杜成棟,潘繼征,張國正,李 勇,羅純良,李清濯,華躍洲 (1.蘇州科技大學(xué)環(huán)境科學(xué)與工程學(xué)院,江蘇 蘇州 21011;2.江蘇省環(huán)境科學(xué)與工程重點實驗室,江蘇 蘇州 21011;3.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,江蘇 南京 210008;4.江蘇緯信工程咨詢有限公司,江蘇 南京 210008;.昆明市滇池高原湖泊研究院,云南 昆明 60000;6.中國科學(xué)院大學(xué),北京 100049)

隨著人類活動加劇,點源、面源等外源污染物進入湖體[1],加上自身內(nèi)源污染等一系列因素,使得湖體水質(zhì)受到不同程度的影響[2],其中一部分水體出現(xiàn)富營養(yǎng)化現(xiàn)象。在適宜的條件下,水體富營養(yǎng)化通常引起某些特征性藻類迅速繁殖,最終導(dǎo)致藍(lán)藻暴發(fā)[3]。根據(jù)《2020中國生態(tài)環(huán)境狀況公報》,我國的110個重要湖泊(水庫)中,中度富營養(yǎng)化狀態(tài)占61.8%,重富營養(yǎng)化狀態(tài)占29%,其中滇池為重度富營養(yǎng)化[4]。

關(guān)于藍(lán)藻形成機理的研究,營養(yǎng)鹽與藻類生長之間的關(guān)系最受學(xué)者的關(guān)注。氮和磷是藻類水華暴發(fā)的關(guān)鍵營養(yǎng)元素[5-6]。已有大量研究表明,磷是淡水生態(tài)系統(tǒng)中藻類暴發(fā)的主要限制性營養(yǎng)物質(zhì)[7]。如SCHINDLER[8]對加拿大安大略省西北部湖進行氮和磷的添加試驗,發(fā)現(xiàn)添加磷的試驗幾周后出現(xiàn)了藍(lán)藻暴發(fā)的現(xiàn)象,表明磷有利于藍(lán)藻生長。氮被認(rèn)為是海洋生態(tài)系統(tǒng)中的限制因子[9]。學(xué)者們對不同湖泊數(shù)據(jù)進行收集和整理[10],發(fā)現(xiàn)藍(lán)藻的暴發(fā)受氮和磷的共同作用,而不是單一因素發(fā)揮作用。從時間角度來講,在春季磷通常是限制因子[11],夏季和秋季的溫度和氣象條件有利于藍(lán)藻生長,氮起到了關(guān)鍵作用[12]。國內(nèi)學(xué)者通過對太湖梅梁灣的水質(zhì)監(jiān)測和原位營養(yǎng)鹽添加實驗發(fā)現(xiàn),春季和冬季浮游生物的數(shù)量及生長率隨著磷含量的增加而增加,到了夏季和秋季氮則替代磷成為主要的限制因子[13]。因此藍(lán)藻的暴發(fā)與水體中氮磷營養(yǎng)鹽的含量密切相關(guān),通過模型模擬營養(yǎng)鹽與藍(lán)藻的變化關(guān)系可以為防治藍(lán)藻暴發(fā)提供依據(jù)。常規(guī)的一維模型難以模擬淺水湖泊在垂直方向上水體中營養(yǎng)鹽的分層現(xiàn)象,如SALMO(Simulation of an Analytial Lake Model)模型等;二維模型則缺乏構(gòu)建湖泊的水動力特征,如CE-QUAL-W2(Water Quality and Hydrodynamic in 2D)等;三維模型則可以很好地模擬湖泊流體動力學(xué)。

