太湖藍藻水華的演變過程與成因分析_湖泊環(huán)境治理與生

第二節(jié)　太湖藍藻水華的演變過程與成因分析

一、太湖藍藻水華的演變過程

太湖存在的藻類有7個門類共97個種，其中的6大門類最常見，分別為藍藻、綠藻、硅藻、甲藻、裸藻和隱藻。20世紀80年代，藍藻、硅藻、綠藻占優(yōu)勢，分別占20%、28%和40%；90年代以來，藍藻占絕對優(yōu)勢，最高時約占總量的94%，其中藍藻又以微囊藻為主。太湖的藍藻水華通常自5月開始出現(xiàn)一直持續(xù)到10月。目前太湖夏季水華主要發(fā)生在北部的梅梁灣、竺山灣以及太湖西部的沿岸帶。實際上，太湖藍藻水華的發(fā)生是一個逐步發(fā)展的過程。20世紀50年代初期，太湖幾乎沒有水華（圖2-3）；60年代在五里湖及鄰近水域出現(xiàn)水華；80年代初發(fā)展至大半個梅梁灣，80年代末至整個梅梁灣以及西部沿岸帶；90年代中期擴展至西北部湖區(qū)；2002年則蔓延到西部沿岸帶。2007年水華發(fā)生的時間比過去提前近1個月，4月25日起在太湖北部梅梁灣就出現(xiàn)了大規(guī)模水華，使無錫市的充山、小灣里和南泉取水口告急（圖2-4，圖2-5）。

圖2-3 昔日美麗的太湖（左）與藍藻水華暴發(fā)后的太湖（右）

圖2-4 藍藻水華暴發(fā)期在沿岸帶發(fā)現(xiàn)的大量藍藻水華

圖2-5 太湖沿岸的藍藻水華威脅到供水安全

二、藍藻水華的成因

災(zāi)害性水華的形成有兩個要素：一是藻類的過度生長，二是在水表面大量聚集，這兩方面的要素都受到藻類自身的生物學(xué)特性以及自然條件的影響。總體上看，藻類的生長主要由其生物學(xué)特征決定，而藻類的聚集則主要由氣象條件決定。

1. 營養(yǎng)鹽閾值

不少人認為，富營養(yǎng)化引起藍藻水華暴發(fā)，水體富營養(yǎng)治理只要降低水體中的營養(yǎng)物濃度，就可以抑制藻類的生長。然而，早在20世紀四五十年代，科學(xué)家們發(fā)現(xiàn)，當水體中總磷濃度超過0.015 mg/L，總氮超過0.3 mg/L時（這是非常低的濃度），藻類就出現(xiàn)惡性繁殖，藻類的繁殖量與外界輸入的P、N濃度值成正比。后來，國外有專家進一步指出，水體中的可溶性磷一旦高于0.01 mg/L，通過降低磷的濃度對藻類生長量影響甚微。并且將水體中的可溶性磷的濃度降低到低于0.01 mg/L，所花的代價是極其昂貴的。水體富營養(yǎng)治理，過去比較重視水體中富營養(yǎng)因子（例如N、P等）的去除，沒有注重藻類的去除和抑制。需要指出的是，當水體中的磷、氮濃度很低，而在一定的環(huán)境、氣候條件下，仍會出現(xiàn)藻類過度生長的問題。密云水庫是北京市主要的地表水源地，水體的水質(zhì)達到地表水II~III類標準，2002年暴發(fā)大面積藍藻水華。磷是藻類生長的主要限制因子，那么，限制的尺度是多少呢？美國環(huán)境保護署在其《湖泊與水庫技術(shù)指導(dǎo)手冊——營養(yǎng)鹽標準》中指出，在湖泊與水庫中，總磷與總氮濃度分別超過0.01 mg/L與0.15 mg/L時即有可能發(fā)生藍藻水華。密云水庫取水口各時期采樣的結(jié)果顯示，總磷的濃度>0.01 mg/L，2002年總氮的濃度>1.0 mg/L，因此密云水庫具備發(fā)生藍藻水華的營養(yǎng)鹽基礎(chǔ)。我國地表水III類水質(zhì)標準（可以作為飲用水源）的總磷與總氮濃度指標值分別是0.2 mg/L與1.0 mg/L，也就是說，按我國地表水水質(zhì)標準，就算達到III類、甚至II類標準的水體，仍然存在藻類過度繁殖而發(fā)生藍藻水華的可能。

