L’apprentissage Profond Lutte Contre La Crise Des Marées Rouges Marines ! Le Laboratoire SIG De L'université Du Zhejiang a Proposé Le Modèle ChloroFormer, Qui Peut Fournir Une Alerte Précoce En Cas D'épidémie D'algues Marines.

En août 2014, plus de 500 000 habitants de Toledo, dans l'Ohio, ont soudainement reçu un avis d'urgence de la part du gouvernement de la ville : ils n'étaient pas autorisés à boire l'eau du robinet sans autorisation !

L’eau est la ressource de base pour la survie humaine. Cet avis est d’une grande importance et a provoqué une panique considérable après sa publication. La raison en est en fait une épidémie à grande échelle d’algues bleu-vert dans le lac Érié aux États-Unis, recouvrant la surface de l’eau de milliards d’algues unicellulaires. Deux entreprises locales de traitement des eaux ont détecté que les toxines accumulées dans l’eau du lac avaient atteint des niveaux dangereux et que la qualité de l’eau n’était plus potable.

Cette anomalie écologique causée par l’apparition d’algues marines dans des conditions spécifiques est ce que l’on appelle souvent la marée rouge, également connue sous le nom de prolifération d’algues nuisibles (HAB).Les experts affirment que les proliférations d’algues nuisibles constituent une menace sérieuse pour l’équilibre écologique marin, l’économie locale et la santé humaine. Plus précisément, un grand nombre d’algues accumulées à la surface de la mer peuvent mettre en danger la survie des créatures des grands fonds en bloquant la lumière du soleil et en réduisant la transparence de l’eau. Le mucus sécrété par ces organismes peut également adhérer aux branchies des poissons, ce qui peut les rendre difficiles à respirer, voire les faire suffoquer. De plus, lorsque les sources d’eau potable sont polluées, les toxines causées par les organismes de la marée rouge seront transmises au corps humain par la chaîne alimentaire, et la santé humaine sera également gravement affectée.

Cela montre qu’il est crucial d’observer, d’avertir et de prévenir les proliférations d’algues nuisibles.D’une manière générale, la concentration de chlorophylle a (chl-a) peut être utilisée comme indicateur clé pour évaluer si les HAB sont endémiques.Sa prédiction précise affectera directement les stratégies de prévention et de contrôle ultérieures. Actuellement, l’apprentissage automatique a fait des progrès significatifs dans la prédiction des concentrations de CHL-A ; Cependant, il présente encore des lacunes dans la modélisation efficace des modèles temporels dynamiques complexes et dans la gestion du bruit et du manque de fiabilité des données.

En réponse à cela, les chercheurs du laboratoire SIG de l'Université du Zhejiang ont proposé un nouveau modèle de prédiction d'apprentissage profond, ChloroFormer, qui combine l'analyse de Fourier et le réseau neuronal Transformer et adopte une architecture de décomposition de séries chronologiques pour améliorer efficacement la précision de la prédiction de la concentration de chl-a.En outre, les chercheurs ont mené des expériences dans deux zones de recherche côtières différentes. Les résultats ont montré que le modèle proposé non seulement surpassait les six autres modèles de comparaison en termes de précision de prédiction en plusieurs étapes, mais conservait également ses avantages relatifs en cas de prolifération d'algues extrêmes et fréquentes.

L’étude, intitulée « Prévision améliorée de la concentration en chlorophylle-a dans les eaux côtières grâce à l’intégration de l’analyse de Fourier et des réseaux de transformateurs », a été publiée dans Water Research.

Points saillants de la recherche :
* Le modèle d'apprentissage profond ChloroFormer surpasse la ligne de base dans les prévisions à court et à moyen terme de la chlorophylle a. 

* ChloroFormer est performant dans la prédiction du pic de chlorophylle a avec une grande précision et une grande qualité d'ajustement à la distribution des données observées.

