基于氣象數(shù)據(jù)的洱海藍藻水華驅動因子及預警研究

陳莉瓊， 張 嬌， 陳曉玲*， 蔡明祥， 李海軍, 余永明

(1.武漢大學 測繪遙感信息工程國家重點實驗室， 武漢 430079；2.江西師范大學 鄱陽湖濕地與流域研究教育部重點實驗室， 南昌 330022;3.北京城建勘測設計研究院有限責任公司， 北京100101)

?

基于氣象數(shù)據(jù)的洱海藍藻水華驅動因子及預警研究

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 測繪遙感信息工程國家重點實驗室， 武漢 430079；2.江西師范大學 鄱陽湖濕地與流域研究教育部重點實驗室， 南昌 330022;3.北京城建勘測設計研究院有限責任公司， 北京100101)

以2013年洱海夏秋季藍藻水華遙感監(jiān)測結果為基礎，探討影響藍藻水華形成的主要氣象要素，統(tǒng)計分析發(fā)現(xiàn)，洱海藍藻水華多發(fā)生在陰雨天轉晴之后，長時間強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，同時低風速、低氣壓有利于藍藻上浮聚集，對水華形成起到促進作用.在此基礎上，構建以水華發(fā)生與否的二值變量為因變量，各氣象因子為預測變量的Logistic藍藻水華氣象風險概率預測模型.結果表明，模型各項檢驗指標均表現(xiàn)良好，預測準確率達到87.5%，該模型能夠用于分析影響洱海藍藻水華形成的關鍵氣象因素，同時證明了利用氣象數(shù)據(jù)輔助實現(xiàn)水華監(jiān)測、預報預警的可行性.

洱海; 藍藻水華; 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28.8×108m3(水位1 966 m).自1990s以來，由于人類活動的影響，洱海水質不斷下降，當前正處于中營養(yǎng)向富營養(yǎng)化湖泊轉變的過渡階段[1].2013年夏秋季，洱海再次發(fā)生大規(guī)模藍藻水華，影響了湖泊水生態(tài)環(huán)境，威脅著沿湖居民飲用水安全.因此有效實現(xiàn)水華監(jiān)測，分析水華發(fā)生規(guī)律，探究影響水華發(fā)生的驅動因素，對于預防和治理洱海藍藻水華具有重要意義.

國內外對內陸湖泊藍藻水華的相關研究表明[2-3]，在湖泊富營養(yǎng)化使水體內營養(yǎng)鹽滿足藍藻生長的前提下，氣象與水文條件的驅動作用，是誘發(fā)水華藍藻上浮集聚的關鍵.Ndong等[4]利用溫度、風速、風向構建水華氣象指數(shù)模型，分析了在湖泊氮磷比滿足藍藻繁殖的先決條件下，氣象條件對水華的影響；Zhang等[5]對太湖藍藻水華的研究表明，水華發(fā)生起始時間和持續(xù)時間同溫度、日照呈顯著負相關，而與風速和降水呈正相關；謝國清等[6]發(fā)現(xiàn)日照和風速是影響滇池水華發(fā)生的關鍵因素.不同湖泊的氣候環(huán)境條件及湖泊特性差異導致影響水華發(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30余米，由此造成的水溫分層效應也可能影響著藻類生長繁殖[9].從洱海特殊地域氣候環(huán)境出發(fā)，分析洱海藍藻水華成因，王蕓[10]發(fā)現(xiàn)藻類密度同光照強度及氣溫呈正相關；蔡燕鳳等[11]認為高溫、低降水量和低風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，不能準確反映以遙感監(jiān)測藍藻覆蓋水面為主要特征的水華現(xiàn)象，實際在夏秋季水華易發(fā)階段，湖區(qū)內葉綠素濃度(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系，同時利用Logistic回歸模型，構建以氣象因子為預測變量的藍藻水華氣象風險概率模型，以概率的形式表現(xiàn)氣象條件對于水華暴發(fā)的影響，實現(xiàn)了從簡單定性分析到定量表示氣象因素協(xié)同作用于藍藻水華.

