Wir entwickelten ein erklärbares maschinelles Lernframework, das 22 Jahre (2003–2024) multimodale Satellitendaten (MODIS Aqua, CMEMS, C3S) mit zonenspezifischer SHAP-Zuschreibung kombiniert, um die Mechanismen von Chlorophyll-a (Chl-a) im Ostchinesischen Meer zu quantifizieren. Ein geographiefreies XGBoost-Modell erreichte R2=0.802 auf 1,4 Millionen Pixel-Monatsbeobachtungen, und kontrafaktische Experimente bestätigten seine überlegene Umweltempfindlichkeit im Vergleich zu ortsabhängigen Modellen. Die Multi-Strategie-Schwellenwert-Erkennung identifizierte zwei kritische Salzgrenzen—11,62 psu, die den Übergang von Trübung zu Produktivität markiert (Cohen's d=−2,92) und 34,03 psu an der Kuroshio-Front (d=−1,04)—keine davon entspricht traditionellen physikalischen Definitionen. Die zonenspezifische SHAP-Analyse zeigte, dass die Oberflächenwassersalinität (SSS) die Chl-a-Zuschreibung in allen Zonen dominiert, jedoch durch grundsätzlich unterschiedliche Mechanismen. Wir schlagen ein „SSS Triple-Role Framework“ vor, in dem Salinität als Trübungsproxi in Ästuaren, Nährstoffproxi in Übergangswässern und Verdünnungssignal offshore dient und so den anscheinenden Widerspruch zwischen gleichzeitigen positiven und negativen Salzeffekten auflöst. Nicht-additive Wechselwirkungen—einschließlich SSS × SST-Kopplung (61% Modulation) und SST × Meeresspiegelverstärkung während Kuroshio-Intrusionen—zeigen weiterhin hierarchische Kontrollen, die von additiven Modellen übersehen werden. Diese Erkenntnisse bieten quantitative Maßstäbe für das Ökosystemmonitoring in flussgeprägten Randmeeren.
Liu et al. (Do,) untersuchten diese Frage.