基于卫星观测的中国湖泊藻华湖面到像素级早期预警系统

《Journal of Cleaner Production》：Lake-to-pixel algal bloom early warning for Chinese lakes with satellite observations

　　•湖泊尺度模型通过基于相关性的选择与注意力机制来实现权重优化。•针对特定湖泊的模型在70%的研究湖泊中显示出超过0.65的精确度。•空气温度和辐射被确定为大多数湖泊中藻华产生的关键因素。•小型湖泊对气象条件的敏感度更高。•像素级风险评估显示出了强烈的空间聚集特征。

引言
藻华已成为内陆水域严重的环境问题（Ho等人，2019年；Jones等人，2024年）。大规模的藻华事件会降低水体中的氧气含量并产生毒素，从而破坏水生生态系统并威胁公共健康（Feng等人，2024年）。由于藻华产生的异味和味道，一些热门湖泊不得不关闭，酒店和娱乐场所也被迫永久停业（Feng等人，2024年；Jones等人，2023年）。有害藻华带来的经济影响也十分严重，每年的损失高达数十亿美元。有报道指出，中国湖泊中频繁发生的藻华已经引发了广泛的生态退化及严重的经济后果（Zhang等人，2024年）。与此同时，由于气候变暖以及人类活动的加剧，近几十年来内陆水域的藻华发生频率、持续时间和强度都在不断增加（Hou等人，2022年；Li等人，2023年；Thomalla等人，2023年）。因此，有必要建立有效的有害藻华早期预警系统，以实现对水资源的有效管理（Kelly等人，2019年；Shin和Cha，2025年）。

有害藻华预警系统旨在估算和预测淡水生态系统中的藻华发生情况、强度及空间分布。这类藻华模型传统上可划分为三类：基于过程的模型、统计模型以及基于遥感的模型（Du等人，2024年；Richards等人，2023年；Zhou等人，2023b年）。基于过程的模型能够模拟在不同环境条件下的藻华发展过程，以此分析生态系统的响应。虽然这类模型可在不同的空间尺度上应用，但它们需要大量的特定地点数据来进行参数设定和校准，这限制了其在区域湖泊网络中的实际应用（Huang和Zhang，2024年；Liu等人，2022年；Mu等人，2021年）。统计模型则通过回归分析和时间序列方法建立输入特征与响应变量之间的关系，因此在多个地点的表现更为稳定（Huang等人，2020年；Wang等人，2023a年）。不过，这类模型难以处理非线性关系，且在不同湖泊之间的适用性有限，这就需要在局部精度与广泛适用性之间做出权衡（Richards等人，2023年）。

遥感技术能够监测从单个湖泊到整个流域的大范围藻华现象（Huang等人，2015年；Pyo等人，2019年；Shi等人，2019a年）。与传统的实地采样相比，遥感技术具有更好的空间覆盖能力（Cao等人，2022年；Wang等人，2023c年）。遥感还便于进行反复观测，不过实际的时间分辨率会受到卫星重访周期以及云层等大气条件的影响。许多研究通过结合卫星观测到的藻华数据与环境数据来构建模型，以此预测藻华的发生情况和严重程度。ECMWF再分析数据v5（ERA5）提供了多种可能引发有害藻华的气象因子的网格数据（Du等人，2024年；Wang等人，2023b年）。同时，机器学习和人工智能技术的进步也为提高藻华预测精度提供了可能（Maussner等人，2025年；Wan等人，2025年；Zhi等人，2024年）。例如，相关性分析方法可以量化环境因素与藻华之间的关系（Wang等人，2025c年）。自注意力机制则可以通过神经网络学习各因素的时间相关性，从而动态调整其权重（Ni等人，2023年；Xue等人，2025年）。

