模块化深度学习替代模型在复杂过程系统中模拟有害藻华的突破性研究

本研究针对过程模型(PBMs)模拟有害藻华(HABs)时存在的高计算成本和参数校准难题，开发了模块化深度学习替代模型框架。该研究通过整合替代模型生成数据与概率参数优化(SM-PO)，在韩国大青湖的验证中使蓝藻细胞总数的Nash-Sutcliffe效率(NSE)提升至0.930（2022年），同时实现叶绿素a预测RMSE降低40%，计算时间减少96.4%，为实时HAB预警提供了创新解决方案。

　　

在全球气候变化和人类活动加剧的背景下，有害藻华(HABs)已成为威胁淡水生态系统的"绿色幽灵"。这类由蓝藻等微生物暴发性增殖形成的生态现象，不仅会造成水体缺氧、生物多样性下降，更因其释放的微囊藻毒素等有害物质直接危及饮用水安全。韩国大青湖作为供应400万人饮用水源的关键水体，近年来频繁遭受藻华侵袭，传统过程模型(Delft3D)虽能模拟水动力(FLOW)、水质(WAQ)和藻类动态(BLOOM)的复杂交互，但面临"算力困局"——单次全模块模拟需消耗大量计算资源，严重制约了实时预警和管理决策的效率。

为破解这一难题，研究人员创新性地构建了模块化深度学习替代模型框架。该研究通过三个核心技术突破实现了"鱼与熊掌兼得"：首先采用分层替代策略，用神经网络分别模拟Delft3D的FLOW-WAQ-BLOOM级联过程；其次开发基于替代模型的概率参数优化(SM-PO)方法；最后引入时间维度降维技术加速计算。研究团队选取2022-2023年大青湖监测数据，通过与传统试错法校准(TE-PC)的对比验证模型效能。

关键技术方法
研究整合Delft3D模拟数据与现场监测数据，构建包含水温、营养盐等21个环境参数的数据库。采用长短期记忆网络(LSTM)构建模块化替代模型，通过顺序连接FLOW-WAQ-BLOOM模块保持过程耦合性。应用拉丁超立方采样生成参数组合，结合贝叶斯优化进行SM-PO。创新性采用动态时间规整(DTW)算法实现时间维度降维，将水质模块计算时间从8小时缩短至17分钟。

研究结果

Study area and data acquisition
大青湖作为典型分层型水库，2022-2023年夏季监测显示蓝藻细胞数在站点H1和H3分别突破10,000 cells/mL警戒线。遥感反演揭示温度分层与营养盐垂向分布是驱动藻华空间异质性的关键因素。

Spatiotemporal variability of cyanobacterial abundance and composition
替代模型成功捕捉到蓝藻群落的季节演替规律，模拟显示7-9月微囊藻(Microcystis)占比超过60%，其生长受水温(>25°C)和总磷(>0.05 mg/L)的协同调控。SM-PO将蓝藻生物量预测的NSE从试错法的0.644提升至0.930。

Surrogate modeling as a hybrid approach for integrating PBM and AI
模块化结构使各组件可独立更新，WAQ模块重训练时间减少87.5%。叶绿素a预测RMSE降至7.2 μg/L，较传统方法提升40%。时间降维技术实现BLOOM模块1,728倍加速比，且保持NSE>0.9的精度。

Conclusions
该研究开创性地实现了过程模型与深度学习的"优势杂交"：替代模型不仅将Delft3D的模拟速度提升至近实时水平，更通过数据增强和参数优化使预测精度突破传统方法天花板。特别值得关注的是，模块化设计赋予模型独特的"乐高式"扩展能力——当新增污染源或气候情景时，仅需更新特定模块而非重构整体框架。这种兼具解释性与预测性的新型建模范式，为全球水库藻华预警系统升级提供了可复用的技术模板，其核心方法论对河口富营养化、海洋赤潮等复杂生态过程模拟具有重要借鉴价值。研究团队特别指出，未来可通过同化遥感地表温度数据进一步优化垂向分层模拟，这将使模型在深水水库的适用性获得质的飞跃。