Déconstruire L'hypoxie Océanique : Le Laboratoire SIG De L'université Du Zhejiang Intègre L'apprentissage Automatique Et La Cartographie Par Satellite Pour Publier Un Cadre De Modélisation Complet De L'oxygène Dissous À La Surface De La Mer Mondiale

Il y a de nombreuses années, l'expert marin Eric Prince a découvert une anomalie en suivant les balises de pêche : les marlins bleus plongent généralement à 800 mètres de profondeur pour chasser dans le sud-est des États-Unis, mais ne se déplacent qu'à la surface de l'océan dans les eaux du Costa Rica.Pourquoi le marlin, expert en plongée, a-t-il soudainement arrêté de plonger ?Eric Prince, chercheur de longue date sur les poissons à bec, a décidé d'enquêter sur cette anomalie.

En fait, il s'agit d'une réponse d'autoprotection des organismes marins face aux changements de l'environnement marin, et l'exploration d'Eric Prince a cette fois-ci attiré davantage l'attention du public sur le phénomène d'« hypoxie océanique » qui se cache derrière.C'est précisément parce que la teneur en oxygène des eaux profondes du Costa Rica diminue et que la zone déficiente en oxygène s'étend progressivement que les marlins doivent se déplacer à la surface pour éviter l'asphyxie.

Les zones où un grand nombre d’espèces marines sont mortes en raison du manque d’oxygène sont généralement appelées « zones mortes » dans l’océan.Mais en réalité, l’impact négatif de l’hypoxie océanique ne se limite pas à la vie marine elle-même, mais affecte également la pêche et même l’économie sociale.De nos jours, avec l’intensification des problèmes environnementaux mondiaux, l’hypoxie océanique devient de plus en plus grave.

En 2019, l’Union mondiale pour la nature (UICN) a déclaré dans son rapport sur l’hypoxie marine que les zones marines actuelles à faibles concentrations d’oxygène sont en expansion. Par rapport aux 45 zones marines hypoxiques des années 1960, on compte aujourd’hui plus de 600 zones touchées par des conditions de faible teneur en oxygène. Le rapport indique qu'au cours de la même période,La quantité d’eau appauvrie en oxygène dans les océans du monde a quadruplé.

Afin de mieux maintenir la santé des écosystèmes marins et de protéger les ressources halieutiques, il est essentiel d’effectuer des mesures scientifiques des niveaux d’oxygène dissous dans les océans.

Cependant, le coût actuel des observations sur le terrain dans l’océan est élevé, les données d’observation existantes sont inégalement réparties dans l’espace et les méthodes de mesure de la concentration en oxygène dissous sont diverses, de sorte que la qualité des données obtenues varie également considérablement. Tous ces facteurs ont entraîné certains défis dans l’étude des changements dans les niveaux d’oxygène dissous dans l’océan mondial.

En réponse à cela, les chercheurs du laboratoire SIG de l'Université du Zhejiang ont proposé une nouvelle méthode qui combine la technologie d'apprentissage automatique avec les produits satellites.Un cadre global complet de modélisation de l'oxygène dissous à la surface de la mer, DOsurface-Pred Framework, a été développé et un ensemble de données à grande échelle sur l'oxygène dissous à la surface de la mer, SSDO, couvrant la période de 2010 à 2018, a été généré sur la base de ce cadre.Les résultats montrent que même dans les zones de surface riches en oxygène, les niveaux d’oxygène dissous diminuent, et cette diminution est principalement attribuée aux changements de la température de surface de la mer (SST).

Points saillants de la recherche :

* Proposition d'un cadre de modélisation complet pour l'oxygène dissous à la surface des océans à l'échelle mondiale

* Introduction de l'interpréteur SHAP pour identifier les variables clés et leur impact sur les résultats prévus de l'oxygène dissous

* Aide à comprendre les changements dynamiques importants de l'oxygène dissous dans l'océan mondial et à explorer les lois et les causes de la désoxygénation

Emplacement du papiersite:
https://pubs.acs.org/doi/10.1021/acs.est.3c08833

Adresse du jeu de données SSDO :
https://go.hyper.ai/BBlqA

Suivez le compte officiel et répondez « oxygène dissous à la surface de la mer » pour obtenir le PDF complet

Ensemble de données : données de mesure par satellite et sur le terrain

Les données utilisées dans cette étude comprennent des données satellitaires, des navires fixes et des mesures sur le terrain de conductimètres.

Les ensembles de données satellitaires comprennent la température de surface de la mer (SST), la salinité de surface de la mer (SSS), la chlorophylle-a (Chl-a), le vent de surface de la mer (SSW) et l'anomalie du niveau de la mer (SLA). Les données SST proviennent de l'ensemble de données OISST, les données SSS proviennent du projet CCI de l'Agence spatiale européenne (ESA), les données Chl-a proviennent des satellites MODIS Aqua et Terra, les données SSW proviennent de la méthode VAM combinée à des observations multi-satellites de vent micro-ondes et d'instruments multi-plateformes d'étalonnage croisé, et les données SLA proviennent du projet AVISO.

