《Sustainability》:Wind-Driven Reconstruction of Cyanobacterial Bloom Spatial Distribution Using an EOF–Machine Learning Framework
编辑推荐:
蓝藻水华威胁水资源安全和生态健康,了解其时空动态对于有效管理至关重要。为研究风驱动下太湖蓝藻水华的时空动态,研究人员开发了一个整合经验正交函数(EOF)分析和机器学习的框架,用于从风向量序列重建水华分布。首先,应用EOF分析将每日水华空间分布分解为一组空间模态
蓝藻水华威胁水资源安全和生态健康,了解其时空动态对于有效管理至关重要。为研究风驱动下太湖蓝藻水华的时空动态,研究人员开发了一个整合经验正交函数(EOF)分析和机器学习的框架,用于从风向量序列重建水华分布。首先,应用EOF分析将每日水华空间分布分解为一组空间模态及其对应的时间系数,从而表征水华聚集区域的时空变异性。然后,研究了时间系数与风向量之间的关系。随后,采用基于双向门控循环单元注意力机制(Bi-GRU-Attention)的机器学习模型,从风向量序列估计时间系数。将估计的系数与对应的空间模态相结合,重建水华分布。利用2009年至2023年太湖的MODIS遥感影像和ERA5-Land风向量再分析数据,前四个空间模态共同解释了总方差的57.7%。它们的时间系数(PCs)捕捉了蓝藻水华的时空变异性。其中,PC1与年平均水华覆盖度呈显著正相关(r = 0.928)。PC1与风速也呈显著负相关(r = ?0.271),而PC2和PC4分别与东南风和东北风显著相关,表明不同风条件下存在不同的水华聚集区域。考虑到风条件与水华时空动态之间的关系,与观测分布相比,所提出的框架实现了平均结构相似性指数(SSIM)为0.629,交并比(IoU)为0.821,百分比偏差(PBIAS)为?1.11%。这些结果表明,EOF分析为表征水华聚集区域的时空变化提供了一种有效手段。EOF时间系数与风向量之间的关系进一步证实了风在影响水华动态中的重要作用。该EOF-机器学习框架为表征蓝藻水华大尺度空间分布提供了新视角,并有助于增强湖泊预警能力,以实现可持续水资源管理。
蓝藻水华是富营养化水体中浮游植物过度增殖形成的可见聚集现象,严重时漂浮于水面形成绿色浮膜或表面席状物。这类现象常见于富营养化湖泊、水库、池塘和半封闭海湾,其生长和衰亡过程消耗溶解氧并产生毒素及异味物质,对水生生态系统健康、生物多样性及渔业、旅游业造成重大经济损失。太湖作为重要饮用水源和淡水生态系统,蓝藻水华呈现显著时空动态,其空间分布是制定分区管理策略、优化监测资源和支持可持续湖泊管理的基础。以往研究指出,在蓝藻细胞生长阶段,生物量积累主要由营养盐、温度和光照等环境因子控制;而一旦生物量充足,水华发生规模、范围和位置则主要受蓝藻浮力调节与风生水动力联合作用影响。太湖优势藻种微囊藻(Microcystis)因胞内气囊和胞外聚合物(EPS)形成大型漂浮群体,易受风驱动输运过程影响。然而,传统现场观测难以连续监测水华时空动态,卫星遥感数据常受云覆盖导致时间不连续,数值模拟虽能提供物理解释,但过程机理模型需大量现场观测标定且参数化复杂,数据驱动机器学习模型多聚焦于叶绿素a浓度、藻密度等时间趋势指标,对空间分布模式关注有限。为此,该研究提出一种整合经验正交函数(EOF)分析与机器学习的风驱动水华空间重建框架,旨在利用风向量序列表征太湖蓝藻水华大尺度空间聚集区域,以增强湖泊预警能力并支持可持续水资源管理。该论文发表在《Sustainability》上。
研究人员为开展研究使用了以下主要关键技术方法:基于MODIS遥感影像(MOD09GA和MYD09GA)计算浮藻指数(FAI),通过空间降采样(20×20网格降采样至10×10网格)生成网格化水华覆盖度矩阵;采用EOF分析分解水华空间分布的时空变异,提取主导空间模态及其时间系数(PCs);利用ERA5-Land再分析数据获取近地面(10 m高度)风向量(u和v分量)及非线性增强项(u|u|和v|v|);构建基于双向门控循环单元注意力机制(Bi-GRU-Attention)的深度学习模型,以目标日及前三日风向量序列为输入,估计前十阶EOF模态的时间系数,进而结合对应空间模态重建水华空间分布。样本数据来源于太湖2009–2023年蓝藻水华季节(5–11月)的1318个有效观测日,其中2009–2021年1136个观测用于训练,2022–2023年182个观测作为独立测试集。
