集成模型改善了对有害藻类繁殖和生物毒素风险的短期预测

科学领域:

• 海洋生态海洋生态学
• 环境科学 环境科学
• 计算生物学 计算生物学

背景情况:

• 有害藻类繁殖 (HAB) 威胁到海洋生态系统,水产养殖和人类健康,需要强有力的监测和预警系统.
• 目前的HAB预测模型面临着很高的不确定性,原因是影响花动态的物理和生物因素之间的复杂相互作用.
• 现有的风险评估依赖于监测和预期的风险水平,这对于动态的开花事件可能是不够的.

研究的目的:

• 评估组合模型对预测苏格兰有害藻类繁殖和相关毒素风险的有效性.
• 为了比较各种候选模型 (基于树的,神经网络,贝叶斯回归) 和堆叠组合模型的性能.
• 通过概率预测来增强苏格兰的海洋监测计划和预警系统.

主要方法:

• 采用了多种不同的候选模型,包括基于树的方法,神经网络和等级贝叶斯回归,以预测藻类密度和毒素度超过预定义的值.
• 利用了来自苏格兰 (2015-2022) 的公开可用的环境数据和监管监测数据,用于亚历山大种,Dinophysis spp.,Karenia mikimotoi,Pseudo-nitzschia spp.,domoic acid (DA),okadaic acid/dinophysistoxins/pectenotoxins (DSTs) 和麻贝类毒素 (PSTs).
• 开发了一个堆叠组合模型,使用候选模型的预测概率,并使用两年超出样本数据的五个指标验证了性能.

主要成果:

• 整体模型的表现始终优于单个候选和零模型,预测性能显著改善 (平均整体技能得分:0.499).
• 预测准确度因目标而异,DST的表现最好 (平均整体技能:0.747) 和K. mikimotoi的表现最差 (平均整体技能:0.334).
• 自行回归术语和区域时空模式被确定为关键预测因素,环境因素显示基于藻类密度或毒素度的条件影响.

结论:

• 集成建模为提高有害藻类繁殖和毒素风险预测的准确性和可靠性提供了明显的优势.
• 这些概率预测的运营实施可以显著提高海洋监测和预警系统.
• 这种方法有效地利用了各种现代建模技术,为更精确的HAB预测提供了强大的途径.