基于注意力机制深度学习模型的南黄海浒苔绿潮环境驱动因素解析

本研究针对南黄海浒苔（Ulva prolifera）绿潮暴发的环境驱动机制预测难题，创新性地构建了注意力机制-卷积神经网络-长短期记忆网络（Attention-CNN-LSTM）融合模型。通过分析2022-2023年环境数据，发现水温、盐度与绿潮覆盖面积呈显著正相关（最大覆盖达940.06 km2），模型预测准确率达92.64%（RMSE=0.2830），首次揭示了风速降低对藻类聚集的非线性影响，为海洋生态治理提供了智能决策工具。

　　

近年来，南黄海连续17年暴发的浒苔绿潮已成为威胁海洋生态安全的重大环境问题。这种由大型绿藻过度繁殖形成的"海上草原"，不仅消耗水体溶解氧导致生物死亡，还曾严重影响2008年北京奥运会帆船赛事。尽管传统研究已认识到水温、盐度等环境因素的作用，但因其复杂的非线性交互特性，现有模型难以准确预测暴发规模。更棘手的是，2023年绿潮最大覆盖面积突然激增至998 km2（2022年仅135 km2），暴露出传统方法对突发性环境变化的响应滞后问题。

为突破这一瓶颈，中国国家关键研发计划支持的研究团队创新性地将人工智能技术引入海洋生态研究。该团队开发的Attention-CNN-LSTM混合模型，巧妙结合了卷积神经网络（CNN）的空间特征提取能力、长短期记忆网络（LSTM）的时间序列建模优势，以及注意力机制（Attention）的动态权重分配特性。这种架构能自动捕捉环境变量间的非线性关系，例如发现当风速降至3.5 m/s时，会显著促进藻体聚集——这一现象在传统统计分析中完全被掩盖。

关键技术方法包括：基于2022-2023年南黄海实测环境数据构建多特征时序数据集；采用皮尔逊相关系数筛选关键驱动因子；设计分层模型架构，其中CNN层处理空间信息，LSTM层建模时间依赖，注意力层动态评估变量重要性；通过均方根误差（RMSE）和准确率等指标验证模型性能。

【研究结果】

1. 浒苔分布特征：2023年绿潮暴发呈现"爆发早、规模大、持续时间长"的特点，5月初即出现，较2022年提前两周，最大分布面积达20,785 km2。

2. 环境因子影响：

• 水温是关键限制因子，当表层水温（SST）超过25°C时，浒苔进入衰亡期
• 盐度31-33‰区间最利于藻体增殖
• 风速降低与藻体聚集呈非线性正相关（R=0.82）

1. 模型性能：

• 预测准确率92.64%，较传统LSTM模型提升17.3%
• RMSE降低至0.2830，成功预测2023年暴发峰值时间
• 注意力权重揭示不同时期主导因子：5月为营养盐，6月转为水温/盐度

【结论与意义】
该研究首次实现了对南黄海绿潮暴发的多尺度动态预测，其创新性体现在：

1. 方法学突破：建立的Attention-CNN-LSTM框架为复杂生态环境建模提供了新范式，特别适用于处理时空耦合的非线性系统。
2. 机制新发现：揭示风速阈值效应（3.5 m/s）对藻体聚集的关键影响，解释了2023年异常暴发的物理机制。
3. 应用价值：模型可提前14天预测绿潮暴发规模，为青岛等沿海城市赢得应急响应时间。研究结果发表于《Regional Studies in Marine Science》，其技术路线已拓展应用于赤潮预测，推动我国海洋环境监测进入智能预警新阶段。