摘要
本研究结合卫星遥感影像和机器学习的分类方法，监测到四川邛海在2022年2—3月发生了罕见的大面积藻类水华，初步从气温、风速、营养盐和水生植被分布等角度探究了此次藻类水华大范围暴发的可能原因。遥感监测显示，2022年2月18日，邛海开始出现水华，随后水华覆盖面积逐渐增大，到3月10日，水华面积达到最大（13.67 km2），占总水面面积的50.63%，此后水华面积逐渐降低，3月19日开始没有监测到明显的水华。基于模拟数据发现邛海在1985—2022年间，湖泊水温每十年增加0.14 ℃，并且水温与水生植被的面积呈现明显负相关。相比于2000s，2010—2020年邛海氮磷营养盐浓度没有明显上升且波动幅度变小。但水生植被（尤其是沉水植被）面积退化严重，水生植被面积每十年约减少0.19 km2，沉水植被面积每十年约减少0.10 km2。分析表明，从宏观来看，在气候变化、水位上升的多重胁迫下，水生植被加剧退化，浮游植物更容易取得优势地位。2022年2—3月气温快速上升，风速较低且缺乏降雨等气象条件也有利于藻类水华的形成，水温持续性上升促进了水体分层，为浮游植物生长提供了有利条件。但邛海偶发性的大面积藻类水华形成的深层次原因还需进一步探究。在未来气候变化情景下，对于邛海这类相对清洁的水体，藻类水华风险也将持续存在并值得高度关注。
Abstract
This study utilized a combination of satellite remote sensing imagery and machine learning classification methods to monitor a rare large-scale algal bloom event in Lake Qionghai(Sichuan) from February to March, 2022. Preliminary investigation into the possible causes of this widespread algal bloom event was conducted from the perspectives of temperature, wind speed, nutrient levels, and aquatic vegetation distribution. Remote sensing monitoring revealed that on February 18, 2022, algal blooms began to appear, with the bloom area gradually increasing in the lake. By March 10, the bloom reached a maximum area of 13.67 km2 (accounting for 50.63% of the total water surface area), after which the bloom area gradually decreased, and disappeared since March 19. Based on simulated data, it was found that Lake Qionghai experienced a warming rate of 0.14 ℃ per decade between 1985 and 2022. Furthermore, there was a significant negative correlation between water temperature and the area of aquatic vegetation. In comparison to the 2000s, the nitrogen and phosphorus nutrient concentrations in Lake Qionghai did not show a significant increase and exhibited reduced fluctuations from 2010 to 2020. However, extensive degradation of aquatic vegetation was observed with aquatic vegetation coverage decreasing by 0.19 km2 every decade, 0.10 km2 among which are submerged vegetation. Our analysis suggested that from a macro perspective, under the multiple stressors of climate change and rising water levels, the degradation of aquatic vegetation exacerbated, favoring the dominance of phytoplankton in Lake Qionghai ecosystem. The rapid increase in temperature, low wind speeds, and lack of rainfall from February to March, 2022 also facilitated the algal bloom formation. The sustained increase in water temperature promoted stratification of the water column, which also provided favorable conditions for the growth of phytoplankton. However, the causes of the occasional widespread algal bloom formation in Lake Qionghai require further investigation. Under future climate change scenarios, algal bloom risks will still exist in a relatively clean water like Lake Qionghai and this warrants continued attention.
Keywords