研究结果部分包括三个主要小节:
**3.1. 近地面风向量与水华空间分布的统计特征**
3.1.1. 近地面风向量的年际统计特征:基于ERA5数据,2009–2023年太湖蓝藻水华季节风速的威布尔分布形状参数k多年均值为2.293,尺度参数c多年均值为3.564 m/s,年际变异系数均低于6.34%,表明风速分布年际稳定;主导风向集中在东东南至东南(112.5–135.0°),年际频率一致性高(相关系数平均0.911)。
3.1.2. 太湖蓝藻水华空间模态及其时间系数特征:EOF分析提取的前四个空间模态(EOF1–EOF4)共解释总方差的57.7%。EOF1(27.4%)表征从西北岸向湖心过渡区的水华增加;EOF2(12.5%)表征贡湖湾、竺山湾和梅梁湾水华增加而湖心区减少;EOF3(10.9%)表征西南湖区水华增加而北部及湖心区减少;EOF4(6.9%)表征西部部分湖区水华增加而其余区域减少。时间系数PC1与年平均水华覆盖度呈显著正相关(r = 0.928,p < 0.001),2017年PC1最大(0.501)对应水华覆盖度最高(12.8%),2023年PC1最小(?0.855)对应水华覆盖度最低(4.0%)。
3.1.3. 水华空间分布主导EOF模态与风向的关联:PC1与风速显著负相关(r = ?0.271,p < 0.001),表明强风抑制大尺度水华聚集;PC2与风速(r = 0.164)和v分量(r = 0.119)正相关,与u分量负相关(r = ?0.178),表明东南风利于水华在北部湾区聚集;PC4与u分量(r = ?0.064)和v分量(r = ?0.099)负相关,表明东北风利于水华在西部湖区聚集。
**3.2. 模型性能评估**
3.2.1. 时间系数估计评估:前四阶EOF模态时间系数(PC1–PC4)的估计值与观测值决定系数R
2分别为0.906、0.887、0.849和0.619,表明风向量序列特征有效捕捉了水华时空变异,但高阶模态估计精度下降。
3.2.2. 水华空间分布重建性能评估:独立测试集上,重建水华分布与观测的纳什效率系数(NSE)为0.514,百分比偏差(PBIAS)为?1.11%,平均结构相似性指数(SSIM)为0.629,交并比(IoU)为0.821。六次代表性日期(2022年10月11、19、24日及2023年10月16、17、19日)的空间对比显示模型能再现主要水华聚集区域,SSIM值在0.589至0.927之间。
讨论部分指出,EOF时间系数的日际波动反映了水华空间构型的频繁变化,以2017年5月10–18日高强度水华事件为例,东北风日(11、14日)PC4显著升高,东南风日(13、17、18日)PC2变化不同,表明风与初始空间状态共同作用导致非线性依赖关系,需机器学习建模。研究人员从风生水动力角度解释:风速超过约2.5 m/s时增强湍流混合抑制表面水华聚集,对应PC1与风速负相关;东南风增强湖心波高抑制水华,对应PC2增加;东北风驱动输运至下风向西部湖区,对应PC4增加。该框架与过往研究相比,避免了三维水动力模拟的复杂性,直接以风向量序列估计EOF系数,降低了数据需求,为监测能力有限的浅湖提供了可持续管理工具。未来可纳入空间风场、湖泊形态参数等多源因子改进局部细节。
研究结论部分翻译如下:太湖蓝藻水华呈现显著时空变异性,聚集区域在日尺度上频繁变化。本研究利用EOF分析通过不同空间模态的时间系数表征这些时空变异,并建立了风向量与这些时间系数之间的统计关系。在此基础上,开发了以风向量序列为输入的水华空间重建模型,模拟湖面水华聚集区域。结果表明,在水华暴发期,风场在影响日尺度水华空间分布中发挥重要作用。EOF分析为表征风对水华时空变异的影响提供了有效的降维方法。此外,将EOF分析与机器学习相结合,为模拟风驱动水华空间分布提供了一个有前景的框架。该框架可为太湖蓝藻水华预警和分区管理提供有价值的信息,从而支持该区域水生生态系统健康保护和可持续水资源管理。