2. 藍藻自身的生物學(xué)優(yōu)勢

藍藻自身具有很多生物學(xué)方面的優(yōu)勢，如藍藻在強光條件下傷害較小，在光照不足時僅需很少的光就可以維持其自身需要；水華期間微囊藻都是以群體形式存在的，群體結(jié)構(gòu)減少了浮游動物的捕食。微囊藻具有偽空胞，使藻細胞在獲取光能方面占據(jù)優(yōu)勢并抑制其他藻類對光的吸收；微囊藻可以將磷貯備在細胞內(nèi)以滿足自身需要；微囊藻的最佳生長溫度比其他藻類高，因此在夏季藍藻容易建立優(yōu)勢；微囊藻能適應(yīng)低氧環(huán)境，水華形成后的低溶解氧使藍藻更容易鞏固其優(yōu)勢地位。

3. 氣象與水文條件

大量藍藻在適當?shù)臈l件下聚集，會形成嚴重的水華。藻類的堆積主要與氣象和水文條件有關(guān)。

（1）風速、風向

風速對藍藻水華的形成具有重要的作用。風速較大（>3 m/s）時，水體就會受到強烈擾動，藍藻會相對均勻地垂直分布，這時水面上的藍藻看起來不會很多，藍藻水華也就相對緩和，這時候風對藍藻漂移作用也不大。如果風速非常大，這時候不僅僅水面的藍藻數(shù)量減少，藍藻自身的生長速度也會減小，一方面是因為擾動使水體渾濁，從而影響了水下的光強，另一方面還因為藍藻在水體受到強烈擾動的時候生長速度也會減慢。風速足夠大的時候還可能會攪動湖泊中的底泥進入水體，產(chǎn)生絮凝作用使藻類下沉。當然，風浪也可能會促進底泥中的營養(yǎng)鹽釋放，從而致使風浪過后藍藻的生長加快。

風速降低到3 m/s以下的時候，水體受到擾動減小，藍藻就會上浮并聚集到水面形成水華，這時風向會直接影響到藍藻的漂移方向。因為多數(shù)藍藻漂浮在水面，風力使得藍藻朝下風方向漂移，最終在沿岸帶和湖灣聚集，形成非常嚴重的水華。

（2）光照、溫度以及降雨

光照的影響主要表現(xiàn)在藻類光合作用的速率隨著光強變化而變化，以及不同種類的藻對不同波長、不同強度的光敏感性不同等方面。在水體中，光條件決定了哪種生理特征的藻成為生態(tài)系統(tǒng)中優(yōu)勢種群。藍藻除了含有葉綠素a和類胡蘿卜素這兩個主要色素外，還含有藻青蛋白和異藻青蛋白，這些色素能吸收光譜中的綠光和黃光（500~650 nm），而這段波譜的光是很難被其他浮游生物所吸收利用的。藻膽蛋白與葉綠素a結(jié)合在一起能有效地吸收綠光，可以很好地生活在僅有綠光的環(huán)境中（渾濁的富營養(yǎng)湖泊水下廣譜中綠光占多數(shù)）。許多藻對高強度的光很敏感，例如浮絲藻（Planktothrix agardhii）在高于180 μE·m^-2·s^-1的條件下，生長就會受到抑制，相比較而言，由于微囊藻能在水面形成聚集群落，能抵抗較高強度的光。

