Ein Team Der Hong Kong University of Science and Technology Hat Ein Räumlich-zeitliches Interpolations- Und Vorhersagemodell Für Die Globale Wassergesundheitsdiagnose Vorgeschlagen, Das Eine Genaue Vorhersage Der Räumlich-zeitlichen Verteilung Von Chlorophyll a Entlang Von Küstengebieten ermöglicht.

Nährstoffeintrag vom Land und aktive Hydrodynamik machen die Küstengewässer zu einem der produktivsten Meeresökosysteme der Welt, bergen aber auch potenzielle Risiken wie schwere Eutrophierung und Hypoxie.Die Vorhersage der räumlich-zeitlichen Verteilung von Chlorophyll a (Chl_a) ist ein wichtiges Mittel zur Diagnose des Gesundheitszustands von Küstenökosystemen.

Allerdings reichen die vorhandenen Tools noch immer nicht aus, um analytische Ansätze zu unterstützen, die auf der Vorhersage der räumlich-zeitlichen Verteilung von Chlorophyll a basieren.Unter anderem haben herkömmliche hydrodynamisch-biogeochemische Kopplungsmethoden Schwierigkeiten bei der Analyse des Nährstofftransfers in marinen Ökosystemen und Faktoren wie Energiefluss und Biomasse lassen sich nur schwer in die Berechnung einbeziehen. Datenbasierte Vorhersagemethoden neigen dazu, im langfristigen Integrationsprozess nichtlinearer Systeme Fehler anzuhäufen.

Vor diesem Hintergrund entwickelte ein Forschungsteam der Hong Kong University of Science and Technology ein auf künstlicher Intelligenz basierendes STIMP-Modell (Spatiotemporal Interpolation and Prediction), um Chlorophyll a im Küstenmeer vorherzusagen. Das STIMP-Modell löst die Probleme, die durch unvollständige Daten, zeitliche nichtstationäre Änderungen und räumliche Heterogenität verursacht werden, indem es speziell entwickelte Module integriert und ein neues Paradigma für die Vorhersage von marinem Chlorophyll a unter zeitlichen und räumlichen Einschränkungen bietet.

Die entsprechenden Forschungsergebnisse wurden in Nature Communications unter dem Titel „Spatiotemporal Imputation and Prediction Model“ veröffentlicht.

Forschungshighlights:

* Entwicklung des STIMP-Modells und Vorschlag einer zweistufigen „Interpolation + Vorhersage“-Architektur, um die Probleme hoher Messfehlerraten und des Verlusts räumlich-zeitlicher Muster wirksam zu lindern und die Prognoseunsicherheit zu quantifizieren;

* Integriert das spatiotemporale Denoising-Diffusion-Modell (STDDM), den temporalen linearen Transformator (TLT) und das heterogene räumliche Graph-Neuralnetzwerk (HSGNN), um die drei größten Herausforderungen unvollständiger Daten, nichtstationärer zeitlicher Änderungen und räumlicher Heterogenität zu bewältigen;

*Empirische Studien wurden in vier typischen Gebieten durchgeführt: der Mündung des Perlflusses, der Mündung des Jangtse, dem nördlichen Golf von Mexiko und der Chesapeake Bay. Sie bestätigten die globale Wirksamkeit der Fähigkeit des STIMP-Modells, die räumlich-zeitliche Verteilung von Chlorophyll a vorherzusagen.

Papieradresse:

https://go.hyper.ai/BjOR5

Folgen Sie dem offiziellen Konto und antworten Sie mit „Chlorophyll-Küstenverteilung“, um das vollständige PDF zu erhalten

MODIS Chlorophyll ein gemessener Datensatz

In dieser Studie wurden ein gemessener Chlorophyll-a-Datensatz aus den Gewässern vor Hongkong und ein Fernerkundungs-Reflexionsdatensatz des Sunflower-Satelliten verwendet, um Chlorophyll-a-Inversionsmodelle in drei verschiedenen Tiefen zu erstellen. Die in der Studie verwendeten MODIS-Chl-a-Daten wurden im Rahmen des Moderate Resolution Imaging Spectroradiometer (MODIS) Aqua-Projekts öffentlich zugänglich gemacht. Verarbeitete MODIS-Chl-a-Daten sind auf Zenodo verfügbar.

