面向大型深水日内瓦湖(法国/瑞士)的业务化浮游植物水华监测与预报系统

《Ecological Modelling》:Towards an operational phytoplankton bloom monitoring and forecasting system for the large deep Lake Geneva (France/Switzerland)

【字体: 大 中 小 】 时间:2026年08月09日 来源:Ecological Modelling 3.5

编辑推荐:

  浮游植物水华可影响湖泊生态系统服务,尤其在大型湖泊中,其影响常在时间和空间上局部化。为预测高风险区域并支持管理响应,研究人员提出一个面向大型深水日内瓦湖(法国/瑞士)的业务化浮游植物水华监测与预报框架。该预警系统整合了现场观测、卫星叶绿素a(Chl-a)和塞克

  
浮游植物水华可影响湖泊生态系统服务,尤其在大型湖泊中,其影响常在时间和空间上局部化。为预测高风险区域并支持管理响应,研究人员提出一个面向大型深水日内瓦湖(法国/瑞士)的业务化浮游植物水华监测与预报框架。该预警系统整合了现场观测、卫星叶绿素a(Chl-a)和塞克盘深度(Secchi depth)影像,以及三维水动力模拟,形成业务化工作流程。监测模块分析近实时卫星Chl-a,识别超过世界卫生组织(WHO)风险阈值10 μg Chl-a L-1的区域,触发局部或全局警报,指示可能影响水用途的表层水华状况。预报模块通过在水动力模型内平流输送虚拟粒子,预测短期表层水华输移。利用两次历史表层水华事件评估模型性能,结果显示观测与预报之间吻合良好,平均轨迹误差为0.3-1.7 km,最大误差低于6.1 km。预报技能在三天后以及水华起始或消退阶段降低。为解决卫星观测的局限性,第三个模块检测卫星不可见的深度Chl-a超过10 μg L-1的事件。该模块依赖基于中央湖站10年现场数据训练的随机森林(Random Forest)机器学习模型,成功检测78%的深层水华事件。通过实现每日监测与预报,该预警系统补充了传统现场监测计划,并有助于识别短寿命或空间局部的浮游植物水华。其模块化、开放获取的设计便于向其他湖泊推广。
论文解读:大型深水日内瓦湖浮游植物水华业务化监测与预报系统

**研究背景、存在问题及研究意义**

浮游植物水华可显著影响湖泊生态系统服务,包括渔业、饮用水供应和休闲活动。近年来,许多地区水华发生频率和强度增加,对湖泊管理构成挑战。叶绿素a(Chl-a)浓度是广泛使用的浮游植物生物量指标和风险指示因子。卫星遥感技术可高时空分辨率监测表层Chl-a,三维水动力模型结合短期气象预报可提供可靠的水流预报,粒子追踪模型可模拟水团及伴随物质的输移。然而,在深水湖泊中,浮游植物常在表层以下形成深层叶绿素最大值(DCM),卫星观测无法探测;此外,传统现场监测在空间和时间上存在覆盖不足,难以捕捉短寿命或空间异质的水华事件。因此,需要开发集成多源数据的业务化监测与预报系统,以支持日内瓦湖等大型深水湖泊的水华管理。本研究旨在利用卫星观测、水动力粒子追踪和机器学习方法,构建一个监测和预报Chl-a动态的集成框架,并评估其性能。

**研究内容与结论**

研究人员开发了一个由三个模块组成的预警系统,实现了每日运行,并利用两次历史水华事件进行验证,结论如下:卫星监测模块可有效识别超过WHO阈值(10 μg Chl-a L-1)的区域;粒子追踪预报模块在1-3天内的平均轨迹误差为0.3-1.7 km,最大误差低于6.1 km,但预报精度随持续时间延长和在水华起始/消退阶段下降;随机森林机器学习模块可检测78%的卫星不可见深水水华事件。该系统补充了传统现场监测,可识别短寿命或空间局部的水华,其模块化设计便于向其他湖泊转移。论文发表在《Ecological Modelling》。

