一些钻研对多种DD建模技术在有害蓝藻水华预测中的机能和局限性进行了比力。有学者比力了12种DD建模技术，蕴含利用单一回归、ANN和DTs预测美国Cheney水库蓝藻细胞、微囊藻毒素和土臭素浓度。利用立体回归模型更好地再现了最大有害蓝藻水华的浓度，这也是水资源治理人员最感兴致的，由于细胞浓度最大值通常与最危险的情况有关。此表，支持向量机(SVM)、随机丛林步骤和Boosted树也阐发出优良的机能，在60000 cells.ml-1浓度以下，支持向量机步骤的均方根误差(RMSE)比力幼。在澳大利亚菲茨罗伊瀑布水库，比力ANN、DTs(极端随机树和模型树)和用多元回归预测功夫尺度为一周的蓝藻、绿藻和硅藻种群。凭据作者的说法，极端随机树步骤的阐发是最好的。有学者通过对ANN、SVM、回归树和随机丛林的比力，预测了中国密云水库藻类细胞密度和群落变动。随机丛林(DTs)在训练步骤中的阐发是最好的，而在使用缺失数据的测试中阐发欠安。对于这个案例，作者建议使用DTs，由于它们的阐发更好，只必要容易丈量的水质变量。
还能够结合DD建模技术来提高预报和预测机能。结合模型树和GP来预测以色列Kineret湖的有害蓝藻水华。模型阐发凭据所选状态变量的数量和类型在不休变动。作者思考了输入状态变量的靠得住性(或不确定性)和便于在选择最相宜的模型时丈量变量。
DD模型概述数据驱动模型通过多种统计技术被宽泛利用于有害蓝藻水华的预测。DD模型与PB模型相比的一个重要利益是它们对专业知识的要求较低，拥有发展优势。然而，对与有害蓝藻水华有关的潜在景象的认知理解能够利用于优化输入变量，进而提高DD模型的机能。由于DD模型强烈依赖于数据的可用性和质量，若是数据不匹配模型的主张，则模型机能可能受到严沉限度。此表，由于预测规定是齐全从数据中提取的，因而它们的预测机能通常仅限于观测数据的变动领域。DD模型的另一个局限是，并不是所有的输出(即预测规定和观察到的模式)都允许用户获得驱动有害蓝藻水华过程的因子；痪浠八，一些预测规定可注明数学模式，能够援手预测选定变量的值，但不足与有害蓝藻水华的直接或间接的物理原因。然而一些建模技术，如DTs、GPs和BNS可能提供预测规定，批注有害蓝藻水华与环境成分之间的因果关系，从而有助于根基的过程意识。在这个层面上，DD和PB模型都能够很好地相互补充地评估有害蓝藻水华。
监测和输入变量目前确定用于开发和验证有害蓝藻水华预测和预测模型的四种重要蓝藻监测步骤：显微镜、色素分析、原位荧光法和遥感(图2)。传统的监测蕴含显微镜和色素分析。显微镜用于通过专家目视来估算细胞浓度和生物体积，并允许通过状态特点进行物种分类。然而，这种微观评估是极度耗时且昂贵的，并且必要纯熟的专业人才。色素分析是指叶绿素a，也有时是通过尝试室定量提取的化学色素或其他光学活性化合物，而后进行光谱、色谱或荧光分析。叶绿素a是一种色素，存在于蕴含蓝藻在内的所有浮游植物群中，因而它不能评估分歧、不能分辨物种。通常必要人为取样和运输到尝试室分析，这会增长功夫和成本，也会影响了局。最新的监测技术是指原位荧光法和遥感技术。原位荧光法是一种光学步骤，通过特定的发射波长和激光波长来估计叶绿素a或藻蓝素(phycocyanin, PC)的色素浓度。光子吸收后细胞被引发，而后它们返回到原来的基引发状态。在返回过程中，能量较低的光子从细胞中发射并通过荧光发射丈量出来Ｄ芄辉诤中装置几个监测探头，提供高频数据(采样距离在秒和幼时之间)，这样的监测成本相对较低。然而，由于多个潜在的光滋扰，就必要在特定地址通过传统的采样进行持续的数据校准。在垂直剖面系统(VPS)中，叶绿素a和PC荧光探头能够与其他探头(例如丈量浊度或荧光溶化有机物)一路装置，提供整个水柱的实时数据。这一技术已被世界各地很多自来水公司选取，并成为大无数实时水质监测技术的步骤基础。由于PC重要是蓝藻特有的色素，它能够提供蓝藻群体的生物量、生物体积或细胞密度的估计值。然而它不能分辨蓝藻分歧物种。遥感监测依附蓝藻的光学个性，利用卫星多光谱传感器，无人机或飞机。哨兵3号是一个宽泛使用的观测卫星，该卫星的工作是支持多种环境的利用，如海面地形丈量、海洋和陆地表表、温度丈量、内陆水体监测、气象预报、水和地皮色彩丈量等。从观测卫星的图像中，已经获得了很多经验、半经验和分析算法来提取特定的频带，并估计水体整个表表的叶绿素a和PC。与传统的取样监测相比，该技术可以为用户提供低成本、高效能的有害蓝藻水华的空间信息，思考到已经部署的卫星和宽泛获取的卫星图像。然而，信息的质量取决于气象前提(例如云量会故障其利用)。遥感领域仅限于地面和近地下水域，还必要对具体地址进行校准。多(超)光谱信号不足足够空间和功夫分辨率的数据，也被以为是利用遥感技术预测有害蓝藻水华的关键限度。使用这种步骤对PC进行正确估计依然是一个挑战，这可能限度了它作为有害蓝藻水华模型中数据源的使用。有趣的是，即便遥感和原位荧光法可提供一个高的时空分辨率，低成本的解决规划，来估计湖泊的表表的叶绿素a或PC，但是很少有钻研将这两种监测技术结合起来。
数据质量是预报和预测模型机能的基础。因而，思考到监测的特殊性(例如，定量化步骤、采样频率、地址、功夫和深度等)至关沉要。评估分歧的蓝藻监测步骤是否会影响加拿大伊利湖有害蓝藻水华模型的机能。对于每一种监测步骤，有钻研者开发了一个加强的回归示范型来预测季节性和年度的蓝藻动态。对于每种监测技术来说，模型预测机能和所识此外有害蓝藻水华的驱动成分并不一样，这说了然监测步骤对模型的结构和正确性来说是极度沉要的？D预报模型，显微镜和色素分析技术是网络蓝藻数据最常用的步骤。这些技术迸撰光和遥感等新传感技术有更高的精准度，但依然拥有局限性。有钻研通过在显微镜分析前仅扭转采样量，评估了乌拉圭Salto Grande水库铜绿微囊藻的检测效能和预测精度。他们发现，样本量的增长显著提高了预测机能。
市场服务中心
总经办
微信扫一扫
