摘要
全球变暖以及人类活动导致世界各地出现了更为频繁与强烈的热浪事件，给湖泊生态系统稳定和健康带来了潜在的挑战。全球范围内具有满足热浪事件影响研究的长序列逐日连续水温数据记录的湖泊不多。鉴于此，本文利用MODIS11A1逐日地表温度产品结合BP神经网络获取太湖2000—2022年的逐日昼、夜表层水温，并分析太湖昼、夜间热浪特征与趋势。结果显示：基于此得到的逐日水温数据与实测值高度吻合。在季节上，春季和夏季昼、夜间热浪较为频繁，同时持续时间较长，热浪重现时间较短；相比于昼间热浪，夏季夜间热浪表现出更为频繁、持续时间更长、强度较弱的特性。年尺度上，太湖昼、夜间热浪的频次和年持续时间显著增加，热浪的重现时间缩短。通过相关性与贡献度分析发现，风速对太湖水体热浪次数、持续时间和上升与下降速率具有较高且显著的贡献（昼: 8.9%~60.5%；夜: 16.4%~53.4%）。对于昼、夜同时发生的复合热浪事件，结果显示多发生于春季和夏季，并表现出更长的持续时间与更高的强度。本文通过太湖的研究，为其他缺少长序列实测水温数据的湖泊开展热浪规律及其生态效应的研究提供了思路和参考。
Abstract
Global warming and human activities have resulted in increasingly frequent and intense heatwaves worldwide, posing potential challenges to the stability and health of lake ecosystems. Few lakes globally have continuous, long-term daily water temperature records suitable for studying the impacts of heatwaves. In this context, this study utilized the MODIS11A1 daily surface temperature product combined with a BP neural network to derive daily diurnal and nocturnal surface water temperatures of Lake Taihu from 2000 to 2022, and analyzed the characteristics and trends of diurnal and nocturnal heatwaves in Lake Taihu. The results showed high concordance between the derived daily water temperature data and measured values. Seasonally, heatwaves were more frequent in spring and summer, with longer durations and shorter recurrence intervals. Compared to diurnal heatwaves, nocturnal heatwaves in summer were more frequent, lasted longer, but were less intense. On an annual scale, the frequency of diurnal and nocturnal heatwaves in Lake Taihu increased significantly, as well as their annual durations, whereas the recurrence intervals decreased. Correlation and contribution analyses revealed that wind speed significantly influenced the number and duration of heatwave occurrences, and rate of increase and decrease in water temperature (diurnal: 8.9%-60.5%; nocturnal: 16.4%-53.4%). Compound heatwaves occurring simultaneously during the day and night were mostly observed in spring and summer, displaying longer durations and greater intensity. This study on Lake Taihu provides insights and references for investigating heatwave patterns and their ecological effects in other lakes lacking long-term measured water temperature data.
