التعلم العميق يحارب أزمة المد الأحمر البحري! اقترح مختبر نظم المعلومات الجغرافية بجامعة تشجيانغ نموذج ChloroFormer، الذي يمكنه توفير إنذار مبكر لانتشار الطحالب البحرية

في أغسطس/آب 2014، تلقى أكثر من 500 ألف من سكان مدينة توليدو بولاية أوهايو إشعارًا طارئًا من حكومة المدينة - حيث لم يُسمح لهم بشرب مياه الصنبور دون إذن!

الماء هو المصدر الأساسي لبقاء الإنسان. يُعد هذا الإشعار ذا أهمية كبيرة وأثار حالة من الذعر الشديد بعد صدوره. والسبب في ذلك هو في الواقع انتشار الطحالب الخضراء المزرقة على نطاق واسع في بحيرة إيري في الولايات المتحدة، مما أدى إلى تغطية سطح الماء بمليارات الطحالب وحيدة الخلية. اكتشفت شركتان محليتان لمعالجة المياه أن السموم المتراكمة في مياه البحيرة وصلت إلى مستويات خطيرة وأن جودة المياه لم تعد صالحة للشرب.

إن هذا الخلل البيئي الناجم عن انتشار الطحالب البحرية في ظل ظروف محددة هو ما يطلق عليه الناس في كثير من الأحيان المد الأحمر، والمعروف أيضًا باسم ازدهار الطحالب الضارة (HABs).ويقول الخبراء إن الطحالب الضارة تشكل تهديدا خطيرا للتوازن البيئي البحري والاقتصاد المحلي والصحة البشرية. وعلى وجه التحديد، يمكن لأعداد كبيرة من الطحالب المتجمعة على سطح البحر أن تشكل خطراً على بقاء الكائنات البحرية العميقة من خلال حجب أشعة الشمس وتقليل شفافية المياه. يمكن أن يلتصق المخاط الذي تفرزه هذه الكائنات أيضًا بخياشيم الأسماك، مما يسبب لها صعوبة في التنفس أو حتى الاختناق حتى الموت. علاوة على ذلك، عندما تكون مصادر مياه الشرب ملوثة، فإن السموم التي تسببها كائنات المد الأحمر سوف تنتقل إلى جسم الإنسان من خلال السلسلة الغذائية، وسوف تتأثر صحة الإنسان أيضًا بشكل خطير.

وهذا يوضح أهمية مراقبة الطحالب الضارة والتحذير منها ومنعها.وبشكل عام، يمكن استخدام تركيز الكلوروفيل أ (chl-a) كمؤشر رئيسي لتقييم ما إذا كانت طحالب الطحالب الضارة منتشرة على نطاق واسع.وسوف يؤثر التنبؤ الدقيق به بشكل مباشر على استراتيجيات الوقاية والسيطرة اللاحقة. في الوقت الحالي، حقق التعلم الآلي تقدمًا كبيرًا في التنبؤ بتركيزات CHL-A؛ ومع ذلك، لا يزال لديه بعض القصور في النمذجة الفعالة للأنماط الزمنية الديناميكية المعقدة والتعامل مع ضوضاء البيانات وعدم الموثوقية.

ردًا على ذلك، اقترح باحثون من مختبر نظم المعلومات الجغرافية بجامعة تشجيانغ نموذجًا جديدًا للتنبؤ بالتعلم العميق، ChloroFormer، والذي يجمع بين تحليل فورييه وشبكة المحولات العصبية ويتبنى بنية تحلل السلاسل الزمنية لتحسين دقة التنبؤ بتركيز chl-a بشكل فعال.بالإضافة إلى ذلك، أجرى الباحثون تجارب في منطقتين بحثيتين ساحليتين مختلفتين. وأظهرت النتائج أن النموذج المقترح لم يتفوق على نماذج المقارنة الستة الأخرى في دقة التنبؤ متعدد الخطوات فحسب، بل حافظ أيضًا على مزاياه النسبية في ظل ازدهار الطحالب الشديد والمتكرر.

نُشرت الدراسة، التي تحمل عنوان "تحسين التنبؤ بتركيز الكلوروفيل-أ في المياه الساحلية من خلال دمج تحليل فورييه وشبكات المحولات"، في مجلة أبحاث المياه.

أبرز الأبحاث:
* يتفوق نموذج التعلم العميق ChloroFormer على الخط الأساسي في كل من التوقعات قصيرة ومتوسطة المدى للكلوروفيل أ. 

* يتميز ChloroFormer بأداء جيد في التنبؤ بذروة الكلوروفيل بدقة عالية وملاءمة عالية لتوزيع البيانات المرصودة.