先前有關(guān)滇池藍(lán)藻與營養(yǎng)鹽的關(guān)系報道多以整個滇池(含草海和外海)或滇池外海作為一個整體區(qū)域進行研究[14-15]。而滇池外海作為滇池的主體水域,受氣象和水文條件的影響,其水質(zhì)和藍(lán)藻發(fā)生規(guī)律均具有較大的空間差異性[16]。因此,有必要對滇池外海藍(lán)藻進行分區(qū)研究。筆者結(jié)合最新的滇池藍(lán)藻水華程度級別界定標(biāo)準(zhǔn),結(jié)合外海水質(zhì)監(jiān)測點位布設(shè)規(guī)律,將外海劃分成南、中和北部3個大區(qū),每個大區(qū)中又分成8個小區(qū),總共24個分區(qū)(圖3),探討滇池藍(lán)藻與營養(yǎng)鹽的時空分布特征及營養(yǎng)鹽調(diào)控對藍(lán)藻的影響。同時通過滇池水質(zhì)與氣象數(shù)據(jù)構(gòu)建三維水動力水質(zhì)模型,采用人工和蒙特卡洛自動率定相結(jié)合的方法確定模型主要參數(shù),采用2018年的數(shù)據(jù)對模型進行率定,再應(yīng)用2019年的實測數(shù)據(jù)對模型模擬結(jié)果進行驗證,以檢驗?zāi)Ｐ蛥?shù)的適用性。使用率定及驗證校準(zhǔn)后的模型,設(shè)置不同的外源氮、磷削減情景(僅改變氮、磷或氮磷共同改變),探究外源營養(yǎng)鹽削減與滇池湖體營養(yǎng)鹽及藍(lán)藻對應(yīng)變化的響應(yīng)關(guān)系,為外源營養(yǎng)鹽調(diào)控及減少藍(lán)藻暴發(fā)提供科學(xué)支撐。

1 研究區(qū)概況與水質(zhì)數(shù)據(jù)

1.1 研究區(qū)域

滇池流域位于云貴高原中部,屬長江流域金沙江水系[17-18],是昆明市主要的社會經(jīng)濟發(fā)展區(qū)域,滇池流域面積為2 920 km2,占昆明市域面積的13.8%[19],南北長42 km,東西寬12.5 km,平均寬8.32 km,湖岸線長163 km,平均水深4.4 m,最深處(海眼)11.2 m,總蓄水為15.6億m3[20]。自20世紀(jì)80年代以來,滇池水體富營養(yǎng)化嚴(yán)重,影響了周圍群眾的生產(chǎn)活動[21]。

1.2 數(shù)據(jù)來源

氣象、地形、水文和水質(zhì)數(shù)據(jù)來源見表1。

表1 數(shù)據(jù)來源Table 1 Data sources

根據(jù)昆明市高原湖泊研究院提供的10個滇池國控監(jiān)測點1990—2019年逐月水質(zhì)監(jiān)測數(shù)據(jù)(Chl-a濃度數(shù)據(jù)從1999年開始)將滇池分為4個區(qū)域,具體點位分布見圖1。除上述數(shù)據(jù)外,2019年每季度對滇池湖體進行一次采樣。主要的分析指標(biāo)有:溶解氧(DO)濃度、pH值、透明度(SD)、水溫(WT)、總氮(TN)濃度、總磷(TP)濃度、Chl-a濃度。其中SD采用塞式透明度盤測量;DO濃度、pH值和WT采用攜式多參數(shù)水質(zhì)分析儀(AP 2000,Aquaread 公司,英國)測量;TN濃度采用堿性過硫酸鉀消解-紫外分光光度法測定[22];TP濃度采用鉬酸銨分光光度法測定[22];Chl-a濃度采用熱乙醇提取法測定[23]。數(shù)據(jù)采用統(tǒng)計學(xué)軟件SPSS 25.0和MATLAB 2012a分析處理,圖表采用Origin 2017繪制。

圖1 人工采樣點分布Fig.1 Distribution of sampling sites

2 模型與研究方法

2.1 AEM3D模型介紹

AEM3D模型是在ELCOM-CAEDYM模型的基礎(chǔ)上改進而來的,其中ELCOM模型是三維水動力模型,CAEDYM模型是水質(zhì)模型,兩者耦合能模擬受自然因素或人為活動影響的水體中的溫度、流速等水動力變化,也能模擬物理、化學(xué)、生物綜合影響的水質(zhì)變化。