Adresse du document : 
https://doi.org/10.1016/j.watres.2024.122160 
Suivez le compte officiel et répondez « Prolifération d'algues nuisibles » pour obtenir le PDF complet


Le projet open source « awesome-ai4s » rassemble plus de 100 interprétations d'articles AI4S et fournit des ensembles de données et des outils massifs :
https://github.com/hyperai/awesome-ai4s

Ensemble de données : Prenons l'exemple de la zone maritime de Taizhou et du port d'Ala Wai

Cette étude a sélectionné les eaux de Taizhou dans la province du Zhejiang et le port d'Ala Wai sur l'île d'Oahu, à Hawaï, comme zones de recherche.Les proliférations d’algues nuisibles dans ces deux endroits sont différentes. Parmi elles, les eaux de Taizhou ont été exploitées de manière excessive pour le développement économique, avec le déversement d'une grande quantité de déchets polluants et la détérioration de la qualité de l'eau de mer entraînant de fréquentes marées rouges. En tant que lieu populaire pour la navigation de plaisance et le yachting, le port d'Ala Wai est sujet aux HAB en raison de diverses activités humaines telles que le surf, l'aviron, la voile, la natation et la pêche.

Plus précisément, les données de la zone maritime de Taizhou TZ02 incluent les concentrations de chlorophylle-a (chl-a) du 30 mai 2014 au 29 juillet 2021, qui sont surveillées à intervalles horaires. Les données NSS002 pour le port d'Ala Wai couvrent la concentration de chl-a du 1er mars 2013 au 26 juillet 2018. Les données ont été collectées par des capteurs de surveillance de la qualité de l'eau à des intervalles de 4 minutes et moyennées sur 15 points dans le temps. De plus, l'ensemble de données a été normalisé et transformé en logarithme naturel afin de réduire la plage de données et d'améliorer la précision de prédiction du modèle.

Architecture du modèle : coexistence de périodicité et de tendance, prédiction en plusieurs étapes de la concentration en chl-a

Cette étude a proposé un modèle d’apprentissage profond, ChloroFormer, pour prédire la concentration de chl-a. Le cadre du modèle est illustré dans la figure ci-dessous :d'abord,La série chronologique d'origine est décomposée en composants périodiques (Periodic lnit) et de tendance (Trend lnit) par la méthode de la moyenne mobile, et la modélisation est effectuée séparément.

Deuxièmement,Pour la composante tendance, les chercheurs ont utilisé le réseau neuronal Transformer et son mécanisme d’auto-attention pour capturer les dépendances à longue portée. Pour les composants périodiques, les chercheurs ont conçu un mécanisme d'attention basé sur l'analyse de Fourier basée sur le réseau Transformer, comprenant des filtres de fréquence et des mécanismes d'attention de fréquence, qui peuvent capturer plus efficacement les modèles périodiques de fréquence.

enfin,Les chercheurs ont combiné les deux sous-séries modélisées et les ont directement mises en correspondance avec des résultats de prédiction en plusieurs étapes via une projection linéaire.

Conclusion expérimentale : Une dynamique temporelle hautement non stationnaire de la concentration de chl-a peut être prédite

Les chercheurs ont utilisé le modèle ChloroFormer pour prédire les concentrations de chl-a à court et moyen terme. Les résultats sont présentés dans la figure ci-dessous.Dans la prédiction à court terme, ChloroFormer présente une précision supérieure à celle des autres modèles comparés dans les deux domaines d’étude, et le taux d’erreur est considérablement réduit.

Comme le montre la figure ci-dessous,Dans les prévisions à moyen terme, ChloroFormer surpasse toujours les autres modèles, bien que la précision globale des prévisions diminue.

De plus, les chercheurs ont comparé les résultats de différents modèles prédisant les concentrations maximales de chl-a dans des conditions de prolifération algale fréquente. Comme le montre la figure ci-dessous, ChloroFormer a une précision plus élevée dans les prédictions à court terme, mais à mesure que le temps de prédiction augmente, la précision de ChloroFormer dans les prédictions à long terme diminue. En général, comparé à d’autres modèles,ChloroFormer est performant dans la capture des tendances des séries chronologiques et la correspondance précise des points extrêmes, ce qui peut fournir des informations importantes pour l'alerte précoce en cas de prolifération d'algues.

