新聞
研究與創新

科大團隊研發AI工具 精準預測沿岸海洋健康狀況

2025-09-11
06 清潔飲水和衞生設施
11 可持續城市及社區
13 氣候行動
14 水下生物
#研究
#創新
#可持續性
STIMP整體框架

STIMP整體框架 

總體表現

總體表現

由香港科技大學(科大)甘劍平教授(海洋科學系)和楊燦教授(數學系)領導的研究團隊,開發了一種新型AI驅動的工具,名為STIMP,用於診斷沿岸海洋生產力和生態系統健康。STIMP引入了一種新範式,能夠對缺失數據進行插補,從而在大時空尺度上預測葉綠素a(Chl-a)濃度。在對四個全球代表性沿海區域的測試中,STIMP的表現顯著優於現有的地球科學工具,將插補的平均絕對誤差(MAE)降低最高達81.39%,預測的平均絕對誤差降低了58.99%。準確的葉綠素-a預測有助於及早檢測有害藻華,保護生態系統,並為制訂海洋政策提供具數據基礎的見解。  


沿岸海洋是地球上生產力最高的海洋生態系統,因為來自陸地的營養鹽輸入和活躍的水動力過程促成了高生物生產力和生物多樣性。然而,沿岸海洋生態系統易受頻繁且嚴重的富營養化、生物地球化學極端事件和缺氧的影響,這些因素嚴重威脅著沿海環境的可持續性以及沿海地區的藍色經濟。葉綠素a的濃度是衡量海洋環境整體健康狀況的關鍵指標。利用遙感获得的葉綠素a數據來實現大尺度時空海洋環境質量診斷的數據驅動方法,是一種有前景的解決方案。然而,開發基于數據驅動的大尺度時空葉綠素a預測方法仍面臨三個挑戰:首先,葉綠素時間變化難以捕捉;其次,葉綠素的空間異質性難以建模;第三,觀測數據的高缺失率使得時空變化的獲取更具挑戰性。 

 

為了解決上述挑戰,科大研究團隊開發了一種先進的AI驅動時空插補與預測(STIMP)模型,用於預測沿岸海洋中的葉綠素a。STIMP將葉綠素a的預測分解為兩個連續步驟:1)插補過程,從部分觀測數據中重建多個可能得完整時空葉綠素a分布;2)預測過程,基於每個重建的連續且完整的時空葉綠素a分布進行精準預測。通過使用Rubin規則對多次插補和預測過程的結果進行平均,獲得最終的葉綠素a預測。透過這種方式,我們的STIMP方法不僅通過對缺失數據的精確插補提高了整體預測性能,還提供了置信區間以量化預測的不確定性。  

 

STIMP能夠實現時空插補。在全球四個代表性沿岸海域,與地球科學中的數據插補經驗正交函數(DINEOF)方法相比,STIMP將平均絕對誤差顯著降低了45.90%至81.39%;與最先進的AI方法相比,降低了8.92%至43.04%。即使數據缺失率達到90%,STIMP插補的數據與真實數據之間的皮爾遜相關系數(PCC)仍大於0.90。憑藉精確的插補,STIMP提供了時空預測能力,相比生物地球物理模型,平均絕對誤差降低了58.99%;相比AI基準模型,降低了6.54%至13.68%。STIMP可應用於全球沿岸海洋,為通常受限於時空數據的海洋葉綠素a預測提供了一種新方法。  

 

高準確度的葉綠素-a濃度預測在不同領域都有望帶來正面影響,例如在生態系統管理和保育方面,能及早檢測有害藻華,從而採取主動措施保護水產養殖和沿海生態系統。在海洋政策方面,它為政策制定者提供科學數據見解,有助設計漁業法規和污染控制措施。 

 

該研究已發表於《自然·通訊》(Nature Communications)上。  

註冊收取我們的最新消息

了解香港科技大學的最新動態、活動和突破。