1 简介
先前的研究表明，深湖的季节性混合（翻转）很容易受到全球气温升高和/或风速降低的影响（Woolway等人，2017 ）。引文2017，扬科娃等人。引文2017）。2018/2019年冬季，日​​本琵琶湖的单组混合（季节性完全翻转）部分不完全（图。1）。根据滋贺县管辖的琵琶湖环境研究所 (LBERI) 的报告，琵琶湖是一个温暖的单经济湖 ( https://www.pref.shiga.lg.jp/kensei/koho/e-shinbun /ohirase/303438.html），尽管不完全完全颠覆对生态系统的影响尚未得到证实。其他不完全完全翻转的实例，例如英国的布莱勒姆塔恩，导致了较早开始的分层和较晚的翻转（Foley等，2017）。引文2012）。地表水温升高和区域风速降低减少了对东非坦噶尼喀湖生产力的影响（O'Reilly等，2017）。引文2003）。苏黎世湖（瑞士）经历了全息水的反复缺乏和完全停止，这减少了春季浮游植物的繁殖（Yankova等，2017）。引文2017）。这些发现表明，全球气候变化对区域水生生态系统的影响可能比当地人类活动的影响更广泛（O'Reilly等，2017）。引文2003）。因此，当地湖泊的翻覆可以作为检测气候变化对湖泊生态系统影响的敏感指标。

世界范围内多个湖泊的混合频率将会降低，其状态也会随着未来的气候变化而改变（Shatwell等人，2017）。引文2019年，伍尔威和商人引文2019）。确定湖泊混合状态变化的研究非常重要，因为它们拓宽了我们对持续气候变化的理解。菲克等人。（引文2017）提出，在当前全球变暖的趋势下，萨尔茨卡默古特湖区（奥地利）的一些高山深湖（Irrsee、Mondsee和Hallstätter See）的混合模式将从二重混合模式转变为单重混合模式。同样，瓦莱里奥等人。（引文2015）得出的结论是，在未来气候变化情景下，伊塞奥湖（意大利）水温的预计上升将增强冬季的热稳定性并抑制翻转，这可能决定深水的氧合水平。预计未来夏季地表变暖的时间也会增加，这将导致贝加尔湖生态系统（Piccolroaz 和 Toffolon）受到严重干扰。引文2018）和苏必利尔湖（Matsumoto等人，2018 ）引文2019）。气候引起的苏黎世湖混合状况的变化将扩大缺氧区，这可能会增加生态系统对预测的全球变暖的脆弱性（North等，2017）。引文2014）。琵琶湖也可能出现类似的混合机制脆弱性（Yoshimizu等人，2017）。引文2010）。需要开展一项开创性研究，开发利用热结构（分层和翻转）与气候因素相结合来测量湖泊混合状况变化的指数，这将使世界范围内的监测和分析成为可能。

湖泊热量收支是一个有用的概念，可以帮助理解不同时间尺度的混合机制（Xing等人，2017）。引文2012）。使用深湖水温计算的热储存是监测气候变化持续影响（例如冰川融化和海平面上升）的一个很有前途的候选指标（Ambrosetti 和 Barbanti）引文1999）。人们提出了各种热结构分析方法，包括太浩湖的水文模型（Sahoo等人，2017）。引文2013），Mar Menor 沿海泻湖（西班牙东南部）的数学模型（Martínez-Alvarez等人，2013 ）。引文2011），以及应用于 22 个湖泊的经验程序（Duan 和 Bastiaanssen）引文2015）。在池田湖，基于热预算的一维传热模型成功地再现了热结构的特征（Momii 和 Ito引文2008）。因此，深湖热收支分析很常见，因为表面热通量（加热和冷却）发展为热分层和翻转（Sahoo等人，2017）。引文2013）。除了热收支之外，对水柱中表面热通量和蓄热的评估对于估计分层和翻转的发生也至关重要（Lewis 和 William）引文1983年,塔林引文2001）。基于这些研究，重点关注琵琶湖单组混合中断的热收支分析可以为湖泊中混合状态的变化提供有价值的评估。

