《Algal Research》:Artificial intelligence for cyanobacterial harmful algal blooms: Recent advances and deployment challenges
编辑推荐:
•回顾近年来AI/ML在蓝藻水华研究(2020–2026年)中的进展。•AI改善了对蓝藻水华的监测、预测和早期预警。•深度学习实现了物种识别和多源数据融合。•可解释的、基于物理的AI提高了模型的可解释性。•已识别出可转移性和实际应用中的关键障碍。引言有害藻华(HABs)是全球水质
- •
回顾近年来AI/ML在蓝藻水华研究(2020–2026年)中的进展。
- •
AI改善了对蓝藻水华的监测、预测和早期预警。
- •
深度学习实现了物种识别和多源数据融合。
- •
可解释的、基于物理的AI提高了模型的可解释性。
- •
已识别出可转移性和实际应用中的关键障碍。
引言
有害藻华(HABs)是全球水质的主要威胁,影响着营养丰富的湖泊、水库和河流[1]。最近的评估表明,由于气温升高、水文极端事件加剧以及农业和城市地区的营养盐富集,蓝藻水华的频率、持续时间和空间范围在过去几年显著增加[2]。这些水华通常由产毒的蓝绿藻(如Microcystis spp.、Anabaena spp.)主导,它们通过阻挡阳光和减少氧气供应来抑制其他水生生物的生存,导致生物多样性丧失[3]。蓝藻毒素会干扰重要的生理过程:微囊藻毒素会抑制蛋白质磷酸酶并导致严重的肝脏损伤,而神经毒素如anatoxin-a则过度刺激乙酰胆碱受体,引发呼吸衰竭,从而导致受暴露生物的急性疾病或死亡[4],[5]。社会经济后果包括增加的水处理成本、商业和休闲渔业的损失、海滩关闭以及公共卫生支出的增加[6]。在这篇综述中,AI被用作广义术语,指代设计用于执行感知、预测、推理或决策任务的各种计算系统。ML是AI的一个子集,其模型从数据中学习关系,而不是完全依赖于预定义的规则。深度学习(DL)是ML的一个子集,基于多层神经网络,包括卷积神经网络、循环神经网络、长短期记忆网络和Transformer。强化学习(RL)是一种学习范式,其中智能体通过与环境的互动来选择行动以最大化累积奖励。在后续章节中,我们将使用最具体的术语——ML、DL或RL——而不是笼统地将所有数据驱动的方法称为AI。
传统的HAB管理方法依赖于物理移除(例如机械收割、冲洗)、化学除藻剂(例如硫酸铜、过氧化氢)和生物控制(例如引入大型水生植物或杀藻细菌[7]。每种方法都有其固有的局限性:物理方法劳动密集且成本高昂,只能提供短期缓解[8];化学处理有可能释放细胞内毒素并造成二次污染[9];生物干预可能会破坏生态系统平衡[10]。因此,传统的缓解策略主要是反应性的且特定于某个地点,受到缺乏可扩展的早期预警系统的限制。没有一种策略既能高度有效又对环境无害[7]。HAB的动态是多因素的、非线性的,并受阈值驱动:微小的环境变化就能引发巨大的生物量增加。关键驱动因素包括温度、太阳辐射和紫外线、风、降水、营养物质(N:P比率)、水力滞留时间和内部沉积物负荷[11],[12],[13]。这些因素以非线性方式相互作用,使得水华具有地点特异性,并在数据稀少时阻碍早期检测。
新兴的HAB监测技术——遥感、无人机(UAVs)、自动驾驶车辆、传感器网络、边缘AI、多源数据融合、基于物理的ML、LSTM(长短期记忆网络)、Transformer和强化学习——都存在局限性:云层覆盖、时空间隔、校准偏差、高成本、计算限制、数据稀缺、跨湖泊的可转移性差以及可解释性不足[14],[15]。混合物理-数据方法和可解释的AI(XAI)正在兴起,但需要更广泛的验证。简而言之,这些技术在HAB研究中的现状各不相同:深度学习(例如LSTM、ConvLSTM、Transformer)已被广泛用于水华预测(详见第2.3节中的性能比较);强化学习主要仍处于模拟阶段,实际湖泊验证有限(第2.5节);多源数据融合已在操作中使用,但面临跨传感器协调问题(第2.2节);基于物理的机器学习(PIML)是一个新兴方向,迄今为止在HAB应用方面非常有限(第2.6节)。每个技术的代表性参考文献在相应章节中提供。
