Dekonstruktion Der Ozeanhypoxie: Das GIS-Labor Der Zhejiang-Universität Integriert Maschinelles Lernen Und Satellitenkartierung, Um Einen Umfassenden Modellierungsrahmen Für Den Gelösten Sauerstoff an Der Globalen Meeresoberfläche Zu Veröffentlichen

Vor vielen Jahren entdeckte der Meeresexperte Eric Prince beim Verfolgen von Fischmarken eine Anomalie: Blaue Marline tauchen im Südosten der USA normalerweise bis zu 800 Meter tief, um zu jagen, bewegen sich in den Gewässern Costa Ricas jedoch nur an der Meeresoberfläche.Warum hörte der Marlin, ein Tauchexperte, plötzlich auf zu tauchen?Eric Prince, ein langjähriger Schwertfischforscher, beschloss, diese Anomalie zu untersuchen.

Tatsächlich handelt es sich hierbei um eine Selbstschutzreaktion der Meeresorganismen angesichts der Veränderungen in der Meeresumwelt, und die Untersuchungen von Eric Prince haben die Öffentlichkeit noch stärker auf das dahinterstehende Phänomen der „Ozeanhypoxie“ aufmerksam gemacht.Gerade weil der Sauerstoffgehalt in den tiefen Gewässern Costa Ricas abnimmt und sich das sauerstoffarme Gebiet allmählich ausweitet, müssen sich die Marline an die Oberfläche bewegen, um nicht zu ersticken.

Gebiete, in denen eine große Zahl von Meereslebewesen aufgrund von Sauerstoffmangel ausgestorben ist, werden im Ozean üblicherweise als „Todeszonen“ bezeichnet.Tatsächlich hat die Sauerstoffarmut der Ozeane jedoch nicht nur negative Auswirkungen auf das Meeresleben selbst, sondern beeinträchtigt auch die Fischerei und sogar die Sozialökonomie.Angesichts der zunehmenden globalen Umweltprobleme wird die Hypoxie der Ozeane heutzutage immer schwerwiegender.

Im Jahr 2019 stellte die Weltnaturschutzunion (IUCN) in ihrem Bericht zur marinen Hypoxie fest, dass sich die derzeitigen Meeresgebiete mit niedriger Sauerstoffkonzentration ausdehnen. Verglichen mit den 45 hypoxischen Meeresgebieten in den 1960er Jahren gibt es heute mehr als 600 Gebiete, die von Sauerstoffmangel betroffen sind. Der Bericht stellt fest, dass im gleichen ZeitraumDie Menge an sauerstoffarmem Wasser in den Weltmeeren hat sich vervierfacht.

Um die Gesundheit der Meeresökosysteme besser zu erhalten und die Fischereiressourcen zu schützen, ist es von entscheidender Bedeutung, wissenschaftliche Messungen des gelösten Sauerstoffgehalts im Ozean durchzuführen.

Allerdings sind die Kosten für Feldbeobachtungen im Ozean derzeit hoch, die vorhandenen Beobachtungsdaten sind räumlich ungleichmäßig verteilt und die Methoden zur Messung der Konzentration von gelöstem Sauerstoff sind unterschiedlich, sodass auch die Qualität der erhaltenen Daten stark schwankt. All dies bringt gewisse Herausforderungen für die Untersuchung der Veränderungen des gelösten Sauerstoffgehalts in den Weltmeeren mit sich.

Als Reaktion darauf schlugen Forscher des GIS-Labors der Zhejiang-Universität eine neue Methode vor, die maschinelle Lerntechnologie mit Satellitenprodukten kombiniert.Es wurde ein umfassendes globales Modellierungsframework für gelösten Sauerstoff an der Meeresoberfläche (DOsurface-Pred Framework) entwickelt und auf Grundlage dieses Frameworks ein groß angelegter Datensatz für gelösten Sauerstoff an der Meeresoberfläche (SSDO) für den Zeitraum von 2010 bis 2018 erstellt.Die Ergebnisse zeigen, dass selbst in sauerstoffreichen Oberflächenbereichen der Gehalt an gelöstem Sauerstoff abnimmt und dieser Rückgang hauptsächlich auf Veränderungen der Meeresoberflächentemperatur (SST) zurückzuführen ist.