本文針對2013年洱海藍藻水華暴發(fā)事件，借助遙感技術獲取藍藻水華信息，同時分析水華同期氣溫、日照、降水、氣壓等氣象條件同水華的相關性，探究影響洱海藍藻水華發(fā)生的主要氣象因素，進而利用Logistic回歸模型，構建洱海藍藻水華氣象風險概率模型，定量分析氣象條件同藍藻水華的關系，為提高藍藻水華監(jiān)測能力，科學預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)來源，經(jīng)目視檢驗，共得到可用影像16景?；贓NVI軟件，進行輻射定標、幾何校正等預處理。同期氣象數(shù)據(jù)獲取自中國氣象科學數(shù)據(jù)共享服務網(wǎng)，站點為大理站(25°42′N, 100°11′E)，包括氣溫、氣壓、降水量、日照時數(shù)、風速風向等逐日氣象數(shù)據(jù)。

同期氣象數(shù)據(jù)下載自中國氣象科學數(shù)據(jù)共享服務網(wǎng)(http://cdc.nmic.cn)，站點為大理氣象站(25°42′N， 100°11′E)，包括氣溫、氣壓、降水量、日照時數(shù)、風速風向等逐日氣象數(shù)據(jù).

1.2研究方法

1.2.1水華信息提取及統(tǒng)計方法 大量藍藻在水面聚集，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，能消除復雜大氣環(huán)境的干擾，結果更穩(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分別為對應波段的中心波長.

受到遙感數(shù)據(jù)時間分辨率和天氣狀況的限制，獲取的水華時間信息不是連續(xù)的，參照太湖水華研究[15-16]及洱海歷史水華資料[17-18]，對洱海水華發(fā)生次數(shù)和持續(xù)時間進行界定，認為在氣象條件比較穩(wěn)定的時期內，相隔3～5 d內的水華日歸為一次水華事件.例如遙感監(jiān)測表明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，故認定同屬一次水華，持續(xù)時間為2～14 d.

1.2.2Logistic模型 在以藍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?shù)姆椒?，此時分析氣象因素對藍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系.

Logistic回歸模型作為一種非線性回歸概率模型，通過轉換問題為分析被預測變量的條件概率同預測變量之間的關系，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，在二分類因變量問題中有較多應用[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，構建Logistic回歸模型，選擇Hosmer-Lemeshow檢驗模型擬合優(yōu)度，并利用Wald統(tǒng)計量對回歸系數(shù)進行檢驗，確定最優(yōu)回歸模型.

2 洱海藍藻水華統(tǒng)計及氣象條件分析

2.1洱海藍藻水華信息統(tǒng)計

結合遙感監(jiān)測及歷史資料可知，2013年8～11月洱海共發(fā)生6次藍藻水華，持續(xù)時間達26 d(圖1)，藍藻水華最早出現(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)時間較短，均為3 d，9月、11月分別發(fā)生兩次水華，持續(xù)時間為5 d和14 d.北部和中部水域是藍藻水華的多發(fā)地帶，尤其是大型水華集中發(fā)生在中部水域，10、11月藍藻水華分布區(qū)域最廣，幾乎覆蓋整個洱海，最大覆蓋面積分別達到28 km2、17 km2.

圖1 2013年洱海藍藻水華發(fā)生時間分布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)生時段內日平均氣溫和日最高氣溫變化幅度較大，在整個水華發(fā)生階段，有整體下降的趨勢，兩者不能反映溫度同水華的關系，但是在水華發(fā)生時，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相關系數(shù)為0.58(在0.01水平上雙側顯著相關)，尤其是11月初連續(xù)多日氣溫日較差在15℃以上(圖2(a))，這也可能是導致該次水華持續(xù)時間長達13 d的原因，因此較大的氣溫日較差對藍藻水華爆發(fā)具有一定促進作用，故選取氣溫日較差作為氣溫指標分析對水華的影響.

