氮磷比對(duì)湖泊富營(yíng)養(yǎng)化模型參數(shù)敏感性的影響

王玉琳,汪 靚,華祖林,陳 丹,程浩淼,李 嘉,程吉林,劉 芳

氮磷比對(duì)湖泊富營(yíng)養(yǎng)化模型參數(shù)敏感性的影響

王玉琳1,汪 靚2*,華祖林3,陳 丹1,程浩淼1,李 嘉1,程吉林2,劉 芳4

(1.揚(yáng)州大學(xué)環(huán)境科學(xué)與工程學(xué)院,江蘇 揚(yáng)州 225127；2.揚(yáng)州大學(xué)水利科學(xué)與工程學(xué)院,江蘇 揚(yáng)州 225009；3.河海大學(xué)環(huán)境學(xué)院,淺水湖泊綜合治理與資源開發(fā)教育部重點(diǎn)實(shí)驗(yàn)室,江蘇 南京 210098；4.江蘇省水文水資源勘測(cè)局揚(yáng)州分局,江蘇 揚(yáng)州 225002)

運(yùn)用Morris方法研究了藍(lán)藻暴發(fā)期不同氮磷比條件下,巢湖富營(yíng)養(yǎng)化模型中藍(lán)藻、溶解有機(jī)碳、營(yíng)養(yǎng)物和溶解氧的參數(shù)敏感性.結(jié)果表明:藍(lán)藻的敏感參數(shù)隨氮磷比不同有顯著差異;氮缺乏情況下,藍(lán)藻對(duì)氮轉(zhuǎn)化過程相關(guān)參數(shù)較敏感;磷缺乏情況下則反之.在任何氮磷比條件下,溶解有機(jī)碳、營(yíng)養(yǎng)物和溶解氧等非生物變量都是對(duì)直接參與其自身轉(zhuǎn)化過程的參數(shù)最為敏感,它們?cè)诓煌妆惹闆r下的敏感參數(shù)差異較小.相比較藍(lán)藻生長(zhǎng)過程的參數(shù),基礎(chǔ)代謝過程的參數(shù)對(duì)所有變量的影響都更強(qiáng).此外,各個(gè)參數(shù)的敏感性與它們的相互作用強(qiáng)度呈顯著正相關(guān),且這種相關(guān)性在極端氮或磷缺乏情況下尤為顯著.本研究的結(jié)果有助于深入理解湖泊富營(yíng)養(yǎng)化現(xiàn)象、改善富營(yíng)養(yǎng)化模型模擬效果和精度.

氮磷比；參數(shù)敏感性；巢湖；富營(yíng)養(yǎng)化模型；Morris方法；EFDC模型

湖泊富營(yíng)養(yǎng)化問題日益突出已成為全球性的生態(tài)環(huán)境問題[1].我國(guó)長(zhǎng)江中下游地區(qū)的絕大多數(shù)淡水湖泊都已處于富營(yíng)養(yǎng)化狀態(tài)[2-4].富營(yíng)養(yǎng)化模型是研究湖泊富營(yíng)養(yǎng)化狀態(tài),預(yù)測(cè)其發(fā)展過程和趨勢(shì)的重要工具,而富營(yíng)養(yǎng)化模型參數(shù)估計(jì)的準(zhǔn)確性對(duì)模擬效果有著重要影響[5-8].湖泊富營(yíng)養(yǎng)化模型通常包含近百個(gè)難以直接獲取的參數(shù),眾多參數(shù)的存在使模型參數(shù)的準(zhǔn)確率定難以實(shí)現(xiàn),因此有必要對(duì)模型進(jìn)行參數(shù)敏感性分析[7,9-10],篩選出對(duì)模型計(jì)算結(jié)果有著重要影響的參數(shù)以便于進(jìn)一步研究.此外,參數(shù)的敏感性分析對(duì)研究和理解湖泊富營(yíng)養(yǎng)化過程也有著非常重要意義[11-13].

敏感性分析方法分為局部敏感性和全局敏感性方法[14-15].局部敏感性方法依賴于導(dǎo)數(shù)概念,因此必然只能考察參數(shù)在特定值附近的重要性.相比較局部敏感性方法,全局敏感性方法不僅考慮了參數(shù)在整個(gè)取值范圍內(nèi)對(duì)模型輸出結(jié)果的整體影響,而且可以考慮參數(shù)間的相互作用.目前,常用的全局敏感性分析有回歸分析法[15-16]、基于方差分解的方法[17-18]、Morris方法[19-20]等.其中,回歸分析方法中當(dāng)模型所有輸入同時(shí)影響模型輸出時(shí),可評(píng)價(jià)每個(gè)輸入因子的敏感性;但當(dāng)模型為非線性或非單調(diào)時(shí),此方法的效果通常不理想.基于方差分解的方法幾乎都需要蒙特卡洛采樣輔助,因此該類方法需要的計(jì)算量非常大,對(duì)于具有較多參數(shù)的湖泊富營(yíng)養(yǎng)化模型,個(gè)人計(jì)算機(jī)難以承受參數(shù)的敏感性分析. Morris方法是一種理論簡(jiǎn)單,僅通過較少的模型計(jì)算次數(shù)便可以獲得模型參數(shù)的敏感性結(jié)果,是識(shí)別篩選出對(duì)模型重要參數(shù)的方法;雖然該方法只能給出參數(shù)重要性的排序,但適用于包含較多參數(shù)的復(fù)雜模型.

