Команда исследователей из Гонконгского университета науки и технологий (HKUST) разработала инновационный инструмент STIMP на базе искусственного интеллекта для диагностики продуктивности прибрежных океанов и состояния их экосистем.
Инструмент STIMP предлагает новую парадигму, которая восполняет недостающие данные и затем прогнозирует концентрацию хлорофилла-а (Chl-a) в больших пространственно-временных масштабах. В ходе испытаний в четырёх репрезентативных прибрежных регионах мира STIMP значительно превзошёл существующие инструменты в области наук о Земле, сократив среднюю абсолютную ошибку (MAE) для восполнения данных до 81,39% и для прогнозирования — на 58,99%.
Точное прогнозирование Chl-a способствует раннему выявлению вредоносного цветения водорослей, защите экосистем и предоставляет основанные на данных сведения для разработки обоснованной политики. Исследование опубликовано в журнале Nature Communications, а работу возглавили профессора HKUST Гань Цзяньпин (кафедра океанографии) и Ян Цань (кафедра математики).
Прибрежные океаны — самые продуктивные морские экосистемы в мире, поскольку наземный приток питательных веществ и активная гидродинамика обеспечивают высокую биологическую продуктивность и биоразнообразие. Однако экосистемы прибрежных океанов уязвимы к частым и серьёзным случаям эвтрофикации, биогеохимическим экстремумам и гипоксии, которые существенно угрожают устойчивости этих прибрежных сред и «голубой экономике» прибрежных зон.
Концентрация хлорофилла-а — ключевой индикатор общего состояния морских сред. Методы, основанные на данных, использующие данные дистанционного зондирования о хлорофилле-а для крупномасштабной пространственно-временной диагностики качества окружающей среды океана, являются перспективным решением. Однако при разработке крупномасштабного пространственно-временного метода прогнозирования на основе данных о хлорофилле-а остаются три проблемы:
1. Временные вариации трудно уловить в существующих данных.
2. Пространственную неоднородность и взаимосвязи трудно смоделировать.
3. Высокие темпы отсутствия наблюдений затрудняют понимание пространственно-временных вариаций.
Для решения этих проблем исследовательская группа HKUST разработала передовую модель пространственно-временного восполнения и прогнозирования (STIMP) на базе искусственного интеллекта для прогнозирования Chl-a в прибрежном океане.
STIMP делит прогнозирование Chl-a на два последовательных этапа:
1. Процесс восполнения, который реконструирует несколько потенциальных полных пространственно-временных распределений Chl-a из частичных наблюдений.
2. Процесс прогнозирования, который точно прогнозирует Chl-a на основе каждого реконструированного непрерывного и полного пространственно-временного распределения Chl-a.
Используя правила Рубина, окончательное прогнозирование Chl-a получается путём усреднения результатов нескольких процессов восполнения и прогнозирования. Таким образом, метод STIMP не только улучшает общую прогностическую производительность за счёт точного восполнения недостающих данных, но и предоставляет интервалы достоверности для количественной оценки неопределённости прогнозирования.
STIMP позволяет проводить пространственно-временное восполнение. STIMP значительно снижает MAE на 45,90–81,39% по сравнению с методом интерполяции эмпирических ортогональных функций (DINEOF) в области наук о Земле и на 8,92–43,04% по сравнению с современными методами искусственного интеллекта в четырёх репрезентативных прибрежных океанах мира. Коэффициенты корреляции Пирсона (PCC) данных, восполненных STIMP, и достоверных данных превышали 0,90 даже при уровне отсутствия данных в 90%.
Благодаря точному восполнению STIMP предлагает пространственно-временное прогнозирование, достигая снижения MAE на 58,99% по сравнению с биогеофизическими моделями и на 6,54–13,68% по сравнению с эталонными показателями искусственного интеллекта. STIMP может быть применён к глобальным прибрежным океанам, предлагая новый подход для прогнозирования Chl-a в океанах, где данные пространственно-временно ограничены.
Точное прогнозирование концентрации хлорофилла-а приводит к значительным преимуществам и решениям в различных областях. В управлении и сохранении экосистем оно позволяет раннее выявление вредоносного цветения водорослей, что позволяет принимать упреждающие меры для защиты аквакультуры и прибрежных экосистем. Для политики и поддержки принятия решений оно предоставляет основанные на данных сведения для разработки обоснованной политики в области рыболовства и контроля загрязнения.
Предоставлено Гонконгским университетом науки и технологий.