Deep Learning Bekämpft Die Rote Flut Im Meer! Das GIS-Labor Der Zhejiang-Universität Hat Das ChloroFormer-Modell Vorgeschlagen, Das Frühzeitig Vor Dem Ausbruch Von Meeresalgen Warnen Kann

Im August 2014 erhielten über 500.000 Einwohner von Toledo im Bundesstaat Ohio plötzlich eine Notverordnung der Stadtverwaltung: Sie durften ohne Genehmigung kein Leitungswasser trinken!

Wasser ist die Grundversorgung für das Überleben der Menschheit. Diese Mitteilung ist von großer Bedeutung und löste nach ihrer Veröffentlichung erhebliche Panik aus. Grund dafür ist eine großflächige Ausbreitung von Blaualgen im Eriesee in den USA, die die Wasseroberfläche mit Milliarden einzelliger Algen überziehen. Zwei örtliche Wasseraufbereitungsunternehmen stellten fest, dass die im Seewasser angesammelten Giftstoffe gefährliche Werte erreicht hatten und die Wasserqualität nicht mehr zum Trinken geeignet war.

Diese ökologische Anomalie, die durch das Auftreten von Meeresalgen unter bestimmten Bedingungen verursacht wird, wird oft als Rote Flut oder auch als schädliche Algenblüte bezeichnet.Experten zufolge stellen schädliche Algenblüten eine ernsthafte Bedrohung für das ökologische Gleichgewicht der Meere, die lokale Wirtschaft und die menschliche Gesundheit dar. Insbesondere große Mengen an Algen, die sich auf der Meeresoberfläche ansammeln, können das Überleben von Tiefseelebewesen gefährden, indem sie das Sonnenlicht blockieren und die Wassertransparenz verringern. Der von diesen Organismen abgesonderte Schleim kann außerdem an den Kiemen der Fische haften bleiben und zu Atembeschwerden oder sogar zum Ersticken führen. Darüber hinaus gelangen bei der Verschmutzung von Trinkwasserquellen die von den Organismen der Roten Flut verursachten Giftstoffe über die Nahrungskette in den menschlichen Körper und beeinträchtigen auch die menschliche Gesundheit erheblich.

Dies zeigt, wie wichtig es ist, schädliche Algenblüten zu beobachten, davor zu warnen und ihnen vorzubeugen.Generell kann die Konzentration von Chlorophyll a (Chl-a) als wichtiger Indikator zur Beurteilung der Ausbreitung von HABs verwendet werden.Seine genaue Vorhersage wird sich direkt auf nachfolgende Präventions- und Kontrollstrategien auswirken. Derzeit wurden mithilfe des maschinellen Lernens erhebliche Fortschritte bei der Vorhersage von CHL-A-Konzentrationen erzielt. Allerdings weist es immer noch Defizite bei der effektiven Modellierung komplexer dynamischer zeitlicher Muster und beim Umgang mit Datenrauschen und Unzuverlässigkeit auf.

Als Reaktion darauf schlugen Forscher des GIS-Labors der Zhejiang-Universität ein neues Deep-Learning-Vorhersagemodell namens ChloroFormer vor, das Fourieranalyse und Transformer-Neuralnetzwerk kombiniert und eine Zeitreihenzerlegungsarchitektur anwendet, um die Genauigkeit der Chl-A-Konzentrationsvorhersage effektiv zu verbessern.Darüber hinaus führten die Forscher Experimente in zwei verschiedenen Küstenforschungsgebieten durch. Die Ergebnisse zeigten, dass das vorgeschlagene Modell nicht nur die anderen sechs Vergleichsmodelle hinsichtlich der Genauigkeit der mehrstufigen Vorhersage übertraf, sondern auch seine relativen Vorteile bei extremen und häufigen Algenblüten beibehielt.

Die Studie mit dem Titel „Verbesserte Vorhersage der Chlorophyll-a-Konzentration in Küstengewässern durch Integration von Fourieranalyse und Transformatornetzwerken“ wurde in Water Research veröffentlicht.

Forschungshighlights:
* Das Deep-Learning-Modell ChloroFormer übertrifft die Basislinie sowohl bei kurzfristigen als auch bei mittelfristigen Vorhersagen von Chlorophyll a. 

* ChloroFormer liefert eine gute Vorhersage des Chlorophyll-a-Peaks mit hoher Genauigkeit und einer hohen Anpassungsgüte an die beobachtete Datenverteilung.

