混合深度学习模型提升藻华短期预测精度

本研究由厦门大学肖武鹏副教授团队开发了一种新型混合深度学习模型（TAB），旨在提升藻华短期预测的精度。藻华暴发对水生态平衡和公共健康构成严重威胁，但由于其高度波动性和监测数据噪声大，精准预测极具挑战。传统机理模型和现有深度学习方法在预测精度和实时监测应用上存在局限。TAB模型结合了时序卷积网络、注意力机制和双向长短期记忆网络，并引入DILATE损失函数优化时间对齐和形态匹配，有效抑制了“复制历史”问题。通过SHAP算法识别关键环境因子并实现输入变量降维，提升了模型的可解释性和泛化能力。研究结果表明，TAB模型在1小时、12小时和24小时的预测中表现出较高的精度，R²分别达到0.91、0.78和0.74。该模型为藻华实时预警提供了高分辨率、精准度高的预测工具，支持水质管理部门提前采取干预措施，降低藻华暴发带来的生态和经济风险。