參數(shù)的敏感性分析是湖泊富營(yíng)養(yǎng)化模型的研究熱點(diǎn)之一.Pastres等[21]對(duì)一個(gè)三維富營(yíng)養(yǎng)化模型進(jìn)行敏感性分析,研究結(jié)果表明氮負(fù)荷在控制系統(tǒng)初級(jí)生產(chǎn)力中起著重要作用. Jiang等[22]研究了大型淺水湖泊太湖水質(zhì)模型參數(shù)的敏感性,結(jié)果表明與藻類動(dòng)力學(xué)相關(guān)的參數(shù)、光照和溫度相關(guān)的參數(shù)對(duì)模型輸出結(jié)果具有較大的影響.王玉琳[23]對(duì)二維巢湖富營(yíng)養(yǎng)化模型參數(shù)的敏感性進(jìn)行分析,研究了模型參數(shù)的敏感性隨著藻類生消階段的變化規(guī)律及其空間分布特征,發(fā)現(xiàn)參數(shù)的敏感性隨著空間和藻類生消階段的變化而變化.Ciric等[24]比較了兩種敏感性分析方法對(duì)水生生態(tài)食物網(wǎng)模型參數(shù)的敏感性分析的結(jié)果,并區(qū)分了有影響和無影響的參數(shù). Salacinska等[25]研究了二維GEM模型在藻類爆發(fā)期的敏感參數(shù),并進(jìn)一步利用敏感性分析結(jié)果降低模型輸出的不確定性.Wang等[11]利用改進(jìn)的Morris方法分析了巢湖富營(yíng)養(yǎng)化模型參數(shù)對(duì)模型結(jié)果總體的敏感性.伊璇等[26]對(duì)滇池水質(zhì)模型參數(shù)的敏感性進(jìn)行分析,并獲得了參數(shù)的樣本數(shù)量,取值范圍與度量方式對(duì)參數(shù)敏感性的影響.這些文獻(xiàn)都集中于模型參數(shù)本身的敏感性的研究,而極少研究模型輸入和結(jié)構(gòu)對(duì)參數(shù)敏感性的影響.

水體的氮磷比對(duì)富營(yíng)養(yǎng)化湖泊中藻類生消過程有著十分重要的影響,而富營(yíng)養(yǎng)化模型是刻畫藻類生消過程的重要數(shù)學(xué)工具;因此,氮磷比必然對(duì)富營(yíng)養(yǎng)化模型參數(shù)的敏感性產(chǎn)生顯著影響.目前的研究主要聚焦于確定營(yíng)養(yǎng)物條件下參數(shù)敏感性的分析,不同氮磷比對(duì)模型參數(shù)敏感性的影響研究較少.本文以東部淺水湖泊巢湖為例,運(yùn)用Morris方法研究了藍(lán)藻爆發(fā)期氮磷比對(duì)環(huán)境流體代碼(EFDC)富營(yíng)養(yǎng)化模型參數(shù)敏感性的影響;結(jié)果表明,不同氮磷比條件下該模型的參數(shù)敏感性有明顯的區(qū)別.這一研究發(fā)現(xiàn)可為快速率定富營(yíng)養(yǎng)化模型參數(shù),進(jìn)一步改善和提升模擬效果和精度提供參考.

1 材料與方法

1.1 巢湖富營(yíng)養(yǎng)化模型

EFDC模型[27]是美國(guó)環(huán)境保護(hù)署資助開發(fā)的水環(huán)境模型,也是最大日負(fù)荷量(Total Maximum Daily Loads,TMDL)計(jì)劃推薦的主要水環(huán)境模型之一. EFDC自帶有包含藻類、氨氮、硝酸鹽氮、磷酸鹽、有機(jī)磷、溶解氧、生化需氧量等在內(nèi)的21種水質(zhì)變量輸移和轉(zhuǎn)化的富營(yíng)養(yǎng)化模塊,其已被廣泛應(yīng)用于湖泊、水庫、海灣和河口等多種水體富營(yíng)養(yǎng)化問題的研究[13,28-32],在我國(guó)太湖[22,33]、巢湖[34-35]和滇池[36-37]等水體中也有研究和應(yīng)用.

本文在EFDC的富營(yíng)養(yǎng)化模塊基礎(chǔ)上,根據(jù)夏季巢湖的環(huán)境特征和研究目標(biāo)對(duì)EFDC模型進(jìn)行了適當(dāng)簡(jiǎn)化.首先,EFDC考慮了湖泊地形和水流運(yùn)動(dòng)造成的空間異質(zhì)性,是基于偏微分方程組(PDEs)的模型,以此為基礎(chǔ)研究模型參數(shù)的敏感性所需的計(jì)算量非常巨大.研究表明[38-40]空間異質(zhì)性并沒有從根本上改變巢湖富營(yíng)養(yǎng)化模型的平均模擬結(jié)果,且參數(shù)敏感性的空間差異性不大[23,26,41];因此本研究在不考慮空間異質(zhì)性的基礎(chǔ)上重新實(shí)現(xiàn)了EFDC模型的富營(yíng)養(yǎng)化模塊,并將其簡(jiǎn)化為常微分方程組(ODEs),節(jié)省了大量的計(jì)算時(shí)間.其次,觀測(cè)表明在夏季巢湖,藍(lán)藻是最主要的藻類[34],因此本研究模型中的藻類僅模擬了藍(lán)藻的生長(zhǎng)和消亡過程.經(jīng)簡(jiǎn)化后,巢湖富營(yíng)養(yǎng)化模型包括5個(gè)狀態(tài)變量、63個(gè)參數(shù)設(shè)置、30個(gè)過程,模型結(jié)構(gòu)和參數(shù)等參見文獻(xiàn)[11].

1.2 Morris方法

Morris方法[19-20]是將參數(shù)按其取值范圍分成若干份,進(jìn)而研究參數(shù)敏感性的方法;但為了處理參數(shù)非均勻分布的情況,該方法并非將參數(shù)取值范圍等分,而是對(duì)參數(shù)按其概率分布函數(shù)等概率抽取,具體如下:

Morris方法選用2個(gè)指數(shù)μ和來分別衡量參數(shù)的敏感性及參數(shù)之間的相互作用;且由于該方法抽樣的隨機(jī)性,所以需要進(jìn)行次重復(fù).