Zenodo-Website:

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

STIMP-Methode basierend auf Deep Learning

Das Forschungsteam verwendete eine auf Deep Learning basierende Methode, um Chlorophyll-a-Beobachtungen von Küstenmeeren und eine räumliche Karte mit den geografischen Koordinaten der Beobachtungen in die STIMP-Architektur einzugeben, um einen vollständigen Chlorophyll-a-Datensatz zu erhalten und so Chlorophyll-a in Küstenmeeren genau zu schätzen und vorherzusagen.

Zweistufige Architektur des STIMP-Modells

STIMP zerlegt die Vorhersage von Chlorophyll a in zwei aufeinanderfolgende Schritte: Interpolation und Vorhersage.Während des Interpolationsprozesses wurden in der Studie raumzeitliche Einbettungsmodule verwendet, um gleichzeitig die räumliche Struktur und die zeitliche Dynamik zu erfassen und mehrere potenzielle vollständige raumzeitliche Chlorophyll-a-Verteilungen aus Teilbeobachtungen zu rekonstruieren. Im Vorhersageschritt verwendet STIMP Rubins Regeln basierend auf der rekonstruierten raumzeitlichen Verteilung von Chlorophyll a, um den endgültigen Chlorophyll-a-Vorhersagewert durch Mittelung der Ergebnisse mehrerer Interpolations- und Vorhersageprozesse zu erhalten.

Drei integrierte Kernmodule des STIMP-Modells

Die rasante Entwicklung satellitengestützter Fernerkundungsbeobachtungen bietet Möglichkeiten zur Entwicklung datenbasierter, großflächiger, räumlich-zeitlicher Chlorophyll-a-Vorhersagemethoden. Dies bringt jedoch auch Herausforderungen wie Datenunvollständigkeit, nichtstationäre zeitliche Variation und räumliche Heterogenität mit sich. Um diese Herausforderungen zu bewältigen, wurden im STIMP-Modell drei integrierte Kernmodule zur räumlich-zeitlichen Chlorophyll-a-Vorhersage entwickelt:

*  Räumlich-zeitliches RauschunterdrückungsdiffusionsmodellSpatiotemporal Denoising Diffusion Model (STDDM): Angewendet auf die Interpolationsfunktion rekonstruiert STDDM die vollständige räumlich-zeitliche Verteilung bei hoher Datenlücke während der Interpolationsphase. Dieses Modul zerlegt komplexe Aufgaben in einfachere und verbessert schrittweise das Signal-Rausch-Verhältnis, um den Übergang von unvollständigen Beobachtungen zu vollständigen Daten zu erreichen.

*  ZeitlineartransformatorTemporal Linear Transformer (TLT): Er dient der Erfassung nichtstationärer zeitlicher Variationsmuster. Er berechnet die Abhängigkeiten der gesamten Zeitreihe durch einen Self-Attention-Mechanismus und behält dabei wichtige Informationen über die dynamischen Veränderungen von Chlorophyll a bei. Anschließend berechnet er alle Elemente der Zeitreihe, um das Verständnis des zeitlichen Musters von Chlorophyll a zu erleichtern.

*  Heterogene räumliche Graph-NeuralnetzeHeterogenes räumliches Graph-Neuralnetzwerk (HSGNN): Dieser Ansatz berücksichtigt räumliche Heterogenität und verwendet einen Parameterpool, um standortspezifische Parameter zu generieren und so die Sensibilität für regionale Unterschiede in verschiedenen geografischen Umgebungen sicherzustellen.

Diese drei integrierten Module stellen sicher, dass das STIMP-Modell in den Interpolations- und Vorhersagephasen trotz unvollständiger Daten, komplexer zeitlicher Dynamik und erheblicher räumlicher Unterschiede robuste Schätzungen und Vorhersagen erzielen kann.

