文献总结 | WR:美国中西部和东北部暴发季藻类指标的大规模预测

文摘   2024-07-15 17:00   北京  

点击上方湖泊遥感与智慧流域关注我们

研究背景
RESEARCH BACKGROUND
暴发期的藻类生物量水平受到一系列季前(春季和初夏)因素的影响,然而,在内陆湖泊藻类暴发期之前,关于预期藻类状况的研究信息很少。确定季前变量用于预测,有助于管理有害藻类对公众健康构成的潜在威胁。
本研究利用LAGOS-NE数据集,从现有的网格数据集中确定了美国东北部和中西部178个湖泊的季前本地和全球暴发季节藻类指标的驱动因素。根据相关季前预测因子,为每个湖泊建立预报模型,来预测每个湖泊的藻类规模、严重程度和持续时间。
研究方法
1. 湖泊特征与选择

研究选取了美国东北部和中西部178个湖泊(1),藻类指标以Chla表示。LAGOS-NE汇集了来自美国中西部和东北部湖泊的Chla时间序列数据。从该数据集中获得湖泊表面的Chla测量值,测量范围从1982年到2013年,部分Chla时间序列被延长到2020年。

图1 美国东北部和中西部湖泊分布及Chla浓度时间变化分布

2. Chla指标

对Chla数据进行对数变换以创建高斯分布进行分析。且Chla往往在7月至10月达到峰值。基于峰值期数据在每个湖泊中计算3个叶绿素指标Chla规模、严重程度和持续时间。Chla规模是每个湖泊的平均Chla浓度;持续时间是Chla浓度高于阈值浓度的时间长度,这里使用的阈值浓度是基于“山区”和“平原”分别构建;严重程度是季节性Chla浓度峰值。严重性度量为超过所有历史Chla浓度的第95个百分位数的季节被归类为严重季节。

3. 预测变量选择

为了判断当地和全球水文气候变量是否与特定湖泊的Chla指标相关,研究评估了藻类暴发季前(3月至6月) 当地和全球水文气候变量与每个湖泊的Chla规模和持续时间的相关性(因严重程度指标可在此基础上判断,故相关性没有被独立评估)。除了确定当地和全球水文气候变量外,还分析了每个湖泊特定预测模型的变量。上述变量(表1)来自于现有的网格数据集,包括:总降水量、平均气温、平均土壤体积湿度、中西部(东北)和全球超过20 (40)mm的日降水事件总和以及海面异常温度。此外,研究还评估了季前Chla是否与藻类暴发季Chla指标相关。除极端事件外,所有指标均为3月至6月季节的平均值。对于每个湖泊,所有与Chla度量显著相关(P<0.05)的变量都被保留用于预测模型。

表1 与暴发期Chla指标相关的变量

4. 预测模型构建

每个湖泊均构建了两个预测模型:一个用于预测Chla规模(包括严重程度),另一个模型用于预测Chla持续时间。对于相关性分析中只有一个显著预测因子的湖泊,构建了该变量与Chla之间的简单线性回归模型。对于具有多个显著预测因子的湖泊,采用主成分分析方法建立预测模型。所有湖泊均单独计算,规模(包括严重程度)和持续时间亦是如此。

5. 模型性能评估

研究采用相关系数(R2)、均方根误差(RMSE)、排名概率技能分数(RPSS)和Heidke技能分数(HSS)四个指标来评估模型的性能。HSS和RPSS是分类性能的衡量标准,解释为比参考预测提高的百分比。对于Chla规模,每个湖泊的Chla浓度历史观测值分为四类,分别为低于正常、接近正常、高于正常和严重藻类条件。同样,根据平均持续时间,将持续时间的观测值分为两类,以表示预期低于正常条件和高于正常条件。
研究结果
1. 优势特征

如图2所示,对于Chla规模的预测模型中,3个最常保留的预测因子包括季前Chla、来自海温的PC1和极端事件。持续时间模型中最常用的预测因子包括季前Chla,以及基于海温的PC1和PC2。在Chla规模模型中,仅有7%的湖泊中同时存在该3个最常保留的预测因子。相比之下,87%的湖泊中包含该3种预测因子中的一种。在持续时间模型中,仅有2.5%的湖泊中同时存在该3个最常保留的预测因子。71%的湖泊中包含该3种预测因子中的一种。总之,在Chla规模和持续时间模型中,这3个预测因子几乎不出现在同一模型中,表明这受到湖泊的可变影响。

