《Water》：Artificial Intelligence-Augmented Approaches for Next-Generation Harmful Algal Bloom Management
编辑推荐：
有害藻华（Harmful Algal Blooms, HABs）正对水生生态系统、水安全和公共健康构成日益严重的全球性威胁。尽管从原位传感到预测性生态模型的传统监测与管理方法已推进了藻华检测和风险评估，但其有效性常受限于数据稀缺性、可转移性和实时适用性。人工智
有害藻华（Harmful Algal Blooms, HABs）正对水生生态系统、水安全和公共健康构成日益严重的全球性威胁。尽管从原位传感到预测性生态模型的传统监测与管理方法已推进了藻华检测和风险评估，但其有效性常受限于数据稀缺性、可转移性和实时适用性。人工智能（Artificial Intelligence, AI）在从检测到决策支持的HAB管理全链条中提供了变革性能力，使AI成为减轻藻华风险的下一代战略基石。本综述综合了AI应用的最新进展，包括自动化浮游植物鉴定、遥感分析、预测建模和决策支持系统，并评估了经典机器学习、深度学习和自动化机器学习（Automated Machine Learning, AutoML）方法。本综述强调，将AI与传统生态学知识和专家判断相结合，可构建自适应、可扩展的混合智能框架。通过将技术创新与既有监测实践相融合，下一代HAB管理能够从被动响应转向主动策略。
## 1. 引言
有害藻华（HABs）跨越海洋-淡水连续体，其发生源于藻类功能性状、理化条件和生物相互作用的复杂交织，这些因素均可促进或延缓藻华发展。在海洋和河口系统中，有害藻华常由甲藻、特定硅藻（如伪菱形藻属 *Pseudo-nitzschia*）和针胞藻驱动，而淡水环境中最主要的威胁是产毒蓝藻。在气候变化和其他人为干扰的共同压力下，这些事件的发生频率和空间范围显著增加。尽管经过数十年研究，藻华引发、毒性和持续性的关键不确定性仍未解决，主要原因是传统分析方法无法充分捕捉非线性、多尺度的生态过程。AI方法能够整合异构数据集并捕捉传统统计方法难以解析的复杂非线性关系，将高维环境数据转化为预测模型和早期预警工具。现代AI系统利用卫星图像、浮标遥测、天气预报和历史水质记录，自动整合这些输入并在数小时内标记异常藻华信号。机器学习算法将原始观测转化为短期和中期风险预报。物理信息神经网络（Physics-Informed Neural Networks, PINNs）可作为水动力模型的计算高效替代。AI驱动的自适应采样工具推荐采样时间和地点，深度学习模型可自动分类和识别藻细胞。本综述的目标是：（i）综合AI在HAB管理周期中的当前应用；（ii）审视用于HAB检测、预报和决策支持的工具、模型族和新兴方法；（iii）评估数据质量、可解释性、可转移性和治理方面的关键挑战；（iv）提出将AI能力与人类专业知识相结合的混合智能框架。
## 2. 将AI整合到HAB管理框架中
AI方法在近十年才进入业务化规模，现已融入现代HAB管理周期的每个阶段，将历史上线性的"检测-采样-响应"工作流转变为"数据驱动的反馈回路"。人类主导的数据整合构成AI应用的基础，包括监测程序设计、变量选择、质量控制和多源数据整合。研究人员在识别输入变量、准备和清理数据集、识别潜在偏差、定义模型目标和评估模型性能方面发挥关键作用。混合框架支持从早期检测、预报到风险评估和管理决策的多个阶段。与以往主要关注检测、遥感和预报的综述不同，本综述审视了AI在完整HAB管理周期中的应用，包括数据整合、预测、决策、干预和治理。通过整合卫星图像、原位传感器数据、水文气象预报和历史水质数据，AI系统提供了预测藻华起始而非仅检测其存在的早期预警能力。概率预报使管理者能在阈值超标前数天至数周调整取水深度、部署曝气或安排毒素分析。强化学习代理可识别优化干预策略。这些进步将管理方法转向预期性框架。
## 3. AI在HAB管理生命周期中的应用
AI方法正通过实现实时监测、大规模预报和数据驱动决策来改变HAB管理。
