許多模型被用來識別對有害藍(lán)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(yù)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(guān)系，預(yù)報/預(yù)測性能最敏感的變量。然而，“相關(guān)性并不意味著因果關(guān)系”，統(tǒng)計敏感變量可能不一定是有害藍(lán)藻水華的因果因素。因此，預(yù)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(yù)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(xué)質(zhì)量和微量營養(yǎng)鹽。預(yù)測因子的重現(xiàn)性以及他們對藍(lán)藻的影響被定量評估，即與有害藍(lán)藻水華呈正相關(guān)或負(fù)相關(guān)。
圖7. 在有害藍(lán)藻水華預(yù)報和預(yù)測模型中，輸入變量被確定為主要預(yù)測因子的相對頻率，以及它們與有害藍(lán)藻水華的關(guān)系。綠色連續(xù)的箭頭表示正關(guān)系;紅色虛線箭頭表示負(fù)關(guān)系，黃色虛線箭頭表示不確定的關(guān)系。
水溫是主要的模型預(yù)測因子(31.5%的文章)，并且總是與有害藍(lán)藻水華呈正相關(guān)。較高的水溫加快了藍(lán)藻的生長速度和生物化學(xué)過程。在所有研究中，透明度是僅次于水溫的第二大有害藍(lán)藻水華最常見的物理預(yù)測因子，占所有研究的5%。透明度與有害藍(lán)藻水華呈負(fù)相關(guān)，在德國Stadtgraben湖、美國Russo湖和EalgeSpring湖的低藍(lán)藻生物量期間也觀察到同樣結(jié)果。
營養(yǎng)鹽是有害藍(lán)藻水華第二常見的預(yù)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(yù)測因子，總是與有害藍(lán)藻水華呈正相關(guān)。磷通常是藻類細(xì)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(guān)。在9.5%的文章中，氮化合物是主要的模型預(yù)測因子，根據(jù)優(yōu)勢物種和測量的氮形式對有害藍(lán)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(jié)果表明，除席藻外，所有藍(lán)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(jié)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(lán)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(lán)藻(長孢藻、微囊藻、束絲藻)進(jìn)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(fù)相關(guān)，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(yù)測三種超微型藍(lán)藻物種(Cyanodictyon imperfectum, Cyanogranis ferruginea和Synechococcus sp.)。所有藍(lán)藻物種對硝酸鹽的增加都有積極的正響應(yīng)，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(qiáng)烈正相關(guān)。物種特有的生理適應(yīng)(例如大氣固氮)可以解釋每種營養(yǎng)物質(zhì)(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(fù)荷減少的未來情景進(jìn)行評估，發(fā)現(xiàn)10%的TP負(fù)荷減少會降低總藍(lán)藻的豐度;然而，它也會增加非固氮藍(lán)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(lán)藻水華的主要預(yù)測因子。其中3.5%文章是氣溫，直接影響水溫。風(fēng)速和風(fēng)向也是主要預(yù)測指標(biāo)(6%文章)。風(fēng)速對有害藍(lán)藻水華的影響總是負(fù)的;微風(fēng)的情景往往與有害藍(lán)藻水華的形成相關(guān)。有研究者用Euler-Lagrangian模型研究了太湖藍(lán)藻水平和垂直運輸?shù)挠绊?，以及藍(lán)藻的生理響應(yīng)。該模型發(fā)現(xiàn)，早期水華是由被動力驅(qū)動的，如風(fēng)誘導(dǎo)的水平驅(qū)動的運輸，而水華后期是由生理不規(guī)則驅(qū)動的，如生長、營養(yǎng)吸收或可用性。滇池有害藍(lán)藻水華的Logistic回歸預(yù)測模型表明，較高的平均風(fēng)速抑制了有害藍(lán)藻水華，這是由于波浪分散了藍(lán)藻。