Les mesures sur le terrain des navires fixes et des conductimètres sont obtenues à partir des données de la station océanique (OSD) et de la sous-base de données haute résolution Conductivité-Température-Profondeur (CTD) de la base de données mondiale des océans (WOD) 2018.

Les données de mesure sur le terrain utilisées dans cette étude sont présentées dans la figure.Il y a 28 044 enregistrements au total, dont 241 enregistrements de 2019.

(a) Distribution spatiale des données de mesure sur le terrain

(b) Distribution temporelle des données de mesure sur le terrain

(c) Distribution des données de mesures de différents sites océaniques

(d) Analyse de la matrice de corrélation entre sept principales variables hydrologiques océaniques

Architecture du modèle : trois composants majeurs du framework DOsurface-Pred

Les chercheurs ont proposé un cadre d’apprentissage automatique interprétable pour intégrer des informations spatio-temporelles.Le cadre se compose de trois parties principales : le module d'intégration d'informations spatio-temporelles, le module de régression de base et le module explicatif SHAP.

Partie I,En utilisant plusieurs mesures satellitaires et sur le terrain de données d'information spatio-temporelles, à savoir l'échantillon X_je= {X_{je spatial},

X_{je temporel}, X_{je satellite1}, ..., X_{je satellite n}} comme entrée. Grâce au module d'intégration d'informations spatio-temporelles, les informations spatiales et mensuelles sont converties en coordonnées polaires et les coordonnées X converties^‘_je={X^‘_{je spatial}, X^‘_{je temporel}, X^‘_{je satellite1}, ..., X^‘_{je satellite n}} représentation globale.

Alors, X^‘_je  est transmis à la deuxième partie.Différents modèles ont été évalués à l’aide d’une validation croisée par grille de recherche en plusieurs étapes.

Le tableau ci-dessus est le tableau d’évaluation des performances des modèles de dorsale.Les performances du framework DOsurface-Pred sont améliorées par rapport aux modèles qui n'adoptent pas ce framework.

De plus, tous les modèles d’apprentissage automatique basés sur les arbres ont surpassé le modèle de régression linéaire multiple de référence. Ces modèles sont classés par ordre décroissant de performances comme suit : ET, RF, GBDT, XGBoost, MLP. dans,Le modèle ET a obtenu les meilleurs résultats dans tous les indicateurs d’évaluation, avec une valeur RMSE de 11,67 μmol/kg. Le modèle avait une meilleure capacité de généralisation dans la modélisation de l'oxygène dissous (OD) et pouvait réduire le phénomène de surajustement du modèle.

Dans la troisième partie,Les chercheurs ont utilisé la méthode d’interprétabilité SHAP pour évaluer l’impact des valeurs des caractéristiques de l’échantillon sur les résultats de sortie du modèle. Grâce à ce cadre, les résultats de prédiction sont générés sous le modèle optimal.

SHAP peut quantifier la contribution de différentes valeurs propres aux résultats de prédiction, ce qui rend la sortie du modèle plus facile à comprendre et identifie ainsi les variables clés et leur impact sur les résultats de prédiction de l'oxygène dissous.

Conclusion expérimentale : la SST est la principale raison affectant la teneur en oxygène dissous à la surface de la mer

Le cadre DOsurface-Pred peut évaluer avec précision la concentration globale en oxygène dissous à la surface de la mer.Sur la base de ce cadre, les chercheurs ont généré un ensemble de données à grande échelle sur l'oxygène dissous à la surface de la mer couvrant la période 2010-2018, l'appelant le produit SSDO.

(a, b) RMSE et erreur de biais (c, d) Incertitude totale et ses composantes (M, R, P) dans différentes années et mois

Pour évaluer les résultats générés par le modèle optimal, les chercheurs ont effectué une estimation de l’incertitude et une validation spatiotemporelle.

Dans un premier temps, les erreurs et les incertitudes des produits SSDO sont évaluées. Les résultats expérimentaux montrent que les trois erreurs (erreur de mesure M, erreur de représentation R et erreur de prédiction P) provoquent ensemble l’incertitude totale.L’incertitude totale a été estimée à ±13,02 μmol/kg.

(a) Diagramme de densité de dispersion des valeurs PFL prédites et mesurées (b) Emplacements spatiaux des points PFL appariés, numérotés pour correspondre aux numéros de tracé fournis ci-dessous (ch) Tendance temporelle de l'anomalie d'oxygène à chaque emplacement, comparée aux valeurs d'anomalie mesurées par PFL

Deuxièmement, les chercheurs ont vérifié la précision et la série chronologique du SSDO à l’aide d’un ensemble de données de mesure de bouées indépendant.Les résultats montrent que les résultats de prédiction correspondent bien à la base de données PFL, avec une valeur R² de 0,86.