2.1.1水動力模塊

ELCOM是由西澳大學(xué)水研究中心研發(fā)的三維數(shù)值模型,運用水動力學(xué)和熱力學(xué)原理,模擬河口、湖泊與沿海水域的不同深度分層水體的臨時狀態(tài),可用來預(yù)測受到的風(fēng)應(yīng)力、表面加熱與冷卻等環(huán)境力作用時水體的速度、溫度和鹽度的分布。ELCOM模型是在三維笛卡爾網(wǎng)格的計算單元上面實現(xiàn)模擬的。

主要控制方程組如下:

動能傳輸公式為

(1)

式(1)中,Uα、Uβ為湍流動能,m2·s-2;Uj為浮力;ρ為水體密度,kg·m-3;v1、v2、v3分別為x、y、z方向上湍流系數(shù)。

傳輸標(biāo)量為

(2)

式(2)中,C為常數(shù);Sc為傳輸標(biāo)量常數(shù);k1、k2、k3分別為x、y、z方向上相關(guān)系數(shù)。

2.1.2水質(zhì)模塊

CAEDYM模型是一個基于過程的水質(zhì)模型,與ELCOM耦合時,在每個ELCOM設(shè)定的時間步長之后更新生化過程。CAEDYM模型的生態(tài)配置可以選擇不同的水質(zhì)模塊,如無機物模塊、沉積和懸浮模塊、物質(zhì)循環(huán)(碳、氮、磷、硅)模塊、浮游植物模塊、浮游動物模塊、高等生物(魚類、底棲類和水母類)模塊等。CAEDYM 模型比傳統(tǒng)的N-P-Z模型更先進,因為它是一個通用的生物地球化學(xué)模型,可以模擬物種或群體特有的生態(tài)相互作用。它獨特的鹽度算法能夠模擬各種水生環(huán)境。

CAEDYM模型營養(yǎng)循環(huán)模擬過程中的常用參數(shù)如下文所示。

溫度:

(3)

式(3)中,T為藻類生長溫度,℃;g為藻類生物組數(shù);kg為常數(shù);νg為藻類生長溫度系數(shù);ag為實測溫度,℃;bg為藻類生長溫度補償系數(shù)。

溶解氧:

(4)

式(4)中,ρDO為溶解氧濃度,mg·L-1;KDOg為藻類分解所需溶解氧的半飽和常數(shù)。

沉積物通量釋放:

(5)

式(5)中,Sg為藻類生物量濃度,L-1;KDOS-g為沉積物需氧量的半飽和常數(shù);KpHS-g為沉積物酸堿度的半飽和常數(shù);CpH為水體的酸堿度;Zbot為底層深度,m。

再懸浮:

(6)

式(6)中,gsed為沉積層藻類生物量;αg為再懸浮速率常數(shù);τ為切應(yīng)力;τcg為藍(lán)藻再懸浮臨界切應(yīng)力;Ksed-g為藻類再懸浮控制常數(shù)。

有機物分解:

(7)

CAEDYM模型中N、P模塊的循環(huán)結(jié)構(gòu)如圖2所示,分別代表了礦化、生物攝入、分解、沉降、再懸浮等過程。

DONL—活性溶解性有機氮;DONR—難降解溶解性有機磷;PONL—活性溶解性有機磷;DONR—難降解溶解性有機氮;PIN—顆粒態(tài)無機氮;DON—溶解性有機氮;PON—顆粒有機氮;IN—無機氮;PIP—顆粒態(tài)無機磷;FRP—可溶性活性磷;POP—顆粒態(tài)有機磷;IP—無機磷。

應(yīng)用2018—2019年滇池湖體及出入湖河流的水質(zhì)數(shù)據(jù)、昆明站監(jiān)測氣象數(shù)據(jù)等,以AEM3D模型為基礎(chǔ),構(gòu)建滇池三維水動力水質(zhì)模型,采用人工和蒙特卡洛方法對模型主要參數(shù)進行校正,基于2018年的實測數(shù)據(jù)與模擬數(shù)據(jù)進行對比,找到誤差相對較小的一組參數(shù),隨后應(yīng)用該組參數(shù)進行2019年的水質(zhì)模擬,應(yīng)用2019年的實測數(shù)據(jù)檢驗?zāi)Ｐ偷哪M結(jié)果是否同樣適用。

