第八届青年地学论坛

生物因素与环境因素之间的高度非线性以及环境因素之间的多重共线性是多元机器学习模型不稳定的主因。本研究基于10年来在台湾海峡收集的近3000份浮游植物叶绿素a生物量及环境参数实测样本，将主成分分析（PCA）、广义加性模型（GAM）和人工神经网络模型（ANN）串联融合，并命名为PGA模型。该模型不仅能解决台湾海峡各种环境参数之间的共线性，还能有效拟合台湾海峡浮游植物生物量与各种环境参数间的线性和非线性关系，从而较准确的解析台湾海峡浮游植物生物量与环境参数间的定量关系。基于PGA模型，本研究考察了多种未来可能环境变化场景下浮游植物的响应，发现海水变暖或海洋酸化都将导致台湾海峡表层浮游植物平均叶绿素a浓度下降11.3%，而富营养化将使得叶绿素a浓度升高2.8%，三者的耦合将导致叶绿素a浓度下降18.3%。同时，本研究结果表明，由于共线性影响，基于原始变量的模型将高估各种环境变化对浮游植物的影响，且对海洋酸化的负面效应高估最明显。因此，以主成分为基础的串联模型对研究全球变暖、海洋酸化、富营养化等环境变化对海洋浮游植物的影响至关重要。

浮游植物；多重共线性；机器学习；主成分模型；全球变化