太湖銅綠微囊藻暴發的藻密度預測技術路線的驗證

郭蔚華，劉晨茜

重慶大學城市建設與環境工程學院，重慶 400045

太湖治理重在藍藻水華的防控（李茂兵等，2016），而藻華的防控需要預測技術支持。太湖藍藻暴發由銅綠微囊藻（Microcystis aeruginosa）引起，其特點是短期內集中出現，其本質是藻快速繁殖（孔繁翔等，2005）。建立太湖銅綠微囊藻（表1）暴發的藻密度預測方法之前，需弄清楚該藻快速繁殖的機理和該藻暴發的時空多變性（Pobel et al.，2001）兩個基本問題。長期以來，為弄清楚這兩個問題，中外學者就銅綠微囊藻生長的營養鹽（Oliver et al.，2000；李杰等，2017）、溫度（Paerl et al.，2011）、光照（Foy et al.，1976；謝國清等，2010）、pH值（An et al.，2000），以及銅綠微囊藻的氣囊變化機制（Jones et al.，1971；Brookes et al.，2001）、色素捕光機制（馬建飛等，2016）、越冬復蘇（St?hl-Delbanco et al.，2003；Latour et al.，2004；謝小萍等，2016）等進行了大量卓有成效的研究，認識了藻暴發的氮磷閾值、最適溫度、最適光照、最適pH等，提出了氮磷比說（Ma et al.，2014；Ndong et al.，2014）、藍藻浮力說（Reynolds et al.，1981；Walsby，1994）、低光強說（胡鴻鈞，2011）247-248等。然而，太湖銅綠微囊藻快速繁殖機理至今尚不清楚（胡鴻鈞，2011247-267；馬健榮等，2013；張艷晴等，2014），該藻暴發的時空多變性原因至今依然不明（Hu et al.，2006；Li et al.，2014）。這種情況下，所建立的藻預測模型如模糊邏輯微分方程模型（Ibelings et al.，2003）、多元逐步回歸模型（陳宇煒等，2001）、多元回歸耦合模型（羅華君，2016）、非線性動力學模型（王立等，2017）和生源要素遷移擴散模型（Hu et al.，2006；Li et al.，2014）等，都難以用于太湖銅綠微囊藻密度的科學預測。在過去 10多年的研究實驗中，郭蔚華等（2014a）發現了銅綠微囊藻春化作用（由于低溫促進銅綠微囊藻增長與低溫促進植物開花結實的生物學本質相同，即低溫促進兩者繁殖，因此，將前者稱為藻春化作用），繼而又提出了該藻春化作用原理及其基因控制模型（郭蔚華等，2014b；郭蔚華等，2015；郭蔚華等，2016）。銅綠微囊藻春化作用原理是：在生命活動中，藻對低溫有需求；休眠高溫具有停止藻增長的作用，生長高溫具有抑制藻增長的作用；誘導低溫能解除休眠高溫、生長高溫對藻的休眠和抑制作用；藻的高溫休眠和抑制程度與高溫的強度、作用時間呈正相關；誘導低溫解除藻的休眠和抑制作用的時間與藻的休眠、抑制程度呈正相關；最適誘導低溫產生的藻春化作用最強、用時最短；強誘導低溫掩蓋弱誘導低溫對藻產生的春化作用。由藻春化作用原理可知，（1）銅綠微囊藻快速繁殖機理是：該藻繁殖力受低溫和高溫調控。休眠和生長高溫對藻繁殖產生的停止和抑制作用可被誘導低溫解除；藻繁殖力恢復程度取決于誘導低溫的強度和作用時間；藻繁殖力恢復程度越高其繁殖速率越大。冬季，富營養化太湖中，藻華敏感水域底層上越冬的銅綠微囊藻繁殖力被低溫過程極大程度地恢復，春后在適宜溫光持續出現時，藻將快速繁殖、數量急增，聚集形成藻華。正是這種快速繁殖的機理，使其在生長期中具有極大的競爭優勢。太湖銅綠微囊藻暴發，低溫過程是前提條件，生長溫光是必要條件，二者缺一不可。（2）藻暴發的時空多變性原因是：太湖屬大型淺水湖泊，易受氣溫影響。由于太湖不同藻華敏感水域的水深不同，不同水深下的銅綠微囊藻在冬季的春化作用過程不同，藻繁殖力恢復程度也不同。而且，每年不盡相同的冬季低溫，也改變各年不同藻華敏感水域的藻春化作用格局，這就導致銅綠微囊藻暴發的空間多變性。由于藻大暴發的適宜冬季出現幾率低、出現時間不定，因此，藻大暴發的時間具有多變性。就這一點而言，藻大暴發的藻密度預測更有意義。由上述可知，銅綠微囊藻春化作用原理是該藻暴發的藻密度預測的理論基礎。研究藻密度預測，還需指導預測工作實施的方法。因此，制定可行的預測技術路線對于藻密度預測工作尤為重要。預測技術路線制定的關鍵問題是如何確定藻暴發的預測用增長率。富營養化太湖中的銅綠微囊藻暴發已是常態。其水華發生的水質、水文等條件已具備，其暴發的主因是水體外的氣溫變化（陳橋等，2009；沈強等，2010；Zhang et al.，2012；Deng et al.，2014）。因此，藻密度預測技術中只考慮溫光因素。由于冬季低溫能夠解除夏季高溫對銅綠微囊藻繁殖的停止或抑制作用，恢復藻繁殖。因而，應在冬后的初春，現場采藻，并于最適溫光下測試藻暴發的增長率，用于預測。預測用增長率（模型參數1）分析完之后，當預報的藻暴發溫光（模型參數 3）出現時，立即現場采樣計數藻密度，作為預測的初始藻密度（模型參數 2），最后啟動藻密度模型，預測藻暴發的藻密度。歸納起來，技術路線為：初春現場采藻分析預測用增長率→藻暴發的預報溫光出現時現場采藻計數→預測藻暴發的藻密度。藻密度預測的技術路線是用于指導分析未來最適溫光出現時太湖銅綠微囊藻是否暴發這一預測工作的，是否可行需得到實驗驗證。在近年的實驗研究中，郭蔚華等還發現了低溫誘導可引起銅綠微囊藻對強光、弱光需求的變化。這一發現可能將揭示銅綠微囊藻在暴發時間上，時而盛夏、時而春末初夏，無定性變化的內在原因。在驗證實驗中，應考慮誘導低溫引起的藻光需求變化。

