陳莉瓊， 張 嬌， 陳曉玲*， 蔡明祥， 李海軍, 余永明

(1.武漢大學(xué) 測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室， 武漢 430079；2.江西師范大學(xué) 鄱陽(yáng)湖濕地與流域研究教育部重點(diǎn)實(shí)驗(yàn)室， 南昌 330022;3.北京城建勘測(cè)設(shè)計(jì)研究院有限責(zé)任公司， 北京100101)

?

基于氣象數(shù)據(jù)的洱海藍(lán)藻水華驅(qū)動(dòng)因子及預(yù)警研究

陳莉瓊1,2， 張 嬌1， 陳曉玲1,2*， 蔡明祥1， 李海軍1, 余永明3

(1.武漢大學(xué) 測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室， 武漢 430079；2.江西師范大學(xué) 鄱陽(yáng)湖濕地與流域研究教育部重點(diǎn)實(shí)驗(yàn)室， 南昌 330022;3.北京城建勘測(cè)設(shè)計(jì)研究院有限責(zé)任公司， 北京100101)

以2013年洱海夏秋季藍(lán)藻水華遙感監(jiān)測(cè)結(jié)果為基礎(chǔ)，探討影響藍(lán)藻水華形成的主要?dú)庀笠兀y(tǒng)計(jì)分析發(fā)現(xiàn)，洱海藍(lán)藻水華多發(fā)生在陰雨天轉(zhuǎn)晴之后，長(zhǎng)時(shí)間強(qiáng)日照及較大的氣溫日較差是誘發(fā)水華發(fā)生的主要因素，同時(shí)低風(fēng)速、低氣壓有利于藍(lán)藻上浮聚集，對(duì)水華形成起到促進(jìn)作用.在此基礎(chǔ)上，構(gòu)建以水華發(fā)生與否的二值變量為因變量，各氣象因子為預(yù)測(cè)變量的Logistic藍(lán)藻水華氣象風(fēng)險(xiǎn)概率預(yù)測(cè)模型.結(jié)果表明，模型各項(xiàng)檢驗(yàn)指標(biāo)均表現(xiàn)良好，預(yù)測(cè)準(zhǔn)確率達(dá)到87.5%，該模型能夠用于分析影響洱海藍(lán)藻水華形成的關(guān)鍵氣象因素，同時(shí)證明了利用氣象數(shù)據(jù)輔助實(shí)現(xiàn)水華監(jiān)測(cè)、預(yù)報(bào)預(yù)警的可行性.

洱海; 藍(lán)藻水華; 氣象因素; Logistic回歸模型

洱海(25°36′～25°58′N、100°06′～100°18′E)是云南省第2大淡水湖，水域面積約250 km2，平均水深10.6 m，最大水深21.3 m，蓄水量達(dá)28.8×108m3(水位1 966 m).自1990s以來(lái)，由于人類活動(dòng)的影響，洱海水質(zhì)不斷下降，當(dāng)前正處于中營(yíng)養(yǎng)向富營(yíng)養(yǎng)化湖泊轉(zhuǎn)變的過(guò)渡階段[1].2013年夏秋季，洱海再次發(fā)生大規(guī)模藍(lán)藻水華，影響了湖泊水生態(tài)環(huán)境，威脅著沿湖居民飲用水安全.因此有效實(shí)現(xiàn)水華監(jiān)測(cè)，分析水華發(fā)生規(guī)律，探究影響水華發(fā)生的驅(qū)動(dòng)因素，對(duì)于預(yù)防和治理洱海藍(lán)藻水華具有重要意義.

