气候变化情景下基于遥感与机器学习的海岸带浮游植物水华时空动态预测研究

为解决海岸带浮游植物水华在气候变暖与富营养化背景下的动态预测难题，研究人员整合CMIP6多场景数据与遥感技术，开发了LightGBM机器学习模型（R=0.95/0.6），揭示了中国东海为水华热点区域，并发现历史情景（HIST）下小规模水华事件增加趋势，为海岸带生态风险管理提供新范式。

　　

论文解读
海岸带浮游植物水华如同海洋中的"绿色警报"，其暴发会引发鱼类死亡、生态系统失衡甚至人类健康危机。随着全球变暖和陆源污染加剧，中国沿海近年水华事件频发，但传统监测手段难以捕捉其复杂驱动机制。更棘手的是，不同气候情景（如温室气体强迫与气溶胶强迫）如何影响水华动态，至今缺乏系统性研究。这种认知空白严重制约了精准预警系统的建立，而卫星遥感与机器学习技术的融合，正为破解这一难题带来曙光。

中国科学院等机构的研究团队在《Science of Remote Sensing》发表的研究中，创新性地耦合了CMIP6（Coupled Model Intercomparison Project Phase 6）多场景气候数据与1 km分辨率遥感水华数据集（2003-2014），通过递归特征消除（RFE）筛选出14个关键环境变量（含海表温度、营养盐浓度等），构建了LightGBM（Light Gradient Boosting Machine）分类与回归模型。研究采用三种建模策略（全局/空间分组/季节分组）与严格的时空交叉验证（ST），确保结论可靠性。

研究结果
3.1 模型性能比较
通过对比LR、LDA等五种算法，发现LightGBM在90%零值样本比例下表现最优，警告等级分类R值达0.95。空间自相关分析（Moran's I=-0.07）证实训练集与测试集独立性，而ST验证策略显示模型在未知时空域的保守预测能力（R=0.50）。

3.2 水华面积情景差异
历史情景（HIST）下年均水华面积较单一强迫情景（如hist-GHG）增加23%，东海夏季热点区域占比超50%。值得注意的是，概率密度分析揭示HIST情景呈现"高频次-小规模"新特征（Class1事件增加37%），这可能与复合强迫下的生态响应机制有关。

3.3 警告等级分布
分类模型识别出渤海与黄海北部为高精度预警区（R>0.8）。HIST情景下极端水华（Class3）减少但轻度事件（Class1）增加2.4倍，暗示气候变暖可能改变水华暴发模式。

结论与意义
该研究首次量化了不同气候强迫对中国沿海水华格局的差异化影响：历史情景（HIST）通过协同效应（如升温+营养盐输入）最易诱发水华，而东海夏季的"双重敏感期"特征（高温+富营养化）使其成为防控重点。方法论上，提出的"零值样本优化"策略（50%回归/90%分类）解决了生态数据不平衡难题，LightGBM+CMIP6的技术路线为全球海岸带研究提供了可复用的分析框架。实践层面，研究建议建立针对东海的热点区域分级预警系统，并强调需在气候政策中统筹考虑气溶胶与温室气体的生态效应差异。这些发现不仅为《全球海洋治理2030》提供了科学依据，也为实现SDG14（水下生物）目标开辟了新路径。