近日，中国科学院水生生物研究所毕永红团队联合德国卡尔斯鲁厄工学院，研发出基于大数据挖掘和深度学习的有害藻类水华预警系统。相关研究成果作为封面文章，发表在《环境科学与技术》（Environmental Science & Technology）上。该研究致力于创建高时间分辨率的水柱垂向维度有害藻华（HABs）早期预警系统，如创建大数据平台、采集高时空分辨率的水生态环境大数据、开发自主学习并能跨时间点聚类捕获Chl a动态的先进聚类算法、设计专门处理复杂多变量时间序列的预测模型等。具体工作以太湖为研究水域，构建高频垂直剖面监测系统（VAMS）进行水生态大数据采集，基于大数据开发了具有深度学习功能的Bloomformer-2模型，通过“DeepDPM-光谱聚类”和Bloomformer-2模型优化建模策略，智能识别水柱分层并进行不同水深藻类生物量的精确预测，将预测结果与世界卫生组织的“警戒级别框架”有机结合，构建了有害藻类水华的预警系统。该系统能够及时预测有害藻华的发生，并能够识别出藻华的主要驱动因子。这提高了藻华的预测能力以及预测模型的环境适应性，为藻华预警及防控提供了新的解决方案。Bloomformer-2模型具有时空多头自注意力机制。该机制使用时间和空间自注意力层的“查询”、“关键词”和“值”输出，综合了时间和空间维度。同时，优化这一机制，可更好进行多变量时间序列预测中的上下文学习。研究发现，利用时空多头自注意力机制，以识别和提取各种水生态环境参数间的时空相互关系，用于Chl a的精确预测。不同于传统方法，该模型为特定时间框架内的每个变量设置了独特的上下文优先级；利用基于Transformer的编码器-解码器架构，处理历史和目标数据生成的双时空序列，且整个过程包括并行双序列输入、时空嵌入、时空注意力和效率优化。为了阐明Bloomformer-2性能的稳健性，该研究使用LSTM作为比较模型；为了帮助识别和优化模型，使其在短期和长期预测中均可以提供准确预测结果，该研究进行单步预测和多步预测，更全面地评估模型在不同时间尺度上的表现和适用性，为不同预测需求提供支持。该研究证明了预测模型在单步和多步预测中的优越性，可以准确识别藻华动态的主要驱动因素，为提前采取预防措施提供了依据。此外，该系统利用大数据的5Vs特性，提高了数据采集的体积、速度、多样性及分析数据的价值，增强了早期预警系统的性能可靠性。未来，有望通过扩大VAMS监测网络和增加传感器进一步提升系统的大数据容量和应用范围，使其更广泛地应用于HABs监测和预警。论文链接