图2 与Chla规模和持续时间显著相关的每个预测因子在湖泊中的使用百分比

2. 模型性能

对于Chla规模预测模型,53%的湖泊采用简单线性回归(单一预测器),47%的湖泊采用主成分回归(PCR)。对所有湖泊进行交叉验证评估,平均R2值为0.28,平均RMSE为0.47。对于分类性能,这些模型还能较好地预测高于正常水平和低于正常水平的藻类生长状况(图3),RPSS值分别为0.39和0.30。但结果证明,严重事件难以预测,大约51%的Chla规模模型准确地预测了超过正常或严重的年份。

对于持续时间预测模型,78%的湖泊采用简单线性回归,22%的湖泊采用PCR预测。平均R2和RMSE分别为0.23和0.34;平均HSS和RPSS评分分别为0.39和0.42。87%的湖泊中高于正常的持续时间得到了正确的预测(图3)。

图3 每个预测类别占每个观测类别(所有湖泊)的比例

然而,东北区域的湖泊预测模型性能优于中西部湖泊模型(图4)。主要是考虑到东北和中西部模型的主要差异是海温网格数据的选择。东北海温数据相关区域比中西部海温数据相关区域更具高相关性,可能对湖泊过程的影响更大。

图4 Chla规模和持续时间预测模型在不同地区的平均性能比较

3. 区域特征差异

在本研究中尽管海温和季前Chla特征变量在Chla规模和持续时间上都是最常用的预测指标,但每种预测指标的重要性因区域而异(图5)。与季前Chla和海温相比,本文考虑的其他变量在预测大多数湖泊的藻类特征方面只能提供相对较低的性能。

图5 选择Chla、海温、两者都选或两者都不选的湖泊进行Chla规模预测

总结讨论
本文对美国东北部和中西部湖泊进行了藻类规模和持续时间的季节预测,以便在藻类生物量达到峰值之前为湖泊管理决策提供信息。研究中选取的预测变量中,全球海温和季前Chla是研究中最主要的预测变量,可以作为季节性藻类指标预测的理想候选因子。研究中的模拟方式可以较好的预测暴发期(7-10月)藻类的规模、持续时间和严重程度。

✎ 编者注

以上总结仅代表个人对论文的理解,仅供研究参考所用,不用于商业用途。若上述理解内容有误,请以论文原文为主。未经同意,禁止转载。


原文链接 ↓
https://doi.org/10.1016/j.watres.2022.119402

点击左下方 “阅读原文” 可下载论文原文。



团队介绍

湖泊遥感与智慧流域创新团队,主要围绕湖泊开展历史重构、现状观测和未来变化模拟等模型研制和应用实践工作,并在流域尺度开展大数据智慧管理平台研究,保障湖泊水质安全。团队拥有博士和硕士导师4人(段洪涛,罗菊花,刘东,谭振宇),可分别在中国科学院南京地理与湖泊研究所、西北大学以及南京信息工程大学(国科大南京学院联合培养)等招收博、硕士研究生,欢迎报考!同时,长期招收联合培养研究生,欢迎咨询!

联系人:段洪涛研究员,htduan@niglas.ac.cn

点击下方链接直接关注我们

科学前沿丨文献总结 | Nature Communications:全球河口三角洲悬浮沉积物呈现增加趋势
科学前沿丨文献总结 | RSE:全球140万个湖泊的表面水温观测和湖冰物候估算
科学前沿丨文献总结 | WR:过去二十年中国大型湖库水色演变特征
科学前沿丨文献总结 | Journal of Hydrology:松花江水体表层二氧化碳分压和水气交换通量遥感研究
团队成果 | JAG:基于摄像头RGB图像的蓝藻水华动态实时监测算法研究
团队成果 | 湖泊草藻不同群落遥感自动识别算法研究取得进展
团队动态 | 段洪涛研究员连续4年入选全球前2%科学家榜单
团队动态段洪涛研究员荣获朱李月华优秀教师奖

湖泊遥感与智慧流域
围绕“湖泊遥感与智慧流域”方向,介绍学科方向前沿,分享团队研究成果和动态,提供论文下载和数据共享等服务。版权所有 @ NN TEAM联合创新团队(NIGLAS & NWU Innovation Team)
 最新文章