一些研究利用琵琶湖的热结构来研究模型的再现性（Akitomo等人，2017）。引文2009b，Koue等人。引文2018a），热层化的气象敏感性（Koue等人， 2018a） 。引文2018b ,引文2018c）和涡流生成（Akitomo等人， 2018c） 。引文2004年，引文2009a）。然而，之前的研究没有关注基于热收支分析的相对于表面热通量的混合状态变化。先前的建模研究旨在重现和/或预测热分层（Kitazawa等人，2017）。引文2018，Koue等人。引文2018a ) 和水质 (Kitazawa等人.引文2010年,引文2018年，北泽引文2011）与生态系统相关（Sato等人， 2011） 。引文2011），以应对气候变化情景下空气/水温的长期升高（Yoshida等， 2011） 。引文2018）。然而，主导观察到的中断或导致 2018/2019 年琵琶湖单组混合延迟的因素仍然未知。

虽然湖面风通过垂直动量混合和表面冷却过程主导对流翻转的大小，但湖上的空气/水温和表面湿度也会影响翻转。伍尔威等人。（引文2017）发现以前的研究通常只考虑湖泊对气温上升的反应。然而，最近的研究重点关注风速变化导致的垂直混合的变化，除了气温上升之外，还观察到了这种变化（Desai等人，2017）。引文2009年，马吉和吴引文2017年，王等人。引文2021）。由于水体透明度或风速的时空变化，混合层深度可能会发生更大程度的变化（Shatwell等，2015）。引文2019）。例如，Võrtsjärv 湖的大气静止（风速降低）导致分层动力学发生重大变化，而同一时期气温升高的影响可以忽略不计（Woolway 等人，2017 ）。引文2017）。贝加尔湖表面风速的增加增强了深层通风，导致从深水区到透光区的养分供应急剧增加（Swann等，2017）。引文2020）。Yoshida等人的模拟结果。（引文2018）和Koue等人。（引文2018c）表明，表面风决定了琵琶湖单组混合和夏季分层的程度。尽管这些研究成果已经积累，但由于缺乏气象特性（例如气温、湿度、风）和湖泊学剖面（例如水温、流场）。对于琵琶湖，应该通过利用数值模拟再现湖泊学剖面来调查观察到的单组混合中断与各种气象因素的变化之间的关系来弥补这一研究空白。

本研究旨在确定影响琵琶湖单组混合中断的因素。为此，利用现实的三维湖泊环流模型，对从秋季到次年春季的地表冷却进行了热收支分析。导致琵琶湖翻转的表面冷却被评估为气象条件（例如空气/水温、湿度和风速）的函数。此外，该研究提出了一个适当的指数来检测热单经济混合的年际变化。

2。材料和方法
2.1 研究区
琵琶湖的蓄水量为27.5 km 3 ，是日本最大的湖泊。它位于日本列岛本州的中央岛屿（图。1）。该湖面积为 670 km 2，为滋贺县、京都府、大阪府和兵库县的约 1,450 万人提供人类消费、灌溉和工业用水。琵琶湖由两个盆地组成，一个是深北盆地（平均深度 41 m，最大深度约为 104 m），另一个是浅南盆地（平均深度 4 m）（Haga等，2016）。引文2007）。该湖的气候水面高度约为 85 m（Ikebuchi等，2017）。引文1988年）大阪湾低潮位以上（图。1）。

2.2 数据采集
水文观测和湖底地形如图所示图。1。观测温度数据是从 2017 年 9 月至 2019 年 3 月从 LBERI 获得的。LBERI 通过铸造多探头水质探空仪（Hydrolab DS5，Hach 公司）从琵琶风研究船 (R/V) 进行定期观测。 ，拉夫兰，科罗拉多州，美国）位于琵琶湖固定站（17B）（图。1）。获得 12 个深度（0.5、5、10、15、20、30、40、60、70、80、85 和 88 m）的水温数据，并用于验证模拟水温。所有观察到的水温数据都是在质量检查后提供的，其中异常值和错误值被消除。