Forschungshighlights:

* Vorschlag eines umfassenden Modellierungsrahmens für den gelösten Sauerstoff an der globalen Meeresoberfläche

* Einführung des SHAP-Interpreters zur Identifizierung wichtiger Variablen und ihrer Auswirkungen auf die vorhergesagten Ergebnisse für gelösten Sauerstoff

* Hilft, die hochdynamischen Veränderungen des gelösten Sauerstoffs im globalen Ozean zu verstehen und die Gesetze und Ursachen der Sauerstoffentzugs zu erforschen

PapierstandortWebsite:
https://pubs.acs.org/doi/10.1021/acs.est.3c08833

SSDO-Datensatzadresse:
https://go.hyper.ai/BBlqA

Folgen Sie dem offiziellen Account und antworten Sie mit „gelöster Sauerstoff an der Meeresoberfläche“, um das vollständige PDF zu erhalten

Datensatz: Satelliten- + Feldmessdaten

Zu den in dieser Studie verwendeten Daten zählen Satellitendaten, Daten von Festschiffen und Feldmessungen mit Leitfähigkeitsmessgeräten.

Zu den Satellitendatensätzen gehören die Meeresoberflächentemperatur (SST), der Salzgehalt der Meeresoberfläche (SSS), Chlorophyll-a (Chl-a), der Meeresoberflächenwind (SSW) und die Meeresspiegelanomalie (SLA). Die SST-Daten stammen aus dem OISST-Datensatz, die SSS-Daten aus dem CCI-Projekt der Europäischen Weltraumorganisation (ESA), die Chl-a-Daten von den MODIS-Satelliten Aqua und Terra, die SSW-Daten aus der VAM-Methode in Kombination mit Mikrowellenwind- und Instrumentenbeobachtungen mehrerer Satelliten und plattformübergreifender Kalibrierung und die SLA-Daten aus dem AVISO-Projekt.

Messungen mit stationären Schiffen und Leitfähigkeitsmessgeräten vor Ort werden aus den Ocean Station Data (OSD) und der hochauflösenden Unterdatenbank Conductivity-Temperature-Depth (CTD) in der World Ocean Database (WOD) von 2018 gewonnen.

Die in dieser Studie verwendeten Feldmessdaten sind in der Abbildung dargestellt.Insgesamt gibt es 28.044 Datensätze, darunter 241 Datensätze aus dem Jahr 2019.

(a) Räumliche Verteilung der Feldmessdaten

(b) Zeitliche Verteilung der Feldmessdaten

(c) Datenverteilung verschiedener Messungen an Meeresstandorten

(d) Korrelationsmatrixanalyse zwischen sieben wichtigsten ozeanischen hydrologischen Variablen

Modellarchitektur: drei Hauptkomponenten des DOsurface-Pred-Frameworks

Die Forscher schlugen ein interpretierbares maschinelles Lernframework zum Einbetten räumlich-zeitlicher Informationen vor.Das Framework besteht aus drei Hauptteilen: Spatio-temporal Information Embedding Module, Backbone Regression Module und SHAP Explainer Module.

Teil I,Mithilfe mehrerer Satelliten- und Feldmessungen räumlich-zeitlicher Informationsdaten, nämlich Probe X_ich= {X_{ich räumlich},

X_{ich zeitlich}, X_{ich Satellit1}, ..., X_{ich Satellit n}} als Eingabe. Durch das Modul zur Einbettung räumlich-zeitlicher Informationen werden die Raum- und Monatsinformationen in Polarkoordinaten umgewandelt, und die konvertierten X^‘_ich={X^‘_{ich räumlich}, X^‘_{ich zeitlich}, X^‘_{ich Satellit1}, ..., X^‘_{ich Satellit n}} globale Darstellung.

Dann, X^‘_ich  wird an den zweiten Teil weitergegeben.Verschiedene Modelle wurden mithilfe einer mehrstufigen Gridsearch-Kreuzvalidierung ausgewertet.

Bei der obigen Tabelle handelt es sich um eine Leistungsbewertungstabelle für Backbone-Modelle.Die Leistung des DOsurface-Pred-Frameworks ist im Vergleich zu Modellen verbessert, die dieses Framework nicht verwenden.

Darüber hinaus übertrafen alle baumbasierten Modelle des maschinellen Lernens das Benchmark-Modell der multiplen linearen Regression. Diese Modelle sind in absteigender Reihenfolge ihrer Leistung wie folgt eingestuft: ET, RF, GBDT, XGBoost, MLP. In,Das ET-Modell schnitt bei allen Bewertungsindikatoren mit einem RMSE-Wert von 11,67 μmol/kg am besten ab. Das Modell verfügte über eine bessere Generalisierungsfähigkeit bei der Modellierung von gelöstem Sauerstoff (DO) und konnte das Überanpassungsphänomen des Modells reduzieren.