目前，已有學者研究了藍藻暴發的藻密度標準（閾值）的問題，如藻密度≥2×107ind?L-1（胡鴻鈞，2011）13、藻密度≥108ind?L-1（李穎等，2014）等，盡管該標準尚未統一，但這并不影響藻密度預測技術路線可行性研究的意義。

太湖銅綠微囊藻暴發，是藻生物量（藻密度）迅速增加，多細胞藻團（Thomas et al.，1986；Tsujimura et al.，2000；Naselliflores et al.，2003；范帆等，2013）和單藻上浮、漂移、聚積的過程（孔繁翔等，2005；秦伯強等，2016）。因此，藻華暴發的預測除了需有藻密度預測技術支撐外，還要結合太湖的流場、風場分析技術等，分析大量藻團上浮和漂移的速度和方向。有了這3種技術，銅綠微囊藻水華發生的規模、時間和水域才可預測。

本研究以藻春化作用原理為基礎，以藻密度預測技術路線為實驗實施方案，通過低溫誘導實驗、預測用增長率實驗和藻暴發（最適溫光下）時藻增長實驗，分析藻密度預測效果，驗證太湖銅綠微囊藻暴發的藻密度預測技術路線的可行性。

1 材料與方法

1.1 材料

實驗藻種：太湖銅綠微囊藻（Microcystis aeruginosa in Taihu Lake，表1）。經過實驗，先后購買的兩種FACHB 905的溫度適應性，分別與滇池、太湖的夏季和冬季的氣溫、水溫變化一致。根據“適者生存”的生物進化自然法則和實驗結果，對比滇池藍藻適宜水溫 18 ℃（匡耀球，2002；張虎才等，2017）、太湖銅綠微囊藻最適水溫25～30 ℃（陳建中等，2010）的研究結果，以及微藻中存在生態型（Clauson et al.，1939；Piccini et al.，2011；龐云龍等，2017）的情況，分別將其定名為滇池生態型、太湖生態型，即滇池銅綠微囊藻（郭蔚華等，2015）、太湖銅綠微囊藻（表1）。