用于模拟的输入数据是从细观尺度模型（GPV-MSM）预测数据集的网格点值数据集获得的（Koreeda等人，2017）。引文2003）。本研究中使用的气象数据是气温、露点温度和风速（ http://www.jmbsc.or.jp/jp/index.html）。将它们与日本水务厅（JWA）提供的观测气象数据进行比较，以验证分析期间的输入数据。气象测量数据在阿户川近海综合自动观测站（图。1）由 JWA 运营（https://www.water.go.jp/kansai/biwako/html/report/report_02.html）。

2.3 湖泊环流模型
使用应用力学研究所海洋模型 (RIAOM) 进行了数值模拟，该模型具有真实的底部地形以及经纬度约 500 m 的水平网格分辨率。RIAMOM 是一个具有静水力和 Boussinesq 近似的三维海洋环流模型（Lee等人，2017）。引文2003年，广濑等人。引文2007），在之前的研究中已经成功地模拟了区域流场（例如Kawamura等人， 2007） 。引文2007年，笹岛等人。引文2007年，穆恩等人。引文2009年，中田等人。引文2010年,引文2014年,广濑引文2011，广濑等人。引文2017，Jeon等人。引文2019）。它求解自由表面原方程并实现动量平流方案，允许在横向边界处倾斜平流（Ishizaki 和 Motoi）引文1999）。垂直网格间距从除第一层（3 m厚）外的表面周围2 m开始，一直延伸到底部周围5 m，如图所示表格1。本研究中使用的模型由时间分割系统（Mellor引文1998），外部和内部模式的时间步长分别为0.5和10秒。50 m网格测深数据集（图1(b)使用LBERI分发的），并使用高斯型加权插值将测深数据混合到模型网格中。

等密度和厚度算子（Gent 和 Mcwilliams引文1990）在我们的模型中采用了评估横向涡流扩散率，而不是类似的传统笛卡尔水平扩散（例如 Hirose等人， 1990 ）。引文2007）。有关等密度混合方案的详细信息可以在 Kim 和 Yoon 的研究中找到（引文1999）。使用常数系数分别为0.5 m 2 s –1和1.0 × 10 8 m 4 s –1的谐波和双谐波算子的组合来计算水平涡粘性。这些常数系数是通过反复试验确定的，以重现观察到的水温，参考 Hirose 使用的值（引文2011）。双调和算子可以允许涡流允许模拟和耗散的尺度选择性，并且更强烈地选择小尺度来耗散，而使大尺度相对不受影响。假设垂直粘度和扩散系数分别恒定为1.0 × 10 -6和1.0 × 10 -6 m 2 s –1。在使用等密度和厚度算子的情况下，这些系数被用作我们模型的背景。在以前的研究中，这种假设经常被用于现实的流动模拟（例如 Hirose引文2011）。尽管它们的粘度可能接近运动粘度系数，但在一些数值流动模拟中也使用了类似的值（例如 Garvine引文1999，李等人。引文2005）。熊谷等人。（引文1986）报道称，根据琵琶湖观测数据估计的垂直扩散剖面也表明有一个接近运动粘度的小值。因此，通过反复试验确定系数，以提高模拟水温的再现性并满足先前研究中使用的值范围内的数值稳定性（Kumagai等人，2017 ）。引文1986 年，秋友等人。引文2004年，引文2009b , 广濑引文2011）。

使用 2017 年 8 月下旬和 2018 年从 LBERI 的 R/V Biwa-kaze收集的温度数据，将初始水温或热分层条件提供为水平均匀温度分布。从初始静止状态开始进行 210 天的时间积分9 月 1 日。