藍(lán)藻由于湖泊的水動力模式而遷移，這是有害藍(lán)藻水華的主要預(yù)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(lán)藻水華數(shù)據(jù)之間有很強(qiáng)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(rèn)為SLR中的主要預(yù)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(yù)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(guān)，這也促進(jìn)了藍(lán)藻的生長。另一方面，在低降雨期，韓國Jinyang水庫的水深變淺，導(dǎo)致熱分層作用變強(qiáng)，藍(lán)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(lán)藻水華總是發(fā)生在沒有降水的穩(wěn)定氣候和低風(fēng)期。太陽輻照度(7%文章)通常與有害藍(lán)藻水華呈正相關(guān)，但只是次要的預(yù)測因子。對于輸入變量的水動力學(xué)組，在2%的文章中，進(jìn)水量是主要的預(yù)測因子，對有害藍(lán)藻水華的暴發(fā)有不同的影響。進(jìn)水量增加導(dǎo)致外部養(yǎng)分負(fù)荷增加，可能有利于有害藍(lán)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(lán)藻水華模型的分析的那樣。對該位置的有害藍(lán)藻水華生物量進(jìn)行最佳估計的模型發(fā)現(xiàn)，夏季Maumee河的流量是主要的預(yù)測因子。在這幾個月里，河流有更高的流量，較高的磷負(fù)荷進(jìn)入湖泊，這有助于有害藍(lán)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(lán)藻水華的生長。水位(5%的文章)經(jīng)常被確定為有害藍(lán)藻水華的主要預(yù)測因子，例如在佛羅里達(dá)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(lán)藻水華的增加有關(guān)。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(yù)測因子。作者認(rèn)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(rèn)為是有害藍(lán)藻水華的主要預(yù)測因子。浮游植物群落組成的變化可能為藍(lán)藻的未來行為提供了預(yù)測。例如，加拿大Champlain湖害藍(lán)藻發(fā)生的主要預(yù)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(lán)藻水華。在3%的文章中，土地利用被認(rèn)為是害藍(lán)藻水華發(fā)生的主要預(yù)測因子。土地利用可以間接地反映流域內(nèi)營養(yǎng)負(fù)荷的面積變化。除氮和磷化合物外，其他化學(xué)水質(zhì)變量和微量營養(yǎng)鹽也被認(rèn)為是害藍(lán)藻水華預(yù)測因子，但出現(xiàn)頻率較低。溶解氧(DO)和電導(dǎo)率對藍(lán)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(dāng)湖泊下層DO被耗盡時，藍(lán)藻生物量不斷增加。作者認(rèn)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(jìn)藍(lán)藻的生長。同樣，在南非的Vaal大壩，低的DO和高電導(dǎo)率是有害藍(lán)藻水華發(fā)生的主要預(yù)測因素。與此相反，中國太湖的有害藍(lán)藻水華發(fā)生與電導(dǎo)率呈強(qiáng)烈的負(fù)相關(guān)。pH常被認(rèn)為是有害藍(lán)藻水華的次要正預(yù)測因子。由于碳濃縮機(jī)制，許多藍(lán)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(yù)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(yù)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(zhì)，因為硅藻需要形成富含桂的細(xì)胞壁，因此大多數(shù)物種對這種營養(yǎng)物質(zhì)是必需的。由于硅藻和藍(lán)藻之間的競爭，二氧化硅和有害藍(lán)藻水華之間的負(fù)相關(guān)性將是可預(yù)期的。這些預(yù)測因子表明藍(lán)藻動態(tài)是十分復(fù)雜的，包含的相關(guān)輸入變量將影響對未來有害藍(lán)藻水華和模型預(yù)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(guān)系而阻礙模式識別，導(dǎo)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(biāo)。主成分分析(PCA)和典范對應(yīng)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。
聲明：所載內(nèi)容來源互聯(lián)網(wǎng)，僅供參考，交流之目的，轉(zhuǎn)載的稿件版權(quán)歸原創(chuàng)和機(jī)構(gòu)所有，如有侵權(quán)，請聯(lián)系我們刪除。
市場服務(wù)中心
總經(jīng)辦
微信掃一掃
