胡 文， 李春華， 葉 春*， 王 濟， 魏偉偉， 鄧 勇

1.貴州師范大學地理與環(huán)境科學學院， 貴州 貴陽 550025 2.中國環(huán)境科學研究院， 環(huán)境基準與風險評估國家重點實驗室， 湖泊水污染治理與生態(tài)修復技術國家工程實驗室， 北京 100012 3.貴州省化工研究院， 貴州 貴陽 550002

富營養(yǎng)化是地表水體目前面臨的最具挑戰(zhàn)性的環(huán)境問題之一[1]. 據(jù)2018年數(shù)據(jù)顯示，當前我國67個大中型湖泊出現(xiàn)水體富營養(yǎng)化問題，約占被調查湖泊總數(shù)的51.2%[2]，根據(jù)文獻[3]可知，當前我國每年約有300×108t未經處理的污水直排排入地表水，預計到2030年，我國幾乎所有城市湖泊以及大部分大中型湖泊均將面臨水體富營養(yǎng)化問題. 由于生態(tài)模型具有模擬多重環(huán)境因子的預測能力，已在地表水生態(tài)修復的管理決策中發(fā)揮了重要作用，成為模擬不同措施對湖泊恢復和富營養(yǎng)化控制效果的重要工具[4-5].

自1968年出現(xiàn)的第一個富營養(yǎng)化模型——Vollenweider (VOL)模型后，生態(tài)模型的應用得到了飛速發(fā)展，適用范圍涵蓋了廣泛的時間尺度與空間尺度(從零維到三維)[6-8]. 現(xiàn)已廣泛應用于流體動力學、泥沙輸移、水質和生態(tài)學等與環(huán)境相關的廣泛與復雜的領域[9-11]. 生態(tài)模型在水體富營養(yǎng)化研究領域應用有巨大潛力，為幫助初學者盡快掌握近年來生態(tài)模型在水體富營養(yǎng)化領域的研究成果，運用CiteSpace梳理了2008—2018年生態(tài)模型在水體富營養(yǎng)化領域的應用進展，以期為生態(tài)模型在水環(huán)境領域的廣泛應用提供參考.

1 生態(tài)模型應用領域結構分析

基于CNKI (中國知網(wǎng))數(shù)據(jù)庫以“模型、生態(tài)、富營養(yǎng)化”為主題和WoS(Web of Science)核心庫以“model, ecosystem and eutrophication”為主題進行文獻檢索，并經過篩選得出2008—2018年文獻數(shù)量分別為 3 779 和 1 523 篇(數(shù)據(jù)截止日期為2018年11月19日)(見圖1).

圖1 基于WoS核心庫以“model, ecosystem and eutrophication”為主題搜索的文獻年出版數(shù)量分布Fig.1 Publications for each individual year based on WoS core collection base search on term ‘model, ecosystem and eutrophication’

1.1 研究主題辨別

使用可視化分析軟件CiteSpace進行知識結構分析，將可視化知識圖譜的分析結果作為生態(tài)模型在水體富營養(yǎng)化領域內的應用研究熱點、研究前沿及分析發(fā)展趨勢的重要依據(jù)[9]. CiteSpace以關鍵詞共現(xiàn)網(wǎng)絡的形式對文獻進行可視化分析，“富營養(yǎng)化(eutrophication)”共現(xiàn)頻次最高；其次為“生態(tài)系統(tǒng)(ecosystem)”“水質(water quality)”“氣候變化(climate change)”“磷(phosphorus)”“氮(nitrogen)”“管理(management)”等，具體見圖2(a)所示. 而基于CNKI數(shù)據(jù)庫研究現(xiàn)狀與熱點領域，“富營養(yǎng)化”出現(xiàn)頻次最高，其次為“水質模型”“富營養(yǎng)化評價”“富營養(yǎng)化模型”“湖泊富營養(yǎng)化”“水質模擬”“人工神經網(wǎng)絡”等，具體見圖2(b)所示. 其中，基于WoS核心庫中生態(tài)模型的應用研究十分廣泛，已覆蓋了當前水生態(tài)環(huán)境學中的多個熱點領域；相比之下，基于CNKI數(shù)據(jù)庫中生態(tài)模型研究熱點主要集中水體富營養(yǎng)化相關領域，應用研究范圍遠小于WoS核心庫.

