張怡輝，胡維平，彭兆亮

(中國科學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)

當風吹行于水體表面，風能經過水氣相互作用的傳遞產生風浪，在淺水湖泊中，風浪是表征湖泊水動力過程最為重要的因子. 國內外研究結果顯示，淺水湖泊風浪作用是沉積物再懸浮的最重要的驅動因素[1-8]，而湖泊底泥再懸浮是影響和控制內源釋放的關鍵物理過程[9-15]，進而會對湖泊水質、水生態(tài)產生影響. 因此，準確地分析湖泊的風浪分布與變化特征，對于分析湖泊水質和藻類水華變化特征提供參考.

風浪研究常用的研究手段有現(xiàn)成原位觀測、室內物理模型和數(shù)值模擬手段. 早期，一些學者[16-20]根據(jù)實測資料，通過數(shù)據(jù)分析，得出了一些重要的結論，但現(xiàn)場觀測研究主要是基于局部觀測點的觀測數(shù)據(jù)得出經驗公式，進而應用到全湖的風浪分布研究，這些結果為了解湖泊風浪要素的分布提供了依據(jù)，但是僅由部分觀測點的數(shù)據(jù)而應用于全湖風浪特征分析時，因風浪的分布受區(qū)域邊界、水深、風區(qū)長度等因素的影響，其結論是否適合整個淺水湖泊水域還有待研究. 而室內物理模型試驗則主要是應用在風浪與結構物相互作用的分析上. 隨著風浪模型發(fā)展的成熟和完善，數(shù)值模擬方法逐漸成為研究風浪發(fā)展和傳播的主要手段. 目前比較常用風浪模型是基于動譜平衡方程開發(fā)的第三代風浪模型，模型很好地考慮了風能輸入、近岸風浪破碎、白浪耗散、底部摩阻等各種物理過程，可以很好地對大范圍的不同區(qū)域風浪成長進行模擬和預測[21]. 通過近30年的發(fā)展，涌現(xiàn)出了一系列比較先進的第三代風浪模型，其中比較有代表的有WAM模型[21]、WAVE-WATCH Ⅲ模型[22]、TOMAWAC模型[23]以及SWAN模型[24]. WAM模型和WAVE-WATCH Ⅲ模型主要用于計算大尺度深海海域風浪的生成及發(fā)展，對于近岸小尺度有限水深及淺水計算時效果比較差. SWAN模型由WAM模型改進而來，除了包含WAM模型中關于深水風浪的生成、耗散和四波相互作用外，增加了淺水風浪由于水深變淺導致的風浪破碎項、底部摩阻影響以及三波相互作用，提高了近岸淺水區(qū)域風浪的模擬精度. 雖然現(xiàn)有成熟的風浪模式主要是針對海洋風浪開發(fā)的，但仍有一些學者將其應用于湖泊中，并得到了較好的結果[25-30]. 李一平等[25]在太湖波浪觀測的基礎上，利用SWAN模型對太湖波浪進行數(shù)值模擬，研究了太湖波浪的主要影響因素，指出波高、波長、波周期等波浪參數(shù)在太湖的分布與風速、風向、水深等因素密切相關；許遐禎等[27]以空間均勻的風場為驅動，利用SWAN模式開展了太湖波浪成長模擬，分析了太湖波浪頻率分布特征以及不同區(qū)域波浪對風時、風區(qū)、水深等因素的敏感性；王震等[28]利用SWAN模型開展了太湖自然風條件下不同湖區(qū)風浪季節(jié)變化特征研究，指出風速是導致風浪季節(jié)變化的主要因素，太湖風浪的時空分布特征是造成太湖水質參數(shù)、沉積物和水生植被空間分布差異的重要原因之一；Jin等[29]進行了SWAN模型在奧基喬比湖風浪模擬中的可靠性驗證，結果顯示模型可很好地再現(xiàn)湖泊中風浪的變化趨勢與波動特征；作者也利用SWAN風浪模型開展了臺風過境巢湖時對巢湖風浪大小與分布的影響研究. 以上研究表明，SWAN風浪模型在分析湖泊風浪變化方面是可信的.