传统的HAB模型包括线性统计模型(例如回归、ARIMA)和基于过程的机理模型(例如AQUATOX)。线性模型忽略了非线性相互作用和时间滞后;机理模型需要广泛的校准,并且在不同湖泊间的泛化能力较差[15],[16]。这些局限性促使人们发展ML,因为它能够揭示非线性关系并整合多源数据以提高预测准确性。
ML在HAB管理中的应用始于2014年左右,当时使用了SVM(支持向量机)、RF(随机森林)和ANN(人工神经网络)[17]。早期的模型受到数据集较小和泛化能力差的限制。从2019年开始,随着海洋水华预测的成功,相关活动加速[18]。最近的进展包括用于时间序列预测的深度学习[14],[19]、用于适应性缓解的强化学习[20]、多源数据融合[21]和基于物理的ML[22]。尽管取得了进展,大多数研究仍然具有案例特异性,这引发了关于在气候驱动的非平稳性条件下可转移性和鲁棒性的担忧。
这篇综述批判性地总结了2020年至2026年间基于ML的HAB管理方法。之前的综述并未探讨深度学习、强化学习、多传感器融合和基于物理的方法如何应用于水华预测、监测、分类和缓解。通过将这些方法置于HAB的驱动因素和管理需求背景下,我们发现了早期预警、数据整合和可扩展决策支持的机会,同时解决了数据可用性、可转移性、可解释性和在非平稳气候条件下的鲁棒性等持续存在的问题。
综述分为几个主题部分,涵盖了环境驱动因素、遥感和监测、预测和早期预警模型、物种分类、缓解优化以及基于ML的生态系统建模。对于每个部分,都回顾并比较了代表性研究的方法论、性能提升、局限性和相对于传统方法的实际意义。新兴方法,包括XAI、PIML和RL,为构建透明、基于生态学且具有适应性的框架提供了途径。特别关注了可解释性、物理一致性和不确定性处理,这些对于在管理环境中的可靠应用是必要的。图1总结了HAB管理中关键的AI/ML应用及相关挑战。
这篇综述通过提供人工智能/机器学习在HAB管理中应用的最新进展的结构化主题综合,强调了可解释性和混合物理-AI框架的新兴作用。它将ML方法与生态学理解和操作目标联系起来,明确了AI在哪些方面取得了实质性进展,哪些局限性仍然存在,以及哪些研究方向对于开发可靠、可扩展和可行的水华管理系统最为关键。
部分片段
环境驱动因素和AI辅助的蓝藻水华驱动因素分析
有效管理HABs需要了解它们发生的原因和时机。数十年的湖沼学研究表明,水华通常是由多种环境因素共同作用的结果,包括营养盐富集、物理条件、气候和水文极端事件以及这些因素之间的相互作用[13]。营养盐富集(特别是来自农业和城市径流的过量磷和氮)是主要的催化剂,促进了富营养化,为蓝藻提供了生长条件
数据质量、协调性和不确定性
可靠且可操作的蓝藻水华建模需要克服持续的数据限制和质量问题[12]。为了建立 robust 的预测系统,研究必须严格解决五个关键的数据处理挑战。首先,关于缺失数据,插值必须仅使用训练数据来进行,因为在训练和测试期间之间的插值可能会引入未来信息并人为地提高预测性能[44]。其次,传感器噪声
结论
蓝藻水华构成了复杂的环境挑战,这篇综述展示了人工智能和机器学习如何将管理方式从被动响应转变为积极主动、数据驱动的管理。XAI和基于物理的机器学习的出现有助于将预测性能与生态解释能力相结合,产生更准确且基于科学的预测结果。结合不确定性量化可以实现概率性
CRediT作者贡献声明
Huixin Liu:撰写——原始草案,调查。Fangqi Liu:调查。Yi Zhang:撰写——审稿和编辑。Christina Lopez:撰写——审稿和编辑。Icen Yoosefdoost:撰写——审稿和编辑。Boling Li:撰写——审稿和编辑,监督,概念化。
利益冲突声明
作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。
致谢
本工作得到了中国国家自然科学基金(项目编号:42307290)和德克萨斯州立大学博士后研究员资助(项目编号:50-200001)的支持。
Huixin Liu|Fangqi Liu|Yi Zhang|Christina Lopez|Icen Yoosefdoost|Boling Li