國(guó)內(nèi)外對(duì)內(nèi)陸湖泊藍(lán)藻水華的相關(guān)研究表明[2-3]，在湖泊富營(yíng)養(yǎng)化使水體內(nèi)營(yíng)養(yǎng)鹽滿足藍(lán)藻生長(zhǎng)的前提下，氣象與水文條件的驅(qū)動(dòng)作用，是誘發(fā)水華藍(lán)藻上浮集聚的關(guān)鍵.Ndong等[4]利用溫度、風(fēng)速、風(fēng)向構(gòu)建水華氣象指數(shù)模型，分析了在湖泊氮磷比滿足藍(lán)藻繁殖的先決條件下，氣象條件對(duì)水華的影響；Zhang等[5]對(duì)太湖藍(lán)藻水華的研究表明，水華發(fā)生起始時(shí)間和持續(xù)時(shí)間同溫度、日照呈顯著負(fù)相關(guān)，而與風(fēng)速和降水呈正相關(guān)；謝國(guó)清等[6]發(fā)現(xiàn)日照和風(fēng)速是影響滇池水華發(fā)生的關(guān)鍵因素.不同湖泊的氣候環(huán)境條件及湖泊特性差異導(dǎo)致影響水華發(fā)生的因素也不盡相同，洱海屬高原湖泊，該區(qū)域光照充足，太陽(yáng)輻射量高出位于平原地區(qū)的太湖20%左右[7]，相比海拔相近的滇池，洱海湖區(qū)的平均氣溫也明顯偏高[8]；同太湖等淺水湖泊不同，洱海湖區(qū)水深最高達(dá)30余米，由此造成的水溫分層效應(yīng)也可能影響著藻類生長(zhǎng)繁殖[9].從洱海特殊地域氣候環(huán)境出發(fā)，分析洱海藍(lán)藻水華成因，王蕓[10]發(fā)現(xiàn)藻類密度同光照強(qiáng)度及氣溫呈正相關(guān)；蔡燕鳳等[11]認(rèn)為高溫、低降水量和低風(fēng)速有利于洱海藻類大量繁殖.但上述分析僅從氣象單因素角度考慮，未能明確氣象條件的協(xié)同作用對(duì)水華的影響，并且以藻類密度(葉綠素濃度)作為衡量水華發(fā)生的指標(biāo)，不能準(zhǔn)確反映以遙感監(jiān)測(cè)藍(lán)藻覆蓋水面為主要特征的水華現(xiàn)象，實(shí)際在夏秋季水華易發(fā)階段，湖區(qū)內(nèi)葉綠素濃度(藻類密度) 往往維持在較高的水平，但水華卻不一定發(fā)生[12-13]，而本文直接以發(fā)生與否衡量水華，更加直觀地表現(xiàn)氣象因素同水華的密切關(guān)系，同時(shí)利用Logistic回歸模型，構(gòu)建以氣象因子為預(yù)測(cè)變量的藍(lán)藻水華氣象風(fēng)險(xiǎn)概率模型，以概率的形式表現(xiàn)氣象條件對(duì)于水華暴發(fā)的影響，實(shí)現(xiàn)了從簡(jiǎn)單定性分析到定量表示氣象因素協(xié)同作用于藍(lán)藻水華.

本文針對(duì)2013年洱海藍(lán)藻水華暴發(fā)事件，借助遙感技術(shù)獲取藍(lán)藻水華信息，同時(shí)分析水華同期氣溫、日照、降水、氣壓等氣象條件同水華的相關(guān)性，探究影響洱海藍(lán)藻水華發(fā)生的主要?dú)庀笠蛩?，進(jìn)而利用Logistic回歸模型，構(gòu)建洱海藍(lán)藻水華氣象風(fēng)險(xiǎn)概率模型，定量分析氣象條件同藍(lán)藻水華的關(guān)系，為提高藍(lán)藻水華監(jiān)測(cè)能力，科學(xué)預(yù)防治理水華提供理論依據(jù).

1 數(shù)據(jù)和方法

1.1數(shù)據(jù)資料

本文選取2013年8～11月洱海地區(qū)Landsat和HJ-1B影像作為水華數(shù)據(jù)來(lái)源，經(jīng)目視檢驗(yàn)，共得到可用影像16景。基于ENVI軟件，進(jìn)行輻射定標(biāo)、幾何校正等預(yù)處理。同期氣象數(shù)據(jù)獲取自中國(guó)氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)，站點(diǎn)為大理站(25°42′N, 100°11′E)，包括氣溫、氣壓、降水量、日照時(shí)數(shù)、風(fēng)速風(fēng)向等逐日氣象數(shù)據(jù)。

同期氣象數(shù)據(jù)下載自中國(guó)氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)(http://cdc.nmic.cn)，站點(diǎn)為大理氣象站(25°42′N， 100°11′E)，包括氣溫、氣壓、降水量、日照時(shí)數(shù)、風(fēng)速風(fēng)向等逐日氣象數(shù)據(jù).

1.2研究方法

1.2.1水華信息提取及統(tǒng)計(jì)方法 大量藍(lán)藻在水面聚集，形成水華，使水體表現(xiàn)出類似陸地植被的光譜特征，相比NDVI、EVI等植被指數(shù)，F(xiàn)AI方法加入短波紅外波段，能消除復(fù)雜大氣環(huán)境的干擾，結(jié)果更穩(wěn)定：

FAI=(ρNIR-ρRED)+(ρRED-ρSWIR)×

(λNIR-λRED)/(λSWIR-λRED),

(1)

式中,ρRED,ρNIR，ρSWIR分別代表紅光、近紅外、短波紅外波段的反射率；λRED,λNIR,λSWIR分別為對(duì)應(yīng)波段的中心波長(zhǎng).

