海洋赤潮危機に対抗するディープラーニング!浙江大学の GIS 研究所は、海洋藻類の発生を早期に警告するために ChloroFormer モデルを提案しました。

2014 年 8 月、米国オハイオ州トレドの住民 50 万人以上が突然、市政府から緊急通知を受け取りました。許可なく水道水を飲むことは禁止されています。

水は人間が生きていくための基本的な供給物であり、この発表は非常に重要であり、発表後は多くのパニックを引き起こしました。その理由は、実際に米国のエリー湖で大規模なシアノバクテリアのブルームが発生し、水面が数十億の単細胞藻類で覆われたためです。地元の水処理会社 2 社は、湖水に蓄積した毒素が危険レベルに達しており、水質がもはや住民の飲用に適していないことを検出しました。

特定の状況下での海洋藻類の爆発によって引き起こされるこの種の生態学的異常は、人々がしばしば赤潮と呼ぶものであり、有害な藻類のブルーム (HAB) としても知られています。専門家らは、有害な藻類の発生は海洋生態系のバランス、地域経済、人間の健康に深刻な脅威をもたらすと述べている。具体的には、海水の表面に集まる多数の藻類生物は、太陽光を遮断し、水域の透明度を低下させることにより、深海の生物の生存を危険にさらす可能性があります。これらの生物が分泌する粘液は魚のえらにも付着し、呼吸困難を引き起こしたり窒息死を引き起こす可能性があります。さらに、飲料水源が汚染されると、赤潮生物による毒素も食物連鎖を通じて人体に伝達され、人の健康にも重大な影響を及ぼします。

有害な藻類の発生の観察、早期警告、予防と制御が重要であることがわかります。通常、クロロフィル a (chl-a) 濃度は、HAB がフラッディングしているかどうかを評価するための重要な指標として使用できます。その正確な予測は、その後の予防および制御戦略に直接影響します。現在、機械学習は Chl-A 濃度の予測において大幅な進歩を遂げていますが、複雑な動的時間パターンを効果的にモデル化し、データのノイズや信頼性の低さを処理する点ではまだ欠点があります。

これに関して、浙江大学 GIS 研究所の研究者らは、フーリエ解析とトランスフォーマー ニューラル ネットワークを組み合わせ、時系列分解アーキテクチャを採用し、Chl-a 濃度予測精度を効果的に向上させる新しい深層学習予測モデル ChloroFormer を提案しました。さらに、研究者らは 2 つの異なる沿岸調査地域でも実験を実施し、その結果、提案されたモデルが多段階予測精度において他の 6 つの比較モデルよりも優れているだけでなく、極端で頻繁な藻類の発生下でも相対的な安定性を維持できることがわかりました。 。

この研究は「フーリエ解析と変圧器ネットワークの統合による沿岸水域のクロロフィル a 濃度の予測の強化」と題され、Water Research 誌に掲載されました。

研究のハイライト:
* 深層学習モデル ChloroFormer は、クロロフィル a の短期予測と中期予測の両方でベースラインを上回ります。 

*ChloroFormer は、クロロフィル a ピークを高精度で予測する際に優れた性能を発揮し、観察されたデータ分布への高い適合性を維持します。

用紙のアドレス: 
https://doi.org/10.1016/j.watres.2024.122160 
公式アカウントをフォローし、バックグラウンドで「有害藻類ブルーム」に返信すると全文PDFが入手できます


オープンソース プロジェクト「awesome-ai4s」は、100 を超える AI4S 論文の解釈をまとめ、大規模なデータ セットとツールを提供します。
https://github.com/hyperai/awesome-ai4s

データセット: 台州海域とアラワイ港を例に挙げる

この研究は、浙江省台州市の海域とハワイ州オアフ島のアラワイ港を調査海域として選択しました。有害な藻類の発生状況は 2 つの場所で異なります。中でも台州海域は経済発展により過剰利用が進み、大量の廃棄物汚染物質が流入し、海水質が悪化して赤潮が多発している。アラワイ港はボートやヨットの人気の場所であり、サーフィン、ボート、セーリング、水泳、釣りなど人間のさまざまな活動が行われており、HAB が発生しやすいです。

具体的には、台州海域データ TZ02 には、2014 年 5 月 30 日から 2021 年 7 月 29 日までのクロロフィル a (chl-a) 濃度が含まれており、1 時間間隔で監視されています。アラワイ港のデータ NSS002 は、2013 年 3 月 1 日から 2018 年 7 月 26 日までの chl-a 濃度をカバーしています。データは、水質監視センサーによって 4 分間隔で収集され、15 時点の平均値がとられています。さらに、データ範囲を縮小し、モデルの予測精度を向上させるために、データセットは標準化され、自然対数変換されました。

モデルのアーキテクチャ: 周期性とトレンドが共存、chl-a 濃度の多段階予測

この研究では、chl-a 濃度を予測するための深層学習モデル ChloroFormer を提案します。モデルのフレームワークを次の図に示します。初め、元の時系列は、移動平均法によって周期成分 (Periodic lnit) とトレンド成分 (Trend lnit) に分解され、個別にモデル化されます。

