湖科大彭亚洲、长沙理工张伟合作JEMA综述：藻类水华预警技术研究现状与展望
湖科大彭亚洲、长沙理工张伟合作JEMA综述：藻类水华预警技术研究现状与展望
Environmentor2017
分享环境领域内学术进展、热点资讯、招聘信息
-
综述了藻类水华的环境因素及传统预警模型。
-
遥感技术在藻类水华预警中的应用。
-
机器学习的基本过程。
-
机器学习用于藻类水华预警模型的研究进展。
-
展望了藻华预警的未来方向。
近日，湖南科技大学土木工程学院彭亚洲副教授和长沙理工大学水利与环境工程学院张伟博士在环境领域学术期刊 Journal of Environmental Management 上合作发表了题为“ Current status and prospects of algal bloom early warning technologies: A Review ”的综述论文 。文章从营养盐、温度、光照、水动力学和其他因素等环境因子的角度，分析了藻类水华爆发的原因。探讨了目前常用的藻类水华监测手段，包括传统的实地监测方法、遥感技术、基于分子生物学的监测技术和基于传感器的实时监测技术，并总结了各种方法的优缺点。介绍了目前已有的藻类水华预测模型，包括传统模型和机器学习模型。详细介绍了支持向量机、深度学习以及其他机器学习模型，并分析了其优缺点。最后，对藻类水华预警技术未来的发展方向进行了展望，提出了将各种监测手段和预测模型相结合，打造多层次、多角度的藻类水华监测体系，进一步提高预警准确率和时效性 。
引言
有害藻华（ HAB ）是一种自然现象，但随着人类活动的不断发展，近几年，湖泊、水库、海洋等水体中的有害水华频发。并且据有害藻类事件数据库（ HAEDAT ）统计，全球每年有超过 200 个国家和地区发生有害藻类水华，带来了一系列环境、社会和经济问题。而目前常用的除藻措施在大多数时间闲置，且存在运行成本高、藻类去除效率低、难以快速响应等缺点，因此，迫切需要安全、有效的藻类预警技术，为藻类水华的应急控制提供依据。目前的研究表明，藻华的爆发受到各种环境因素的影响，且与藻华的关系呈非线性关系。藻华预测模型的研究不断增多，从早期 Vollenweider （ 1975 ）提出的简单化静态模型到包含数十个生态变量的动态模型，模型的研究不断增多，预测精度不断提高。传统的统计模型在各种情况下通常表现不佳。因此，利用机器学习方法从复杂环境中提取关键特征并预测藻华发生趋势已成为研究热点。机器学习在藻华预警方面具有优势，包括非线性处理、特征提取、高维数据处理和数据驱动方法 。
图文导读
（
1
）影响藻华的环境因素
氮、磷是藻类生长的关键营养素和驱动因子，会影响藻类种群优势和基因表达。氮磷比例是影响优势藻类的关键因素。目前开发出了集成机器学习（ ML ）模型来识别湖泊关键的氮、磷源与预测总氮（ TN ）和总磷（ TP ）（图 1 ）。在适宜温度范围内 , 藻类新陈代谢和生长率加快 ; 而过高或过低 , 则会抑制藻类生长。温度变化会导致藻类组成变化。光强度和光谱成分影响藻类生长代谢、基因表达和叶绿素活性。光照季节变化也影响藻类生长。流速、水动力紊乱、剪应力等直接影响藻类生长。水位和流量间接影响营养物传播和光照分布。其他因素如 pH 、电导率、透明度等也具有一定影响 。
（
2
）水华的形成过程及监测方法
有研究者提出了蓝藻水华成因的四阶段理论假设——水华的形成可以分为休眠、复苏、生物量增加、上浮及聚集这 4 个阶段（如图 2 ），每个阶段的主要影响因子都不同。不同的监测方法可以用来捕捉藻类水华形成过程中的不同阶段和环境因子变化，从而提高对藻类水华的监测和预测能力。同时，对环境因子的准确监测也为预测模型提供了重要的输入数据，从而增强对藻类水华发生的理解和预测。传统现场监测用采样分析时间长、精度和实时性较差等缺点。遥感图像监测虽然监测范围广且可以检测藻华时空分布，具有预警应用价值，但对低藻密度情况效果较差（如图 3 ）。精确、敏感、特异性好的分子生物学监测方法又存在成本高、需专业设备的缺点。响应时间快、可以实时监测的传感器监测也有需要定期维护校准的不足 。
