DOI: https://doi.org/10.1016/j.watres.2024.122553
PMID: https://pubmed.ncbi.nlm.nih.gov/39388977
تاريخ النشر: 2024-09-30
المؤلف: Claudia Fournier وآخرون
الموضوع الرئيسي: النظم البيئية البحرية والساحلية
نظرة عامة
تقدم ورقة البحث إطارًا للتنبؤ بانتشار الطحالب الزرقاء، التي تشكل تهديدات كبيرة لوظيفة النظام البيئي وجودة المياه، خاصة عندما تكون السلالات المنتجة للسموم شائعة. تستخدم الدراسة ست سنوات من البيانات الزمانية المكانية عالية التردد من مجسات متعددة المعلمات، مع التركيز على فلوروسين الفيكوسيانين (PC) كبديل لوجود الطحالب الزرقاء. تم تطوير طريقة غير مرتبطة بالمجسات لمعالجة البيانات، مما ينتج عنه سلاسل زمنية مخصصة للتنبؤ بالانتشار. تم تقييم ستة نماذج تنبؤية، بما في ذلك النسخ الذاتية والانحدار الخطي المتعدد (LR)، وغابة عشوائية (RF)، والشبكات العصبية الذاكرة طويلة الأمد قصيرة الأمد (LSTM)، عبر آفاق تنبؤية متنوعة من 4 إلى 28 يومًا.
تشير النتائج إلى أنه بينما تتفوق نماذج LR في التنبؤات قصيرة المدى (أقل من أسبوعين)، إلا أنها تفتقر إلى القدرات التنبؤية. على النقيض من ذلك، تظهر نماذج LSTM أداءً متفوقًا لآفاق التنبؤ الأطول (أكثر من أسبوعين)، حيث تحقق قيم R² تتجاوز 0.6 لتنبؤات تركيز PC ودقة تصل إلى 90% لمستوى الإنذار المقترح البالغ 10 ميكروغرام PC/L. علاوة على ذلك، أظهرت نموذج LSTM قيم مهارة إيجابية، مما يدل على فعاليتها في التنبؤ بالانتشار قبل 16 إلى 28 يومًا، خاصة عند استخدام كل من متغيرات PC ودرجة الحرارة كمدخلات. تؤكد هذه الدراسة على إمكانيات تقنيات النمذجة التنبؤية المتقدمة في إدارة المخاطر المرتبطة بانتشار الطحالب الزرقاء.
مقدمة
تناقش مقدمة ورقة البحث القلق المتزايد بشأن انتشار الطحالب الزرقاء في الأنظمة المائية، والتي يمكن أن تؤدي إلى تأثيرات بيئية واقتصادية كبيرة، بما في ذلك تغير لون المياه، وتعرض الأنشطة الترفيهية للخطر، ومخاطر صحية بسبب السموم الزرقاء. تم تحديد زيادة إثراء المغذيات وارتفاع درجات الحرارة الناتجة عن الأنشطة البشرية كعوامل رئيسية تسهم في انتشار هذه الطحالب، مما يشير إلى أن تكرارها وتوزيعها الجغرافي من المحتمل أن يتوسع في المستقبل. تشمل الاستراتيجيات الحالية لإدارة هذه الطحالب تدابير وقائية وتحكم متنوعة، ولكن الحاجة إلى أنظمة إنذار مبكر فعالة (EWS) للتنبؤ بحدوث الطحالب يتم التأكيد عليها.