第個(gè)輸入因子x對(duì)模型輸出的敏感性:

x與其它參數(shù)間的相互作用:

式中:為重復(fù)抽樣的次數(shù).

1.3 數(shù)據(jù)來源與處理

數(shù)據(jù)來源于2009年7～9月巢湖及主要出入河道的監(jiān)測(cè)數(shù)據(jù),數(shù)據(jù)采集點(diǎn)位見圖1.其中水質(zhì)數(shù)據(jù)的監(jiān)測(cè)約每周1次,出入湖河道流量和來自合肥氣象監(jiān)測(cè)站的氣象數(shù)據(jù)(氣溫、風(fēng)況、云量等)的監(jiān)測(cè)頻率均是1次/d,具體的監(jiān)測(cè)條件參考文獻(xiàn)[11].數(shù)值計(jì)算核心由FORTRAN語言實(shí)現(xiàn),前后處理部分均用R語言[42]來完成,FORTRAN語言的計(jì)算核心通過R語言調(diào)用,巢湖富營(yíng)養(yǎng)化模型的求解步長(zhǎng)為0.5h.

本研究假設(shè)參數(shù)服從均勻分布,這對(duì)參數(shù)的敏感性影響不大;參考文獻(xiàn)[11]設(shè)置每個(gè)參數(shù)變化范圍為其默認(rèn)值的±25%,模型評(píng)價(jià)的次數(shù)為=(63+1)′2500=160000,=11.以各變量的平均濃度作為目標(biāo);當(dāng)模型運(yùn)行總重復(fù)次數(shù)為2800次時(shí)所對(duì)應(yīng)的計(jì)算結(jié)果類似于2500次的結(jié)果,表明后者對(duì)于模型參數(shù)敏感性分析而言已足夠精確;因此,本文參數(shù)敏感性分析基于2500次重復(fù)抽樣的結(jié)果;并重點(diǎn)關(guān)注藻類、溶解有機(jī)碳、磷酸鹽、氨氮、硝酸鹽氮、溶解氧這6個(gè)水環(huán)境變量的參數(shù)敏感性.

圖1 巢湖主要河道及監(jiān)測(cè)站點(diǎn)分布

分析了極端氮限制、氮限制、偽氮限制、磷限制、極端磷限制5種情況下模型參數(shù)的敏感性,氮限制和磷限制比的界限設(shè)置為16[43].偽氮限制指總氮與總磷的比小于16,但藻類能直接吸收的氨氮和硝酸鹽氮總和與磷酸鹽的比略大于16的情況,即表觀上屬于氮限制,實(shí)質(zhì)上屬于輕微的磷限制情況.模擬期間,巢湖的監(jiān)測(cè)數(shù)據(jù)表明其實(shí)際處于偽氮限制,因此研究設(shè)置的偽氮限制工況即是巢湖氮磷的實(shí)際情況;其余4種工況則是在此基礎(chǔ)上通過比例縮減或者增加獲得.本研究根據(jù)藍(lán)藻實(shí)際能吸收的氮磷情況將極端氮限制、氮限制歸于氮缺乏情況,而偽氮限制、磷限制、極端磷限制歸于磷缺乏情況.不同氮磷比限制的設(shè)置參見表1.

表1 不同氮磷比限制的設(shè)置

2 結(jié)果與分析

2.1 藍(lán)藻生物量的參數(shù)敏感性分析

圖2a中在極端氮限制和氮限制條件下,藍(lán)藻生物量最敏感的參數(shù)排列前4的都相同,依次是KDN、BMR、KHN及KTB,而第5個(gè)敏感參數(shù)分別是KTHDR和KDNALG.其中,KDN、KHN、KTHDR及KDNALG是與溶解有機(jī)氮的礦化和顆粒有機(jī)氮的水解有關(guān)的參數(shù),即與有機(jī)氮轉(zhuǎn)化為無機(jī)氮的過程有關(guān);這表明在氮缺乏情況下,有機(jī)氮轉(zhuǎn)化為無機(jī)氮的相關(guān)參數(shù)是影響藍(lán)藻生物量最為重要的參數(shù).BMR、KTB是分別與藍(lán)藻的基礎(chǔ)代謝相關(guān)的參數(shù);由于本研究時(shí)段巢湖正處于夏季藍(lán)藻暴發(fā)時(shí)期,藍(lán)藻的生物量已經(jīng)接近頂峰,此時(shí)藍(lán)藻的基礎(chǔ)代謝相關(guān)參數(shù)對(duì)藻類生物量的影響較大,其重要性顯著大于與藍(lán)藻生長(zhǎng)相關(guān)的參數(shù).

表2 巢湖富營(yíng)養(yǎng)化模型的敏感參數(shù)

相比之下,圖2b顯示,在磷缺乏的3種情況下,藍(lán)藻生物量的敏感參數(shù)的種類和排序是基本一致的,與氮轉(zhuǎn)化相關(guān)的參數(shù)重要性均大幅下降;而與磷轉(zhuǎn)化相關(guān)的參數(shù)重要性提高.其中,對(duì)于藍(lán)藻生物量最為敏感的參數(shù)是KHP,其與有機(jī)磷的水解、礦化以及藍(lán)藻生長(zhǎng)的營(yíng)養(yǎng)物限制均有關(guān),這與磷限制的背景相符.在偽氮限制和磷限制2種氮磷比情況下,BMR與KTB仍分別為排名第2和第3敏感參數(shù),這表明藍(lán)藻的基礎(chǔ)代謝相關(guān)的參數(shù)對(duì)于藍(lán)藻生物量而言仍是非常重要的;但是與氮缺乏情況不同,消光系數(shù)KESS的重要性提高,表明藍(lán)藻生長(zhǎng)相關(guān)參數(shù)的作用重要程度有所上升.極端磷限制下的情況類似于前2種磷缺乏情況,但顯然有機(jī)磷轉(zhuǎn)化為無機(jī)磷過程的相關(guān)參數(shù)如KRP的重要性進(jìn)一步提高;這表明在無機(jī)磷極端缺乏的環(huán)境中,有機(jī)磷向無機(jī)磷的轉(zhuǎn)化過程對(duì)藍(lán)藻生長(zhǎng)更為重要.