受到遙感數(shù)據(jù)時(shí)間分辨率和天氣狀況的限制，獲取的水華時(shí)間信息不是連續(xù)的，參照太湖水華研究[15-16]及洱海歷史水華資料[17-18]，對(duì)洱海水華發(fā)生次數(shù)和持續(xù)時(shí)間進(jìn)行界定，認(rèn)為在氣象條件比較穩(wěn)定的時(shí)期內(nèi)，相隔3～5 d內(nèi)的水華日歸為一次水華事件.例如遙感監(jiān)測(cè)表明2013年11月2、4、6、8、12和14日發(fā)生水華，期間氣象條件沒有顯著變化，故認(rèn)定同屬一次水華，持續(xù)時(shí)間為2～14 d.

1.2.2Logistic模型 在以藍(lán)藻覆蓋水面作為主要特征的水華分析中，葉綠素、藻類密度等并不能準(zhǔn)確反映水華暴發(fā)，用二值變量“發(fā)生(1)”、“不發(fā)生(0)”表征水華是更為恰當(dāng)?shù)姆椒?，此時(shí)分析氣象因素對(duì)藍(lán)藻水華的影響可以理解為分析連續(xù)氣象自變量同二值因變量之間的關(guān)系.

Logistic回歸模型作為一種非線性回歸概率模型，通過(guò)轉(zhuǎn)換問(wèn)題為分析被預(yù)測(cè)變量的條件概率同預(yù)測(cè)變量之間的關(guān)系，建立二元因變量同連續(xù)型或離散型自變量之間的聯(lián)系，在二分類因變量問(wèn)題中有較多應(yīng)用[19].

或

(2)

式中，ρ=P(y=1|x1,x2,…，xk)為事件發(fā)生概率.

利用SPSS軟件，構(gòu)建Logistic回歸模型，選擇Hosmer-Lemeshow檢驗(yàn)?zāi)Ｐ蛿M合優(yōu)度，并利用Wald統(tǒng)計(jì)量對(duì)回歸系數(shù)進(jìn)行檢驗(yàn)，確定最優(yōu)回歸模型.

2 洱海藍(lán)藻水華統(tǒng)計(jì)及氣象條件分析

2.1洱海藍(lán)藻水華信息統(tǒng)計(jì)

結(jié)合遙感監(jiān)測(cè)及歷史資料可知，2013年8～11月洱海共發(fā)生6次藍(lán)藻水華，持續(xù)時(shí)間達(dá)26 d(圖1)，藍(lán)藻水華最早出現(xiàn)在8月15日，最晚發(fā)生在11月25日；8月、10月水華持續(xù)時(shí)間較短，均為3 d，9月、11月分別發(fā)生兩次水華，持續(xù)時(shí)間為5 d和14 d.北部和中部水域是藍(lán)藻水華的多發(fā)地帶，尤其是大型水華集中發(fā)生在中部水域，10、11月藍(lán)藻水華分布區(qū)域最廣，幾乎覆蓋整個(gè)洱海，最大覆蓋面積分別達(dá)到28 km2、17 km2.

圖1 2013年洱海藍(lán)藻水華發(fā)生時(shí)間分布Fig.1 The time distribution of cyanobacterial blooms in Erhai Lake in 2013

2.2水華發(fā)生期氣象條件分析

2.2.1氣溫 考慮到氣溫的季節(jié)性差異，水華發(fā)生時(shí)段內(nèi)日平均氣溫和日最高氣溫變化幅度較大，在整個(gè)水華發(fā)生階段，有整體下降的趨勢(shì)，兩者不能反映溫度同水華的關(guān)系，但是在水華發(fā)生時(shí)，氣溫日較差普遍偏大，平均日較差為14.9℃，最大日較差為18.6℃(10月10日)，氣溫日較差同水華的Pearson相關(guān)系數(shù)為0.58(在0.01水平上雙側(cè)顯著相關(guān))，尤其是11月初連續(xù)多日氣溫日較差在15℃以上(圖2(a))，這也可能是導(dǎo)致該次水華持續(xù)時(shí)間長(zhǎng)達(dá)13 d的原因，因此較大的氣溫日較差對(duì)藍(lán)藻水華爆發(fā)具有一定促進(jìn)作用，故選取氣溫日較差作為氣溫指標(biāo)分析對(duì)水華的影響.

