《Biosystems Engineering》：Divergent drivers of long-term trends vs. acute outbreaks in harmful algal blooms
编辑推荐：
本研究以呼伦湖为案例，通过多时间尺度分析及可解释机器学习模型，揭示有害藻华的驱动机制：年尺度主因是总氮和降水，月尺度为气象条件与营养结构交互作用，日尺度则依赖累积气象因素。该成果为北方湖泊生态保护提供了新策略。
戴向龙|张思远|A英兰|王国强|吴金|马光文|李凯基|曾水玉
北京师范大学地理科学学院卫星应用高级跨学科研究所，中国北京100875
摘要
有害藻华（HABs）由于其广泛的分布和突然爆发，已成为一个全球关注的环境问题。现有研究主要集中在藻华长期趋势的归因上，其中富营养化被认为是主要驱动因素。然而，这种基于趋势的分析框架无法可靠地预测特定水华的发生，主要是因为没有充分解释持续驱动因素与事件触发因素之间的相互作用机制。本研究以呼伦湖为例，区分了年度、月度和日度尺度上的赤潮驱动因素，以阐明持续维持因素与短期气象触发因素之间的相互作用。在年度尺度上，HABs已从局部、低频事件转变为广泛、高频的爆发，2022年达到高峰。水华主要发生在7月至8月，集中在半封闭的西南部和北部海湾。总氮和降水量是关键的长期预测因子，反映了富营养化和水文变化的作用。在月度尺度上，根据频率和严重程度将HABs分为四种类型。这种分类表明，气象激活和营养结构共同决定了藻华的模式。在“温暖、潮湿、平静且营养丰富”的条件下，HABs更有可能发生。关键阈值分别为：气温 >19.7°C（四分位系数变异，IQRCV = 9%），相对湿度 >61%（IQRCV = 21%），风速 <3.2 m/s（IQRCV = 37%）。在日度尺度上，HABs的形成受到累积气象效应的驱动。当7天平均气温 >103°C（IQRCV = 77%），相对湿度 >380%（IQRCV = 77%），风速 <3.0 m/s（IQRCV = 77%）时，风险进一步增加。这些发现支持了一种多尺度策略，结合了流域营养控制与实时气象监测。
引言
有害藻华（HABs）通常发生在内陆湖泊中，主要是由于在充足的光照和营养条件下藻类的快速生长。这些藻华常常占据生态位，恶化水质，并对生态系统的稳定性构成严重威胁（Yu等人，2023年）。大量研究表明，自20世纪以来，内陆湖泊中的HABs有所增加。例如，中国许多湖泊中的HABs出现得更早、持续时间更长、发生频率更高（Feng等人，2024年；Ho等人，2019年）。这些发展表明，迫切需要监测HABs的发生，确定其驱动机制，并了解其时空模式，以减少HABs的风险并保护湖泊生态系统（见图7、图8）。
然而，由于HABs可能在几天内出现和消失，其动态难以捕捉，其驱动机制表现出明显的时间和空间异质性，这对有效的预防和控制构成了持续挑战。在不同研究尺度下的空间异质性尤为明显。在全球尺度上，研究重点关注HABs的频率和分布，旨在将其与全球气候变化和人类影响联系起来。尽管一些研究证实过去40年中HABs的发生显著增加（Feng等人，2024年；Hou等人，2022年），但其他研究表明改进的监测技术可能导致感知到的HABs增加（Hallegraeff等人，2021年），使得结论性解释变得困难。大多数全球尺度的研究强调HABs的频繁发生，并试图开发早期预警系统。
在区域尺度上，研究通常以国家或主要流域作为分析单元。例如，在中国，全国性调查通常关注HABs事件频繁发生的著名湖泊，如太湖、巢湖、滇池和洱海，并分析它们的时空模式。同时，区域研究也试图确定特定水体中HABs的主要驱动因素（Huang等人，2020年）。与使用粗略年度数据的全球尺度分析相比，区域研究更依赖于具体的水质指标进行归因分析。然而，由于中国南北气候和水文的明显差异，大多数现有研究集中在南部湖泊，对北部内陆湖泊中的HABs关注较少。对于单个湖泊，研究旨在确定局部化的驱动因素，以便为缓解策略提供信息。在中国南部，HABs通常与雨季农业径流的非点源污染有关。相比之下，在呼伦湖等北部湖泊中，自然过程（如风滚草生物量的积累）可能导致过量的营养输入，从而引起水体富营养化。这些区域差异强调了研究较少被关注的北部湖泊中HABs机制的必要性，这些湖泊历史上也注意到HABs发病率的上升。在HABs研究中，空间尺度可能与时间尺度难以区分。对于全球研究，通常使用每年藻华频率或面积，趋势通常是长期的。相比之下，由于HABs可以在短时间内发展和消退，因此湖泊级别的归因研究通常需要更高的时间分辨率（月度、日度）。多尺度环境因素通常相互作用，可能形成HABs，很难区分它们的单独和综合效应。传统统计方法往往无法解释这些在不同层次上的效应，从而限制了对HABs时间和位置的预测。为了填补这一空白，更先进的模型解释工具（如SHapley Additive exPlanations（SHAP）和Generalised Additive Models（GAMs）通过参数、样条函数等）越来越受到关注，更适合处理非线性和复杂的关系。
