《Journal of Environmental Management》：A multi-scale framework for long-term prediction of algal bloom occurrence using satellite-derived mapping and catchment-scale drivers
编辑推荐：
•提出了一种多尺度框架，融合卫星深度学习与流域尺度建模，用于藻华长期预测。•时间滞后分析表明，短期条件在预测性能和稳健性方面提供了最佳的综合平衡。•可解释性人工智能（XAI）将短期动态与物理驱动因素联系起来，将中期动态与营养元素化学计量比联系起来，为早期预警应用提供支持。引言
- •
提出了一种多尺度框架，融合卫星深度学习与流域尺度建模，用于藻华长期预测。
- •
时间滞后分析表明，短期条件在预测性能和稳健性方面提供了最佳的综合平衡。
- •
可解释性人工智能（XAI）将短期动态与物理驱动因素联系起来，将中期动态与营养元素化学计量比联系起来，为早期预警应用提供支持。
引言
藻华是富营养化湖泊系统中最重要的水质问题之一，它们会破坏生态系统功能、降低水体利用潜力，并威胁游憩和饮用水资源（Paerl and Otten, 2013; Huisman et al., 2018）。藻华的发生不仅受湖内物理和生化条件的塑造，还受到前期流域尺度过程的影响，如营养物质输送、水文输入、土地利用变化和气候变率，而这些因素在气候变化条件下还可能进一步发生改变（Burford et al., 2007; Zhang et al., 2011; Lin et al., 2015; Scavia et al., 2021）。然而，在许多湖泊系统中，长期原位藻华记录和水文外部负荷连续观测数据不完整或不可用，这限制了可预测且可解释的早期预警方法的开发。这就产生了对整合框架的需求，该框架需结合卫星观测、流域尺度建模和数据驱动预测方法，以重建藻华发生情况并将其与前期环境条件联系起来。
遥感技术被广泛用于藻华探测，因为它能够在大空间和时间尺度上进行重复观测（Shen et al., 2012; Ananias and Negri, 2021; Kislik et al., 2022）。特别是，由于光谱指数简单且易于实施，已开发出多种光谱指数用于藻华制图（Hu, 2009; Mishra and Mishra, 2012; Cao et al., 2021; Saygi et al., 2025）。然而，基于指数的方法通常依赖于阈值选择，且在不同传感器、时段或研究区域应用时可能需要反复预处理或重新校准。这些局限性促使人们采用基于人工智能的方法进行藻华监测，包括利用机器学习（ML）和深度学习（DL）架构从遥感图像中检测藻华（Feng et al., 2022; Colkesen et al., 2025; Xu, 2026）。
近期研究不仅利用卫星观测来检测藻华，还用于预测其发展趋势。Ai et al.（2023）使用从卫星数据获得的叶绿素a指数作为响应变量，将河流输入与气象数据相结合，提前10天预测藻华。Gupta et al.（2023）使用气象、水动力和营养负荷变量，对从卫星观测获得的蓝藻指数进行了10天、20天和30天提前期的预测。Schaeffer et al.（2024）研究了一个涵盖2192个湖泊的大数据集，他们使用Sentinel-3观测获得的每周蓝藻丰度作为响应变量，并基于水表面温度、降水和湖泊地貌学比较了贝叶斯、机器学习和神经网络模型。这些研究表明，卫星观测在数天至数周的时序尺度上支持藻华预报具有潜力。在上述三项研究中，均使用卫星衍生的藻华或蓝藻指标作为响应变量，而预测变量则来自观测数据或广泛可获得的环境数据集。