RIAMOM 依赖于日本气象厅 (JMA) 提供的 GPV-MSM 来满足当前模拟中使用的所需高分辨率气象表面强迫条件，而不是观测（例如卫星测量的风、具有粗空间分辨率的 QuikSCAT，~ 25 公里）。强迫数据集包含四个气象变量的每小时平均数据：水面以上 2 m 的气温 ( T a ; °C)、云量 ( Cl )、水面以上 2 m 的相对湿度 ( Rh ) 以及 10 m 处的表面风速高于水面（W；ms -1）。将地面和湖泊水平分辨率为0.05°×0.0625°的GPV-MSM数据基于样条法（Nakada）插值到模型网格上等人。引文2012）。验证了T a、 Rh和W的预测精度确认了内插的T a和Rh值的区域代表性和预测性，如附录A（图A1）。然而，内插W值的比例因子（大约 1.6）应用于用于再现实际水温的风速，因为 GPV-MSM 对湖泊的可预测性可能较低（图A2）。皮科罗兹等人。（引文2019）和伍尔韦等人。（引文2017）还发现了一个接近或相当的比例因子，这意味着使用模拟风或观测到的陆地表面风低估了湖面风。

2.6 灵敏度实验
我们进行了敏感性实验，以定性地了解气温升高和湖面风速变化等气象因素如何影响琵琶湖全面翻转的强度。总共 12 个扰动情况（表2）通过增加空气温度（Unknown node type: fontUnknown node type: font
) 1–3°C 并改变湖面风速 (Unknown node type: font
）从−30%（减少）到+30%（增加）。2017/2018 和 2018/2019 年所有实验的模型所有物理参数均相同。两年间气温不增加且风速不变化的默认情况是灵敏度实验的控制运行（CR）。天数（Unknown node type: fontUnknown node type: fontUnknown node type: font
）在每次敏感性分析中都计算了发生完全翻转的时间。

3 个结果
3.1 模拟精度
本研究中使用的模拟的定量再现性可以使用代表模拟准确性的数值指数来客观地验证。用于定量验证模拟结果的模拟和观测温度的散点图显示在图2并表明分析期间存在很强的正相关性 ( R 2  = 0.95, n = 336, p < .01)。

此外，还将模拟水温的垂直剖面与观测站 (17B) 的原位温度进行比较，以使用 RMSE 详细验证模型的再现性（参见附录 B）。较深层（>60 m 深度）的 RMSE 在 0.5°C 以内，对应于混合层深度 (MLD) 定义（Obata等人，2017）。引文1996）。为了满足这个阈值（称为水温的计算精度），通过反复试验对模型进行了校准。这是因为我们重点关注与冬季翻转季节 MLD 形成相关的储热分析。因此，上述指标还表明，正如观测数据所验证的那样，模拟为稳健分析产生了令人满意的值。

3.2 2017/2018和2018/2019年翻车
将模拟水温与常规监测站 17B 观测到的现场温度进行比较（图。1），位于北湖最深处，深度88m。研究重点是典型的温度分层和垂直混合层，这是用于验证模拟结果的基准。2017/2018 和 2018/2019 年 9 月至 3 月冷却期间的模拟和观测水温的 Hovmöller（时间-深度）图见图3。两年中模拟温度的垂直分布与观测温度的垂直分布接近，表明典型的垂直混合具有定性的再现性。例如，模拟水温的时间变化表明，在冷却期间温跃层加深，混合层发育。这表明每年9月开始垂直混合或翻转，加深了位于温跃层上方的混合层深度。