تنتقد الورقة نماذج التنبؤ الحالية لانتشار الطحالب الزرقاء، مشيرة إلى مشكلات مثل الخصوصية للموقع، والاعتماد على القياسات السطحية، والاستخدام السائد للكلوروفيل أ (CHLA) كبديل لوجود الطحالب الزرقاء، والذي قد لا يعكس بدقة ديناميات الانتشار. تشير إلى أن المعلمات البديلة، مثل فلوروسين الفيكوسيانين (PC)، يمكن أن توفر رؤى أفضل. يقترح المؤلفون نظام إنذار مبكر جديد يستخدم نماذج غير مرتبطة بالموقع/النوع تم تدريبها على بيانات من مجسات متعددة المعلمات المثبتة على أجهزة قياس عمود المياه، مما يسمح بمراقبة شاملة لأنماط التوزيع العمودي. تشمل الطريقة المقترحة مقارنة تقنيات النمذجة المختلفة وتوظيف طريقة تقييم هجينة تدمج بين المقاييس الكمية والنوعية، بهدف تعزيز قوة وملاءمة التنبؤ بالانتشار في سيناريوهات العالم الحقيقي.
طرق
توضح قسم الطرق سير العمل المستخدم في الدراسة، كما هو موضح في المخطط 1. يعمل هذا سير العمل كإطار أساسي للأقسام الفرعية التالية، التي تقدم تفسيرات مفصلة للمواد والمنهجيات المستخدمة طوال البحث. يضمن النهج المنظم وضوح وإمكانية تكرار إجراءات الدراسة، مما يسهل فهمًا شاملاً لتصميم التجربة والتقنيات التحليلية المطبقة.
نتائج
في قسم النتائج، تقيم الدراسة الأداء التنبؤي لستة نماذج لتنبؤ مستويات الكلوروفيل للطحالب (PC) عبر آفاق متنوعة. تكشف التحليلات أن نموذج الانحدار الخطي (LR) أنتج باستمرار تنبؤات قريبة من القيم الفعلية، خاصة من حيث شكل الذروة وحجمها، على الرغم من أنه واجه صعوبة في دقة التوقيت، خاصة عند آفاق التنبؤ الأطول. على النقيض من ذلك، تفوق نموذج الغابة العشوائية (RF) في التوقيت والحجم للآفاق القصيرة ولكنه أدخل إيجابيات خاطئة وأخطاء في التوقيت للذروات اللاحقة. أدت إضافة متغيرات خارجية مثل الكلوروفيل أ (CHLA) ودرجة الحرارة (TEMP) إلى تحسين تنبؤات RF، على الرغم من أنه ظل أكثر تفاعلاً من كونه تنبؤيًا بعد أفق 2-3 أسابيع.
أظهر الشبكة العصبية الذاكرة طويلة الأمد قصيرة الأمد (LSTM) أفضل دقة عامة في التوقيت، حيث تتماشى الذروات المتوقعة مع فترات الانتشار الفعلية، على الرغم من تكلفة دقة الحجم. من الجدير بالذكر أن نموذج LSTM المتعدد المتغيرات حافظ على أداء ثابت عبر آفاق التنبؤ، حيث أظهر قيم خطأ متوسط مربع (MSE) وخطأ متوسط نسبي مطلق (MAPE) مستقرة، وحقق درجة مهارة إيجابية عند الآفاق الأطول. من حيث مقاييس التصنيف لتنبؤ مستويات الإنذار لقيم PC فوق 10 ميكروغرام/لتر، أظهرت جميع النماذج دقة تتراوح بين 70% و90%، مع الحفاظ على نموذج LSTM المتعدد المتغيرات على دقة حوالي 90% عبر جميع الآفاق. بشكل عام، بينما شهدت جميع النماذج انخفاضًا في الأداء مع تمديد آفاق التنبؤ، برز نموذج LSTM المتعدد المتغيرات لصلابته واستقراره في التنبؤات.