從圖2中還可以發(fā)現(xiàn),敏感性較強(qiáng)的參數(shù)與其它參數(shù)的相互作用均很強(qiáng),排名前5的敏感參數(shù)其相互作用指數(shù)的排名均位于前10以內(nèi).

2.2 非生物變量的參數(shù)敏感性分析

圖3a中,在極端氮限制與氮限制,即氮缺乏條件下,溶解有機(jī)碳的敏感參數(shù)排列前5都相同,依次是KDC、KRC、KDCALG、KTHDR、KLC.其中,KDC和KDCALG均是與溶解有機(jī)碳的消耗過程相關(guān)的參數(shù);KRC、KLC和KTHDR是分別與顆粒有機(jī)碳水解生成溶解有機(jī)碳過程相關(guān)的參數(shù);即這5個(gè)參數(shù)都是直接參與溶解有機(jī)碳生成過程或是轉(zhuǎn)化過程.

圖3b中可以發(fā)現(xiàn),偽氮限制、磷限制和極端磷限制這3種磷缺乏情況下,溶解有機(jī)碳的最敏感參數(shù)排序完全相同.與氮缺乏情況比較也只是個(gè)別參數(shù)排序略有差異,如參數(shù)KDCALG在磷缺乏情況下的重要性要比在氮缺乏情況下對(duì)溶解有機(jī)碳更重要.但不論是氮缺乏還是磷缺乏情況下,參數(shù)敏感性排名均表明溶解有機(jī)碳最敏感的參數(shù)都是與其生成和消耗直接相關(guān)的參數(shù);相較于如藍(lán)藻生長(zhǎng)、死亡和營(yíng)養(yǎng)物的轉(zhuǎn)化等過程,碳的自身轉(zhuǎn)化過程相關(guān)的參數(shù)對(duì)溶解有機(jī)碳的影響更為重要.

比較圖4a和4b結(jié)果可以發(fā)現(xiàn),在不同的氮磷比條件下,磷酸鹽的敏感性參數(shù)排列前5都相同,依次是KRP、KHP、KTHDR、BMR、KTB.其中, KRP、KHP、KTHDR分別是與顆粒有機(jī)磷的水解、溶解有機(jī)磷的礦化過程相關(guān)的參數(shù);BMR和KTB均是與藍(lán)藻的新陳代謝過程相關(guān)的參數(shù).磷酸鹽最敏感參數(shù)的結(jié)果表明,相比較藍(lán)藻對(duì)無機(jī)磷的攝取等生長(zhǎng)過程,藍(lán)藻的基礎(chǔ)代謝過程和有機(jī)磷的水解和礦化過程相關(guān)的參數(shù)對(duì)磷酸鹽的影響更重要;這應(yīng)該與研究時(shí)期巢湖藍(lán)藻生物量已接近頂峰有關(guān).

類似于磷酸鹽的參數(shù)敏感性分析結(jié)果,圖5a和5b中可以發(fā)現(xiàn),在不同氮磷比條件下,氨氮的敏感參數(shù)排列前5也是一致的,依次是KDN、Nitm、KTHDR、KLN、KRN.其中,KDN和Nitm分別是與溶解有機(jī)氮礦化和氨氮的硝化過程相關(guān)的參數(shù);KTHDR、KLN、KRN均是與顆粒機(jī)氮的水解過程有關(guān)的參數(shù).以上敏感參數(shù)的排名結(jié)果表明在任何營(yíng)養(yǎng)限制下,顆粒有機(jī)氮的水解和溶解有機(jī)氮的礦化過程等氨氮生成過程和氨氮的硝化過程對(duì)氨氮而言最為重要,即氨氮對(duì)其自身轉(zhuǎn)化過程直接相關(guān)的參數(shù)最為敏感,而藍(lán)藻生消過程相關(guān)的參數(shù)對(duì)氨氮的影響則較小.

圖6a中,在極端氮限制和氮限制條件下,硝酸鹽氮最敏感參數(shù)排列前5的參數(shù)也是相同,依次是Nitm、KDN、KHN、KTB、BMR.其中,Nitm表示最大的硝化速率,直接影響硝酸鹽氮的生成過程的重要參數(shù);KDN和KHN是與有機(jī)氮的水解和礦化過程相關(guān)的參數(shù);KTB和BMR是與藍(lán)藻的基礎(chǔ)代謝過程相關(guān)的參數(shù),影響硝酸鹽氮的濃度的變化過程.這說明氮缺乏情況時(shí),硝酸鹽氮生成過程的相關(guān)參數(shù)更敏感;也說明當(dāng)藍(lán)藻數(shù)量到接近頂峰后,藍(lán)藻的消亡比其生長(zhǎng)吸收氮等營(yíng)養(yǎng)元素的過程對(duì)硝酸鹽氮有著更重要的影響.

圖6b中,在磷缺乏情況下,隨著磷限制的增強(qiáng)Nitm和KDN仍為最敏感的參數(shù),但與藍(lán)藻的基礎(chǔ)代謝過程相關(guān)參數(shù)(如BMR和KTB)的重要性逐漸減弱,甚至參數(shù)KTB的敏感性指數(shù)排名在極端磷限制情況下已經(jīng)超出前10,而與反硝化過程相關(guān)參數(shù)KDC、KTHDR的重要性逐漸增強(qiáng).這表明在磷缺乏情況下,硝酸鹽氮轉(zhuǎn)化涉及的硝化過程和反硝化過程是最重要的,而藍(lán)藻的基礎(chǔ)代謝過程則對(duì)硝酸鹽氮的影響相對(duì)較小.

