近日，中国科学院水生生物研究所毕永红团队联合德国卡尔斯鲁厄工学院（KIT）研发出基于大数据挖掘和深度学习的有害藻类水华预警系统。相关论文以封面文章形式发表在环境科学领域权威期刊Environmental Science & Technology。

该研究致力于创建高时间分辨率的水柱垂向维度有害藻华（HABs）早期预警系统，内容包括创建大数据平台、采集高时空分辨率的水生态环境大数据、开发自主学习并能跨时间点聚类捕获Chl a动态的先进聚类算法、设计专门处理复杂多变量时间序列的预测模型等。具体工作以太湖为研究水域，构建高频垂直剖面监测系统（VAMS）进行水生态大数据采集，基于大数据开发了具有深度学习功能的Bloomformer-2模型，通过“DeepDPM-光谱聚类”和Bloomformer-2模型优化建模策略，智能识别水柱分层并进行不同水深藻类生物量的精确预测，将预测结果与世界卫生组织的“警戒级别框架”有机结合，构建了有害藻类水华的预警系统。该系统不仅能及时预测有害藻华的发生，还能识别出藻华的主要驱动因子，提高了藻华的预测能力以及预测模型的环境适应性，为藻华预警及其防控提供了新的解决方案。

所开发的Bloomformer-2具有时空多头自注意力（MHSA）机制，该机制使用了时间和空间自注意力层的“查询”（query）、“关键词”（key）和“值”（value）输出，有效综合了时间和空间维度；通过优化该机制，可更好进行多变量时间序列预测（TSF）中的上下文学习。通过这种时空多头自注意力机制，充分识别和提取各种水生态环境参数间的时空相互关系，用于Chl a的精确预测。

不同于传统方法，该模型为特定时间框架内的每个变量设置了独特的上下文优先级；利用基于Transformer的编码器-解码器架构，处理由历史和目标数据生成的双时空序列，整个过程包括并行双序列输入、时空嵌入、时空注意力和效率优化。为了阐明Bloomformer-2性能稳健性，本研究使用了LSTM（long short-term memory）作为比较模型。为了帮助识别和优化模型，使其在短期和长期预测中都能提供准确预测结果，本研究进行了单步预测和多步预测，从而更全面地评估模型在不同时间尺度上的表现和适用性，为不同预测需求提供支持。

该研究证明了预测模型在单步和多步预测中的优越性，能准确识别藻华动态的主要驱动因素，为提前采取预防措施提供了依据。此外，该系统利用大数据的5Vs特性，显著提高了数据采集的体积、速度、多样性以及分析数据的价值，大幅增强了早期预警系统的性能可靠性。未来，将通过扩大VAMS监测网络和增加传感器进一步提升系统的大数据容量和应用范围，使其更广泛地应用于HABs监测和预警中。

图 1 Bloomformer-2模型的单步预测（A）和多步预测（B）结果及其与LSTM预测结果的比较

德国KIT与水生所联合培养博士生钱儆为论文第一作者，论文通讯作者为水生所毕永红。

论文连接：https://doi.org/10.1021/acs.est.3c03906