滇池湖體的地形數(shù)據(jù)來自云南省生態(tài)環(huán)境廳,對該數(shù)據(jù)進行提取后,按照深度將湖體劃分成6層,表層深度為1 m,最后一層深度為2.5 m。將滇池分成200 m×200 m的網(wǎng)格,為166×103個,其中有效湖體網(wǎng)格為7 306個。對滇池外海水域進行分區(qū),總體分成南(S)、中(M)和北(N)3個大區(qū),每個大區(qū)又分成8個小區(qū),總共24個分區(qū),其命名規(guī)則、分區(qū)信息和出入流河道位置如圖3所示。

圖3 滇池模擬分區(qū)圖Fig.3 Simulated zoning map of Dianchi Lake

匯入滇池的主要河流有35條,其中部分為季節(jié)性斷流,因此此次模型使用其中31條非季節(jié)性斷流河流。為了配置模型的入流文件,對上述河流的水位、流量和水質(zhì)情況進行收集,入流河道斷面監(jiān)測點的經(jīng)緯度見表2。

表2 模型主要入湖河道監(jiān)測點經(jīng)緯度Table 2 The longitude and latitude of the main monitoring points of the river entering the lake

氣象文件作為AEM3D模型的邊界條件,是輸入文件最重要的一部分,該文件包含處理后的時間、氣壓(AP)、氣溫(AT)、相對濕度(RH)、降雨(PP)、風(fēng)速(WV)、風(fēng)向(WD)等參數(shù)數(shù)據(jù)。其中大部分?jǐn)?shù)據(jù)由昆明市滇池高原湖泊研究院提供,少數(shù)自測,由于懸浮物濃度(SS)目前監(jiān)測數(shù)據(jù)較少,模型中暫定為10,鹽度默認(rèn)為0。

2.2 模型率定

將模擬結(jié)果與實際觀測數(shù)據(jù)對比是模型必不可少的評估步驟[24]。對于復(fù)雜的水質(zhì)模型,其生物化學(xué)參數(shù)眾多,若采用傳統(tǒng)的人工率定方法來確定水質(zhì)參數(shù),不僅費時費力,還依賴模型使用者的經(jīng)驗和技術(shù),因此采用蒙特卡洛方法與人工調(diào)參相結(jié)合。蒙特卡洛方法是一種以概率統(tǒng)計理論為主要理論基礎(chǔ)的隨機抽樣計算方法,優(yōu)點在于避開了描述研究對象的復(fù)雜特性及其對整個系統(tǒng)的影響,直接以運用過程模擬替代系統(tǒng)分析[25]。

研究采用蒙特卡洛隨機抽樣方法對模型參數(shù)進行率定,首先根據(jù)文獻(xiàn)[26]設(shè)定參數(shù)的取值范圍,每次計算時在取值范圍內(nèi)隨機生成一組參數(shù)值,運算結(jié)束后,比較模擬值與實測值之間的誤差,多次迭代模擬后,選擇模擬值與實測值誤差最小的一組參數(shù)值作為模型的最優(yōu)化參數(shù)。最終確認(rèn)的參數(shù)見表3。

表3 AEM3D模型參數(shù)取值Table 3 Parameters of AEM3D model

采用均方根誤差(RMSE,ERMS)、納什系數(shù)(NSE,ENS)和相對誤差(RE,ER)作為模型評價指標(biāo),表達(dá)式為

(8)

(9)

(10)

2.3 外源營養(yǎng)鹽削減情景設(shè)置

基于AEM3D模型,考慮到外源營養(yǎng)鹽與湖體的相應(yīng)關(guān)系,設(shè)置不同程度的營養(yǎng)鹽削減比例,探究湖體的響應(yīng)關(guān)系。具體設(shè)計方案如下:削減外源TN濃度(10%、25%、50%、75%)、削減外源TP濃度(10%、25%、50%、75%)、同時削減外源TN與TP濃度(10%、25%、50%、75%),與2019年實測值進行對比。對削減情景模擬結(jié)果開展分析,探究不同的削減策略對滇池營養(yǎng)鹽和藍(lán)藻含量與分布的影響。

