准确可靠地识别藻类生长的影响因素对于淡水资源的可持续利用和科学管理至关重要。 随着科学研究从小数据到大数据的转变，传统机器学习不适应大数据分析的需求，擅长处理大数据的深度学习逐渐受到关注。此前，深度学习偶尔被用于预测叶绿素-a (Chl-a) 的时间序列，但是几乎没有在识别藻类生长驱动因子中使用过。

为了填补这一空白，来自中国、德国和荷兰的跨国研究团队开发了一种基于深度学习的 Transformer 模型 ，Bloomformer-1，用于实现端到端的藻类生长驱动因子识别。

“尽管深度学习模型相比传统机器学习在运行透明度上稍显不足，但在性能上却展现出了显著优势，”该论文的第一作者 钱儆 说。 “我们开发'Bloomformer-1'的目标在于创造一种解释性和性能并存的双赢状况，使得藻类生长驱动因子能够透明且精准地被识别出来。”

钱儆以中国水生生物研究所和德国卡尔斯鲁厄理工学院联合培养博士生的身份开展了这项研究。

为了展示 Bloomformer-1 的卓越性能，研究团队将项目地点选在中国国家大型工程南水北调中线。它与四种广泛使用的传统机器学习模型进行了比较——极限树回归 (ETR)、梯度提升回归树 (GBRT)、支持向量回归 (SVR) 和多元线性回归 (MLR)——结果显示，Bloomformer-1的确定系数 R2 最高（0.80 至 0.94），均方根误差RMSE最低（0.22 至 0.43 μg/L）。

“Bloomformer-1 运用多头自注意力机制，将输入序列中的每个标记与其他标记进行比较，以收集并学习动态关联信息，从而能够透彻理解所有现场采样数据。这是其性能卓越的原因之一。”来自波茨坦大学的共同作者 Stefan Norra教授 说。

文章发表在KeAi期刊Water Biology & Security上，其结果表明，总磷（TP）是影响中线藻类生长驱动的最重要因素，尤其是在河南段，而总氮（TN）在河北段对藻类生长的影响最为显著。

“控磷减磷是控制藻类生长、维持南水北调中线水质稳定的重要策略，而河北地区则需要重点关注氮的控制。”该论文的通讯作者、中国科学院水生生物研究所毕永红研究员介绍说“此外，下一步的重要工作是将Bloomformer-1推广及应用到其他水体中。”

南水北调中线项目采样站点分布草图以及基于Bloomformer-1建模的藻类生长驱动因素结果示意图

© 钱儆，中国科学院水生生物研究所和德国卡尔斯鲁厄理工学院

🔗 WBS┃尾矿坝降低了上游鱼类的多样性和丰度

🔗WBS论文推荐┃濒危物种中华鲟的繁殖策略研究

🔗WBS论文推荐┃跨国合作揭开印太江豚种内高度

🔗【特刊征稿】WBS┃健康一体化——水生入侵物种、疾病和食品安全

🔗WBS | Water Biology and Security第一期正式上线！