水华是由浮游植物快速生长、漂浮形成的大规模聚集现象。近40年，在全球气候变化和人类活动的共同作用下，内陆湖库和海洋水华的风险均呈上升趋势[1]，部分湖泊（如欧洲的博登湖、江苏太湖）水华发生时间提前[2-3]，甚至水华事件向低营养水体蔓延[4]。作为全球性的环境问题，水华对生态系统和公共健康都会造成显著负面影响。水华不仅影响人们的视觉观感，藻类死亡腐烂后还会释放出难闻的气味[5]，严重影响了水体的景观和娱乐休闲功能。此外，水华的发生和消亡过程还会对水生态系统产生不同方面的负面影响：水华发生过程中伴随着藻类大量繁殖，导致水体浊度增加，削弱光场，进而影响沉水植物生长；水华衰亡过程中，水中溶解氧下降，可能导致无脊椎动物和鱼类死亡[6-7]。产生水华的部分藻类还会释放毒素，对鱼类、牲畜和人类都具有生理毒性，其中蓝藻是最为常见的产毒素藻类[8-9]。人类和动物通过直接接触或饮用受水华污染的水体，接触到藻类产生的毒素。毒素进入体内后，对皮肤、神经系统、消化系统等造成潜在危害，与水华事件相关的牲畜和鱼类死亡案例时有报道[9]。因此，对饮用水源地和具有娱乐、观赏功能水体的水华进行管控至关重要[10]。藻类的生长繁殖与气象因素、营养盐浓度密切相关，其中，温度是重要的气象因子[11]。湖泊和海洋热浪等极端事件的频繁发生加剧了水生态系统的水华风险，热浪事件通过影响浮游植物的生长繁殖环境促进水华的发生，严重的海洋热浪甚至能够促使大范围的水生植被退化[12]。
历史记录表明，邛海的水质近年来逐渐好转，但邛海曾在春夏季偶尔观测到小范围藻类异常增殖[13]。2006年前，邛海水质较差，2002—2014年水质大部分处于中度营养水平[14-15]。2020年的调查显示，邛海水质平均值满足地表水Ⅱ类水标准，整体处于中营养状态[16]。尽管邛海水质长期保持在中、低营养水平，但在2022年春季和秋季却发生了较大规模束丝藻和鱼腥藻水华，并出现生态风险[17]。因此，了解邛海蓝藻水华动态信息，分析水华暴发时空规律，揭示水华暴发的潜在关键因子，对邛海藻类水华防控和水资源管理具有重要意义。
为了深入分析2022年邛海藻类水华动态变化，本文采用卫星遥感技术提取水华分布范围和面积。卫星能够全面记录不同地区的影像，提供与不同历史时期可对比的数据源。通过一系列图像处理和计算，可以提取水华的历史发生情况，了解水华的动态分布和面积情况。近年来，遥感监测水华的方法不断改进，常用的提取方法包括浮藻指数法（floating algae index， FAI）和荧光基线法（fluorescence line height， FLH）。这两类指数通常被用于水华监测和风险评估工作，比如在日本西浦湖和北浦湖的调查中被用于对蓝藻水华的强度分类，也与其他指数联用评估水华的风险，如2008年采用FLH监测了阿拉伯湾和阿曼海域的产毒甲藻水华[18]。然而，薄云和气溶胶的FAI值较高，可能导致误判，因此FAI阈值法通常会高估水华范围[19-20]。越来越多的研究将人工智能技术与遥感影像结合用于监测内陆湖库复杂的水环境[21]。随机森林（random forest，RF）、支持向量机（support vector machine，SVM）和人工神经网络（artificial neural network，ANN）等算法在内陆水体营养等级分类情景下取得了令人满意的结果，在水华分类方面，上述机器学习方法也被证明具有准确性[22-23]。
本研究关注2022年邛海2—3月发生的罕见大面积水华现象，采用随机森林机器学习方法，结合Landsat 8和Sentinel2卫星遥感数据，提取水华范围，监测水华发生区域和时空分布。此外，与水生植被调查数据、水质、温度、风速等因素相结合，探究2022年春季邛海水华形成的生物和非生物因素，为邛海水华监测和预警提供依据。
1 材料和方法
1.1 研究区域
邛海（27°42′~27°55′N，102°15′~102°18′E）是四川省西昌市的一个高原湖泊，海拔为1510.21~1512.34 m，面积为27 km2，平均深度为14 m[24]。作为四川省第二大淡水湖，邛海水质清澈透明，被列为该省十大风景名胜之一。邛海属于雅砻江水系，通过海门河汇入澜沧江支流安宁河[25]。鹅掌河和官坝河是主要的入湖河流，而海门河则是出湖河流（图1）。地理位置上，邛海位于西昌市泸山东北麓，螺髻山北侧，距市中心7 km。西昌市的气候属于亚热带高原季风气候。邛海周边产业以旅游、农业和餐饮为主，并担负着多重功能，包括蓄水、灌溉农田、提供居民生活用水和旅游资源等。邛海水质安全直接关系到周边居民的生活用水保障和旅游业的发展[26]。
图1邛海区域概况及采样点位
Fig.1The location of Lake Qionghai and monitoring sites
1.2 遥感数据处理
1.2.1 数据源
本研究选用2013年3月1日-2022年12月31日的Landsat 8影像以及2019年1月1日-2022年12月31日的Sentinel2影像。这些影像数据分别来源于美国土地资源管理部（https://www.usgs.gov/）和欧空局（https://scihub.copernicus.eu/dhus/#/home）。以云量小于40%为有效影像的筛选标准，最终获得了118景Landsat 8和169景Sentinel2影像，共287景有效影像。由于谷歌地球引擎（Google Earth Engine， GEE）提供了本研究选取时间段内经几何校正和大气校正后的遥感数据，因此本研究中仅对影像进行了去云操作，对于Landsat 8影像，使用质量评估（QA）波段和掩膜方式进行去云，对于Sentinel2影像，使用云概率数据集（https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S2_CLOUD_PROBABILITY）去云，掩膜云概率大于50%的部分。
1.2.2 遥感影像分类
在GEE平台上，本研究采用机器学习中的随机森林方法对遥感影像进行分类，从而获取水华面积和位置信息。为了准确分类，本文构建了适用于邛海的水华分类模型，模型构建包括四步：（1）非监督聚类；（2）结合聚类结果和RGB影像，选择训练样本；（3）使用机器学习方法训练样本；（4）对分类效果进行评估和验证。
由于仅凭肉眼分辨水华与非水华区域的边界较为困难，若无法准确获取水华样本，将直接影响到分类结果的可信度。因此本文使用水华较为明显的几期影像，采用非监督分类的方法进行水体初步聚类，并结合了RGB影像选择训练样本点。在此过程中，聚类结果为选择样本起到了提供辅助信息的作用。非监督聚类的参数设置为训练样本点在可见光波段的反射率值（Sentinel2：490.5、560.5、665 nm；Landsat 8：480、560、655 nm）和FAI值。聚类设置的类别数为5个。FAI的计算方式如下：