注：字號大小表示該關鍵詞出現(xiàn)的頻次，字號越大，出現(xiàn)頻次越高.圖2 生態(tài)模型在水體富營養(yǎng)領域關鍵詞共線圖譜Fig.2 Keywords co-occurring spectral feature of the ecological model in the water eutrophication

1.2 研究應用主題的趨勢演變

為了研究生態(tài)模型在水體富營養(yǎng)化領域應用主題的變化趨勢，對基于WoS核心庫文獻進行文獻交叉引用(citation reference)，運行軟件并自動聚類時間線視圖(見圖3). 時間線視圖能清晰呈現(xiàn)每個聚類的時間跨度和關鍵文獻，1 523 個節(jié)點與 62 276 條鏈接線構成的18個熱點聚類依次為tropical cyclone, nitrogen deposition, regime shift, lakes, baltic sea, life cycle assessment, sensque-riverstraher model, patuxent rive, network analysis, bayesian calibration, submersed aquatic vegetation, ecosystem approach to aquaculture, cladocerans, north africa, great lakes, growth limitation, baiyangdian lake, Effects-based criteria，表明生態(tài)模型在水體富營養(yǎng)化領域應用集中性高且分支眾多. 圖3中圈層符號為突現(xiàn)節(jié)點，表示文章被引頻次突現(xiàn)增長并在此時段內引起重視. 追蹤與分析高度被引用作者的年度文獻，確定生態(tài)模型在水體富營養(yǎng)化領域應用前沿研究(見表1). 由表1可見，被引用頻次最高的是DIAZ R J等發(fā)表在Science的文章“Spreading dead zones and consequences for marine ecosystems”，被引用頻次高達111次，同時還具有最大的相應節(jié)點和 6.250 6 的爆發(fā)性(見圖3). 雖然，MICHALAK A M等發(fā)表在PNAS的文章“Record-setting algal bloom in Lake Erie caused by agricultural and meteorological trends consistent with expected future conditions”被引用次數(shù)雖然只有27次，但其具有高達9.724 2的爆發(fā)性(見表1)，表明其研究成果在2013年以后被高度關注，已成為當前研究重點與趨勢.

圖3 文獻共被引圖譜-時間線視圖Fig.3 Document co-citation network

表1 高度引用文獻統(tǒng)計表

Table 1 The list of articles most cited papers with co-citation frequency

引用次數(shù)中心性爆發(fā)性年份第一作者期刊名稱 文章名稱1110.176.250 62008DIAZ R JScienceSpreading dead zones and consequences for marine ecosystems650.107.280 32009CONLEY D JScienceControlling eutrophication:nitrogen and phosphorus 500.044.599 62009SMITH V HTrends. Ecol. Evol.Eutrophication science:where do we go from here? 380.045.755 62008SCHINDLER D WPNASEutrophication of lakes cannot be controlled by reducing nitro-gen input:results of a 37-year whole-ecosystem experiment370.025.663 72006HOWARTH R WLimnol. Oceanogr.Nitrogen as the limiting nutrient for eutrophication in coastal marine ecosystems:evolving views over three decades350.11—2009DUARTE C MEstuar. Coast.Return to neverland:shifting baselines affect eutrophication restoration targets300.035.894 82011HOWARTH RFront. Ecol. Environ.Coupled biogeochemical cycles:eutrophication and hypoxia in temperate estuaries and coastal marine ecosystems280.187.201 52005KEMP W MMar. Ecol. Prog. Ser.Eutrophication of Chesapeake Bay:historical trends and eco-logical interactions280.043.960 72005ARHONDITSIS G BEcol. Model.Eutrophication model for lake Washington (USA)270.049.724 22013MICHALAK A MPNASRecord-setting algal bloom in Lake Erie caused by agricultural and meteorological trends consistent with expected future condi-tions 260.063.560 52008GALLOWAY J NScienceTransformation of the nitrogen cycle:recent trends,questions,and potential solutions