表1 兩種FACHB905的生長溫度與生態型分析Table 1 Analyses on growth temperature and ecotype of the two kind of FACHB 905

儀器設備：SPX-300I-G程控光照培養箱、LRH-250A生化培養箱、MOTICBA200數碼顯微鏡，HETTICH-EBA離心機，高壓蒸汽滅菌鍋等。

1.2 藻密度模型

富營養化的太湖中，銅綠微囊藻暴發的水環境條件已具備，其暴發的主因是水體之外的氣溫變化（陳橋等，2009；沈強等，2010；Zhang et al.，2012；Deng et al.，2014）。因此，預測藻暴發時只需考慮最適溫光。將藻暴發的氣溫與光照的時間作為模型驅動力，所構建的藻密度模型為：

M=M0(1+θ·r)t（1）

式中，M為預測藻密度；M0為初始藻密度；t為藻暴發的溫光連續出現天數；r為預測用藻增長率，它反映冬季低溫對越冬藻繁殖力的恢復程度；θ為增長率系數，當增長率測試與預報的溫光不相同時，用其調校增長率，本研究θ=1。

1.3 藻計數和藻培養的溫光

藻計數：采用血球計數板測定法。計數前將高密度藻液稀釋至每小格內 5～10個單藻。每次計數時，每個藻樣取3滴藻液，分別計數藻密度，取其均值用于分析。

藻培養溫光：28 ℃、2500 lx 或 28 ℃、4100 lx。

1.4 實驗藻準備

將新擴大培養的藻密度約為 6×108ind?L-1的藻液，置于28 ℃、2500 lx條件下培養。當藻密度達1×109ind?L-1時，即可用于藻預測實驗。

1.5 藻密度預測實驗

實驗方案參照技術路線，即初春采藻分析預測用增長率→藻暴發的預報溫光出現時采藻計數→藻密度預測。

1.5.1 藻處理的溫度順序

藻處理過程的溫度順序如下圖1所示，實驗過程詳見圖2。

1.5.2 藻培養過程

圖1 藻處理溫度順序圖Fig. 1 Sequence diagram of algae treatment temperature

圖2 藻變溫處理過程及藻預測技術路線Fig. 2 Changes of temperature in algae treatment and technical route for algae density forecasting

經過模擬春、夏、秋溫度處理后，從6 ℃、1 d處理后的總藻液中取出部分藻液，分為2小瓶（120 mL?bottle-1），為第1處理，于20 ℃、2500 lx下培養5 d；從6 ℃、3 d處理后的總藻液中取出部分藻液，分為2小瓶（120 mL? bottle-1），為第2處理，于20 ℃、2500 lx下培養3 d；從3 ℃、1 d處理后的總藻液中取出部分藻液，分為2小瓶（120 mL?bottle-1），為第3處理，于20 ℃、2500 lx下培養2 d；然后，從3 ℃、3 d處理后的總藻液中取出部分藻液，分為2小瓶（120 mL?bottle-1），為第4處理。將上述每個處理中的2瓶藻液分為A、B組，每組4小瓶（30 mL?bottle-1）。取A組2小瓶藻液置于28 ℃、2500 lx下測試增長率r1，另外2小瓶置于28 ℃、4100 lx下測試增長率r2。B組的4小瓶在5 d的間隔時間（圖1注）內，于2500 lx下進行20～22 ℃變溫培養（圖2）。然后，進入藻暴發期的藻培養實驗，即 2小瓶藻液（30 mL?bottle-1）于28 ℃、2500 lx下培養，2小瓶（30 mL?bottle-1）于28 ℃、4100 lx下培養。測試藻暴發期的密度增長變化（圖 2），用于藻暴發的藻密度預測效果分析。