نقاش
يعمل خزان كوردا ديل بوزو في سوري، إسبانيا، لأغراض متعددة، بما في ذلك إمدادات المياه العامة وتوليد الطاقة الكهرومائية، ويتميز بأنه مفرط التغذية مع نظام أحادي الميقات. للتحقيق في ديناميات الطحالب الزرقاء وجودة المياه، تم نشر مجس متعدد المعلمات آليًا من يناير 2010 إلى نوفمبر 2015، حيث جمع أكثر من 50,000 قراءة للمعلمات مثل الكلوروفيل للطحالب (CHLA)، والفيكوسيانين (PC)، ودرجة حرارة المياه (TEMP). ركزت الدراسة على هذه المعلمات بسبب ارتباطها القوي مع الكتلة الحيوية للطحالب الزرقاء وسهولة قياسها آليًا، وهو أمر ضروري لتطوير نماذج تنبؤية. من الجدير بالذكر أنه تم ملاحظة انتشار كبير للطحالب الزرقاء بشكل أساسي في سبتمبر وأكتوبر، مع تسجيل مستويات فلوروسين مرتفعة بشكل خاص في أكتوبر 2010 و2013، dominated by potentially toxic genera.
شمل معالجة البيانات إنشاء مجموعات بيانات زمنية محسّنة لتنبؤ انتشار الطحالب الزرقاء، باستخدام تقنيات مثل الاستيفاء الخطي ثنائي الأبعاد لمعالجة القيم المفقودة وتعزيز تجانس البيانات. تم تدريب وتقييم نماذج تنبؤية متنوعة، بما في ذلك الانحدار الخطي (LR)، والغابة العشوائية (RF)، والشبكات العصبية الذاكرة طويلة الأمد قصيرة الأمد (LSTM). تم تقييم النماذج بناءً على قدرتها على التنبؤ بتركيزات PC، مع مقاييس الأداء التي تشمل خطأ متوسط نسبي مطلق (MAPE) ودرجة مهارة جديدة مقترحة (SS) لتقييم التحسينات على التنبؤات الأساسية. بالإضافة إلى ذلك، تم إنشاء نظام إنذار لتصنيف تركيزات PC فوق 10 ميكروغرام/لتر، بما يتماشى مع إرشادات منظمة الصحة العالمية. بشكل عام، تؤكد الدراسة على أهمية اختيار المعلمات الرئيسية وتقنيات النمذجة القوية للتنبؤ بفعالية بانتشار الطحالب الزرقاء في الأنظمة المائية.
DOI: https://doi.org/10.1016/j.watres.2024.122553
PMID: https://pubmed.ncbi.nlm.nih.gov/39388977
Publication Date: 2024-09-30
Author(s): Claudia Fournier et al.
Primary Topic: Marine and coastal ecosystems
Overview
The research paper presents a framework for forecasting cyanobacterial blooms, which pose significant threats to ecosystem function and water quality, particularly when toxin-producing strains are prevalent. The study utilizes six years of high-frequency spatio-temporal data from multiparametric probes, focusing on phycocyanin (PC) fluorescence as a proxy for cyanobacterial presence. A probe-agnostic method is developed for data preprocessing, generating time series specifically for bloom forecasting. Six predictive models, including autoregressive and multivariate versions of Linear Regression (LR), Random Forest (RF), and Long-Term Short-Term Memory (LSTM) neural networks, were evaluated across various forecasting horizons from 4 to 28 days.
The findings indicate that while LR models excel in short-term predictions (less than 2 weeks), they lack anticipatory capabilities. In contrast, LSTM models demonstrate superior performance for longer forecasting horizons (greater than 2 weeks), achieving R² values exceeding 0.6 for PC concentration predictions and accuracies up to 90% for the proposed alarm level of 10 µg PC/L. Furthermore, the LSTM model showed positive skill values, indicating its effectiveness in forecasting blooms 16 to 28 days in advance, particularly when utilizing both PC and temperature variables as inputs. This research underscores the potential of advanced predictive modeling techniques in managing the risks associated with cyanobacterial blooms.
Introduction
The introduction of the research paper discusses the growing concern of cyanobacterial blooms in aquatic systems, which can lead to significant ecological and economic impacts, including water discoloration, compromised recreational activities, and health risks due to cyanotoxins. The increase in nutrient over-enrichment and rising temperatures from anthropogenic activities are identified as key factors contributing to the proliferation of these blooms, suggesting that their frequency and geographical distribution will likely expand in the future. Current strategies to manage these blooms include various preventive and control measures, but the need for effective Early Warning Systems (EWS) to predict bloom occurrences is emphasized.