根据模拟和观测数据，可以清楚地观察到2017/2018年和2018/2019年水温的年际差异。两年九月均观察到热分层现象。2017/2018年主温跃层加深迅速，垂直波动强烈，而2018/2019年9月至3月温跃层加深平稳。混合层深度较2017年9月在10月23日四级超强台风（兰）袭来之前增加了0.26 ms -1 ，并垂直混合，如黑色柱状等高线所示；21号台风之后深度增加得更快，增加了0.74 ms -1，直到 2018 年 1 月。从 2018 年 1 月到 3 月，几乎没有出现热分层，这表明水柱的所有深度都发生了强烈的翻转。相比之下，2018/2019年混合层加深的速度比2017/2018年慢了0.35 ms -1。2019年1月至3月热层结保持稳定，混合层深度几乎未见底部，表明2017/2018年垂直混合作用较2018/2019年更占主导地位，且水体中的垂直水交换是由充分的水柱引起的。 2018/2019 年翻覆较弱。

因此，本模型成功模拟了2017/2018年琵琶湖冬季典型现象全面翻转的早期开始（2018年1月下旬），但2018/2019年的全面翻转并不完全。多年来温跃层和混合层深度的时间变化表现出不同的特征（即温度剖面的模拟模式和趋势）。这些模拟结果说明了研究年份之间完全翻转的年际差异。

3.3 模拟环流
将2017/2018和2018/2019年的模拟流量与先前研究中显示的典型湖泊环流进行比较以进行定性验证（Suda引文1926年，远藤和奥村引文1993）因为目前的观测数据没有可用于比较。作为典型循环的例子，图3（一）和（b）显示了两个大型夏季环流，称为第一和第二环流（Suda引文1926年），2017年9月和2018年在湖北部进行了定性模拟。第一环流最大，逆时针旋转，其中心一般位于北纬35.3°至35.35°之间。第二个环流顺时针旋转，2017年其中心位于北纬35.25°附近。这些典型的环流形成于夏季，之前通过基于漂流者轨迹的现场观测和表层的当前测量（例如 Endoh 和 Okumura）进行了报告。引文1993）。然而，由于 2018 年 9 月 4 日袭击琵琶湖并产生高速水流的 5 级超强台风 21（飞燕），2018 年第二次环流的定义不太明确。2017年模拟的湖泊北部和南部水温分别较2018年大幅升高（>24.4℃）和降低（<23.2℃），与LBERI的观测结果一致。

3.4 模拟完全倾覆

2017/2018年所有网格空间完全翻转的天数超过10天，表明单组混合（季节性完全翻转）已经完成。相比之下，2018/2019年，湖西地区存在全面翻转零天的区域，以及大面积全面翻转不足10天的区域（红色区域），表明全面翻转是不完全的—— <10 天的区域对应于深水测深 (<-70 m) 的区域。模拟结果与观察到的事实一致，即2018/2019年琵琶湖没有发生单组混合。

3.5 热预算分析
为了确定 2018/2019 年较弱翻转所涉及的物理因素，我们使用模拟结果和基于湖面的垂直热传输来评估蓄热（HS ）方程方程 (1

–方程5），并将它们的时间变化与倾覆强度的变化进行比较（图5）。

上部面板位于图5结果表明，每年9月份模拟完全翻转面积和混合层体积均由较小值（<40%）逐渐增大。2017/2018年1月底该面积接近100%，但2018/2019年仅为50-70%。1月中旬至3月中旬的成交量超过2017/2018年度的90%。2017/2018年连续出现3次面积和体积均达到100%的时期，表明琵琶湖发生了单态混合。相比之下，2018/2019年的成交量从2月中旬到3月中旬下降至90%~100%，面积没有达到100%，表明2018/2019年的单组混合较弱或部分不存在。

中间的面板在图5代表地表通量的各个组成部分，表明除了日照量 ( S ) 外，长波辐射通量 ( L )、感热通量 ( H ) 和潜热通量 ( IE ) 的时间变化大多为负值。IE的大小是这两年三个通量中最小的，L和H分别是第二和/或第三小的。这些成分的时间变化与之前的研究中发现的相似（Akitomo等人，2017） 。引文2009b；库埃等人。2018）。