3 結(jié)果與分析

3.1 率定與驗證

滇池水體中TP率定和驗證的結(jié)果如圖4所示,實測值和模擬值存在較高的吻合度。率定期外海TP的模擬效果NSE達(dá)到0.93,全湖TP的RMSE為0.005,NSE為0.86,RE為5%,驗證期全湖TP的RMSE為0.01,NSE為0.67,RE為11%。率定期和驗證期TP的RMSE均在0.011以內(nèi),NSE均在0.6以上,RE均在12%以內(nèi),TP模型模擬值和觀測值之間擬合程度良好,能正確反映滇池湖體的TP濃度變化情況。

圖4 滇池水體中TP濃度的模擬與驗證對比Fig.4 Comparison of TP simulation and verification concentrations in Dianchi Lake

滇池水體中TN率定和驗證的結(jié)果如圖5所示,TN實測值和模擬值存在較高的吻合度。滇池草海和外海在率定期和驗證期的TN模擬值與觀測值基本一致,湖體TN模擬的RE在7.3%～19.6%之間。率定期全湖TP的RMSE為0.20,NSE為0.84,RE為8.4%,驗證期全湖水溫RMSE為0.34,NSE為0.68,RE為13.5%。率定期和驗證期TP的NSE均在0.63以上,RE均在20%以內(nèi),所以建立的模型能正確反映滇池湖體的TN濃度變化情況,TN模擬值和觀測值之間擬合程度良好。

圖5 滇池水體中TN濃度的模擬與驗證對比Fig.5 Comparison of TN simulation and verification concentrations in Dianchi Lake

Chl-a為湖體藻類濃度最直觀的反映指標(biāo),滇池Chl-a率定和驗證的結(jié)果如圖6所示,Chl-a實測值和模擬值大小基本一致。湖體Chl-a模擬的率定期RE為13.7%,驗證期RE為7.2%,RE均在15%以內(nèi);率定期RMSE為0.009,驗證期RMSE為0.007,RMSE均小于0.01;率定期NSE為0.90,驗證期NSE為0.87,NSE均大于0.6。總體來看,模擬結(jié)果能夠反映滇池Chl-a的整體變化規(guī)律。

圖6 滇池水體中Chl-a濃度的模擬與驗證對比Fig.6 Comparison of Chl-a simulation and verification concentrations in Dianchi Lake

3.2 營養(yǎng)鹽與藍(lán)藻分布特征模擬

圖7為2019年滇池TN濃度時空分布模擬圖,從圖中可以看出,草海的TN濃度較高,隨時間變化顯著(P<0.05),月均最大值為4.09 mg·L-1,出現(xiàn)在9月的斷橋點位,月均最小值為0.72 mg·L-1,出現(xiàn)在6月的草海中心點位。外海的TN濃度較低,且隨時間變化不明顯(P>0.05)。7月全湖的TN平均濃度最高,為1.67 mg·L-1,而相鄰的6月和8月出現(xiàn)全湖氮濃度降低現(xiàn)象,到了秋季全湖TN維持在較高的濃度。

圖7 2019年滇池TN濃度時空分布模擬Fig.7 Spatio-temporal distribution simulation of TN concentration in Dianchi Lake in 2019

滇池TP濃度的時空分布模擬如圖8所示,TP濃度變化范圍為0.05～0.09 mg·L-1,平均值為0.07 mg·L-1。外海TP濃度的月變化相對顯著(P<0.05)。草海夏、冬兩季的TP濃度較高,模擬結(jié)果與該年的實際情況一致。外海的TP濃度從2月開始逐漸升高,到5月濃度達(dá)到峰值,夏季的TP維持在較高的濃度。

圖8 2019年滇池TP濃度時空分布模擬Fig.8 Spatio-temporal distribution simulation of TP concentration in Dianchi Lake in 2019

