综述：内陆水体有害藻华的遥感识别与模型预测：当前见解与未来展望

这篇综述系统阐述了内陆水体有害藻华（HABs）的遥感监测技术与预测模型研究进展，重点探讨了基于过程（PB）与数据驱动（DD）模型的优劣，提出融合多源数据（如Chl-a、PC）、发展可解释人工智能（XAI）和混合模型是未来突破方向，为构建可持续淡水管理预警体系提供理论支撑。

　　

内陆水体有害藻华的遥感识别与模型预测：技术突破与管理启示

摘要

有害藻华（HABs）对淡水生态系统的水质、生态平衡和公共健康构成严重威胁。传统监测方法如野外采样和实验室分析耗时费力，而遥感技术与预测模型的结合为HABs管理提供了高效解决方案。遥感通过叶绿素a（Chl-a）和藻蓝蛋白（PC）等光学活性物质的检测实现大范围监测，而预测模型则分为基于生化机理的过程模型（PB）和基于历史数据规律的机器学习模型（DD）。尽管技术进步显著，但数据质量、模型可迁移性和生态可解释性仍是当前主要挑战。

1. 引言

HABs通常由富营养化引发，在适宜条件下藻类快速增殖形成水华，遮蔽阳光、消耗溶解氧并释放毒素。气候变化通过改变水温、分层和降水等加剧HABs发生频率。传统监测方法难以满足大尺度需求，而卫星遥感（如MODIS、Sentinel系列）可高频获取水体表面参数（如Chl-a浓度、浊度），为预测模型提供关键输入。

2. 遥感技术用于HABs识别

光谱特性：藻华水体在近红外波段呈现独特的"陡坡效应"和反射平台，区别于清洁水体。遥感算法从早期阈值法（如FAI指数）发展到机器学习框架（如随机森林、CNN），显著提升复杂光学信号的解析能力。

三类识别方法：

• 像元提取：通过NDVI或单波段阈值划分藻华区域，但易受阈值主观性影响。
• 色素浓度反演：半解析算法（如FBAPC模型）和深度学习（如DNN）可量化Chl-a和PC，其中随机森林在浑浊水体中表现优异（R²>0.7）。
• 藻类生物量估算：结合垂直分布模型（如幂衰减函数）与卫星数据，解决表面观测低估问题，如Lake Taihu中表层生物量仅占总量的7%。

数据挑战：云覆盖、传感器分辨率和小型水体监测仍是瓶颈，需加强星地数据协同校准。

3. 藻华预测模型

3.1 过程模型（PB）
PB模型通过微分方程模拟藻类光合作用、营养盐吸收等生化过程，如EFDC、WASP和PCLake模型。例如，SALMO模型成功揭示太湖梅梁湾水温上升与藻类生物量的正相关性。但PB模型参数复杂且需大量先验知识，如DYRESM-CAEDYM对湖泊分层的模拟需精确气象输入。

3.2 数据驱动模型（DD）

• 传统统计模型：如ARIMA预测Chl-a时间序列（RMSE=28.98），但仅适用于线性关系。
• 机器学习：
  • 贝叶斯网络：评估多环境阈值风险，如Lake Erie磷减排情景分析。
  • 支持向量机（SVM）：通过核函数处理非线性数据，在葡萄牙Douro河预测中优于ANN。
  • LSTM：捕捉藻华动态的时序依赖性，结合小波去噪（WLSTM）将预测误差降低15.5%。
• Transformer：如Bloomformer-2模型通过注意力机制识别氮磷为关键驱动因子（MSE=0.139）。

3.3 混合模型
PB与DD融合可优势互补，如EFDC-LSTM耦合模型将物理过程与外推能力结合，提升太湖藻华预测精度。CNN-LSTM混合架构在希腊湖泊的Chl-a预测中表现最优（R²>0.9）。

4. 关键挑战与未来方向

数据缺口：监测参数单一且历史数据不一致，需发展物联网实时传感网络。
模型局限：DD模型易过拟合，PB模型缺乏灵活性。解决方案包括：

• 迁移学习：跨水体知识迁移，减少区域数据依赖。
• 可解释AI：应用SHAP、LIME等工具解析模型决策，如XGBoost中TN/TP的贡献度量化。
• 不确定性量化：通过贝叶斯框架（如SMSN模型）输出概率化预警，准确率达77%。

5. 结论

融合多源遥感数据与混合模型是HABs预测的未来趋势，而知识嵌入的XAI技术将增强模型可信度。建立兼顾精度与生态机理的预警系统，是应对气候变化下藻华风险的关键路径。