补充材料2提供了SLR所分析的文章的完整清单，按营养状态和循环模式分组。每一组的湖泊都从高纬度到低纬度排列。每个湖的文章都按DD或PB方法进行了分组。SLR表明71%的文章使用PB模型预测未来情景，而DD模型主要用于短期有害蓝藻水华预报。尽管如此，PB模型仍然可以短期预报，DD模型可以用于未来的情景预测。在DD模型中，BN或回归和BN模型组合是用于情景评估的最常见方法。重要的是必须明确建模目标，将模型输出直接应用于用户目标。例如，在条件已经有利于有害蓝藻水华的情况下，可以使用管理策略(即情景评估)来预测有害蓝藻水华的长期风险，但不能防止有害蓝藻水华在短期内的风险。
早期预警系统可以提供关于预测有害蓝藻水华的信息，尽管在短时间尺度上可能是有限的。对于有害蓝藻水华的未来情景评估和预测，一些现有的PB模型具有嵌入式组件或需求，能满足用户需求和资源。像DYRESM/ELCOM-CAEDYM和DBS这样的PB模型具有一维、二维、三维的水动力成分，可以评估有害蓝藻水华在湖泊关键区的积累和扩散。其他模型可能需要与第三方水动力模型耦合，这可能会限制它们的应用(如水动力模型SELFE和SALMO)。其他模型，诸如CLAMM和PCLake的结构较简单，对计算要求低，但可能有限制它们的应用(例如，没有水动力驱动的PCLake模型仅适用于非分层水体，并开发了针对微囊藻特异性的CLAMM)。相反，像SALMO及其变形拓展模型SALMO-OO是可推广的，并且可以应用于多个湖泊，对于这种可推广的模型，他们的预测精度是有所下降的。
物种特异性也可能是PB模型中的一个决策点，因为有些模型可以模拟多个物种(例如PROTECH和DYRESM-CAEDYM)，而另一些模型则可以区分蓝藻的生态类型(例如DELWAQ-BLOOM-SWITCH)、浮游植物功能群(例如SALMO和PCLake)之间，或特定于单个物种(例如CLAMM)。对于冰盖和融雪可能严重影响有害蓝藻水华事件的情况，MyLake模型是一个很好的选择，因为它主要是为了模拟这些事件而设计的。在灵活参数化、开源代码、图形界面等方面，也可能影响PB模型的选择，这以前的综述文章中已经讨论过。对于短期有害蓝藻水华的预报，DD模型可以根据用户需求量身定做。例如，可以考虑简单或多元回归分析进行初步评估。人工神经网络可以达到较高的R2，特别是对于总蓝藻种群。 然而，这种方法不能提供潜在的过程。相反，HEAs可以提供短期预报，而且可以提供可理解的潜在过程。HEA方法已被更频繁地用于蓝藻物种的建模。DT方法可用于比较和聚类数据，这对于分类变量或多个位置的短期预报是有效的。代理模型和HEA模型可以为同一模型中的多个地理位置和物种提供短期有害蓝藻水华预报。
数据的数量和质量可能是在建模方法之间作出选择的一个制约因素。PB模型通常需要输入多个参数，这些参数可能无法从常规监测数据中获得，例如蓝藻物种的生长速率或营养吸收速率等。另一方面，DD模型将只需少量的常规监测数据，来进行模型开发和验证。如果数据的可用性和可获得性较高，高频荧光监测数据很有帮助，即使需要传统的监测方法进行传感器校准。基于土地利用覆盖和气象数据的建模，可以帮助有害蓝藻水华防控管理实践。对于需要空间信息的情况，例如有害蓝藻水华的高风险区域，可能选择PB模型较好。水动力模型可以预测在有流量、风和水深信息的地方蓝藻的运输和混合情况。
另一方面，通过减少适当选择的变量(例如，只有生物、气象、或水质变量)的输入，也可以实现令人满意的DD预测模型。获取可用数据和开发模型的资源可能是模型开发的另一个制约因素。开发预报和预测模型需要跨学科的团队和工作时间费用分配(例如数据收集和分析、模型开发和验证)，以及利益相关者实践理解支持情景生成。最近的一篇论文提出了一个理想的全球尺度藻类投影模型的概念，该模型应包括环境、网络和湖泊生态系统组成部分。然而，这一要求可能对所有供水公司或环境保护机构都不可行。通过一组旨在促进持续模型改进的问题，提出了一种解决模型简单性和复杂性平衡的方法。即使模型选择的过程是针对特定的案例研究，但是其研究方法是可以借鉴推广的。
声明：所载内容来源互联网，仅供参考，交流之目的，转载的稿件版权归原创和机构所有，如有侵权，请联系我们删除。
市场服务中心
总经办
微信扫一扫