總之,對(duì)于營(yíng)養(yǎng)物而言與其各自轉(zhuǎn)化過程直接相關(guān)的參數(shù)是其最為敏感的參數(shù).在藍(lán)藻暴發(fā)期,由于藍(lán)藻數(shù)量已經(jīng)接近頂峰,藍(lán)藻基礎(chǔ)代謝作用的參數(shù)對(duì)營(yíng)養(yǎng)物更為重要.

圖7a中,極端氮限制和氮限制條件下,溶解氧的參數(shù)敏感性排名前5一致,依次是KDC、KR、KRC、KTHDR、KDCALG.其中,KDC、KRC、KTHDR、KDCALG均是與溶解有機(jī)碳的生成和礦化過程相關(guān)的參數(shù),而這些過程都直接影響著水中溶解氧的濃度大小;KR表示復(fù)氧系數(shù),它是關(guān)于溶解氧濃度增加速度的重要參數(shù).這表明在氮缺乏情況下,溶解氧的消耗和復(fù)氧過程直接相關(guān)的參數(shù)對(duì)水中溶解氧濃度較為重要.從圖中還可以再次發(fā)現(xiàn),敏感性指數(shù)排名靠前的參數(shù)其與其它參數(shù)的相互作用強(qiáng)度排名也靠前.

圖7b中,在磷缺乏情況下,KDC、KDCALG以及KR的敏感性指數(shù)仍排名前5,它們是對(duì)溶解氧非常重要的參數(shù);但隨著磷限制的增強(qiáng),參數(shù)KHP的敏感性顯著增加;從氮缺乏情況中KHP排名未進(jìn)入前5,而在磷缺乏情況下列入第2,分析原因可能是磷元素影響藍(lán)藻的生長(zhǎng)等過程,因此KHP可以間接影響溶解氧.

2.3 討論

藍(lán)藻生物量是由生長(zhǎng)、基礎(chǔ)代謝和被捕食等過程共同決定,其中生長(zhǎng)過程受到營(yíng)養(yǎng)物濃度、光照和溫度等條件限制[27].本研究期間處于巢湖夏季,其溫度和光照等條件幾乎都處于最適宜藍(lán)藻生長(zhǎng)的情況[44-45],因此營(yíng)養(yǎng)物的情況可能成為限制藍(lán)藻生長(zhǎng)的主要因子.進(jìn)一步,大多數(shù)富營(yíng)養(yǎng)化模型,包括本研究的巢湖富營(yíng)養(yǎng)化模型對(duì)藻類生長(zhǎng)速率的描述公式都表達(dá)為最大增長(zhǎng)率與限制因子的乘積[38],其中營(yíng)養(yǎng)物相關(guān)的限制因子一般由磷和氮中相對(duì)缺乏的營(yíng)養(yǎng)物濃度及相關(guān)參數(shù)構(gòu)成;氮缺乏時(shí),磷轉(zhuǎn)化過程參數(shù)不參與藻類生長(zhǎng)過程的計(jì)算,這是氮缺乏情況下藍(lán)藻對(duì)氮轉(zhuǎn)化過程相關(guān)參數(shù)較敏感的原因,反之亦然.一般地,營(yíng)養(yǎng)物對(duì)藻類生長(zhǎng)的限制作用,取決于水體是氮缺乏還是磷缺乏;當(dāng)其中一種營(yíng)養(yǎng)物相對(duì)豐富時(shí),另一種營(yíng)養(yǎng)物就對(duì)藻類生長(zhǎng)起到?jīng)Q定作用,從而對(duì)該種營(yíng)養(yǎng)物轉(zhuǎn)化過程有直接作用的參數(shù)自然也就成為藻類生物量的敏感參數(shù).這也是藻類生物量的敏感參數(shù)隨氮磷比變化有所不同的原因.本研究結(jié)果也證實(shí)了藍(lán)藻的敏感參數(shù)受不同氮磷比情況的影響這一結(jié)論.

除與氮磷轉(zhuǎn)化過程相關(guān)的參數(shù)外,任何氮磷比情況下,藍(lán)藻生物量都對(duì)直接控制藻類生消動(dòng)力學(xué)的參數(shù),如BMR、KTB等敏感,這與已有文獻(xiàn)的結(jié)論相一致[11,22].

溶解有機(jī)碳、營(yíng)養(yǎng)物和溶解氧等非生物變量的參數(shù)敏感性對(duì)氮磷比條件依賴較弱.無論氮磷比如何變化,對(duì)非生物變量而言,最敏感的參數(shù)都是對(duì)其自身轉(zhuǎn)化有直接影響的參數(shù).如對(duì)于氨氮和硝酸鹽氮而言,不論是哪種氮磷比情況,Nitm和KDN均是其較為敏感的參數(shù),這一結(jié)果與已有文獻(xiàn)中的結(jié)論類似[10,23].這是因?yàn)?非生物變量的轉(zhuǎn)化過程中不存在類似于藻類生長(zhǎng)過程中隨著氮磷比的改變從氮限制轉(zhuǎn)變?yōu)榱紫拗频臋C(jī)制,即氮磷比難以從根本上改變非生物變量的轉(zhuǎn)化過程的特征.氮磷比主要通過對(duì)藻類的生長(zhǎng)和新陳代謝過程的影響才能對(duì)非生物變量參數(shù)敏感性產(chǎn)生間接影響;而不能直接影響這些參數(shù)在非生物變量轉(zhuǎn)化過程中的作用[27];因此,非生物變量的參數(shù)敏感性對(duì)氮磷比依賴較弱.