圖2 洱海藍(lán)藻水華期間氣象條件變化Fig.2 Variation of meteorological factors during the period of cyanobacterial bloom

2.2.2日照 從洱海藍(lán)藻水華發(fā)生時(shí)日照變化可知(圖2(b))，水華發(fā)生日(除有明顯降雨的8月16日、17日和9月15日外)，日照時(shí)數(shù)普遍偏長(zhǎng)，平均日照時(shí)數(shù)為9.1 h，最高達(dá)10.4 h(9月14日).日照時(shí)數(shù)同水華的相關(guān)系數(shù)為0.53，剔除有降雨的時(shí)段，相關(guān)系數(shù)達(dá)到0.8(在0.01水平上雙側(cè)顯著相關(guān)).同時(shí)發(fā)現(xiàn)在水華爆發(fā)前1～3日日照時(shí)數(shù)均較低，表明在水華發(fā)生前普遍會(huì)有陰雨天氣出現(xiàn)，而天氣轉(zhuǎn)晴之后突增的強(qiáng)日照可能是誘發(fā)水華發(fā)生的原因.因此，日照對(duì)于水華發(fā)生有明顯影響，強(qiáng)日照天氣，尤其是天氣由陰轉(zhuǎn)晴，日照突增，有利于藍(lán)藻上浮聚集，增大表層藻類濃度，從而形成水華.

2.2.3降雨 洱海水華發(fā)生時(shí)僅有8月16日、17日和9月15日、11月12日有少量降水(圖2(b))，其余22日降雨量均為零，無(wú)降雨天數(shù)占水華總天數(shù)的85%.并且降雨并非發(fā)生在水華發(fā)生開始階段，而是處于水華發(fā)生中期或末期，所以可以認(rèn)為降雨不利于水華發(fā)生.

分析歷次水華發(fā)生前降水情況，可知在水華發(fā)生前均有明顯降雨或者是連續(xù)陰雨天氣，如10月2～8日洱海出現(xiàn)連續(xù)降雨，雨量累積49.4 mm，持續(xù)降雨導(dǎo)致溫度下降，日最高氣溫由25℃降低16℃，10月9日之后天氣轉(zhuǎn)晴，氣溫回升，最高氣溫超過(guò)25℃，次日洱海發(fā)生大面積水華.由此可知，降水導(dǎo)致氣溫降低，一定程度上抑制了藍(lán)藻的生長(zhǎng)，同時(shí)強(qiáng)降水對(duì)湖泊水體的攪動(dòng)作用，影響藻類垂直分布，降低表層藻類濃度，抑制了水華的發(fā)生，但是當(dāng)連續(xù)多日陰雨天氣結(jié)束，天氣轉(zhuǎn)晴時(shí)，由此帶來(lái)的氣溫升高，日照增加，則是藍(lán)藻水華的誘發(fā)因素.

2.2.4氣壓 水華發(fā)生期間日均氣壓最高最低分別為807.7 mPa、798.5 mPa，變化幅度比較大，難以反映同水華間的關(guān)系，而比較水華發(fā)生前同水華發(fā)生當(dāng)日氣壓變化，發(fā)現(xiàn)水華發(fā)生時(shí)，氣壓有明顯的下降趨勢(shì)，在全部26日水華中，有21日平均氣壓低于前3日氣壓值，占水華總天數(shù)的78%，氣壓同水華相關(guān)系數(shù)為-0.18，表明氣壓降低有利于水中藻類上浮，形成水華.

2.2.5風(fēng) 風(fēng)速過(guò)大，會(huì)對(duì)水體產(chǎn)生類似攪拌的作用，使水體中藻類垂直分布趨于均勻，從而不利于藻類上浮，所以水華形成初期，較低的風(fēng)速是重要影響因素.

統(tǒng)計(jì)水華發(fā)生日平均風(fēng)速，其中有22日小于2 m/s，占總天數(shù)的85%；最大風(fēng)速在2.5～6.8 m/s之間，其中在2.5～4.5 m/s之間最為集中，共19 d，占總天數(shù)的73%.平均風(fēng)速和最大風(fēng)速均值分別為1.5 m/s和4.1 m/s，由此可知，風(fēng)速較低時(shí)，對(duì)水體的擾動(dòng)作用較小，有利于藍(lán)藻上浮聚集.

3 洱海藍(lán)藻水華氣象預(yù)測(cè)模型

從眾多氣象變量中篩選影響水華發(fā)生的主要?dú)庀笠蜃邮墙庀箢A(yù)測(cè)模型的首要任務(wù).洱海水華一般發(fā)生在夏秋季，在陰雨天轉(zhuǎn)晴之后，強(qiáng)日照、氣溫日較差較大的天氣下，當(dāng)氣壓偏低，風(fēng)速較低時(shí)，水華發(fā)生的風(fēng)險(xiǎn)會(huì)較高.基于上述分析，初步確定氣溫日較差、日照時(shí)數(shù)、平均風(fēng)速、較前3日氣壓差、日降雨量5個(gè)參數(shù)指標(biāo)作為自變量因子，以水華發(fā)生與否作為被預(yù)測(cè)變量，構(gòu)建Logistic回歸模型.