圖9為2019年滇池藍(lán)藻Chl-a時空分布模擬圖。從圖9可以看出,一年之中滇Chl-a濃度有著明顯的逐月變化規(guī)律,春秋季節(jié)濃度高,冬季濃度低,從冬季到春季Chl-a濃度逐漸上升。模擬結(jié)果顯示,Chl-a濃度在5月和9月出現(xiàn)了2次峰值。

圖9 2019年滇池Chl-a濃度時空分布模擬Fig.9 Spatio-temporal distribution simulation of Chl-a concentration in Dianchi Lake in 2019

3.3 外源營養(yǎng)鹽削減情景模擬

3.3.1單因子營養(yǎng)鹽削減

如圖10所示,當(dāng)外源TN削減10%時,湖體TN濃度呈現(xiàn)下降的趨勢,平均濃度下降4.3%,同時湖體內(nèi)部TP也受微弱影響,下降1.3%,Chl-a的年均值幾乎無變化;外源TN削減25%時,湖體TN的濃度快速下降,年平均濃度下降11.5%,Chl-a年均值下降了3.4%;外源TN削減50%時,內(nèi)源TP的變化依舊不明顯,TN下降的趨勢減弱,下降了16.3%;當(dāng)外源TN下降75%時,湖體TN的降幅達(dá)到31.7%,TP的降幅為4.5%,Chl-a的年均降幅為8.5%。

圖10 不同外源TN、TP單獨削減下湖體TN、TP濃度及表層Chl-a濃度變化Fig.10 Changes in the corresponding concentrations of TN, TP and surface Chl-a concentration in the lake under the reduction of different exogenous TN and TP

如圖10所示,當(dāng)外源TP削減10%時,湖體TP濃度下降6.8%,同時湖體內(nèi)部TN受其影響,下降1.5%,Chl-a年均值變化不明顯;當(dāng)外源TP分別削減25%、50%、75%時,內(nèi)源TP分別下降12.7%、24.3%和34.9%,呈現(xiàn)一定的線性關(guān)系,內(nèi)源TN全程無明顯變化,Chl-a年均值從TP削減10%時下降0.9%迅速變?yōu)樵赥P削減75%時下降13.1%。

從圖11和圖12可以看出,在外源氮、磷削減的前期,Chl-a濃度無明顯變化;隨著時間的推移,Chl-a年內(nèi)波動變大;在第120～150天時,Chl-a隨外源氮、磷的削減量有明顯的變化,Chl-a的峰值無明顯下降趨勢。春季外源TP削減25%與50%時對Chl-a濃度的影響相似,夏季外源TP削減10%的情況下Chl-a濃度反而比無削減處理高。

圖11 不同外源TN削減下湖體表層Chl-a濃度隨時間的變化Fig.11 Changes of surface Chl-a concentration with time under different exogenous TN reduction

圖12 不同外源TP削減下湖體表層Chl-a濃度隨時間的變化Fig.12 Changes of surface Chl-a concentration with time under different exogenous TP reduction

3.3.2氮磷營養(yǎng)鹽同時削減

圖13為不同外源TN、TP同時削減下湖體TN、TP及表層Chl-a變化,圖14為不同外源TN、TP同時削減下湖體表層Chl-a濃度隨時間的變化。從模擬結(jié)果看,當(dāng)外源TN和TP輸入量同時減少10%時,Chl-a下降2.7%,明顯高于單一營養(yǎng)鹽的削減效果;當(dāng)兩者同時削減25%時,Chl-a的變化和只削減磷處理的變化幾乎一致;當(dāng)兩者削減量大于50%時,Chl-a變化高于單一營養(yǎng)鹽削減。Chl-a在春季變化較為顯著(P<0.05),在夏秋季節(jié)變化不顯著(P>0.05)。

圖13 不同外源TN、TP同時削減下湖體TN、TP及表層Chl-a濃度變化Fig.13 Changes of corresponding concentrations of TN, TP and surface Chl-a in the lake under simultaneous reduction of different exogenous TN and TP

