的認(rèn)識[1-2]，分別在湖西、竺山灣、梅梁灣、貢湖灣以及湖東水源地5個湖區(qū)設(shè)置24個監(jiān)測點(圖1). 在每一點位處，采用多參數(shù)水質(zhì)儀(YSI 6600-V2)(Yellow Spring Instruments，USA) 測定Chl.a濃度、DO濃度、DO飽和度等水質(zhì)參數(shù)，采用塞氏盤法測定水體透明度，并即時測定氣溫、風(fēng)速、風(fēng)向、水溫等指標(biāo). 采集表層水樣(10～30 cm深度)1 L，用于實驗室內(nèi)氮、磷營養(yǎng)鹽和溶解性有機碳等指標(biāo)的測定，樣品的分析按照《湖泊生態(tài)系統(tǒng)觀測方法》進(jìn)行[25].

圖1 太湖湖泛巡查監(jiān)測點位分布及重點預(yù)測區(qū)域的劃分Fig.1 The monitoring sites and division of main forecasting regions of black bloom in Lake Taihu

圖2 太湖湖泛預(yù)測模型空間網(wǎng)格劃分Fig.2 Unstructured meshes for Lake Taihu

利用空間網(wǎng)格劃分和插值技術(shù)，將在監(jiān)測點測定的水環(huán)境參數(shù)插值到全湖. 根據(jù)對太湖湖泛易發(fā)水域地形的現(xiàn)場測定，將全湖劃分為6353個計算網(wǎng)格(圖2). 其中作為湖泛易發(fā)水域需要重點關(guān)注的西部湖區(qū)和北部湖區(qū)，網(wǎng)格分辨率≈300 m，其余水域網(wǎng)格分辨率≈1000 m. 采用反距離權(quán)重插值算法[11]將24個監(jiān)測點位的水環(huán)境參數(shù)值插值到全湖6353個計算網(wǎng)格上，得到Chl.a、DO以及營養(yǎng)鹽濃度等指標(biāo)的全湖初始分布.

2 藻源性湖泛短期預(yù)報方法

選取表征藻源性湖泛的代表性指標(biāo)Chl.a和DO濃度，依據(jù)其與物理因子、生化因子(風(fēng)場、流場、水溫、光強、營養(yǎng)鹽)的相互作用關(guān)系，建立湖泊三維水動力-水質(zhì)數(shù)值耦合模型，計算未來3 d淺水湖泊Chl.a和DO濃度的時空分布；結(jié)合氣象參數(shù)建立概率經(jīng)驗公式，計算未來3 d湖泛易發(fā)水域發(fā)生湖泛的概率，對于發(fā)生湖泛概率較大的區(qū)域，進(jìn)一步確定發(fā)生湖泛的位置和面積.

2.1 水動力模型

在σ坐標(biāo)下，描述淺水湖泊水流運動的三維水動力守恒模型方程組為：

(1)

(2)

(3)

式中，u、v、w分別為沿x、y、σ方向的流速分量(m/s)；ζ為水位(m)；D=h+ζ，為全水深(m)；ρ為密度(kg/m3)；g為重力加速度(m/s2)；f為柯氏力系數(shù)；Am和Km分別為水平和垂向紊動粘性系數(shù).

采用無結(jié)構(gòu)網(wǎng)格下的有限體積模型對控制方程進(jìn)行求解. 求解區(qū)域平面采用無結(jié)構(gòu)網(wǎng)格(三角形)剖分，使計算邊界更加精確地擬合岸界；垂直方向采用σ坐標(biāo)轉(zhuǎn)換，使整個水域具有相同的垂向分層數(shù). 控制方程為時均化的N-S方程與封閉它的湍流閉合子模型[26]，離散方法采用有限體積思想，所有物理變量設(shè)置在三角單元的中心. 采用內(nèi)、外模分離技術(shù)[27-28]對控制方程組的在每一個三角單元上的積分形式進(jìn)行數(shù)值求解，先求解二維外模式獲得自由表面和垂向平均流速，其中外模式的時間離散采用牛頓向前差分格式，空間離散采用二階精度的Roe型數(shù)值通量[29]和一階精度的分片常數(shù)逼近重構(gòu)方式；再求解三維內(nèi)模式獲得三維流場，其中時間離散采用牛頓向前差分格式，空間對流項采用二階精度的迎風(fēng)格式，垂直擴(kuò)散項采用顯式格式. 由于內(nèi)外模時間步長不同，在計算過程中必須在每一個內(nèi)模步長中進(jìn)行外、內(nèi)模流場的一致性檢驗.

