主要預測因子

2022-08-14 14:48:35 0 雙良環(huán)境

　　許多模型被用來識別對有害藍藻水華影響最大的輸入變量。在SLR中分析的文章中，大約用70%的文章確定了最敏感的變量，在這里命名為主要預測因子(表4)。如靈敏度分析、數(shù)據(jù)挖掘、主成分分析可用于評價輸入變量與模型輸出之間的統(tǒng)計關系，預報/預測性能最敏感的變量。然而，“相關性并不意味著因果關系”，統(tǒng)計敏感變量可能不一定是有害藍藻水華的因果因素。因此，預測者可以改善模型的性能，但不一定是對潛在現(xiàn)象的解釋。

　　SLR將每個模型最重要的預測因子分為八組：物理過程、營養(yǎng)養(yǎng)分、氣象因素、生物因素、水動力、土地利用、水化學質量和微量營養(yǎng)鹽。預測因子的重現(xiàn)性以及他們對藍藻的影響被定量評估，即與有害藍藻水華呈正相關或負相關。

　　圖7. 在有害藍藻水華預報和預測模型中，輸入變量被確定為主要預測因子的相對頻率，以及它們與有害藍藻水華的關系。綠色連續(xù)的箭頭表示正關系;紅色虛線箭頭表示負關系，黃色虛線箭頭表示不確定的關系。

　　水溫是主要的模型預測因子(31.5%的文章)，并且總是與有害藍藻水華呈正相關。較高的水溫加快了藍藻的生長速度和生物化學過程。在所有研究中，透明度是僅次于水溫的第二大有害藍藻水華最常見的物理預測因子，占所有研究的5%。透明度與有害藍藻水華呈負相關，在德國Stadtgraben湖、美國Russo湖和EalgeSpring湖的低藍藻生物量期間也觀察到同樣結果。

　　營養(yǎng)鹽是有害藍藻水華第二常見的預測因子組。磷化合物(以總磷、磷酸鹽或可溶性活性磷表示)在17.5%的文章中被確定為主要的模型預測因子，總是與有害藍藻水華呈正相關。磷通常是藻類細胞生長的限制養(yǎng)分。因此，其可用性的增加通常與富營養(yǎng)化有關。在9.5%的文章中，氮化合物是主要的模型預測因子，根據(jù)優(yōu)勢物種和測量的氮形式對有害藍藻水華有不同的影響(例如總氮、硝酸鹽、硝酸鹽)。例如在日本的Kasumigaura湖使用ANN模擬微囊藻、席藻、顫藻和針桿藻的增殖。結果表明，除席藻外，所有藍藻物種在總氮增加時生長速率就降低。在荷蘭Veluwemeer湖和Wolderwijd湖也觀察到類似的結果，同時使用HEA發(fā)現(xiàn)在這種情況下，低硝酸鹽濃度有利于藍藻而不是綠藻和硅藻。此外，利用廣義相加模型對中國湖泊(太湖、滇池和巢湖)三種藍藻(長孢藻、微囊藻、束絲藻)進行了分析。GAM模型表明，巢湖中只有長孢藻生物量的變化與氮濃度呈負相關，而所有其他情況都能很好地用水溫度波動來解釋。另一方面，在巴西Lajes水庫，利用HEA預測三種超微型藍藻物種(Cyanodictyon imperfectum, Cyanogranis ferruginea和Synechococcus sp.)。所有藍藻物種對硝酸鹽的增加都有積極的正響應，對硝酸鹽的敏感性高于總磷。有研究者在Victoria湖也觀察到類似的趨勢，硝酸鹽增加與PC濃度呈強烈正相關。物種特有的生理適應(例如大氣固氮)可以解釋每種營養(yǎng)物質(氮與磷濃度)的重要性的變化，即營養(yǎng)形式(溶解態(tài)/顆粒態(tài)、氧化/還原、生物可利用/難降解)，以及它們的比率(TN : TP)和基于不同形式的N和P的比率的變化。例如，使用PB的WASP模型對加拿大Winnipeg湖營養(yǎng)負荷減少的未來情景進行評估，發(fā)現(xiàn)10%的TP負荷減少會降低總藍藻的豐度;然而，它也會增加非固氮藍藻的總生物量。因此，建議的這一類案例的管理策略是減少總磷，同時不破壞最低的TN與TP比值。

