A Review of Real-time Monitoring Techniques for Cyanobacteria
尹美琳 YIN Mei-lin；张嘉琪 ZHANG Jia-qi；路春晖 LU Chun-hui；
李兴盛 LI Xing-sheng；付振楷 FU Zhen-kai
（天津理工大学环境科学与安全工程学院，天津 300384）
（School of Environmental Science and Safety Engineering，Tianjin University of Technology，Tianjin 300384，China）
摘要：蓝藻的大规模繁殖形成水华，会对人类、海洋和淡水环境以及沿海经济产生负面影响，保护水环境，开展蓝藻水华实时监测技术研究刻不容缓。本文对近年来蓝藻监测方法进行了综述，从目前的蓝藻监测技术发展情况来看，本文综述并讨论了不同蓝藻实时监测技术的优点和局限性，以及各自的适用条件。
Abstract: The large-scale reproduction of cyanobacteria will have a negative impact on the human, marine and freshwater environment and coastal economy, so it is urgent to protect the water environment and carry out the research on real-time monitoring technology of cyanobacteria bloom. This paper reviews the methods of cyanobacteria monitoring in recent years. Based on the current development of cyanobacteria monitoring technology, this paper reviews and discusses the advantages and limitations of different cyanobacteria real-time monitoring technologies, as well as their applicable conditions.
关键词：蓝藻；水华；实时监测；综述
Key words: cyanobacterial；cyanobacterial bloom；real-time monitoring；review
中图分类号：X524 文献标识码：A 文章编号：1006-4311（2019）22-0208-02
0 引言
近年来，由于气候变化、水质富营养化，内陆水域经常出现蓝藻爆发现象。引起蓝藻爆发的因素有很多，例如：pH、氮过高；氮磷失调，水体中磷过低会抑制水体内其他藻类的繁殖，从而促进了蓝藻生长；温度是加速蓝藻繁殖的重要条件，有研究表明20-35℃是蓝藻爆发的高发区间，但当温度高于33℃后蓝藻的生长得到明显的抑制[1]；同时淤泥过多也会导致温度升高，进而引发蓝藻的大量繁殖。在咸水和淡水的内陆水域，血红蛋白广泛存在，并常常由蓝藻占据主导地位。迄今为止，蓝藻是这些水体中产生血红蛋白和毒素的最常见原因。毒素会污染娱乐用水和饮用水，对人类、鱼类、贝类、海洋哺乳动物和鸟类造成有害影响[2-4]。而且蓝藻成为优势种群后，水体中pH升高，不仅导致水体中生物碱中毒，还会使氨氮浓度增加，导致鱼类氨氮中毒。蓝藻经过大量繁殖后，必然出现衰退期，衰退期出现蓝藻的大量死亡、沉积，给水中生物带来巨大危害。随着蓝藻爆发的频率和强度日益增加，蓝藻逐渐引起了监测和监管机构的关注。因此，需要新的监测方法来促进在湖泊、流域范围内制定可靠和成本效益高的监测方案。开展水华预防、治理研究应当从蓝藻实时监测开始。
1 蓝藻实时监测技术研究进展
蓝藻毒素可根据两个主要标准进行分类：化学成分和结构。根据其活性，氰毒素可分为肝毒素（如微囊藻毒素）、神经毒素（如阿纳托辛）、细胞毒素、刺激物和胃肠毒素[5]。目前，已经有一些研究学者来监测蓝藻种群的潜在毒性和敏感生态系统动力学。然而缺乏一种行之有效的方法来监测有毒和繁盛的物种在水体中繁殖，蓝细菌监测有多种方法，在国内外得到了广泛的应用，下面本文就来介绍一下蓝藻实时监测的几种方法。
