综述：淡水生态系统中有害藻华预测技术的进步

《Environmental Reviews》：Advances in forecasting of harmful algal blooms in freshwater ecosystems

有害藻类（HABs）预测模型历经数十年发展，从早期回归分析和人工神经网络（ANN）起步，逐步整合多模型融合、遥感技术与深度学习（如卷积神经网络CNN）。当前主流方法包括随机森林（RF）、支持向量机（SVM）、贝叶斯网络（BN）及混合模型，注重时空异质性和数据实时性，但存在过拟合、计算成本高及解释性差等问题。未来需加强模型可解释性、多源数据融合及气候适应性优化。

　　随着全球富营养化现象的加剧，水生科学家面临着更严峻的挑战，即更准确地预测有害藻华（HABs）。这一问题不仅关乎生态环境，还直接影响人类健康与水资源安全。HABs的预测方法在过去几十年经历了显著的演变，从早期的统计模型发展到如今的卷积神经网络（CNN）、深度学习（DL）以及多模型集成。本文回顾了这一领域的发展历程，探讨了模型演进的动因、技术革新带来的影响以及未来研究方向。

HABs对生态系统具有深远的影响。尽管藻类在许多生态循环中扮演着关键角色，如在全球初级生产力中占比超过一半，同时在碳固定、食物网基础和水质生物指示等方面发挥重要作用，但某些藻类（如蓝藻）在淡水环境中可能产生有毒物质，威胁人类、动物和生态环境。例如，这些毒素可能引发皮肤反应、神经系统疾病、肝损伤和消化道问题，甚至在藻华衰退过程中导致水体缺氧，降低水生生物多样性。HABs的形成受到多种环境因素的影响，包括富营养化和全球变暖等。尽管对HABs的全面理解仍在进行中，但预测技术的提升为湖泊管理提供了重要支持。

在HABs预测的早期阶段，研究主要依赖于传统统计方法，如回归分析、多变量统计分析、富营养化模型、光合作用模型、灾难理论和经验模型等。这些方法基于观察数据，强调对环境驱动因素的理解，而非直接预测事件本身。虽然这些模型在初步评估数据和揭示变量之间的关系方面具有优势，但它们在捕捉多环境因素之间复杂的非线性相互作用方面存在局限。随着技术的进步和数据量的增加，研究人员开始尝试更复杂的模型结构，以提高预测能力。

1990年代末至2000年代初，人工神经网络（ANN）成为HABs预测的重要工具。ANN通过模仿生物神经系统，能够处理复杂的数据模式，识别非线性关系，并提高预测准确性。早期的ANN模型主要依赖于历史数据进行训练，通过调整网络结构和输入变量来优化预测性能。一些研究发现，ANN在预测独立测试数据集方面优于传统统计模型，如回归分析和时间序列分析。然而，由于ANN的“黑箱”特性，其内部机制难以解释，因此后续研究引入了敏感性分析、SHAP（Shapley Additive exPlanations）和LIME（Local Interpretable Model-agnostic Explanations）等技术，以提高模型的可解释性。

在2000年代中期至2010年代初，研究者开始探索更复杂的模型集成方式，如结合遗传算法（GA）与神经网络的混合模型（HEA）。GA通过模拟生物进化过程，优化模型参数，提高预测精度。同时，递归神经网络（RNN）也被引入，以处理时间序列数据，捕捉过去信息对当前输出的影响。这些模型在预测HABs的短期变化方面表现出色，例如能够提前7天预测藻华事件。此外，研究人员还尝试将遥感技术与HABs预测结合，利用卫星图像获取实时数据，提升预测能力。然而，遥感数据受限于分辨率和天气条件，尤其是在湖泊边缘区域和小型藻华事件的检测上，仍然存在一定的挑战。

进入2010年代末，深度学习技术逐渐成为HABs预测的主流方法之一。卷积神经网络（CNN）因其在处理结构化数据（如图像）方面的优势，被广泛应用于HABs的监测和预测。CNN能够从卫星图像中提取光谱特征，从而识别藻华的形成趋势。结合CNN与其他模型（如时间融合变压器、环境流体动力学代码等）的混合方法，进一步提高了预测的准确性和鲁棒性。尽管CNN在处理大规模数据和非线性关系方面表现优异，但其依赖于高质量的训练数据，并且模型的决策过程仍然难以解释。因此，研究人员开始使用SHAP和LIME等技术，以增强模型的可解释性。

与此同时，随机森林（RF）等机器学习方法也在HABs预测中发挥重要作用。RF通过构建多个决策树并进行集成，提高了模型的预测性能。在一些研究中，RF结合了时间滞后分析和K-means聚类算法，以捕捉生态系统的动态变化。尽管RF在处理多变量数据和非线性关系方面表现出色，但其预测能力仍受到数据质量和参数选择的影响。此外，一些研究还尝试将RF与支持向量机（SVM）和极端梯度提升回归（XGBoost）结合，以进一步优化模型的预测效果。

在这一时期，研究人员还开始关注模型的可解释性和不确定性。例如，贝叶斯网络（BN）和高斯贝叶斯网络（GBN）被用于预测HABs的形成概率，它们能够结合概率分布和环境变量，提供更全面的预测框架。然而，BN的离散变量处理方式限制了其在连续数据中的应用，而GBN虽然能够处理连续变量，但其预测结果仍然受到模型结构和输入数据的影响。此外，一些研究提出，未来HABs预测应更加注重模型的不确定性分析，以便更好地指导管理决策。

随着技术的不断进步，HABs预测方法也在持续演进。近年来，研究者尝试将深度学习与遥感技术相结合，以提高预测的实时性和覆盖范围。例如，一些模型利用卫星数据和实时监测数据，实现了对藻华事件的动态跟踪。然而，这种结合也带来了新的挑战，如不同环境变量的尺度差异和数据融合的复杂性。此外，一些研究提出，未来的HABs预测应更加注重模型的适应性，使其能够应对气候变化带来的不确定性。

综上所述，HABs预测方法的发展经历了从简单统计模型到复杂深度学习模型的演变过程。这一过程中，研究者不断探索新的技术手段，以提高预测的准确性、实时性和可解释性。尽管目前的模型在处理多变量数据和非线性关系方面表现出色，但仍需解决数据质量、模型泛化能力以及不确定性分析等问题。未来的研究应更加注重模型的集成与优化，结合遥感、机器学习和生态过程模型，以应对气候变化和环境变化带来的挑战。同时，加强模型与管理实践的结合，提高预测结果的实用性和可操作性，将是推动HABs预测领域进一步发展的关键方向。