其他研究则从不同的方向切入。一些研究利用环境因子预测藻华发生，另一些则利用实地测量、遥感或基于物理过程的模型估算与藻华相关的变量，如叶绿素或营养物浓度（Yu et al., 2021; Brehob et al., 2024; Hofioni et al., 2026; Han et al., 2026）。气候、流域营养物输送、湖泊过程与藻华预测之间的联系也已被考察（Scavia et al., 2021）。流域模型还被用于区分点源和面源营养物途径，并评估降低外部负荷的措施（Celen et al., 2014）。与这些方法不同，本研究框架利用长期卫星图像通过基于深度学习的制图重建历史藻华发生情况，同时利用流域尺度的土壤与水评估工具（SWAT）模拟结果结合气象变量来表示前期水文和水文状况。随后在长达12个月的时间窗口内对这些预测变量进行评估，使藻华发生能够明确地与前期流域和气象条件联系起来，而非依赖卫星衍生的光谱或水质变量作为直接预测变量。该框架还纳入了基于SHAP的解释方法，以考察与不同时间尺度上藻华预测相关的环境变量。
这种整合在数据稀缺的湖泊系统中尤为重要，因为连续的原位藻华观测和长期外部负荷记录往往难以获得。在此类系统中，卫星观测可以提供历史藻华发生信息，而流域尺度模型可以生成进入湖泊的具有物理基础的流域水文和水质输入数据。当与机器学习相结合时，这些数据可用于评估前期环境条件与藻华发生之间的关联。然而，此类整合数据在预测应用中也要求具备可解释性，因为仅靠黑箱模型难以提供关于驱动模型预测的环境条件的深刻见解。可解释性人工智能（XAI）方法可通过识别环境变量预测对模型输出的相对贡献和方向性效应来帮助解决这一局限性。
本研究开发了一个整合的多尺度框架，通过结合卫星深度学习、流域尺度水文和水质模拟、机器学习和可解释性人工智能，来预测布尔杜尔湖（Lake Burdur）的藻华发生。首先，利用长期Landsat和Sentinel-2影像配合U-Net深度学习架构检测藻华。其次，在布尔杜尔湖流域尺度上实施了SWAT模型，模拟进入湖泊的流域来源水文和水质输入，包括点源和非点源贡献。第三，在短期、中期和长期时间滞后情景下训练机器学习模型，以识别对藻华预测信息量最大的前期时段。最后，利用Shapley加性解释（SHAP）分析解释与不同时间尺度上藻华发生相关的环境变量。
本研究的主要贡献在于将卫星衍生的藻华制图、SWAT衍生的流域尺度预测变量、时间滞后分析和可解释机器学习整合于单一框架中。该方法并非仅依赖遥感检测或孤立的水质观测，而是将藻华发生与前期气象和流域来源条件联系起来。通过这种方式，该框架支持了在数据稀缺的湖泊系统中进一步发展早期预警应用。
章节摘要
方法论
本研究的主要目标是整合卫星观测、水文建模、机器学习和可解释性人工智能，调查布尔杜尔湖的长期藻华动态及影响藻华发生的环境因素。首先利用卫星观测重建历史藻华记录并为模型开发生成参考标签，而藻华预测则完全使用SWAT衍生的水文和水质模型输出数据以及
结果与讨论
结果分为四部分呈现。首先，通过径流和水质模拟评估水文和水质模型的性能。其次，评估U-Net模型从卫星图像中检测和绘制藻华的能力，并利用生成的藻华图构建后续机器学习分析的地面真值数据集。第三，比较不同时间滞后情景下机器学习模型的预测性能，以
结论
本研究开发了一个预测布尔杜尔湖藻华发生的整合框架，结合了卫星衍生的藻华检测、流域尺度水文和水质模拟、机器学习和可解释性人工智能。该框架解决了数据稀缺湖泊系统中的关键挑战，即长期原位藻华记录和连续外部营养物负荷观测数据通常难以获得。
本研究的主要贡献在于构建了一个长期藻华预测
作者贡献声明
Ismail Colkesen：撰写—审阅与编辑、撰写—初稿、验证、监督、方法论、调查、概念化。Mustafacan Saygi：撰写—初稿、可视化、验证、软件、方法论、数据整理、概念化。Osman Yavuz Altuntas：撰写—初稿、可视化、数据整理。Halil Nurullah Oruc：撰写—初稿、可视化、数据整理。Meltem Celen：撰写—审阅与编辑、撰写—初稿，
利益冲突声明
作者声明，不存在可能被认为影响本文所报告工作的已知竞争性经济利益或个人关系。
致谢
本工作由土耳其科学技术研究委员会（TüB?TAK）资助和支持，项目编号：124Y295。
Ismail Colkesen|Mustafacan Saygi|Osman Yavuz Altuntas|Halil Nurullah Oruc|Meltem Celen