溫度對藻類生長的影響比較突出。水體增溫對浮游藻類的影響與環(huán)境溫度和增溫幅度有關(guān)，當環(huán)境溫度較低時，水體增溫會促進藻的生長，環(huán)境溫度較高時則起抑制作用?？傮w來看，光照充分時藍藻生長速率會加大，有利于藍藻水華的形成。當然，很強的光照往往同高溫聯(lián)系在一起，高光強和高溫會使表面藍藻迅速死亡腐爛，從而產(chǎn)生嚴重的氣味，這樣會使人們從認識上感覺到藍藻水華加重了。有關(guān)研究表明，微囊藻的最佳生長溫度高于其他藻類，室內(nèi)實驗證明，太湖微囊藻的最適生長溫度為30~35 ℃，水庫中的圍隔實驗證實當水溫為26 ℃時，最適宜于微囊藻的聚集、上浮而形成水華。

降雨條件明顯時藍藻水華也會有所減輕?？赡艿脑蛴袔讉€方面：因為降雨時光照不足從而影響了藍藻的生長；降雨促進了藍藻的下沉從而使表面水華減輕；如果降雨量明顯，湖泊中總體水量增加，就會使得藍藻水華有所緩和；陸地上的地表徑流會稀釋沿岸帶的藍藻。

（3）水文條件

水文條件會影響水體的物理化學(xué)性質(zhì)，如溶解氧、氧化還原電位、有機質(zhì)含量、金屬螯合作用、顆粒物沉降與再懸浮、吸附與解吸、沉淀與溶解等，這些因素直接作用于藻體本身，影響藻的各生理階段，從而對藻類生長起間接作用。此外，水文條件與水體受到的擾動情況密切相關(guān)，因此在水流較大的時候藍藻生長以及在表層聚集作用都會產(chǎn)生削減效應(yīng)。

通過以上分析可知，藍藻自身具有很多生物學(xué)方面的優(yōu)勢，這些優(yōu)勢使藍藻容易在水體建立起數(shù)量上的優(yōu)勢，通過形成群體后，在合適的氣象與水文條件下，藍藻水華便會形成，并且在沿岸帶和湖灣尤為嚴重。太湖藍藻水華的形成與太湖本身的生態(tài)環(huán)境特點相關(guān)，如湖面開闊、水淺、溫熱條件好、湖灣眾多（利于藍藻堆積）。

三、藍藻水華的預(yù)測與預(yù)報

藍藻水華的出現(xiàn)指示著水體中的藍藻細胞已超過一定的濃度，這是生物量積累、聚集、上浮的結(jié)果。影響水華形成的環(huán)境因子多種多樣，人們檢測了水華形成過程中的物理、化學(xué)、生物等多項指標，總結(jié)出了各類環(huán)境因子與水華形成之間的關(guān)系以及藍藻水華的形成規(guī)律。如果能提前預(yù)測敏感湖區(qū)藍藻水華的發(fā)生概率，就可以提前采取必要的措施，減少藍藻水華對湖泊環(huán)境和生產(chǎn)生活的危害。目前湖泊中藍藻水華的預(yù)測研究還比較有限，而關(guān)于赤潮預(yù)測的研究相對較多，可作為借鑒。

（1）根據(jù)水體的物理化學(xué)特征預(yù)測赤潮

日本東京水產(chǎn)大學(xué)等研究單位提出利用硒（Se）含量變化預(yù)測赤潮的發(fā)生，因為赤潮發(fā)生之前，隨著浮游植物的增殖，表層海水中Se濃度就有所上升，赤潮高峰值時，硒濃度是平時的3倍以上。此外，水體中pH和溶解氧也可作為預(yù)測指標，當pH超過8.25，溶解氧的飽和度超過110%~120%時，有可能在未來幾天內(nèi)發(fā)生赤潮。

（2）根據(jù)水溫、鹽度和氣象條件的預(yù)測

很多赤潮事例表明，在河口、內(nèi)灣因降雨或河流徑流量增大而引起鹽度變化，?？烧T發(fā)水華或赤潮發(fā)生。例如，日本兵庫縣發(fā)生赤潮的年份往往與5月份的鹽度變動量有關(guān)。很多水華和赤潮事例表明，當其他條件具備時，若天氣形勢發(fā)展比較穩(wěn)定，海區(qū)風平浪靜，陽光充足、悶熱的條件下，就有可能發(fā)生赤潮。