The paper critiques existing forecasting models for cyanobacterial blooms, highlighting issues such as site-specificity, reliance on surface measurements, and the predominant use of chlorophyll a (CHLA) as a proxy for cyanobacterial presence, which may not accurately reflect bloom dynamics. It notes that alternative parameters, like phycocyanin (PC) fluorescence, could provide better insights. The authors propose a novel EWS that utilizes non-site/species-specific models trained on data from multiparametric probes mounted on water column profilers, allowing for comprehensive monitoring of vertical distribution patterns. The proposed approach includes a comparison of various modeling techniques and employs a hybrid evaluation method that integrates both quantitative and qualitative metrics, aiming to enhance the robustness and applicability of bloom forecasting in real-world scenarios.
Methods
The methods section outlines the workflow utilized in the study, as illustrated in Scheme 1. This workflow serves as a foundational framework for the subsequent subsections, which provide detailed explanations of the materials and methodologies employed throughout the research. The structured approach ensures clarity and replicability of the study’s procedures, facilitating a comprehensive understanding of the experimental design and analytical techniques applied.
Results
In the results section, the study evaluates the predictive performance of six models for forecasting phytoplankton chlorophyll (PC) levels across various horizons. The analysis reveals that the linear regression (LR) model consistently produced predictions close to actual values, particularly in terms of peak shape and magnitude, though it struggled with timing accuracy, especially at longer forecasting horizons. In contrast, the random forest (RF) model excelled in timing and magnitude for short horizons but introduced false positives and timing errors for later peaks. The incorporation of exogenous variables like chlorophyll-a (CHLA) and temperature (TEMP) improved RF predictions, although it remained more reactive than predictive beyond a 2-3 week horizon.
The long short-term memory (LSTM) network demonstrated the best overall accuracy in timing, aligning predicted peaks with actual bloom periods, albeit at the cost of magnitude accuracy. Notably, the multivariate LSTM model maintained consistent performance across forecasting horizons, showing stable mean squared error (MSE) and mean absolute percentage error (MAPE) values, and achieving a positive skill score at longer horizons. In terms of classification metrics for predicting alarm levels of PC values above 10 μg/L, all models exhibited accuracies between 70% and 90%, with the multivariate LSTM maintaining around 90% accuracy across all horizons. Overall, while all models experienced a decline in performance with extended forecasting horizons, the multivariate LSTM stood out for its robustness and stability in predictions.
Discussion
The Cuerda del Pozo reservoir in Soria, Spain, serves multiple purposes, including public water supply and hydroelectric power generation, and is characterized as eutrophic with a monomictic regime. To investigate cyanobacterial dynamics and water quality, an automated multiparametric probe was deployed from January 2010 to November 2015, collecting over 50,000 readings of parameters such as phytoplankton chlorophyll (CHLA), phycocyanin (PC), and water temperature (TEMP). The study focused on these parameters due to their strong correlation with cyanobacterial biomass and their ease of automated measurement, which is essential for developing predictive models. Notably, significant cyanobacterial blooms were observed primarily in September and October, with particularly high fluorescence levels recorded in October 2010 and 2013, dominated by potentially toxic genera.
Data preprocessing involved creating time series datasets optimized for forecasting cyanobacterial blooms, employing techniques such as 2D linear interpolation to address missing values and enhance data homogeneity. Various forecasting models, including Linear Regression (LR), Random Forest (RF), and Long Short-Term Memory (LSTM) networks, were trained and evaluated. The models were assessed based on their ability to predict PC concentrations, with performance metrics including Mean Absolute Percentage Error (MAPE) and a newly proposed Skill Score (SS) to evaluate improvements over baseline predictions. Additionally, an alert system was established to classify PC concentrations above 10 µg/L, aligning with WHO guidelines. Overall, the study emphasizes the importance of selecting key parameters and robust modeling techniques to effectively forecast cyanobacterial blooms in aquatic systems.