文献分享 | WR：分层深度学习模型模拟门/纲/属水平的浮游植物和属水平的浮游动物

题目：Hierarchical deep learning model to simulate phytoplankton at phylum/class and genus levels and zooplankton at the genus level

杂志：Water Research

有害藻华已成为一个全球性问题，威胁着国家的公共卫生和水生态安全。由于环境监测的资金有限，模型开发可能是理解和管理水环境问题的替代方法。然而，提高模拟性能仍然是建模的主要挑战。传统的模拟方法在评价浮游植物和浮游动物之间的相互作用方面存在局限性。在本研究中，作者评估了深度学习（DL）在模拟浮游植物门/纲/属水平和浮游动物属水平上的适用性。主要研究工作是对DL模型结构的分类学和生态学层次的明确表示。该模型设计的前提是在分类和层次两个层次上收集数据。该模型由带分类转换(TF)的分层DL模型和回归TF模型组成。这些DL模型是分层连接；门/纲水平模型的输出转入属水平模拟模型，属水平模型的输出转入浮游动物模拟模型。分类TF模型确定浮游植物发生起始时间，回归TF模型量化浮游植物细胞浓度。分层DL显示出在门/纲和属水平上模拟浮游植物的潜力，其平均R ² 和平均标准误差值分别为0.42和0.83 [log(cell mL−1)]。所模拟的浮游生物结果与测量的浓度非常接近。模拟的蓝藻与测定的细胞浓度具有较好的一致性，R ² 为0.72。此外，模拟结果与观测结果吻合较好。然而，对于Tintinnopsis sp.和Bosmia sp.的时间变化仍然存在一定局限性。利用TF模型的热图，确定水温、总磷和总氮是影响浮游植物和浮游动物增殖的显著变量。这项研究表明，DL可以用于在门/纲和属水平上藻华模拟。

图 1 分类转换模型模拟门、纲和属水平浮游植物以及属水平浮游动物的结构：（A）分类转换结构，（B）具有水文气象、水质和目标数据的分层深度学习结构，（C ) 分类和回归转换器。

图 2 使用分层深度学习模型的门/纲浮游植物模拟结果：（A）蓝藻，（B）硅藻和（C）绿藻。线和圆圈分别表示模拟和观测结果。

图3 采用分层深度学习模型的浮游植物属级模拟结果：(A) Microcystis sp.，(B) Anabaena sp.，(C) Aulacoseira sp.，(D) Cyclotella sp.，(E) Pediastrum sp.，(F) Eudorina sp.。线和圆分别表示模拟和观测结果。蓝色、棕色和绿色分别表示浮游植物属于蓝藻、硅藻和绿藻。

图4 蓝藻 (A)、硅藻 (B) 和绿藻 (C) 的热图。x轴和y轴分别表示细胞浓度和变量值的分位数范围。颜色表示从最低(蓝色)到最高(红色)的重要程度。给定单元格中变量的值越大，表示其重要性越大。WT、DO、TN、TP分别为水温、溶解氧、总氮、总磷。

图5 Microcystis sp. (A.1), Anabaena sp. (A.2), Aulacoseira sp. (B.1), Cyclotella sp. (B.2), Pediastrum sp. (C.1), Eudorina sp. (C.2), Tintinnopsis sp. (D.1), 和Bosmina sp. (D.2).热图。x轴和y轴分别表示细胞浓度和变量值的分位数范围。颜色表示从最低(蓝色)到最高(红色)的重要程度。给定单元格中变量的值越大，表示其重要性越大。WT、DO、TN、TP分别为水温、溶解氧、总氮、总磷。

以往关于内陆水域藻类模拟大多集中在叶绿素a和蓝藻上，在浮游植物属水平的研究较少。本研究开发的深度学习模型显示了在门/纲/属水平上探索浮游植物并分析关键影响因子的潜力。研究在一定程度上可以推动藻华模拟的深入，但由于本身藻华发生机理的复杂性导致模型属水平的精度不高。要建立基于数据驱动的HAB建模系统，还需要对模型进行网络结构优化，同时引入反映生态相互作用(如竞争、捕食和共生)的模型结构。

文章信息

Baek S S, Jung E Y, Pyo J C, et al. Hierarchical deep learning model to simulate phytoplankton at phylum/class and genus levels and zooplankton at the genus level[J]. Water Research, 2022, 218: 118494.

DOI： https://doi.org/10.1016/j.watres.2022.118494

分享人介绍

郅晓沙，2020级博士生

研究方向：流域非点源污染与水环境修复

邮箱：

【 往期回顾 】