(1)
(2)
式中，RRED、RSWIR、RNIR分别代表红光波段、短波红外波段和近红外波段的遥感反射率值，λRED、λSWIR、λNIR分别表示对应波段的中心波长。在选择合适的样本点后，采用随机森林的方法对样本进行分类，70%的样本作为训练集，30%的样本作为验证集。其中，红光、绿光、蓝光3个可见光波段以及近红外波段（Sentinel2：842.5 nm；Landsat 8：865 nm）的反射率值被选为机器学习模型的特征参数。
模型效果的评估标准包括总体精度和Kappa系数。当这两个指标都达到较高值时，模型将被保存并用于对其他影像的分类。总体精度的计算方式如下：
(3)
式中，真正例代表模型将样本中类型为水华的样本预测为水华的数量，真负例代表模型将样本中类型为非水华的样本预测为非水华的数量。Kappa系数的计算公式为：
(4)
(5)
式中，Pe代表预期一致性，Po代表精确度，水华和其他水体真实样本个数分别为a1、a2，而预测出来的每一类的样本个数分别为b1、b2，总体样本数量为n。
1.3 实测水环境数据
本研究使用中国环境监测总站2013年1月-2022年12月在邛海逐月监测的环境数据。监测指标包括氨氮、高锰酸盐指数、总氮和总磷浓度。采样点分布在邛海4个不同区域，分别是青龙寺、湖心、邛海宾馆和邛海二水厂（图1）。
1.4 气象水文
气象水文参数中，温度、风速和降水量等对浮游植物和水生植物的生长具有重要影响。本研究使用的风速和降水量数据来源于美国国家气候数据中心（National Climatic Data Center，https://www.ncei.noaa.gov/cdo-web/），该网站保留了世界各地气象站点的历史监测数据，可以为本研究提供可追溯的历史气象数据。首先下载西昌市2013—2022年的逐日风速和6 h降水量数据，对于风速数据计算每日均值，然后统计逐月和逐年均值。对于6 h的降水量数据，将各时间段的降水量相加，得出每天24 h的总降水量，进而得到每月和每年的日降水量均值。此外，逐日水温数据则来源于湖泊水温模拟数据，涵盖了1988—2022年的时间段[27]。
1.5 水生植被
邛海1988—2020年不同水生植被类型的面积数据来源于遥感分类研究。该研究基于Landsat影像，首先使用水生植被和藻华指数（VBI）值区分了水生植被和其他水体，然后根据归一化植被指数（NDVI）值的高低，进一步区分沉水植被和浮叶/挺水植被。此方法在长江中下游应用后的精度达到了84.49%[28]，分类结果能够大致反映邛海水生植物的面积情况。
1.6 统计和计算方法
本研究中使用的地图绘制软件为ArcGIS，数据分析和其他图形的绘制软件为R和SPSS。在数据处理过程中，主要调用了tidyverse和ggplot两个工具包。在进行统计检验时，P＜0.05认为具有显著性。
2 结果与分析
2.1 藻类水华时空分布情况
机器学习模型的分类精度结果如表1所示，Sentinel2 和Landsat 8分类的总体精度均达到了0.98以上，基于Sentinel2构建的模型效果相对较好，精度和Kappa系数都较高（表1）。利用构建好的机器学习模型对遥感影像进行分类，以揭示邛海水华的发生情况和空间分布（图2）。2013年4月-2022年12月的月均水华面积如图2所示，时空分布有以下3个特点：（1）大部分时间邛海几乎没有水华；（2）在2022年3月，邛海发生了最大面积的水华，月均水华面积超过4 km2；（3）邛海的枯水期为10月-次年3月，其余时间为非枯水期，枯水期内更容易发生水华。一般来讲，枯水期时，邛海水体的自净能力下降，水质比非枯水期更差[25]。
表1本文中机器学习模型的样本数量、精度以及Kappa系数*
Tab.1 Number of samples, accuracy and Kappa coefficients of machine learning models in this paper
*n表示样本总数。
图2邛海2013年4月1日-2022年12月31日Sentinel2 （a）和Landsat 8（b）提取的水华面积结果
Fig.2Algal bloom area extracted from Sentinel2 （a） and Landsat 8 (b) images of Lake Qionghai from April1, 2013 to December 31, 2022
2022年，邛海春季水华主要发生时段为2月18日-3月19日。从2月18日开始，水华范围逐渐扩大，并在3月10日达到最大面积（13.67 km2）。随后水华面积减小，3月19日之后从卫星影像上无法观测到水华。从空间分布来看，水华最开始出现在邛海的东北部并向南部扩散，在3月10日覆盖了大部分湖区（图3）。总体来说，Sentinel 2获取的水华面积普遍大于Landsat 8，Landsat 8的时间和空间分辨率都较低，可能会使得水华面积的长时间趋势发生偏移，其提取的面积精度相对较低[29]。
图3邛海2022年2月18日-3月19日水华发生区域遥感假彩色影像及水华范围提取结果
Fig.3False color images of Lake Qionghai and the classified results from February 18 to March 19, 2022
2.2 水温、水位、水生植被状况
从模拟、实测和遥感数据源分别得到邛海年平均水温、水位以及水生植被面积的变化情况，结果表明水温、水位均存在上升趋势，而水生植被面积明显下降（图4）。1985—2022年，邛海年均水温波动上升，每10年约上升0.14℃（P＜0.05）。在2006—2022年期间，邛海水位每10年约升高0.09 m（P＜0.05），然而2014年和2015年出现了水位的低谷值，均为1510.25 m。邛海总水生植被面积在1988—2020年间呈下降的态势，每10年减少0.19 km2（图4c），沉水植被和浮叶/挺水植被面积每10年分别减少0.10和0.09 km2（图4d、e）。
不同类型水生植被占总水生植被的比例如图5所示，浮叶/挺水植被一直是邛海的主要水生植被类型，而大部分时间，沉水植被的占比在25%以下。在1988—2020年期间，沉水植被相对于总体水生植被的占比以每年0.53%的速率下降（P＜0.05）。从过去的文献记录中，没有发现邛海透明度存在明显的变化；以青龙寺为例，2000s-2020s，该站点透明度都在2.0~2.6 m范围内[14，17]。
