新闻
研究与创新

香港科大团队研发AI工具 精准预测沿岸海洋健康状况

06 清洁饮水和衞生设施
11 可持续城市和社区
13 气候行动
14 水下生物
#研究
#创新
#可持续性
STIMP整体框架

STIMP整体框架

总体表现

总体表现

由香港科技大学(科大)甘剑平教授(海洋科学系)和杨灿教授(数学系)领导的研究团队,开发了一种新型AI驱动的工具,名为STIMP,用于诊断沿岸海洋生产力和生态系统健康。STIMP引入了一种新范式,能够对缺失数据进行插补,从而在大时空尺度上预测叶绿素a(Chl-a)浓度。在对四个全球代表性沿海区域的测试中,STIMP的表现显著优于现有的地球科学工具,将插补的平均绝对误差(MAE)降低最高达81.39%,预测的平均绝对误差降低了58.99%。准确的叶绿素-a预测有助于及早检测有害藻华,保护生态系统,并为制订海洋政策提供具数据基础的见解。

沿岸海洋是地球上生产力最高的海洋生态系统,因为来自陆地的营养盐输入和活跃的水动力过程促成了高生物生产力和生物多样性。然而,沿岸海洋生态系统易受频繁且严重的富营养化、生物地球化学极端事件和缺氧的影响,这些因素严重威胁着沿海环境的可持续性以及沿海地区的蓝色经济。叶绿素a的浓度是衡量海洋环境整体健康状况的关键指标。利用遥感获得的叶绿素a数据来实现大尺度时空海洋环境质量诊断的数据驱动方法,是一种有前景的解决方案。然而,开发基于数据驱动的大尺度时空叶绿素a预测方法仍面临三个挑战:首先,叶绿素时间变化难以捕捉;其次,叶绿素的空间异质性难以建模;第三,观测数据的高缺失率使得时空变化的获取更具挑战性。

为了解决上述挑战,科大研究团队开发了一种先进的AI驱动时空插补与预测(STIMP)模型,用于预测沿岸海洋中的叶绿素a。STIMP将叶绿素a的预测分解为两个连续步骤:1)插补过程,从部分观测数据中重建多个可能得完整时空叶绿素a分布;2)预测过程,基于每个重建的连续且完整的时空叶绿素a分布进行精准预测。通过使用Rubin规则对多次插补和预测过程的结果进行平均,获得最终的叶绿素a预测。透过这种方式,我们的STIMP方法不仅通过对缺失数据的精确插补提高了整体预测性能,还提供了置信区间以量化预测的不确定性。

STIMP能够实现时空插补。在全球四个代表性沿岸海域,与地球科学中的数据插补经验正交函数(DINEOF)方法相比,STIMP将平均绝对误差显著降低了45.90%至81.39%;与最先进的AI方法相比,降低了8.92%至43.04%。即使数据缺失率达到90%,STIMP插补的数据与真实数据之间的皮尔逊相关系数(PCC)仍大于0.90。凭借精确的插补,STIMP提供了时空预测能力,相比生物地球物理模型,平均绝对误差降低了58.99%;相比AI基准模型,降低了6.54%至13.68%。STIMP可应用于全球沿岸海洋,为通常受限于时空数据的海洋叶绿素a预测提供了一种新方法。

高准确度的叶绿素-a浓度预测在不同领域都有望带来正面影响,例如在生态系统管理和保育方面,能及早检测有害藻华,从而采取主动措施保护水产养殖和沿海生态系统。在海洋政策方面,它为政策制定者提供科学数据见解,有助设计渔业法规和污染控制措施。

该研究已发表于《自然·通讯》(Nature Communications)上。   

注册收取我们的最新消息

了解香港科技大学的最新动态、活动和突破。