2018年7月和9月巢湖暴發(fā)了嚴重的藍藻水華問題，最大暴發(fā)面積在7、9月明顯高于2016和2017年，特別是9月份，是往年同期的2～5倍，影響巢湖氮磷濃度與藻類生長環(huán)境要素的影響因素眾多，風浪也是其中的因素之一. 一方面當風浪較小時，湖面平靜，有利于藻類的聚集；另一方面，風浪較大時，風浪的擾動作用使得湖底底泥中的營養(yǎng)鹽大量懸浮，使得水體中氮磷濃度增加，同時風浪的攪動作用使得藻類垂向混合，減小表層藻類的堆積. 本文基于巢湖實測風浪資料驗證了SWAN風浪模型，利用驗證好的風浪模型開展2018年巢湖風浪分布和變化特征分析，探討巢湖不同區(qū)域、不同時間風浪的分布特征，為更好地認識巢湖2018年藍藻水華暴發(fā)提供參考.

1 研究概況

1.1 研究區(qū)域

巢湖(30°25′28″～31°43′28″N，117°16′54″～117°51′46″E)地處安徽省中部，常水位8.50 m(吳淞高程，下同)時水面面積769.60 km2，平均水深約2.79 m，流域面積1.35萬km2，是我國長江流域五大淡水湖之一. 巢湖東西長54.50 km，南北寬15.10 km，最大寬度約21.00 km，巢湖的地形如圖1所示.

1.2 風浪監(jiān)測

風浪觀測儀器采用WaveStar 雷達測波儀，該儀器是一款高精度、非接觸式風浪測量儀器，采用FMCW雷達測距原理，可以進行全天候測量. 其測量原理為：傳感器發(fā)射微波脈沖后在空氣中傳播，被水面反射的信號又被傳感器接收，通過精確計算傳播時間和數(shù)字信號處理技術，精確計算出傳感器距離反射面的距離，由此獲得湖面波動數(shù)據(jù). 波面數(shù)據(jù)通過儀器自身軟件處理后可以獲得觀測點不同統(tǒng)計特征的波高(如有效波高、最大波高、平均波高等)和周期(如平均波周期、最大波周期). 儀器安裝在西湖心的固定平臺上(31°39′9.73″N，117°22′21.17″E，圖1)，儀器距離水面5.5 m，風浪觀測時間為2018年8月9日22:30-9月9日23:30，采樣時間間隔為30 min，采樣頻率為4 Hz，每次采集波面數(shù)為2048(約為8.53 min波面過程)，儀器單次測量誤差小于1 cm，平均測量誤差小于1 mm，總計開展1個月風浪觀測.

觀測期間，由于連續(xù)陰雨天氣導致太陽能供電中斷會出現(xiàn)缺測值，同時剔除異常數(shù)值，共取得有效數(shù)據(jù)881條，有效波高平均值為0.27 m，平均波周期值為1.38 s；有效波高最大值為1.05 m，平均波周期最大值為2.68 s，出現(xiàn)時刻為2018年8月17日21:00，正值2018年第18號臺風“溫比亞”過境巢湖期間.

2 風浪模型

2.1 SWAN模型簡介

SWAN風浪模式(Simulating Waves Nearshore)是適用于海岸和內陸水體的第三代風浪模型，由荷蘭Delft大學土木工程系的Booij等[31]開發(fā)并由SWAN團隊發(fā)展和完善. 除了包含其他三代風浪模式(如WAM[21]、WAVEWATCH[22])中的風生成項、白浪耗散項、四波相互以及底部耗散項外，還增加了三波相互作用和淺水區(qū)域水深變淺引起的風浪破碎耗散影響.

由于流存在時，波譜能量密度不守恒，而波作用量譜守恒，因此SWAN風浪模式跟其他三代風浪模式相似，采用波作用量密度譜對風浪進行描述. 波譜作用量密度譜的變化率可以用作用量平衡方程來表示：

(1)

對于源項，通常包含以下幾項：

Stot=Sin+Snl3+Snl4+Sds,w+Sds,b+Sds,br

(2)

式中，Sin為風能輸入項，Snl3為三波相互作用，Snl4為四波相互作用，Sds,w為白浪耗散項，Sds,b為由于底部摩阻引起的耗散，Sds,br為水深變淺引起的破碎導致的耗散項. 風能向風浪的轉換可以利用共振[32]和反饋[33]機制來闡述. 其中共振機制主要作用在風浪生成的初始階段，隨時間線性增長；而反饋機制主要反應著波能隨時間呈指數(shù)增長. 其他諸如白浪耗散、四波相互、三波相互、水深變淺破碎及底摩阻耗散等源項的計算可參考SWAN技術手冊[34]，這里不再贅述.

