水生所等研發出基于大數據挖掘和深度學習的有害藻類水華預警系統

近日，中國科學院水生生物研究所畢永紅團隊聯合德國卡爾斯魯厄工學院，研發出基于大數據挖掘和深度學習的有害藻類水華預警系統。相關研究成果作為封面文章，發表在《環境科學與技術》（Environmental Science & Technology）上。

該研究致力于創建高時間分辨率的水柱垂向維度有害藻華（HABs）早期預警系統，如創建大數據平臺、采集高時空分辨率的水生態環境大數據、開發自主學習并能跨時間點聚類捕獲Chl a動態的先進聚類算法、設計專門處理復雜多變量時間序列的預測模型等。具體工作以太湖為研究水域，構建高頻垂直剖面監測系統（VAMS）進行水生態大數據采集，基于大數據開發了具有深度學習功能的Bloomformer-2模型，通過“DeepDPM-光譜聚類”和Bloomformer-2模型優化建模策略，智能識別水柱分層并進行不同水深藻類生物量的精確預測，將預測結果與世界衛生組織的“警戒級別框架”有機結合，構建了有害藻類水華的預警系統。該系統能夠及時預測有害藻華的發生，并能夠識別出藻華的主要驅動因子。這提高了藻華的預測能力以及預測模型的環境適應性，為藻華預警及防控提供了新的解決方案。

Bloomformer-2模型具有時空多頭自注意力機制。該機制使用時間和空間自注意力層的“查詢”、“關鍵詞”和“值”輸出，綜合了時間和空間維度。同時，優化這一機制，可更好進行多變量時間序列預測中的上下文學習。研究發現，利用時空多頭自注意力機制，以識別和提取各種水生態環境參數間的時空相互關系，用于Chl a的精確預測。

不同于傳統方法，該模型為特定時間框架內的每個變量設置了獨特的上下文優先級；利用基于Transformer的編碼器-解碼器架構，處理歷史和目標數據生成的雙時空序列，且整個過程包括并行雙序列輸入、時空嵌入、時空注意力和效率優化。為了闡明Bloomformer-2性能的穩健性，該研究使用LSTM作為比較模型；為了幫助識別和優化模型，使其在短期和長期預測中均可以提供準確預測結果，該研究進行單步預測和多步預測，更全面地評估模型在不同時間尺度上的表現和適用性，為不同預測需求提供支持。

該研究證明了預測模型在單步和多步預測中的優越性，可以準確識別藻華動態的主要驅動因素，為提前采取預防措施提供了依據。此外，該系統利用大數據的5Vs特性，提高了數據采集的體積、速度、多樣性及分析數據的價值，增強了早期預警系統的性能可靠性。未來，有望通過擴大VAMS監測網絡和增加傳感器進一步提升系統的大數據容量和應用范圍，使其更廣泛地應用于HABs監測和預警。