홍콩과학기술대학의 한 팀은 전 세계 물 건강 진단을 위한 시공간적 보간 및 예측 모델을 제안하여 해안 지역의 엽록소 A의 시공간적 분포를 정확하게 예측할 수 있게 했습니다.

육지에서 유입되는 영양분과 활발한 수력학적 작용으로 인해 해안 수역은 세계에서 가장 생산적인 해양 생태계 중 하나가 되었지만, 심각한 부영양화와 저산소증과 같은 잠재적 위험도 가지고 있습니다.엽록소 a(Chl_a)의 시공간적 분포를 예측하는 것은 해안 생태계의 건강 상태를 진단하는 중요한 수단이다.

그러나 기존의 도구는 엽록소 a의 시공간적 분포를 예측하는 데 기반한 분석적 접근 방식을 뒷받침하기에 여전히 부족합니다.그 중, 전통적인 유체역학-생물지화학적 결합 방법은 해양 생태계의 영양소 이동을 분석하는 데 어려움이 있으며, 에너지 플럭스 및 바이오매스와 같은 요소를 계산에 통합하기 어렵습니다. 데이터 기반 예측 방법은 비선형 시스템의 장기 통합 과정에서 오류가 누적되기 쉽습니다.

이러한 배경에서 홍콩과학기술대학 연구팀은 연안해의 엽록소 a를 예측하기 위해 인공지능 기반 시공간 보간 및 예측(STIMP) 모델을 개발했습니다. STIMP 모델은 특별히 설계된 모듈을 통합하여 불완전한 데이터, 시간적 비정상 변화 및 공간적 이질성으로 인해 발생하는 문제를 해결하고, 시간적, 공간적 제약 하에서 해양 엽록소 a를 예측하기 위한 새로운 패러다임을 제공합니다.

관련 연구 결과는 "시공간적 대체 및 예측 모델"이라는 제목으로 Nature Communications에 게재되었습니다.

연구 하이라이트:

* STIMP 모델을 개발하고 높은 측정 누락률과 시공간 패턴 손실 문제를 효과적으로 완화하고 예측 불확실성을 정량화하기 위해 2단계 "보간 + 예측" 아키텍처를 제안했습니다.

* 불완전한 데이터, 비정상적 시간 변화, 공간적 이질성의 세 가지 주요 과제를 해결하기 위해 시공간적 잡음 제거 확산 모델(STDDM), 시간적 선형 변환기(TLT), 이기종 공간 그래프 신경망(HSGNN)을 통합합니다.

*진주강 하구, 양쯔강 하구, 멕시코만 북부, 체서피크 만의 4개 대표적인 지역에서 실증적 연구가 완료되어, STIMP 모델이 엽록소 a의 시공간적 분포를 예측하는 능력의 글로벌 효율성을 검증했습니다.

서류 주소:

https://go.hyper.ai/BjOR5

공식 계정을 팔로우하고 "클로로필 해안 분포"에 답글을 달면 전체 PDF를 받을 수 있습니다.

MODIS 엽록소 측정 데이터 세트

본 연구는 홍콩 해역에서 측정된 클로로필 a 데이터셋과 선플라워 위성의 원격 탐사 반사율 데이터셋을 사용하여 세 가지 다른 깊이에서 클로로필 a 역산 모델을 구축했습니다. 본 연구에 사용된 MODIS 클로로필 a 데이터는 Moderate Resolution Imaging Spectroradiometer(MODIS) Aqua 프로젝트를 통해 공개되었으며, 처리된 MODIS 클로로필 a 데이터는 Zenodo에서 이용할 수 있습니다.

제노도 웹사이트:

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

딥러닝 기반 STIMP 방법

연구팀은 딥러닝 기반 방법을 사용하여 연안 해양의 클로로필 a 관측치와 관측치의 지리적 좌표가 포함된 공간 지도를 STIMP 아키텍처에 입력하여 완전한 클로로필 a 데이터 세트를 얻었고, 이를 통해 연안 해양의 클로로필 a를 정확하게 추정하고 예측했습니다.

STIMP 모델의 2단계 아키텍처

STIMP는 엽록소 a의 예측을 보간과 예측이라는 두 가지 연속된 단계로 분해합니다.보간 과정에서 이 연구는 시공간 임베딩 모듈을 사용하여 공간 구조와 시간 역학을 동시에 포착하고 부분 관찰을 통해 여러 개의 잠재적인 완전한 시공간 엽록소 a 분포를 재구성합니다. 예측 단계에서 STIMP는 엽록소 a의 재구성된 시공간 분포를 기반으로 한 루빈의 규칙을 사용하여 여러 보간 및 예측 과정의 결과를 평균화하여 최종 엽록소 a 예측값을 얻습니다.