（3）根據(jù)生物學(xué)特征的預(yù)測

由于水華的發(fā)生過程往往伴隨著水體中一系列生物學(xué)指標的變化，因此可以通過跟蹤水體中各種水華和赤潮生物的增殖情況，監(jiān)測水體中葉綠素a含量的變化、藻類光合活性甚至是水體細菌類別及數(shù)量變化都有可能用來作為預(yù)測的方法。

（4）藍藻水華發(fā)生的生態(tài)數(shù)學(xué)模型

生態(tài)數(shù)學(xué)模型被認為是研究及預(yù)報水華的較好方法，但由于其參數(shù)繁多且不易確定等缺點限制了其使用，因此在對各個不同的湖泊研究時參數(shù)也不相同。目前主要的預(yù)測模型有以下幾種：

① 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)模擬

神經(jīng)網(wǎng)絡(luò)（Artificial neural networks，ANNs）數(shù)據(jù)模擬已經(jīng)被多次用來預(yù)測水華的形成。Friedrich Recknagel等分析了浮游藻類生長動力的影響因子和過程，采用神經(jīng)網(wǎng)絡(luò)算法處理數(shù)據(jù)，以日本的Kasumigaura湖、琵琶湖，芬蘭的Tuusulanjaervi湖為例進行模擬，得出了理想的結(jié)論。

② 遺傳算法程序

遺傳算法（Genetic Programming，GP）在水華預(yù)測中也有運用。Nitin Muttil等運用遺傳算法實時分析和預(yù)測海灣的水華過程。

③ 水華相關(guān)環(huán)境因子的逐步回歸分析

陳宇煒等以太湖梅粱灣1992~1999年的連續(xù)監(jiān)測資料為基礎(chǔ)，運用多元逐步回歸統(tǒng)計方法，選擇水溫等l5項環(huán)境理化因素與藻類葉綠素a、藻類總生物量和微囊藻生物量等3項生物因素進行逐步回歸分析，找出與生物因素顯著相關(guān)的環(huán)境因子，建立多元逐步回歸方程，預(yù)測了梅粱灣藻類生物量的變化情況，初步進行了梅梁灣藍藻水華的預(yù)測預(yù)報。

④ 灰色關(guān)聯(lián)分析

林小蘋等應(yīng)用灰關(guān)聯(lián)方法對2001年10月至2002年7月柘林灣海域的海水采樣結(jié)果進行數(shù)據(jù)分析，在磷酸鹽、硅酸鹽等11項生態(tài)因子中找出影響浮游植物密度的關(guān)鍵因子。根據(jù)這個結(jié)果，進一步建立了以這些關(guān)鍵因子為自變量的線性回歸模型，對于水華預(yù)測很有借鑒作用。

總之，藍藻水華的形成是在藍藻生物量積累到一定程度后，在適宜的氣象和水文條件下，大量藻類聚集到水面，并在特定的湖區(qū)大量聚集而形成。對水華的預(yù)測也取得了不少成果，預(yù)測的關(guān)鍵是要了解藍藻的生物量，確定水華形成的氣象條件，結(jié)合氣象預(yù)報，就有望對藍藻水華進行預(yù)測。