Morris方法不僅可以計(jì)算得出參數(shù)敏感性指數(shù)的排名,還可以計(jì)算得到參數(shù)與其它參數(shù)間的相互作用強(qiáng)度.本文使用秩相關(guān)系數(shù)計(jì)算了不同氮磷比條件下,巢湖富營(yíng)養(yǎng)化模型的63個(gè)參數(shù)的敏感性和相互作用強(qiáng)度的相關(guān)系數(shù),結(jié)果見表3.

表3 參數(shù)敏感性和相互作用強(qiáng)度的相關(guān)系數(shù)

注:顯著性<0.01.

表3中可以發(fā)現(xiàn)敏感性較強(qiáng)的參數(shù)與其它參數(shù)間的相互作用也較強(qiáng),兩者的相關(guān)系數(shù)均大于0.60,為顯著正相關(guān).進(jìn)一步分析發(fā)現(xiàn)不同變量的情況有所區(qū)別:對(duì)于藍(lán)藻、營(yíng)養(yǎng)物和溶解氧,在氮或磷缺乏較明顯時(shí)它們的參數(shù)敏感性和相互作用強(qiáng)度的正相關(guān)程度均較高,如極端氮限制情況下,對(duì)應(yīng)的相關(guān)系數(shù)均大于0.80;而氮磷比處于中間時(shí),對(duì)應(yīng)的相關(guān)系數(shù)則相對(duì)較小;溶解有機(jī)碳參數(shù)的敏感性和相互作用強(qiáng)度的相關(guān)系數(shù)則隨著氮磷比的增大而呈現(xiàn)出逐漸減小的趨勢(shì).

3 結(jié)論

3.1 不同氮磷比條件下,藍(lán)藻生物量的敏感參數(shù)顯著不同,受到營(yíng)養(yǎng)物限制的影響;而溶解有機(jī)碳、營(yíng)養(yǎng)物、溶解氧等非生物變量的參數(shù)敏感性對(duì)氮磷比的依賴相對(duì)較弱.

3.2 溶解有機(jī)碳、營(yíng)養(yǎng)物和溶解氧等都對(duì)其自身轉(zhuǎn)化過程直接相關(guān)的參數(shù)最為敏感.在藍(lán)藻爆發(fā)期,藍(lán)藻數(shù)量已接近頂峰,所以非生物變量對(duì)藍(lán)藻基礎(chǔ)代謝過程相關(guān)的參數(shù)比藍(lán)藻生長(zhǎng)過程相關(guān)參數(shù)更為敏感.

3.3 敏感性較強(qiáng)的參數(shù)與其它參數(shù)的相互作用也較強(qiáng),二者呈顯著的正相關(guān)關(guān)系.在氮或磷缺乏較明顯的情況下,藍(lán)藻、營(yíng)養(yǎng)物和溶解氧的參數(shù)敏感性和相互作用強(qiáng)度的正相關(guān)程度均較高.

[1] 金相燦.湖泊富營(yíng)養(yǎng)化控制和管理技術(shù) [M]. 北京:化學(xué)工業(yè)出版社, 2001:2-7.

Jin X C. Lake eutrophication control and management technology [M]. Beijing: Chemical Industry Press, 2001:2-7.

[2] 秦伯強(qiáng),高 光,朱廣偉,等.湖泊富營(yíng)養(yǎng)化及其生態(tài)系統(tǒng)響應(yīng) [J]. 科學(xué)通報(bào), 2013,58(10):855-864.

Qin B Q, Gao G, Zhu G W, et al. Lake eutrophication and its ecosystem response [J]. Chinese Science Bulletin, 2013,58(10): 855-864.

[3] 成小英,李世杰.長(zhǎng)江中下游典型湖泊富營(yíng)養(yǎng)化演變過程及其特征分析 [J]. 科學(xué)通報(bào), 2006,51(7):848-855.

Cheng X Y, Li S J. Eutrophication evolution process and its characteristics of typical lakes in the middle and lower reaches of the Yangtze River. [J]. Chinese Science Bulletin, 2006,51(7):848-855.

[4] 陳小鋒,揣小明,楊柳燕.中國(guó)典型湖區(qū)湖泊富營(yíng)養(yǎng)化現(xiàn)狀、歷史演變趨勢(shì)及成因分析 [J]. 生態(tài)與農(nóng)村環(huán)境學(xué)報(bào), 2014,30(4):438-443.

Chen X F, Chuai X M, Yang L Y. Status quo, historical evolution and causes of eutrophication in lakes in typical lake regions of China [J]. Journal of Ecology and Rural Environment, 2014,30(4):438-443.

[5] Ji Z G. Hydrodynamics and water quality: modeling rivers, lakes, and estuaries [M]. New York: Wiley, 2017:161-376.

[6] Chen X J. Dynamic coupling of a three-dimensional hydrodynamic model with a laterally averaged, two-dimensional hydrodynamic model [J]. Journal of Geophysical Research Atmospheres, 2007,112(C7):623-642.

[7] Wang Y L, Cheng H M, Wang L, et al. A combination method for multicriteria uncertainty analysis and parameter estimation: a case study of Chaohu Lake in Eastern China [J]. Environmental Science and Pollution Research, 2020,27:20934-20949.

[8] Wang Y L, Hua Z L, Wang L. Parameter estimation of water quality models using an improved multi-objective particle swarm optimization [J]. Water, 2018,10(1):32.

[9] Sarrazin F, Pianosi F, Wagener T. Global sensitivity analysis of environmental models: convergence and validation [J]. Environmental Modelling & Software, 2016,79:135-152.

