近日，中國科學(xué)院水生生物研究所畢永紅團隊聯(lián)合德國卡爾斯魯厄工學(xué)院（KIT）研發(fā)出基于大數(shù)據(jù)挖掘和深度學(xué)習(xí)的有害藻類水華預(yù)警系統(tǒng)。相關(guān)論文以封面文章形式發(fā)表在環(huán)境科學(xué)領(lǐng)域權(quán)威期刊Environmental Science & Technology。

該研究致力于創(chuàng)建高時間分辨率的水柱垂向維度有害藻華（HABs）早期預(yù)警系統(tǒng)，內(nèi)容包括創(chuàng)建大數(shù)據(jù)平臺、采集高時空分辨率的水生態(tài)環(huán)境大數(shù)據(jù)、開發(fā)自主學(xué)習(xí)并能跨時間點聚類捕獲Chl a動態(tài)的先進聚類算法、設(shè)計專門處理復(fù)雜多變量時間序列的預(yù)測模型等。具體工作以太湖為研究水域，構(gòu)建高頻垂直剖面監(jiān)測系統(tǒng)（VAMS）進行水生態(tài)大數(shù)據(jù)采集，基于大數(shù)據(jù)開發(fā)了具有深度學(xué)習(xí)功能的Bloomformer-2模型，通過“DeepDPM-光譜聚類”和Bloomformer-2模型優(yōu)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(yù)測，將預(yù)測結(jié)果與世界衛(wèi)生組織的“警戒級別框架”有機結(jié)合，構(gòu)建了有害藻類水華的預(yù)警系統(tǒng)。該系統(tǒng)不僅能及時預(yù)測有害藻華的發(fā)生，還能識別出藻華的主要驅(qū)動因子，提高了藻華的預(yù)測能力以及預(yù)測模型的環(huán)境適應(yīng)性，為藻華預(yù)警及其防控提供了新的解決方案。

所開發(fā)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(guān)鍵詞”（key）和“值”（value）輸出，有效綜合了時間和空間維度；通過優(yōu)化該機制，可更好進行多變量時間序列預(yù)測（TSF）中的上下文學(xué)習(xí)。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(tài)環(huán)境參數(shù)間的時空相互關(guān)系，用于Chl a的精確預(yù)測。

不同于傳統(tǒng)方法，該模型為特定時間框架內(nèi)的每個變量設(shè)置了獨特的上下文優(yōu)先級；利用基于Transformer的編碼器-解碼器架構(gòu)，處理由歷史和目標(biāo)數(shù)據(jù)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(yōu)化。為了闡明Bloomformer-2性能穩(wěn)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(yōu)化模型，使其在短期和長期預(yù)測中都能提供準(zhǔn)確預(yù)測結(jié)果，本研究進行了單步預(yù)測和多步預(yù)測，從而更全面地評估模型在不同時間尺度上的表現(xiàn)和適用性，為不同預(yù)測需求提供支持。

該研究證明了預(yù)測模型在單步和多步預(yù)測中的優(yōu)越性，能準(zhǔn)確識別藻華動態(tài)的主要驅(qū)動因素，為提前采取預(yù)防措施提供了依據(jù)。此外，該系統(tǒng)利用大數(shù)據(jù)的5Vs特性，顯著提高了數(shù)據(jù)采集的體積、速度、多樣性以及分析數(shù)據(jù)的價值，大幅增強了早期預(yù)警系統(tǒng)的性能可靠性。未來，將通過擴大VAMS監(jiān)測網(wǎng)絡(luò)和增加傳感器進一步提升系統(tǒng)的大數(shù)據(jù)容量和應(yīng)用范圍，使其更廣泛地應(yīng)用于HABs監(jiān)測和預(yù)警中。

圖 ?Bloomformer-2模型的單步預(yù)測（A）和多步預(yù)測（B）結(jié)果及其與LSTM預(yù)測結(jié)果的比較

德國KIT與水生所聯(lián)合培養(yǎng)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