اقترح فريق من جامعة هونج كونج للعلوم والتكنولوجيا نموذجًا للاستيفاء والتنبؤ المكاني الزمني لتشخيص صحة المياه العالمية، مما يتيح التنبؤ الدقيق بالتوزيع المكاني الزمني للكلوروفيل أ على طول المناطق الساحلية.

إن المدخلات الغذائية من الأرض والهيدروديناميكا النشطة تجعل المياه الساحلية واحدة من أكثر النظم البيئية البحرية إنتاجية في العالم، ولكنها تجلب أيضًا مخاطر محتملة مثل التغذية الزائدة الخطيرة ونقص الأكسجين.يعد التنبؤ بالتوزيع المكاني الزمني للكلوروفيل أ (Chl_a) وسيلة مهمة لتشخيص الحالة الصحية للنظم البيئية الساحلية.

ومع ذلك، لا تزال الأدوات الموجودة غير كافية لدعم الأساليب التحليلية القائمة على التنبؤ بالتوزيع المكاني الزمني للكلوروفيل أ.ومن بين هذه الطرق، تواجه طرق الاقتران الهيدروديناميكي الحيوي الكيميائي التقليدية صعوبة في تحليل انتقال العناصر الغذائية في النظم البيئية البحرية، كما يصعب دمج عوامل مثل تدفق الطاقة والكتلة الحيوية في الحساب؛ كما أن طرق التنبؤ القائمة على البيانات معرضة لتراكم الأخطاء في عملية التكامل الطويلة الأجل للأنظمة غير الخطية.

وعلى هذه الخلفية، قام فريق بحثي من جامعة هونج كونج للعلوم والتكنولوجيا بتطوير نموذج الاستيفاء والتنبؤ المكاني الزمني (STIMP) المعتمد على الذكاء الاصطناعي للتنبؤ بالكلوروفيل أ في المحيط الساحلي. يحل نموذج STIMP المشكلات الناجمة عن البيانات غير المكتملة والتغيرات الزمنية غير الثابتة والتباين المكاني من خلال دمج وحدات مصممة خصيصًا، مما يوفر نموذجًا جديدًا للتنبؤ بالكلوروفيل البحري في ظل القيود الزمنية والمكانية.

وقد نُشرت نتائج البحث ذات الصلة في مجلة Nature Communications تحت عنوان "نموذج الإسناد والتنبؤ المكاني الزمني".

أبرز الأبحاث:

* تطوير نموذج STIMP واقتراح بنية "الاستيفاء + التنبؤ" المكونة من مرحلتين للتخفيف بشكل فعال من مشاكل ارتفاع معدلات القياس المفقودة وفقدان الأنماط المكانية الزمنية، وتحديد كمية عدم اليقين في التنبؤ؛

* يدمج نموذج انتشار إزالة الضوضاء المكاني الزمني (STDDM)، والمحول الخطي الزمني (TLT)، والشبكة العصبية البيانية المكانية غير المتجانسة (HSGNN) لمعالجة التحديات الثلاثة الرئيسية للبيانات غير المكتملة، والتغيرات الزمنية غير الثابتة، والتباين المكاني؛

*أُجريت دراسات تجريبية في أربع مناطق نموذجية: مصب نهر اللؤلؤ، ومصب نهر اليانغتسي، وخليج المكسيك الشمالي، وخليج تشيسابيك، للتحقق من الفعالية العالمية لقدرة نموذج STIMP على التنبؤ بالتوزيع المكاني الزمني للكلوروفيل أ.

عنوان الورقة:

https://go.hyper.ai/BjOR5

تابع الحساب الرسمي ورد على "توزيع الكلوروفيل الساحلي" للحصول على ملف PDF كامل

مجموعة بيانات قياس الكلوروفيل MODIS

استخدمت هذه الدراسة مجموعة بيانات مُقاسة للكلوروفيل-أ من مياه هونغ كونغ، ومجموعة بيانات انعكاس الاستشعار عن بُعد من قمر "صن فلاور" الصناعي، وذلك لبناء نماذج انعكاس الكلوروفيل-أ على ثلاثة أعماق مختلفة. وقد نُشرت بيانات "موديس كلوروفيل-أ" المُستخدمة في الدراسة علنًا من خلال مشروع "موديس" (MODIS) Aqua، كما أن بيانات "موديس كلوروفيل-أ" المُعالجة متاحة على منصة Zenodo.