2 生態(tài)模型在水體富營養(yǎng)化應用領域常見模型分析

自1968年提出的第一個富營養(yǎng)化模型——Vollenweider (VOL)模型開始，生態(tài)模型經歷了從簡單到復雜、從零維到三維的過程. 生態(tài)模型可以分為兩類[6]： ①簡單靜態(tài)回歸模型，如Vollenweider (VOL)模型；②復雜動態(tài)模型，如EFDC模型、CE-QUAL-W2模型、DYRESM-CAEDYM模型、AQUATOX模型、PCLake模型、MIKE系列模型、WASP模型等. 生態(tài)模型對過去可以追溯古氣候，現(xiàn)在可以再現(xiàn)水生態(tài)系統(tǒng)物質的交換，未來可以評估氣候變化情況等諸多方面的應用(見圖4). 現(xiàn)將生態(tài)模型應用于水體富營養(yǎng)化領域常用模型的基本特征進行歸類(見表2)，以期為研究人員在水體富營養(yǎng)化領域選擇模型時提供參考.

圖4 模型應用的時間范圍以及文獻研究主題[7]Fig.4 Timescales, research topics and examples of associated peer-reviewed studies for applications of lake ecosystem models[7]

在WoS核心庫和CNKI數(shù)據(jù)庫以主題為“MIKE”“EFDC”“WASP”“CE-QUAL-W2”“DYRESM-CAEDYM”“AQUATOX”“Vollenweider(VOL)”“PCLake”依次進行檢索(見圖5). 從圖5可以看出：WoS核心庫中生態(tài)模型應用MIKE系列模型最為頻繁；EFDC模型、WASP模型、PCLake模型、CE-QUAL-W2模型、DYRESM-CAEDYM模型、AQUATOX模型次之；Vollenweider (VOL)模型應用最少. CNKI數(shù)據(jù)庫中MIKE系列模型應用最為頻繁，遠超其他模型；EFDC模型與WASP模型次之；PCLake模型、EFDC模型、CE-QUAL-W2模型、DYRESM-CAEDYM模型、AQUATOX模型、Vollenweider (VOL)模型應用量最少，僅有幾篇文章發(fā)表.

2.1 Vollenweider (VOL)模型

加拿大著名學者Vollenweider根據(jù)物質平衡原理，于1968年開發(fā)湖泊總磷負荷平衡模型——Vollenweider (VOL)模型，該模型的詳細方程請參考文獻[39-40]. Vollenweider (VOL)模型作為第一個應用于湖泊富營養(yǎng)化領域的模型[6]，現(xiàn)已在北美五大湖區(qū)修復過程中發(fā)揮了關鍵作用，繼而形成大湖水質協(xié)定(GLWQA)磷管理基礎條例[41]. 由于該模型的簡單性和有效性，已廣泛應用于世界各地湖泊水質管理[42]、湖泊營養(yǎng)鹽負荷[43]. CHEN等[27]模擬水庫TP濃度，使用經驗值論證Vollenweider (VOL)模型，揭示污染負荷與TP濃度之間的關系，并確定水庫水質管理的最大日負荷總量(TMDL). Dunalska等[42-43]利用該模型估算了城市湖泊水體營養(yǎng)狀況、營養(yǎng)鹽來源，并以此指導制定相應的湖泊水質修復方案. Vollenweider (VOL)模型根據(jù)估計的流域負荷，預測湖泊中接近實地監(jiān)測磷平均濃度，探索未來磷負荷增長對未來水質潛在的影響[44]. 但Vollenweider (VOL)模型是機械預測水體TP濃度，即模型使用穩(wěn)態(tài)假設，假設湖泊長時間接受穩(wěn)定的營養(yǎng)鹽輸入并且從特定湖泊設定的特定參數(shù)來計算水體TP濃度. 即使Milstead等使用輸入-輸出模型并構建湖泊最大深度和體積來提高模型預測精度[45]，但與其他復雜動態(tài)模型相比，Vollenweider(VOL)模型誤差依舊較大[45-46].

