近日，厦门大学环境与生态学院、海洋生物地球化学全国重点实验室、福建台湾海峡海洋生态系统国家野外科学观测研究站（台海站）肖武鹏副教授团队在国际权威期刊 Limnology and Oceanography Letters 发表题为Novel sequential modeling framework improves phytoplankton biomass predictions in response to multiple environmental stressors的研究成果。该研究聚焦气候变化背景下浮游植物对多重环境胁迫（升温、酸化、富营养化）的响应预测难题，首次提出并验证了一种融合主成分分析（PCA）、广义加性模型（GAM）与人工神经网络（ANN）的串联建模框架（PGA），显著提升了浮游植物叶绿素生物量的预测精度，为定量研究海洋生态系统对多重环境变化的响应提供了新方法。

传统模型为何难以精准预测浮游植物变化？

模型“并联”难胜“串联”！

浮游植物是海洋初级生产的核心，其环境响应机制直接影响藻华预警、碳通量估算和高营养级生态系统的稳定性。然而，由于环境因子间普遍存在强共线性，且浮游植物对单因子及其交互作用的响应常呈高度非线性，传统线性模型和黑箱式机器学习方法往往难以全面捕捉这种复杂关系。

此外，以往研究多采用“模型并联”的策略（图1a），即并行构建多种模型并选取其中预测效果最好的结果，类似于电路中的“并联系统”——电流最终只从阻抗最小的路径通过，其余路径虽在却无实质作用。同样，并联建模看似集成，实则仅利用了单一模型的能力，未能充分融合各模型的优点。

为此，研究团队创新性提出“模型串联”思路（图1b），将主成分分析（PCA）、广义加性模型（GAM）与人工神经网络（ANN）依次连接，构建出PCA-GAM-ANN顺序建模框架，并命名为PGA模型。就像电流在串联电路中需连续通过多个电阻，PGA模型可逐层激活每种方法的优势：PCA降维以消除多重共线性，GAM拟合非线性生态响应，ANN进一步拟合残差并学习高阶交互结构，形成逻辑紧密的建模流程。

图1. 模型并联和串联示意图

多模型对比：

PGA模型在高生物量情境中表现最优

为验证该建模框架的适用性与优越性，研究团队系统评估了9种统计与机器学习模型在模拟台湾海峡浮游植物叶绿素生物量方面的预测性能。结果显示，PGA模型在整体精度上表现出色（R² = 0.66 ± 0.03），尤其在高生物量情境（如藻华）下具有显著优势，能够准确捕捉峰值浓度并有效降低过度预测误差。相比之下，另一融合模型 PCA-MLR-ANN 在低生物量状态下展现出更高稳定性，适合用于背景生态状态的基线建模（图2）。此外，PGA模型不仅有效重现了实际观测值的分布特征，还在空间分布模拟中展现出与实测数据高度一致的模式，为多胁迫情景下浮游植物生态响应模拟提供了可靠工具。

图2. 九种模型的统计信息

模拟未来胁迫：

富营养化增益难抵升温与酸化冲击

基于PGA模型，团队进一步模拟了未来升温（温度升高2℃）、酸化（pH下降0.2）与富营养化（营养盐翻倍）三种典型胁迫的单独及联合情景下浮游植物的响应路径。结果显示，尽管富营养化可引发2.8%的叶绿素升高，但在升温和酸化的背景下，其增益效应明显受限；三种胁迫联用时，生物量总体下降达18.3%。该结果不仅反映出浮游植物对多重环境胁迫的脆弱性，也表明在营养盐并非强限制因子的区域，营养盐的进一步增加难以缓解气候变化带来的生态风险。

图3. 模型预测不同未来海洋环境变化情景下

台湾海峡浮游植物叶绿素a的变化

研究团队及资助

该研究由我院博士生佟竺殷和郭嘉宇共同担任第一作者，肖武鹏为通讯作者。研究团队成员还包括我院博士生刘译锴、工程师林丽贞、高级工程师陈纪新，以及柳欣教授、黄邦钦教授和美国路易斯安那州立大学Edward Laws教授。该研究工作得到了国家自然科学基金（项目编号：42141002、42276209、42130401）和国家重点研发计划项目（项目编号：2022YFC3105302）的联合资助。

论文来源及链接

Tong, Z., Guo, J., Liu, Y., Lin, L., Chen, J., Liu, X., Huang, B., Laws, E.A. and Xiao, W. (2025), Novel sequential modeling framework improves phytoplankton biomass predictions in response to multiple environmental stressors. Limnol. Oceanogr. Lett.

https://doi.org/10.1002/lol2.70031

文、图｜佟竺殷

责任编辑 | 肖武鹏