En outre, les chercheurs ont mené une évaluation comparative des emplacements d’observation de bouées à long terme dans différentes régions océaniques.Les résultats montrent que les prévisions sont cohérentes avec la variabilité spatiale et les tendances à long terme mesurées par les bouées.Ces évaluations valident de manière fiable les résultats de prédiction et aident à analyser leur applicabilité dans différents scénarios.

Les chercheurs ont également effectué une analyse statistique sur les produits SSDO. Les résultats montrent que les données SSDO ont une distribution spatiale similaire à celle des données d’enregistrement à long terme WOD.Sous l’influence de l’expansion continue de la zone hypoxique, le niveau d’oxygène dissous à la surface de la mer est également devenu sous-saturé. Même à la surface de la mer où l'oxygène dissous est entièrement échangé, l'oxygène dissous montre une tendance à la baisse de 0,22 μmol/kg par an en moyenne.De plus, la variation interannuelle de l’oxygène dissous à la surface de la mer montre une corrélation avec les phénomènes typiques de variation océanique.

(a) Évaluation de l'impact des moyennes des caractéristiques globales sur la sortie du modèle

(b) Évaluer l’impact des caractéristiques locales sur la sortie du modèle

(c, d) Analyse de l'impact de la SST et de la SSS sur la sortie du modèle

(e,f) Répartition spatiale de l'impact des caractéristiques SST et SSS

Les chercheurs ont utilisé la méthode d’interprétabilité SHAP pour révéler davantage le mécanisme moteur des facteurs océaniques tels que la température et la salinité sur l’oxygène dissous à la surface de la mer. dans,La température (SST) et la salinité (SSS) étaient les principaux facteurs de contrôle, montrant un impact négatif sur l'oxygène dissous, la SST ayant le plus grand impact sur les niveaux d'oxygène dissous.Cette évaluation contribue à améliorer la fiabilité de la modélisation et fournit des résultats quantitatifs de facteurs explicables pour explorer les changements dans la distribution spatio-temporelle de l’oxygène dissous dans l’océan et les causes de la désoxygénation.

En résumé, les chercheurs ont utilisé le cadre DOsurface-Pred pour générer l’ensemble de données SSDO et ont introduit la méthode d’interprétabilité SHAP.Il a été confirmé que même dans les zones de surface marine riches en oxygène, la teneur en oxygène dissous a montré une tendance à la baisse, et cette diminution a été principalement attribuée aux changements de la SST.

L'IA et l'océan, explorer les mystères inconnus des profondeurs marines

Dan Laffoley, conseiller principal pour les sciences marines et la conservation au sein du Programme marin et polaire mondial de l’UICN, a déclaré un jour :« Les concentrations d’oxygène dissous dans l’océan continuent de diminuer, exacerbant le stress sur les écosystèmes marins déjà confrontés à la hausse des températures et à l’acidification. »

À l’heure actuelle, en plus d’accélérer la réduction des émissions de carbone à l’échelle mondiale et industrielle, des recherches approfondies sur le phénomène de l’hypoxie océanique et l’analyse des facteurs importants qui affectent la vie sur Terre peuvent également permettre aux gens d’avoir une compréhension plus précise des raisons de l’extinction ou de la survie de différents organismes, et de « prescrire le bon médicament ».

Dans ce processus, les capacités des technologies émergentes telles que l’Internet des objets et l’IA ont été progressivement appliquées plus en profondeur. En plus du cadre d'analyse de l'oxygène dissous des marques marines mentionné ci-dessus, certains chercheurs ont également mené des recherches sur le contrôle des débris marins, la protection de la biodiversité marine et d'autres aspects basés sur des données océaniques telles que la télédétection par satellite, les drones, les bouées, le sonar et l'optique sous-marine.

Par exemple, en 2019,Le Programme des Nations Unies pour l’environnement a lancé un projet de contre-mesures appelé CounterMEASURE pour lutter contre la pollution plastique dans les fleuves Mékong et Gange.Le projet a utilisé des drones pour capturer des images aériennes du bassin du Mékong et a développé un modèle d'identification et de surveillance pour identifier les sources et les chemins des déchets plastiques dans le bassin du Mékong avec un taux de précision de 83,9%.

De plus, The Ripper Group en Australie,Nous avons également développé un produit qui utilise des drones et la technologie de vision artificielle pour identifier les requins.Ce produit n’est pas seulement utilisé pour empêcher que les zones côtières ne soient perturbées par les requins, mais joue également un rôle important dans la protection de l’écologie des requins.

Il est vrai que les émissions élevées de carbone de la société humaine ont déjà eu un impact sérieux sur le climat et l’environnement écologique de la planète. Parmi eux, en tant qu’origine de la vie sur Terre, la protection de l’environnement écologique marin est également urgente. Nous espérons que dans un avenir proche, les mesures de protection de l’environnement basées sur l’IA seront en mesure de traiter les symptômes et les causes profondes tout en révélant la vérité sur la hausse des températures de la mer et la diminution des concentrations d’oxygène dissous, et de restaurer la clarté de l’océan à la source.

Références :
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