一种预测藻类水华的新方法：基于长短期记忆人工神经网络，并结合指数平滑反馈机制，通过算术平均算法进行优化

《Scientific Reports》：A novel approach for forecasting algal bloom: long short-term memory artificial neural network with exponential smoothing feedback optimized by the arithmetic mean algorithm

　　

摘要

基于人工智能的方法由于效率高且运营成本低，越来越受到可持续环境监测领域的关注。在本研究中，提出了一种结合指数平滑方法的新长短期记忆网络，并为该神经网络引入了一种基于算术平均优化算法的训练策略。利用来自黑海地区15个河口监测站的卫星时间序列数据，该神经网络模型被用于预测叶绿素-a浓度——这是藻类繁殖动态的关键指标。为了评估这一框架的有效性，通过将所提出的神经网络与多种浅层和深度学习模型进行比较，进行了全面的实验。结果表明，在大多数分析的时间序列中，所提出的神经网络模型在均方根误差和平均绝对百分比误差方面均表现出更优的预测性能。此外，基于Friedman检验和Wilcoxon符号秩检验的统计显著性分析证实，观察到的性能提升具有统计学意义。所提出的神经网络模型在总体排名中表现最佳，平均排名为1.06，并且在Holm–Bonferroni校正后显著优于所有竞争模型。研究结果表明，该神经网络在预测准确性和鲁棒性方面都有所提升，为叶绿素-a动态的建模提供了一个可靠且有效的框架。这种方法为海洋生态系统中藻类繁殖事件的早期检测和管理提供了有前景的工具。