2.3 水生植被的影响因素
对多年平均水温、风速、降水量与水生植被、沉水植被、浮叶/挺水植被面积的相关性分析评估了气象因子与水生植被分布情况的可能联系。上述参数的相关性矩阵如图6所示，邛海的总水生植被面积、沉水植被面积都与水温存在显著负相关关系，相关系数分别为-0.42（P＜0.05）和-0.44（P＜0.01），沉水植被面积与水温的相关性更强，随水温变化更显著。
图4邛海水温（a）在1985—2022年，平均水位（b）在2006—2020年，水生植被面积（AV）（c）、沉水植被面积（SAV）（d）和浮叶/挺水植被（FEAV）面积（e）在1988—2020年的变化（k代表趋势线斜率）
Fig.4Time series of water temperature (a) from 1985 to 2022, average water level data (b) from 2006 to 2020, and area data of total aquatic vegetation area（AV） (c) , submerged vegetation area（SAV） (d) , and floating-leaved/emergent vegetation area （FEAV） (e) from 1988 to 2020 in Lake Qionghai（k stands for the slope of the trendline）
2.4 水华发生时段的气象特征
邛海水华发生期间，风速较低且长时间没有降雨，水温持续上升。气象因子会与营养盐协同作用影响水华的形成和消亡过程[6]。2022年2—3月邛海水华集中暴发，这两个月逐日的风速、降水量、水温数据如图7所示。卫星影像监测到大面积水华期间（2月28日-3月10日），邛海水温持续上升，从12.6℃升高到了15.8℃。这段时间内的日均风速没有超过3 m/s，在3月10日，风速降到了这段时间的低谷值（1.21 m/s）。
图51988—2020年不同类型水生植被占总水生植被面积的比例
Fig.5The proportion of different types of aquatic vegetation area to total aquatic vegetation area from 1988 to 2020
3 讨论
3.1 水温上升利于浮游植物繁殖
水温是影响邛海浮游植物生长的重要因素。我国湖泊水温整体呈上升趋势，结合卫星遥感数据和模型研究，1980—2100年间，我国湖泊表层的温度预计每10年上升约0.11℃[30]。尤其在极端高温更为频繁的情况下，湖泊表层水温的升高可能会更显著[31]。
升温促进藻类从冬季休眠到春、夏季复苏，因为这一时段内，藻类的生长状态主要受到湖泊沉积物表面的温度和溶解氧的影响[32]。对1988—2022年每月的月均温度在年际之间的变化率进行计算后，发现3月是邛海最近几十年升温最快的月份（0.024℃/a，P＜0.05），而11月-次年2月的水温没有显著变化（P＞0.05）。这一现象可能导致邛海水温在冬春交接的季节升温速率更快，直接促进了浮游藻类从休眠开始到复苏的过程。
水温上升还促进和加强湖泊的热力分层，增加内源营养盐释放，从而间接促进浮游植物的生长，增加水华的风险。这是因为水温上升会导致湖泊热力分层的起始时间提前，增加了表层水体和深层水体的密度差，从而促进了下层水体中的营养物质向上层水体的输送，为浮游植物的生长提供了更多的内源营养盐[33]。湖泊温度分层还为蓝藻提供了理想的上浮条件，使它们能够更好地获得光照，并且遮蔽了非浮游植物[7]。在Lake Constance的研究发现，随着气候变暖，该湖泊的春季水华会提前发生，这是因为湖泊垂直混合的能力减弱，导致分层提前[2]。邛海平均水深为14 m，水温在1985—2022年存在持续上升的趋势（图4a），在夏季容易形成分层。此外，温度上升还通常伴随光照强度增加，在光照条件和温度的共同作用下，湖泊春季水华发生的概率增加[34]。
图6逐年的水生植被面积与水温、风速、降水量的相关性矩阵（*P＜0.05，**P＜0.01，***P＜0.001）
Fig.6Correlation matrix of annual aquatic vegetation area with water temperature, wind speed and precipitation data
3.2 沉水植被退化加剧了湖泊藻型生境
3.2.1 沉水植被退化的影响因素
一方面，水位抬升可能削弱了水下光场，影响沉水植物的光合作用。沉水植被光合作用强度需要大于呼吸作用，其生物量才能增加。当水深低于相对光补偿深度（即光合作用和呼吸作用平衡的深度），沉水植被才能正常生长[35]，而邛海的水深却在持续上升。在1991—2001年期间，邛海的年平均水位波动范围为1509.79~1510.23 m[17]，在2011—2020年，水位波动范围为1510.23~1510.39 m，相比于1990s，2010s邛海的年均最低水位上升了约0.03 m，2006—2020年，邛海的水位每十年升高约0.09 m（P＜0.05）（图4b）。尽管不同类型的沉水植物对水位升高的适应能力存在差异，但总体而言，水位的抬升对沉水植被的密度和多样性会带来明显的负面影响。邛海的主要沉水植物包括苦草、金鱼藻、穗状狐尾藻、马来眼子菜、黑藻、大茨藻等[36]，苦草能够适应的深度范围较广，在洱海中苦草分布的深度范围为0.5~5.6 m，而穗状狐尾藻适合生长在水体上层（1~3 m），黑藻和大茨藻适宜生活在3~5 m深度的水体中[37-38]。尽管苦草对水深的适应范围较广，但其相对生长率还是会随着水深的增加而下降[39]。
另一方面，水质、浮游植物、沉水植物的附着生物以及水体中的悬浮物也会影响沉水植物的生长和分布。高浓度的总氮和总磷并非直接抑制沉水植物的生长，而是通过促进浮游植物和附着生物的生长，导致水体的遮光效应起到抑制作用[39]。营养盐浓度数据显示，邛海总磷、总氮和氨氮浓度在2010—2020年期间并没有明显上升，反而相对于2002—2009年间稳定在较低的水平（图8）。特别是总磷和氨氮浓度在2010—2020年内呈现出相对稳定的趋势，总氮浓度的波动范围减小。因此，根据营养盐浓度的数据分析，水深增加可能是导致邛海地区沉水植被退化的主要原因，而附着生物和浮游植物的增加可能起到了辅助作用，这与营养盐浓度没有明显上升的情况相吻合。