3.1多重共線性診斷

同多元線性回歸類似，Logistic模型自變量也可能存在共線性問(wèn)題.選擇方差膨脹因子(VIF)對(duì)自變量因子做多重共線性診斷.結(jié)果表明，當(dāng)自變量分別剔除氣溫日較差和日照時(shí)數(shù)，兩者的VIF由6.1和5.9降至1.2以內(nèi)，滿足共線性檢驗(yàn)條件，同時(shí)發(fā)現(xiàn)兩者的Pearson相關(guān)系數(shù)為0.90，表明自變量因子間存在多重共線性是由于兩者的強(qiáng)相關(guān).不難理解，陰雨天，日照時(shí)數(shù)偏低，同時(shí)大氣對(duì)太陽(yáng)輻射的削弱作用導(dǎo)致白天增溫較慢，而夜間大氣保溫導(dǎo)致降溫慢，從而氣溫日較差較?。欢缣?，日照時(shí)間較長(zhǎng)，白天太陽(yáng)輻射強(qiáng)烈，地面升溫快，夜間地面輻射相對(duì)較強(qiáng)，降溫較快，從而氣溫日較差較大.利用Logistic回歸后向逐步選擇剔除冗余變量，篩選顯著因子，能夠解決共線性問(wèn)題，進(jìn)而建立最佳回歸方程.

3.2Logistic模型結(jié)果及分析

2013年8～11月期間122 d，共26 d發(fā)生藍(lán)藻水華，采用交叉驗(yàn)證方法，將全部數(shù)據(jù)隨機(jī)均分為5組，每次選取一個(gè)子集作為驗(yàn)證集，其余4組作為訓(xùn)練樣本，依據(jù)最優(yōu)預(yù)測(cè)精度得到Logistic回歸模型.

按照逐步回歸最終選取包括日照時(shí)數(shù)、平均風(fēng)速、較前3日氣壓差、日降雨量在內(nèi)的4個(gè)氣象因子，在5組試驗(yàn)中，Logistic模型預(yù)測(cè)準(zhǔn)確率最低為83.3%，最高為87.5%，充分說(shuō)明了該模型在洱海水華氣象預(yù)測(cè)中的適用性.根據(jù)最高預(yù)測(cè)準(zhǔn)確率得到最佳回歸方程：

ApΔ-1.141·W+0.171·P.

(3)

其中，ρ表示預(yù)測(cè)概率，S表示日照時(shí)數(shù)，ApΔ表示較前3日氣壓差，W表示平均風(fēng)速，P表示日降雨量.

在模型擬合優(yōu)度Hosmer-Lemeshow檢驗(yàn)中，sig.=0.826>0.05，統(tǒng)計(jì)不顯著，表明模型很好地?cái)M合了數(shù)據(jù)；預(yù)測(cè)正確率為87.5%，表明模型具有較好的穩(wěn)定性.采用Wald統(tǒng)計(jì)量檢驗(yàn)自變量影響的顯著程度，所有自變量均滿足在a=0.05水平上的統(tǒng)計(jì)性顯著，其中日照時(shí)數(shù)的Wald值為15.58明顯高于其他氣象要素，說(shuō)明該要素對(duì)于藍(lán)藻水華的影響最為顯著，同單因素分析中水華同日照時(shí)數(shù)強(qiáng)相關(guān)相一致.

圖3 Logistic模型概率預(yù)測(cè)結(jié)果驗(yàn)證Fig.3 Verification of Logistic forecast model

進(jìn)一步分析模型預(yù)測(cè)結(jié)果(圖3)，可以看出，出現(xiàn)漏報(bào)的情況一般發(fā)生在水華發(fā)生后期，此時(shí)藍(lán)藻水華發(fā)生不僅僅同氣象條件有密切關(guān)系，水華前期發(fā)生規(guī)模和程度也對(duì)后期水華發(fā)展有很大影響，大規(guī)模的水華不可能在短時(shí)間內(nèi)從水面消失，導(dǎo)致水華仍在繼續(xù)，但是日照、氣溫等氣象條件并不滿足水華發(fā)生的一般規(guī)律.如8月中旬水華發(fā)生時(shí)，17日有11.9 mm降雨，日照時(shí)數(shù)為5.5 h，氣溫日較差也僅為10.9℃，并不具備發(fā)生水華的氣象特征，但根據(jù)遙感監(jiān)測(cè)結(jié)果，在洱海北部和中部均出現(xiàn)藍(lán)藻水華，因此并不能單單以該日預(yù)測(cè)風(fēng)險(xiǎn)概率為16.4%，就判定為漏報(bào).同樣，對(duì)于結(jié)果中出現(xiàn)的共7日錯(cuò)報(bào)情況進(jìn)行分析，除8月6日和9月23日外，其余錯(cuò)報(bào)情況均出現(xiàn)在水華發(fā)生前后5日以內(nèi)，如11月1日預(yù)測(cè)概率為53.6%，次日監(jiān)測(cè)到藍(lán)藻水華，在缺少當(dāng)日遙感監(jiān)測(cè)數(shù)據(jù)的情況下，無(wú)法判斷11月1日是否發(fā)生水華，而直接認(rèn)定為錯(cuò)報(bào)顯然是不合理的.