### 3.1 检测与监测
传统水采样方案资源密集且费力。自主传感器网络、卫星和无人机图像以及AI流程现在可以简化数据采集和分析，提供近实时、流域尺度的洞察。
#### 3.1.1 空中评估：从点观测到泛大陆景观
卫星遥感和无人机已成为大范围、近实时、长期监测HAB的重要工具。多光谱和高光谱传感器（如Sentinel-3/2、Landsat 8/9、MODIS）提供叶绿素a、藻蓝蛋白、浊度和温度的代理变量。AI模型如Shifted Windows（Swin）Transformer在检测漂浮藻华方面表现强劲，均交并比（mIoU）超过72%（单时期）和90%（多时期）。CNN模型如ResWLI框架实现水位反演，平均均方根误差（RMSE）为0.13米。多传感器融合模型集成光学和合成孔径雷达（SAR）数据可有效检测蓝藻表面聚集。PINNs结合卫星数据和物理定律提供无网格、计算高效的替代模型。
#### 3.1.2 从目镜到算法：自动微藻鉴定和计数
传统显微镜方法耗时费力，准确率通常为67%-83%。自动化机器学习工作流利用FlowCam成像和VisualSpreadsheet?软件，结合CNN和迁移学习，可将平均分类准确率提高11.9%，召回率达98%。ResNeXt-50在藻类分类中达到99%准确率。
#### 3.1.3 用于HAB管理的AI赋能原位传感
荧光和多种参数探头（如YSI-EXO、Turner Designs、bbe AlgaeTorch等）高频传输藻类信号。高光谱辐射计与AI解混技术结合生成藻华强度图。物联网（IoT）浮标网络以分钟至小时频率传输数据，边缘模型（如藻类形态深度神经网络AMDNN）在低功耗芯片上实现99.87%的近实时分类准确率。
#### 3.1.4 社区驱动的AI赋能HAB监测
社区科学结合轻量级AI工作流可大幅扩展监测覆盖。基于智能手机的CNN框架对叶绿素a估算的R2≈0.94。系统设计包括自动捕获EXIF时间和位置、重复检测、标准化提示和检查清单。人类专业知识对于防止漂移和偏差仍然至关重要。
### 3.2 预测与早期预警系统
传统线性方法（AR、ARIMA、ARMA、SARIMA、MLR）计算高效且可解释，但无法捕捉非线性模式。先进非线性技术（SVM、RF、GB、PGM、ANN、迁移学习）可更好地捕捉复杂多元关系。LSTM和GRU等递归网络可直接学习时间依赖。混合模型结合CNN和transformer架构可提供更稳健的预测。XGBoost模型在约150万样本的大型遥感数据集上实现超过98%的分类准确率。LSTM模型在浙江沿海水域春季藻华预测中达到约81.7%的准确率。比较研究表明，神经网络在叶绿素a预测中具有更高准确率，而SARIMA模型在可解释性和低数据需求方面有优势。
### 3.3 风险评估与决策支持
AI驱动的决策支持系统整合实时环境数据、藻华模型输出和社会经济信息。在波斯湾，多层ANN以约90%的正确分类率提供早期预警。在佛罗里达，多模态HAB检测和预报系统结合MODIS图像、测深数据和深度学习模型，检测现有藻华准确率约91%，提前8天预报藻华发生准确率约86%。在西班牙加利西亚，混合模型（BAGNET和SVM-KNN）对贝类收获状态分类的平均准确率约92%。
## 4. AI工具箱
AI方法基于监督学习理论，模型通过最小化损失函数学习从输入变量（X）到目标输出（Y）的映射。训练数据需严格预处理以处理噪声、异常值和类别不平衡。验证数据指导超参数调优，测试集提供无偏的性能估计。过拟合通过正则化、dropout和时空交叉验证等技术缓解。空间和时间自相关可能使标准随机分割产生偏差，因此推荐时空块交叉验证。偏差-方差权衡和正则化技术（L1/L2惩罚、dropout、早停）对提高泛化能力至关重要。
## 5. AI模型族
不同AI模型族根据数据性质、任务复杂性和操作环境提供不同优势。