[10] Yi X, Zou R, Guo H C. Global sensitivity analysis of a three- dimensional nutrients-algae dynamic model for a large shallow lake [J]. Ecological Modelling, 2016,327:74-84.

[11] Wang Y L, Hua Z L, Wang L. Sensitivity analysis of the Chaohu Lake eutrophication model with new index based on Morris method [J]. Water Science and Technology: Water Supply, 2018,18(4):1375-1387.

[12] Zheng W, Shi H H, Fang G H, et al. Global sensitivity analysis of a marine ecosystem dynamic model of the Sanggou Bay [J]. Ecological Modelling, 2012,247(4):83-94.

[13] Li Y P, Tang C Y, Zhu J T, et al. Parametric uncertainty and sensitivity analysis of hydrodynamic processes for a large shallow freshwater lake [J]. Hydrological Sciences Journal, 2015,60(6):1078-1095.

[14] Cariboni J, Gatelli D, Liska R, et al. The role of sensitivity analysis in ecological modelling [J]. Ecological Modelling, 2007,203(1/2): 167-182.

[15] Pianosi F, Beven K, Freer J, et al. Sensitivity analysis of environmental models: A systematic review with practical workflow [J]. Environmental Modelling & Software, 2016,79:214-232.

[16] 宋曉猛,張建云,占車生,等.水文模型參數(shù)敏感性分析方法評(píng)述 [J]. 水利水電科技進(jìn)展, 2015,35(6):105-112.

Song X M, Zhang J Y, Zhan C S, et al. Review of methods of parameter sensitivity analysis in hydrologic modeling [J]. Advances in Science and Technology of Water Resources, 2015,35(6):105-112.

[17] Saltelli A, Tarantola S, Chan P S. A quantitative model-independent method for global sensitivity analysis of model output [J]. Technometrics, 1999,41(1):39-56.

[18] Sobol I M. Sensitivity estimates for nonlinear mathematical models [J]. Mathematical Modeling & Computational Experiment, 1993,1(4): 407-414.

[19] Morris M D. Factorial sampling plans for preliminary computational experiments [J]. Technometrics, 1991,33(2):161-174.

[20] Campolongo F, Cariboni J, Saltelli A. An effective screening design for sensitivity analysis of large models [J]. Environmental Modelling & Software, 2007,22(10):1509-1518.

[21] Pastres R, chan K, Dejak C. Global sensitivity analysis of a shallow- water 3D eutrophication model [J]. Computer Physics Communication, 1999,117:62-74.

[22] Jiang L, Li Y, Zhao X, et al. Parameter uncertainty and sensitivity analysis of water quality model in Lake Taihu, China [J]. Ecological Modelling, 2018,375:1-12.

[23] 王玉琳.巢湖EFDC富營(yíng)養(yǎng)化模型參數(shù)敏感性及優(yōu)化確定研究 [D]. 南京:河海大學(xué), 2018.

Wang Y L. Research on parameters sensitivity and optimization determination of Chaohu Lake EFDC eutrophication model [D]. Nanjing: Hohai University, 2018.

[24] Ciric C, Ciffroy P, Charles S. Use of sensitivity analysis to identify influential and non-influential parameters within an aquatic ecosystem model [J]. Ecological Modelling, 2012,246:119-130.

[25] Salacinska K, El Serafy G Y, Los F J, et al. Sensitivity analysis of the two dimensional application of the Generic Ecological Model (GEM) to algal bloom prediction in the North Sea [J]. Ecological Modelling, 2010,221(2):178-190.

[26] 伊 璇,郭懷成.三維水動(dòng)力水質(zhì)模型不確定性研究 [M]. 北京:科學(xué)出版社, 2017:110-125.

Yi X, Guo H C. Research of uncertainty in three-dimensional hydrodynamics and water quality moedel [M]. Beijing: Science Press, 2017:110-125.

[27] Tetra Tech Inc. The environmental fluid dynamics Code Theory and computation, Volum 3: water quality module [R]. Fairfax, VA: Dynamic Solutions International, 2007.說明:這是公司的報(bào)告,沒有具體作者

[28] Wang P, Lai G Y, Li L. Predicting the hydrological impacts of the Poyang Lake project using an EFDC model [J]. Journal of Hydrologic Engineering, 2015,20(12):05015009.

[29] Qi H D, Lu J Z, Chen X L, et al. Water age prediction and its potential impacts on water quality using a hydrodynamic model for Poyang Lake, China [J]. Environmental Science and Pollution Research, 2016,23(13):13327-13341.

[30] Gong R, Xu L G, Wang D G, et al. Water quality modeling for a typical urban lake based on the EFDC model [J]. Environmental Modeling & Assessment, 2016,21(5):643-655.

[31] Arifin R R, James S C, Pitts DAD, et al. Simulating the thermal behavior in Lake Ontario using EFDC [J]. Journal of Great Lakes Research, 2016,42(3):511-523.

[32] Zhou J T, Falconer R A, Lin B L. Refinements to the EFDC model for predicting the hydro-environmental impacts of a barrage across the Severn Estuary [J]. Renewable Energy, 2014,62:490-505.

[33] 李一平,唐春燕,余鐘波,等.大型淺水湖泊水動(dòng)力模型不確定性和敏感性分析 [J]. 水科學(xué)進(jìn)展, 2012,23(2):271-277.

Li Y P, Tang C Y, Yu Z B, et al. Uncertainty and sensitivity analysis of large shallow lake hydrodynamic models [J]. Advances In Water Science, 2012,23(2):271-277.

[34] Huang J C, Zhang Y J, Huang Q, et al. When and where to reduce nutrient for controlling harmful algal blooms in large eutrophic lake Chaohu, China? [J]. Ecological Indicators, 2018,89:808-817.

[35] 華祖林,劉曉東,褚克堅(jiān),等.基于邊界擬合下的水流與污染物質(zhì)輸運(yùn)數(shù)值模擬 [M]. 北京:科學(xué)出版社, 2013:185-200.

