《Water Research》：Causal-guided regional deep learning for chlorophyll?a dynamics prediction in heterogeneous marine systems
编辑推荐：
摘要有害藻华对海洋生态系统和人类健康构成日益严重的威胁，这就需要能够准确预测叶绿素a含量的方法，而叶绿素a是衡量藻类生物量的关键指标。然而，现有的深度学习模型常被批评为“黑箱”，这限制了其在生态学上的可解释性，也在环境状况发生变化时降低了模型的稳定性。在本研究中，我们构建了一种基
摘要
有害藻华对海洋生态系统和人类健康构成日益严重的威胁，这就需要能够准确预测叶绿素a含量的方法，而叶绿素a是衡量藻类生物量的关键指标。然而，现有的深度学习模型常被批评为“黑箱”，这限制了其在生态学上的可解释性，也在环境状况发生变化时降低了模型的稳定性。在本研究中，我们构建了一种基于因果关系的深度学习框架，将梁-克莱曼信息流理论与卷积长短期记忆网络相结合，用于预测中国不同类型的沿海及大陆架海域的叶绿素a动态变化。通过对十种环境因素（如营养物质、温度、盐度、太阳辐射、降水量、海流等）的因果分析，我们发现导致叶绿素a变化的驱动因素存在明显的区域差异。根据这些因果关系，我们将研究区域划分为三个生态特征不同的区域：受河流污染物和黑潮影响、具有复杂多驱动因子的区域（区域1）；以季节性因素为主导的开阔海域区域（区域2）；以及平流过程起重要作用的浅水大陆架区域（区域3）。针对各个区域，我们仅使用经过因果验证的关键预测因子，构建了卷积长短期记忆模型，这些模型在1天预测精度方面表现优异（所有区域的R2值均大于0.90），与使用所有因素的模型相当。在15天的预测时间内，这两种模型都能捕捉到季节性变化趋势，同时平滑每日波动，这一结果符合物理脉冲系统的生态特征。总体而言，使用关键因子构建的模型在所有区域的预测效果都优于使用所有因素的模型，这说明非因果预测因子会引入噪声，从而降低长期预测的准确性。这些研究结果表明，基于因果关系选择预测因子有助于提升模型的简洁性、通用性以及长期预测的可靠性。所提出的因果分区-卷积长短期记忆框架为特定区域的水质预测提供了一种可迁移的方法，对于控制水体富营养化以及预警有害藻华具有重要的实际意义。
引言
有害藻华作为一种全球性的海洋生态灾害，会严重破坏海洋生态系统的结构，进而威胁渔业生产、海水安全以及人类健康（Wells等人，2015年）。作为衡量藻类生物量的关键指标（Sun等人，2019年；Wang与Chen，2024年），叶绿素a的含量能够反映水体富营养化的风险（Chawla等人，2020年；Naderian等人，2025年；Saravani，2025年），并且与有害藻华的发生和发展密切相关（Song等人，2011年；Xu等人，2024年）。因此，准确评估影响叶绿素a变化的因素并实现可靠预测，对于控制藻华、管理水体富营养化以及保护渔业资源具有重要意义（Friedland等人，2012年；Hong等人，2025年；Jiang等人，2019年）。
人们早已认识到，藻类的生长受到多种环境因素的调控，包括营养物质（如氮、磷和硅酸盐）（Liu等人，2016年；L. Zhao等人，2023年）、温度和盐度结构（Nishino等人，2008年；Sun等人，2019年）、太阳辐射强度（Li等人，2026年）、降水量（Hampton等人，2022年）等等。为此，人们基于物理、化学和生物学原理，开发出了众多数值模型来模拟浮游植物的动态变化（Bai等人，2022年；Ismail与Al-Shehhi，2023年；Schuwirth等人，2019年）。这类模型的可解释性有助于人们阐明其中的生态机制，并将预测范围扩展到历史数据之外的情况（Berthet等人，2023年）。不过，这种能力依赖于对复杂过程的简化，以及通过复杂的参数化方式来表示这些过程。在变化剧烈的环境中，这类预定义的方程和参数往往无法完全体现系统的复杂性（Wool等人，2020年）。正是由于这一局限，以数据驱动为理念的方法应运而生，尤其是深度学习技术，它无需依赖特定的物理先验，就能从观测数据中提取出复杂的模式。早期用于叶绿素a预测的研究多采用人工神经网络和随机森林模型（Kyung-Min Kim，2022年；Yajima与Derot，2018年），这类模型虽具备非线性拟合能力，但在捕捉时间特征方面存在不足。循环神经网络，包括长短期记忆网络和门控循环单元，通过捕捉长期的时间依赖关系来解决这一问题（Bagherian等人，2024年；Wu等人，2023年）。为了同时考虑空间和时间特征，人们又开发出了混合卷积神经网络-长短期记忆网络模型（Shahabi与Tahvildari，2024年）。不过，这类模型在空间信息提取方面仍存在不足，且时空耦合效应较弱。为了解决这些问题，带有内置卷积运算的卷积长短期记忆网络得以出现，它能够实现时空联合建模，在叶绿素a预测方面表现出色（Rui等人，2024年；Yao等人，2023年）。尽管有了这些进展，数据驱动模型仍常被批评为“黑箱”，它们只捕捉统计关联关系而非因果机制，这使得其在生态学上的可解释性较差，且在环境状况发生变化时稳定性也会下降。另一个值得关注的问题是预测因子变量的选择方式。如果预测因子数量过多，可能会因数据需求过高而限制模型的适用性；而如果数量过少，则会导致关键信息的缺失。因此，选择一组能够体现关键影响因素的合理预测因子至关重要。此外，用于叶绿素a预测的深度学习模型通常都是针对特定的水域量身定制的，这些水域在数据集、建模方法和输入数据等方面都有所不同。虽然大多数研究都注重预测精度，但关于模型为何会出现区域差异的问题却鲜有研究探讨。因此，这类模型在原研究场景之外的适用性，以及在不同条件下的稳定性，目前仍不十分清楚。