2.2 水質(zhì)模型

在水動力要素影響下，水質(zhì)參數(shù)濃度的輸運方程為：

(4)

式中，C代表物質(zhì)濃度. 當(dāng)C為葉綠素a濃度時，動力反應(yīng)項SK分別考慮藻類的生長、死亡和沉降作用. 當(dāng)C為溶解氧濃度時，動力反應(yīng)項SK分別考慮大氣富氧、水體中光合作用對溶解氧的增加以及水生植物呼吸作用、生物降解、硝化反應(yīng)耗氧和底泥需氧量對溶解氧的減少作用. 其中各項反應(yīng)的具體表達(dá)形式與相關(guān)參數(shù)的取值參見文獻(xiàn)[30-32]. 水質(zhì)參數(shù)輸運模型的求解過程采取與水動力模型內(nèi)模式相同的離散方式.

2009-2011年，應(yīng)用此水動力-水質(zhì)耦合數(shù)值模型，對太湖夏、秋季西、北湖區(qū)藍(lán)藻水華在未來3 d的發(fā)生區(qū)域和發(fā)生概率進(jìn)行預(yù)測，平均預(yù)測精度達(dá)到80%以上[11]，不僅為此水動力-水質(zhì)耦合模型中相關(guān)參數(shù)的率定提供了較好的驗證，也為太湖的日常管理提供了有利的科學(xué)依據(jù).

2.3 模型驅(qū)動力

驅(qū)動水動力-水質(zhì)耦合模型運行的外力作用主要為未來3 d的風(fēng)應(yīng)力(Vx、Vy)，Vx、Vy分別為x、y方向上的風(fēng)速(m/s)，可在中國天氣網(wǎng)(http:∥www.weather.com.cn/html/weather/101190201.shtml)上進(jìn)行查詢.

2.4 湖泛發(fā)生概率經(jīng)驗公式

除了預(yù)測未來3 d Chl.a和DO濃度的分布動態(tài)以外，在特定敏感水域(取水口、旅游區(qū)等)，對湖泛出現(xiàn)的概率及強度預(yù)測也十分重要. 由于藻源性湖泛的發(fā)生不僅需要較高的藻類生物量作為物質(zhì)基礎(chǔ)，還需要較低的風(fēng)速(≤2.6 m/s)、較高的氣溫(25℃以上)和較少的降雨(連續(xù)5～7 d均為晴朗無降水)等適宜的氣象條件作為觸發(fā)因子，而且DO濃度(≤2.0 mg/L)作為聯(lián)系湖泊水文、理化和生物過程的關(guān)鍵因子，是湖泛形成和消散的核心因素[33-34]. 因此在湖泛的短期預(yù)報中，選取在實際觀測中較易獲取的水體中藻類濃度、DO濃度以及風(fēng)速、降雨等氣象因子，形成夏季藻源性湖泛的概率經(jīng)驗公式：

F=f1(N1t)·f2(V)·f3(R)·f4(N2t)

(5)

且4種因子的概率賦值分別按表1進(jìn)行. 其中，f1(N1t)為由t時刻藻類數(shù)量引起的概率，f2(V)為由風(fēng)速條件引起的概率，f3(R)為由降雨條件引起的概率，f4(N2t)為由t時刻DO濃度引起的概率. 在全湖每個計算網(wǎng)格上利用此概率預(yù)報模型，可以得到全湖湖泛發(fā)生的概率分布.

