根據建模實踐和結果向水資源管理人員提出建議

2022-08-14 14:49:50 0 雙良環(huán)境

　　補充材料2提供了SLR所分析的文章的完整清單，按營養(yǎng)狀態(tài)和循環(huán)模式分組。每一組的湖泊都從高緯度到低緯度排列。每個湖的文章都按DD或PB方法進行了分組。SLR表明71%的文章使用PB模型預測未來情景，而DD模型主要用于短期有害藍藻水華預報。盡管如此，PB模型仍然可以短期預報，DD模型可以用于未來的情景預測。在DD模型中，BN或回歸和BN模型組合是用于情景評估的最常見方法。重要的是必須明確建模目標，將模型輸出直接應用于用戶目標。例如，在條件已經有利于有害藍藻水華的情況下，可以使用管理策略(即情景評估)來預測有害藍藻水華的長期風險，但不能防止有害藍藻水華在短期內的風險。

　　早期預警系統可以提供關于預測有害藍藻水華的信息，盡管在短時間尺度上可能是有限的。對于有害藍藻水華的未來情景評估和預測，一些現有的PB模型具有嵌入式組件或需求，能滿足用戶需求和資源。像DYRESM/ELCOM-CAEDYM和DBS這樣的PB模型具有一維、二維、三維的水動力成分，可以評估有害藍藻水華在湖泊關鍵區(qū)的積累和擴散。其他模型可能需要與第三方水動力模型耦合，這可能會限制它們的應用(如水動力模型SELFE和SALMO)。其他模型，諸如CLAMM和PCLake的結構較簡單，對計算要求低，但可能有限制它們的應用(例如，沒有水動力驅動的PCLake模型僅適用于非分層水體，并開發(fā)了針對微囊藻特異性的CLAMM)。相反，像SALMO及其變形拓展模型SALMO-OO是可推廣的，并且可以應用于多個湖泊，對于這種可推廣的模型，他們的預測精度是有所下降的。

　　物種特異性也可能是PB模型中的一個決策點，因為有些模型可以模擬多個物種(例如PROTECH和DYRESM-CAEDYM)，而另一些模型則可以區(qū)分藍藻的生態(tài)類型(例如DELWAQ-BLOOM-SWITCH)、浮游植物功能群(例如SALMO和PCLake)之間，或特定于單個物種(例如CLAMM)。對于冰蓋和融雪可能嚴重影響有害藍藻水華事件的情況，MyLake模型是一個很好的選擇，因為它主要是為了模擬這些事件而設計的。在靈活參數化、開源代碼、圖形界面等方面，也可能影響PB模型的選擇，這以前的綜述文章中已經討論過。對于短期有害藍藻水華的預報，DD模型可以根據用戶需求量身定做。例如，可以考慮簡單或多元回歸分析進行初步評估。人工神經網絡可以達到較高的R2，特別是對于總藍藻種群。然而，這種方法不能提供潛在的過程。相反，HEAs可以提供短期預報，而且可以提供可理解的潛在過程。HEA方法已被更頻繁地用于藍藻物種的建模。DT方法可用于比較和聚類數據，這對于分類變量或多個位置的短期預報是有效的。代理模型和HEA模型可以為同一模型中的多個地理位置和物種提供短期有害藍藻水華預報。

　　數據的數量和質量可能是在建模方法之間作出選擇的一個制約因素。PB模型通常需要輸入多個參數，這些參數可能無法從常規(guī)監(jiān)測數據中獲得，例如藍藻物種的生長速率或營養(yǎng)吸收速率等。另一方面，DD模型將只需少量的常規(guī)監(jiān)測數據，來進行模型開發(fā)和驗證。如果數據的可用性和可獲得性較高，高頻熒光監(jiān)測數據很有幫助，即使需要傳統的監(jiān)測方法進行傳感器校準。基于土地利用覆蓋和氣象數據的建模，可以幫助有害藍藻水華防控管理實踐。對于需要空間信息的情況，例如有害藍藻水華的高風險區(qū)域，可能選擇PB模型較好。水動力模型可以預測在有流量、風和水深信息的地方藍藻的運輸和混合情況。

　　另一方面，通過減少適當選擇的變量(例如，只有生物、氣象、或水質變量)的輸入，也可以實現令人滿意的DD預測模型。獲取可用數據和開發(fā)模型的資源可能是模型開發(fā)的另一個制約因素。開發(fā)預報和預測模型需要跨學科的團隊和工作時間費用分配(例如數據收集和分析、模型開發(fā)和驗證)，以及利益相關者實踐理解支持情景生成。最近的一篇論文提出了一個理想的全球尺度藻類投影模型的概念，該模型應包括環(huán)境、網絡和湖泊生態(tài)系統組成部分。然而，這一要求可能對所有供水公司或環(huán)境保護機構都不可行。通過一組旨在促進持續(xù)模型改進的問題，提出了一種解決模型簡單性和復雜性平衡的方法。即使模型選擇的過程是針對特定的案例研究，但是其研究方法是可以借鑒推廣的。