补充资料2提供了SLR所分析的文章的齐全清单，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分列。每个湖的文章都按DD或PB步骤进行了分组。SLR批注71%的文章使用PB模型预测未来情景，而DD模型重要用于短期有害蓝藻水华预报。只管如此，PB模型依然能够短期预报，DD模型能够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步骤。沉要的是必须明确建模指标，将模型输出直接利用于用户指标。例如，在前提已经有利于有害蓝藻水华的情况下，能够使用治理战术(即情景评估)来预测有害蓝藻水华的持久风险，但不能预防有害蓝藻水华在短期内的风险。4kJ新型光催化网_水库治理_河路治理_水生态建复_水环境治理与建复_CA88

4kJ新型光催化网_水库治理_河路治理_水生态建复_水环境治理与建复_CA88

　　早期预警系统能够提供关于预测有害蓝藻水华的信息，只管在短功夫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模型拥有嵌入式组件或需要，能满足用户需要和资源。像DYRESM/ELCOM-CAEDYM和DBS这样的PB模型拥有一维、二维、三维的水动力成分，能够评估有害蓝藻水华在湖泊关键区的堆集和扩散。其他模型可能必要与第三方水动力模型耦合，这可能会限度它们的利用(如水动力模型SELFE和SALMO)。其他模型，诸如CLAMM和PCLake的结构较单一，对推算要求低，但可能有限度它们的利用(例如，没有水动力驱动的PCLake模型仅合用于非分层水体，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，并且能够利用于多个湖泊，对于这种可推广的模型，他们的预测精度是有所降落的。4kJ新型光催化网_水库治理_河路治理_水生态建复_水环境治理与建复_CA88

　　物种特异性也可能是PB模型中的一个决策点，由于有些模型能够仿照多个物种(例如PROTECH和DYRESM-CAEDYM)，而另一些模型则能够分辨蓝藻的生态类型(例如DELWAQ-BLOOM-SWITCH)、浮游植物职能群(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沉影响有害蓝藻水华事务的情况，MyLake模型是一个很好的选择，由于它重要是为了仿照这些事务而设计的。在矫捷参数化、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会商过。对于短期有害蓝藻水华的预报，DD模型能够凭据用户需要量身定做。例如，能够思考单一或多元回归分析进行初步评估。人为神经网络能够达到较高的R2，出格是对于总蓝藻种群。 然而，这种步骤不能提供潜在的过程。相反，HEAs能够提供短期预报，并且能够提供可理解的潜在过程。HEA步骤已被更频仍地用于蓝藻物种的建模。DT步骤可用于比力和聚类数据，这对于分类变量或多个地位的短期预报是有效的。代理模型和HEA模型可以为统一模型中的多个地理地位和物种提供短期有害蓝藻水华预报。4kJ新型光催化网_水库治理_河路治理_水生态建复_水环境治理与建复_CA88

　　数据的数量和质量可能是在建模步骤之间作出选择的一个造约成分。PB模型通常必要输入多个参数，这些参数可能无法从通例监测数据中获得，例如蓝藻物种的成长速度或营养吸收速度等。另一方面，DD模型将只需少量的通例监测数据，来进行模型开发和验证。若是数据的可用性和可获得性较高，高频荧光监测数据很有援手，即便必要传统的监测步骤进行传感器校准
；诘仄だ酶哺呛托蜗笫莸慕，能够援手有害蓝藻水华防控治理实际。对于必要空间信息的情况，例如有害蓝藻水华的高风险区域，可能选择PB模型较好。水动力模型能够预测在有流量、风和水坚信息的处所蓝藻的运输和混合情况。4kJ新型光催化网_水库治理_河路治理_水生态建复_水环境治理与建复_CA88

　　另一方面，通过削减适当选择的变量(例如，只有生物、形象、或水质变量)的输入，也能够实现令人中意的DD预测模型
；袢】捎檬莺涂⒛Ｐ偷淖试纯赡苁悄Ｐ涂⒌牧硪桓鲈煸汲煞
？⒃けê驮げ饽Ｐ捅匾缪Э频耐哦雍凸ぷ鞴Ψ蛴枚确峙(例如数据网络和分析、模型开发和验证)，以及利益有关者实际理解支持情景天生。最近的一篇论文提出了一个梦想的全球尺度藻类投影模型的概想，该模型应蕴含环境、网络和湖泊生态系统组成部门。然而，这一要求可能对所有供水公司或环境
；せ苟疾怀尚。通过一组旨在推进持续模型改进的问题，提出了一种解决模型单一性和复杂性平衡的步骤。即便模型选择的过程是针对特定的案例钻研，但是其钻研步骤是能够借鉴推广的。4kJ新型光催化网_水库治理_河路治理_水生态建复_水环境治理与建复_CA88