近日，厦门大学海洋生物地球化学全国重点实验室、环境与生态学院、福建台湾海峡海洋生态系统国家野外科学观测研究站（台海站）肖武鹏副教授团队，开发了一种新型混合深度学习模型（TAB），显著提升了藻华短期预测的精度。该研究成果以“Enhancing short-term algal bloom forecasting through an anti-mimicking hybrid deep learning method”为题发表于Journal of Environmental Management.
藻华暴发是淡水与近海生态系统面临的重大环境挑战，不仅威胁水生态平衡，还可能引发严重的经济和公共健康问题。然而，由于藻华的发生高度波动且监测数据噪声较大，其精准预测仍极具挑战。传统机理模型虽然能够模拟藻华的发生机制，但计算复杂且预测精度受限。现有深度学习方法（如长短期记忆网络、时序卷积网络）虽能有效提取时序特征，但容易出现“复制历史”（Mimicking）问题，即过度依赖历史数据，导致预测结果与实际藻华动态存在时间错位，从而影响其在实时监测与预警中的应用。
针对现有藻华预测方法的局限性，该研究构建了一种结合时序卷积网络（TCN）、注意力机制（Attention mechanism）和双向长短期记忆网络（BiLSTM）的混合模型（TAB）。此外，创新性地引入DILATE （DIstortion Loss including shApe and TimE）损失函数，以优化时间对齐和形态匹配，从而有效抑制预测中的“复制历史”问题。结合SHAP（SHapley Additive exPlanations）算法，识别影响藻华预测的关键环境因子，并实现输入变量的降维，以提升模型的可解释性和泛化能力。
该研究采用厦门大学陈纪新高级工程师主导研发的水生态在线监测系统（AquaSOO）获取的九龙江江东水库高频监测数据（2017-2022年），评估了TAB模型的预测性能。结果表明，该模型在第1小时、第12小时和第24小时预测中，R²分别达到0.91、0.78和0.74，表现出较高的预测精度。通过引入DILATE损失函数，TAB模型有效抑制了“复制历史”现象，其量化指标MIM<0，表明预测结果未出现明显的数据复制问题。此外，SHAP分析进一步揭示光合有效辐射（PAR）、Chl-a、气温和气压是藻华预测的关键驱动因子，并通过特征降维将输入变量从8个减少至4个，在保持预测精度的同时提高了计算效率。
模型消融实验结果表明，TCN与BiLSTM的结合相较于单独使用TCN或BiLSTM，使R²分别提高了0.12和0.13，而进一步融合注意力机制后，TAB模型（TCN-Attention-BiLSTM）将R²提升至0.74。同时，MIM值由正变负，表明该机制在抑制数据复制方面发挥了关键作用。此外，采用DILATE损失函数相较于传统MSE损失，能显著降低低浓度区间的预测误差，提升幅度达10.57%。以上结果验证了TAB模型在藻华短期预测中的有效性，并表明DILATE损失函数与注意力机制对提高模型鲁棒性的重要作用。
该研究提出的TAB模型，为藻华的实时预警提供了一种高分辨率、精准度高的预测工具，可有效支持水质管理部门提前采取干预措施，降低藻华暴发带来的生态和经济风险。模型采用模块化设计，能够灵活集成至现有的在线监测系统，实现藻华动态的智能化监测和管理。
未来研究将进一步拓展模型适用性，纳入营养盐、水动力等关键环境因子，以提升其对复杂生态系统的适应能力。同时，将重点优化极端峰值预测性能，确保模型在突发性藻华事件中的稳定性和可靠性。此外，还将探索TAB模型在气候变化背景下的长期预测能力，为水生态系统的可持续管理提供更科学的决策支持。
该论文第一作者为厦门大学2022级硕士生张亚琴，通讯作者为肖武鹏副教授。共同作者包括黄邦钦教授、陈纪新高级工程师、林丽贞工程师和博士生王义冲。该研究获得国家自然科学基金项目（42276209，42141002和42130401）的联合资助。
Zhang Yaqin, Yichong Wang, Jixin Chen, Lizhen Lin, Wupeng Xiao* & Bangqin Huang, Enhancing short-term algal bloom forecasting through an anti-mimicking hybrid deep learning method. Journal of Environmental Management, 379, 124832, 2025.
https://doi.org/10.1016/j.jenvman.2025.124832
供稿｜张亚琴 肖武鹏
编辑｜朱佳
排版｜陈蕾
审核｜柳欣
