使用叶绿素-a作为指标提升有害藻类繁殖预测:结合深度学习和EnKF数据同化方法
1Department of Agricultural Sciences, Clemson University, SC, 29634, USA.
Journal of environmental management
|April 20, 2025
概括
数据同化增强了用于预测有害藻类繁殖 (HABs) 的深度学习模型. 每天的数据同化显著提高了叶绿素a预测的准确性,这对于有效的HAB管理至关重要.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 海洋学 海洋学 海洋学
背景情况:
- 数据驱动的深度学习模型越来越多地用于有害藻类繁殖 (HAB) 的预测.
- 这些模型由于固有的结构和过程不确定性而面临局限性.
- 数据同化 (DA) 提供了一种方法,通过将观测与模型预测相结合来改进动态系统预测.
研究的目的:
- 引入和评估数据同化 (DA) 的应用,以增强HAB预测的深度学习模型.
- 评估不同同化频率对叶绿素a预测准确性的影响.
- 确定将新观测纳入HAB预测模型的最佳频率.
主要方法:
- 开发了100个长期短期记忆 (LSTM) 和封闭的循环单位 (GRU) 模型,用于一天前的叶绿素预测.
- 使用高频环境数据 (pH,温度,导电率,度,溶氧,ORP) 作为输入.
- 采用集成卡尔曼波器 (EnKF) 来同化叶绿素-a 观测结果,并探索各种同化频率.
主要成果:
- 与没有DA的模型相比,数据同化显著提高了叶绿素a预测的准确性.
- 每日同化产生了最低的RMSE:LSTM的0.02μg/l和GRU的0.03μg/l.
- 每月的同化导致RMSE显著更高:LSTM为3.59μg/l,GRU为3.63μg/l,这表明同化频率的重要性.
结论:
- 数据同化是一种可行的策略,可以提高基于深度学习的HAB监测模型的准确性和可靠性.
- 更高的同化频率,特别是每天,导致更精确的叶绿素-a预测.
- 结果为HAB预测模型提供了关于最佳数据整合频率的指导,支持有效管理.
