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（KIT）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。相關論文以封面文章形式發表在環境科學領域權威期刊Environmental Science & Technology。

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，內容包括創建大數據平臺、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。該系統不僅能及時預測有害藻華的發生，還能識別出藻華的主要驅動因子，提高了藻華的預測能力以及預測模型的環境適應性，為藻華預警及其防控提供了新的解決方案。

所開發的Bloomformer-2具有時空多頭自注意力（MHSA）機制，該機制使用了時間和空間自注意力層的“查詢”（query）、“關鍵詞”（key）和“值”（value）輸出，有效綜合了時間和空間維度；通過優化該機制，可更好進行多變量時間序列預測（TSF）中的上下文學習。通過這種時空多頭自注意力機制，充分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，處理由歷史和目標數據生成的雙時空序列，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性能穩健性，本研究使用了LSTM（long short-term memory）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都能提供準確預測結果，本研究進行了單步預測和多步預測，從而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，能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，顯著提高了數據采集的體積、速度、多樣性以及分析數據的價值，大幅增強了早期預警系統的性能可靠性。未來，將通過擴大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監測和預警中。

圖 ?Bloomformer-2模型的單步預測（A）和多步預測（B）結果及其與LSTM預測結果的比較

德國KIT與水生所聯合培養博士生錢儆為論文第一作者，論文通訊作者為水生所畢永紅。

論文連接：https://doi.org/10.1021/acs.est.3c03906