عنوان الورقة: 
https://doi.org/10.1016/j.watres.2024.122160 
اتبع الحساب الرسمي ورد على "ازدهار الطحالب الضارة" للحصول على ملف PDF كامل


يجمع المشروع المفتوح المصدر "awesome-ai4s" أكثر من مائة تفسير ورقي لـ AI4S ويوفر مجموعات وأدوات ضخمة من البيانات:
https://github.com/hyperai/awesome-ai4s

مجموعة البيانات: أخذ منطقة بحر تايتشو وميناء علاء واي كمثال

وقد اختارت هذه الدراسة مياه تايتشو بمقاطعة تشجيانغ وميناء علاء واي في جزيرة أواهو في هاواي كمناطق بحثية.تختلف الطحالب الضارة المزهرة في هذين الموقعين. ومن بين هذه المشاكل، تم استغلال مياه تايتشو بشكل مكثف للغاية من أجل التنمية الاقتصادية، مما أدى إلى تدفق كميات كبيرة من الملوثات العادمة، وتدهور جودة مياه البحر مما أدى إلى حدوث مد أحمر متكرر. باعتبارها مكانًا شهيرًا للقوارب واليخوت، فإن ميناء Ala Wai معرض لتكاثر الطحالب الضارة بسبب الأنشطة البشرية المختلفة مثل ركوب الأمواج والتجديف والإبحار والسباحة وصيد الأسماك.

على وجه التحديد، تتضمن بيانات منطقة بحر تايتشو TZ02 تركيزات الكلوروفيل-أ (chl-a) من 30 مايو 2014 إلى 29 يوليو 2021، والتي تتم مراقبتها على فترات كل ساعة. تغطي بيانات NSS002 لميناء Ala Wai تركيز الكلوروفيل-أ من 1 مارس 2013 إلى 26 يوليو 2018. تم جمع البيانات بواسطة أجهزة استشعار مراقبة جودة المياه على فترات زمنية مدتها 4 دقائق وتم حساب متوسطها على مدى 15 نقطة زمنية. علاوة على ذلك، تم تطبيع مجموعة البيانات وتحويل اللوغاريتم الطبيعي من أجل تقليل نطاق البيانات وتحسين دقة التنبؤ بالنموذج.

هندسة النموذج: التعايش بين الدورية والاتجاه، والتنبؤ متعدد الخطوات لتركيز الكلوروفيل-أ

اقترحت هذه الدراسة نموذج التعلم العميق، ChloroFormer، للتنبؤ بتركيز chl-a. يظهر إطار النموذج في الشكل أدناه:أولاً،يتم تحليل السلسلة الزمنية الأصلية إلى مكونات دورية (Periodic lnit) ومكونات اتجاه (Trend lnit) بطريقة المتوسط المتحرك، ويتم إجراء النمذجة بشكل منفصل.

ثانيًا،بالنسبة لمكون الاتجاه، استخدم الباحثون الشبكة العصبية المحولة وآلية الاهتمام الذاتي الخاصة بها لالتقاط التبعيات طويلة المدى. بالنسبة للمكونات الدورية، صمم الباحثون آلية انتباه تعتمد على تحليل فورييه المبني على شبكة المحول، بما في ذلك مرشحات التردد وآليات الانتباه الترددي، والتي يمكنها التقاط الأنماط الدورية في التردد بشكل أكثر فعالية.

أخيرا،قام الباحثون بدمج السلسلتين الفرعيتين النموذجيتين وربطهما مباشرة بنتائج التنبؤ متعددة الخطوات من خلال الإسقاط الخطي.

الاستنتاج التجريبي: يمكن التنبؤ بالديناميكيات الزمنية غير الثابتة للغاية لتركيز الكلوروفيل-أ

استخدم الباحثون نموذج ChloroFormer للتنبؤ بتركيزات الكلورو فلورو أ على المدى القصير والمتوسط. وتظهر النتائج في الشكل أدناه.في التنبؤ قصير المدى، يتمتع ChloroFormer بدقة أعلى من النماذج الأخرى المقارنة في كل من مناطق الدراسة، كما انخفض معدل الخطأ بشكل كبير.

كما هو موضح في الشكل أدناه،في التوقعات متوسطة المدى، لا يزال نموذج ChloroFormer يتفوق على النماذج الأخرى، على الرغم من انخفاض دقة التنبؤ الإجمالية.

بالإضافة إلى ذلك، قام الباحثون بمقارنة نتائج نماذج مختلفة تتنبأ بتركيزات الذروة من الكلوروفيل-أ في ظل ظروف ازدهار الطحالب المتكررة. كما هو موضح في الشكل أدناه، يتمتع ChloroFormer بدقة أعلى في التنبؤات قصيرة المدى، ولكن مع زيادة وقت التنبؤ، تنخفض دقة ChloroFormer في التنبؤات طويلة المدى. بشكل عام، بالمقارنة مع النماذج الأخرى،يتميز ChloroFormer بأداء جيد في التقاط اتجاهات السلسلة الزمنية ومطابقة النقاط المتطرفة بدقة، مما قد يوفر معلومات مهمة للتحذير المبكر من ازدهار الطحالب.