表1 Chl.a濃度、DO濃度、風(fēng)速、降雨與湖泛發(fā)生概率

2.5 湖泛發(fā)生位置和面積的確定

將太湖中容易發(fā)生湖泛的竺山灣及西部沿岸帶離岸2 km范圍水域分成4段：太滆運河到沙塘港為第1段(太滆沙塘段)，沙塘港到符瀆港為第2段(沙塘符瀆段)，符瀆港到陳東港為第3段(符瀆陳東段)，陳東港到八房港為第4段(陳東八房段)；將貢湖灣北面取水口沿岸帶離岸2 km范圍分成2段：吳塘門港到壬子港為第5段(吳塘壬子段)，蠡河到新開港為第6段(蠡河新開段)；將梅梁灣沿岸帶作為第7段(圖1).

按照公式(5)所述的概率預(yù)報模型計算每區(qū)段水域內(nèi)所覆蓋的計算網(wǎng)格上湖泛發(fā)生的概率，如果該區(qū)段存在概率大于50%的網(wǎng)格，則預(yù)報該段水域發(fā)生湖泛；該區(qū)段內(nèi)概率大于50%的網(wǎng)格面積之和，即發(fā)生湖泛的面積.

3 結(jié)果

2013和2014年4-10月，每周周一和周四利用所建立的太湖藻源性湖泛短期數(shù)值預(yù)測模型對太湖湖泛的發(fā)生進(jìn)行預(yù)測預(yù)報，預(yù)測內(nèi)容包括未來3 d全太湖Chl.a和DO濃度的空間分布，7段湖泛易發(fā)水域內(nèi)湖泛發(fā)生的概率及面積. 將預(yù)報結(jié)果制作成湖泛監(jiān)測預(yù)警半周報(圖3)，發(fā)送至湖泊各級管理部門共82期.

圖3 太湖藍(lán)藻及湖泛監(jiān)測預(yù)警半周報格式Fig.3 Semiweekly monitoring and forecast for the cyanobacteria and black bloom in Lake Taihu

以2014年6月12日為例，對預(yù)報的計算過程進(jìn)行如下說明：

為了給6月13-15日的湖泛預(yù)報提供基礎(chǔ)數(shù)據(jù)，并對太湖各重點湖區(qū)的水質(zhì)及湖泛發(fā)生情況有全面的掌握，在6月12日駕駛巡查快艇，先后至巡查點位進(jìn)行現(xiàn)場觀察和測量，并按前述反距離權(quán)重插值算法將在監(jiān)測點測定的水環(huán)境參數(shù)插值到全湖作為數(shù)值模型的初始條件(圖4). 根據(jù)中國天氣網(wǎng)上顯示的天氣預(yù)報，6月13、14和15日蒲福風(fēng)向風(fēng)級分別為東北風(fēng)2級、東風(fēng)2級和東風(fēng)2級. 將初始數(shù)據(jù)與風(fēng)場驅(qū)動力數(shù)據(jù)分別帶入水動力-水質(zhì)耦合模型進(jìn)行計算，得到未來3 d全湖每個計算網(wǎng)格內(nèi)Chl.a和DO濃度隨時間變化的數(shù)值(圖3)，即得到了全湖的時空分布(圖4).

圖4 2014年6月12日太湖Chl.a和DO濃度的全湖插值分布Fig.4 Distribution of Chl.a and DO concentrations in Lake Taihu on 12 June, 2014

根據(jù)天氣預(yù)報，6月13-15日風(fēng)速為2級，天氣分別為晴到多云、晴到多云、陰，對照表1，f(V)=1.0，f(R)max=1.0；若對于第i號網(wǎng)格，Chl.ai=25.2 μg/L，DOi=1.5 mg/L，則f(N1t)=0.6，f(N2t)=1.0，利用公式(5)，第i號網(wǎng)格發(fā)生湖泛的概率F=f1(N1t)·f2(V)·f3(R)·f4(N2t)=0.6.