Validierung der STIMP-Leistung

STIMPs räumlich-zeitliche Interpolationsleistung

Diese Studie demonstriert die Wirksamkeit des STIMP-Modells für die räumlich-zeitliche Interpolation am Beispiel der Perlflussmündung. Die Forscher wählten Beobachtungsdaten aus der gesamten Perlflussmündung vom 7. Februar 2015 bis zum 2. Februar 2016 aus und rekonstruierten die Chlorophyll-a-Verteilung mithilfe von STIMP und Basismethoden wie der Data Interpolating Empirical Orthogonal Function (DINEOF), dem Masked Autoencoder (MaskedAE) und der linearen Interpolation (Lin-ITP).

Experimente zeigen, dass das STIMP-Modell den mittleren absoluten Fehler (MAE) im Vergleich zu DINEOF bei einer einjährigen Interpolationsaufgabe um 45,90% auf 77,35% reduziert, wenn die durchschnittliche Rate fehlender Messungen in der Mündung des Perlflusses 50,29% erreicht, und ihn im Vergleich zum zweitbesten Modell weiter um 10,20% auf 40,38% reduziert. STIMP bewahrt während des Interpolationsprozesses effektiv räumliche Beziehungen und erzeugt höhere Werte in Küstennähe und ähnliche Werte in den meisten Gebieten. Selbst bei einer hohen Rate fehlender Daten kann STIMP vollständige Daten effektiv rekonstruieren.

Darüber hinaus bewahrt STIMP die zeitlichen Beziehungen während der Interpolation effektiv. Bei der Interpolation von fünf einzelnen Standorten vom 7. Februar 2015 bis zum 22. September 2022 berücksichtigt STIMP mehr Schwankungen als eine einfache lineare Interpolation.

Die Studie bestätigte auch die Wirksamkeit von STIMP in Küstenmeeren weltweit. In der Jangtse-Mündung sank der MAE von STIMP im Vergleich zu DINEOF um 68,311 TP3T auf 90,921 TP3T und im Vergleich zur nächstbesten KI-Methode um 15,621 TP3T auf 42,671 TP3T. Im nördlichen Golf von Mexiko sank der MAE von STIMP im Vergleich zu DINEOF um 69,421 TP3T auf 74,881 TP3T; und in der Chesapeake Bay sank der MAE von STIMP im Vergleich zu DINEOF um 62,081 TP3T auf 75,631 TP3T.Insgesamt kann STIMP unter verschiedenen Bedingungen der Fehlrate eine stabile Leistung aufrechterhalten und auch bei hoher Fehlrate die wahre räumlich-zeitliche Struktur rekonstruieren.

Räumlich-zeitliche Vorhersageleistung von STIMP

Die Forscher bestätigten die überlegene langfristige Prognoseleistung von STIMP auch durch Prognoseexperimente. Im Vergleich zur Basismethode verringerte sich der mittlere absolute Fehler (MAE) von STIMP für Einjahresprognosen um 6,541 TP3T auf 13,681 TP3T, für Zweijahresprognosen um 13,681 TP3T auf 32,251 TP3T und für Dreijahresprognosen um 13,771 TP3T auf 32,011 TP3T und übertraf damit andere Prognosemethoden.

Auch,Nach dem Ausfüllen der Daten wird die Vorhersage der Verteilung durch STIMP erheblich verbessert.In Bereichen mit einer hohen Rate fehlender Daten sind die Vorhersageergebnisse von STIMP tendenziell besser als die von PredRNN. Dies beweist, dass das Ausfüllen von Daten vor der Vorhersage STIMP dabei hilft, die räumliche Verteilung und die saisonalen Signale von Chlorophyll a effektiv zu erfassen.