Im dritten TeilDie Forscher verwendeten die SHAP-Interpretierbarkeitsmethode, um die Auswirkungen von Stichprobenmerkmalswerten auf die Modellausgabeergebnisse zu bewerten. Durch diesen Rahmen werden Vorhersageergebnisse unter dem optimalen Modell generiert.

SHAP kann den Beitrag verschiedener Eigenwerte zu den Vorhersageergebnissen quantifizieren, wodurch die Modellausgabe leichter verständlich wird und so Schlüsselvariablen und ihre Auswirkungen auf die Vorhersageergebnisse für gelösten Sauerstoff identifiziert werden können.

Experimentelle Schlussfolgerung: SST ist der Hauptgrund für die Beeinflussung des gelösten Sauerstoffgehalts an der Meeresoberfläche

Mit dem DOsurface-Pred Framework lässt sich die globale Konzentration von gelöstem Sauerstoff an der Meeresoberfläche genau bestimmen.Auf der Grundlage dieses Rahmens erstellten die Forscher einen groß angelegten Datensatz zum gelösten Sauerstoff an der Meeresoberfläche für den Zeitraum 2010–2018 und nannten ihn das SSDO-Produkt.

(a,b) RMSE und Bias-Fehler (c,d) Gesamtunsicherheit und ihre Komponenten (M, R, P) in verschiedenen Jahren und Monaten

Um die vom optimalen Modell generierten Ergebnisse zu bewerten, führten die Forscher eine Unsicherheitsschätzung und eine räumlich-zeitliche Validierung durch.

Zunächst werden die Fehler und Unsicherheiten von SSDO-Produkten bewertet. Die experimentellen Ergebnisse zeigen, dass die drei Fehler (Messfehler M, Darstellungsfehler R und Vorhersagefehler P) zusammen die Gesamtunsicherheit verursachen.Die Gesamtunsicherheit wurde auf ±13,02 μmol/kg geschätzt.

(a) Streudichtediagramm der vorhergesagten und gemessenen PFL-Werte (b) Räumliche Standorte der übereinstimmenden PFL-Punkte, nummeriert entsprechend den unten angegebenen Diagrammnummern (ch) Zeitlicher Trend der Sauerstoffanomalie an jedem Standort, verglichen mit den gemessenen PFL-Anomaliewerten

Zweitens überprüften die Forscher die Genauigkeit und Zeitreihe des SSDO mithilfe eines unabhängigen Bojenmessdatensatzes.Die Ergebnisse zeigen, dass die Vorhersageergebnisse mit einem R²-Wert von 0,86 gut zur PFL-Datenbank passen.

Darüber hinaus führten die Forscher eine vergleichende Bewertung der Standorte langfristiger Bojenbeobachtungen in verschiedenen Meeresregionen durch.Die Ergebnisse zeigen, dass die Vorhersagen mit der räumlichen Variabilität und den anhand der Bojen gemessenen langfristigen Trends übereinstimmen.Diese Auswertungen validieren die Vorhersageergebnisse zuverlässig und helfen, ihre Anwendbarkeit in verschiedenen Szenarien zu analysieren.

Die Forscher führten auch eine statistische Analyse der SSDO-Produkte durch. Die Ergebnisse zeigen, dass die SSDO-Daten eine ähnliche räumliche Verteilung wie die WOD-Langzeitaufzeichnungsdaten aufweisen.Unter dem Einfluss der kontinuierlichen Ausdehnung der hypoxischen Zone ist auch der gelöste Sauerstoffgehalt an der Meeresoberfläche untersättigt. Sogar an der Meeresoberfläche, wo der gelöste Sauerstoff vollständig ausgetauscht ist, zeigt der gelöste Sauerstoff einen Abwärtstrend von durchschnittlich 0,22 μmol/kg pro Jahr.Darüber hinaus weist die jährliche Schwankung des gelösten Sauerstoffgehalts an der Meeresoberfläche eine Korrelation mit typischen Schwankungsphänomenen im Ozean auf.

(a) Bewertung des Einflusses globaler Merkmalsmittelwerte auf die Modellausgabe

(b) Bewerten Sie den Einfluss lokaler Merkmale auf die Modellausgabe

(c, d) Analyse der Auswirkungen von SST und SSS auf die Modellausgabe

(e,f) Räumliche Verteilung der Auswirkungen von SST- und SSS-Eigenschaften

Die Forscher verwendeten die SHAP-Interpretierbarkeitsmethode, um den Antriebsmechanismus von Ozeanfaktoren wie Temperatur und Salzgehalt auf den gelösten Sauerstoff an der Meeresoberfläche weiter aufzudecken. In,Temperatur (SST) und Salzgehalt (SSS) waren die wichtigsten bestimmenden Faktoren und zeigten einen negativen Einfluss auf den gelösten Sauerstoff, wobei SST den größten Einfluss auf den Gehalt an gelöstem Sauerstoff hatte.Diese Bewertung trägt dazu bei, die Zuverlässigkeit der Modellierung zu verbessern und liefert quantitative Ergebnisse erklärbarer Faktoren zur Erforschung der Veränderungen in der räumlich-zeitlichen Verteilung des gelösten Sauerstoffs im Ozean und der Ursachen der Sauerstoffarmut.