圖2 洱海藍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 從洱海藍藻水華發(fā)生時日照變化可知(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)，日照時數(shù)普遍偏長，平均日照時數(shù)為9.1 h，最高達10.4 h(9月14日).日照時數(shù)同水華的相關系數(shù)為0.53，剔除有降雨的時段，相關系數(shù)達到0.8(在0.01水平上雙側顯著相關).同時發(fā)現(xiàn)在水華爆發(fā)前1～3日日照時數(shù)均較低，表明在水華發(fā)生前普遍會有陰雨天氣出現(xiàn)，而天氣轉晴之后突增的強日照可能是誘發(fā)水華發(fā)生的原因.因此，日照對于水華發(fā)生有明顯影響，強日照天氣，尤其是天氣由陰轉晴，日照突增，有利于藍藻上浮聚集，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)降雨導致溫度下降，日最高氣溫由25℃降低16℃，10月9日之后天氣轉晴，氣溫回升，最高氣溫超過25℃，次日洱海發(fā)生大面積水華.由此可知，降水導致氣溫降低，一定程度上抑制了藍藻的生長，同時強降水對湖泊水體的攪動作用，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，但是當連續(xù)多日陰雨天氣結束，天氣轉晴時，由此帶來的氣溫升高，日照增加，則是藍藻水華的誘發(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系，而比較水華發(fā)生前同水華發(fā)生當日氣壓變化，發(fā)現(xiàn)水華發(fā)生時，氣壓有明顯的下降趨勢，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 風速過大，會對水體產(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，較低的風速是重要影響因素.

統(tǒng)計水華發(fā)生日平均風速，其中有22日小于2 m/s，占總天數(shù)的85%；最大風速在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%.平均風速和最大風速均值分別為1.5 m/s和4.1 m/s，由此可知，風速較低時，對水體的擾動作用較小，有利于藍藻上浮聚集.

3 洱海藍藻水華氣象預測模型

從眾多氣象變量中篩選影響水華發(fā)生的主要氣象因子是建立氣象預測模型的首要任務.洱海水華一般發(fā)生在夏秋季，在陰雨天轉晴之后，強日照、氣溫日較差較大的天氣下，當氣壓偏低，風速較低時，水華發(fā)生的風險會較高.基于上述分析，初步確定氣溫日較差、日照時數(shù)、平均風速、較前3日氣壓差、日降雨量5個參數(shù)指標作為自變量因子，以水華發(fā)生與否作為被預測變量，構建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題.選擇方差膨脹因子(VIF)對自變量因子做多重共線性診斷.結果表明，當自變量分別剔除氣溫日較差和日照時數(shù)，兩者的VIF由6.1和5.9降至1.2以內，滿足共線性檢驗條件，同時發(fā)現(xiàn)兩者的Pearson相關系數(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相關.不難理解，陰雨天，日照時數(shù)偏低，同時大氣對太陽輻射的削弱作用導致白天增溫較慢，而夜間大氣保溫導致降溫慢，從而氣溫日較差較?。欢缣?，日照時間較長，白天太陽輻射強烈，地面升溫快，夜間地面輻射相對較強，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，能夠解決共線性問題，進而建立最佳回歸方程.

3.2Logistic模型結果及分析

2013年8～11月期間122 d，共26 d發(fā)生藍藻水華，采用交叉驗證方法，將全部數(shù)據(jù)隨機均分為5組，每次選取一個子集作為驗證集，其余4組作為訓練樣本，依據(jù)最優(yōu)預測精度得到Logistic回歸模型.

按照逐步回歸最終選取包括日照時數(shù)、平均風速、較前3日氣壓差、日降雨量在內的4個氣象因子，在5組試驗中，Logistic模型預測準確率最低為83.3%，最高為87.5%，充分說明了該模型在洱海水華氣象預測中的適用性.根據(jù)最高預測準確率得到最佳回歸方程：

ApΔ-1.141·W+0.171·P.