悬浮物浓度增加和沉水植物减少是相互作用的过程，一方面悬浮物浓度上升会遮挡光照，另一方面，沉水植物的根系对湖泊底质存在固定作用，当沉水植物减少时，水体的搅动更容易扰动底质，增加水体中的悬浮物浓度。一项针对北美洲Lake Mattamuskeet的研究指出，沉水植被的退化现象在总氮、总磷的浓度上升时开始，并且受到悬浮物的影响[40]。沉水植被的附着生物快速生长，能够竞争沉水植物生长所需要的氧气和营养物质，也是导致沉水植被变化、草型湖泊向藻型湖泊转换的关键因素[41]。
图72022年2月1日-3月31日西昌的风速、降水量以及水温变化情况
Fig.7Variation of wind speed, precipitation and water temperature in Xichang from February 1 to March 31, 2022
图8邛海2002—2009年与2010—2020年的总氮、总磷和氨氮统计结果
Fig.8Statistical results of total nitrogen, total phosphorus and NH3-N concentrations in Lake Qionghai during 2002-2009 and 2010-2020
3.2.2 沉水植被与浮游植物的相互作用
浮游植物大量繁殖和沉水植被退化是相互作用的过程。浮游植物抑制沉水植物生长的方式主要是降低水体透明度，减少沉水植物获取的光照，从而影响沉水植物的生存[39]。同时，沉水植被退化会降低水体的自净能力、增加沉积物营养盐的释放，使得浮游植物可利用的营养元素增加[40]。水生维管植物（包括部分沉水植物），在水体中具有净化作用，能够通过降低水体中的营养物浓度来限制蓝藻的大量繁殖[42]。在北美洲，沉水植被覆盖大于30%的湖泊透明度相对于植被覆盖少的湖泊显著较高[43]。在沉水植被覆盖减少的情况下，水体自净能力降低，营养元素浓度升高，湖泊透明度降低，这些因素都有利于浮游植物的生长。同时，浮游植物抑制沉水植物生长，主要的影响方式是降低水体透明度，减少沉水植物获取的光照[39]。
3.3 特定的气象条件促进藻类生长、上浮、聚集形成水华
2022年2—3月的特定气象条件有利于浮游植物的生长、上浮、聚集并形成水华。在这段时间，邛海所在的西昌地区每日的平均风速都未超过3 m/s，浮游植物在这种低风速的情况下更容易聚集到水面，而不会因水体搅动无法上浮[44]。水温逐渐升高到更接近蓝藻生长的最适温度水平时，藻类复苏和繁殖速率加快，蓝藻和绿藻的最适生长温度都是29.2℃[45]。近年来，高温热浪事件的频发也增加了水华发生的风险[12]。降雨对于湖泊来说是扰动水体的事件，尽管对于某些贫营养水体，降雨可能会增加水体中的营养物质，有利于浮游植物生长，但在降雨过程中水华不易发生。过去的研究中发现，减少的降雨量和升温协同，能够导致水华概率上升[11]。
4 结论
邛海作为一个典型的高原湖泊，截止2020年，水质平均值满足地表水湖库Ⅱ类标准，却在2022年春季发生了明显的藻类暴发。初步分析表明，气温上升以及水位上升导致的水生植被退化，是导致草型湖泊向藻型转换以及邛海发生藻类水华的主要因素。2022年春季，邛海的水温上升、低风速和无降雨的气象条件为水华发生提供了契机。未来气候变暖背景下，对于邛海这类相对清洁的水体，也可能会存在水华发生的风险，生态系统中其他植物的生物量以及特定的气象条件是防控水华发生时值得关注的因素。
图2邛海2013年4月1日-2022年12月31日Sentinel2 （a）和Landsat 8（b）提取的水华面积结果
Fig.2Algal bloom area extracted from Sentinel2 （a） and Landsat 8 (b) images of Lake Qionghai from April1, 2013 to December 31, 2022
下载:
全尺寸图片
图3邛海2022年2月18日-3月19日水华发生区域遥感假彩色影像及水华范围提取结果
Fig.3False color images of Lake Qionghai and the classified results from February 18 to March 19, 2022
下载:
全尺寸图片
图4邛海水温（a）在1985—2022年，平均水位（b）在2006—2020年，水生植被面积（AV）（c）、沉水植被面积（SAV）（d）和浮叶/挺水植被（FEAV）面积（e）在1988—2020年的变化（k代表趋势线斜率）
Fig.4Time series of water temperature (a) from 1985 to 2022, average water level data (b) from 2006 to 2020, and area data of total aquatic vegetation area（AV） (c) , submerged vegetation area（SAV） (d) , and floating-leaved/emergent vegetation area （FEAV） (e) from 1988 to 2020 in Lake Qionghai（k stands for the slope of the trendline）
下载:
全尺寸图片
图51988—2020年不同类型水生植被占总水生植被面积的比例
Fig.5The proportion of different types of aquatic vegetation area to total aquatic vegetation area from 1988 to 2020
下载:
全尺寸图片
图6逐年的水生植被面积与水温、风速、降水量的相关性矩阵（*P＜0.05，**P＜0.01，***P＜0.001）
Fig.6Correlation matrix of annual aquatic vegetation area with water temperature, wind speed and precipitation data
下载:
全尺寸图片
图72022年2月1日-3月31日西昌的风速、降水量以及水温变化情况
Fig.7Variation of wind speed, precipitation and water temperature in Xichang from February 1 to March 31, 2022
下载:
全尺寸图片
图8邛海2002—2009年与2010—2020年的总氮、总磷和氨氮统计结果