2.2 DYRESM-CAEDYM模型

DYRESM-CAEDYM (DYnamic REservoir Simulation Model-Computational Aquatic Ecosystem DYnamics Model)模型是由西澳大利亞大學水研究中心(Centre for Water Research)開發(fā)[47-49]. 該模型由一維水動力模型-DYRESM模型與水生態(tài)模型-CAEDYM模型耦合，進而在時間與空間尺度上研究水體污染物物理、化學和生物作用關系[17,50-51]，同時其也是捕捉水體垂直熱變化結構模型中最復雜的模型[20]. DYRESM-CAEDYM模型已廣泛應用于水體富營養(yǎng)化[21,51-52]、氣候變化[29-30]等領域. 研究人員在水體富營養(yǎng)化領域采用自主傳感器采集數(shù)據(jù)和GIS數(shù)據(jù)提高空間分辨率，并利用DYRESM-CAEDYM模型實時處理數(shù)據(jù)，已實現(xiàn)采取全球湖泊生態(tài)觀測網(wǎng)絡(GLEON)技術對湖泊進行實時監(jiān)測[51]. 該模型能利用大數(shù)據(jù)準確地模擬浮游植物季節(jié)性演替[18]，再現(xiàn)水體表層中溶解性無機磷濃度情況，并預測外部營養(yǎng)鹽負荷對水的潛在影響，但忽略橫向和縱向水體磷濃度的影響[52-53]. 在氣候變化領域，Me等[54]采用SWAT流域模型與DYRESM-CAEDYM模型耦合模擬營養(yǎng)鹽負荷和氣候變化對富營養(yǎng)化淺水湖泊的富營養(yǎng)狀態(tài)的影響，表明沉積物-水體短時交換異常劇烈，導致外部營養(yǎng)鹽負荷增加進而出現(xiàn)水體富營養(yǎng)化現(xiàn)象.

表2 常見生態(tài)模型特征比較

圖5 基于WoS核心庫和CNKI數(shù)據(jù)庫近10年 常見生態(tài)模型論文發(fā)文量情況Fig.5 The number of common ecological model papers published based on CNKI and WoS in the past 10 years

圖6 PCLake模型結構示意[55,57]Fig.6 PCLake schematic model structure[55,57]

2.3 PCLake模型

PCLake模型是由荷蘭湖沼生態(tài)模型學家Janse團隊開發(fā). PClake模型不僅綜合考慮了淺水湖泊生態(tài)系統(tǒng)的非生物環(huán)境，而且還具有主要生物過程. 在非生物環(huán)境部分中充分描述了沉積物與水體之間有機-無機物質的交換，包括沉淀、再懸浮、吸附、擴散和埋藏等過程[17,31]. 淺水湖泊生物部分主要包括浮游植物、底棲動物、食草性魚類和掠食性魚類等，并重點關注三類浮游植物(藍藻、綠藻和硅藻)與大型水生植物之間的競爭關系[31,55](見圖6)，模型相關功能組輸入、模型數(shù)值及詳細方程見文獻[31]. PCLake模型已進行了靈敏性與不確定性分析，并根據(jù)43個淺水湖泊的營養(yǎng)鹽負荷、透明度、葉綠素a含量和水生植物覆蓋率進行校準分析[56-57]. PCLake模型提供了時間序列參數(shù)，能夠準確捕捉營養(yǎng)鹽負荷的時空變化，且表明年均差異越大，波動越顯著. 該模型可以幫助研究人員更加深入地理解淺水湖泊系統(tǒng)內物理、化學、生物作用機制[58]，同時模型具有比較性，可以反映不同湖泊管理方案對湖泊水質變化進行排序[31]. PCLake模型已運用于穩(wěn)態(tài)轉換[59]、估計淺水湖泊營養(yǎng)鹽負荷[60]、淺水湖泊管理[22]、湖泊異地碳輸入[61]、生物操縱[62]等領域. 但在國內PCLake模型應用案例僅在太湖營養(yǎng)鹽負荷空間識別研究[59]、巢湖水位調節(jié)與營養(yǎng)鹽負荷之間的相互作用對淺湖生態(tài)系統(tǒng)的長期動態(tài)影響研究[63]以及滇池營養(yǎng)鹽負荷情況的研究[60].

