混合藻类种群预测模型(HAPP)的构建与应用：基于生长潜力评估与时间序列回归的水库藻华预警研究

《Water Research》：Development of a Hybrid Algal Population Prediction (HAPP) Model by Algae Growth Potential Estimation and Time Series Regression and Its Application in One Reservoir in China

本文推荐：研究者创新性地结合藻类生长潜力(AGP)评估与时间序列回归，构建混合藻类种群预测模型(HAPP)，成功应用于中国北方某水库藻华预警。模型通过时间特异性参数优化，实现纳什效率系数(NSE)0.58的预测精度，揭示了水温、光照、总氮(TN)、总磷(TP)四要素的驱动机制，为中小型水体藻华防控提供新范式。

　　

Highlight

藻类种群动态特征

水库藻群呈现显著季节性波动：春夏之交(3-4月)缓慢增殖，5-7月形成小高峰，8-9月晴热天气下爆发主峰值，10月随降温衰退。值得注意的是，2020年藻密度峰值突破1.5亿细胞/L，显著高于其他年份，这种异常波动可能与当年极端气候事件相关。

模型性能与参数稳健性

本模型成功捕捉藻群长期周期规律，实现近2个月的藻华预警。全数据集纳什效率系数(NSE)达0.58，均方根误差(RMSE)<1000万细胞/L，高值区间平均相对误差(MARE-H)约30%。研究特别发现：水温参数呈现显著季节异质性，夏季灵敏度较冬季高3.2倍；而总磷(TP)阈值效应明显，浓度>0.15mg/L时藻群响应强度骤增80%。

结论

1. 1.

   创新性构建融合机理与数据驱动的混合预测模型(HAPP)，为中小型水体藻华预警提供"白盒"解决方案

2. 2.

   证实水温-光照-营养盐(TN/TP)四维驱动框架的普适性，其中TP存在0.15mg/L的生态阈值

3. 3.

   时间特异性参数优化策略使模型预测稳定性提升40%，突破传统静态参数局限

（注：翻译严格遵循原文学术表述，将"time-specific parameter optimization"译为"时间特异性参数优化"，"Nash-Sutcliffe efficiency"保留专业缩写NSE并首次出现标注全称，化学符号TP/TN保持英文大写格式，统计指标MARE-H采用中英文混合标注）