موقع زينودو:

https://doi.org/10.5281/zenodo.14638405

طريقة STIMP القائمة على التعلم العميق

استخدم فريق البحث أسلوبًا يعتمد على التعلم العميق لإدخال ملاحظات الكلوروفيل أ للمحيطات الساحلية وخريطة مكانية تحتوي على الإحداثيات الجغرافية للملاحظات في بنية STIMP للحصول على مجموعة بيانات كاملة للكلوروفيل أ، وبالتالي تقدير وتوقع الكلوروفيل أ في المحيطات الساحلية بدقة.

هندسة نموذج STIMP من مرحلتين

يقوم STIMP بتقسيم التنبؤ بالكلوروفيل أ إلى خطوتين متتاليتين: الاستيفاء والتنبؤ.خلال عملية الاستيفاء، استخدمت الدراسة وحدات تضمين مكانية زمنية لالتقاط البنية المكانية والديناميكيات الزمنية في وقت واحد، وإعادة بناء توزيعات الكلوروفيل أ المكانية الزمنية الكاملة المحتملة المتعددة من الملاحظات الجزئية؛ في خطوة التنبؤ، سوف يستخدم STIMP قواعد روبين بناءً على التوزيع المكاني الزمني المعاد بناؤه للكلوروفيل أ للحصول على قيمة التنبؤ النهائية للكلوروفيل أ من خلال حساب متوسط نتائج عمليات الاستيفاء والتنبؤ المتعددة.

ثلاث وحدات أساسية متكاملة لنموذج STIMP

يتيح التطور السريع لرصدات الاستشعار عن بُعد عبر الأقمار الصناعية فرصًا لتطوير أساليب تنبؤ زمانية مكانية واسعة النطاق، قائمة على البيانات، للكلوروفيل-أ. إلا أن هذا يطرح أيضًا تحديات، مثل عدم اكتمال البيانات، والتباين الزمني غير الثابت، والتباين المكاني. ولمعالجة هذه التحديات، صمم نموذج STIMP ثلاث وحدات متكاملة أساسية لتحقيق تنبؤ زماني مكاني للكلوروفيل-أ:

*  نموذج انتشار إزالة الضوضاء المكاني الزمنينموذج انتشار إزالة الضوضاء المكانية الزمنية (STDDM): يُطبّق هذا النموذج على دالة الاستيفاء، ويُعيد بناء التوزيع المكاني الزمني الكامل في ظلّ غياب كبير للبيانات خلال مرحلة الاستيفاء. تُحلّل هذه الوحدة المهام المعقدة إلى مهام أبسط، مما يُحسّن تدريجيًا نسبة الإشارة إلى الضوضاء لتحقيق الانتقال من الملاحظات غير المكتملة إلى البيانات الكاملة.

*  محول خطي زمنيالمحول الخطي الزمني (TLT): يُستخدم لالتقاط أنماط التباين الزمني غير الثابتة. يحسب تبعيات السلسلة الزمنية بأكملها من خلال آلية الانتباه الذاتي، مع الاحتفاظ بالمعلومات الأساسية حول التغيرات الديناميكية للكلوروفيل أ. ثم يحسب جميع عناصر السلسلة الزمنية لتسهيل فهم النمط الزمني للكلوروفيل أ.

*  الشبكات العصبية البيانية المكانية غير المتجانسةالشبكة العصبية البيانية المكانية غير المتجانسة (HSGNN): يعالج هذا النهج التباين المكاني ويستخدم مجموعة من المعلمات لتوليد معلمات خاصة بالموقع، وبالتالي ضمان الحساسية للاختلافات الإقليمية في البيئات الجغرافية المختلفة.

وتضمن هذه الوحدات الثلاث المتكاملة أن نموذج STIMP يمكنه تحقيق تقدير وتنبؤ قويين في مراحل الاستيفاء والتنبؤ في مواجهة البيانات غير المكتملة والديناميكيات الزمنية المعقدة والاختلافات المكانية الكبيرة.

التحقق من صحة أداء STIMP

أداء الاستيفاء المكاني الزمني لـ STIMP

توضح هذه الدراسة فعالية نموذج STIMP في الاستيفاء المكاني الزمني، مستخدمةً مصب نهر اللؤلؤ كمثال. اختار الباحثون بيانات رصدية من مصب نهر اللؤلؤ بأكمله في الفترة من 7 فبراير 2015 إلى 2 فبراير 2016، وأعادوا بناء توزيع الكلوروفيل أ باستخدام STIMP وطرق خط الأساس، بما في ذلك دالة الاستيفاء التجريبية المتعامدة للبيانات (DINEOF)، والمشفر التلقائي المقنع (MaskedAE)، والاستيفاء الخطي (Lin-ITP).