2.4 AQUATOX模型

AQUATOX模型是由美國環(huán)境保護局(US EPA)開發(fā)的生態(tài)風險評估模型. 該模型包括營養(yǎng)鹽、懸浮物、水生植物、有機碎屑、生物和有毒有機化學物質等部分(見圖7)，其詳細方程見文獻[64]. 該模型能準確預測有機化合物和營養(yǎng)鹽在水生生態(tài)系統(tǒng)時空變化情況[65-66]、模擬生態(tài)閾值濃度、確定各種水質參數(shù)濃度變量變化并為TMDL發(fā)展提供技術支持[67]. AQUATOX模型最核心部分是食物網(wǎng)模塊[68]，通過該模塊能準確地計算污染物在食物鏈中的濃度[69-70]，并用于評估復雜水生生態(tài)系統(tǒng)中毒性應激造成的直接和間接影響[71]. AQUATOX模型具有結構靈活、用戶界面簡單易用、可為用戶提供多種分析手段等優(yōu)點，是現(xiàn)行最全面的生態(tài)風險評估模型之一[68,72-73]. 該模型已廣泛應用于水體有毒物質生態(tài)安全閾值、營養(yǎng)鹽含量分析[33，74]、氣候變化[75]、自然資源損害評估[76]等方面. 盡管該模型旨在促進新應用與情景的開發(fā)，但模型多數(shù)應用研究側重于基于食物網(wǎng)的有毒物質生態(tài)風險評估，卻缺少附生群落對水體有毒物質的評價指標[77].

圖7 AQUATOX基本原理[65]Fig.7 The basic principle of AQUATOX model[65]

注： RPOC(惰性顆粒有機碳)、LPOC(易降解顆粒有機碳)、DOC(溶解有機碳)、RPON(惰性顆粒 有機氮)、LPON(易降解顆粒有機氮)、DON(溶解有機氮)、RPOP(惰性顆粒有機磷)、LPON(易降解 顆粒有機磷)、DOP(溶解有機磷)、SU(顆粒態(tài)生物二氧化硅)、Bc(藍藻)、Bg(綠藻)、Bd(硅藻)； NO2,3(亞硝酸鹽和硝酸鹽)、PO4t(總磷酸鹽)、PO4d(顆粒態(tài)磷酸鹽)、PO4p(溶解態(tài)磷酸鹽)、 SA(二氧化硅)、SAd(顆粒態(tài)二氧化硅)、SAp(溶解態(tài)二氧化硅); TSS*來自水動力模塊.圖8 EFDC模型框架[89]Fig.8 Conceptual diagram of the EFDC model[89]

2.5 EFDC模型

EFDC (environmental fluid dynamics code)模型是美國環(huán)境保護局推薦的水質模型之一[78]. 該模型包含水動力模塊、泥沙輸運模塊、有毒物質模塊和水質模塊等四大模塊[79-80](見圖8)，模型基本方程參考文獻[34]. EFDC模型是基于有限差分的數(shù)值模擬系統(tǒng)，因此構建模型的第一步是將水體劃分成網(wǎng)格計算[81]. 在計算過程中，由于時間步長對模型模擬中的數(shù)值擴散有影響，所以時間步長是EFDC模型中流體動力學模塊的關鍵參數(shù)[82]. 該模型能準確分析營養(yǎng)鹽分布情況，以及外部營養(yǎng)鹽負荷和氣象條件對水質的影響[83]. 該模型已應用于流域水質評估[84]、河口污染控制[85]、湖泊熱效應[86]、三角洲泥沙輸運[87]、湖泊水齡[88]等領域. 但將該模型模擬藻類生長時，由于模擬藻類群數(shù)量有限，最多只能模擬3組，無法反映模型中未考慮的其他藻類因素. 為了提高藻類生長模擬的準確性，Kim等[89]將不同藻類組的最大生長速率分配到各區(qū)域，利用空間變異解釋影響藻類生長的相關因素.

