基于机器学习与卫星遥感的底层缺氧预测-AET-电子技术应用

基于机器学习与卫星遥感的底层缺氧预测

电子技术应用

李俊伟

浙江农林大学数学与计算机科学学院

摘要： 沿海缺氧严重威胁海洋生态系统的稳定性。鉴于传统观测手段成本高昂且在时空尺度上存在局限，机器学习与卫星遥感技术已被广泛应用于缺氧预测，但现有多数模型仍面临“黑箱”特性及预测周期短等挑战。结合1998—2019年墨西哥湾北部原位溶解氧数据与卫星遥感影像（海表温度、盐度、叶绿素a），构建了一个兼具物理机制可解释性与长时序外推能力的缺氧空间预测模型。结果表明，XGBoost模型展现了最优的预测性能，成功重建了2003—2019年夏季缺氧区空间分布，并有效填补了观测缺失年份的数据空白。SHAP分析揭示，海表温度主导的层化效应和盐度反映的淡水输入是关键驱动因子。本研究证实了融合卫星遥感与可解释性机器学习在缺氧长期连续监测中的巨大潜力。

关键词： 机器学习卫星遥感溶解氧缺氧

中图分类号：TP391.4 文献标志码：A DOI: 10.16157/j.issn.0258-7998.268048
中文引用格式： 李俊伟. 基于机器学习与卫星遥感的底层缺氧预测[J]. 电子技术应用，2026，52(8)：33-39.
英文引用格式： Li Junwei. Bottom-water hypoxia prediction based on machine learning and satellite remote sensing[J]. Application of Electronic Technique，2026，52(8)：33-39.

Bottom-water hypoxia prediction based on machine learning and satellite remote sensing

Li Junwei

College of Mathematics and Computer Science， Zhejiang A&F University

Abstract： Coastal hypoxia poses a severe threat to the stability of marine ecosystems. Given the high costs and spatiotemporal limitations of traditional observation methods, machine learning and satellite remote sensing technologies have been widely applied to hypoxia prediction. However, most existing models still face challenges such as "black-box" characteristics and short prediction horizons. This study integrated bottom dissolved oxygen data from the Northern Gulf of Mexico (1998–2019) with satellite remote sensing imagery (sea surface temperature, salinity, and chlorophyll-a) to construct a spatial hypoxia prediction model that combines physical interpretability with long-term extrapolation capabilities. The results demonstrate that the XGBoost model achieved optimal predictive performance, successfully reconstructing the spatial distribution of summer hypoxia from 2003 to 2019 and effectively filling data gaps for years with missing observations.

Key words : machine learning；satellite remote sensing；dissolved oxygen；hypoxia

引言

近岸海域缺氧（Hypoxia）现象的加剧正日益威胁着全球海洋生态系统的健康，底层溶解氧（Dissolved Oxygen, DO）浓度的降低不仅严重影响底栖生物的生存，也对渔业经济和局部生态平衡造成深远破坏[1]。墨西哥湾北部是全球受缺氧问题困扰最严重的区域之一[2]，其夏季底层缺氧区的形成与演变规律一直备受科学界高度关注。然而，目前对海洋缺氧的监测高度依赖于传统的船只现场观测[3]。传统离散采样虽然直接准确，但受限于高昂成本与海况影响，其时空覆盖率低，难以实现大尺度缺氧动态的连续追踪。

近年来，卫星遥感技术的飞速发展为大范围海洋环境监测提供了前所未有的契机。卫星遥感能够以精细的时空分辨率，提供海表温度（SST）、海表盐度（SSS）和叶绿素a（Chla）等关键环境参量的连续观测数据。与此同时，数据驱动的机器学习算法在处理高维、非线性的地球科学数据方面展现出了卓越的拟合与预测能力[4]。将卫星遥感数据与机器学习模型相结合，尝试从海表环境特征反演底层水体的缺氧状态，已成为突破传统监测瓶颈、实现缺氧区的空间连续制图的一条极具潜力的前沿途径[5]。

尽管如此，利用表层遥感变量准确预测底层DO浓度仍面临重大挑战。底层缺氧是受水柱热力层化、淡水输入和复杂生物地球化学过程耦合控制的系统结果[6]，现有研究在精准刻画这些非线性响应过程时仍有不足；更为关键的是，既往研究已探索利用机器学习模型结合卫星遥感数据预测沿海缺氧现象，但现有方法在实际应用中仍面临两项核心挑战。首先是时间跨度局限性，多数模型仅针对特定年份或短期事件进行验证，难以应对跨越数十年的气候年际波动。其次是模型的“黑箱”属性，现有研究多倾向于追求预测精度，却忽视了对模型内部决策逻辑于海洋物理化学机制一致性的定量验证[7]，从而限制了其在海洋科学及管理决策中的可靠性。

针对上述局限，本研究构建了兼顾长时间序列动态演变与物理机制可解释性的底层缺氧预测框架。主要工作包括：（1）融合了1998—2019年间墨西哥湾北部的 2 837 个原位观测样本，优选出XGBoost模型，成功填补了历史关键年份空间观测的数据空白；（2）引入SHAP（SHapley Additive exPlanations）可解释性框架，突破了传统数据驱动模型的“黑箱”限制，定量且直观地揭示了海表卫星遥感特征在反演底层缺氧时，所表征的热力层结与河口淡水羽流等海洋学机制。本研究不仅重构了该海域长达 17年的夏季缺氧连续空间分布格局，更为未来构建高可靠度、可解释的近岸海域缺氧业务化监测系统提供了全新的范式。

本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000007205

作者信息：

李俊伟

（浙江农林大学数学与计算机科学学院，浙江杭州 311300）

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容