華東師范大學河口海岸學國家重點實驗室研究員沈芳團隊將人工智能（AI）技術與多源海洋大數據相結合，提出了一種基于深度學習的時空生態集成模型（STEE-DL），進而開發了領域內首套全球長時序（1998-2023）逐日無縫4公里浮游植物功能群濃度數據產品（AIGD-PFT），顯著提升了對8種主要浮游植物功能群的反演精度和時空覆蓋率。10月23日，相關研究發表于《地球系統科學數據》。
為更深入探索海洋浮游植物在生態功能、資源利用方式及環境適應性方面的差異，研究人員將其劃分為不同的浮游植物功能類型（PFT）。全球大尺度、長時序、高精度的PFT數據是研究海洋生態系統及其對氣候變化響應的核心基礎。然而，現有數據產品在反演精度、時空分辨率、空間覆蓋率和時間跨度等方面仍面臨重大挑戰。
研究團隊將浮游植物類群反演視為多元非線性映射問題，并引入了多源環境預測因子。在前期研究基礎上，研究人員進一步擴展匯編了全球原位HPLC數據集，增加了原位觀測數據的可用數量；隨后，采用離散余弦變換-懲罰最小二乘法（DCT-PLS）來進行OC-CCI水色遙感產品的缺失重建，并整合多源海洋環境因子作為驅動數據；最后構建得到了STEE-DL模型。
研究中使用到的多源環境預測因子。圖片來源于《地球系統科學數據》
研究團隊表示，AIGD-PFT數據產品發布為分析浮游植物群落的時空動態提供了重要工具，有望對揭示浮游植物組成對氣候變化的響應機制研究提供支持。該數據產品還可促進海洋碳通量的精確量化，提高生物地球化學模型的預測精度，為未來的氣候變化與海洋科學研究提供有力支持。
相關論文信息：https://doi.org/10.5194/essd-16-4793-2024
閱讀原文
記者丨江慶齡
來源丨科學網
編輯丨王藍萱
編審丨郭文君