2.6 CE-QUAL-W2模型

CE-QUAL-W2(a two dimensional, laterally averaged hydrodynamic and water quality model)模型是由美國陸軍工程兵團水路試驗站(USACE WES)開發(fā)，用于模擬地表水橫向二維、縱向垂直模型[90](見圖9). CE-QUAL-W2模型包含6個控制方程，即水平動量、水面高程、靜水壓力、連續(xù)性方程、水密度和營養(yǎng)鹽運輸方程[91]. 使用有限差分法獲取橫向平均流速和質量傳遞速率，方程參考文獻[92]. 該模型忽略橫向溫度變化[93]，利用流體動力學解釋水體縱向梯度變化[94]. CE-QUAL-W2模型已成功應用于熱量模擬、氣候變化、水質調查、水質預測、營養(yǎng)鹽負荷控制等領域[94-99]，該模型尤其適用于河流和狹長水庫地區(qū)[100]. 但該模型在水溫快速下降的金屬成礦帶水溫以及受到固定反射率系數(shù)的限制，造成其在季節(jié)性冰覆蓋地區(qū)應用的局限性[101]. 為此，Terry等[102]通過修改冰算法以結合可變反射率輔助補充實時監(jiān)測數(shù)據(jù)，以降低模型在寒帶區(qū)域水質模擬應用的不確定性.

注： RDOC(惰性溶解有機碳)、LDOC(易降解溶解有機碳)、RPOC(惰性顆粒有機碳)、 LPOC(易降解顆粒有機碳)、RDON(惰性溶解有機氮)、LDON(易降解溶解有機氮)、 RPON(惰性顆粒有機氮)、LPON(易降解顆粒有機氮)、RDOP(惰性溶解有機磷)、 LDOP(易降解溶解有機磷)、RPOP(惰性顆粒有機磷)、LPOP(易降解顆粒有機磷).圖9 CE-QUAL-W2模型水質變量框架[36]Fig.9 Water quality variable frame of CE-QUAL-W2 model[36]

2.7 MIKE模型

MIKE系列軟件模型是由丹麥水力研究所(DHI)開發(fā)的. MIKE系列模型作為一款商業(yè)軟件，擁有包括一維、二維和三維的多個模型集合. 已被廣泛的應用于：河口、河流、流域水量模擬[103]；南水北調工程水污染風險評估[104]；排水系統(tǒng)的區(qū)域分析和地面排水方案的優(yōu)化[105]；渠網(wǎng)優(yōu)化布置以及灌區(qū)運行系統(tǒng)優(yōu)化控制；潮汐、風暴潮、洪水分析預報[106]. MIKE系列模型最主要的優(yōu)點是擁有一個結構清晰、界面友好、應用廣泛的模擬系統(tǒng)[37]，可以與GIS、SWAT模型鏈接，以增加該系列模型的適用性. MIKE系列模型還具有功能強大的關卡設置功能，可以進行多種控制性關卡結構的設置，如橋墩、堰、閘、涵洞等[107]. 但該模型源程序不對外公布，使用時有相應的加密措施，需要付費且軟件包售價十分昂貴，并且需要多個模塊才能完成一個完整的系統(tǒng)模擬[108].

2.8 WASP模型

注：PHTY(浮游植物)、ON(有機氮)、ZOO(浮游動物)、 CBOD(化學需氧量)、PO4(正磷酸鹽)、OP(有機磷).圖10 WASP動力學關系示意[113]Fig.10 Schematic diagram of dynamic relationship of WASP[113]

WASP (water quality analysis simulation program)模型是由Di-Toro等[109]開發(fā)并在美國環(huán)境保護局流域和水質模擬技術支持中心(WWQTCS)的支持下不斷更新?lián)Q代，目前是模擬TMDL的重要建模工具之一[110]. WASP模型是基于組織化原理的水生系統(tǒng)動態(tài)模型，可以為各水體單元格編寫質量平衡方程，方程參考文獻[111]. 該模型假設各水體單元格完全混合，可根據(jù)用戶選擇自動匹配所需的水體單元格數(shù)量[112]. 該模型充分考慮了碎屑、沉積物、細菌、有機污染物等之間的關系[113](見圖10)，被譽為“萬能水質模型”[114]. 目前，WASP模型已被廣泛應用于溪流、湖泊、水庫、河流、河口、沿海水域等多種水質問題，為研究人員解釋和預測水質以應對各種污染管理決策問題提供技術支持. 但WASP模型也有局限性，且部分參數(shù)在不同水域之間存在差異性，參數(shù)值一般只能通過傳統(tǒng)反復試參法確定，導致不能準確地模擬特定水域的水質變化[11,115]. 為此，WANG等[11]簡化WASP模型所需參數(shù)數(shù)量，并采取非線性最小二乘法確定參數(shù)，結果表明，與基于傳統(tǒng)反復試參法相比，其所提出的軟傳感法具有更好的準確性.