全球变暖以及人类活动正导致世界范围内出现更频繁、更强烈的极端气象事件[1]，例如热浪。2003年夏季，欧洲经历了前所未有的热浪，因高温相关的死亡人数达到了数万人[2]；2010年的极端热浪事件导致莫斯科记录到了130多年来的最高温37.8℃[3]；2021年6月下旬，破纪录的极端高温也席卷了北美地区，加拿大的利顿打破了气温记录，创下了49.6℃的全国最高气温记录[4]。极端高温事件已对自然生态系统、社会经济的稳定乃至人类的生产生活方式造成了严重的影响[5]，对高温热浪事件的深入研究已经成为了全球科学界和政府部门共同关注的焦点[6-8]。
湖泊作为地球生态系统中至关重要但相对脆弱的一环，在极端高温的冲击下面临重大挑战[9]。目前对于湖泊热浪及其生态效应的研究还比较缺乏，主要因为热浪往往发生时间短且具有不确定性。目前全球范围内已有较多关于湖泊表层水温（lake surface water temperature，LSWT）长期趋势以及湖泊热浪发生频率的相关研究，但实际上能够提供精确且连续的长期LSWT数据湖泊仍然有限，能够准确分析极端高温事件对湖泊变暖和湖泊热浪增加的具体影响研究案例较少[10]。现有研究表明，极端高温通过影响湖泊表面的能量平衡，引发湖泊表层水温异常，进而迅速破坏湖泊的物理、化学及生物特性[11]。具体而言，热浪的增加将导致湖泊生态系统中有害藻华的威胁增加、环境条件恶化和水生生物受损[12-13]，并通过改变热动力学和氧动力学引发浮游植物群落变化和温室气体排放增加[14]。同时，湖泊热浪的频率和范围迅速扩大，以及多种极端事件的复合发生，会加剧对水生生物的负面影响，导致生物多样性下降、食物网结构改变以及生态系统服务功能的退化[15]。
目前，获取LSWT的长序列数据主要有原位测量和遥感反演两种方式。原位测量能提供高精度数据，但多数湖泊表层水温缺乏长期的历史数据，而基于卫星的热红外观测常用于更大时空尺度上评估LSWT的变化[16-18]。中分辨率成像光谱仪（MODIS）数据在遥感反演中对LSWT的提取表现出色，大量研究通过MODIS数据的反演获得了高精度的表层水温数据[19-21]。然而，使用卫星热红外观测技术识别湖泊热浪时面临的一个挑战是云层的遮挡导致数据缺失，因此，许多研究者在获取MODIS地表温度产品进行水温序列分析时，倾向于使用MODIS11A2的8天合成水温产品来弥补数据的连续性[22-24]。但在研究湖泊热浪时，非连续逐日水温数据可能掩盖热浪事件细节，对热浪信息的捕捉及其规律的探索造成一定的影响。因此，如何获得大多数湖泊的连续逐日长序列水温是湖泊热浪研究中的一个难点。采用卫星观测和数值模拟相结合的方法能够在更长时间尺度上提供完整的高时间分辨率湖泊表面温度数据。基于自相似概念的一维模型（freshwater lake model，FLake）结合遥感观测数据，已成功应用于大尺度湖泊模拟并在中国湖泊上进行了广泛的试验研究[25-26]。同时也有研究使用机器学习的方法与遥感观测数据相结合，基于经纬度和伽利略日3个参数拟合获得水温数据，探讨热浪等事件对全球湖泊生态系统的影响[27]。
为了进一步提高水温模拟精度，本研究基于MODIS11A1的逐日温度产品数据，获取了太湖2000—2022年间的昼、夜逐日表层水温。为了弥补由于云层遮挡和数据问题导致的空缺，通过构建BP（back propagation）神经网络对MODIS11A1产品缺失和异常天数水温数据填补，并与太湖实测逐日水温数据进行比对。基于上述数据，进一步研究湖泊表层水温的昼、夜间热浪各自的情况，通过分析太湖热浪的出现频次、强度、持续时间以及重现天数等指标，探讨太湖表层水体中昼、夜间热浪的特征与长期变化趋势，同时还重点关注了昼夜复合型热浪的特征，最后探究气象因素对湖泊热浪指标的影响。本文提供了一种监测和分析缺乏实测数据的湖泊生态系统对于极端高温事件响应的科学方法。
1 数据和方法
1.1 研究区概况