同時(shí)，分析模型預(yù)測(cè)結(jié)果同水華覆蓋面積之間關(guān)系(圖4)，發(fā)現(xiàn)水華覆蓋面積越大，對(duì)應(yīng)預(yù)測(cè)概率也越大，如10月水華覆蓋面積最大約28 km2，預(yù)測(cè)概率達(dá)到87.5%，而11月份水華規(guī)模有所減小，最大覆蓋面積僅為17 km2，此時(shí)預(yù)測(cè)氣象概率也降到67%.說(shuō)明Logistic模型預(yù)測(cè)結(jié)果不僅能夠表征氣象條件是否滿足水華發(fā)生要求，一定程度上還能夠指示水華發(fā)生規(guī)模，對(duì)于大型水華預(yù)報(bào)預(yù)警具有重要意義.

圖4 Logistic模型預(yù)測(cè)結(jié)果同水華覆蓋面積的關(guān)系Fig.4 The relationship between the result of Logistic model and blooms area

4 討論

本文以遙感監(jiān)測(cè)結(jié)果“發(fā)生”、“不發(fā)生”的二值變量作為被預(yù)測(cè)值，利用Logistic回歸模型，建立其同氣象因子之間的聯(lián)系，實(shí)現(xiàn)了基于氣象數(shù)據(jù)分析水華發(fā)生風(fēng)險(xiǎn)概率估算，相比其他研究中以葉綠素濃度等作為表征水華的參量，該模型預(yù)測(cè)目標(biāo)直觀、明確，得到的氣象風(fēng)險(xiǎn)概率，能夠直接反映水華發(fā)生情況.

模型分析同氣象單因子分析具有較好的一致性，驗(yàn)證了初步篩選關(guān)鍵氣象因子結(jié)果的可信性.日照時(shí)數(shù)同氣溫日較差表現(xiàn)出較強(qiáng)相關(guān)，在水華形成初期起到關(guān)鍵作用，藍(lán)藻細(xì)胞具有垂直遷移的特性，在光照充足的情況下能夠上浮至水體表層，吸收光能進(jìn)行光合作用，而此時(shí)較高的溫度又能增加光合作用速率，是水華形成的關(guān)鍵影響因素.降雨、氣壓及風(fēng)速均與水華呈負(fù)相關(guān)，降雨導(dǎo)致溫度降低，日照減少，抑制了藍(lán)藻生長(zhǎng)；低氣壓，低風(fēng)速有利于水體中已經(jīng)大量存在的藻類細(xì)胞上浮，促進(jìn)水華的發(fā)生.

在模型預(yù)測(cè)準(zhǔn)確度分析中，發(fā)現(xiàn)錯(cuò)報(bào)、漏報(bào)現(xiàn)象較多出現(xiàn)在水華發(fā)生前后較短時(shí)間內(nèi)，此時(shí)不能單單以當(dāng)日預(yù)測(cè)結(jié)果作為評(píng)斷標(biāo)準(zhǔn)，應(yīng)該在考慮遙感監(jiān)測(cè)確定水華起始時(shí)間的可靠性及分析歷史水華數(shù)據(jù)基礎(chǔ)上，加入合理先驗(yàn)知識(shí)，更加客觀地評(píng)價(jià)模型預(yù)測(cè)結(jié)果.在水華監(jiān)測(cè)預(yù)警中，人們往往關(guān)注對(duì)于水華起始階段的確定，以便及時(shí)開展應(yīng)急預(yù)防治理工作，可以考慮加入“在已知水華起始日前3日內(nèi)預(yù)測(cè)結(jié)果有效”的判斷條件，重新評(píng)估模型結(jié)果：如11月上旬水華事件中，1～3日預(yù)測(cè)概率分別為53.6%，25.2%，67.1%，雖然遙感監(jiān)測(cè)結(jié)果表明水華始于2日，但依據(jù)上述設(shè)定，可認(rèn)為1日預(yù)測(cè)結(jié)果在誤差范圍以內(nèi)，不屬于錯(cuò)報(bào).對(duì)于水華期間的漏報(bào)情況，可以綜合考慮前后幾日內(nèi)預(yù)測(cè)結(jié)果，若出現(xiàn)高風(fēng)險(xiǎn)概率情況，就不能直接做出無(wú)風(fēng)險(xiǎn)預(yù)報(bào)，而應(yīng)當(dāng)同樣加強(qiáng)現(xiàn)場(chǎng)水華監(jiān)測(cè)，根據(jù)其他環(huán)境條件做出綜合判斷.