1.5.3 藻密度預測

（1）預測用增長率使用原則：采用“相似相測原則”，即什么溫光下測試的增長率用于什么溫光下藻暴發的預測。這樣的預測結果才能反映藻暴發的藻密度。

（2）預測方法：以間隔期（5 d）末時的藻密度作為初始藻密度，以藻增長的最適溫光日數作為模型驅動力，與測試的預測用增長率一起輸入啟動藻密度模型（1），預測藻暴發時的藻密度。

1.6 藻密度預測分析

1.6.1 幾種指標的計算方法

（1）藻增長率（ri）：

ri=(Mi-Mi-1)/Mi-1×100% （2）

式中，ri為第i日藻增長率；Mi為第i日的藻密度，ind?L-1；Mi-1為第 i-1 日的藻密度，ind?L-1。

其可行性，可通過預測藻密度與生長藻密度之間的相關性進行分析。

（3）預測偏差（f）：

f=|1-M/Mt| （4）

式中，M為預測的藻密度，ind?L-1；Mt為生長的藻密度，ind?L-1。

（4）預測偏差范圍（h）：

h=±f （5）

（5）預測結果準確性指數（I）：

I=1-f （6）

當I≤0時，即無準確性。由于培養平行樣之間的藻計數波動范圍在 0%～43%，故將 I調為 0.6。I≥0.6，即預測結果具有準確性。

（6）預測結果變化范圍（K）：

Mt?(1-f)×100%≤K≤Mt?(1+f)×100% （7）

（7）有準確性的預測結果出現率（Q）：

Q=N/W×100% （8）

式中，N為I≥0.6時的預測結果數；W為所有預測結果數。當Q≥60%時，預測結果出現概率較大。

1.6.2 預測效果的評價方法

（1）有關名詞的定義

a預測的有效時間范圍：有準確性的預測結果出現率Q≥60%的連續天數。

b預測結果的有效范圍；根據培養平行樣之間藻計數的波動范圍（0%～43%），將預測結果的有效范圍控制在生長藻密度的60%～140%之間。

（2）三標準評價法

采用3個標準進行評價。若預測結果能同時滿足3個標準，則其通過評價。通過評價的預測結果，稱為有效預測結果。3個標準優先原則是準確性＞出現率＞連續天數。

標準 1（預測的準確性）：預測結果準確性指數I≥0.6，也即預測結果的有效范圍60%～140%。

標準 2（預測的概率）：具有準確性預測結果的出現幾率Q≥60%。

標準 3（預測的時長）：具有準確性的、出現率Q≥60%的預測結果連續天數≥2 d。

2 結果與分析

2.1 藻光需求變化

由表2可知，實驗藻經過不同低溫誘導后，進入最適溫度、強弱光下培養10 d左右，8組實驗藻密度達到最大。所有增長率測試組，實驗藻在弱光下的增長率均大于強光下的增長率。這與低溫誘導實驗之前，弱光下的藻增長率均小于強光下藻增長率的結果正好相反，表明誘導低溫能夠使太湖銅綠微囊藻的光需求發生改變。

2.2 預測用增長率

運用SPSS 19.0軟件分析8組實驗的7 d逐日預測藻密度與生長藻密度之間的相關性。其結果是：按低溫過程處理順序，2500 lx下培養的4組預測與實測藻樣，其Pearson相關系數依次為0.923（P=0.003）、0.968（P=0.000）、0.960（P=0.001）、0.963（P=0.000）；4100 lx下培養的4組預測與實測藻樣，其 Pearson相關系數依次為 0.992（P=0.000）、0.986（P=0.000）、0.987（P=0.000）、0.978（P=0.000），相關性均達顯著水平。這表明預測技術路線中，增長率測試方法合理。將同一低溫處理的兩種光照強度下培養實驗藻的增長率用于互換預測，其平均I值為0.32，低于對應預測的平均I值0.57（表2），表明預測增長率使用需遵照“相似相測原則”。

表2 藻密度預測的可行性、偏差范圍和時間范圍的分析Table 2 Analyses on feasibility, deviation range and time range of algae density forecasting