(3)

其中，ρ表示預測概率，S表示日照時數(shù)，ApΔ表示較前3日氣壓差，W表示平均風速，P表示日降雨量.

在模型擬合優(yōu)度Hosmer-Lemeshow檢驗中，sig.=0.826>0.05，統(tǒng)計不顯著，表明模型很好地擬合了數(shù)據(jù)；預測正確率為87.5%，表明模型具有較好的穩(wěn)定性.采用Wald統(tǒng)計量檢驗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)計性顯著，其中日照時數(shù)的Wald值為15.58明顯高于其他氣象要素，說明該要素對于藍藻水華的影響最為顯著，同單因素分析中水華同日照時數(shù)強相關相一致.

圖3 Logistic模型概率預測結果驗證Fig.3 Verification of Logistic forecast model

進一步分析模型預測結果(圖3)，可以看出，出現(xiàn)漏報的情況一般發(fā)生在水華發(fā)生后期，此時藍藻水華發(fā)生不僅僅同氣象條件有密切關系，水華前期發(fā)生規(guī)模和程度也對后期水華發(fā)展有很大影響，大規(guī)模的水華不可能在短時間內從水面消失，導致水華仍在繼續(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，17日有11.9 mm降雨，日照時數(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)測結果，在洱海北部和中部均出現(xiàn)藍藻水華，因此并不能單單以該日預測風險概率為16.4%，就判定為漏報.同樣，對于結果中出現(xiàn)的共7日錯報情況進行分析，除8月6日和9月23日外，其余錯報情況均出現(xiàn)在水華發(fā)生前后5日以內，如11月1日預測概率為53.6%，次日監(jiān)測到藍藻水華，在缺少當日遙感監(jiān)測數(shù)據(jù)的情況下，無法判斷11月1日是否發(fā)生水華，而直接認定為錯報顯然是不合理的.

同時，分析模型預測結果同水華覆蓋面積之間關系(圖4)，發(fā)現(xiàn)水華覆蓋面積越大，對應預測概率也越大，如10月水華覆蓋面積最大約28 km2，預測概率達到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，此時預測氣象概率也降到67%.說明Logistic模型預測結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，對于大型水華預報預警具有重要意義.

圖4 Logistic模型預測結果同水華覆蓋面積的關系Fig.4 The relationship between the result of Logistic model and blooms area

4 討論

本文以遙感監(jiān)測結果“發(fā)生”、“不發(fā)生”的二值變量作為被預測值，利用Logistic回歸模型，建立其同氣象因子之間的聯(lián)系，實現(xiàn)了基于氣象數(shù)據(jù)分析水華發(fā)生風險概率估算，相比其他研究中以葉綠素濃度等作為表征水華的參量，該模型預測目標直觀、明確，得到的氣象風險概率，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，驗證了初步篩選關鍵氣象因子結果的可信性.日照時數(shù)同氣溫日較差表現(xiàn)出較強相關，在水華形成初期起到關鍵作用，藍藻細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，吸收光能進行光合作用，而此時較高的溫度又能增加光合作用速率，是水華形成的關鍵影響因素.降雨、氣壓及風速均與水華呈負相關，降雨導致溫度降低，日照減少，抑制了藍藻生長；低氣壓，低風速有利于水體中已經(jīng)大量存在的藻類細胞上浮，促進水華的發(fā)生.