將遙感技術(shù)應(yīng)用于水華監(jiān)測(cè)，相比其他現(xiàn)場(chǎng)調(diào)查等方法，更加快速、高效，并且能夠獲取湖泊歷史水華信息，基于該數(shù)據(jù)得到的模型預(yù)測(cè)效果較好，表明該方法用來(lái)分析洱海藍(lán)藻水華是可行的，但是還應(yīng)當(dāng)考慮到遙感數(shù)據(jù)受天氣影響較大，導(dǎo)致獲取的水華信息不可避免存在一定誤差，所以應(yīng)該考慮結(jié)合其他監(jiān)測(cè)手段，以獲取更為完整的水華監(jiān)測(cè)數(shù)據(jù)，降低數(shù)據(jù)誤差，提高模型精度.

在富營(yíng)養(yǎng)化湖泊中，水體中氮磷等營(yíng)養(yǎng)物質(zhì)滿足藍(lán)藻生長(zhǎng)需要，此時(shí)營(yíng)養(yǎng)鹽濃度不再是限制水華發(fā)生的主要因素，氣象、水文等條件是誘發(fā)水華發(fā)生的關(guān)鍵，基于此建立的氣象風(fēng)險(xiǎn)概率預(yù)測(cè)模型，重點(diǎn)分析氣象因素對(duì)水華的影響，若將該模型應(yīng)用到實(shí)際洱海水華預(yù)測(cè)中，還存在一定局限性，還需要綜合分析水質(zhì)、氣象等環(huán)境條件的影響，進(jìn)一步驗(yàn)證分析，完善預(yù)測(cè)模型.

5 結(jié)論

以2013年洱海藍(lán)藻水華遙感監(jiān)測(cè)結(jié)果為基礎(chǔ)，分析了洱海湖區(qū)氣象條件變化對(duì)水華暴發(fā)的影響，結(jié)果表明日照和氣溫同水華發(fā)生具有更顯著的相關(guān)性，水華一般發(fā)生在強(qiáng)日照和氣溫日較差較大的情況下；雖然氣壓、風(fēng)速對(duì)水華的影響較小，但在低氣壓、低風(fēng)速的條件對(duì)水華的促進(jìn)作用也不容忽視.利用Logistic回歸建立氣象風(fēng)險(xiǎn)概率預(yù)測(cè)模型，將氣象因子同遙感監(jiān)測(cè)水華結(jié)果建立直接聯(lián)系，預(yù)測(cè)準(zhǔn)確率達(dá)87.5%，該模型能夠用于輔助藍(lán)藻水華監(jiān)測(cè)預(yù)報(bào).針對(duì)模型存在的錯(cuò)誤預(yù)測(cè)情況，下一步還應(yīng)該考慮借助其他監(jiān)測(cè)手段，獲取更為完善準(zhǔn)確的水華及其他監(jiān)測(cè)數(shù)據(jù)，提高模型預(yù)測(cè)準(zhǔn)確性，并應(yīng)用于實(shí)際水華預(yù)測(cè)工作.

[1] 彭文啟，王世巖，劉曉波. 洱海水質(zhì)評(píng)價(jià)[J]. 中國(guó)水利水電科學(xué)研究院學(xué)報(bào)， 2005， 3(3): 192-198．

[2] 孔繁翔，高 光.大型淺水湖泊的藍(lán)藻水華形成機(jī)理研究的思考[J].生態(tài)學(xué)報(bào)， 2005， 25(3): 589-595．

[3] 孔繁翔，馬榮華，高俊峰， 等. 太湖藍(lán)藻水華的預(yù)防， 預(yù)測(cè)和預(yù)警的理論與實(shí)踐[J]. 湖泊科學(xué)， 2009， 21(3): 314-328．

[4] NDONG M， BIRD D， NGUYEN-QUANG T， et al. Estimating the risk of cyanobacterial occurrence using an index integrating meteorological factors: application to drinking water production[J]. Water Research， 2014， 56: 98-108．

[5] ZHANG M， DUAN H， SHI X， et al. Contributions of meteorology to the phenology of cyanobacterial blooms: implications for future climate change[J]. Water Research， 2012， 46(2): 442-452．

[6] 謝國(guó)清， 李 蒙， 魯韋坤， 等. 滇池藍(lán)藻水華光譜特征、遙感識(shí)別及暴發(fā)氣象條件[J]. 湖泊科學(xué)， 2010， 22(3): 327-336．