2.2 模型配置

此處建立東西長54.4 km，南北長34 km的巢湖模擬區(qū)域，采用二維非恒定模型. 模型的空間分辨率為400 m×400 m，計算時間步長取5 min，計算時間范圍為2018年1月1日00:00-12月31日23:00，即2018一個完整年. 根據(jù)巢湖實測的周期范圍，擬定頻率范圍為0.1～2.0 Hz，分成40個頻率段. 方向沿整個圓周方向均分為36份，即方向分辨率為10°. 模型物理過程中，風輸入考慮了線性增長和指數(shù)增長兩部分，線性增長采用Caraler和Malanotte-Rizzoli公式[35]，增長部分采用Yan公式[36]. 底摩擦引起的消耗采用JONSWAP模型，系數(shù)取0.067. 淺水風浪破碎系數(shù)在計算時取其均值 0.73. 模型初始值為0，計算時采用冷啟動方式. 由于入湖河道對巢湖風浪影響不大，此處計算時不考慮入湖河流影響. 模型中考慮了淺水中三波相互作用，其他采用默認值.

收集整理了國家氣象信息中心位于巢湖流域的合肥、巢湖、廬江3個氣象站2018年1-12月逐小時觀測資料，將3個測站的風場數(shù)據(jù)求平均，并插值到計算區(qū)域作為模型計算風場. 根據(jù)氣象站監(jiān)測結果顯示， 2018年巢湖流域海拔34 m(觀測站位平均高度)處的風速大小平均值為1.96 m/s，最大風速為8.07 m/s，發(fā)生在2018年8月17日，為臺風“溫比亞”過境期間，圖 2為截取的2018年8月份三站平均的風矢量變化情況.

圖2 2018年8月三站平均風矢量變化

巢湖整體水位受防洪、航運、灌溉等任務控制較顯著，且受季節(jié)變化影響，據(jù)資料統(tǒng)計顯示，巢湖年內水位變幅最小為1.44 m(1966年)，最大可達6.48 m(1954年). 水位的變化勢必導致巢湖絕對水深的變化，而水深是影響風浪形成和發(fā)展的重要因素之一，因此計算長時間巢湖風浪情況時，考慮水位波動的影響是十分必須的. 為此收集整理了巢湖周邊塘西、槐林鎮(zhèn)、巢湖閘3個水位站2018年逐時水位數(shù)據(jù)，并取3個站的平均值作為水位值輸入到SWAN模型中，圖 3為三站平均的巢湖水位變化情況，最高水位為10.10 m(2018年8月20日11:00)，最低水位為8.44 m(2018年4月13日10:00)，水位變化幅度為1.66 m.

圖3 2018年巢湖平均水位變化

2.3 模型驗證

為了驗證模型計算結果，將觀測站位的模擬計算結果與實測數(shù)據(jù)進行對比，對比結果如圖4所示. 由驗證結果可以看出，模擬值與實測值吻合良好，有效波高相關系數(shù)為0.76，平均波周期相關系數(shù)為0.60，兩者都呈現(xiàn)明顯的相關性，在個別時間由于受船行波、湖上作業(yè)等影響，存在較大差別，總體驗證結果表明模擬值能較準確地反映出波高與周期隨時間的變化情況. 模型驗證時間為2018年8月9日-9月9日，該期間風速值介于0.10～8.07 m/s(2018年最大風速)，風向介于0°～360°，由此可見，利用SWAN風浪模型可以模擬不同風速大小和風向下的巢湖風浪變化情況，模擬的巢湖波高和周期能夠很好地反映出巢湖的實際風浪情況，因此可以采用SWAN風浪模型開展巢湖風浪特征的模擬研究與分析.

