AI-tool herstelt ontbrekende gegevens voor het voorspellen van de gezondheid van kusten oceanen

Overzicht van STIMP. Een onderzoeksteam van de Hong Kong University of Science and Technology (HKUST) heeft een innovatief AI-gestuurd hulpmiddel ontwikkeld genaamd STIMP, dat is ontworpen voor het diagnosticeren van de productiviteit van de kustzeeën en de gezondheid van ecosystemen.

STIMP introduceert een nieuw paradigma dat ontbrekende gegevens aanvult en vervolgens de concentraties van Chlorofyl-a (Chl-a) over grote ruimtelijke en temporele schalen voorspelt. In tests in vier representatieve mondiale kustgebieden presteerde STIMP aanzienlijk beter dan bestaande geowetenschappelijke hulpmiddelen, met een vermindering van de gemiddelde absolute fout (MAE) voor aanvulling met maar liefst 81,39% en voor voorspelling met 58,99%.

Een nauwkeurige voorspelling van Chl-a helpt bij de vroegtijdige detectie van schadelijke algale blooms, beschermt ecosystemen en biedt gegevensgestuurde inzichten voor op bewijs gebaseerde beleidsvorming. Het onderzoek is geleid door professoren Gan Jianping (Afdeling Oceanografie) en Yang Can (Afdeling Wiskunde) van HKUST.

Kustzeeën zijn de meest productieve mariene ecosystemen ter wereld, omdat de toevoer van nutriënten uit het land en actieve hydrodynamica zorgen voor hoge biologische productiviteit en biodiversiteit. Deze ecosystemen zijn echter kwetsbaar voor frequente en ernstige eutrofiëring, biogeochemische extremen en hypoxie, die de duurzaamheid van deze kustmilieus en de blauwe economieën van de kustzones aanzienlijk bedreigen.

De concentratie van Chl-a is een belangrijke indicator voor de algehele gezondheid van mariene omgevingen. Gegevensgestuurde methoden die gebruik maken van remote sensing Chl-a-gegevens om een grootschalige temporele en ruimtelijke diagnose van de kwaliteit van de oceaanomgeving te bereiken, vormen een veelbelovende oplossing. Er blijven echter drie uitdagingen bestaan bij het ontwikkelen van een grootschalige, op Chl-a gebaseerde gegevensgestuurde voorspellingsmethode.

Ten eerste zijn temporele variaties moeilijk vast te leggen in bestaande gegevens. Ten tweede is het moeilijk om ruimtelijke heterogeniteit en relaties te modelleren. Ten derde zorgen hoge percentages ontbrekende waarnemingen ervoor dat temporele en ruimtelijke variaties moeilijker te begrijpen zijn.

Om deze uitdagingen aan te pakken, heeft het HKUST-onderzoeksteam een geavanceerd AI-gestuurd model voor spatiotemporele aanvulling en voorspelling (STIMP) ontwikkeld om Chl-a in de kustzee te voorspellen. STIMP decomprimeert de voorspelling van Chl-a in twee opeenvolgende stappen: 1) het aanvulproces, dat meerdere potentiële complete spatiotemporele Chl-a-distributies reconstrueert uit gedeeltelijke waarnemingen, en 2) het voorspellingproces, dat Chl-a nauwkeurig voorspelt op basis van elke gereconstrueerde continue en complete spatiotemporele Chl-a-distributie.

Met behulp van de regels van Rubin wordt de uiteindelijke Chl-a-voorspelling verkregen door de uitkomsten van meerdere aanvul- en voorspellingsprocessen te middelen. Op deze manier verbetert onze STIMP-methode niet alleen de algehele voorspellende prestaties door nauwkeurige aanvulling van ontbrekende gegevens, maar biedt ook betrouwbaarheidsintervallen om de onzekerheden in de voorspellingen te kwantificeren.

STIMP maakt spatiotemporele aanvulling mogelijk. STIMP verminderde de MAE aanzienlijk met 45,90~81,39% in vergelijking met de DINEOF-methode uit de geowetenschappen, en met 8,92–43,04% in vergelijking met de meest geavanceerde AI-methoden in vier representatieve mondiale kustzeeën. De Pearson-correlatiecoëfficiënten (PCC) van de door STIMP aangevulde gegevens en de feitelijke gegevens waren groter dan 0,90, zelfs wanneer het percentage ontbrekende gegevens 90% bedroeg.

Met nauwkeurige aanvulling biedt STIMP spatiotemporele voorspellingen, met MAE-reducties van 58,99% ten opzichte van biogeofysische modellen en 6,54–13,68% ten opzichte van AI-benchmarks. STIMP kan worden toegepast op mondiale kustzeeën en biedt een nieuwe benadering voor het voorspellen van Chl-a in zeeën die doorgaans spatiotemporeel beperkte gegevens hebben.

Een nauwkeurige voorspelling van de Chl-a-concentratie leidt tot aanzienlijke voordelen en oplossingen op verschillende gebieden. In ecosysteembeheer en -bescherming stelt het vroege detectie van schadelijke algale blooms in staat, waardoor proactieve maatregelen kunnen worden genomen om aquacultuur en kustecosystemen te beschermen. Voor beleids- en besluitvormingsondersteuning biedt het gegevensgestuurde inzichten voor beleidsmakers om op bewijs gebaseerde visserijreguleringen en maatregelen voor vervuilingsbestrijding te ontwerpen.