在6353個網(wǎng)格上分別運用公式(5)，即可得到全太湖發(fā)生湖泛的概率分布(圖5)，根據(jù)太湖湖泛易發(fā)水域區(qū)段的劃分，可以看出在梅梁灣區(qū)段中存在網(wǎng)格發(fā)生湖泛的概率為60%，因此預(yù)報梅梁灣在未來3 d發(fā)生湖泛. 進(jìn)一步，概率大于50%的網(wǎng)格范圍為5～10個，按照一個網(wǎng)格面積為0.3×0.3/2=0.045 km2計算，未來3 d發(fā)生湖泛的面積為0.2～0.5 km2.

根據(jù)計算分析結(jié)果形成6月13-15日的太湖藍(lán)藻及湖泛監(jiān)測預(yù)警半周報(圖3)，在半周報中，明確指出在梅梁灣水域段發(fā)生異味水體的概率為60%，發(fā)生異味水體面積約為0.2～0.5 km2. 根據(jù)6月13日的人工巡查結(jié)果，確實在月亮灣靈山碼頭附近發(fā)生異味水體，實際發(fā)生面積為0.4 km2.

圖5 太湖2014年6月13日湖泛發(fā)生概率分布及湖泛發(fā)生面積的確定Fig.5 Probability of occurrence and the forcasting area of black bloom in Lake Taihu on 13 June, 2014

利用每天的人工巡測數(shù)據(jù)對2013-2014年82期湖泛預(yù)報結(jié)果進(jìn)行評估(表2)，7段湖泛易發(fā)水域預(yù)報正確率均在80%以上，說明此模型可以較好地應(yīng)用于太湖湖泛的預(yù)警預(yù)測.

表2 2013-2014年湖泛預(yù)報精度統(tǒng)計

4 討論

太湖湖泛的發(fā)生是水文、氣象、環(huán)境化學(xué)、微生物等多因素綜合作用的結(jié)果. 由于人們對于湖泛的研究起步較晚，目前對于太湖這樣淺水型大水面湖泊發(fā)生的湖泛還僅僅處于及時發(fā)現(xiàn)、跟蹤監(jiān)測、積累資料和初步研究機理的階段，對于湖泛的發(fā)生發(fā)展機制還缺乏足夠的科學(xué)認(rèn)識，也無疑制約了湖泛預(yù)測預(yù)警的發(fā)展. 在此階段，選取可以表征藻源性湖泛的關(guān)鍵性因子Chl.a和DO濃度，采取水動力-水質(zhì)耦合數(shù)值模型與概率經(jīng)驗?zāi)Ｐ拖嘟Y(jié)合的方法，對湖泊發(fā)生湖泛的概率、區(qū)域以及面積進(jìn)行短期的動態(tài)預(yù)測，并向有關(guān)部門定期發(fā)布預(yù)警報告，對于實現(xiàn)湖泛的早期防控具有很強的實用性和實效性.

近年來，隨著原位高頻率自動觀測技術(shù)的迅速發(fā)展，利用各種成熟的氣象、水文、水質(zhì)和水環(huán)境探頭，以越來越精細(xì)的時間刻度，同步收集風(fēng)速風(fēng)向、溫度、氣壓、降雨、波浪、大氣輻射、DO濃度、Chl.a濃度、藻藍(lán)素濃度、懸浮物濃度、pH值等各種監(jiān)測指標(biāo)的高頻時間序列數(shù)據(jù)集. 這一技術(shù)可以捕捉湖泛發(fā)生、發(fā)展及消亡的全過程，使得確定湖泛的成因和觸發(fā)機制成為可能，反之也必將促進(jìn)預(yù)測預(yù)警模型的發(fā)展和完善.