圖14 不同外源TN、TP同時削減下湖體表層Chl-a濃度隨時間的變化Fig.14 Changes of surface Chl-a concentration with time under simultaneous reduction of different exogenous TN and TP

4 討論

4.1 營養(yǎng)鹽變化對Chl-a濃度的影響

已有研究表明,湖泊水體中的氮、磷營養(yǎng)鹽含量是藍(lán)藻生長的重要限制因子[28],這與該研究模型模擬結(jié)果一致(圖11)。在沉積物中越冬的藍(lán)藻是第2年春季藍(lán)藻暴發(fā)的根源,隨著溫度的上升、光照的加強,冬季埋藏在沉積物中的藍(lán)藻細(xì)胞開始進入到水體中,吸收水體中的氮、磷營養(yǎng)鹽,并且快速繁殖生長[29],因此5月Chl-a濃度出現(xiàn)了峰值(圖11)。

到了夏季光照強度大、溫度高,同時大量降水對湖水中營養(yǎng)鹽含量有稀釋作用,此時藻類的生長受到抑制。國內(nèi)學(xué)者對洱海藻類與環(huán)境因子關(guān)系的研究也發(fā)現(xiàn),夏季洱海流域藻類生長被抑制,這種現(xiàn)象是降雨產(chǎn)生的地表徑流對洱海水體中的營養(yǎng)鹽濃度有一定程度的稀釋作用導(dǎo)致的[30]。秋季光照開始減弱,且降水減少,更適合藻類的生長繁殖,Chl-a濃度達(dá)到最高值(圖11)。冬季的水溫為一年中最低,浮游藻類的生長受到抑制或衰亡,導(dǎo)致Chl-a濃度降低。研究表明,藻類本身含大量營養(yǎng)鹽[31],由于冬季水環(huán)境的變化部分藍(lán)藻會衰亡分解,在其分解過程中部分營養(yǎng)鹽會釋放到水體[32],導(dǎo)致Chl-a濃度低而氮、磷營養(yǎng)鹽濃度較高。

藍(lán)藻的暴發(fā)往往是生態(tài)系統(tǒng)突變的結(jié)果,Chl-a濃度的峰值相對均值更能評估藍(lán)藻風(fēng)險。根據(jù)研究結(jié)果顯示,滇池Chl-a濃度在5月和9月出現(xiàn)了2次峰值,因此可以在該段時間之前采取調(diào)水、打撈、外源削減等綜合措施減少藍(lán)藻爆發(fā)的面積和次數(shù)。

4.2 外源營養(yǎng)鹽削減對Chl-a濃度的影響

單因子營養(yǎng)鹽削減結(jié)果顯示(圖10),當(dāng)外源TN削減10%時,Chl-a濃度的年均值無明顯變化,當(dāng)外源TN分別削減25%、50%和75%時,Chl-a濃度年均值分別下降了3.35%、6.49%、8.50%;當(dāng)外源TP削減10%時,Chl-a濃度年均值變化不明顯;當(dāng)外源TP分別削減25%、50%和75%時,Chl-a濃度年均值分別下降了5.53%、8.97%和13.01%,說明Chl-a濃度對外源磷的響應(yīng)高于外源氮。馬健榮等[32]在富營養(yǎng)化湖泊中發(fā)現(xiàn),外源磷的增加通常會導(dǎo)致水體中Chl-a濃度在浮游植物群落中占優(yōu)勢,這與該研究結(jié)果其相似。外源氮、磷削減的前期,Chl-a濃度無明顯變化,但隨著時間的推移,Chl-a濃度波動變大,在第120～150天,Chl-a濃度隨外源氮、磷的削減量有明顯的變化。MINAUDO等對盧瓦爾河30 a的研究也發(fā)現(xiàn),減少氮、磷營養(yǎng)鹽的輸入是降低Chl-a的可行方法之一[33]。春季外源TP削減25%與削減50%對Chl-a濃度的影響相似,夏季外源TP削減10%時Chl-a濃度反而比無削減處理高?？紤]不同削減策略對藻類季節(jié)濃度的影響,春季和冬季磷削減引起的Chl-a濃度變化比氮削減顯著。