Papieradresse: 
https://doi.org/10.1016/j.watres.2024.122160 
Folgen Sie dem offiziellen Account und antworten Sie mit „Harmful Algal Bloom“, um das vollständige PDF zu erhalten


Das Open-Source-Projekt „awesome-ai4s“ vereint mehr als 100 AI4S-Papierinterpretationen und stellt umfangreiche Datensätze und Tools bereit:
https://github.com/hyperai/awesome-ai4s

Datensatz: Am Beispiel des Taizhou-Seegebiets und des Hafens Ala Wai

Für diese Studie wurden die Gewässer von Taizhou in der Provinz Zhejiang und der Hafen Ala Wai auf der Insel Oahu, Hawaii, als Forschungsgebiete ausgewählt.Die schädlichen Algenblüten an diesen beiden Standorten sind unterschiedlich. Unter anderem wurden die Gewässer von Taizhou für die wirtschaftliche Entwicklung übermäßig intensiv genutzt, wodurch große Mengen an Schadstoffen ins Meer gelangten und die Qualität des Meerwassers immer schlechter wurde, was häufig zu Roten Fluten führte. Als beliebter Ort für Boots- und Segelsport ist der Ala Wai Harbor aufgrund verschiedener menschlicher Aktivitäten wie Surfen, Rudern, Segeln, Schwimmen und Angeln anfällig für HABs.

Insbesondere umfassen die Daten TZ02 zum Seegebiet von Taizhou die Chlorophyll-a-Konzentrationen (Chl-a) vom 30. Mai 2014 bis zum 29. Juli 2021, die in stündlichen Abständen überwacht werden. Die Daten NSS002 für den Hafen von Ala Wai decken die Chl-a-Konzentration vom 1. März 2013 bis zum 26. Juli 2018 ab. Die Daten wurden von Sensoren zur Überwachung der Wasserqualität in 4-Minuten-Intervallen erfasst und über 15 Zeitpunkte gemittelt. Darüber hinaus wurde der Datensatz normalisiert und eine natürliche Logarithmustransformation durchgeführt, um den Datenbereich zu reduzieren und die Vorhersagegenauigkeit des Modells zu verbessern.

Modellarchitektur: Koexistenz von Periodizität und Trend, mehrstufige Vorhersage der Chl-a-Konzentration

In dieser Studie wurde ein Deep-Learning-Modell namens ChloroFormer zur Vorhersage der Chl-A-Konzentration vorgeschlagen. Der Modellrahmen ist in der folgenden Abbildung dargestellt:Erste,Die ursprüngliche Zeitreihe wird mithilfe der Methode des gleitenden Durchschnitts in periodische (Periodic lnit) und Trendkomponenten (Trend lnit) zerlegt und die Modellierung wird separat durchgeführt.

Zweitens,Für die Trendkomponente verwendeten die Forscher das neuronale Netzwerk Transformer und seinen Self-Attention-Mechanismus, um langfristige Abhängigkeiten zu erfassen. Für periodische Komponenten entwickelten die Forscher einen Aufmerksamkeitsmechanismus auf Basis der Fourier-Analyse auf Basis des Transformer-Netzwerks, einschließlich Frequenzfiltern und Frequenzaufmerksamkeitsmechanismen, die periodische Muster in der Frequenz effektiver erfassen können.

endlich,Die Forscher kombinierten die beiden modellierten Unterreihen und ordneten sie durch lineare Projektion direkt mehrstufigen Vorhersageergebnissen zu.

Experimentelle Schlussfolgerung: Eine stark instationäre zeitliche Dynamik der Chl-a-Konzentration kann vorhergesagt werden

Die Forscher verwendeten das ChloroFormer-Modell, um die kurzfristigen und mittelfristigen Chl-a-Konzentrationen vorherzusagen. Die Ergebnisse sind in der folgenden Abbildung dargestellt.Bei kurzfristigen Vorhersagen weist ChloroFormer in beiden Untersuchungsbereichen eine höhere Genauigkeit als andere Vergleichsmodelle auf und die Fehlerrate ist erheblich reduziert.

Wie in der Abbildung unten gezeigt,In der mittelfristigen Prognose übertrifft ChloroFormer andere Modelle immer noch, obwohl die allgemeine Vorhersagegenauigkeit abnimmt.

Darüber hinaus verglichen die Forscher die Ergebnisse verschiedener Modelle, die Spitzenkonzentrationen von Chl-a unter häufigen Algenblütenbedingungen vorhersagen. Wie in der folgenden Abbildung gezeigt, weist ChloroFormer eine höhere Genauigkeit bei kurzfristigen Vorhersagen auf, mit zunehmender Vorhersagezeit nimmt jedoch die Genauigkeit von ChloroFormer bei langfristigen Vorhersagen ab. Im Allgemeinen, im Vergleich zu anderen Modellen,ChloroFormer eignet sich gut zum Erfassen von Zeitreihentrends und zum genauen Abgleichen von Extrempunkten, was wichtige Informationen für die Frühwarnung vor Algenblüten liefern kann.