5 結(jié)論

本文建立了一種富營養(yǎng)化淺水湖泊藻源性湖泛的短期數(shù)值預(yù)報方法，包括：在淺水湖泊湖泛易發(fā)水域設(shè)定若干監(jiān)測點，對氣象參數(shù)和水環(huán)境參數(shù)進(jìn)行測定；利用空間網(wǎng)格劃分和插值算法，將監(jiān)測點的水環(huán)境參數(shù)插值到全湖，其空間分布作為水質(zhì)數(shù)值模型的初始條件；以未來3 d風(fēng)場時空分布作為模型外部應(yīng)力，驅(qū)動三維水動力-水質(zhì)數(shù)值模型進(jìn)行運算，得到未來3 d淺水湖泊Chl.a和DO濃度的時空分布；利用Chl.a和DO濃度的時空分布，結(jié)合氣象參數(shù)建立概率經(jīng)驗公式，計算未來3 d湖泛易發(fā)水域發(fā)生湖泛的概率；對于發(fā)生湖泛概率較大的區(qū)域，進(jìn)一步確定發(fā)生湖泛的位置和面積. 在2013和2014年夏、秋季，利用此方法對太湖7段湖泛易發(fā)水域湖泛的發(fā)生進(jìn)行未來3 d的預(yù)測預(yù)報，7段水域預(yù)報正確率均在80%以上，說明此模型可以較好地應(yīng)用于太湖湖泛的預(yù)警預(yù)測.

[1]Lu Guihua, Ma Qian. Analysis on the causes of forming black water cluster in Taihu Lake.AdvancesinWaterScience, 2009, 20(3): 438-442(in Chinese with English abstract). [陸桂華, 馬倩. 太湖水域“湖泛”及其成因研究. 水科學(xué)進(jìn)展, 2009, 20(3): 438-442.]

[2]Lu Guihua, Ma Qian. Monitoring and analysis “Black Water Aggregation” in Lake Taihu, 2009.JLakeSci, 2010, 22(4): 481-487(in Chinese with English abstract). DOI 10.18307/2010.0402. [陸桂華, 馬倩. 2009年太湖水域“湖泛”監(jiān)測與分析. 湖泊科學(xué), 2010, 22(4): 481-487.]

[3]Yang M, Yu J, Li Zetal. Taihu Lake not to blame for Wuxi’s woes.Science, 2008, 319(5860): 158.

[4]Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences. On the cause of cyanophyta bloom and pollution in water intake area and emergency measures in Meiliang Bay, Lake Taihu in 2007.JLakeSci, 2007, 19(4): 357-358(in Chinese with English abstract). DOI 10.18307/2007.0401. [中國科學(xué)院南京地理與湖泊研究所. 太湖梅梁灣2007年藍(lán)藻水華形成及取水口污水團(tuán)成因分析與應(yīng)急措施建議. 湖泊科學(xué), 2007, 19(4): 357-358.]

[5]Chen Hesheng. Black water aggregation in Yixing inshore water area of Lake Taihu.AdvancesinScienceandTechnologyofWaterResources, 2011, 31(4): 33-37(in Chinese with English abstract). [陳荷生. 太湖宜興近岸水域“湖泛”現(xiàn)象初析. 水利水電科技進(jìn)展, 2011, 31(4): 33-37.]

[6]Sarkar R, Chattopadhayay J. Occurrence of planktonic blooms under environmental fluctuations and its possible control mechanism-mathematical models and experimental observations.JournalofTheoreticalBiology, 2003, 224: 501-516.

[7]Hu W, J?rgensen S, Zhang F. A vertical-compressed three dimensional ecological model in Lake Taihu, China.EcologicalModelling, 2006, 190: 367-398.

[8]Kong Fanxiang, Ma Ruhong, Gao Junfengetal. The theory and practice of prevention, forecast and warning on cyanobacteria bloom in Lake Taihu.JLakeSci, 2009, 21(3): 314-328(in Chinese with English abstract). DOI 10.18307/2009.0302. [孔繁祥, 馬榮華, 高俊峰等. 太湖藍(lán)藻水華的預(yù)防、預(yù)測和預(yù)警的理論與實踐. 湖泊科學(xué), 2009, 21(3): 314-328.]