Enfin, cette étude a également prouvé que les résultats de prédiction de ChloroFormer sont très cohérents avec la distribution réelle des données observées via le test de Kolmogorov-Smirnov.Cela montre que le modèle ChloroFormer est robuste et peut refléter avec précision les caractéristiques des données.D’autre part, en analysant la distribution des poids d’attention, les chercheurs ont également découvert que ChloroFormer peut capturer des modèles temporels clés dans différents ensembles de données.

En résumé, cette étude a proposé un modèle d'apprentissage profond, ChloroFormer, qui intègre la technologie d'analyse de Fourier et le réseau Transformer pour améliorer la précision de prédiction de la concentration de chl-a avec une dynamique temporelle hautement non stationnaire, et constitue un outil fiable et rentable pour la prédiction de la prolifération d'algues nuisibles dans la gestion de l'environnement.

Construire un avenir bleu grâce au pouvoir de la science et de la technologie

L’océan est le plus grand système de maintien de la vie sur Terre. Protéger la biodiversité marine, c’est protéger notre avenir commun. Cependant, avec l’expansion continue des activités humaines, des crises telles que le changement climatique, la surpêche, la destruction des habitats et la pollution continuent d’apparaître, et l’écosystème marin est confronté à de graves défis. En réponse à cela, les chercheurs nationaux et étrangers ont réagi, impatients de construire ensemble une ligne de défense bleue.

Ces dernières années, avec l’accumulation de données et le développement de nouvelles technologies telles que l’apprentissage profond, des recherches innovantes dans le domaine de la protection marine ont continué d’émerger.Par exemple, l’équipe de recherche du laboratoire SIG de l’université du Zhejiang mentionnée dans cet article s’engage depuis longtemps dans l’exploration et l’innovation dans le domaine de la protection marine.Ils ont combiné l’apprentissage automatique avec des produits satellitaires pour mener des recherches approfondies sur les changements hautement dynamiques de l’oxygène dissous dans l’océan mondial et explorer les lois et les causes de l’hypoxie océanique.

Plus précisément, les chercheurs ont développé un cadre de modélisation complet de l'oxygène dissous à la surface de la mer à l'échelle mondiale, DOsurface-Pred Framework, et ont généré un ensemble de données à grande échelle sur l'oxygène dissous à la surface de la mer, SSDO, basé sur ce cadre. Les résultats montrent que même dans les zones de surface marine riches en oxygène, les niveaux d’oxygène dissous ont montré une tendance à la baisse, et ce déclin est principalement attribué aux changements de la température de surface de la mer (SST).

Plus de détails : 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

De plus, l'équipe de recherche de l'Université de Montpellier en France a également combiné le modèle de forêt aléatoire et le réseau de neurones artificiels.Projections du risque d’extinction pour 4 992 espèces de poissons marins pour lesquelles les données sont insuffisantes ou non évaluées. Les résultats de l’étude indiquent que la menace d’extinction qui pèse sur les poissons marins est bien plus grande qu’on ne le pensait auparavant. À l’avenir, nous devrons accorder davantage d’attention aux espèces pour lesquelles les données sont insuffisantes et aux points chauds clés afin de garantir que les efforts de conservation ultérieurs soient ciblés et abordent les problèmes clés. Grâce à cette étude, les scientifiques ont non seulement comblé le manque de données dans le domaine de la conservation des poissons marins, mais ont également fourni de nouvelles perspectives pour ajuster les priorités mondiales de conservation.

Ces résultats de recherche de pointe sont comme des étoiles qui se rassemblent en une galaxie brillante pour protéger l’océan. À l’avenir, nous avons des raisons de croire qu’avec la participation de davantage d’équipes de recherche scientifique, d’agences gouvernementales, d’organisations non gouvernementales et du public, cette bataille pour protéger l’écologie marine deviendra plus puissante et nous serons certainement en mesure de construire une ligne de défense solide pour l’écologie marine.

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