國內(nèi)外對水華預(yù)警的研究主要圍繞3個方面展開：

① 利用單變量或多變量營養(yǎng)指標對水體營養(yǎng)程度進行預(yù)測；

② 利用水質(zhì)模型對水體富營養(yǎng)化程度進行模擬和預(yù)測；

③ 利用地理信息系統(tǒng)或遙感系統(tǒng)對水華的發(fā)生進行預(yù)測。

以下就國內(nèi)外水華預(yù)警模型研究進行詳細介紹：

1. 國外水華預(yù)警模型研究進展

20世紀70年代湖泊學(xué)家們通過建立簡單的磷負荷模型，用于評價、預(yù)測湖泊水體的營養(yǎng)狀態(tài)。這類模型的典型代表是加拿大湖泊學(xué)家Vollenweider提出的Vollenweider模型。Vollenweider模型假定湖泊中隨時間而變化的總磷濃度值等于單位容積內(nèi)輸入的磷減去輸出的磷及其在湖內(nèi)沉積的磷。到80年代，隨著對水華和富營養(yǎng)化研究的不斷深入，不少專家建立了一系列藻類生物量與營養(yǎng)物質(zhì)負荷量之間的相關(guān)經(jīng)驗?zāi)Ｐ?，其中比較經(jīng)典的有Rast和Lee的經(jīng)驗?zāi)Ｐ?。這類經(jīng)驗?zāi)Ｐ秃唵沃庇^，使用方便，但都假定水體混合均勻、穩(wěn)態(tài)，且限制性營養(yǎng)物質(zhì)是唯一的，與實際情況往往有較大差別，更不能反映藻類生長的機理。進入90年代后，國外出現(xiàn)了更多對湖泊藻類的預(yù)測模型，較有名的有PACGAP模型（即藻類種群生長和生產(chǎn)力的預(yù)測模型）和PROTECH-2模型（即浮游植物與環(huán)境因子關(guān)系模型），以及由美國國家環(huán)境保護局提出一種多參數(shù)綜合水質(zhì)生態(tài)模型（Water quality analysis simulation program，WQASP）。

此后，越來越多的有針對性的水華預(yù)警模型被建立并得到成功應(yīng)用。Scardi和Harding研究美國東部的Chesapeake Bay富營養(yǎng)化問題時，采用多層傳感器，運用概括方法構(gòu)造了兩個人工神經(jīng)網(wǎng)絡(luò)模型，對處于富營養(yǎng)化的初級生產(chǎn)力進行了成功預(yù)測。Wei等建立了Kasumi-gaura湖的多因子水質(zhì)關(guān)系模型，利用人工神經(jīng)網(wǎng)絡(luò)成功預(yù)測到了幾種主要優(yōu)勢藻微囊藻（Microcystis）、席藻（Phormidium）和針桿藻（Synedra）的暴發(fā)。

Friedrieh Recknagel等根據(jù)12年以上的環(huán)境監(jiān)測資料，利用神經(jīng)網(wǎng)絡(luò)建立了4個系統(tǒng)的淡水水華預(yù)測模型，對藻類發(fā)生的時間、數(shù)量級等的成功預(yù)測顯示該類模型對復(fù)雜的非線性的生態(tài)現(xiàn)象進行預(yù)測的準確率達到了很高的程度。此外，Nitin Muttil，Joseph，Lee運用遺傳算法對香港銅鑼灣3年的葉綠素a、溶解氧和氣象水文資料建立實時預(yù)測模型進行水華超前預(yù)測，也得到令人滿意的效果。Marsili Libell利用15個月的水質(zhì)監(jiān)測值（溶解氧、pH、氧化還原電位、溫度等）的變化來預(yù)測水華發(fā)生的可能性，運用模糊評價的方法建立了Orbetello湖的水華預(yù)警模型，進行了成功的水華預(yù)測。

2. 國內(nèi)水華預(yù)警模型應(yīng)用研究

國內(nèi)對水華預(yù)警的研究起步較晚，近年來隨著水體水質(zhì)的惡化及不斷發(fā)生的嚴重水污染事件，人們對環(huán)境問題越來越重視。國內(nèi)對水質(zhì)預(yù)報的研究工作已經(jīng)全面展開，但更多著眼于大流域的水質(zhì)預(yù)警和湖泊的綜合水質(zhì)預(yù)報。