STIMP 모델의 3가지 핵심 통합 모듈

위성 원격 탐사 관측의 급속한 발전은 데이터 기반의 대규모 시공간적 엽록소 a 예측 방법 개발의 기회를 제공합니다. 그러나 이는 데이터 불완전성, 비정상적 시간 변동, 그리고 공간적 이질성과 같은 과제를 안고 있습니다. 이러한 문제를 해결하기 위해 STIMP 모델은 시공간적 엽록소 a 예측을 달성하기 위한 세 가지 핵심 통합 모듈을 설계했습니다.

*  시공간적 잡음 제거 확산 모델시공간 잡음 제거 확산 모델(STDDM): 보간 함수에 적용되는 STDDM은 보간 단계에서 높은 결측치를 갖는 전체 시공간 분포를 재구성합니다. 이 모듈은 복잡한 작업을 더 간단한 작업으로 분해하고, 신호 대 잡음비를 점진적으로 개선하여 불완전한 관측치에서 완전한 데이터로 전환합니다.

*  시간 선형 변압기시간 선형 변환기(TLT): 비정상적 시간 변화 패턴을 포착하는 데 사용됩니다. 셀프 어텐션 메커니즘을 통해 전체 시계열의 종속성을 계산하며, 엽록소 a의 동적 변화에 대한 핵심 정보를 유지합니다. 그런 다음 시계열의 모든 요소를 계산하여 엽록소 a의 시간 패턴을 이해하는 데 도움을 줍니다.

*  이질 공간 그래프 신경망이기종 공간 그래프 신경망(HSGNN): 이 접근 방식은 공간적 이질성을 해결하고 매개변수 풀을 활용하여 위치별 매개변수를 생성함으로써 서로 다른 지리적 환경에서 지역적 차이에 대한 민감성을 보장합니다.

이 세 가지 통합 모듈은 STIMP 모델이 불완전한 데이터, 복잡한 시간적 역학 및 상당한 공간적 차이에도 불구하고 보간 및 예측 단계에서 견고한 추정 및 예측을 달성할 수 있도록 보장합니다.

STIMP 성능 검증

STIMP의 시공간 보간 성능

본 연구는 주강 하구를 예로 들어 STIMP 모델의 시공간 보간 효과를 입증합니다. 연구진은 2015년 2월 7일부터 2016년 2월 2일까지 주강 하구 전체에서 관측 자료를 수집하고, STIMP 모델과 데이터 보간 경험적 직교 함수(DINEOF), 마스크 오토인코더(Masked Autoencoder, MaskedAE), 선형 보간(Lin-ITP)을 포함한 기준선 기법을 사용하여 엽록소 a 분포를 재구성했습니다.

실험 결과, 진주강 하구의 평균 측정 누락률이 50.29%에 도달하면 STIMP 모델은 1년 보간 작업에서 DINEOF와 비교하여 평균 절대 오차(MAE)를 45.90%에서 77.35%로 줄이고, 두 번째로 좋은 모델과 비교하여 10.20%에서 40.38%로 더 줄이는 것으로 나타났습니다. STIMP는 보간 과정에서 공간 관계를 효과적으로 보존하여 해안선 근처에서는 더 큰 값을, 대부분의 지역에서는 유사한 값을 생성합니다. 누락된 데이터 비율이 높더라도 STIMP는 완전한 데이터를 효과적으로 재구성할 수 있습니다.

더욱이 STIMP는 보간 과정에서 시간 관계를 효과적으로 보존합니다. 2015년 2월 7일부터 2022년 9월 22일까지 다섯 개의 단일 위치를 보간할 때, STIMP는 단순 선형 보간보다 더 많은 변동을 포함합니다.

이 연구는 또한 전 세계 연안 해역에서 STIMP의 효과를 검증했습니다. 양쯔강 하구에서 STIMP의 MAE는 DINEOF 대비 68.311 TP3T에서 90.921 TP3T로, 차선의 AI 방식 대비 15.621 TP3T에서 42.671 TP3T로 감소했습니다. 멕시코만 북부에서 STIMP의 MAE는 DINEOF 대비 69.421 TP3T에서 74.881 TP3T로 감소했고, 체서피크 만에서는 DINEOF 대비 62.081 TP3T에서 75.631 TP3T로 감소했습니다.전반적으로 STIMP는 다양한 누락률 조건에서 안정적인 성능을 유지할 수 있으며, 높은 누락률에서도 실제 시공간 구조를 재구성할 수 있습니다.

