KI-gestützte spatiotemporale Imputation und Vorhersage der Chlorophyll-a-Konzentration in KüsteneKosystemen

Die Vorhersage spatiotemporaler Chlorophyll-a (Chlₐ)-Verteilungen ist entscheidend für die Diagnose und Analyse der Produktivität sowie der Gesundheit der Ökosysteme in Küstenmeeren. Aktuelle Werkzeuge sind jedoch unzureichend, um marine Ökosysteme durch die Vorhersage spatiotemporaler Chlₐ-Verteilungen zu prognostizieren, insbesondere in den dynamischen Küstenmeeren. Gekoppelte physikalisch-biogeochemische Modelle haben Schwierigkeiten, komplexe trophische Wechselwirkungen zu erfassen, während datengestützte Ansätze durch unvollständige Satellitenbeobachtungen eingeschränkt sind. Wir haben ein fortschrittliches KI-gestütztes Modell zur spatiotemporalen Imputation und Vorhersage (STIMP) zur Vorhersage von Chlₐ in Küstenmeeren entwickelt. STIMP verfolgt ein neuartiges Paradigma, das zunächst Chlₐ imputiert und anschließend über einen breiten spatiotemporalem Maßstab vorhersagt, indem es Schwierigkeiten, die sich aus Unvollständigkeit, nichtstationären zeitlichen Variationen und räumlicher Heterogenität von Daten ergeben, durch die Integration speziell gestalteter Module löst. Wir haben die robuste Imputation und Vorhersage von Chlₐ durch STIMP in vier repräsentativen globalen Küstenmeeren demonstriert. STIMP reduzierte den durchschnittlichen Imputationsfehler (MAE) um 45,90-81,39 % im Vergleich zur Methode der empirischen orthogonalen Funktionen in der Geowissenschaft und um 8,92-43,04 % gegenüber führenden KI-Methoden. Mit genauer Imputation zeigte STIMP eine überlegene Vorhersagegenauigkeit und erreichte MAE-Reduktionen von 58,99 % im Vergleich zu biogeophysikalischen Modellen und 6,54-13,68 % im Vergleich zu KI-Benchmarks. STIMP bietet einen neuen Ansatz zur Vorhersage des Chlₐ-Meeres, das typischerweise spatiotemporale eingeschränkte Daten aufweist.