因果分析理论能够区分不同变量之间的因果关系，而非仅仅是统计相关性。梁-克莱曼信息流理论是由梁和克莱曼提出的（Liang & Kleeman，2005年；Liang & Kleeman，2007年），该理论为从时间序列数据中提取过程层面的信息提供了新的可能性。这一框架在地球系统科学领域展现出了应用潜力，例如可用于预测厄尔尼诺模态事件（Liang，2021年）。近年来，生态学和环境科学研究也开始运用梁-克莱曼信息流分析方法，来量化海表温度和气候变化对全球海洋颜色变化的定向因果影响（Li等人，2025年）。更多研究者认为，梁-克莱曼分析方法不仅可用于回溯性分析，还可以作为预测建模中的先验约束，为选择驱动因素提供有因果依据的指导（Zheng等人，2024年）。
在本研究中，为了超越单纯的统计相关性，我们采用了梁-克莱曼理论来分析环境因素与藻类出现之间的真实因果关系。我们以叶绿素a作为藻类丰度的指示指标，研究了水质变量（硝酸盐、磷酸盐、硅酸盐、溶解氧）、海洋环境条件（海流、海表盐度、海表温度）以及大气因素（太阳辐射、总降水量）等。在完成因果分析后，我们又通过聚类分析找出具有相似因果驱动因素的区域。最后，我们针对各个区域构建了专用的卷积长短期记忆模型，以此捕捉叶绿素a动态变化的空间异质性，并预测每个同质区域内的叶绿素a变化情况，从而为水环境管理提供技术支持。
章节节选
研究区域
本研究区域涵盖中国的沿海地区以及邻近的边缘海域（东经107.25°至126.00°，北纬16.00°至41.00°），这一区域的特点是海洋生态过程与人类活动之间存在频繁的相互作用。这里的流体动力学结构和生态结构极为复杂，同时受到东亚季风、潮汐作用以及海洋环流的影响。大量的陆地来源物质，包括河流径流、营养物质排放以及日益加剧的人为干扰，也对该区域的海水状况产生了重要影响。
梁-克莱曼信息流
为了量化多种环境变量对叶绿素a变化所产生的因果驱动作用，本研究采用了梁-克莱曼信息流方法。该方法通过计算信息流值来量化变量之间的因果关系，这些信息流值能够反映出一个变量对另一个变量的因果影响强度。与传统的相关性分析不同，信息流方法能够明确变量之间的因果方向，并进行定量分析。
梁-克莱曼信息流分析结果
图4展示了十种环境因素对叶绿素a的信息流分析结果。数值为零表示不存在显著的因果关系，正值则表示存在因果驱动作用，负值则说明该因素会抑制叶绿素a的变化幅度。
如图4b所示，磷酸盐在大多数区域都对叶绿素a存在正向的因果关系。在渤海、黄海以及南中国海的北部区域，河流输入的氮元素会持续维持叶绿素a的较高水平。
讨论
本研究构建了一个基于梁-克莱曼信息流分析的综合性因果引导型区域深度学习框架，用于预测叶绿素a的含量。需要指出的是，梁-克莱曼信息流理论原本是在线性假设的基础上推导出来的。不过后续研究已经证明，该理论在各种非线性系统以及实际应用场景中都能展现出出色的性能（Liang，2014年；Liang，2021年），这说明该理论的实际适用范围可能更为广泛。在本研究中，我们采用了梁-克莱曼信息流分析方法。
结论
为了客观量化影响叶绿素a变化的主要因素的空间分布特征，进而构建出一个能够反映实际物理驱动变化规律的深度学习预测模型，本研究将因果推断方法（梁-克莱曼信息流理论）与深度学习技术（卷积长短期记忆网络）相结合，用于预测不同类型海洋区域的叶绿素a动态变化。我们的方法的实用价值在于其具备较高的操作可行性以及良好的生态学可解释性。与传统的预测方法相比，它具有明显优势。
CRediT作者贡献说明
胡安宇：负责撰写原始稿件、开展研究工作、确定研究方法、进行正式分析、验证研究结果以及构思研究框架。王轩：负责稿件审阅与编辑、项目监督、确定研究方法、构思研究框架以及争取研究资金。李伟：负责项目监督以及研究框架的构思工作。韩贵军：负责项目监督以及研究框架的构思工作。
CRediT作者贡献说明
王轩：负责稿件审阅与编辑、项目监督、确定研究方法、争取研究资金以及构思研究框架。胡安宇：负责撰写原始稿件、验证研究结果、确定研究方法、开展研究工作、进行正式分析以及构思研究框架。李伟：负责项目监督以及研究框架的构思工作。韩贵军：负责项目监督以及研究框架的构思工作。
利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
致谢
本研究得到了中国国家自然科学基金的资助，项目编号为42576199。
Xuan Wang|Huanyu Qi|Wei Li|Guijun Han
天津大学海洋科学与技术学院，天津海洋环境研究与服务重点实验室，中国天津300072