朱繼業(yè)等在研究物元分析理論的基礎(chǔ)上，運用綜合評判模型對南京市外秦淮河進行綜合水質(zhì)評定，并建立回歸預(yù)警模型進行綜合水質(zhì)預(yù)報，在實際應(yīng)用中取得了較滿意的結(jié)果。董志穎等采用模糊綜合評判法對吉林地區(qū)的地下水水質(zhì)進行預(yù)警評價后，結(jié)合GIS系統(tǒng)得出了該地區(qū)的水質(zhì)預(yù)警結(jié)果圖。王東云等運用多層前饋神經(jīng)網(wǎng)絡(luò)模型和BP算法，對我國海域的水質(zhì)富營養(yǎng)化水平進行了評價，只要將觀測結(jié)果提供給網(wǎng)絡(luò)，模型可自動將評價結(jié)果輸出。劉載文等利用算法改進型的BP（Back propagation）神經(jīng)網(wǎng)絡(luò)，選擇葉綠素含量、磷、氮磷比、電導(dǎo)率和水溫五個參數(shù)作為模型輸入，以預(yù)測1天、3天和5天后的葉綠素濃度為目標，構(gòu)建了北京市長河水系水華短期預(yù)報系統(tǒng)，對該水系3個周期的預(yù)測精度分別達到了97.2%、94%、88.3%。王洪禮等利用支持向量機理論對海水水質(zhì)富營養(yǎng)化的程度進行評價，并與BP人工神經(jīng)網(wǎng)絡(luò)方法所得結(jié)果進行比較，發(fā)現(xiàn)SVM理論能更好地解決小樣本的分類評價問題，評價效果良好，在水質(zhì)評價領(lǐng)域有較好的應(yīng)用前景。韓濤等以MATLAB為工具，建立了評價湖泊水體富營養(yǎng)化狀態(tài)的BP神經(jīng)網(wǎng)絡(luò)模型，應(yīng)用此模型對我國9個湖泊富營養(yǎng)化程度進行評價。對比分級評分法、模糊數(shù)學(xué)法、Fuzzy-Grey決策法的評價結(jié)果，BP神經(jīng)網(wǎng)絡(luò)的評價結(jié)果更為準確。BP神經(jīng)網(wǎng)絡(luò)由于采用了足夠多的學(xué)習樣本對網(wǎng)絡(luò)進行了訓(xùn)練，最大限度地避免了人為主觀因素的影響，并經(jīng)過樣本的檢驗證明了網(wǎng)絡(luò)具有很強的泛化能力，所以其評價結(jié)果更客觀、可靠。曾勇等采用決策樹方法和非線性回歸方法建立湖泊水華預(yù)警模型。應(yīng)用決策樹方法預(yù)測水華暴發(fā)時機，非線性回歸方法預(yù)測水華暴發(fā)強度。以北京“六?！睘槔梅侄尉€性多元統(tǒng)計回歸預(yù)測公式，建立了3個由葉綠素a、水量、水溫以及總磷組成的回歸方程。通過這幾個回歸方程來計算葉綠素a的含量，從而達到預(yù)測水華的目的。

近年來，隨著科技的發(fā)展，更多的高新技術(shù)應(yīng)用于水質(zhì)預(yù)警中。GIS、RS應(yīng)用比較廣泛并取得了良好的效果。竇明等綜合運用GIS、RS、網(wǎng)絡(luò)、多媒體及計算機仿真等現(xiàn)代高新科技手段，對漢江流域的地形地貌、水質(zhì)狀況、生態(tài)環(huán)境、水資源分布等各種信息進行動態(tài)監(jiān)測與處理，建立全流域水質(zhì)基礎(chǔ)信息平臺、不同功能的水質(zhì)模型及其相應(yīng)的管理系統(tǒng)。漢江水質(zhì)預(yù)警系統(tǒng)具備對漢江水質(zhì)實時監(jiān)控、水污染事故應(yīng)急響應(yīng)、水資源優(yōu)化調(diào)度和水環(huán)境綜合管理等功能。朱燦等以GIS和數(shù)據(jù)庫管理系統(tǒng)（DBMS）為開發(fā)平臺，建立了數(shù)字西江水質(zhì)預(yù)警預(yù)報系統(tǒng)，在發(fā)生水污染突發(fā)事故后，能夠快速預(yù)報污染物向下游的擴散時間、擴散面積、確定污染范圍、污染程度及對下游取水口等所造成的影響，為決策部門提供決策支持。豐江帆等針對太湖的藍藻暴發(fā)引起的太湖水質(zhì)不斷惡化，結(jié)合預(yù)警模型和GIS技術(shù)以太湖歷年來的連續(xù)監(jiān)測資料為基礎(chǔ)，運用多元逐步回歸統(tǒng)計方法，選擇水溫等多項環(huán)境理化因素與葉綠素a、藻類生物量、藍藻生物量等生物因素進行逐步回歸分析，建立起多元逐步回歸方程，對太湖藻類生物量的變化情況進行預(yù)測預(yù)報。

