开发基于深度学习的特征流网络,从网络角度预测河流有害藻类的繁殖

科学领域:

• 环境科学 环境科学
• 水资源管理 水资源管理
• 生态建模 生态建模

背景情况:

• 全球有害藻类繁殖 (HAB) 正在增加,对水质和生态系统健康构成重大风险.
• 有效的管理需要预测模型,以捕捉HAB及其驱动器的复杂的时空动态.
• 当前的模型往往在多个地点的预测和在河流网络中整合各种环境因素方面扎.

研究的目的:

• 开发和验证一种新的特征流网络 (FSN) 模型,用于在河流网络中的多个地点每天预测蓝藻细菌的数量.
• 量化HAB与影响因素之间的时空关系,提高预测准确性和可解释性.
• 评估模型的性能和实用性,以告知HAB管理策略.

主要方法:

• 设计了一个特征流网络 (FSN) 模型,将河流区域作为指向非循环图中的节点来捕捉空间连接.
• 使用分段智能的节点连接结构和特征工程注意力混合机制来提取和传输隐藏的河流分段特征并处理时间不匹配.
• 该模型应用于南韩的Nakdong河,利用水文,环境和生物数据来预测蓝藻细菌的数量.

主要成果:

• 该FSN模型在多个地点展示了蓝藻细菌丰富度的高预测准确性,R平方值在0.64到0.71.7之间.
• 功能重要性分析显示,来自附近监测站点的数据显著影响了预测,突出显示了该模型捕捉空间层次结构的能力.
• 场景分析表明,减少总荷载和优化运营是缓解HAB的有效策略.

结论:

• 该FSN模型为河流网络中HAB的多站点,高分辨率预测提供了一个有效的框架,改进了现有的方法.
• 该模型为HAB的空间依赖性和关键驱动因素提供了宝贵的见解,有助于有针对性的管理干预.
• 该研究强调了先进的建模技术对主动水资源管理和减轻有害藻类繁殖影响的潜力.