Fig.8Statistical results of total nitrogen, total phosphorus and NH3-N concentrations in Lake Qionghai during 2002-2009 and 2010-2020
下载:
全尺寸图片
| [1] |
Gobler CJ, Doherty OM, Hattenrath-Lehmann TK et al. Ocean warming since 1982 has expanded the niche of toxic algal blooms in the North Atlantic and North Pacific Oceans. Proceedings of the National Academy of Sciences of the United States of America,2017,114(19):4975-4980. DOI:10.1073/pnas.1619575114.
|
| [2] |
Peeters F, Straile D, Lorke A et al. Earlier onset of the spring phytoplankton bloom in lakes of the temperate zone in a warmer climate. Global Change Biology,2007,13(9):1898-1909. DOI:10.1111/j.1365-2486.2007.01412.x.
|
| [3] |
Shi K, Zhang YL, Zhang YB et al. Phenology of phytoplankton blooms in a trophic lake observed from long-term MODIS data. Environmental Science & Technology,2019,53(5):2324-2331. DOI:10.1021/acs.est.8b06887.
|
| [4] |
Posch T, Köster O, Salcher MM et al. Harmful filamentous cyanobacteria favoured by reduced water turnover with lake warming. Nature Climate Change,2012,2:809-813. DOI:10.1038/nclimate1581.
|
| [5] |
Manganelli M, Testai E, Tazart Z et al. Co-occurrence of taste and odor compounds and cyanotoxins in cyanobacterial blooms: Emerging risks to human health?Microorganisms,2023,11(4):872. DOI:10.3390/microorganisms11040872.
|
| [6] |
Paerl HW, Otten TG. Harmful cyanobacterial blooms: Causes,consequences,and controls. Microbial Ecology,2013,65(4):995-1010. DOI:10.1007/s00248-012-0159-y.
|
| [7] |
Huisman J, Codd GA, Paerl HW et al. Cyanobacterial blooms. Nature Reviews Microbiology,2018,16:471-483. DOI:10.1038/s41579-018-0040-1.
|
| [8] |
Merel S, Walker D, Chicana R et al. State of knowledge and concerns on cyanobacterial blooms and cyanotoxins. Environment International,2013,59:303-327. DOI:10.1016/j.envint.2013.06.013.
|
| [9] |
Backer LC, Manassaram-Baptiste D, LePrell R et al. Cyanobacteria and algae blooms: Review of health and environmental data from the Harmful Algal Bloom-Related Illness Surveillance System(HABISS)2007-2011. Toxins,2015,7(4):1048-1064. DOI:10.3390/toxins7041048.
|
| [10] |
Clark JM, Schaeffer BA, Darling JA et al. Satellite monitoring of cyanobacterial harmful algal bloom frequency in recreational waters and drinking source waters. Ecological Indicators,2017,80:84-95. DOI:10.1016/j.ecolind.2017.04.046.
|
| [11] |
Zhou YT, Yan WJ, Wei WY. Effect of sea surface temperature and precipitation on annual frequency of harmful algal blooms in the East China Sea over the past decades. Environmental Pollution,2021,270:116224. DOI:10.1016/j.envpol.2020.116224.
|
| [12] |
Jöhnk KD, Huisman J, Sharples J et al. Summer heatwaves promote blooms of harmful cyanobacteria. Global Change Biology,2008,14(3):495-512. DOI:10.1111/j.1365-2486.2007.01510.x.