这两年QN的时间变化大部分都为负值（下图为图5）使用方程（6）计算，尽管S、L、H和IE的分量表现出上下时间变化。QN和HS的时间变化表明，负QN值逐渐降低HS，表明季节性表面变冷。9 月和 3 月观察到的QN的两个零交叉点分别对应于冷却期的开始和结束。这两年的QN最小值都出现在 12 月左右。HS的时间变化与IE的时间变化密切相关。此外，IE始终为负，鲍文比率 (=H / IE）在这两年的范围内为 -0.1 到 0.5，这表明IE比H大两倍多。这解释了为什么IE对表面冷却有重大影响，并且IE的时间变化可以通过冷却期间HS的变化来确定。

2017/2018年QN的时间变化与2018/2019年不同，2017 /2018年QN在11月至12月期间下降幅度较大，尽管QN的时间波动同样明显在这两年里。2019 年QN从 1 月开始的增幅比 2018 年要温和。当 LBERI 确认 2018 年 1 月 22 日整个湖泊发生全面翻转（单组混合）时，2017 年湖泊混合指数 LaMIX 的时间变化/ 2018 年下降至略低于 1（约 1000 × 10 15 PJ），并在 2018 年 1 月至 3 月期间有所下降。相比之下，LaMIX中的时间变化2018/2019 年从未低于 1（HS  > 约 1000 PJ）。由于 2017 年 3 月水温较低，2018/2019 年的 LaMIX 大于 2017/2018 年。因此，这两年琵琶湖的混合模式可以通过使用热量计算的混合指数 LaMIX准确地表示出来贮存。

3.6 热量预算的年际差异
计算S、H、L和IE的累积表面热通量（图6）在这两年的九月至三月期间评估这些组成部分的年际差异。累计S和L的时间变化在这两年中分别显示出增加和减少，表明年际差异很小。相比之下，H和IE各年的下降幅度明显不同，表明2017/2018年的H和IE低于2018/2019年。累积IE始终为负，其在2017/2018年3月和2018/2019年3月末的幅度分别超过H的5.7倍和5.1倍。这些结果表明IE主要是导致 2017/2018 年观察到的表面冷却比 2018/2019 年更强，而H是次要因素。

两年间日平均风速（W）的时间变化及其差异（ΔW：2017年值减去2018年值）如图所示图8，并且发现2017/2018年的风速普遍比2018/2019年更强。特别是，风速ΔW的差异较大，在10月至1月期间达到约4ms -1 。表3结果表明，面积平均风速和时间平均风速的年际差异（ΔW）约为1.3 ms -1。这些结果表明，冷却期的风是影响全年地表冷却的最主要因素。

3.7 全倾覆发生的敏感性分析

这表明，如果 2018 年风速提高约 10%，整个琵琶湖可能会发生全面翻覆。

4。讨论
本研究中使用的琵琶湖模拟有效地再现了 2018/2019 年冬季单组混合的部分不完全完全翻转或中断。混合模式的这种变化是通过模拟完全翻转和基于蓄热的指数（ LaMIX ）来识别的。山田等人。（引文2021年）表明，自1979年开始监测琵琶湖以来，2018/2019年首次发生不完全垂直环流。这些结果表明，如果风速加快，目前的单聚湖可能会转变为寡聚湖，每隔几年就会发生一次翻转。随着未来气候变化而减少。由于风速降低，在当地湖泊中也观察到了混合机制的类似变化（Magee 和 Wu引文2017）。我们的结果与最近的研究高度互补，这些研究确定了大气静止对湖泊分层和混合的影响（Stetler等人，2017）。引文2021）。这种混合模式可以被视为气候变化以及湖泊深水变暖的指标（Ambrosetti 和 Barbanti引文1999）。