Hua Z L, Liu X D, Chu K J, et al. Numerical simulation of water flow and pollutant transport based on boundary fitting [M]. Beijing: Science Press, 2013:185–200.

[36] 陳異暉.基于EFDC模型的滇池水質(zhì)模擬 [J]. 云南環(huán)境科學(xué), 2005,24(4):28-30.

Chen Y H. Water quality smiulation of Dianchi Lake based on EFDC model [J]. Yunnan Environmental Science, 2005,24(4):28-30.

[37] 楊澄宇,代 超,伊 璇,等.基于正交設(shè)計(jì)及EFDC模型的湖泊流域總量控制——以滇池流域?yàn)槔?[J]. 中國(guó)環(huán)境科學(xué), 2016,36(12): 3696-3702.

Yang C Y, Dai C, Yi X, et al. Total emission control of water pollutant for the lake basin based on orthogonal experimental design and EFDC model: A case study of Dianchi Basin [J]. China Environmental Science, 2016,36(12):3696-3702.

[38] Jorgensen S E. Fundamentals of ecological modelling: applications in environmental management and research [M]. New York: Elsevier, 2011:175-225.

[39] Schwarzenbach R P, Gschwend P M, Imboden D M. Environmental origanic chemistry [M]. New York, USA: Wiley, 2002:945-1004.

[40] Xu F L, J?rgensen S E, Tao S, et al. Modeling the effects of ecological engineering on ecosystem health of a shallow eutrophic Chinese lake (Lake Chao) [J]. Ecological Modelling, 1999,117(2/3):239-260.

[41] 張質(zhì)明,王曉燕,李明濤.基于全局敏感性分析方法的WASP模型不確定性分析 [J]. 中國(guó)環(huán)境科學(xué), 2014,34(5):1336-1346.

Zhang Z M, Wang X Y, Li M T. Uncertainty analysis of WASP based on global sensitivity analysis method [J]. China Environmental Science, 2014,34(5):1336-1346.

[42] R Core Team. A language and environment for statistical computing [R]. Vienna, Auatria, 2017.

[43] 李小平.湖泊學(xué) [M]. 北京:科學(xué)出版社, 2013:132-135.

Li X P. Limnology [M]. Beijing: Science Press, 2013:132-135.

[44] Kalff J.湖沼學(xué) [M]. 北京:高等教育出版社, 2011:202-208.

Kalff J. Limnology [M]. Beijing: Higher Education Press, 2011:202- 208.

[45] 趙 煥,朱 利,吳傳慶,等.基于天地協(xié)同的巢湖水華分布特征 [J]. 中國(guó)環(huán)境科學(xué), 2018,38(6):2297-2303.

Zhao H, Zhu L, Wu C Q, et al. Distribution characteristics analysis of algal bloom in Chaohu Lake based on the sky～earth collaborative method [J]. China Environmental Science, 2018,38(6):2297-2303.

Effect of nitrogen to phosphorus ratio on parameter sensitivity of lake eutrophication model.

WANG Yu-lin1, WANG Liang2*, HUA Zu-lin3, CHEN Dan1, CHENG Hao-miao1, LI Jia1, CHENG Ji-lin2, LIU Fang4

(1.School of Environmental Science and Engineering, Yangzhou University, Yangzhou 225127, China；2.College of Hydraulic Science and Engineering, Yangzhou University, Yangzhou 225009, China；3.Key Laboratory of Integrated Regulation and Resource Development on Shallow Lake of Ministry of Education, College of Environment, Hohai University, Nanjing 210098, China；4.Hydrology and Water Resources Investigation Bureau of Jiangsu Province Yangzhou Bureau, Yangzhou 225002, China)., 2021,41(6)：2893～2901

The Morris method was used to study the sensitivity parameter of cyanobacteria, dissolved organic carbon, nutrients and dissolved oxygen in Chaohu Lake eutrophication model under different nitrogen to phosphorus ratios during the cyanobacteria blooms. As results shown, sensitivity parameters of cyanobacteria were significance different with the ratio of nitrogen to phosphorus. In the case of nitrogen deficiency, cyanobacteria were more sensitive to the parameters of the nitrogen conversion process, and the converse was true in the case of phosphorus deficiency. Under different ratios of nitrogen to phosphorus, non-biological variables such as dissolved organic carbon, nutrients, and dissolved oxygen were more sensitive to the parameters directly related to their own transformation process. Parameters related to the metabolism of cyanobacteria had a greater influence on all variables than that of the growth process. In addition, there was a significant positive correlation between the sensitivity of the parameters that were tested and the strength of the interaction. This was especially true in the case of extreme nitrogen or phosphorus deficiency. These results would be helpful for understanding lake eutrophication and improve the simulation effect and accuracy of eutrophication models.

ratio of nitrogen to phosphorus；sensitive of parameters；Chaohu Lake；eutrophication model；Morris method；EFDC model

X143

A

1000-6923(2021)06-2893-09

2020-10-22

國(guó)家自然科學(xué)基金資助項(xiàng)目(51909230,51809226,51739002);中國(guó)博士后科學(xué)基金資助項(xiàng)目(2019M661948);工業(yè)生態(tài)與環(huán)境工程教育部重點(diǎn)實(shí)驗(yàn)室開放基金(KLIEEE-17-02);揚(yáng)州大學(xué)科技創(chuàng)新培育基金(2019CXJ094);江蘇省資助招收博士后項(xiàng)目(2018Z051,2019Z319)

* 責(zé)任作者, 助理研究員, right628@126.com

王玉琳(1986-),女,山西臨汾人,助理研究員,博士,主要從事水環(huán)境模擬與污染物輸移規(guī)律研究.發(fā)表論文10余篇.