وأخيرًا، أثبتت هذه الدراسة أيضًا أن نتائج التنبؤ الخاصة بـ ChloroFormer متوافقة إلى حد كبير مع توزيع البيانات الفعلي الملحوظ من خلال اختبار Kolmogorov-Smirnov.يوضح هذا أن نموذج ChloroFormer قوي ويمكنه أن يعكس خصائص البيانات بدقة.ومن ناحية أخرى، وجد الباحثون أيضًا من خلال تحليل توزيع أوزان الاهتمام أن ChloroFormer يمكنه التقاط الأنماط الزمنية الرئيسية في مجموعات بيانات مختلفة.

باختصار، اقترحت هذه الدراسة نموذج التعلم العميق، ChloroFormer، الذي يدمج تقنية تحليل فورييه وشبكة المحول لتحسين دقة التنبؤ بتركيز الكلورو فلورو أ مع ديناميكيات زمنية غير ثابتة للغاية، وهو أداة موثوقة وفعالة من حيث التكلفة للتنبؤ بازدهار الطحالب الضارة في الإدارة البيئية.

بناء مستقبل أزرق بقوة العلم والتكنولوجيا

المحيط هو أكبر نظام لدعم الحياة على الأرض. إن حماية التنوع البيولوجي البحري هي حماية لمستقبلنا المشترك. ومع ذلك، مع التوسع المستمر في الأنشطة البشرية، تستمر الأزمات مثل تغير المناخ، والصيد الجائر، وتدمير الموائل، والتلوث في الظهور، ويواجه النظام البيئي البحري تحديات خطيرة. وردًا على ذلك، استجاب الباحثون في الداخل والخارج، متطلعين إلى بناء خط دفاع أزرق معًا.

في السنوات الأخيرة، ومع تراكم البيانات وتطوير تقنيات جديدة مثل التعلم العميق، استمرت الأبحاث المبتكرة في مجال حماية البيئة البحرية في الظهور.على سبيل المثال، كان فريق البحث في مختبر نظم المعلومات الجغرافية بجامعة تشجيانغ المذكور في هذه المقالة ملتزمًا منذ فترة طويلة بالاستكشاف والابتكار في مجال حماية البيئة البحرية.لقد قاموا بدمج التعلم الآلي مع منتجات الأقمار الصناعية لإجراء أبحاث معمقة حول التغيرات الديناميكية للغاية في الأكسجين المذاب في المحيط العالمي واستكشاف قوانين وأسباب نقص الأكسجين في المحيطات.

على وجه التحديد، قام الباحثون بتطوير إطار عمل شامل لنمذجة الأكسجين المذاب على سطح البحر العالمي DOsurface-Pred Framework وإنشاء مجموعة بيانات واسعة النطاق للأكسجين المذاب على سطح البحر SSDO بناءً على هذا الإطار. وتظهر النتائج أنه حتى في مناطق سطح البحر الغنية بالأكسجين، أظهرت مستويات الأكسجين المذاب اتجاها نحو الانخفاض، ويعزى هذا الانخفاض بشكل رئيسي إلى التغيرات في درجة حرارة سطح البحر.

مزيد من التفاصيل: تحليل نقص الأكسجين في المحيطات: يدمج مختبر نظم المعلومات الجغرافية بجامعة تشجيانغ التعلم الآلي ورسم الخرائط عبر الأقمار الصناعية لإصدار إطار عمل شامل للنمذجة للأكسجين المذاب على سطح البحر العالمي

بالإضافة إلى ذلك، قام فريق البحث من جامعة مونبلييه في فرنسا أيضًا بدمج نموذج الغابة العشوائية والشبكة العصبية الاصطناعية.توقعات مخاطر الانقراض لـ 4992 نوعًا من الأسماك البحرية التي تفتقر إلى البيانات أو لم يتم تقييمها. وتشير نتائج الدراسة إلى أن خطر انقراض الأسماك البحرية أكبر بكثير مما كان يُعتقد سابقًا. وفي المستقبل، يتعين علينا إيلاء المزيد من الاهتمام للأنواع التي تفتقر إلى البيانات والمناطق الساخنة الرئيسية لضمان استهداف جهود الحفظ اللاحقة ومعالجة القضايا الرئيسية. ومن خلال هذه الدراسة، لم يقم العلماء بسد فجوة البيانات في مجال الحفاظ على الأسماك البحرية فحسب، بل قدموا أيضًا وجهات نظر جديدة لتعديل أولويات الحفاظ العالمية.

إن نتائج هذه الأبحاث المتطورة تشبه النجوم التي تتجمع في مجرة رائعة لحماية المحيط. وفي المستقبل، لدينا سبب للاعتقاد بأنه بمشاركة المزيد من فرق البحث العلمي والهيئات الحكومية والمنظمات غير الحكومية والجمهور، ستصبح هذه المعركة لحماية البيئة البحرية أكثر قوة، وسنكون قادرين بالتأكيد على بناء خط دفاع قوي للبيئة البحرية.

مراجع:
https://dialogue.earth/zh/3/42441/
https://m.thepaper.cn/newsDetail_forward_4890474