1.1 传统监测方法
蓝藻的传统监测方法是定期定时在具有代表性的区域（湖泊、河流）布点、采样，然后在实验室用显微镜分析识别、枚举浮游植物，用于鉴别和计数样品中存在的类群。这种方法既费时又费钱，而且由于蓝藻爆发的复杂时空动态，具有很差的时效性[6-9]。
1.2 卫星遥感监测法
卫星遥感监测蓝藻主要基于光谱特征的分析，根据蓝藻、水体、水草不同的光谱特征进行分析辨别。通过卫星遥感监测法可以对蓝藻爆发的面积以及分布进行分析并对水华进行预警预测；利用叶绿素a作为全球水体浮游植物生物量的代表的估计对水质参数进行反演，进而对藻浓度进行估算。藻蓝蛋白作为蓝藻特征的副色素也可用于蓝藻的监测，其浓度通常比叶绿素a低得多，因此很难追踪，目前常用的利用藻蓝蛋白监测蓝藻的方法虽表现良好，但它们依赖于统计校准，这些校准是特定于传感器的，在某些情况下是特定于湖泊[10]。此外，基于这些方法的光学传感器大多是有源传感器，价格昂贵，在浑浊的水体中性能较差。卫星遥感监测蓝藻具有监测速度快、监测范围广、监测实时性高、节省人力物力、成本低等优点。但是气溶胶、空气中的悬浮颗粒、太阳耀斑对其有干扰作用。
1.3 光谱技术监测法
光谱技术是快速鉴别浮游植物的技术，如吸光度和荧光。特别是由于蓝藻细胞中存在荧光色素，所以所有蓝藻的实时监测都可以基于自动荧光[11]。使用自荧光法监测蓝藻通常基于可见光谱中的激发，因为蓝细菌的荧光监测一般是对藻蓝蛋白和藻红蛋白中叶绿素a和藻胆蛋白的荧光检测，这些物质在可见光中具有最大的吸收能力，所以可用可见光激发且成本低。由于不同光谱波长的目标反射或发射的能量不同，在此基础上，可通过光谱响应模式的比较，对目标进行分类。由于光谱响应模式的不同，一些波段可以作为识别目标的特征波段。因此光谱技术监测法可通过分析光谱波段来识别目标。例如，与纯水相比，有害藻华在500nm、675nm左右有明显的吸收带，在550nm和700nm处有反射峰。目前有很少研究发现需要紫外光激发[12]，且紫外线成本更高。
1.4 荧光探针监测法
水下荧光传感器可以快速提供藻类生物量的估计，因此水下荧光传感器可作为高灵敏度工具对水质进行实时监测[13]。然而，校准这些传感器有一定的难度，特别是在高度浑浊的环境中，或当物种组成在空间或时间上迅速变化时。利用远程荧光仪器，结合曲线拟合技术，来确定样品中不同藻类群体的存在。然而，这种应用的前提是，每个藻类物种的荧光激发光谱必须是恒定的。然而，在蓝藻的光谱随着环境条件的变化而变化。这不仅阻碍了区分不同蓝藻物种的能力，而且也破坏了这种探针在估算蓝藻总生物量时的可靠性。因此，需要考虑到环境和技术的干扰。
1.5 流式细胞技术监测法
流式细胞技术监测技术是基于蓝藻的荧光反应监测的。蓝藻单一排列快速经过激光照射区会激发出荧光反应，从而对蓝藻进行计数并可监测出蓝藻的粒径和形态。还可根据特征色素和粒径形态，区分到种的级别。流式细胞监测技术是一种多参数、高通量、快速的实时监测、分析技术。但是流式细胞仪造价很高，且需要有专业知识的人员操作。为了克服造价高的问题，目前已经有研究人员构建了基于流式系统的蓝藻监测，对赤潮生物进行识别、数个以及粒径监测[14]，设计图如图1所示。
■
2 结语与展望
蓝藻监测及水华预测是一项长期而艰巨的任务，虽然目前已对不同监测方法的进行了较多研究，但仍具有一定局限性，因此，今后对蓝藻的监测研究研究可考虑从以下几个方面进行探讨：
①未来可进一步研究将流式技术与显微镜技术结合起来，用于蓝藻实时监测。
②深入研究蓝藻在环境介质中的迁移转化规律，了解其引起的毒理学效应。
③进一步研究一个考虑到色素生产中干扰和变化的校准模型，以便提高获取蓝藻密度、生物体积信息和物种信息的可靠性。
④未来，我们还可以根据我们的实验经验，整合实验和文献数据，建立复杂预测模型。根据预测的物种，还可以估计毒素或气味化合物浓度的风险，从而帮助水资源管理人员和操作员更有效和主动地管理与娱乐和饮用水有关的蓝藻相关问题。
⑤光谱监测技术未来可采用多波长激发，通过使用光电二极管作为检测器和适当选择光学滤波器来选择所需的波长范围来检测灵敏度。
⑥开发不同蓝藻在线监测技术集成，以更好地适应各种监测条件，并提高我们理解和预测蓝藻水华的能力。
参考文献：
[1]李亚春，谢小萍，朱小莉，等.结合卫星遥感技术的太湖蓝藻水华形成温度特征分析[J].湖泊科学，2016，28（06）：1256-1264.