[9]Gong Shaoqi, Huang Jiazhu, Li Yunmeietal. The time series of chlorophyll-a content in Lake Taihu.OceanologiaetLimnologiaSinica, 2008, 39(6): 591-598(in Chinese with English abstract). [龔紹琦, 黃家柱, 李云梅等. 應(yīng)用時間序列分析法對太湖葉綠素-a含量的動態(tài)研究. 海洋與湖沼, 2008, 39(6): 591-598.]

[10]Sivapragasam C, Muttil N, Muthukumar Setal. Prediction of algal blooms using genetic programming.MarinePollutionBulletin, 2010, 60: 1849-1855.

[11]Li W, Qin B, Zhu G. Forecasting short-term cyanobacterial blooms in Lake Taihu, China, using a coupled hydrodynamic-algal biomass model.Ecohydrology, 2014, 7: 794-802.

[12]Liu Guofeng, Zhong Jicheng, He Junetal. Effects of black spots of dead-cyanobacterial mats on Fe-S-P cycling in sediments of Zhushan Bay, Lake Taihu.EnvironmentalScience, 2009, 30(9): 2520-2526(in Chinese with English abstract). [劉國鋒, 鐘繼承, 何俊等. 太湖竺山灣藻華黑水團(tuán)區(qū)沉積物中Fe、S、P的含量及其形態(tài)變化. 環(huán)境科學(xué), 2009, 30(9): 2520-2526.]

[13]Dai Xuanli, Tang Jiafeng, Zhang Linzhi. Analysis of component and source of malodorant of the lake-flooding.EnvironmentalMonitoringandForewarning, 2010, 2(3): 39-41(in Chinese with English abstract). DOI 10.3969/20100310. [戴玄吏, 湯佳峰, 章霖之. “湖泛”惡臭物質(zhì)分析及來源淺析. 環(huán)境監(jiān)控與預(yù)警, 2010, 2(3): 39-41.]

[14]Wang Chenglin, Zhang Ninghong, Zhang Yongetal. The research on warning of black water cluster in Taihu Lake based on meteorological factors.EnvironmentalMonitoringandForewarning, 2010, 2(5): 1-4(in Chinese with English abstract). DOI 10.3969/20100501. [王成林, 張寧紅, 張詠等. 基于氣象條件的太湖湖泛預(yù)警研究. 環(huán)境監(jiān)控與預(yù)警, 2010, 2(5): 1-4.]

[15]Wang Chenglin, Zhang Yong, Zhang Ninghongetal. Analysis of meteorological factors of forming feculent and anaerobic water aggregation induced by algal bloom in Taihu Lake.EnvironmentalScience, 2011, 32(2): 401-408(in Chinese with English abstract). [王成林, 張詠, 張寧紅等. 太湖藻源性“湖泛”形成機制的氣象因素分析. 環(huán)境科學(xué), 2011, 32(2): 401-408.]

[16]Liu Guofeng, He Jun, Fan Chengxinetal. Environment effects of algaeo-casused black spots: impacts on Fe-Mn-S cycles in water-sediment interface.EnvironmentalScience, 2010, 31(11): 2652-2660(in Chinese with English abstract). [劉國鋒, 何俊, 范成新等. 藻源性黑水團(tuán)環(huán)境效應(yīng): 對水-沉積物界面處Fe、Mn、S循環(huán)影響. 環(huán)境科學(xué), 2010, 31(11): 2652-2660.]

[17]Liu Guofeng, Shen Qiushi, Zhang Leietal. Environment effects of algae-caused black spots: Driving effects on the N, P changes in the water-sediment interface.EnvironmentalScience, 2010, 31(12): 2917-2924(in Chinese with English abstract). [劉國鋒, 申秋實, 張雷等. 藻源性黑水團(tuán)環(huán)境效應(yīng): 對水-沉積物界面氮磷變化的驅(qū)動作用. 環(huán)境科學(xué), 2010, 31(12): 2917-2924.]