2.3 預測效果

由表2可知，（1）在對應預測結果的6 d中，8組實驗藻中有5組的預測結果準確性指數I≥0.6，也即預測結果在生長藻密度的60%～140%以內。表明大多數預測結果的準確性較好，預測結果能夠控制在有效變化范圍內，滿足了評價標準一；（2）7 d預測結果有效變化范圍的下限為M =(62%～67%)Mt、上限為M =(133%～138%) Mt（M為預測藻密度，Mt為生長藻密度）時，占81%的準確性預測結果的出現幾率 Q≥62.5%，滿足了評價標準二；（3）預測結果有效變化范圍的下限為M =(60%～66%) Mt、上限為M =(134%～140%) Mt時，準確性預測結果出現率在60%以上的連續出現天數為6 d，滿足了評價標準三。三標準評價分析可知，藻密度預測技術路線指導太湖銅綠微囊藻暴發的藻密度預測是可行的；預測時長為6 d；滿足3個標準的預測結果有效變化范圍的下限為M =(60%～67%) Mt、上限為M =(133%～140%) Mt。

2.4 預測結果準確性指數變化的風險

由表 2可知，當預測結果偏差范圍為100%±33% 時，即預測結果準確性指數I≥0.67時，準確性預測結果的出現幾率降低12.5%，其連續出現天數縮短為2 d，表明調高預測結果準確性指數，預測風險將會增大。

2.5 兩種增長率比較

由表3可知，預測用增長率與藻暴發期增長率之間存在一個差值，所有的預測用增長率均大于對應的藻暴發期增長率，平均高出9.2%。這表明，藻密度預測結果的準確性受到兩種增長率差值的影響，縮小差值就能提高藻密度預測結果的準確性。

3 討論

3.1 藻密度預測的質量保證與數量控制

藻密度預測屬于定量預測，預測結果的波動性較大，需對預測結果進行質量保證和數量控制，以預測用增長率使用的“相似相測原則”來保證預測結果的質量，以預測的有效時長來控制預測結果的藻密度變化。

表3 預測用增長率與藻暴發期增長率的比較Table 3 Comparison of growth rate for forecasting and that in algae bloom period

3.2 間隔期對預測結果的影響

間隔期是指預測用增長率測試到藻暴發（進入最適溫光）之間的時間。間隔期增長、間隔期的溫度較高，均可能使預測用增長率與藻暴發期增長率的順差值變大，對預測結果有一定影響。在現場預測中，由于無法知道冬季后藻暴發的準確時間，因此很難縮短間隔期時間。這樣就可能出現兩種情況：如果冬后立即采藻測試預測用增長率，有可能出現藻暴發前的間隔期時間過長，使預測用增長率用于預測所反映的暴發藻密度會受到一定影響；如果冬后較長時間后采藻測試預測用增長率，有可能實驗還未完成，藻就暴發了。因此，初春采藻測試預測用增長率更為合理，但需要根據預報的藻暴發的溫光出現期距增長率測試期之間的時長，適當調整藻密度模型參數θ控制預測用增長率以保證預測效果。

3.3 模型參數關系推演

推演藻密度模型參數間的關系對于藻密度預測分析很有意義。例如，利用已知的藻暴發的閾值藻密度、初始藻密度和預測用增長率，就能推演出最適溫光的天數。那么，實際預測時就可以關注天氣預報中的溫光數據。同樣的道理，可以推演預測的藻密度、初始藻密度、預測用增長率。參數關系的推演，能夠根據預測用增長率的大小預判藻暴發的可能性，也可以知道初始藻密度低點或預測用增長率小點或溫光差點，只要其他參數滿足條件，藻暴發也可發生。

4 結論

（1）預測用增長率測試方法合理。

（2）預測用增長率使用遵照“相似相測原則”，即什么溫光下測試的增長率用于什么溫光下藻暴發的預測。

（3）在預測時長6 d內，預測技術路線指導太湖銅綠微囊藻暴發的藻密度預測是可行的。技術路線為：初春現場采藻分析預測用增長率→藻暴發的預報溫光出現時現場采藻計數→預測藻暴發的藻密度。

（4）調高預測結果準確性指數或延長預測時長，預測風險將會增大。