近日，厦门大学近海海洋环境科学国家重点实验室、新利体育海洋环境生态学研究组（CEG，黄邦钦教授领衔）以“Modeling of algal blooms: Advances, applications and prospects”为题，在国际海洋知名期刊《Ocean and Coastal Management》发表综述文章。该文较系统论述了模拟藻华过程的概念模型、经验统计模型和机理模型，重点梳理了三类模型的最新研究进展、在藻华机制探索和预测中的应用以及未来的发展趋势，为开展藻华特别是有害藻华的模拟和预测预警研究提供科学指导。
研究背景
藻华是海水中浮游植物突然性快速繁殖的一种自然现象。有害藻华（HABs）是指那些通过产生毒素或通过高生物量积累导致生态系统紊乱的藻华现象。有害藻华不仅会导致海洋生态系统的严重破坏，如水体缺氧、海草床破坏和海洋生物中毒，还会造成休闲设施、贝类和鱼类养殖业的经济损失，并对人类健康构成直接威胁。近年来，受气候变化和人类活动影响，全球范围内的有害藻华事件频发。因此，准确预测和预警藻华爆发对于保护海洋生态系统、保障养殖业经济利益和维护公共健康至关重要。
模型模拟是研究藻华生态过程的重要工具。随着数据的积累和深度学习等新技术的发展，面向藻华发生机制和预测预警的模型层出不穷，并逐渐优化，但缺乏系统的梳理和评估。该综述旨在系统总结现有的藻华模型，分析其应用和不足，强调在快速发展的技术背景下不断更新和优化藻华建模方法的重要性和必要性，从而更好应对藻华带来的生态和经济挑战。
综述内容
通过收集整合现有文献，该论文从概念模型、经验统计模型和机理模型三方面论述了藻华模型的研究进展和应用范围。
概念模型利用浮游植物对光、温度和营养盐等环境因素的响应来描述藻华种的栖息地、生活史、养分利用和防御策略等特征，如经典的Margalef's Mandala和新兴的生态位周期表等概念模型。这些模型旨在将藻华观测结果综合成系统的连贯描述，提供藻华物种适应环境的描述性解释或定性预测。
图1 经典概念模型Margalef's Mandala的更新过程
经验统计模型通过统计方法量化藻华强度、频率等指标与驱动因素的关系。除了提供像概念模型的描述性解释以外，经验统计模型可以根据观测数据对藻华的发生和规模进行较精确的定量化预测。这些统计方法包括传统的线性模型、广义线性模型，数据驱动的随机森林、人工神经网络等机器学习方法和卷积神经网络、循环神经网络等最新的深度学习方法。与传统统计模型相比，机器学习尤其是深度学习模型表现出更强大的预测能力，不仅提高了对藻华预测的准确性，还提高了预测的时效性。
图2 经验统计藻华模型示意图
机理模型使用一系列偏微分方程描述藻华物种的生命周期和行为策略，通过求解方程获得描述藻华动态的时间曲线。机理模型整合了海洋生态系统的生物地球化学过程，往往还耦合了物理过程。因此，通过详细的过程模拟提供了对藻华物理动力学和生态动力学的深入理解。
图3 机理模型从简单到复杂的示意图
最后，为了加强对藻华的模拟能力，该论文指出了未来藻华建模需要关注的重点方向：利用新兴观测技术加强浮游植物动态监测以为藻华建模提供充足的数据支撑；开发更加先进的算法提高机器学习和深度学习模型的预测性能和可解释性；优化机理模型中浮游植物生命周期和行为策略的参数化方案。
研究团队及资助
该论文第一作者为新利体育博士生王义冲，通讯作者为厦门大学肖武鹏副教授和陈纪新高级工程师，共同作者还包括我院博士生徐超、本科生林倩如、黄邦钦教授、陈能汪教授以及中山大学卢文芳副教授。该研究获国家自然科学基金项目（42141002、42276209和42130401）和福建省科技计划项目（2023Y4001）联合资助。
原文链接
Wang Yichong, Chao Xu, Qianru Lin, Wupeng Xiao*, Bangqin Huang, Wenfang Lu, Nengwang Chen & Jixin Chen*, Modeling of algal blooms: Advances, applications and prospects. Ocean & Coastal Management, 255, 107250, 2024.
https://doi.org/10.1016/j.ocecoaman.2024.107250
文、图｜海洋环境生态学研究组
责任编辑｜肖武鹏
排版 | 曾鹏
