基于性状信息与环境阈值整合的浮游植物功能群分类框架及其在水生态系统模型中的应用

为解决浮游植物分类在过程模型中的主观性问题，研究人员开发了整合性状信息与观测环境阈值的数据驱动框架。通过多相关分析、主成分分析和阈值指示类群分析(TITAN)结合K-prototype聚类，在Hawkesbury-Nepean河识别出5个具有显著差异环境偏好和形态生理特征的浮游植物功能群。该框架为水生生态系统模型(AEMs)提供了可重复的参数化方法，显著提升了群落动态模拟的生态相关性。

　　

在全球水体富营养化加剧的背景下，浮游植物水华频发成为威胁水生态安全的突出问题。传统水生生态系统模型(AEMs)依赖基于门类水平的浮游植物分组（如硅藻、绿藻等），这种粗放的分类方式无法反映组内巨大的功能多样性，导致模型参数化困难且预测准确性受限。更棘手的是，现有分类框架缺乏标准化方法，研究者往往根据主观经验或局部数据进行临时分组，使得模型结果难以在不同生态系统间比较。针对这一挑战，来自澳大利亚的研究团队在《Ecological Informatics》发表创新性研究，通过整合长期观测数据与先进统计方法，建立了首个数据驱动的浮游植物功能群分类框架。

研究团队采用多阶段分析方法：首先对Hawkesbury-Nepean河12年监测数据进行质控；运用多相关分析(MCA)和主成分分析(PCA)筛选关键环境因子；采用阈值指示类群分析(TITAN)确定159个物种的总磷(TP)、总氮(TN)、氮磷比(TNTP)和温度(TEMP)生态阈值；最后结合6大类性状数据（细胞体积、集群性、运动方式等）进行K-prototype混合数据类型聚类。

研究结果部分，"浮游植物群落概况"显示监测点间存在显著空间异质性，下游站点N11生物量最高达4.69 mm³/L，而物种最丰富的N42站点(194种)生物量仅1.65 mm³/L，揭示生物量与多样性呈负相关。"重要环境因子筛选"通过PCA确定TP、TN和TNTP为关键驱动因子，共同解释63.98%的群落变异，其中TP单独贡献41.27%。"生态阈值范围"显示多数物种TNTP下限集中在13-40，而上限分布广泛(27-291)，表明氮磷平衡对群落组成具有阈值效应。

"性状阈值分类与评估"是研究核心发现：五个功能群呈现显著差异特征。Group A（绿藻-蓝藻混合群）具有小细胞体积(中位数97 μm³)和高温偏好(23°C)；Group D（硅藻主导）具有硅质结构和大细胞体积(763 μm³)；Group E（甲藻-隐藻混合群）以鞭毛运动和混合营养为特征。关键突破在于，新分类使TNTP阈值组内变异(16-33)显著低于传统分类(42-72)，证明该方法能更好捕捉功能同质性。空间分布显示Group D在中游站点持续占优(>50%生物量)，而Group E在上游磷限制区域占主导，印证了分类的生态合理性。

讨论部分强调该框架三大创新：首次将TITAN确定的生态阈值作为聚类特征，使分组直接对应模型所需的半饱和常数等参数；开发的K-prototype算法能同时处理数值型阈值和分类性状数据；通过Elbow法优化确定5个功能群，在模型复杂度与生态真实性间取得平衡。相比Reynolds等提出的31个功能群体系，该研究更适用于过程模型参数化。局限性在于监测数据未涵盖纳米级浮游植物，未来可整合流式细胞术等新技术扩展分类范围。

这项研究为浮游植物建模提供了范式转换：从经验分类转向数据驱动分类，从全局参数转向本地优化参数。作者建议的AEM参数化方案中，特别值得注意的是为各组定义了差异化的最大生长速率(1-3.9/天)和营养盐半饱和常数(TP:0.0043-0.0250 mg/L)，这些基于实际观测的数值将显著提升模型预测能力。该框架可推广应用于湖泊、水库等不同水体，为水华预警和生态修复提供更精准的模拟工具。