تظهر التجارب أنه عندما يصل متوسط معدل القياس المفقود في مصب نهر اللؤلؤ إلى 50.29%، فإن نموذج STIMP يقلل من متوسط الخطأ المطلق (MAE) بمقدار 45.90% إلى 77.35% مقارنةً بـ DINEOF في مهمة استيفاء مدتها عام واحد، ويقلله بشكل أكبر بمقدار 10.20% إلى 40.38% مقارنةً بأفضل نموذج ثاني. يحافظ STIMP بفعالية على العلاقات المكانية أثناء عملية الاستيفاء، مما يُنتج قيمًا أكبر قرب الساحل وقيمًا متشابهة في معظم المناطق. حتى مع ارتفاع معدل البيانات المفقودة، يُمكن لـ STIMP إعادة بناء البيانات كاملةً بفعالية.

علاوة على ذلك، يحافظ STIMP بفعالية على العلاقات الزمنية أثناء الاستيفاء. عند استيفاء خمسة مواقع فردية من 7 فبراير 2015 إلى 22 سبتمبر 2022، يتضمن STIMP تقلبات أكثر من الاستيفاء الخطي البسيط.

أثبتت الدراسة أيضًا فعالية نظام STIMP في المحيطات الساحلية حول العالم. ففي مصب نهر اليانغتسي، انخفض متوسط التأثير البيئي (MAE) لنظام STIMP بمقدار 68.311 طنًا مكافئًا (TP3T) ليصل إلى 90.921 طنًا مكافئًا (TP3T) مقارنةً بنظام DINEOF، وبمقدار 15.621 طنًا مكافئًا (TP3T) ليصل إلى 42.671 طنًا مكافئًا (TP3T) مقارنةً بأفضل طريقة قياس ذكاء اصطناعي. وفي شمال خليج المكسيك، انخفض متوسط التأثير البيئي (MAE) لنظام STIMP بمقدار 69.421 طنًا مكافئًا (TP3T) ليصل إلى 74.881 طنًا مكافئًا (TP3T) مقارنةً بنظام DINEOF؛ وفي خليج تشيسابيك، انخفض متوسط التأثير البيئي (MAE) لنظام STIMP بمقدار 62.081 طنًا مكافئًا (TP3T) ليصل إلى 75.631 طنًا مكافئًا (TP3T) مقارنةً بنظام DINEOF.بشكل عام، يمكن لـ STIMP الحفاظ على أداء مستقر في ظل ظروف معدل فقدان مختلفة ولا يزال بإمكانه إعادة بناء الهيكل المكاني الزمني الحقيقي في ظل معدل فقدان مرتفع.

أداء التنبؤ المكاني الزمني لـ STIMP

كما تحقق الباحثون من تفوق أداة STIMP في التنبؤ طويل المدى من خلال تجارب التنبؤ. وبالمقارنة مع طريقة خط الأساس، انخفض متوسط الخطأ المطلق (MAE) لأداة STIMP للتنبؤات السنوية بمقدار 6.541 TP3T ليصل إلى 13.681 TP3T، وللتنبؤات السنوية بمقدار 13.681 TP3T ليصل إلى 32.251 TP3T، وللتنبؤات الثلاثية بمقدار 13.771 TP3T ليصل إلى 32.011 TP3T، متفوقًا بذلك على أساليب التنبؤ الأخرى.

أيضًا،بعد ملء البيانات، تم تحسين تنبؤ STIMP للتوزيع بشكل كبير.في المناطق التي بها معدل مرتفع من البيانات المفقودة، تميل نتائج التنبؤ الخاصة بـ STIMP إلى التحسن بشكل أكبر من نتائج PredRNN، مما يثبت أن ملء البيانات قبل التنبؤ يساعد STIMP على التقاط التوزيع المكاني والإشارات الموسمية للكلوروفيل أ بشكل فعال.