[7] 陳 橋， 韓紅娟， 翟水晶， 等. 太湖地區(qū)太陽(yáng)輻射與水溫的變化特征及其對(duì)葉綠素a的影響[J]. 環(huán)境科學(xué)學(xué)報(bào)， 2009， 29(1): 199-206．

[8] 李杰君. 洱海富營(yíng)養(yǎng)化探析及防治建議[J]. 湖泊科學(xué)， 2001， 13(2): 187-192．

[9] 趙巧華， 孫績(jī)?nèi)A. 夏秋兩季洱海、太湖表層混合層的深度變化特征及其機(jī)理分析[J]. 物理學(xué)報(bào)， 2013， 62(3): 1-9．

[10] 王 蕓. 洱海夏秋季藍(lán)藻種群動(dòng)態(tài)變化及水華成因分析[J]. 大理學(xué)院學(xué)報(bào)(綜合版)， 2008， 7(12): 39-42．

[11] 蔡燕鳳，張虎才，陳光杰，等. 洱海生態(tài)環(huán)境研究現(xiàn)狀及存在問(wèn)題[J]. 地球科學(xué)前沿， 2013(4):241-252．

[12] ONDERKA M. Correlations between several environmental factors affecting the bloom events of cyanobacteria in Liptovska Mara reservoir (Slovakia)—A simple regression model[J]. Ecological Modelling， 2007， 209(2): 412-416．

[13] 郁建橋， 呂學(xué)研. 太湖遙感可測(cè)性藍(lán)藻水華發(fā)生條件分析[J]. 環(huán)境科學(xué)與技術(shù)， 2015(6): 015．

[14] HU C. A novel ocean color index to detect floating algae in the global oceans[J]. Remote Sensing of Environment， 2009， 113(10): 2118-2129．

[15] 馬榮華，孔繁翔，段洪濤，等. 基于衛(wèi)星遙感的太湖藍(lán)藻水華時(shí)空分布規(guī)律認(rèn)識(shí)[J]. 湖泊科學(xué)， 2008， 20(6): 687-694．

[16] DUAN H， MA R， XU X， et al. Two-decade reconstruction of algal blooms in China’s Lake Taihu[J]. Environmental Science & Technology， 2009， 43(10): 3522-3528．

[17] 呂興菊， 朱 江， 孟 良. 洱海水華藍(lán)藻多樣性初步研究[J]. 環(huán)境科學(xué)導(dǎo)刊， 2010， 29(3): 32-35．

[18] 董云仙. 云南九大高原湖泊藻類研究進(jìn)展[J]. 環(huán)境科學(xué)導(dǎo)刊， 2014(2): 001．

[19] LIU Y， WANG Z， GUO H， et al. Modelling the effect of weather conditions on cyanobacterial bloom outbreaks in Lake Dianchi: a rough decision-adjusted logistic regression model[J]. Environmental Modeling & Assessment， 2013， 18(2): 199-207．

Research on meteorological factors and Logistic prediction model of cyanobacterical blooms in Erhai Lake

CHEN Liqiong1,2, ZHANG Jiao1, CHEN Xiaoling1,2, CAI Mingxiang1, LI Haijun1, YU Yongming3

(1.State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing,Wuhan University,Wuhan 430079; 2.Key Laboratory of Poyang Lake Wetland and Watershed Research,Ministry of Education, Jiangxi Normal University, Nanchang 330022;3.Beijing Urban Construction Exploration & Surveying Design Research Institute CO.，Beijing 100101)

The main meteorological parameters of cyanobacterial blooms were explored based on the Remote Sensing monitoring results of Erhai Lake in 2013. Statistical analysis showed that the blooms mostly occurred after rainy days and the main cause were the strong sunshine and higher daily temperature variation. Lower wind speed and air pressure also contributed to the formation of blooms. Upon the above analysis, Logistic regression forecast model was established with dependent and independent variable of two-valued variable and meteorological factors, respectively. Results indicated that the Logistic prediction model performed well with forecast accuracy of 87.5%. The model is able to be used to analyse the key meteorological factors for bloom formation, and it also demonstrated the feasibility for monitoring and forecasting bloom by using the aided meteorological data.

Erhai Lake; cyanobacterial blooms; meteorological factors; Logistic model

2016-01-08.

國(guó)家水體污染控制與治理科技重大專項(xiàng)(2013ZX07105-005);國(guó)家自然科學(xué)基金項(xiàng)目(41301366);測(cè)繪地理信息公益性行業(yè)科研專項(xiàng)項(xiàng)目(201512026).

1000-1190(2016)04-0606-06

P334+.6;P237

A

*通訊聯(lián)系人. E-mail: xiaoling.chen@whu.edu.cn.