太湖是我国第三大淡水湖（图1），位于长江三角洲的南缘，跨越江苏省和浙江省的边界。由于强烈的人类活动，太湖自1980s以来发生富营养化[28]，并在2007年发生“水危机”事件，是国内外普遍关注的湖泊之一，也是我国迄今具有完整监测记录时间最长的湖泊。太湖湖泊面积（含岛屿）2427.8 km2，其中水域面积2338.1 km2，平均水深为1.9 m，最大水深（年均）不超过3 m，是一个典型的大型浅水湖泊[29]。太湖不仅具有蓄洪、灌溉、航运及旅游等功能，还供应着上海、无锡、苏州和湖州多个市（县）超过2000万人口的饮用水需求[30]。
图1太湖研究区观测点位
Fig.1Observation sites in the Lake Taihu research area
1.2 数据来源
1.2.1 气象与水温等实测数据
2000—2022年逐时气象数据（风速、气压、相对湿度和气温）和太湖表层水温实测数据源于太湖湖泊生态系统研究站。数据首先通过人工校验的方式进行了质量控制。对于极个别存在异常值或空值的数据，采用相邻站点的相同时间数据进行回归插补或者使用前后时刻数据进行线性内插，以确保数据的完整性和准确性。
1.2.2 卫星观测数据
湖泊表层水温数据基于MOD11 A1产品提取并处理，最终获取到太湖昼、夜表层水温数据集。MOD11A1 V6数据集由美国国家航空航天局（NASA）提供，来源于Terra卫星搭载的中分辨率成像光谱仪，提供全球范围内时间分辨率为1 d的地表温度观测数据。为减少实测数据与卫星观测数据之间的时间差异影响，本研究以MODIS卫星Terra传感器过境时间（10:30AM、10:30PM）为参考，确保原位实测数据的采样时间与MODIS-Terra过境的时间间隔不超过2 h，最大限度地提高数据匹配的精确度[31]。
1.3 研究方法
1.3.1 定义与统计方法
Hobday等[32]通过温度百分位数来界定海洋热浪的定量指标，Woolway等[10]将此方法扩展应用到湖泊热浪研究中。本研究沿用Woolway等的方法来定义太湖的热浪事件。具体而言，湖泊热浪的识别基于逐日湖泊表层水温，当这一温度高于历史同期和季节性变化的第90个百分点阈值时（即气候态），即视为湖泊进入高温状态（热日）。若此高温状态至少持续3 d，则确定为一次热浪事件。
本研究通过热浪的次数、持续时间、最大强度、平均强度、上升速率、下降速率及重现天数等指标来定量描述太湖热浪特征。其中，持续时间定义为热浪发生的持续天数，最大强度和平均强度为热浪期内相对于气候态的热浪强度的最大值和平均值，上升下降速率为热浪发生过程中开始与结束时间点到峰值处的斜率，重现天数是两个热浪之间相隔天数。分析长期变化趋势时取上述各指标的年平均值作为当年的数值。
为检测热浪事件指标的长期变化趋势，本研究采用Mann-Kendall（MK）和Theil-Sen斜率估计方法[33]。Mann-Kendall主要用于检验时间序列中各热浪指标趋势的上升下降及显著性情况。Theil-Sen斜率估计通过计算时间序列中的中位数斜率以提供趋势变化的具体速率。同时为了量化各气象因子对湖泊表面水温变化的贡献度，采用逐步多项式回归分析方法，通过比较引入新独立变量前后模型决定系数（R2）的变化量来计算每个因子的贡献度以及使用Pearson相关分析探究各气象因素（如温度、风速、湿度等）与热浪指标间的关系[34]，此外，本文还运用相对误差（RE）、平均绝对百分比误差（MAPE）和均方根误差（RMSE）统计指标来评估模拟值与水温实测值之间的差异[31]。
1.3.2 MODIS LST产品处理
MODIS地表温度（land surface temperature，LST）产品提取与处理流程主要在Google Earth Engine（GEE）平台完成，最终生成湖泊平均地表温度的时间序列数据（附图Ⅰ）。处理过程中首先通过波段计算来分割水体和背景的阈值，生成水体掩膜，以识别并得到太湖水体范围。为减少湖泊岸线由于水位波动和区域因素可能带来的影响，排除了太湖边界0.3 km内以及东太湖草型湖区处像元。