圖4 2018年8月9日22:30-9月9日23:30期間風浪計算有效波高和平均波周期與實測值對比

3 巢湖風浪特征

淺水湖泊在風浪作用下一方面可以引起底泥再懸浮和湖底內源釋放，嚴重影響湖泊的水質，另一方面會導致水體垂向混合增加，對藻類的垂向遷移產生影響，風浪的強度、范圍和時間決定了藍藻水華的時空分布[37]. 風浪的有效波高、平均波周期是表征風浪強度的重要波要素，其變化和分布情況對于我們分析風浪對巢湖的環(huán)境效應(如底泥懸浮、營養(yǎng)鹽釋放以及藻類水華等)至關重要.

3.1 有效波高變化及分布特征

根據(jù)2018年巢湖風浪有效波高計算結果，分湖區(qū)進行統(tǒng)計，圖 5為月平均有效波高和月最大有效波高月變化情況. 巢湖全湖2018年有效波高平均值為0.16 m，最大月平均有效波高出現(xiàn)在4月，為0.22 m，最小值出現(xiàn)在11月，為0.11 m，變化幅度為0.11 m，約為4月最大值的52%，月間差異明顯；月變化看，2018年月平均有效波高總體呈現(xiàn)春季(3、4月)風浪大，秋季(9、10、11月)風浪小的特點. 分湖區(qū)來看，整體中巢湖略大，東巢湖次之，西巢湖最??；東巢湖、中巢湖、西巢湖2018年平均有效波高分別為0.16、0.17、0.15 m，最大值出現(xiàn)在4月，分別為0.23、0.23、0.21 m，最小值出現(xiàn)在11月，分別為0.11、0.11、0.10 m，不同湖區(qū)月均值隨時間變化與整個巢湖變化規(guī)律一致. 而月最大有效波高隨時間變化與月均值明顯不同，巢湖全湖2018年月最大有效波高最大值為1.28 m，出現(xiàn)在1月份的東巢湖，最小值為0.50 m，出現(xiàn)在11月份的西巢湖；整體看，不同月份，月最大有效波高主要出現(xiàn)在東巢湖或中巢湖(中巢湖與東巢湖交界處附近)，東巢湖與中巢湖值接近，西巢湖最??；月變化看，東巢湖、中巢湖、西巢湖，1月份最大，分別為1.28、1.27、1.18 m，其次為臺風等大風天氣頻發(fā)的夏季(7、8月)，秋季與月平均有效波高相似，風浪較小，其中11月份達到最小值，分別為 0.54、0.54、0.50 m，分別只有1月份最大值的42%、42%、43%，月變化差別顯著，總體看9-12月份巢湖月最大有效波高處于一個較低值水平.