Am Beispiel der Perlflussmündung verbessert STIMP seinen prognostizierten MAE im Vergleich zum numerischen Modell CMOMS und der Deep-Learning-Methode PredRNN deutlich. Bei Einjahresprognosen reduziert sich der MAE um 6,541 TP3T auf 13,681 TP3T, bei Zweijahresprognosen um 13,681 TP3T und bei Dreijahresprognosen um 13,771 TP3T auf 32,011 TP3T. An einzelnen Standorten erreicht STIMP MAE-Verbesserungen von bis zu 53,781 TP3T im Vergleich zu CMOMS (74,631 TP3T) und von 1,831 TP3T im Vergleich zu PredRNN (30,281 TP3T).

Auch in der Jangtse-Mündung, im nördlichen Golf von Mexiko und in der Chesapeake Bay zeigte die Gesamtvorhersageleistung von STIMP im Vergleich zur PredRNN-Methode eine deutliche Verbesserung und kann die Periodizität der Daten besser aufrechterhalten.Insgesamt demonstriert STIMP die Effektivität und Robustheit seiner zweistufigen Architektur im Umgang mit unvollständigen raumzeitlichen Beobachtungsdaten.

„AI+Ocean“ interdisziplinäre Forschung und Team

Die Forschungsinteressen des Teams unter der Leitung von Yang Can und Gan Jianping von der Hong Kong University of Science and Technology erstrecken sich über mehrere Bereiche, darunter Mathematik, Statistik, künstliche Intelligenz und physikalische Ozeanographie.

Yang Can, Professor für Mathematik an der Hong Kong University of Science and Technology und stellvertretender Direktor des Big Data Biointelligence Laboratory, widmet sich innovativer Forschung im Bereich statistisches Lernen und Methoden der künstlichen Intelligenz. Dabei konzentriert er sich auf die Anwendung modernster Methoden wie Deep Learning, generative Modelle und Graph-Neural-Networks zur Modellierung und Vorhersage hochdimensionaler komplexer Daten. In den letzten Jahren hat er seinen Forschungsschwerpunkt auf Meereswissenschaften und öffentliche Gesundheit ausgeweitet und fördert aktiv die interdisziplinäre Forschung im Bereich „KI + Ozean“. Zuvor entwickelte Yang Cans Team die beschleunigten GWAS-Analysetools BOOST/GBOOST, schlug eine Methode zur multiphänotypischen Risikovorhersage für LEP vor und entwarf das generative VGrow-Framework, um die Übersetzung genetischer Daten in Gesichtsmerkmale für nichteuropäische und amerikanische Bevölkerungen zu erleichtern.

Gan Jianping, Lehrstuhlinhaber und Leiter der Abteilung für Meereswissenschaften an der Hong Kong University of Science and Technology, beschäftigt sich seit langem mit der Zirkulationsdynamik von Küsten- und Schelfmeeren und ihren Kopplungsprozessen mit Ökosystemen. Sein Schwerpunkt liegt dabei auf Forschungsbereichen wie ökologischer Küstenzustand, Schadstoffbekämpfung und regionaler nachhaltiger Klimaentwicklung. Im Bereich der physikalischen Ozeanographie hat das Team von Gan Jianping die regionale digitale Ozean-Zwillingsplattform WavyOcean 2.0 entwickelt, die Ozeanprozesssimulation, GIS, BIM und digitale Zwillingstechnologien integrieren kann, um eine dreidimensionale gekoppelte Modellierung des Ozean-Land-Atmosphäre-Systems zu erreichen. Sie unterstützt die dynamische Visualisierung und interaktive Analyse von Meeresströmungen, biogeochemischer Entwicklung, Niederschlag und Schadstoffdiffusion und deckt die Greater Bay Area und die Küste Chinas ab. Durch Feldbeobachtungen und Modellsimulationen konnte das Team erstmals zeigen, dass die Region des Südchinesischen Meeres eine zweischichtige, abwechselnd rotierende Zirkulationsstruktur aufweist, wodurch die strukturellen Abweichungen früherer Ozeanmodelle korrigiert wurden.

Quellen:

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

Erhalten Sie mit einem Klick hochwertige Papiere und ausführliche Interpretationsartikel im Bereich AI4S von 2023 bis 2024 ⬇️