Schließlich hat diese Studie auch bewiesen, dass die Vorhersageergebnisse von ChloroFormer in hohem Maße mit der tatsächlich beobachteten Datenverteilung durch den Kolmogorov-Smirnov-Test übereinstimmen.Dies zeigt, dass das ChloroFormer-Modell robust ist und die Dateneigenschaften genau wiedergeben kann.Andererseits stellten die Forscher durch die Analyse der Verteilung der Aufmerksamkeitsgewichte auch fest, dass ChloroFormer wichtige zeitliche Muster in verschiedenen Datensätzen erfassen kann.

Zusammenfassend lässt sich sagen, dass diese Studie ein Deep-Learning-Modell namens ChloroFormer vorgeschlagen hat, das Fourieranalysetechnologie und Transformer-Netzwerk integriert, um die Vorhersagegenauigkeit der Chl-a-Konzentration mit stark nichtstationärer Zeitdynamik zu verbessern, und ein zuverlässiges und kostengünstiges Werkzeug für die Vorhersage schädlicher Algenblüten im Umweltmanagement darstellt.

Mit der Kraft von Wissenschaft und Technologie eine blaue Zukunft gestalten

Der Ozean ist das größte Lebenserhaltungssystem der Erde. Der Schutz der biologischen Vielfalt der Meere bedeutet den Schutz unserer gemeinsamen Zukunft. Mit der kontinuierlichen Ausweitung menschlicher Aktivitäten kommt es jedoch immer wieder zu Krisen wie Klimawandel, Überfischung, Lebensraumzerstörung und Umweltverschmutzung, und das marine Ökosystem steht vor großen Herausforderungen. Als Reaktion darauf haben Forscher im In- und Ausland reagiert und freuen sich darauf, gemeinsam eine blaue Verteidigungslinie aufzubauen.

In den letzten Jahren sind mit der Anhäufung von Daten und der Entwicklung neuer Technologien wie Deep Learning weiterhin innovative Forschungsarbeiten im Bereich des Meeresschutzes entstanden.Beispielsweise engagiert sich das in diesem Artikel erwähnte Forschungsteam des GIS-Labors der Zhejiang-Universität seit langem für die Erforschung und Innovation im Bereich des Meeresschutzes.Sie haben maschinelles Lernen mit Satellitenprodukten kombiniert, um die hochdynamischen Veränderungen des gelösten Sauerstoffs im globalen Ozean eingehend zu erforschen und die Gesetze und Ursachen der Ozeanhypoxie zu untersuchen.

Konkret entwickelten die Forscher ein umfassendes Modellierungsframework für den gelösten Sauerstoff an der Meeresoberfläche (DOsurface-Pred Framework) und erstellten auf Grundlage dieses Frameworks einen groß angelegten Datensatz für den gelösten Sauerstoff an der Meeresoberfläche (SSDO). Die Ergebnisse zeigen, dass selbst in sauerstoffreichen Meeresoberflächengebieten der Gehalt an gelöstem Sauerstoff einen Abwärtstrend aufweist und dieser Rückgang hauptsächlich auf Veränderungen der Meeresoberflächentemperatur (SST) zurückzuführen ist.

Weitere Einzelheiten: Deconstructing Ocean Hypoxia: Das GIS-Labor der Zhejiang-Universität integriert maschinelles Lernen und Satellitenkartierung, um ein umfassendes Modellierungsframework für gelösten Sauerstoff an der globalen Meeresoberfläche zu veröffentlichen

Darüber hinaus hat das Forschungsteam der Universität Montpellier in Frankreich das Random-Forest-Modell und das künstliche neuronale Netzwerk kombiniert.Prognosen zum Aussterberisiko für 4.992 Meeresfischarten, für die keine Daten vorliegen oder die nicht bewertet wurden. Die Ergebnisse der Studie deuten darauf hin, dass die Gefahr des Aussterbens von Meeresfischen weitaus größer ist als bisher angenommen. In Zukunft müssen wir Arten, für die Daten fehlen, und wichtigen Hotspots mehr Aufmerksamkeit schenken, um sicherzustellen, dass nachfolgende Schutzbemühungen zielgerichtet sind und sich mit den wichtigsten Problemen befassen. Mit dieser Studie haben die Wissenschaftler nicht nur die Datenlücke im Bereich des Meeresfischschutzes geschlossen, sondern auch neue Perspektiven für die Anpassung der globalen Naturschutzprioritäten geschaffen.

Diese hochmodernen Forschungsergebnisse sind wie Sterne, die sich zu einer strahlenden Galaxie zusammenschließen, um den Ozean zu schützen. Wir haben Grund zu der Annahme, dass dieser Kampf zum Schutz der Meeresökologie in Zukunft durch die Beteiligung von mehr wissenschaftlichen Forschungsteams, Regierungsbehörden, Nichtregierungsorganisationen und der Öffentlichkeit an Macht gewinnen wird und wir mit Sicherheit in der Lage sein werden, eine solide Verteidigungslinie für die Meeresökologie aufzubauen.

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