圖5 2018年巢湖月平均有效波高和月最大有效波高變化情況

根據(jù)2018年巢湖風浪有效波高計算結果，圖 6為2018年月平均有效波高在巢湖的分布情況. 總體看，近岸受地形、水深、岸線遮蔽風的影響，月均有效波高值一般較小. 空間上各不同湖區(qū)月均有效波高的大值主要分布于湖心水域，西巢湖月均有效波最大值出現(xiàn)在西湖心水域，空間上較大值在西湖心附近水域呈橢圓形分布；西巢湖與中巢湖過渡區(qū)域由于受峔山島以及岸線的影響，月均有效波高值一般略小于各湖區(qū)湖心水域波高值；中巢湖與東巢湖月均有效波高最大值一般出現(xiàn)在中巢湖與東巢湖連接處的湖心附近水域，空間上較大值在中巢湖與東巢湖的連通水域呈舌狀分布. 時間上與圖 5中月平均有效波高隨時間變化一致，4月份整個巢湖月平均有效波高相較其他月份值均大，其中中巢湖和東巢湖大部分區(qū)域月平均有效波高較大，而西巢湖略小，其中東巢湖月平均有效波高大于0.20、0.22、0.24和0.26 m的面積為234.08、198.24、132.32和8.64 km2，分別占到整個東巢湖面積的百分比為85.51%、72.41%、48.33%和3.16%，可以看出超過85%以上的東巢湖區(qū)域4月月平均有效波高大于0.20 m；中巢湖月平均有效波高大于0.20、0.22、0.24和 0.26 m的面積為196.16、166.56、107.52和10.56 km2，分別占到整個中巢湖面積的百分比為86.64%、73.57%、47.49%和4.66%，可以看出超過86%以上的中巢湖區(qū)域4月月平均有效波高大于0.20 m；而西巢湖月平均有效波高大于0.20、0.22、0.24和0.26 m的面積為167.20、111.04、16.48和0 km2，分別占到整個西巢湖面積的百分比為72.37%、48.06%、7.13%和0，西巢湖4月月均有效波高沒有超過0.26 m的區(qū)域，其他超過0.20、0.22、0.24 m強度的有效波高分布區(qū)域占比也相較中巢湖與東巢湖明顯偏小. 11月份巢湖月平均有效波高相較其他月明顯偏小，最大值只有0.12 m，只占4月份月均有效波高最大值0.26 m的47%，差別顯著；不同湖區(qū)值分布與其他月份相似，中巢湖和東巢湖大部分區(qū)域月平均有效波高較大，而西巢湖略?。黄渲袞|巢湖月平均有效波高大于0.06、0.08、0.10和0.12 m的面積為273.44、263.52、217.60和31.04 km2，分別占到整個東巢湖面積的百分比為99.88%、96.26%、79.49%和11.34%，可以看出超過79%以上的東巢湖區(qū)域11月月平均有效波高大于0.10m；中巢湖月平均有效波高大于0.06、0.08、0.10和0.12 m的面積為226.24、222.24、197.44和41.12 km2，分別占到整個中巢湖面積的百分比為99.93%、98.16%、87.21%和18.16%，可以看出超過87%以上的中巢湖區(qū)域11月月平均有效波高大于0.10 m；而西巢湖月平均有效波高大于0.06、0.08、0.10和0.12 m的面積為229.92、218.08、156.48和0 km2，分別占到整個西巢湖面積的百分比為99.52%、94.39%、67.73%和0，西巢湖11月月平均有效波高沒有超過0.12 m的區(qū)域，其他0.10、0.08 m強度的有效波高分布區(qū)域占比也相較中巢湖與東巢湖明顯偏小，超過0.10 m的區(qū)域只占到整個西巢湖的68%，遠小于中巢湖與東巢湖.

圖6 2018年巢湖月平均有效波高分布

3.2 波周期變化及分布特征

根據(jù)2018年巢湖風浪有效波高計算結果，分湖區(qū)進行統(tǒng)計，圖 7為月平均波周期和月最大波周期隨月變化情況(此處波周期為不同湖區(qū)平均波周期T1的平均值). 巢湖全湖2018年平均波周期為1.22 s，最大月平均波周期出現(xiàn)在4月，為1.36 s，最小值出現(xiàn)在11月份，為1.06 s，變化幅度為0.30 s，為4月份最大值的22%左右，可以看出變化幅度不及有效波高顯著；從月變化來看，與有效波高變化趨勢相似，春季(3-5月)風浪周期較大，秋季(9-11月)風浪周期小. 分湖區(qū)來看，平均波周期整體中巢湖值最大，東巢湖次之，西巢湖最小；東巢湖2018年月平均波周期平均值為1.23 s，最大值出現(xiàn)在4月份，為1.39 s，最小值出現(xiàn)在11月份，為1.05 s，月變化幅度為最大值的25%；中巢湖2018年月平均波周期平均值為1.26 s，比東巢湖略大，最大值出現(xiàn)在3月份，為1.39 s，最小值出現(xiàn)在11月份，為1.09 s，月變化幅度為最大值的21%；西巢湖2018年月平均波周期平均值為1.19 s，最大值出現(xiàn)在3月份，為1.32 s，最小值出現(xiàn)在11月份，為1.04 s，比東巢湖和中巢湖值偏小，月變化幅度為最大值的21%. 不同湖區(qū)月均值隨時間變化與整個巢湖變化規(guī)律相似，但具體較大值出現(xiàn)月份略有差異. 而月最大波周期隨時間變化與月均值變化規(guī)律不同，巢湖全湖2018年月最大波周期最大值為2.85 s，出現(xiàn)在8月份的中巢湖，最小值為2.00 s，出現(xiàn)在11月份的西巢湖；整體上看，不同月份，月最大波周期主要出現(xiàn)在東巢湖或中巢湖，東巢湖和中巢湖較大，西巢湖最小；整體秋季較小，夏季普遍較大，冬末(1-2月)也會出現(xiàn)較大值,月變化差異顯著，但比有效波高月變化差異減小.