这项试点研究强调，琵琶湖混合模式的变化主要是由于风速降低造成的，特别是在秋季（十月）到次年冬季（一月）的冷却季节。先前的数值研究表明，表面风可以确定翻转的程度（Koue等人，2017）。引文2018c，吉田等人。引文2018）。此外，本研究中的热收支分析表明，较低的表面风速可能导致较弱的表面冷却和较弱的翻转。这支持了之前的研究结果，即风速的持续降低，而不是气温的升高，延长了各个湖泊的热分层周期（Woolway等人，2017）。引文2017）。本研究的分析表明，较小的潜通量和显通量降低了 2018/2019 年的表面冷却，其程度弱于 2017/2018 年。冷却季潜通量的大小大于感通量和长波辐射通量，这与琵琶湖（伊藤湖）正常鲍文比（<0.6）一致。引文1960年,荒井引文1962）。在深湖的整个冷却季节，风速是表面冷却的最主要因素，而不是空气温度或湿度，并且应被视为在未来研究中引起混合状态变化的潜在因素。其次，空气温度升高可能会导致混合减弱。总之，琵琶湖单组混合的中断（混合机制的改变）是在多风寒冷的冬季（2017/2018）之后出现微风温暖的冬季（2018/2019）时出现的。这与除琵琶湖之外的其他深湖可能更容易受到单组混合中断的建议是一致的（Yoshimizu等人，2016）。引文2010）。

我们的敏感性实验结果表明，全翻形成日除气温升高外，对风速变化也相当敏感。敏感性实验中假设的气温上升和风速变化可能是由未来气候变化引起的。正如2017/2018年的敏感性实验所示，仅气温升高或风速降低不会中断完全翻转。然而，气候变化常常会同时引发气温升高和风速降低。如果它们同时发生，单组制度可能会被中断，就像2018/2019年那样，或者完全翻转的总天数可能会显着缩短。我们的敏感性实验表明，2018/2019年的单组混合可以通过增加约10%的表面风速来实现。值得注意的是，单群状态的中断和完全翻转天数的缩短可能对风速变化以及气温升高敏感。

热收支分析的准确性取决于模拟水温的再现性。对于观测和模拟波动，模拟水温和观测水温之间的 MAE (0.57°C) 约为水温幅度 (18.6°C) 的 6%。MAE 相当于蓄热估计误差 (66 PJ)，其在模拟蓄热值 (1011 PJ) 时间变化幅度的 7% 以内，表明季节性波动的蓄热预算分析具有足够的可重复性。尽管 2018 年 9月15-25°C 的热分层范围的再现性（无花果。3和4) 影响 RMSE (=1.16°C)。受模型限制影响的精度可归因于模拟中使用的粘度和扩散的参数化。在未来的研究中，有必要建立一种优化参数的方法，以更好地重现水温垂直剖面。

本研究中使用的模拟再现了冷却期间观察到的水温，尽管模拟忽略了所有河流的热流入和流出以及淹没的地下水排放。琵琶湖的流域（3174 km 2）内有 100 多条流入河流，水仅通过一个出口排出（Kawanabe等，2014）。引文2012年），濑田河，南部（图。1）。流入和流出河流的水量通量分别为42.3和54.0×10 8 m 3年−1 (Taniguchi et al., 2014)。引文2000）。假设流出和流入之间的河水温度差为2°C，计算出流入和流出的热通量分别为1.68和2.14 W m -2 。该温差是根据夏季水温图沿岸的最大水平差估算的（图2）。与湖泊净表面热通量QN的时间变化幅度相比，河流的热通量可以忽略不计（图5），与河流流入和流出相关的热平流通常被认为是次要热源或没有被测量（Xing等，2017）。引文2012）。由于河流热量传输的评估具有挑战性，之前的研究并未将河流热量纳入其热收支计算中（例如 Keijman引文1974 年，科洛默等人。引文1996，劳斯等人。引文2003年，宾亚明等人。引文2006年，红井与伊藤引文2008）。其次，河流流量可能会导致冷却期季节内湖泊表面热通量的时间变化。