從同時削減TN和TP的模擬結(jié)果看(圖13),當(dāng)外源TN和TP輸入量同時減少10%時,Chl-a下降2.7%,明顯高于單一營養(yǎng)鹽的削減效果(圖15);當(dāng)兩者同時削減25%時,Chl-a的變化與只減少磷的變化幾乎一致,表明此時磷對Chl-a起到限制作用;當(dāng)兩者削減量大于50%時,Chl-a的變化高于單一營養(yǎng)鹽削減(圖15)。

圖15 不同削減方式下湖體表層Chl-a濃度變化Fig.15 Changes of surface Chl-a concentration under different reduction methods

Chl-a春季變化較大,夏、秋季的變化不明顯,可能是未考慮夏季調(diào)水對其的影響導(dǎo)致的。外源營養(yǎng)鹽控制是治理湖泊藍(lán)藻暴發(fā)的根本,否則任何湖內(nèi)治理都很難獲得長期效果。已有研究表明,同時控制氮、磷營養(yǎng)鹽的輸入來抑制藍(lán)藻暴發(fā)具有很好的效果[34]。對德國康斯坦斯湖的研究發(fā)現(xiàn),盡管溫度適宜藻類的生長,但降低外源營養(yǎng)物質(zhì)輸入,藍(lán)藻生物量仍得到大幅降低[35]。針對荷蘭Veluwe湖[36]和德國穆格爾湖[37]的研究同樣表明,降低外源營養(yǎng)鹽輸入量可以有效削減藍(lán)藻的優(yōu)勢度。CULLEN等[38]評估了削減外源營養(yǎng)鹽對43個湖泊的響應(yīng)結(jié)果,發(fā)現(xiàn)當(dāng)?shù)?、磷削減量在50%～75%之間,55%的湖泊富營養(yǎng)化等級有明顯的降低,營養(yǎng)鹽與Chl-a濃度顯著下降,其余湖泊營養(yǎng)鹽與Chl-a濃度有小幅度下降,但不顯著。UTTORMARK等[39]對現(xiàn)有的13個湖泊進行評估,發(fā)現(xiàn)當(dāng)外源輸入的TP與TN得到控制時,湖泊富營養(yǎng)化狀態(tài)發(fā)生了明顯的轉(zhuǎn)變,Chl-a濃度大幅度降低,水質(zhì)有所提升。華盛頓湖在外源營養(yǎng)鹽削減88%時,水體富營養(yǎng)化與水質(zhì)取得了明顯的改善,藍(lán)藻暴發(fā)現(xiàn)象減少[40]。因此通過調(diào)控外源營養(yǎng)鹽減少藍(lán)藻暴發(fā)是可行的手段。

5 結(jié)論

(1)基于滇池氣象、水質(zhì)及Chl-a濃度數(shù)據(jù),利用AEM3D模型構(gòu)建三維水動力水質(zhì)模型,模擬結(jié)果能夠較好的反應(yīng)滇池實際水質(zhì)情況。

(2)模擬結(jié)果顯示,春季Chl-a濃度在不斷增長,表明磷在藻類生長初期充當(dāng)重要的營養(yǎng)鹽因子,到了秋季,隨著溫度和氣象條件有利于藍(lán)藻的生長時,氮起到了關(guān)鍵作用。

(3)模擬單因子外源營養(yǎng)鹽不同比例削減時發(fā)現(xiàn),外源TP對藍(lán)藻的影響大于外源TN。在僅控制TP時,削減25%較為合理;在僅控制TN時,50%的氮削減能有效地減少湖內(nèi)Chl-a濃度。

(4)與單一營養(yǎng)鹽的削減相比,氮、磷營養(yǎng)鹽同時削減對Chl-a的影響更為顯著,在同時削減10%或50%以上時,削減效果明顯高于單一營養(yǎng)鹽。但在同時削減25%時,Chl-a濃度的變化與只減少25%磷的變化幾乎一致。