圖7 2018年巢湖月平均波周期和月最大波周期變化情況

圖8 2018年巢湖月平均波周期分布

根據(jù)2018年巢湖風浪有效波高計算結果，圖 8為2018年不同月份月平均波周期在巢湖的分布情況. 總體看，空間分布上，受近岸地形、水深的影響，月平均波周期最大值一般出現(xiàn)在遠離近岸的水域，結合月均風矢量變化情況可知，月均波周期在巢湖不同湖區(qū)的分布范圍受風向的影響顯著，各不同湖區(qū)月均波周期的大值主要分布于湖心偏下風向的水域. 時間上與圖 7中月平均波周期隨時間變化一致，4月份整個巢湖月平均波周期相較其他月份值大，中巢湖和東巢湖大部分區(qū)域月平均波周期較大，而西巢湖波周期略小，月平均波周期最大值為1.46 s，出現(xiàn)在東巢湖靠近中巢湖的湖心水域；其中東巢湖月平均波周期大于1.30 s的面積為252.64 km2，占到整個東巢湖面積的92.29%；中巢湖月平均波周期大于1.30 s的面積為201.28 km2，占到整個中巢湖面積的88.90%；而西巢湖月平均波周期大于1.30 s的面積為150.24 km2，只占到整個西巢湖面積的65.03%，而且西巢湖4月份月均波周期沒有超過1.45 s，超過1.40 s的區(qū)域也僅占到0.07%，明顯比東巢湖和中巢湖偏低. 11月份月平均波周期相較其他月份明顯偏小，最大值為1.12 s，約為4月份月均波周期最大值的77%，且受風向影響，較大值主要分布于巢湖不同湖區(qū)的南部水域，其中中巢湖較大值的分布范圍明顯比東巢湖和西巢湖都大；東巢湖月平均波周期大于1.00 s的面積為242.72 km2，占到整個東巢湖面積的88.66%；中巢湖月平均波周期大于1.00 s的面積為219.20 km2，占到整個中巢湖面積的96.82%，月均波周期大于1.05 s的區(qū)域占比已超過90%，且一半以上的中巢湖水域月均波周期大于1.10 s；而西巢湖月均波周期大于1.00 s的面積為186.56 km2，只占到整個西巢湖面積的80.75%，大于1.10 s的面積只占整個西巢湖的2.42%，可以看出不同級別的波周期分布區(qū)域占比相較東巢湖和中巢湖都顯著降低.

4 討論

風浪是湖泊重要的水動力因子，風浪作用會導致水體垂向混合增加，進一步對藻類的垂向遷移產生影響，根據(jù)研究，風浪的強度、范圍和時間決定了藍藻水華的時空分布[37]. 在藻類生物量一定的條件下，風浪將是決定湖泊藍藻水華“暴發(fā)”與否和程度的關鍵因子[38]. 根據(jù)太湖藍藻研究結果，當風浪波高<6.2 cm 時，藍藻以水平遷移為主，并在主要風向的下風向處堆積，有利于藍藻的積聚和藍藻水華的形成；當波高>6.2 cm 時，藍藻以垂直遷移為主，不利于藍藻水華的形成和暴發(fā)[37,39]. 雖然關于巢湖藍藻水華暴發(fā)與風浪的關系研究還比較少，但同樣作為淺水湖泊，勢必有相似的影響規(guī)律，差別可能存在于風浪強度的界定上.

