Due to the occurrence of more frequent and widespread toxic cyanobacteria events, the ability to predict freshwater cyanobacteria harmful algal blooms (cyanoHAB) is of critical importance for the management of drinking and recreational waters. Lake system specific geographic variation of cyanoHABs has been reported, but regional and state level variation is infrequently examined. A spatio-temporal modeling approach can be applied, via the computationally efficient Integrated Nested Laplace Approximation (INLA), to high-risk cyanoHAB exceedance rates to explore spatio-temporal variations across statewide geographic scales. We explore the potential for using satellite-derived data and environmental determinants to develop a short-term forecasting tool for cyanobacteria presence at varying space-time domains for the state of Florida. Weekly cyanobacteria abundance data were obtained using Sentinel-3 Ocean Land Color Imagery (OLCI), for a period of May 2016–June 2019. Time and space varying covariates include surface water temperature, ambient temperature, precipitation, and lake geomorphology. The hierarchical Bayesian spatio-temporal modeling approach in R-INLA represents a potential forecasting tool useful for water managers and associated public health applications for predicting near future high-risk cyanoHAB occurrence given the spatio-temporal characteristics of these events in the recent past. This method is robust to missing data and unbalanced sampling between waterbodies, both common issues in water quality datasets.

中文翻译：

---

预测佛罗里达州高风险淡水蓝藻有害藻华的时空模型

由于发生更频繁和更广泛的有毒蓝藻事件，预测淡水蓝藻有害藻华 (cyanoHAB) 的能力对于饮用水和娱乐用水的管理至关重要。已报告了氰基HAB 的湖泊系统特定地理变化，但很少检查区域和州级变化。可以通过计算效率高的集成嵌套拉普拉斯近似 (INLA) 将时空建模方法应用于高风险的 cyanoHAB 超标率，以探索全州地理范围内的时空变化。我们探索了使用卫星数据和环境决定因素开发佛罗里达州不同时空域蓝藻存在的短期预测工具的潜力。使用 Sentinel-3 Ocean Land Color Imagery (OLCI) 获得了 2016 年 5 月至 2019 年 6 月期间的每周蓝藻丰度数据。时空变化协变量包括地表水温、环境温度、降水和湖泊地貌。R-INLA 中的分层贝叶斯时空建模方法代表了一种潜在的预测工具，可用于水管理人员和相关的公共卫生应用程序，用于预测近期高风险 cyanoHAB 的发生，鉴于这些事件在最近的时空特征。这种方法对于缺失数据和水体之间的不平衡采样具有鲁棒性，这两者都是水质数据集中的常见问题。时间和空间变化的协变量包括地表水温、环境温度、降水和湖泊地貌。R-INLA 中的分层贝叶斯时空建模方法代表了一种潜在的预测工具，可用于水管理人员和相关的公共卫生应用程序，用于预测近期高风险 cyanoHAB 的发生，鉴于这些事件在最近的时空特征。这种方法对于缺失数据和水体之间的不平衡采样具有鲁棒性，这两者都是水质数据集中的常见问题。时间和空间变化的协变量包括地表水温、环境温度、降水和湖泊地貌。R-INLA 中的分层贝叶斯时空建模方法代表了一种潜在的预测工具，可用于水管理人员和相关的公共卫生应用程序，用于预测近期高风险 cyanoHAB 的发生，鉴于这些事件在最近的时空特征。这种方法对于缺失数据和水体之间的不平衡采样具有鲁棒性，这两者都是水质数据集中的常见问题。R-INLA 中的分层贝叶斯时空建模方法代表了一种潜在的预测工具，可用于水管理人员和相关的公共卫生应用程序，用于预测近期高风险 cyanoHAB 的发生，鉴于这些事件在最近的时空特征。这种方法对于缺失数据和水体之间的不平衡采样具有鲁棒性，这两者都是水质数据集中的常见问题。R-INLA 中的分层贝叶斯时空建模方法代表了一种潜在的预测工具，可用于水管理人员和相关的公共卫生应用程序，用于预测近期高风险 cyanoHAB 的发生，鉴于这些事件在最近的时空特征。这种方法对于缺失数据和水体之间的不平衡采样具有鲁棒性，这两者都是水质数据集中的常见问题。