对提取处理后的逐日湖泊表面水温数据进行质量控制，排除可能由云层污染等因素引入的问题像元。该过程中仅保留平均LST误差小于1 K的像元（即质量控制文件（quality control，QC）值为0、1、5、17和21的像元）[22]。
1.3.3 MODIS LST缺失值插补
缺失值插补方法较多，本文对比了包括线性插值、样条插值、K-近邻插值、随机森林和BP神经网络多种方法后，发现BP神经网络在本研究中的表现最优，因此本文借鉴长时间序列湖泊表面水温预测研究中的人工神经网络（ANN）的方法进行缺失值插补[35-36]（附图Ⅰ）。构建神经网络前，通过共线性分析检测神经网络输入变量的多重共线性问题[37]，并对数据进行归一化处理，数据集按照8∶2的比例随机划分为训练集和验证集。之后通过构建一个3层隐藏层的BP神经网络，将太湖的气象数据（风速、湿度、气压和气温）作为输入特征，将具有数据日期的LSWT作为神经网络的输出，设置Dropout层以防止过拟合问题，提高模型的泛化能力。模型训练过程中，使用超参数调优和交叉验证方法来优化模型，并在每个训练周期后计算R2得分，以监控模型的性能。此外，我们采用学习率自动降低策略，如果该指标在若干个训练周期内没有改善，学习率将自动降低，从而帮助模型更好地收敛，最终以此模型来计算缺失日期的水温数据。
2 结果与分析
2.1 太湖逐日水温模拟效果
通过BP神经网络结合遥感水温模拟得到的太湖昼、夜间水温与原位实测水温数据高度吻合（图2），其中昼间水温模拟结果的RMSE为1.97℃，相关系数r=0.99，RE为0.16，MAPE为15.68%；夜间水温模拟结果的RMSE为1.99℃，r=0.98，RE为0.16，MAPE为15.80%。
图2昼间（a）和夜间（b）模拟数据与原位观测数据精度验证散点图
Fig.2Scatter plots for accuracy verification between simulated and in-situ observed data for diurnal (a) and nocturnal (b) periods
2000—2022年间，基于昼间实测水温计算的偏热日数共1104 d，模拟数据记录为1012 d，两者重叠时间为646 d（重叠概率为63.8%），在误差范围小于1 d的条件下，重叠时间达到779 d（重叠概率为77.0%）；夜间实测水温偏热日数共764 d，模拟数据为750 d，重叠时间为422 d（重叠概率为56.3%），误差小于1 d的重叠时间为490 d（重叠概率为65.3%）。结果表明，与实测值相比模拟数据对水温热日的检测方面也具有一定的准确度。按5个时间段（2000—2004年、2005—2009年、2010—2014年、2015—2019年、2020—2022年）分别计算偏热日数的年时间段分布概率，发现昼、夜间实测数据与模拟数据在不同时间段内的水温偏热日概率分布保持一致，且随时间增长，两种数据记录的水温偏热日概率普遍上升。尤其是在2020—2022年间，水温偏热日概率显著上升（与年际总天数相比，昼偏热日概率为23.9%，夜偏热日概率为24%）。
2.2 太湖热浪季节变化规律及长期趋势
2.2.1 热浪季节变化规律