目前，HABs研究主要集中在中国的某些湖泊中，但北部湖泊的爆发频率也在增加。呼伦湖是中国北部、蒙古和俄罗斯边境附近生态脆弱地区最大的草原淡水湖。它是一个重要的草原系统，负责生物多样性和区域气候控制（Wang等人，2023年）。然而，该湖泊的健康状况在过去30年里急剧下降。湖泊面积从2000年的2300平方公里减少到1700平方公里，长期过营养状态导致氮和磷的标准超过V类水平，代表了严重的富营养化（Wu等人，2023年）。2022年夏季发生了大规模的蓝藻爆发，超过80%的湖面被藻华覆盖，对当地旅游业和渔业造成了严重影响（Xingyue等人，2025年）。因此，精确监测HABs并识别主要驱动因素是当务之急。
大多数之前的HAB遥感研究强调长期的空间或年际变化，通常使用粗略的时间分辨率，主要关注南部的富营养化湖泊。这些方法忽略了在几天内发生的快速爆发过程以及短期气象波动与长期水文积累之间的强烈相互作用。本研究在三个关键方面具有创新性。首先，通过分析年度、月度和日度分辨率下的HAB动态，该研究跨越了时间尺度，更好地捕捉了爆发起始和衰减的短期时间，同时保留了长期趋势。其次，它结合了可解释的机器学习（SHAP）和广义加性模型（GAMs），揭示了HABs对环境驱动因素的非线性和尺度依赖性响应，提供了可解释的因果洞察，而不仅仅是纯相关性预测。第三，它将HABs研究的范围扩展到北部草原湖泊，这些湖泊代表了气候敏感和生态脆弱的区域，在全球和国家评估中大多被忽视。通过这种多尺度和可解释的框架解决爆发机制的空间-时间异质性，该研究为将快速藻类动态与长期气候和水文变化联系起来提供了新的途径。为了填补这一空白，本研究使用MODIS影像和归一化植被指数（NDVI）及浮游藻类指数（FAI）确定了2000年至2024年间呼伦湖中HABs的空间动态模式。通过（1）应用SHAP图来解释机器学习预测中的变量贡献，以及GAMs来捕捉非线性关系，本研究旨在：（1）开发一个时空HABs数据集（2000–2024年）；（2）识别最重要的日尺度驱动因素和HABs的转化路径；（3）研究月度尺度的气象和水文因素对HABs频率和严重程度的影响。
研究区域
呼伦湖（117°00′-117°41′E，48°30′?49°20′N）是中国最大的湖泊，在维护该地区的生态安全方面发挥着关键作用。作为北部典型的内陆湖泊，其年平均降水量仅为约233毫米，而年蒸发量通常超过1000毫米。因此，湖泊在很大程度上依赖地表径流来补充水源。克伦河和乌尔松河是流入呼伦湖的主要支流。
HABs检测的准确性评估
为了评估HABs识别方法的准确性，选择了三张晴朗天空的卫星图像作为验证数据，对应的时间分别为2021年8月30日、2022年7月30日和2022年8月13日。对于基于指数的方法（FAI和NDVI），使用Otsu阈值方法提取HABs区域。这三个日期的NDVI阈值分别为0.14、0.18和0.17。值超过这些阈值的像素被认为是受HABs影响的区域。
不同时间尺度上气象和水文因素的不同影响
HABs的形成受到气象和水文因素的影响，但它们在不同时间尺度上的效应显著不同。这些时间尺度主导因素的变化反映了外部强迫过程与湖泊生态系统响应时间之间的耦合（J. Chen等人，2021年）。
在日度尺度上，系统对短期气象扰动非常敏感，PRS、WIN和SSD等变量显示出突出的重要性。
结论
本研究通过整合卫星衍生指数、机器学习方法和水文气象观测，对呼伦湖中的HABs进行了多尺度评估。结果表明，过去二十年HABs的强度明显加剧，从零星的局部事件转变为频繁的大规模爆发，特别是自2010年以来。
研究发现，HABs在不同时间尺度上受到不同的驱动因素控制。在年度尺度上，降水量
CRediT作者贡献声明
戴向龙：撰写 – 审稿与编辑，撰写 – 原稿，项目管理，方法论，概念化。张思远：撰写 – 审稿与编辑，监督，方法论。A英兰：项目管理，方法论，资金获取，正式分析，数据管理。王国强：撰写 – 审稿与编辑，正式分析。吴金：撰写 – 审稿与编辑，监督，方法论。马光文：调查，正式分析，数据管理。李凯基：监督，
关于写作过程中使用生成式AI和AI辅助技术的声明
在准备这项工作时，没有使用生成式AI或AI辅助技术。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
这项工作得到了国家自然科学基金的优秀青年科学家基金（编号：52422901）、国家自然科学基金的重点计划（编号：52339002）、国家青年科学基金项目（编号：52209041）以及国家重点研发计划（编号：2022YFC3204605）的支持
