Predecir las distribuciones espaciotemporales de clorofila-a (Chlₐ) es esencial para diagnosticar y analizar la productividad y la salud de los ecosistemas de los océanos costeros. Sin embargo, las herramientas actuales siguen siendo inadecuadas para pronosticar ecosistemas marinos a través de la predicción de distribuciones espaciotemporales de Chlₐ, especialmente en el dinámico océano costero. Los modelos acoplados de física-bioquímica luchan por resolver interacciones tróficas complejas, mientras que los enfoques basados en datos se ven limitados por observaciones satelitales incompletas. Desarrollamos un modelo avanzado de imputación y predicción espaciotemporal (STIMP) impulsado por IA para predecir Chlₐ en el océano costero. STIMP adopta un nuevo paradigma que primero imputa y posteriormente predice Chlₐ a través de una amplia escala espaciotemporal, resolviendo dificultades derivadas de la incompletitud, variaciones temporales no estacionarias y heterogeneidad espacial de los datos mediante la integración de módulos diseñados especialmente. Demostramos la robusta imputación y predicción de Chlₐ de STIMP en cuatro océanos costeros globales representativos. STIMP redujo el error absoluto medio de imputación (MAE) en un 45.90-81.39% en comparación con el método de interpolación de función ortogonal empírica en geociencias y en un 8.92-43.04% frente a los principales métodos de IA. Con una imputación precisa, STIMP demostró una superior precisión predictiva, logrando reducciones de MAE del 58.99% sobre modelos biogeofísicos y del 6.54-13.68% sobre referencias de IA. STIMP ofrece un nuevo enfoque para predecir Chlₐ en los océanos, que típicamente tienen datos espaciotemporalmente limitados.
Zhang et al. (Mon,) estudiaron esta cuestión.