|
| [13] |
Luo Q, Liu Q. The existing situation of environmental pollution in Qionghai and its counter-measures. Journal of Chongqing Normal University: Natural Science,2003,20(2):52-55.[罗茜, 刘强. 邛海环境污染现状与治理对策. 重庆师范学院学报: 自然科学版,2003,20(2):52-55.]
|
| [14] |
Xu XX, Wang JW. Evaluation and suggestions on eutrophication of Qionghai Lake in Sichuan Province. Water Resources and Hydropower Engineering,2021,42(8):83-87.[许霄霄, 王靖伟. 四川省邛海水体富营养化评价及建议. 水利水电快报,2021,42(8):83-87.]
|
| [15] |
Gu XW, Lei B, Xiao J et al. Study on change trend and protection countermeasures of the water quality in Qionghai Lake basin. Sichuan Environment,2013,32(5):77-82.[辜晓琬, 雷波, 肖杰等. 邛海水质变化趋势及保护对策研究. 四川环境,2013,32(5):77-82.]
|
| [16] |
Shi Y, Zhang L, Qin YW et al. Spatial and temporal distribution characteristics of nitrogen and phosphorus concentrations in Qionghai Lake, Sichuan,and their ecological and environmental responses. Frontiers of Earth Science,2023,30(2):495-505. DOI:10.13745/j.esf.sf.2022.2.86.[时瑶, 张雷, 秦延文等. 四川邛海水体氮、磷浓度时空分布特征及其生态环境响应研究. 地学前缘,2023,30(2):495-505.]
|
| [17] |
Dong YZ, Zhang PY, Li XY et al. Spatio-temporal distribution of aquatic macrophytes and their causes of degradation in Lake Qionghai. J Lake Sci,2024,36(1):236-246. DOI:10.18307/2024.0135.[董艳珍, 张培育, 李小艳等. 邛海大型水生植物时空分布及其退化原因. 湖泊科学,2024,36(1):236-246.]
|
| [18] |
Zhao J, Temimi M, Ghedira H. Characterization of harmful algal blooms(HABs)in the Arabian Gulf and the Sea of Oman using MERIS fluorescence data. ISPRS Journal of Photogrammetry and Remote Sensing,2015,101:125-136. DOI:10.1016/j.isprsjprs.2014.12.010.
|
| [19] |
Hu C, Mullerkarger F, Taylor C et al. Red tide detection and tracing using MODIS fluorescence data: A regional example in SW Florida coastal waters. Remote Sensing of Environment,2005,97(3):311-321. DOI:10.1016/j.rse.2005.05.013.
|
| [20] |
Hu CM. A novel ocean color index to detect floating algae in the global oceans. Remote Sensing of Environment,2009,113(10):2118-2129. DOI:10.1016/j.rse.2009.05.012.
|
| [21] |
Abd El-Hamid HT, Reda R, Zarzoura F et al. Integrated approach of remote sensing and machine learning to simulate and predict petroleum pollution and algal blooms along Aqaba Gulf. Biocatalysis and Agricultural Biotechnology,2022,46:102528. DOI:10.1016/j.bcab.2022.102528.
|
| [22] |
Cao HY, Han L, Li LZ. A deep learning method for cyanobacterial harmful algae blooms prediction in Taihu Lake, China. Harmful Algae,2022,113:102189. DOI:10.1016/j.hal.2022.102189.
|
| [23] |
Yan K, Li JS, Zhao H et al. Deep learning-based automatic extraction of cyanobacterial blooms from Sentinel-2 MSI satellite data. Remote Sensing,2022,14(19):4763. DOI:10.3390/rs14194763.
|
| [24] |
Ran J, Xiang R, Xiao KY. Study on the characteristics of nitrogen and phosphorus pollution load from main inflow rivers to Qionghai Lake. Environmental Pollution and Control,2023,45(9):1213-1217.[冉蛟, 向蓉, 肖克彦. 邛海主要入湖河流氮、磷入湖污染负荷特征研究. 环境污染与防治,2023,45(9):1213-1217.]
|
| [25] |
Deng C, Ai L, Luo W et al. Water quality evaluation and change characteristics analysis of Qionghai Lake in 2016-2020. Sichuan Environment,2023,42(2):101-108.[邓超, 艾蕾, 罗伟等. 邛海湖2016—2020年水质评价及变化特征分析. 四川环境,2023,42(2):101-108.]
|
| [26] |
Li XY, Wang RK, Zeng ZM et al. Nitrogen and phosphorus content in the aboveground parts of submerged plants in the shallow water zone and adjacent artificial wetlands of Qionghai Lake. Wetland Science,2019,17(6):663-669.[李小艳, 王荣坤, 曾正明等. 邛海浅水湖带及其附近人工湿地中沉水植物底质以上植株中氮和磷含量. 湿地科学,2019,17(6):663-669.]
|
| [27] |
Wang XW, Shi K, Zhang YL et al. Climate change drives rapid warming and increasing heatwaves of lakes. Science Bulletin,2023,68(14):1574-1584. DOI:10.1016/j.scib.2023.06.028.
|
| [28] |
Luo JH, Ni GG, Zhang YL et al. A new technique for quantifying algal bloom,floating/emergent and submerged vegetation in eutrophic shallow lakes using Landsat imagery. Remote Sensing of Environment,2023,287:113480. DOI:10.1016/j.rse.2023.113480.