不同季节下的太湖热浪指标具有明显差异，同一季节下的昼、夜间热浪指标也有差异（图3、4）。春季昼间热浪较为频繁，平均热浪频率约为每个春季发生2次，且热浪具有较高的强度，最大强度达到3.84℃，平均强度为3.12℃，发生热浪时的上升与下降速率较快，分别为0.89和1.24℃/d；此外，春季昼间热浪之间的间隔期较短，热浪重现时间仅为45.60 d，为四季中最短，显示出春季热浪事件频繁的特点。夏季的热浪平均持续时间最长，约为8.48 d，且记录到的最长热浪持续时间为22 d（2022年），夏季热浪的下降速率在四季中最缓（0.68℃/d），表明夏季热浪的消退过程较慢，夏季热浪危害可能更加严峻。秋季则展现出最长的热浪重现时间，达到67.49 d，秋季热浪事件之间的平均间隔时间最长。冬季热浪出现的频次最低，同时热浪的持续时间也最短。夜间热浪季节变化结果与昼间热浪结果大致相同，但夏季夜间热浪表现出更频繁、持续时间更长（10.30 d）、强度最弱和速率最低的特性（最大强度为2.22℃，平均强度为1.84℃；上升与下降速率分别为0.42和0.37℃/d）。
图32000—2022年间昼、夜间热浪发生频次的季节统计
Fig.3Seasonal statistics of diurnal and nocturnal heatwave frequency from 2000 to 2022
图4昼、夜间各季节热浪指标统计
Fig.4Seasonal statistics of diurnal and nocturnal heatwave indices
2000—2022年太湖共记录到昼夜复合热浪事件（昼夜同时发生热浪）84起，其中48起复合热浪事件发生于春季和夏季。复合热浪事件的发生频次高于非复合热浪事件（仅发生昼（夜）热浪事件的频次为55（59）次），并且复合热浪事件显示出更长的持续时间与更高的强度（图5）。
图5不同类型热浪事件强度与持续时间密度分布
Fig.5Density distribution of intensity and duration for different types of heatwaves
2.2.2 热浪长期变化趋势
根据昼、夜间热浪的年变化平均统计结果，2000—2022年每年平均约经历6次热浪事件，发生热浪时的年最大强度和年平均强度分别约为3.94和3.24℃，热浪上升速率和下降速率分别约为0.85和1.00℃/d，此外，热浪的年平均持续时间和年平均重现时间约为32.7和67.2 d。2000—2022年间昼、夜间热浪事件各指标呈现类似的变化趋势（图6）。持续时间显著增加（昼：MK=0.47，Theil-Sen斜率（Sen）=17.5 d/10 a，P＜0.01；夜：MK=0.53，Sen=22.0 d/10 a，P＜0.001），重现时间显著缩短（昼：MK=-0.49，Sen=-29.2 d/10 a，P＜0.001；夜：MK=-0.53，Sen=-28.2 d/10 a，P＜0.001）。昼、夜间热浪事件的频率也显示出较为显著的升高趋势（昼：MK=0.41，Sen=2 次/10 a，P＜0.01；夜：MK=0.48，Sen=3 次/10 a，P＜0.01）。对比昼、夜间热浪指标趋势来看，夜间热浪事件的持续时间、重现时间和热浪次数随时间的变化趋势更为强烈，而最大强度、平均强度以及热浪的上升与下降速率的趋势变化不显著，在研究期间保持相对稳定。
2.3 气象因素对太湖热浪的影响
各气象因素与昼间热浪重现时间显示出显著的相关性（图7），其中气温、气压和风速与重现时间呈正相关（r=0.50，P＜0.05；r=0.46，P＜0.05；r=0.79，P＜0.01），湿度则表现出显著负相关（r=-0.58，P＜0.01）；相比而言，气象因素与夜间热浪指标间的相关性并不显著。但值得注意的是，风速与昼、夜间热浪次数和持续时间呈显著负相关（昼: r=-0.62，P＜0.01；r=-0.61，P＜0.01；夜: r=-0.68，P＜0.01；r=-0.74，P＜0.01），同时与重现时间间呈显著正相关（昼: r=0.79，P＜0.01；夜: r=0.73，P＜0.01）。
多数研究表明，气温是大多数湖泊水温重要的驱动因子，对于太湖而言，根据多元线性回归分析各气象因素的变化对昼、夜间热浪指标的贡献，结果表明风速的降低增强了太湖的昼、夜间热浪（图8）。风速在气象因素对昼、夜间热浪指标的贡献中均具有较高的占比，其中对热浪次数、持续时间、重现时间和上升下降速率的贡献较高（昼: 8.9%~60.5%，P＜0.05；夜: 16.4%~53.4%，P＜0.05），尤其是在热浪重现时间中（昼: 60.5%，P＜0.001；夜: 50.9%，P＜0.001）。