在模型預測準確度分析中，發(fā)現(xiàn)錯報、漏報現(xiàn)象較多出現(xiàn)在水華發(fā)生前后較短時間內，此時不能單單以當日預測結果作為評斷標準，應該在考慮遙感監(jiān)測確定水華起始時間的可靠性及分析歷史水華數(shù)據(jù)基礎上，加入合理先驗知識，更加客觀地評價模型預測結果.在水華監(jiān)測預警中，人們往往關注對于水華起始階段的確定，以便及時開展應急預防治理工作，可以考慮加入“在已知水華起始日前3日內預測結果有效”的判斷條件，重新評估模型結果：如11月上旬水華事件中，1～3日預測概率分別為53.6%，25.2%，67.1%，雖然遙感監(jiān)測結果表明水華始于2日，但依據(jù)上述設定，可認為1日預測結果在誤差范圍以內，不屬于錯報.對于水華期間的漏報情況，可以綜合考慮前后幾日內預測結果，若出現(xiàn)高風險概率情況，就不能直接做出無風險預報，而應當同樣加強現(xiàn)場水華監(jiān)測，根據(jù)其他環(huán)境條件做出綜合判斷.

將遙感技術應用于水華監(jiān)測，相比其他現(xiàn)場調查等方法，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)得到的模型預測效果較好，表明該方法用來分析洱海藍藻水華是可行的，但是還應當考慮到遙感數(shù)據(jù)受天氣影響較大，導致獲取的水華信息不可避免存在一定誤差，所以應該考慮結合其他監(jiān)測手段，以獲取更為完整的水華監(jiān)測數(shù)據(jù)，降低數(shù)據(jù)誤差，提高模型精度.

在富營養(yǎng)化湖泊中，水體中氮磷等營養(yǎng)物質滿足藍藻生長需要，此時營養(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)生的關鍵，基于此建立的氣象風險概率預測模型，重點分析氣象因素對水華的影響，若將該模型應用到實際洱海水華預測中，還存在一定局限性，還需要綜合分析水質、氣象等環(huán)境條件的影響，進一步驗證分析，完善預測模型.

5 結論

以2013年洱海藍藻水華遙感監(jiān)測結果為基礎，分析了洱海湖區(qū)氣象條件變化對水華暴發(fā)的影響，結果表明日照和氣溫同水華發(fā)生具有更顯著的相關性，水華一般發(fā)生在強日照和氣溫日較差較大的情況下；雖然氣壓、風速對水華的影響較小，但在低氣壓、低風速的條件對水華的促進作用也不容忽視.利用Logistic回歸建立氣象風險概率預測模型，將氣象因子同遙感監(jiān)測水華結果建立直接聯(lián)系，預測準確率達87.5%，該模型能夠用于輔助藍藻水華監(jiān)測預報.針對模型存在的錯誤預測情況，下一步還應該考慮借助其他監(jiān)測手段，獲取更為完善準確的水華及其他監(jiān)測數(shù)據(jù)，提高模型預測準確性，并應用于實際水華預測工作.

[1] 彭文啟，王世巖，劉曉波. 洱海水質評價[J]. 中國水利水電科學研究院學報， 2005， 3(3): 192-198．

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

[3] 孔繁翔，馬榮華，高俊峰， 等. 太湖藍藻水華的預防， 預測和預警的理論與實踐[J]. 湖泊科學， 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] 謝國清， 李 蒙， 魯韋坤， 等. 滇池藍藻水華光譜特征、遙感識別及暴發(fā)氣象條件[J]. 湖泊科學， 2010， 22(3): 327-336．

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

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

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

[10] 王 蕓. 洱海夏秋季藍藻種群動態(tài)變化及水華成因分析[J]. 大理學院學報(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)狀及存在問題[J]. 地球科學前沿， 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， 呂學研. 太湖遙感可測性藍藻水華發(fā)生條件分析[J]. 環(huán)境科學與技術， 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)星遙感的太湖藍藻水華時空分布規(guī)律認識[J]. 湖泊科學， 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. 洱海水華藍藻多樣性初步研究[J]. 環(huán)境科學導刊， 2010， 29(3): 32-35．

[18] 董云仙. 云南九大高原湖泊藻類研究進展[J]. 環(huán)境科學導刊， 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.

國家水體污染控制與治理科技重大專項(2013ZX07105-005);國家自然科學基金項目(41301366);測繪地理信息公益性行業(yè)科研專項項目(201512026).

1000-1190(2016)04-0606-06

P334+.6;P237

A

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