3. 存在的問題及發(fā)展方向

近20年來，富營養(yǎng)化模型和水華預(yù)警模型得到了很大發(fā)展：狀態(tài)變量由最初的幾個發(fā)展到幾十個；水體維數(shù)由一維穩(wěn)態(tài)發(fā)展到多維動態(tài)；研究角度由簡單的營養(yǎng)鹽吸收發(fā)展到對生態(tài)系統(tǒng)分析模擬；研究對象由單一的藻類生長模擬發(fā)展到綜合考慮水體的動力學(xué)、熱力學(xué)及生物動態(tài)過程等。

但是，在建模過程中仍存在許多問題：

（1）建模所依據(jù)的數(shù)據(jù)量不足，缺乏統(tǒng)一詳細的水體水化學(xué)方面的數(shù)據(jù)，這給模型的校正、驗證造成很大困難，降低了水華預(yù)警模型的可靠性和適用性。

（2）模型缺乏真正生態(tài)系統(tǒng)所具有的靈活性，不能實時模擬環(huán)境的突變，因而預(yù)測結(jié)果不能反映水體生態(tài)系統(tǒng)的真實性。

（3）模型的模擬對象主要是營養(yǎng)鹽的循環(huán)、浮游植物的生長和死亡的動態(tài)過程，水華預(yù)警模型在整個生態(tài)系統(tǒng)中非常獨立，沒有形成一整套水體管理決策支持體系。

為了克服上述問題，近期的報道提出了一些新的方法，例如：用模糊數(shù)據(jù)方法克服數(shù)據(jù)量不足的問題，用人工智能方法進行參數(shù)估計，用混沌與分形理論增強參數(shù)估計的能力，用災(zāi)變理論模擬系統(tǒng)結(jié)構(gòu)變化，建立生態(tài)參數(shù)數(shù)據(jù)庫，使用目標函數(shù)等。

王云中等采用微宇宙培養(yǎng)法分析了不同水動力條件（不循環(huán)、水循環(huán)和泥循環(huán)）對微污染景觀湖泊富營養(yǎng)化模擬過程中藻類演替的影響。結(jié)果表明：水循環(huán)和泥循環(huán)使得水體的TP值前期增加后期減少，前期藻類生長主要受TP影響，而后期濁度成了重要的影響因素。水循環(huán)引起的TP值減少及藍藻聚集狀態(tài)的破壞，導(dǎo)致了藻類的生長明顯減緩，但優(yōu)勢種的演化過程卻變得復(fù)雜。泥循環(huán)導(dǎo)致了水體TP值的極大減少及濁度的極大增加，從而明顯的抑制了藻類的生長，其優(yōu)勢種的演替過程也變得更簡單。

富營養(yǎng)化模擬的發(fā)展趨勢以學(xué)科相互滲透與交叉為主，如水體物理環(huán)境與藻類生態(tài)行為相結(jié)合，藻類生態(tài)學(xué)與分子生物學(xué)相結(jié)合。富營養(yǎng)化模型也將從單一的預(yù)測和評價發(fā)展成為多目標管理優(yōu)化模型。隨著新技術(shù)的發(fā)展，一些新的研究思路和技術(shù)也開始逐漸應(yīng)用到水體富營養(yǎng)化模型中，比如在模型中綜合考慮社會學(xué)、經(jīng)濟學(xué)和心理學(xué)因素，結(jié)合人工智能方法或GIS技術(shù)，從而使模型的適用性和可靠性得到進一步加強。綜合運用GIS、RS、計算機仿真技術(shù)、多媒體技術(shù)等，對水體預(yù)警因子進行實時監(jiān)測與處理，建立更符合水體實際的多維動態(tài)水華預(yù)警模型，進一步提高預(yù)警模型的可靠性，是水華預(yù)警模型研究的方向。