解构海洋缺氧：浙大 GIS 实验室融合机器学习及卫星测绘，发布全球海表溶解氧综合建模框架
💡
原文中文，约4500字，阅读约需11分钟。
📝
内容提要
该研究使用机器学习和卫星数据开发了全球海表溶解氧综合建模框架，生成了2010年至2018年的大规模海表溶解氧数据集。研究发现，即使在氧气充足的海表区域，溶解氧含量也呈下降趋势，主要归因于海表温度的变化。这项研究对于了解全球海洋溶解氧的变化和脱氧现象的成因具有重要意义。
🎯
关键要点
- 研究使用机器学习和卫星数据开发全球海表溶解氧综合建模框架。
- 生成了2010年至2018年的大规模海表溶解氧数据集SSD。
- 即使在氧气充足的海表区域，溶解氧含量也呈下降趋势，主要归因于海表温度变化。
- 海洋缺氧现象影响海洋生物、渔业和社会经济。
- 全球低氧浓度海域数量自上世纪60年代以来增加了600多个。
- 海洋实地观测成本高，数据分布不均，影响研究。
- 研究人员提出DOsurface-Pred框架，结合机器学习与卫星数据。
- 框架由时空信息嵌入模块、回归模块和SHAP解释器模块组成。
- SST是影响海表溶解氧含量的主要因素。
- SSDO数据集与WOD长期记录数据相似，显示海表溶解氧水平下降趋势。
- SHAP方法揭示温度和盐度对溶解氧的负面影响。
- AI和新兴技术在海洋研究中的应用逐渐深入，助力环境保护。
➡️