**主要关键技术方法**

研究采用以下关键技术方法:1)卫星遥感:利用Sentinel-3A/B卫星的Chl-a和塞克盘深度(Zs)产品,经Alplakes平台预处理,空间分辨率约300 m。2)三维水动力模型:基于Delft3D模型,耦合空间变化风场,输出100个垂直层、3小时间隔的流速场,模式包括后报和预报(气象强迫来自ICON预报)。3)粒子追踪模型:在光学穿透深度内释放虚拟粒子,采用平流-扩散随机位移模拟,扩散系数设为0.1 m2/s,计算时间步长12分钟,预报最多3天。4)机器学习模型:随机森林(Random Forest)分类器,基于SHL2监测站(2016-2024年)161个现场Chl-a剖面数据,以9个预测变量(包括热结构参数、Zs和季节变量)训练,检测深层水华事件。样本队列来源:现场数据来自OLA平台和日内瓦州,站点为SHL2和GE3;卫星和水动力数据来自Alplakes平台。

**研究结果**

**3.1 表层水华位移预报**

研究识别出两次表层水华事件:2021年5月28日至6月4日的水华(持续8天,最大34%湖面超过阈值,主要影响东部)和2021年9月4日至13日的水华(持续10天,最大39%湖面超过阈值,主要影响沿岸区域)。通过15次粒子追踪模拟(1-4天),比较模拟粒子位置与观测Chl-a>10 μg L-1像素的距离,发现平均距离Dsim_to_obs为0.3-1.7 km,Dobs_to_sim为0.2-3.8 km,表明系统能较好再现高Chl-a区域的位移模式。预报精度随模拟时长增加而下降(Dsim_to_obs趋势显著,p=0.03),且在事件起始和消退阶段精度降低(起始阶段高估水华范围,消退阶段低估水华消退)。粒子轨迹对深度依赖较小,但表层粒子有时略超前于深层。最佳模拟(1-3天)中,东部湖区(VD6、FR1、FR2)精度最高,西部(GE、VD3)精度较低,可能与局部水动力复杂性有关。

**3.2 卫星不可见深层水华检测**

基于SHL2站点的35次超过10 μg L-1的现场剖面中,仅1次被卫星检测到,其余34次为深层水华事件。随机森林模型在训练集(2016-2022年,114个日期)上正确识别87.5%的深层水华事件,在测试集(39个日期)上采用决策阈值0.45时,成功检测78%的深层水华事件(7/9),同时产生少量误报(2/9)。模型利用热结构参数、Zs和季节变量,展示了较好的预测性能,但受限于训练数据量较小,泛化能力需进一步验证。

**总结讨论与结论**

讨论部分指出,尽管日内瓦湖通过减磷实现了部分再贫营养化,但由于气候变率和某些蓝藻的低营养适应能力,水华仍可能发生。大型湖泊中浮游植物分布的空间异质性要求高分辨率监测工具。本研究的预警系统在东部湖区(传统监测站代表性不足的区域)表现良好,可填补现场监测的时空空白。系统在起始和消退阶段精度下降,未来可引入生物生长/衰减项改进。深层水华检测模块(随机森林)有效,但需扩大数据集提高鲁棒性。不确定性来源包括水动力模型误差、机器学习模型预测误差及卫星反演误差。当前卫星无法区分物种,未来高光谱任务(如PACE)可增强物种识别能力。

**结论:** 本研究开发的预警系统围绕三个互补模块构建:基于卫星的每日表层Chl-a监测模块、预报表层水华输移的粒子追踪模块(1-3天精度良好,最大误差<6.1 km),以及基于随机森林的深层水华检测模块(检测率78%)。该系统通过近实时监测和短期预报,补充了传统现场监测,其模块化、开放获取的设计便于向Alplakes平台内的其他湖泊推广。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号