Integration von prozessbasierten und maschinellen Lernmodellen zur Vorhersage von Algenblüten mit hoher zeitlicher Auflösung in Flüssen mit spärlichen Überwachungsdaten

Die genaue Vorhersage von Algenblüten wird häufig durch das Fehlen hochfrequenter Wasserqualitätsdaten erschwert, da Feldmessungen typischerweise nur diskontinuierliche und spärliche Daten liefern. Während maschinelle Lernmodelle (ML) große Trainingsdatensätze benötigen und prozessbasierte Modelle umfangreiche Parametrisierung verlangen, entwickeln wir einen hybriden Rahmen, der die komplementären Stärken beider nutzt, um eine praktische Entscheidungsunterstützung zu bieten. Mithilfe des Random-Forest-Algorithmus identifizieren wir anhand spärlicher monatlicher Beobachtungen im Lam Tsuen River, Hongkong, die wichtigsten Treiber von Algenblüten. Anschließend rekonstruieren wir physikalisch konsistente tägliche Zeitreihen dieser Treiber mit dem Soil and Water Assessment Tool (SWAT). Ein ausschließlich auf diesen SWAT-rekonstruierten Eingaben trainiertes ML-Modell erzielt zuverlässige Chlorophyll-a-Vorhersagen (Test-R2 = 0,58, Kling-Gupta-Effizienz = 0,56, und Root-Mean-Square-Error = 0,109 μg/L), was zeigt, dass genaue tägliche Vorhersagen mit einem minimalen Variablensatz erreicht werden können. Diese Studie präsentiert einen sparsamen, übertragbaren Workflow, der begrenzte Überwachungsdaten in ein operatives Vorhersagetool umwandelt und so eine kosteneffiziente Steuerung von Algenblüten in datenarmen Einzugsgebieten ermöglicht.