[2]J hnk K.D., Huisman J., Sharples J., et al. Summer heatwaves promote blooms of harmful cyanobacteria[J]. Global Change Biology, 2007, 14(3): 495-512.
[3]Pearl H.W., Huisman, J.. Blooms like it hot[J]. Science, 2008, 320(5872): 57-58.
[4]Markensten H., Moore K., Pearson I.. Simulated lake phytoplankton composition shifts toward cyanobacteria dominance in future warmer climate[J]. Ecological Applications, 2010, 20(3): 752-767.
[5]Liyanage H.M., Arachchi D.N., Abeysekara T., et al. Toxicology of freshwater Cyanobacteria, Journal of Environmental Science and Health Part C-Environmental Carcinogenesis & Ecotoxicology Reviews, 2016, 343 (3):137-168.
[6]Porat R., Teltsch B., Perelman A., et al. Diel Buoyancy changes by the Cyanobacterium Aphanizomenon ovalisporum from a shallow reservoir[J]. Journal of Plankton Research, 2001, 23(7): 753-763.
[7]Welker M., Von D?觟hren H., T?覿uscher H., et al. 2003. Toxic Microcystis in shallow lake Müggelsee (Germany) - dynamics, distribution, diversity[J]. Archiv fur Hydrobiologie, 2003, 157(2): 227-248.
[8]Cuypers Y., Vin?觭on-Leite B., Groleau A., et al. Impact of internal waves on the spatial distribution of Planktothrix rubescens (cyanobacteria) in an alpine lake[J]. ISME Journal, 2011, 5(4): 580-589.
[9]Pobel D., Robin J., Humbert J.-F.. Inflfluence of sampling strategies on the monitoring of cyanobacteria in shallow lakes: lessons from a case study in France[J]. Water Research, 2011, 45(3): 1005-1014.
[10]Li L., Li L., Song, K.. Remote sensing of freshwater cyanobacteria: an extended IOP Inversion Model of Inland Waters (IIMIW) for partitioning absorption coeffificient and estimating phycocyanin[J]. Remote Sensing Environment, 2015, 157: 9-23.
[11]Zamyadi A, Choo F, Newcombe G., et al. A review of monitoring technologies for real-time management of cyanobacteria: recent advances and future direction[J]. TrAC Trends in Analytical Chemistry, 2016,85A: 83-96.
[12]Simis S.G.H., Huot Y., Babin M., et al. Optimization of variable fluorescence measurements of phytoplankton communities with cyanobacteria[J]. Photosynthesis Research, 2012, 112 (1): 13-30.
[13]Bastien C., Cardin R., Veilleux é., et al. Performance evaluation of phycocyanin probes for the monitoring of cyanobacteria[J]. Journal of Environmental Monitoring, 2011, 13 (1): 110-118.
[14]骆庭伟，谢杰镇，戴君伟，高越.流式图像技术在赤潮监测中的应用[J].厦门大学学报（自然科学版），2014，53（06）：834-839. |