第二に、傾向コンポーネントについては、研究者らは Transformer ニューラル ネットワークを使用し、その自己注意メカニズムを使用して長距離の依存関係を捕捉しました。周期コンポーネントについては、研究者は、周波数フィルター (Frequency Filter) と周波数アテンション メカニズム (Frequency Attendance) を含む、トランスフォーマー ネットワークに基づいたフーリエ解析に基づくアテンション メカニズムを設計しました。これは、周波数の周期パターンをより効果的にキャプチャできます。

やっと、研究者らは、2 つのモデル化されたサブ時系列を結合し、線形投影を通じてそれらをマルチステップ予測結果に直接マッピングしました。

実験的結論：Chl-a濃度は高度に非定常な時間ダイナミクスを予測できる

研究者らは短期および中期の Chl-a 濃度予測に ChloroFormer モデルを使用しました。結果は以下の図に示されています。短期予測では、2 つの研究領域におけるクロロフォーマーの精度は他の比較モデルよりも高く、エラー率は大幅に減少しました。

以下の図に示すように、中期予測では、全体的な予測精度は低下したにもかかわらず、クロロフォーマーは依然として他のモデルを上回っています。

さらに、研究者らは、藻類の発生が頻繁に発生する条件下でのピーク chl-a 濃度の予測において、さまざまなモデルの結果も比較しました。以下の図に示すように、短期予測では ChloroFormer の方が精度が高くなりますが、予測時間が長くなると、ChloroFormer の方が精度が高くなります。長期予測のパフォーマンスが低下しています。予測の精度が低下しています。全体的に他のモデルと比べて、クロロフォーマーは、時系列傾向の捕捉と極値の正確な一致に優れた性能を発揮し、藻類の異常発生の警告に重要な情報を提供します。

最後に、この研究はコルモゴロフ・スミルノフ検定にも合格し、クロロフォーマーの予測結果が実際に観察されたデータ分布と非常に一致していることが証明されました。これは、ChloroFormer モデルが堅牢であり、データの特性を正確に反映できることを示しています。一方で、研究者らは、注意の重み分布を分析することによって、クロロフォーマーがさまざまなデータセットの主要な時間的パターンを捕捉できることも発見しました。

要約すると、この研究は、フーリエ解析技術とトランスフォーマーネットワークを統合した深層学習モデルであるChloroFormerを提案し、環境管理において信頼性とコストに有害な非定常性の高い時間ダイナミクスを伴うchl-a濃度の予測精度を向上させます。 -藻類の発生を予測するための効果的なツール。

テクノロジーの力で青い未来を築く

海は地球上で最大の生命維持システムであり、海洋生物多様性を保護することは私たちの共通の未来を守ることになります。しかし、人間の活動が拡大し続け、気候変動、乱獲、生息地の破壊、汚染などの危機が顕在化するにつれ、海洋生態系は深刻な課題に直面しています。この点に関して、国内外の研究者らが次々と反応し、青い防衛線の構築に期待を寄せている。

近年、データの蓄積とディープラーニングなどの新技術の開発により、海洋保護分野における革新的な研究が次々と生まれています。たとえば、この記事で言及した浙江大学 GIS 研究所の研究チームは、海洋保護分野の探査と革新に長年取り組んできました。彼らは機械学習と衛星製品を組み合わせて、地球規模の海洋における溶存酸素の非常に動的な変化に関する詳細な研究を実施し、海洋低酸素の法則と原因を調査しました。

具体的には、研究者らは包括的な全球海面溶存酸素モデリングフレームワークDOsurface-Predフレームワークを開発し、このフレームワークに基づいて大規模な海面溶存酸素データセットSSDOを生成した。研究の結果、酸素が十分にある海面領域であっても溶存酸素量は減少傾向にあり、この減少は主に海面水温（SST）の変化に起因することが示されました。

詳細: 海洋低酸素症の解体: 浙江大学 GIS 研究所が機械学習と衛星マッピングを統合し、全球の海面溶存酸素の包括的なモデリング フレームワークをリリース

さらに、フランスのモンペリエ大学の研究チームは、ランダム フォレスト モデルと人工ニューラル ネットワークを組み合わせて、データが不十分または評価されていない4,992種の海産魚種の絶滅リスク予測。研究結果は、海産魚類の絶滅の脅威は、実際にはこれまで一般的に考えられていたよりもはるかに大きいことを示しており、今後の保護活動が確実に標的を絞って攻撃できるよう、データが不十分な種や主要なホットスポットに今後さらに注意を払う必要がある。重要な点。この研究を通じて、科学者たちは海産魚の保護分野におけるデータのギャップを埋めるだけでなく、世界的な保護の優先順位を調整するための新たな視点を提供しました。

これらの最先端の研究結果は、星の点のようなもので、将来、より多くの科学研究チーム、政府機関、非政府組織、社会の参加によって、まばゆいばかりの銀河系に集まると信じるに足る理由があります。海洋生態系を守るこの戦いは、国民の皆さん、もっと力をつければ、きっと海洋生態系に対する強固な防衛線を築くことができるでしょう。

参考文献:
https://dialogue.earth/zh/3/42441/
https://m.thepaper.cn/newsDetail_forward_4890474