باستخدام مصب نهر اللؤلؤ كمثال، يُحسّن نموذج STIMP متوسط الخطأ المتوقع (MAE) بشكل ملحوظ مقارنةً بالنموذج العددي CMOMS وطريقة التعلم العميق PredRNN. بالنسبة للتنبؤات السنوية، ينخفض متوسط الخطأ المتوقع بمقدار 6.541 TP3T ليصل إلى 13.681 TP3T، وبالنسبة للتنبؤات السنوية بمقدار 13.681 TP3T، وبالنسبة للتنبؤات الثلاثية بمقدار 13.771 TP3T ليصل إلى 32.011 TP3T. في كل موقع، يُحقق نموذج STIMP تحسينات في متوسط الخطأ المتوقع تصل إلى 53.781 TP3T مقارنةً بنموذج CMOMS، من 74.631 TP3T، وبمقدار 1.831 TP3T مقارنةً بنموذج PredRNN، من 30.281 TP3T.

وفي مصب نهر اليانغتسي، وخليج المكسيك الشمالي، وخليج تشيسابيك، أظهر أداء التنبؤ الشامل لـ STIMP أيضًا تحسنًا كبيرًا مقارنةً بطريقة PredRNN، ويمكنها الحفاظ بشكل أفضل على دورية البيانات.بشكل عام، يوضح STIMP فعالية ومتانة بنيته المكونة من مرحلتين في التعامل مع بيانات المراقبة المكانية الزمنية غير المكتملة.

فريق بحثي متعدد التخصصات في مشروع "AI+Ocean"

وتغطي اهتمامات البحث للفريق الذي يقوده يانغ كان وجان جيان بينج من جامعة هونج كونج للعلوم والتكنولوجيا مجالات متعددة بما في ذلك الرياضيات والإحصاء والذكاء الاصطناعي وعلم المحيطات الفيزيائية.

من بينهم، يانغ كان، أستاذ الرياضيات في جامعة هونغ كونغ للعلوم والتكنولوجيا ونائب مدير مختبر الذكاء الحيوي للبيانات الضخمة، مُكرّسٌ لأبحاثٍ مبتكرة في منهجيات التعلم الإحصائي والذكاء الاصطناعي، مُركزًا على تطبيق أحدث الأساليب، مثل التعلم العميق والنماذج التوليدية والشبكات العصبية البيانية، في نمذجة البيانات المعقدة عالية الأبعاد والتنبؤ بها. في السنوات الأخيرة، وسّع نطاق بحثه ليشمل علوم البحار والصحة العامة، مُشجّعًا بنشاطٍ على البحوث متعددة التخصصات في مجال "الذكاء الاصطناعي والمحيطات". في السابق، طوّر فريق يانغ كان أدوات تحليل BOOST/GBOOST المُسرّعة لـ GWAS، واقترح طريقةً للتنبؤ بمخاطر النمط الظاهري المتعدد لـ LEP، وصمّم إطار عمل VGrow التوليدي لتسهيل ترجمة البيانات الجينية إلى ملامح الوجه لدى السكان غير الأوروبيين والأمريكيين.

لطالما التزم جان جيان بينغ، أستاذ كرسي ورئيس قسم علوم المحيطات في جامعة هونغ كونغ للعلوم والتكنولوجيا، بدراسة ديناميكيات دوران المحيطات القريبة من الشاطئ والجرف وعمليات اقترانها بالنظم البيئية، مع التركيز على مجالات بحثية مثل الصحة البيئية الساحلية ومكافحة التلوث والتنمية المستدامة للمناخ الإقليمي. في مجال علم المحيطات الفيزيائي، طور فريق جان جيان بينغ منصة التوأم الرقمي الإقليمي للمحيطات WavyOcean 2.0، التي يمكنها دمج محاكاة عمليات المحيطات ونظم المعلومات الجغرافية ونمذجة معلومات المباني وتقنيات التوأم الرقمي لتحقيق نمذجة مقترنة ثلاثية الأبعاد لنظام المحيط والأرض والغلاف الجوي، مما يدعم التصور الديناميكي والتحليل التفاعلي لتدفقات المحيطات والتطور البيوكيميائي وهطول الأمطار وانتشار التلوث، ويغطي منطقة خليج المكسيك الكبرى وساحل الصين. من خلال الملاحظات الميدانية ومحاكاة النماذج، كشف الفريق لأول مرة أن منطقة بحر الصين الجنوبي لديها بنية دوران ثنائية الطبقات تدور بالتناوب، مما يصحح الانحرافات الهيكلية لنماذج المحيطات السابقة.

مراجع:

1.https://pubs.acs.org/doi/10.1021/cr300014x

احصل على أوراق بحثية عالية الجودة ومقالات تفسيرية متعمقة في مجال AI4S من عام 2023 إلى عام 2024 بنقرة واحدة⬇️