海洋学院师生发表海洋环境要素长期预测重要成果

日前，天津大学海洋学院师生在海洋环境要素长期预测方向取得重要研究成果，通过改进一种结合时空特征的CNN-LSTM深度学习模型预测chlor_a（叶绿素a）的浓度变化，解决了传统的chlor_a预测方法精度低、不能长期预测等问题，能够为有害藻华事件的长期监测和预警提供技术支撑，体现了海洋管理与海洋技术的深度学科融合。该研究成果以论文形式发表于自然指数统计源期刊Water Research（影响因子11.236），题为：Long-term prediction of sea surface chlorophyll-a concentration based on the combination of spatio-temporal features。天津大学海洋学院硕士研究生刘娜为论文的第一作者，陈韶阳副教授为通讯作者。

近几十年来，南海(SCS)的有害藻华（HABs）事件呈上升趋势。预测叶绿素a (Chl-a)的长期浓度变化有利于对HABs事件的长期监测和早期预警。目前，对海洋环流和温度的预测较为普遍，但对海洋生物化学的预测仍处于起步阶段。传统的Chl-a预测方法存在着精度低、无法进行长期预测等问题。本研究通过CNN-LSTM模型结合时空特征来预测Chl-a浓度。该模型可以同时提取Chl-a的时间和空间特征，扩展数据集，提高预测精度和训练速度。对Chl-a进行了5年的长期滚动预测，3年的皮尔逊相关系数可达到0.5。这项研究的新颖之处在于实现了Chl-a浓度的三年长期预测。

图1程序运行结构图

图2五年预测的Pearson相关系数

该研究成果为渔业管理、海洋濒危物种保护、海洋生态系统健康以及全球海洋治理提供了支持。研究团队下一步将对其他海水要素开展相关预测研究，并建立多要素耦合模型，形成一套全球范围的海洋生物化学长期预报体系。