基于因果推断框架解析气候与富营养化协同作用对微囊藻水华的非线性效应

本研究针对全球水体普遍存在的蓝藻水华(CyanoHABs)治理难题，创新性地将状态空间重构与经验动态建模(EDM)相结合，构建非线性时间序列(NLTS)因果推断框架，揭示滇池微囊藻(Microcystis)对营养盐(TP/TN)和气候因子(温度/降水)的差异化响应机制，发现外源磷负荷对藻密度控制的关键作用，为气候变化背景下水华精准治理提供新范式。

　　

在气候变化与人类活动双重压力下，蓝藻水华(CyanoHABs)已成为威胁全球淡水生态系统的"生态顽疾"。其中微囊藻(Microcystis)凭借其独特的生理适应性——包括群体形成能力、气泡调节浮力机制和耐热特性，在富营养化水体中占据绝对优势。尽管学界早已认识到富营养化和气候变暖是水华暴发的关键驱动因子，但二者复杂的非线性协同效应始终未能破解。传统相关性分析常陷入"巧克力与诺贝尔奖"式的伪因果陷阱，而现有AI模型又难以捕捉变量间的方向性作用。这种认知空白严重制约了水华预测模型的精度，导致我国投资超150亿元的滇池治理工程收效甚微。

针对这一科学难题，中国科学院南京地理与湖泊研究所等机构的研究团队在《Harmful Algae》发表创新成果。研究者开创性地将状态空间重构(State-space Reconstruction)与经验动态建模(Empirical Dynamic Modeling, EDM)相结合，构建了非线性时间序列(Nonlinear Time Series, NLTS)因果分析框架。该研究以我国典型富营养化湖泊滇池为研究对象，采用双指标监测策略：叶绿素a(Chl-a)作为总体藻类生物量指标，微囊藻细胞密度(B_Micro)作为特异性指标。通过1992-2020年的长期监测数据，运用收敛交叉映射(Convergent Cross Mapping, CCM)算法，首次在几何状态空间中重构了水华生态系统的隐藏动力学特征。

关键技术方法包括：1) 基于NLTS框架的信号-噪声分离技术，从时间序列中提取51.43%(Chl-a)和50.67%(B_Micro)的确定性信号；2) 状态空间重构技术将一维数据升维至相空间，捕捉系统吸引子的几何特征；3) CCM因果分析量化营养盐(TP/TN)与气候因子的驱动强度；4) 情景模拟预测不同气候场景下水华响应。

【Revealing Low-dimensional Nonlinear Deterministic Structures】
通过非线性信号检测发现，滇池藻类动态具有显著的低维确定性结构(解释方差>50%)。与传统认知不同，总磷(TP)对藻类整体的因果效应强度(ρ=0.82)远超总氮(TN)(ρ=0.61)，而外源磷负荷对微囊藻密度的控制力比湖内磷浓度高37%。

【Application of nonlinear time series analysis】
构建的因果网络揭示：1) 气温通过提升水温间接刺激Chl-a和B_Micro增长，每升高1℃使夏季微囊藻生物量增加18%；2) 降水主要通过改变营养盐输入途径产生影响，但Chl-a对干季变化敏感，而B_Micro更响应雨季驱动；3) 气候变暖将显著扩大微囊藻的生态位宽度。

【Conclusion】
该研究突破传统统计模型的线性假设，首次量化了气候-营养盐协同作用的非线性阈值效应。发现外源磷控制对微囊藻治理的关键作用，解释了为何既往以湖内磷削减为主的治理措施效果不佳。提出的EDM框架为预测气候变化背景下水华暴发提供了新工具，其方法论创新可推广至其他复杂生态系统研究。研究结果直接指导滇池治理策略调整——强化流域磷减排而非单纯湖内控藻，这对我国"十四五"水专项实施具有重要决策支撑价值。