尽管有了这些技术进步，当前的研究仍然面临着在保持局部精度的同时实现区域适用性的挑战。例如，针对特定湖泊的模型能够反映各个湖泊对环境变化的响应，但它们需要对每个湖泊进行大量的实地采样，这使得在区域尺度上的应用变得困难。而区域性的方法虽然能够同时覆盖不同的水体，但却可能忽视某些对特定湖泊至关重要的因素。此外，这些分析方法通常都是独立使用的，未能充分发挥它们的协同作用（Duan等人，2025年）。这一挑战源于藻华形成过程的复杂性。不同湖泊由于营养水平、物理特性以及生态群落结构的不同，各种环境因素的相对重要性也可能存在差异。但传统的预警方法往往对所有湖泊采用相同的方法，这就限制了预测的精度（Schaeffer等人，2024年；Tal等人，2024年）。

为了解决这些挑战，本研究针对中国湖泊的藻华早期预警问题，构建了一个从湖泊到像素的层次化框架。该框架的目标是：（1）通过基于相关性的特征选择和自注意力机制，建立一种动态调整环境因素权重的重要机制；（2）利用基于遥感的藻华数据以及机器学习方法，基于这些动态权重开发针对特定湖泊的预警模型；（3）分析各湖泊的藻华预警结果，并对重点湖泊进行像素级风险评估。该框架将针对特定湖泊的基于相关性的特征选择与基于注意力的权重机制相结合，以实现动态权重优化，同时确保模型在不同湖泊中的准确性。

研究区域
我们首先从HydroLAKES数据库中筛选出表面积超过100平方公里的湖泊。设定100平方公里这一标准是为了确保有足够的湖泊数量，并且能够从网格化数据集中准确提取湖泊尺度的变量（第2.2节）。较小的湖泊可能无法从网格化数据集中获得足够的像素覆盖，从而难以准确提取湖泊尺度的变量。随后，我们只保留了在所有数据集中都有超过100个有效观测值的湖泊，以便为构建稳健的模型提供数据支持（第2.3节）。

特定湖泊的环境影响因素
对20个研究湖泊的环境影响因素分析表明，这些因素与藻华形成之间存在不同的统计关联模式（图3、图4）。我们分析了环境变量与藻华发生之间的直接相关性及相互作用强度。定量评估采用了经过修改的Peter-Clark算法，该算法能够考虑最多7天的时间依赖性（Savadova-Ratkus等人，2025年；Wang等人，2025d年）。综合关联得分则用于……

框架的优势与局限性
该从湖泊到像素的预警框架在类似的亚热带和温带湖泊系统中具有潜在的应用价值，尤其是中国东部的湖泊系统，不过仍有一些方法论和数据方面的挑战需要解决（Bi等人，2025年；Zhang等人，2025c年）。从数据角度来看，诸如MODIS提供的藻华数据以及ERA5再分析气象数据等核心输入数据在全球范围内均可获取。在方法论方面，该框架采用了两阶段加权方法来构建湖泊尺度预警模型……

结论
本研究构建了一种从湖泊到像素的层次化藻华早期预警框架，该框架结合了卫星观测数据与两阶段加权处理流程。这一流程融合了基于相关性的特征选择与神经网络优化技术，能够针对特定湖泊识别导致藻华产生的关键因素，并通过动态权重机制来调整各环境因素的重要性。该框架还整合了与营养状态相关的信息……

CRediT作者贡献声明
Siqi Wang：概念设计、数据整理、正式分析、资金获取、研究实施、方法设计、软件应用、可视化处理、初稿撰写、修订编辑。Shuzhe Huang：数据整理、正式分析、资金获取、软件应用、修订编辑。Yinguo Qiu：资源协调、项目监督、结果验证、修订编辑。Xiang Zhang：资金获取、项目管理、项目监督、修订编辑。Nengcheng Chen：项目……

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
本研究得到了中国自然科学基金项目（42401554）、湖北省自然科学基金项目（2024AFB061）、中国博士后科学基金会项目（2024M753025）、中国博士后科学基金会博士后 Fellowship项目（GZC20232462、BX20250027）以及湖北省教育厅引导性项目（B2023246）的支持。

Siqi Wang|Shuzhe Huang|Yinguo Qiu|Xiang Zhang|Nengcheng Chen