根據(jù)前述分析，計算出巢湖2018年平均有效波高為0.16 m，我們以0.16 m為強度界限，定義平均有效波高超過0.16 m的時間占比(即占每個月總時間的百分比)為參數(shù)Hsr，最大有效波高超過0.16 m的時間占比(即占每個月總時間的百分比)為Hmr，統(tǒng)計2018年每個月不同湖區(qū)Hsr和Hmr，如表 1所示. 可以看出，不同月份及湖區(qū)有效波高超過0.16 m的時間占比是不一致的，總體看9-11月份時間占比最小，全湖按月平均有效波高計算的時間占比只有28.47%、27.82%、27.78%，即使按月最大有效波高計算也只有不到33%，表明9-11月份巢湖風浪強度(有效波高)較小，因此將有利于藍藻水華的出現(xiàn)，不同湖區(qū)看，西巢湖最小，中巢湖與東巢湖接近，因此西巢湖藍藻水華出現(xiàn)的概率將會更高，這與巢湖藍藻水華覆蓋面積的遙感信息相匹配. 根據(jù)遙感數(shù)據(jù)解譯，2018年9月巢湖藍藻水華暴發(fā)情況較為嚴重，共啟動了3次紅色預警，共發(fā)生5次面積大于100 km2的水華，2次超300 km2的藍藻水華都位于巢湖西北部和中部，即有效波高較小的水域. 由此我們可以推測，在其他條件適宜的條件下，6-8月份較大有效波高的時間占比也比較低，也易產生藍藻水華，其中西巢湖產生的概率更高；由于3-4月接近一半的時間有效波高值大于0.16 m，因此不易產生藍藻水華；而12-2月份由于溫度較低，藻類處于休眠狀態(tài)，且超過40%以上的時間月最大有效高值大于0.16 m，因此也很少會產生藍藻水華.

表1 2018年巢湖不同湖區(qū)有效波高超過0.16 m的時間占比統(tǒng)計*

5 結論

本文基于實測數(shù)據(jù)，驗證了SWAN風浪模型在巢湖風浪模擬的適用性，利用驗證好的風浪模型，開展了2018年巢湖風浪變化及分布特征，得到以下結論：

1)本文設置的SWAN模型可以很好地模擬巢湖風浪參數(shù)(有效波高和平均波周期)隨時間的變化情況，可以用于巢湖風浪特征的模擬研究.

2)巢湖全湖2018年月平均有效波高為0.16 m，不同月份間差異明顯，4月最大為0.22 m，11月最小為0.11 m，月變化幅度為0.11 m，約為最大值的52%；整體中巢湖略大，東巢湖次之，西巢湖值最小. 月最大有效波高主要出現(xiàn)在東巢湖或中巢湖，巢湖全湖2018年月最大有效波高最大值為1.28 m，出現(xiàn)在1月份的東巢湖，最小值為0.50 m，出現(xiàn)在11月份的西巢湖，變化幅度為0.78 m，約為最大值的61%. 巢湖整體春季風浪較大，秋季風浪較小，月間變化差異顯著. 近岸月均有效波高值一般較小，較大值在西湖心附近水域呈橢圓形分布，在中巢湖與東巢湖的連通水域呈舌狀分布；不同月份較大值在不同湖區(qū)的分布范圍比例，西巢湖最小，中巢湖最大.

3)巢湖全湖2018年平均波周期為1.22 s，4月最大(為1.36 s)，11月最小(為1.06 s)，月變化幅度為0.30 s，約為最大值的22%左右，月間變化差異不及有效波高顯著；整體中巢湖值最大，東巢湖值次之，西巢湖值最小，不同湖區(qū)月變化幅度分別為最大值的25%、21%、21%. 巢湖全湖2018年月最大波周期最大值為2.85 s，出現(xiàn)在8月份的中巢湖，最小值為2.00 s，出現(xiàn)在1月份的西巢湖，不同湖區(qū)變化規(guī)律及幅度相似，約為最大值的27%，也不及有效波高月間差異顯著. 空間分布上，月均波周期在巢湖不同湖區(qū)的分布范圍受風向的影響顯著，各不同湖區(qū)月均波周期的大值主要分布于湖心偏下風向的水域；不同湖區(qū)較大值的分布范圍比例，中巢湖與東巢湖較大，西巢湖最小.

4)不同月份及湖區(qū)較大有效波高出現(xiàn)的時間占比是不一致的，總體看9-11月份時間占比最小，表明9-11月份巢湖風浪強度(有效波高)較小，因此將有利于藍藻水華的出現(xiàn)；6-8月份較大有效波高的時間占比次之，也易產生藍藻水華；3-4月較大有效波高時間占比較大，不易產生藍藻水華；不同湖區(qū)看，西巢湖最小，中巢湖與東巢湖接近，因此西巢湖藍藻水華出現(xiàn)的概率將會更高.

致謝：感謝本研究團隊(王巖、郭西亞、崔健)在野外觀測中給予的幫助.