|
| [29] |
Zhang YC, Shi K, Cao Z et al. Effects of satellite temporal resolutions on the remote derivation of trends in phytoplankton blooms in inland waters. ISPRS Journal of Photogrammetry and Remote Sensing,2022,191:188-202. DOI:10.1016/j.isprsjprs.2022.07.017.
|
| [30] |
Wang WJ, Shi K, Wang XW et al. A record-breaking extreme heat event caused unprecedented warming of lakes in China. Science Bulletin,2023,68(6):578-582. DOI:10.1016/j.scib.2023.03.001.
|
| [31] |
Wang WJ, Shi K, Wang XW et al. The impact of extreme heat on lake warming in China. Nature Communications,2024,15:70. DOI:10.1038/s41467-023-44404-7.
|
| [32] |
Kong FX, Gao G. Thoughts on the mechanism of cyanobacterial bloom formation in large shallow eutrophic lakes. Acta Ecologica Sinica,2005,(3):589-595.[孔繁翔, 高光. 大型浅水富营养化湖泊中蓝藻水华形成机理的思考. 生态学报,2005,(3):589-595.]
|
| [33] |
Mesman JP, Stelzer JAA, Dakos V et al. The role of internal feedbacks in shifting deep lake mixing regimes under a warming climate. Freshwater Biology,2021,66(6):1021-1035. DOI:10.1111/fwb.13704.
|
| [34] |
Zhang M, Yang Z, Shi XL et al. The synergistic effect of rising temperature and declining light boosts the dominance of bloom-forming cyanobacteria in spring. Harmful Algae,2022,116:102252. DOI:10.1016/j.hal.2022.102252.
|
| [35] |
Hu Q, Turnbull M, Hawes I. Estimated light compensation depth explains growth of Stuckenia pectinata in Te Waihora. Aquatic Botany,2019,156:57-64. DOI:10.1016/j.aquabot.2019.04.005.
|
| [36] |
Li XY, Wang PF, Yang J et al. Study on primary productivity of Qionghai wetland in winter. Jiangsu Agricultural Sciences,2020,48(19):280-287.[李小艳, 王鹏飞, 杨军等. 邛海湿地冬季初级生产力的研究. 江苏农业科学,2020,48(19):280-287.]
|
| [37] |
Deng JY, Gao XY, Shan H et al. The measurement of photosynthetic paramenters of submersed macrophytes with aims to explore the plant distribution depth in Erhai Lake. Acta Hydrobiologica Sinica,2023,47(7):1157-1167. DOI:10.7541/2023.2022.0210.[邓嘉懿, 高晓钰, 单航等. 洱海沉水植物的光合特性与分布水深的关系. 水生生物学报,2023,47(7):1157-1167.]
|
| [38] |
Lan YQ, Zhu WJ, Mai YY et al. The impact of water depth on the growth of four submerged plants in mildly eutrophic water bodies. Environmental Engineering,2018,36(11):29-34. DOI:10.13205/j.hjgc.201811006.[蓝于倩, 朱文君, 麦颖仪等. 轻度富营养水体水深对四种沉水植物的生长影响. 环境工程,2018,36(11):29-34.]
|
| [39] |
Wang R, He L, Zhang M et al. Factors affecting germination and growth of Vallisneria species in China. J Lake Sci,2021,33(5):1315-1333. DOI:10.18307/2021.0503.[王瑞, 何亮, 张萌等. 中国苦草属(Vallisneria)植物萌发与生长的影响因素. 湖泊科学,2021,33(5):1315-1333.]
|
| [40] |
Moorman MC, Augspurger T, Stanton JD et al. Where's the grass?disappearing submerged aquatic vegetation and declining water quality in lake mattamuskeet. Journal of Fish and Wildlife Management,2017,8(2):401-417. DOI:10.3996/082016-jfwm-068.
|
| [41] |
Qin BJ, Song YZ, Gao G. The role of attached organisms in the transformation process of algal-grass type ecosystems in shallow eutrophic lakes. Science in China: Series C: Life Sciences,2006,(3):283-288.[秦伯强, 宋玉芝, 高光. 附着生物在浅水富营养化湖泊藻-草型生态系统转化过程中的作用. 中国科学: C辑: 生命科学,2006,(3):283-288.]
|
| [42] |
Nezbrytska I, Usenko O, Konovets I et al. Potential use of aquatic vascular plants to control cyanobacterial blooms: A review. Water,2022,14(11):1727. DOI:10.3390/w14111727.
|
| [43] |
Kosten S, Lacerot G, Jeppesen E et al. Effects of submerged vegetation on water clarity across climates. Ecosystems,2009,12(7):1117-1129. DOI:10.1007/s10021-009-9277-x.
|
| [44] |
Wang SH, Wang WW, Jiang X. The process of algal bloomformation and the effects of wind—An enclosure experiment and in situ investigation in a large hyper-eutrophic shallow lake in China. Advanced Materials Research,2012,518/519/520/521/522/523:4303-4314. DOI:10.4028/www.scientific.net/amr.518-523.4303.
|
| [45] |
Lürling M, Eshetu F, Faassen EJ et al. Comparison of cyanobacterial and green algal growth rates at different temperatures. Freshwater Biology,2013,58(3):552-559. DOI:10.1111/j.1365-2427.2012.02866.x.
|