3 讨论
3.1 逐日长序列水温获取方式分析
已有研究证明，基于MODIS LST产品获取到的太湖表层水温具有较高精度[21]。本研究结果显示，BP神经网络能很好地模拟水温，精度与相关研究相符[38]。与FLake模型结合遥感数据模拟太湖水温的数据集结果相比[26，39]，两种方法产生的误差十分相近，并且都可以较好地反映年内的季节性变化以及年际间的长期趋势。相比而言，使用机器学习的方法比与遥感观测数据相结合的方法更具有灵活性和可扩展性，基于机理和过程的模型通常需要关于湖泊特征（例如：水深、水体透明度）等信息来进行参数化[17]，对于资料缺乏的湖泊，神经网络具有“黑箱”使用特性，在数据质量有保证的情况下不需要考虑过多的数学结构和先验知识，就可以获得较为满意精度的湖泊表层水温，同时BP神经网络可以灵活地构建复杂的非线性关系，适用于水温序列中存在的各种复杂的动态变化模式[40]。因此，机器学习结合MODIS LST产品获取逐日长序列水温的方式具有很大的扩展性，尤其是对于没有实测数据的湖泊或者实测数据很少的湖泊。
图62000—2022年太湖昼、夜间热浪事件长期变化趋势（*表示显著性水平P＜0.05，**表示显著性水平P＜0.01，右子图代表数据密度）
Fig.6Long-term trends of diurnal and nocturnal heatwave events in Lake Taihu from 2000 to 2022 (* denotes a significance level of P＜0.05, and ** denotes a significance level of P＜0.01. The right subplot represents data density)
该方法的误差主要存在于两方面：一方面是卫星观测与实际测量方法的差异，卫星观测的是水面厚度小于1 mm的温度层，实际测量方法则通常获取表层约0.5 m处的水温信息，“皮肤效应”会导致误差的产生[41]；另一方面则是湖泊表层水温时间序列是通过对湖泊的表面面积进行平均得到的，而实测数据是站点逐时数据根据卫星传感器过境时间匹配平均得到的逐日数据，这种面源平均形式与多点数据之间精度验证可能会产生误差。
图7气象因素与昼、夜间热浪指标的相关性（圆圈大小和颜色分别表示相关性的大小和正负值，颜色越深表示相关性越强，*表示显著性水平P＜0.05，**表示显著性水平P＜0.01）
Fig.7Correlation between meteorological factors and diurnal and nocturnal heatwave indices (The size and color of the circles represent the strength and direction of the correlation. Darker colors indicate stronger correlations. * denotes a significance level of P＜0.05, and ** denotes a significance level of P＜0.01)
图8年尺度气象因素变化对热浪指标的贡献情况
Fig.8Contribution of annual meteorological factor changes to heatwave indexes