STIMP의 시공간적 예측 성능

연구진은 또한 예측 실험을 통해 STIMP의 우수한 장기 예측 성능을 검증했습니다. 기준 방식과 비교했을 때, STIMP의 1년 예측 평균 절대 오차(MAE)는 6.541 TP3T에서 13.681 TP3T로, 2년 예측은 13.681 TP3T에서 32.251 TP3T로, 3년 예측은 13.771 TP3T에서 32.011 TP3T로 감소하여 다른 예측 방식보다 우수한 성능을 보였습니다.

또한,데이터를 입력한 후, STIMP의 분포 예측이 크게 향상되었습니다.누락된 데이터 비율이 높은 지역에서는 STIMP의 예측 결과가 PredRNN보다 더 향상된 경향이 있는데, 이는 예측 전에 데이터를 채우면 STIMP가 엽록소 a의 공간 분포와 계절적 신호를 효과적으로 포착하는 데 도움이 된다는 것을 증명합니다.

진주강 하구를 예로 들면, STIMP는 수치 모델 CMOMS와 딥러닝 기법인 PredRNN에 비해 예측 MAE를 크게 향상시킵니다. 1년 예측의 경우 MAE는 6.541 TP3T 감소한 13.681 TP3T, 2년 예측의 경우 13.681 TP3T, 3년 예측의 경우 13.771 TP3T 감소한 32.011 TP3T입니다. 각 위치에서 STIMP는 CMOMS 대비 MAE를 최대 74.631 TP3T에서 최대 53.781 TP3T, PredRNN 대비 MAE를 최대 30.281 TP3T에서 1.831 TP3T 향상시켰습니다.

양쯔강 하구, 멕시코만 북부, 체서피크 만에서도 STIMP의 전반적인 예측 성능은 PredRNN 방식과 비교하여 상당한 개선을 보였으며, 데이터의 주기성을 더 잘 유지할 수 있습니다.전반적으로 STIMP는 불완전한 시공간적 관찰 데이터를 처리하는 데 있어 2단계 아키텍처의 효과성과 견고성을 보여줍니다.

"AI+Ocean" 학제간 연구 및 팀

홍콩과학기술대학의 양캔(Yang Can)과 간지안핑(Gan Jianping)이 이끄는 팀의 연구 관심사는 수학, 통계학, 인공지능, 물리해양학 등 여러 분야에 걸쳐 있습니다.

홍콩과학기술대학교 수학과 교수이자 빅데이터 바이오인텔리전스 연구실 부소장인 양찬(Yang Can)은 통계 학습 및 인공지능 방법론 분야의 혁신적인 연구에 전념하고 있으며, 딥러닝, 생성 모델, 그래프 신경망과 같은 최첨단 기법을 고차원 복합 데이터의 모델링 및 예측에 적용하는 데 중점을 두고 있습니다. 최근 몇 년 동안 그는 해양 과학 및 공중 보건 분야로 연구 영역을 확장하여 "AI + 해양" 분야의 학제간 연구를 적극적으로 추진하고 있습니다. 양찬 교수 팀은 이전에 BOOST/GBOOST 가속 GWAS 분석 도구를 개발하고, LEP(유전자 발현량)에 대한 다중 표현형 위험 예측 방법을 제안했으며, 비유럽 및 아메리카 인구 집단의 유전 데이터를 얼굴 특징으로 변환하는 데 도움이 되는 VGrow 생성 프레임워크를 설계했습니다.

홍콩과학기술대학교 해양과학과 석좌교수이자 학과장인 간 지안핑(Gan Jianping)은 해안 및 대륙붕 해양의 순환 역학과 생태계와의 결합 과정을 오랫동안 연구해 왔으며, 해안 생태 건강, 오염 제어, 지역 기후 지속가능 발전과 같은 연구 분야에 중점을 두고 있습니다. 물리 해양학 분야에서 간 지안핑 연구팀은 WavyOcean 2.0 지역 해양 디지털 트윈 플랫폼을 개발했습니다. 이 플랫폼은 해양 프로세스 시뮬레이션, GIS, BIM, 디지털 트윈 기술을 통합하여 해양-육지-대기 시스템의 3차원 결합 모델링을 구현하고, 대만구와 중국 해안을 포괄하는 해양 흐름, 생지화학적 진화, 강수량, 오염 확산의 동적 시각화 및 상호 작용 분석을 지원합니다. 현장 관측과 모델 시뮬레이션을 통해 연구팀은 남중국해 지역이 이중층이 교대로 회전하는 순환 구조를 가지고 있음을 처음으로 밝혀내 기존 해양 모델의 구조적 편차를 수정했습니다.

참고문헌:

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

2023년부터 2024년까지 AI4S 분야의 고품질 논문과 심층 해석 기사를 클릭 한 번으로 받아보세요⬇️