Zusammenfassend verwendeten die Forscher das DOsurface-Pred-Framework zur Generierung des SSDO-Datensatzes und führten die SHAP-Interpretierbarkeitsmethode ein.Es wurde bestätigt, dass der Gehalt an gelöstem Sauerstoff sogar in den sauerstoffreichen Meeresoberflächengebieten einen Abwärtstrend aufwies und dieser Rückgang hauptsächlich auf Änderungen der Meeresoberflächentemperaturen zurückzuführen war.

KI und der Ozean: Die Erforschung der unbekannten Geheimnisse der Tiefsee

Dan Laffoley, leitender Berater für Meereswissenschaften und Naturschutz beim Global Marine and Polar Program der IUCN, sagte einmal:„Die Konzentrationen von gelöstem Sauerstoff im Ozean nehmen weiter ab, was die Belastung der Meeresökosysteme, die bereits mit steigenden Temperaturen und Versauerung konfrontiert sind, noch weiter verschärft.“

Derzeit können eingehende Forschungen zum Phänomen der Ozeanhypoxie und Analysen der wichtigen Faktoren, die das Leben auf der Erde beeinflussen, nicht nur zu einer schnelleren Reduzierung der Kohlendioxidemissionen weltweit und in der gesamten Branche führen, sondern den Menschen auch zu einem genaueren Verständnis der Gründe für das Aussterben oder Überleben verschiedener Organismen verhelfen und ihnen ermöglichen, „die richtige Medizin zu verschreiben“.

In diesem Prozess wurden die Möglichkeiten neuer Technologien wie des Internets der Dinge und der künstlichen Intelligenz schrittweise stärker genutzt. Zusätzlich zu dem oben erwähnten Rahmen für die Analyse des gelösten Sauerstoffs in Seezeichen haben einige Wissenschaftler auch Untersuchungen zur Kontrolle von Meeresmüll, zum Schutz der Meeresbiodiversität und zu anderen Aspekten durchgeführt, die auf Meeresdaten wie Satellitenfernerkundung, Drohnen, Bojen, Sonar und Unterwasseroptik basieren.

Im Jahr 2019 beispielsweiseDas Umweltprogramm der Vereinten Nationen hat ein Gegenmaßnahmenprojekt namens CounterMEASURE gestartet, um die Plastikverschmutzung in den Flüssen Mekong und Ganges zu bekämpfen.Im Rahmen des Projekts wurden Drohnen zur Aufnahme von Luftbildern des Mekong-Beckens eingesetzt und ein Identifikations- und Überwachungsmodell entwickelt, um die Quellen und Wege von Plastikmüll im Mekong-Becken mit einer Genauigkeit von 83,9% zu lokalisieren.

Darüber hinaus ist The Ripper Group in AustralienWir haben außerdem ein Produkt entwickelt, das Drohnen und Bildverarbeitungstechnologie zur Haiidentifizierung nutzt.Dieses Produkt dient nicht nur dazu, Küstengebiete vor Störungen durch Haie zu schützen, sondern spielt auch eine wichtige Rolle beim Schutz der Hai-Ökologie.

Es stimmt, dass die hohen Kohlendioxidemissionen der Menschheit bereits schwerwiegende Auswirkungen auf das globale Klima und die ökologische Umwelt haben. Da hier das Leben auf der Erde seinen Ursprung hat, ist auch der Schutz der Meeresumwelt dringend erforderlich. Wir freuen uns darauf, dass KI-gesteuerte Umweltschutzmaßnahmen in naher Zukunft die Symptome und Ursachen bekämpfen und gleichzeitig die Wahrheit über den Anstieg der Meerestemperaturen und den Rückgang der gelösten Sauerstoffkonzentrationen ans Licht bringen und dem Ozean seine Klarheit von der Quelle aus zurückgeben können.

Quellen:
1.https://mp.weixin.qq.com/s/bUbYptqccBXC2T9dvkfOfA
2.https://www.cdstm.cn/gallery/hycx/qyzx/201909/t20190904_923957.html
3.http://www.cbcgdf.org/NewsShow/4854/10658.html