本文得到的太湖表层水温热浪指标结果与其他太湖热浪研究结果相比[42]，热浪次数、热浪平均强度和年持续时间具有一致性，在年持续时间上本文得出的太湖热浪年持续时间较长，这是因为所选择的定义热浪的高温状态持续时间不同所致。基于MOD11A1地表温度产品的热浪研究在青藏高原湖泊中也有体现[43-44]，将本文逐日湖泊表层水温获取方式应用在青藏高原的5个面积大于100 km2的湖泊中，与前人方法得出的热浪结果进行比对，结果显示二者获取到的热浪平均强度以及趋势等指标也具有较高的一致性，说明该方法对于缺乏实测数据的湖泊生态系统热浪事件具有一定的可信度。
3.2 太湖昼夜热浪特征
太湖最长的热浪往往发生在一个季节过渡到另一个季节的月份，尤其是在5—6月（春季到夏季）和9—10月（夏季到秋季），约占总热浪事件的34.0%，这可能表明季节过渡期有利于更持久的热浪事件发生，全球湖泊热浪研究的季节特征也有类似的结果[10]，随着全球气候变暖，湖泊热浪将不再受限于特定季节，而可能持续跨越多个季节。就规律性而言，热浪最常发生在春季和夏季（占总热浪事件的63.8%），这可能归因于气候变暖趋势，导致这些季节中热浪更频繁和严重，同时值得注意的是，太湖短暂的热分层现象较为强烈的季节也发生在春季和夏季，夏季尤为强烈，这种影响可能是由于夏季强烈的太阳辐射和地表持续的热通量输送，使得能量在湖中持续积累[45]。
昼夜复合热浪的研究多数集中在大气中[46-47]，对于湖泊表层水温的复合热浪的研究案例较少。与陆地独立的白天、独立的夜间和昼夜复合类型热浪规律类似[48]，复合热浪在湖泊中也有着较高的发生频率和较长的持续时间，这可能是因为水体比热容大导致湖泊表层的温度波动比空气小，同时水体的热惯性相对大气而言非常大，白天发生热浪事件期间水温升高，但到夜晚水体不能迅速冷却，导致到了夜间水温仍然维持在较高水平，从而形成了较高频率和较长持续时间的昼夜复合型热浪。同时昼夜热浪对湖泊生态系统有着显著的影响，在全球变暖的背景下，湖泊生态系统中的光合作用和呼吸作用呈现出显著的昼夜变化[49]。白天的高温会增强光合作用，而夜间的高温则会增加呼吸作用。这期间湖泊中的浮游植物和其他水生生物会通过改变其生理和行为特征来适应昼夜热浪的变化，例如，某些藻类在高温下会加速生长，而某些鱼类则可能会改变其活动模式以避免高温的影响[50]。昼夜热浪的复合事件对进一步加剧这一影响，昼夜同时发生热浪的概率比单独发生的概率的乘积要高，并且可能会比单独的事件更严重地影响生物一天内的呼吸和光合作用，生物可能在复合事件中无法在非高温时段通过代谢调整和行为改变来缓解热浪的压力，从而面临持续的热应激状态。
太湖表层热浪在频次与持续时间上都有所增加并且重现天数缩短，风速下降可能起着重要作用[51]。风通过影响蒸发、混合和热交换等过程来成为调节湖面温度的关键因素。湖面上的风速下降促进水体的短暂热分层和降低垂直混合的强度，导致从表层到湖底混合的热量减少，进而加剧湖泊表层水体升温，表面积聚的热量可能会进一步使表层水温热浪更为频繁、间隔周期更短以及持续时间更长[52]。
4 结论
本文基于MODIS LST产品数据并利用BP神经网络填补缺值构建了长序列连续的逐日太湖表层水温数据集。验证结果显示，其与实测数据之间存在较高的一致性（昼: r=0.99，RMSE=1.97℃；夜: r=0.98，RMSE=1.99℃）。2000—2022年太湖昼、夜间热浪情况显示出太湖的热浪频次与年持续时间显著增加，同时热浪的重现时间缩短。季节尺度上，春季与夏季热浪较为频繁，持续时间较长。相比于独立热浪事件，昼夜复合型热浪也表现出了更长的持续时间与更高的强度。相关性与贡献度分析发现，太湖昼夜风速对热浪具有显著影响。量化分析表明，风速对热浪重现时间的贡献度在昼间达到60.5%（P＜0.001），在夜间达到50.9%（P＜0.001），表明风速对于太湖热浪的关键作用，揭示了风速降低可能会加剧表层的热量积聚。同时本研究尝试使用机器学习与遥感观测相结合的方法获取湖泊逐日长序列表层水温数据。这一方法可为缺乏实测数据的湖泊生态系统研究提供重要参考。
5 附录
附图Ⅰ见电子版（DOI：10.18307/2025.0341）。
