基于稀疏不规则水库监测数据的蓝藻密度预测与驱动因素识别：可解释机器学习方法

《Journal of Environmental Chemical Engineering》：Interpretable machine learning for cyanobacterial density prediction and driver identification using sparse and irregular reservoir monitoring data

　　

• •
  一种可解释的机器学习框架，用于预测蓝藻密度。
• •
  该框架能够处理稀疏且不规则的监测数据。
• •
  BiLSTM在蓝藻预测方面优于基于树的模型。
• •
  SHAP揭示了蓝藻的物种特异性环境驱动因素。

引言

城市饮用水水库支撑着全球人类社会以及陆地和水生生态系统，发挥着多种关键的生态和社会经济功能[1], [2]。它们不仅为数百万人提供饮用水，维持商业和自给渔业，还通过防洪措施调节区域水循环[3], [4], [5]。然而，近年来，这些水体日益受到有害藻华（HABs）的威胁，其中蓝藻为主要物种[6], [7], [8]。在气候变化（特别是水温（WT）升高和降水模式改变）以及人为营养物质输入（如农业径流中的氮和磷以及未经处理的废水）的驱动下，HABs引发了深远的生态和社会经济后果[9], [10], [11]。具体而言，它们导致水体中溶解氧（DO）减少，产生对水生生物和人体健康有害的毒性代谢物（如微囊藻毒素），扰乱水生食物网，并对供水和旅游业造成重大经济损失[12], [13]。

研究人员和水利管理机构定期开展大规模、长期的野外监测项目，以了解饮用水水库中蓝藻的生长模式[14], [15]。这些项目收集了涵盖物理参数（如WT和DO）、化学参数（如氮、磷和pH）以及蓝藻丰度和物种组成生物学信息的若干数据集（Z. [16]；X. [17]）。然而，人工采集数据较低的空间和时间分辨率限制了后续分析。为应对这一局限，许多研究采用传统统计方法分析环境和生物指标，这些方法不需要大规模数据集（Y. [18], [19]）。例如，相关性分析被广泛用于探索各种环境因素之间的关系，并揭示蓝藻动态与环境变量之间的关联[20]。然而，传统统计方法对数据分布有严格要求。例如，它们对异常值敏感，无法有效处理缺失数据，并且无法考虑多变量之间的复杂相互依赖关系[21]。因此，它们往往无法捕捉蓝藻与环境因素之间的非平稳和非线性关系[22], [23]。

人工智能的进步拓展了机器学习在时间序列预测中的应用[24], [25], [26]。与传统统计方法相比，机器学习模型的核心优势在于其能够自动捕捉目标变量与潜在影响因素之间复杂的、高维度和非线性的关系，即使面对表现出非平稳特征的动力系统也是如此。例如，长短期记忆（LSTM）模型因其能够捕捉时间序列数据中的长期依赖关系而脱颖而出，在水生生态系统中预测蓝藻藻华方面得到了广泛而成功的应用[27], [28]。然而，很少有研究能够实现单个蓝藻物种的准确预测。虽然机器学习模型因其灵活性和预测性能而备受推崇，但由于缺乏固有的可解释性，它们通常被视为"黑箱"模型，这限制了它们在蓝藻藻华环境管理决策过程中的实际应用（Chao [29]）。可解释人工智能（XAI）工具通过量化每个环境输入对模型预测的贡献来解决这一局限[30]。这些工具帮助研究人员和管理者了解影响预测蓝藻丰度的因素，并越来越多地被用于解释机器学习模型。

先前的研究已使用可解释机器学习来预测浮游植物丰度并分析其环境关联。例如，Bai等人[31]关注了不同水层的浮游植物丰度及其主要环境预测因子。然而，在稀疏和不规则的监测条件下，重点关注优势蓝藻类群的丰度预测，并比较这些不同预测目标的关键环境关联和潜在生态学意义至关重要。此外，将优势类群水平和群落整体水平的分析相结合，可以为不同优势蓝藻物种的监测和管理提供依据。

本研究以中国南方的西坑水库（XKR）为研究对象[32]。研究目标为：（1）表征优势蓝藻类群的时间动态；（2）评估随机森林（RF）、极端梯度提升（XGBoost）和双向长短期记忆（BiLSTM）在稀疏监测条件下的预测能力和泛化性；以及（3）使用SHAP工具识别物种特异性环境驱动因素和非线性响应模式。本研究验证了一种可解释的机器学习算法，用于准确预测饮用水水库中的蓝藻密度。研究结果为防止蓝藻藻华威胁、保护饮用水质量和维持水库运行提供了科学证据和实用工具。

章节摘要

研究区域

XKR位于中国广东省深圳市东北部。该水体为温水单周期混动的饮用水水库。其最大深度约为22 m，表面积为2.0 km²，标准库容为1.8×10? m³。水库通过东深主干渠从东江引水，无天然支流。站点S1位于水库最深部分，靠近进出水口（图S1）。

野外观测

水温（WT）和溶解氧（DO）

蓝藻物种的时间分布特征

蓝藻群落的密度和组成表现出明显的季节性和年际变化，夏季浓度达到峰值，约为3 × 10? cells/L（图3）。水库中主要有四个优势物种（Pseudanabaena sp.、Cylindrospermopsis raciborskii、Raphidiopsis curvata和Microcystis sp.），其中Pseudanabaena sp.最为丰富且变异性最大。此外，蓝藻群落的时空变化

使用不同算法进行蓝藻预测分析

三种机器学习模型在预测蓝藻密度的能力上存在显著差异。BiLSTM在所有测试模型中对Pseudanabaena sp.、Cylindrospermopsis raciborskii和总蓝藻密度的预测精度最高，这证实了深度学习方法在捕捉蓝藻演替的非线性和时间依赖性特征方面的优势。蓝藻的生长和积累是典型的受以下因素影响的时序过程

结论

本研究开发了一种可解释的机器学习工作流程，用于在数据稀疏且不规则的饮用水水库中预测蓝藻密度并识别其驱动因素。本研究的主要结论如下：（1）BiLSTM在捕捉非线性时间依赖性方面优于RF和XGBoost，为优势物种和总蓝藻密度提供了最可靠的预测。这些发现证实了双向深度学习模型更适合

CRediT作者贡献声明

Yunhao Bai：可视化、验证、软件、方法论。He Lv：调查、概念构思。Tinglin Huang：项目管理。Fan Chen：调查、形式分析、数据管理。

利益冲突声明

作者声明不存在已知的竞争性经济利益或个人关系可能影响本论文所述工作的情况。

致谢

本研究得到了黔东南苗族侗族自治州基本研究计划（基金号：（2025）0021）和凯里学院博士专项基金（基金号：BS202502024）的资助。

Fan Chen | Yunhao Bai | He Lv | Tinglin Huang