[18]Sheng Dong, Xu Zhaoan, Gao Yi. Cause and impact analysis of black water cluster in Taihu Lake.WaterResourcesPretection, 2010, 26(3): 41-44(in Chinese with English abstract). DOI 10.3969/20100311. [盛東, 徐兆安, 高怡. 太湖湖區(qū)“黑水團(tuán)”成因及危害分析. 水資源保護(hù), 2010, 26(3): 41-44.]

[19]Shen Qiushi, Shao Shiguang, Wang Zhaodeetal. Simulation of black bloom in Moon Bay of Lake Taihu and physical and chemical responses of water and sediment.AdvancesinWaterScience, 2011, 22(5): 710-719(in Chinese with English abstract). [申秋實, 邵世光, 王兆德等. 太湖月亮灣湖泛發(fā)生過程模擬及水土物化性質(zhì)的響應(yīng). 水科學(xué)進(jìn)展, 2011, 22(5): 710-719.]

[20]Shen Qiushi, Shao Shiguang, Wang Zhaodeetal. Fade and recovery process of algae-induced black bloom in Lake Taihu under different wind conditions.ChineseScienceBulletin, 2012, 57(12): 1060-1066(in Chinese with English abstract). DOI 10.1360/972011-745. [申秋實, 邵世光, 王兆德等. 風(fēng)浪條件下太湖藻源性“湖泛”的消退及其水體恢復(fù)進(jìn)程. 科學(xué)通報, 2012, 57(12): 1060-1066.]

[21]Cai Ping, Wu Yuchen, Liu Xinetal. The contribution of sediment and algal to the formation of black bloom and their potential to supply the black substance in waters in Lake Taihu.JLakeSci, 2015, 27(4): 575-582(in Chinese with English abstract). DOI 10.18307/2015.0403. [蔡萍, 吳雨琛, 劉新等. 底泥和藻體對太湖湖泛的誘發(fā)及水體致黑物的供應(yīng)潛力. 湖泊科學(xué), 2015, 27(4): 575-582.]

[22]Shen Qiushi, Fan Chengxin. Identification of black suspended particles in the algae-induced black bloom water column.JLakeSci, 2015, 27(4): 591-598(in Chinese with English abstract). DOI 10.18307/2015.0405. [申秋實, 范成新. 藻源性湖泛水體顯黑顆粒的元素形態(tài)分析與鑒定. 湖泊科學(xué), 2015, 27(4): 591-598.]

[23]Shang Jingge, He Wei, Shao Shiguangetal. Effects of sediment capping to eliminate simulated alage-caused black bloom in eutrophic lakes.JLakeSci, 2015, 27(4): 599-606(in Chinese with English abstract). DOI 10. 18307/2015. 0406.

商景閣, 何偉, 邵世光等. 底泥覆蓋對淺水湖泊藻源性湖泛的控制模擬. 湖泊科學(xué), 2015, 27(4): 599-606.

[24]He Wei, Chen Yiquan, Gu Chunxinetal. Effects of plow-tillage on the prevention and control of algae-caused black bloom.JLakeSci, 2015, 27(4): 607-615(in Chinese with English abstract). DOI 10.18307/2015. 0407. [何偉, 陳煜權(quán), 顧春新等. 表層底泥翻耕對太湖藻源性湖泛的預(yù)控作用. 湖泊科學(xué), 2015, 27(4): 607-615.]

[25]Chen Weimin ed. Observation methods of lake ecosystem. Beijing: China Environmental Science Press, 2004: 259(in Chinese). [陳偉民. 湖泊生態(tài)系統(tǒng)觀測方法. 北京: 中國環(huán)境科學(xué)出版社, 2004: 259.]

[26]Mellor G, Yamada T. Development of a turbulence closure model for geophysical fluid problem.ReviewsofGeophysicsandSpacePhysics, 1982, 20: 851-875.

