通过浮游藻类指数（FAI）识别导致藻类群落过度生长的关键物种，对于制定针对性管理策略以控制藻华（ABs）至关重要。然而，当前大型水生生态系统中的藻类生物监测方法，要么受限于分类学分辨率不足，要么存在空间覆盖范围有限的问题。
为突破这些局限，本研究开发了一种基于环境DNA元条形码技术、遥感数据和水质参数的监督式机器学习方法，用于识别藻华关键物种并绘制其空间分布图。
结果表明梯度提升树模型具有高预测精度，在不同藻类分类群中平均绝对百分比误差（MAPE）仅为11.20%。该模型成功为34个藻类分类群生成空间分布图。通过模型输出与形态调查数据比对验证预测精度，发现75%物种存在显著正相关（斯皮尔曼相关系数0.366–0.709，p<0.05）。结合藻类分布空间图与FAI值的主成分回归分析，量化了不同区域各类藻类对群落结构的贡献。
研究发现，紫球藻目和盘藻目是推动鄱阳湖全域FAI变化的关键类群，其中有毒藻类紫球藻目在北部区域的影响力显著高于其他物种。
本研究提出了一种藻类动态的大尺度物种级模拟新框架，为更精准、更全面的藻华监测与管理提供了重要进展。
图1.用于构建不同浮游植物预测算法的采样图和工作流程。（a）研究区的采样图，根据栖息地类型将该区域划分为四个小区域（1-4区）以进行进一步分析。（b）算法构建的工作流程图。灰色箭头表示因子数据的输入。