　　在12%的文章中，氣象因子被確定為有害藍藻水華的主要預測因子。其中3.5%文章是氣溫，直接影響水溫。風速和風向也是主要預測指標(6%文章)。風速對有害藍藻水華的影響總是負的;微風的情景往往與有害藍藻水華的形成相關。有研究者用Euler-Lagrangian模型研究了太湖藍藻水平和垂直運輸?shù)挠绊懀约八{藻的生理響應。該模型發(fā)現(xiàn)，早期水華是由被動力驅動的，如風誘導的水平驅動的運輸，而水華后期是由生理不規(guī)則驅動的，如生長、營養(yǎng)吸收或可用性。滇池有害藍藻水華的Logistic回歸預測模型表明，較高的平均風速抑制了有害藍藻水華，這是由于波浪分散了藍藻。藍藻由于湖泊的水動力模式而遷移，這是有害藍藻水華的主要預測因子，正如在美國Milford湖所觀察到的那樣，在水流融合區(qū)和遙感分析獲得的有害藍藻水華數(shù)據(jù)之間有很強的一致性。其他氣象因素，如氣壓(1.25%文章)和降雨量(1.25%文章)，也被認為SLR中的主要預測因素。美國310個湖泊未來情景的分析表明，降雨作為一個活躍的預測因子，可能與由于徑流增加而增加系統(tǒng)上的營養(yǎng)輸入有關，這也促進了藍藻的生長。另一方面，在低降雨期，韓國Jinyang水庫的水深變淺，導致熱分層作用變強，藍藻生物量變高。在美國Mendota湖也觀察到了類似的趨勢，那里的有害藍藻水華總是發(fā)生在沒有降水的穩(wěn)定氣候和低風期。太陽輻照度(7%文章)通常與有害藍藻水華呈正相關，但只是次要的預測因子。對于輸入變量的水動力學組，在2%的文章中，進水量是主要的預測因子，對有害藍藻水華的暴發(fā)有不同的影響。進水量增加導致外部養(yǎng)分負荷增加，可能有利于有害藍藻水華生長，如近幾十年來加拿大/美國西伊利湖最近的有害藍藻水華模型的分析的那樣。對該位置的有害藍藻水華生物量進行最佳估計的模型發(fā)現(xiàn)，夏季Maumee河的流量是主要的預測因子。在這幾個月里，河流有更高的流量，較高的磷負荷進入湖泊，這有助于有害藍藻水華的發(fā)生。在韓國Padang湖，通過BN方法觀察到來水量的增加可能會增加沖洗和湍流，這阻礙了有害藍藻水華的生長。水位(5%的文章)經常被確定為有害藍藻水華的主要預測因子，例如在佛羅里達的七座淺水富營養(yǎng)化水庫的未來氣候情景評估中，那里的低水位與長期干旱與有害藍藻水華的增加有關。同樣，在巴西Joanes水庫，使用了廣義線性模型發(fā)現(xiàn)低水位是解釋隱球藻優(yōu)勢的主要預測因子。作者認為，低水位可能有助于穩(wěn)定水分層，讓湖下層營養(yǎng)循環(huán)和積累更快，這可能有利于隱球藻競爭超過其他藻類。在6%的文章中，生物變量被認為是有害藍藻水華的主要預測因子。浮游植物群落組成的變化可能為藍藻的未來行為提供了預測。例如，加拿大Champlain湖害藍藻發(fā)生的主要預測因子是多樣性水平的降低，群落多樣性先減少伴隨著有害藍藻水華。在3%的文章中，土地利用被認為是害藍藻水華發(fā)生的主要預測因子。土地利用可以間接地反映流域內營養(yǎng)負荷的面積變化。除氮和磷化合物外，其他化學水質變量和微量營養(yǎng)鹽也被認為是害藍藻水華預測因子，但出現(xiàn)頻率較低。溶解氧(DO)和電導率對藍藻動態(tài)有不同的影響。用生態(tài)位模型在中國巢湖的確定了DO降低后微囊藻水華減少。另一方面，在韓國Jinyang水庫表層水體中，當湖泊下層DO被耗盡時，藍藻生物量不斷增加。作者認為，降雨少使得水體分層穩(wěn)定，所以地表水溫度較高，就會促進藍藻的生長。同樣，在南非的Vaal大壩，低的DO和高電導率是有害藍藻水華發(fā)生的主要預測因素。與此相反，中國太湖的有害藍藻水華發(fā)生與電導率呈強烈的負相關。pH常被認為是有害藍藻水華的次要正預測因子。由于碳濃縮機制，許多藍藻可以在高pH環(huán)境中存活，并傾向于在堿性水域競爭超越其他真核藻類，這一現(xiàn)象在日本的Kasumigaura湖、中國的于橋水庫被都觀察到。微量元素二氧化硅在一些文章中也被確定為次要預測因子，但是這根據(jù)物種而異。例如，在Veluwemeer湖和Wolderijd湖，二氧化硅濃度是高密度顫藻的預測因子;但在荷蘭的Kasumigaura湖和日本Suwa湖，對于微囊藻則不適用。二氧化硅是硅藻的一種重要營養(yǎng)物質，因為硅藻需要形成富含桂的細胞壁，因此大多數(shù)物種對這種營養(yǎng)物質是必需的。由于硅藻和藍藻之間的競爭，二氧化硅和有害藍藻水華之間的負相關性將是可預期的。這些預測因子表明藍藻動態(tài)是十分復雜的，包含的相關輸入變量將影響對未來有害藍藻水華和模型預測的能力。然而，增加輸入變量并不是提高性能的先決條件，因為更多的輸入變量可能會由于交叉關系而阻礙模式識別，導致數(shù)據(jù)過度擬合。實際上，降維一直是SLR中許多模型的目標。主成分分析(PCA)和典范對應分析(CCA)在SLR中常用于降維。降維除了有利于推理規(guī)則的公式化外，還可以降低成本、減少模型計算時間和改善整體效率。