[27]Simons T. Verification of numerical models of Lake Ontario, Part I. Circulation in spring and early summer.JournalofPhysicalOceanography, 1974, 4: 507-523.

[28]Madala RV, Piacsek SA. A semi-implicit numerical model for baroclinic oceans.JournalofComputationalPhysics, 1977, 23: 167-178.

[29]Roe P. Approximate Riemann solvers, parameter vectors and difference schemes.JournalofComputationalPhysics, 1981, 43: 357-372.

[30]Ambrose RB, Wool TA, Martin JL. The water quality analysis simulation program, WASP5, part A: model documentation. Athens, Georgia: Environmental Research Laboratory Office of Research and development U. S. Environmental Protection Agency, 1993.

[31]Wu Qiong. Numerical study on the character of ecological dynamics of large shallow lakes[Dissertation]. Nanjing: Hohai University, 2007(in Chinese with English abstract). [吳瓊. 大型淺水湖泊生態(tài)動力學(xué)特性的數(shù)值研究[學(xué)位論文]. 南京: 河海大學(xué), 2007.]

[32]Zheng L, Chen C, Zhang F. Development of water quality model in the Satilla River estuary, Georgia.EcologicalModeling, 2004, 178: 457-482.

[33]Fan Chengxin. Progress and prospect in formation of black bloom in Lake Taihu: A review.JLakeSci, 2015, 27(4): 553-566(in Chinese with English abstract). DOI 10.18307/2015.0401. [范成新. 太湖湖泛形成研究進(jìn)展與展望. 湖泊科學(xué), 2015, 27(4): 553-566.]

[34]Xing Peng, Hu Wanting, Wu Yufanetal. Major progress in microbial ecology of hypoxia in the shallow eutrophic lakes.JLakeSci, 2015, 27(4): 567-574(in Chinese with English abstract). DOI 10. 18307/2015.0402. [邢鵬, 胡萬婷, 吳瑜凡等. 淺水湖泊湖泛(黑水團(tuán))中的微生物生態(tài)學(xué)研究進(jìn)展. 湖泊科學(xué), 2015, 27(4): 567-574.]

Numerical forecasting of short-term algae-induced black bloom in eutrophic shallow lake：A case study of Lake Taihu

LI Wei, QIN Boqiang, ZHANG Yunlin & ZHU Guangwei

(StateKeyLaboratoryofLakeScienceandEnvironment,NanjingInstituteofGeographyandLimnology,ChineseAcademyofSciences,Nanjing210008,P.R.China)

In this paper, an attempt to forecast the algae-induced black bloom in eutrophic shallow lake was documented. Taken chlorophyll-a concentration and dissolved oxygen concentration as the representative variables, a three-dimensional, coupled hydrodynamic-water quality numerical model was built. By combining calculation and prediction of the hydrological and meteorological scenarios over the ensuing 3 days, the dynamic distributions of algae concentration and dissolved oxygen concentration scenarios in Lake Taihu were simulated. Black Bloom probabilities were then predicted by a forecast empirical model that included the weight of algal biomass, dissolved oxygen concentration, wind velocity, and weather condition. If the probabilities were larger than 50%, the area of black bloom should be calculated. The model was applied to predict the occurrences of the black bloom of the next 3 days in Lake Taihu from April to September in 2013 and 2014. Independent evaluations from boat survey data showed that the accuracy of these bloom forecasts was more than 80%.

Algae-induced black bloom; numerical model; short-term forecast; shallow lake; Lake Taihu

*國家自然科學(xué)基金項目(41471401)、科技部國際科技合作與交流專項(2015DFG91980)、國家水體污染控制與治理科技重大專項(2012ZX07101-010)和國家自然科學(xué)基金重點項目(41230744)聯(lián)合資助. 2015-03-18收稿；2016-01-21收修改稿. 李未(1980～)，女，博士，助理研究員；E-mail: liwei@niglas.ac.cn.