检测混合状态的变化有助于更好地了解全球湖泊生态系统发生的变化，并评估深湖对气候变化的脆弱性。弗利等人。（引文2012）表明表层水温升高（Arhonditsis等， 2012） 。引文2004）以及所有深度（利文斯顿引文2003），因为湖泊直接响应气候变化（小松等人， 2003 ）。引文2007）。许多湖泊的体积加权平均温度最近也有所上升（Adrian等人，2017）。引文2009）。然而，湖泊对气候变化的物理反应因地区而异，并且高度依赖于各个湖泊的特征（Shatwell等，2017）。引文2019）。例如，深寡聚池田湖（日本）、深单聚琵琶湖和浅单聚华盛顿湖（美国）的升温速率为 0.033°Cyear −1（Ito 和 Momii）引文2015 ), 0.04°C 年−1 (Arai引文2009年）和0.026°C -1年（Arhonditsis等人， 2009年）。引文2004），分别。此外，深湖中的蓄热量逐渐增加（Ambrosetti 和 Barbanti）引文1999）。尽管发现风应力可能是驱动深湖翻转的最重要因素之一，但尚未研究对风速降低的翻转响应（Woolway等人，2017）。引文2017）。本研究的结果表明，琵琶湖可能正处于过渡时期，由于表面风速降低（大气静止），从单组混合状态转变为寡组混合状态。这种变化可能会导致不良影响，例如水质下降和冷水鱼栖息地减少（North等人，2017）。引文2014）。

本研究发现，当使用冬季水温计算的蓄热量降低到小于1（LaMIX  < 1）时，季节性翻转可以在琵琶湖中完成单组混合。索引LaMIX用于补充模拟数据解释的 ，其应用仅限于 2017/2018 和 2018/2019。该指数可能适合于湖泊水温的观测垂直剖面，例如在各个湖泊中导出的存档历史数据集。在未来的研究中，为了揭示湖泊从过去到当前阶段的预计混合状态的变化，可能需要根据详细的蓄热分析来修改或扩展该指数。因此，继续收集各深层湖泊的湖泊温度剖面数据，以改进气候变化下十年间湖泊温度混合状态变化的检测和长期数据分析非常重要。

迫切需要预测琵琶湖等深湖因全球变暖而导致的湖泊混合机制和低层氧合的变化（Yoshimizu等，2017）。引文2010）。未来的研究应该旨在预测深湖混合机制的转变，作为对全球气候变化的反应之一，利用预测的未来气候情景来管理水质和生态系统以及适应策略。本研究的结果将有助于提高我们对湖泊对气候变化导致的未来事件的反应的理解，例如，表面风速降低（大气静止）和平均水温升高（暖冬）。

5。结论
本研究调查了日本琵琶湖单组混合中断（季节性完全翻转）所涉及的气象因素，使用现实的三维湖泊环流模型来分析热量收支。着眼于单组混合中断的一年中从秋季到次年春季的弱地表冷却，发现中断主要是由风速降低引起的，而不是由空气/水温升高引起的。使用混合指数（LaMIX）代表湖中的总热量存储。当琵琶湖指数降至1（约1000 PJ）时，季节性翻转在2017/2018年冬季完成了其单组混合过程，但在2018/2019年，当混合未完成时，该指数并未跌破1. 先前的研究（Yoshimizu等人。引文2010，山田等人。引文2021）表明琵琶湖是一个单群湖。这些先前的研究和我们的结果表明，琵琶湖可能正在经历一个在大气静止下从单组混合状态转变为寡组混合状态的过渡期。

有必要确定混合机制的变化，以更好地评估固有栖息地对气候变化的脆弱性，从而在全球深湖中进行适应。这项研究的结果可能有助于确定深湖混合机制的变化，并有助于我们了解由于持续的气候变化以及深湖遇到的环境风险和脆弱性增加而导致的翻转减少。