（ 3 ）水华预警模型
传统的藻类水华预测模型是基于数学和统计方法的应用，它从气象、水文、水质等多个影响水华的环境因子中建立预测模型。数学统计学方法在藻类水华预测模型中的应用主要包括时间序列分析、主成分分析（ PCA ）、自回归综合移动平均、线性回归等。文章统计了藻类水华预警传统模型，并简述了预测性能。机器学习模型可以通过对历史数据的学习和分析，建立藻类水华的预测模型，并对未来的水华发生进行预测。目前常用的机器学习算法包括支持向量机、决策树、随机森林、深度学习等，文中统计说明了这些算法不同的优劣点和适用范围。大多数 SVM 模型与传统模型相比已经实现了更高的精度，但它们经常遇到数据过度拟合问题。基于决策树的极限梯度提升（ XGBoost ）算法在数据稀缺的条件下准确率优于 SVM 。基于 ANN 的模型已经建立了全面的预测框架，并且与 SVM 模型等相比表现出更高的准确性 。
小结
藻类水华作为环境问题的重要组成部分，对水生态系统和人类健康产生了严重的影响。虽然在 藻类水华预警与监测方面取得了一些进展，如预警的环境指标不断增加、检测方法不断更新和预警模型不断发展，但要实现准确、快速、便捷的监测和预警仍存在一些挑战和待解决的问题。基于此，提出了几点水华预警技术的展望。首先，集成监测系统：利用各种检测工具的数据，结合物联网、云计算、机器人、混合现实等技术，实现数据共享和信息交换，提高预测和管理的效率和效果。其次，改进机器学习模型：机器学习模型在藻类水华预测方面有潜力，但也有不足。未来的研究应该整合多源数据和多尺度特征，优化和改进基于 SVM 、 DL 等算法的预测模型，降低计算复杂度和时间，实现大规模的现场应用。然后，改进监测技术和指标：为了监测和测量藻类水华及其影响，目前采用了遥感、现场监测、传感器监测、分子生物学监测等方法。但是，这些方法都有局限和挑战，如低精度、操作复杂、覆盖不足或成本高昂。因此，有必要改进现有的技术，探索新的检测技术和指标，为环境评估和管理提供更可靠、高效和全面的数据。最后，加强信息共享和国际合作：藻类水华问题具有全球性，需要国际合作和信息共享。建立一个国际共享的数据库，包括水质数据库、气象数据库等，以解决训练模型中数据获取难的问题。综上所述，未来的藻类水华预警技术研究应注重加大藻类监测系统的集成化，加强机器学习模型的改进和应用，持续改进监测技术和指标，并促进国际间的合作与信息共享。这些努力将有助于更好地预测和管理藻类水华，保护水环境的健康，并维护人类的福祉 。
本项目得到了湖南省自然科学基金项目、国家自然科学基金项目和湖南省教育厅项目的资助 。
作者简介
投稿 ： 湖南科技大学土木工程学院彭亚洲副教授和长沙理工大学水利与环境工程学院张伟博士 。 投稿、合作 、转载、进群，请添加小编微信Environmentor2020！环境人Environmentor是环境领 域 最大的学术公号 ，拥有 20 W+活跃读者 。由于微 信修改了推送规则，请大家将环境人Environmentor加为 星标 ，或每次看完后点击页面下端的 “赏” ，这样可以第一时间收到我们每日的推文！ 环境人Environmentor现有综合群、 期刊投稿群、基金申请群、留学申请群、各研究领域群等共20余个，欢迎大家加小编微信Environmentor2020，我们会尽快拉您进入对应的群。
往期推荐
ES&T主编/副主编：我的论文为啥未送审就被拒稿？
扫描二维码，快速入群~