### 5.1 经典机器学习模型
随机森林（RF）、支持向量机（SVM）和梯度提升方法（GBMs，如XGBoost、LGBM）是HAB分析的基础工具。它们容忍噪声环境输入，捕捉非线性响应，并提供变量重要性。RF和提升变体在浑浊内陆水域和大湖案例中表现强劲。在佛罗里达西南海岸，增强RF每周赤潮预报在1周和4周提前期分别达到约73%和84%的准确率。XGBoost、LightGBM和CatBoost在表格预测集上仍是最先进的。
### 5.2 深度学习模型
CNN主导基于图像的HAB任务，如分割卫星/无人机镶嵌图。序列模型（LSTM/GRU、时间CNN）捕捉滞后、季节性和持续性。一项六年比较显示多元LSTM提前16-28天预测蓝藻警报，准确率高达约90%。Transformer模型通过自注意力机制捕捉长距离依赖。图神经网络（GNNs）显式编码河流-湖泊/海岸连接性，适用于流域尺度问题。编码器-解码器CNN（U-Net、SegNet、DeepLab）是岸线浮渣描绘的标准。
### 5.3 自动化机器学习（AutoML）
AutoML平台（如H2O AutoML、Auto-Sklearn）自动化特征工程、模型选择和超参数调优。在HAB应用中，AutoML可快速找到强表格模型，但专家引导的特征设计、不确定性量化和漂移监测对可信部署仍然必要。
### 5.4 混合和物理信息替代模型
PINNs和神经算子将控制方程嵌入神经架构，确保物理一致性。物理信息红潮（PIRT）模型结合因果推断和深度学习，在东海数据上实现7天叶绿素a预测误差低于0.9 mg·m?3。混合PINNs比有限元求解器训练快5倍。
### 5.5 无监督和表示学习
PCA和聚类揭示光谱或色素数据中的潜在结构。自编码器和CNN重建用于去噪/填补空缺，生成对抗网络（GANs）和扩散模型用于合成数据增强。藻华预报（ABF）框架集成SVM、RF、LSTM和MODIS时间序列，RF在伊利湖、 chilika湖和太湖表现最佳。DINCAE和DINEOF在高缺失数据条件下（>60%）优于传统方法。
## 6. 挑战与未来方向
### 6.1 数据稀缺、质量控制与类别不平衡
大多数湖泊缺乏多年高频观测记录。少数类过采样技术（SMOTE、ADASYN、高斯copula合成）可使藻华检测召回率提高两到三倍。质量控制流程（范围检查、传感器间比较、异常值人工审查）对防止"垃圾进垃圾出"至关重要。开放基准和审计溯源的数据集对打破数据贫困陷阱至关重要。
### 6.2 黑盒模型的可解释性与信任
事后解释器（如SHAP）和"玻璃盒"方法（注意力层）有助于验证模型。用户调查显示操作员将"模型可解释性"置于"原始准确率"之上。标准化"模型卡"可增强透明度和问责制。
### 6.3 跨分类群、生态区和气候模式的可转移性
少于15%的HAB研究尝试任何形式的跨站点验证。对抗训练、元学习和少样本策略可提高跨站点性能。气候非平稳性可能侵蚀时间可转移性，持续学习流程可缓解概念漂移。
### 6.4 伦理、法律和社会经济维度
欧盟《人工智能法案》将影响关键基础设施的模型指定为"高风险"，要求严格文档、人类监督和上市后监测。数据所有权、隐私、公平性和"数字水鸿沟"是需要解决的关键问题。
## 7. 混合智能：HAB科学的协作智能管道
人类专业知识是不可或缺的共同因素。科学家必须策划和持续更新训练语料库，诊断概念漂移。可解释AI工作流依赖跨学科团队。例如，QPSO-RF算法结合湖沼学知识将藻华"热点"归因于增强的风程和营养盐再悬浮。公共卫生咨询、水处理方案等决策本质上涉及价值判断。俄亥俄水资源中心的HAB数据浮标网络提供仪表板和警报，但最终决定仍由训练有素的操作员做出。公民科学平台（如CyAN移动应用）扩大了空间覆盖，但人类分析师仍需筛选输入。欧盟AI法案要求透明文档和后部署监测。自适应管理者审计每次干预并反馈给模型再训练。
## 8. 结论
AI技术现已覆盖HAB管理的整个生命周期。混合智能框架强调人类专业知识和AI能力在整个HAB管理周期中的持续双向伙伴关系。AI不是取代专家判断，而是将复杂数据集转化为可操作知识，同时保留从业者才能提供的上下文理解和问责制。AI在HAB管理中的成功最终将取决于其支持透明、可信和自适应决策的能力。