3 生態(tài)模型的不確定性來源

復雜的生態(tài)模型通常被用作管理者基于生態(tài)系統(tǒng)管理水質的工具. 然而在模型的實際運用中，經常會受到模型的誤差源和不確定性的限制. 生態(tài)模型的不確定性主要源于建模過程、參數(shù)率定過程、模型的應用過程(見圖11). 基于此，建議在模型的實際運用過程中： ①使用自動校準工具校準模型. 與傳統(tǒng)的手動校準程序相比，自動校準軟件具有在參數(shù)數(shù)值范圍優(yōu)化方面的耗時少、校準效率高、參數(shù)迭代次數(shù)高等優(yōu)點，適用于復雜動態(tài)模型. ②建立長期自動監(jiān)測和數(shù)據(jù)共享機制，以期模型模擬值與觀測值有良好的擬合結果，減少模型的驗證誤差. 如Grechi等[116]由于實際運用模型過程中缺少觀測數(shù)據(jù)，進而沒有對生物的漂移、遷移、轉化、沉積物成巖等作用進行模型，故在模擬結果出現(xiàn)與季節(jié)性模擬觀測評估的不準確性.

圖11 生態(tài)模型的不確定性來源[117]Fig.11 Uncertainties in modeling the ecosystem[117]

4 結論與展望

a) 從生態(tài)模型領域知識結構和主題演變趨勢來看：2008—2018年國際上研究應用前沿與熱點領域涉及富營養(yǎng)化對水生態(tài)系統(tǒng)的影響、營養(yǎng)鹽循環(huán)對水生態(tài)環(huán)境的影響、氣候變化的影響及富營養(yǎng)化水體的管理問題；國內研究范圍則相對較窄，主要集中在水體富營養(yǎng)化問題相關領域應用.

b) 20世紀60年代末期的生態(tài)模型是水體TP、流域營養(yǎng)鹽負荷和葉綠素a的靜態(tài)模型，其中最典型的為Vollenweider(VOL)模型. 靜態(tài)模型具有簡單、易學的特點，但其最大的缺點是計算誤差較大.

c) 進入20世紀90年代后，生態(tài)模型經歷了多維模型和時間動態(tài)依賴模型的發(fā)展. 動態(tài)模型能夠更加全面地模擬水體富營養(yǎng)化的情況，且能代表水體富營養(yǎng)化的不同階段和程度，與靜態(tài)模型相比，其更具系統(tǒng)性、合理性，綜合評價能力更強；但由于監(jiān)測數(shù)據(jù)在空間、時間尺度選擇導致差異性較大，并且計算機處理能力的限制導致結果的差異性較大.

d) 增加模型的預警研究. 建立長期自動監(jiān)測和數(shù)據(jù)自動共享機制，以期模型模擬值與觀測值有良好的擬合現(xiàn)象，最大程度地發(fā)揮生態(tài)模型的功能識別能力.

e) 近年來，越來越多的生態(tài)模型在優(yōu)勢物種的功能特征方向進行建模. 當前生態(tài)模型研究熱點主要集中在全球變化(城鎮(zhèn)化、溫室效應、人口增長等)的影響對水體富營養(yǎng)化的中期預測與長期演變等相關領域的研究. 為使生態(tài)模型具有更準確的預測能力，新型試驗數(shù)據(jù)的采集與獲取大數(shù)據(jù)(遙感數(shù)據(jù)、高頻傳感器所獲得的數(shù)據(jù))、數(shù)據(jù)-模型耦合及數(shù)據(jù)同化、生態(tài)建模之間耦合等應用是未來發(fā)展趨勢.