《Ocean Modelling》：Spatial and Temporal Variability in the Seasonal Predictability of Chlorophyll in the Eastern China Seas
编辑推荐：
准确预测东海叶绿素浓度对海洋生态监测至关重要。本研究采用深度学习模型分析东中国海叶绿素月度预测能力，发现1-2个月超前预测效果显著优于随机预报，但超过2个月预测性能骤降。空间上大陆架区域预测最佳，深海及12月表现欠佳。遗传算法优化输入变量后，预测精度提升且可预测区域扩大。研究为气候适应型海洋管理决策提供理论支撑。
丁文祥|韩国庆|钱丹伟
浙江海洋大学海洋科学技术学院，舟山，316022，中国
摘要
准确预测叶绿素（Chl）浓度对于海洋生态系统的监测和管理至关重要。本研究利用深度学习模型探讨了中国东海地区月度叶绿素浓度的可预测性。结果表明，该模型在1个月和2个月的预测时效内表现良好，明显优于随机预测方法，但超过2个月后预测能力显著下降。大陆架区域的预测能力最强，且从1月到10月期间预测效果较好，而深海海域和12月的预测能力较低。年际分析显示，在拉尼娜年预测误差有所增加，尽管在不同厄尔尼诺-南方涛动（ENSO）阶段，可预测区域的空间范围相对稳定。通过引入遗传算法进行输入变量选择，显著提高了预测精度，并扩大了可预测网格点的比例。这些发现证明了在大陆架区域进行1个月和2个月叶绿素预测的可行性，并强调了通过模型优化策略改进季节性预测系统的潜力，为气候适应性海洋管理和决策提供了有价值的支持。
引言
叶绿素（Chl）浓度是海洋初级生产力的关键指标，反映了海洋生态系统中浮游植物生物量的动态变化（Hughes等人，2018；Zhao等人，2024；Zhang等人，2025）。准确预测叶绿素变化对于理解海洋生态过程至关重要，并为渔业管理、水质评估和海洋环境保护提供重要信息（Jia等人，2020；Rousseaux等人，2021）。尽管大多数现有研究关注叶绿素水平的短期监测和预测（Amorim等人，2021；Kim等人，2021；Li等人，2024），但气候变化和人类活动的日益影响凸显了开发可靠的中长期预测模型的必要性。此类长期预测为海洋资源的主动管理和可持续利用提供了宝贵的预见性，最终有助于维护海洋生态系统的韧性和健康（Jia等人，2020；López-Parages等人，2022）。
中国东海——包括渤海、黄海和东海（图1a）——是世界上最大的大陆架海域之一，其广阔的大陆架通常深度低于200米，具有复杂的水动力特征（Guo等人，2023；Cai等人，2017）。该地区受到多个主要洋流的相互作用影响（图1b），包括黑潮、对马暖流和台湾暖流，以及冷海岸流如浙闽沿岸流和黄海沿岸流。这种动态环流形成了富含营养的水体，支撑了高初级生产力，促进了多样化的渔业和水产养殖业的发展（Cen等人，2022；Lee等人，2023）。中国东海拥有中国最富生产力的沿海渔业，大陆架上分布着广泛的海水养殖和海洋牧场（Wang等人，2023；Qin和Guo，2025）；这些活动为数百万人提供了重要的经济利益、食品安全和生计（Cen等人，2022；Lee等人，2023）。鉴于该地区的高生产力和社会经济重要性，准确预测叶绿素浓度不仅对于理解生态动态至关重要，而且对于支持可持续渔业管理、规划水产养殖作业和维持海洋环境质量也具有重要意义。
深度学习方法在捕捉海洋生态系统中复杂的非线性关系方面具有显著优势（Ham等人，2019；Baek等人，2021）。与依赖手工特征且常假设简化动态的线性回归或浅层机器学习模型不同，深度学习能够从原始和高维数据中自动学习层次化表示，从而实现对时空模式的稳健建模（Lecun等人，2015；Lee和Lee，2018；Yao等人，2023）。在叶绿素估计方面，卷积神经网络（CNN）特别擅长直接从卫星图像中提取空间特征，比传统方法具有更高的准确性和效率（Baek等人，2021；Jin等人，2021）。结合现代计算能力，深度学习框架可以有效地处理大型遥感数据集，提高中长期预测能力，同时减少手动特征工程的工作量并增强模型的适应性（Park和Park，2021；Liu等人，2023）。
先前的研究表明，在某些开阔海域，海洋中的生物地球化学参数具有一定程度的可预测性（Gregoire等人，2021；Séférian等人，2024）。例如，Park等人（2019）发现可以在包括印度洋、热带太平洋和北大西洋在内的主要开阔海域提前1至3个月准确预测叶绿素异常。然而，在沿海地区，尤其是中国东海，这种可预测性显著下降，有效预测几乎无法实现（Park等人，2019）。这主要是由于这些近岸环境中物理和生物过程的复杂相互作用——包括陆地输入、河口动态、海岸环流和人为影响——严重限制了传统气候驱动预测方法的应用。在这种情况下，集成深度学习方法提供了一个有前景的途径，因为它们能够捕捉多种驱动因素之间的复杂非线性关系（Lecun等人，2015），有可能改变以前难以处理的沿海系统的可预测性。
尽管中国东海在生态和经济上具有重要意义，但在叶绿素变化的季节性预测方面仍是一个盲点，这主要是由于沿海动力学的复杂性和传统预测方法的局限性。提高该地区的可预测性对于预测生态系统对气候变化的响应、指导可持续渔业和水产养殖作业以及在日益增加的人为压力下加强海洋环境治理至关重要。受此需求的驱动，本研究探讨了中国东海地区叶绿素浓度的季节性预测能力。我们利用基于长期卫星数据集的深度学习框架，评估了不同预测时效下叶绿素可预测性的空间和时间限制。这项工作旨在提供关于限制沿海预测能力的机制的新见解，并支持为高度动态的大陆架海域的海洋资源管理开发早期预警系统。
数据收集和预处理
本研究使用的叶绿素数据来自哥白尼海洋环境监测服务（CMEMS，
https://data.marine.copernicus.eu）。具体来说，我们使用了OCEANCOLOUR_GLO_BGC_L4_MY_009_104产品，该产品提供了多传感器、无间隙的4级全球海洋颜色数据。该数据集由哥白尼-GlobColour处理器生成，整合了来自SeaWiFS、MODIS（Aqua和Terra）、MERIS、VIIRS（SNPP和JPSS-1）和OLCI等卫星传感器的观测数据。
可预测性的空间模式
中国东海地区叶绿素的可预测性表现出明显的空间模式，并且与预测时效有很强的依赖性。如图3所示，1个月的预测时效始终表现最佳，具有最低的均方根误差（RMSE）和最高的R2值。2个月的预测时效也表现良好，这两种时效都显著优于基于气候学的随机预测。然而，当预测时效超过2个月时，模型的预测能力
结论
本研究使用深度学习模型评估了中国东海地区月度叶绿素浓度的可预测性。该模型在1个月和2个月的预测时效内表现良好，但超过2个月后预测能力迅速下降。大多数大陆架区域在2个月内是可以预测的，而深海海域在所有时效内几乎无法预测。
季节性和年际变化模式明显存在。从1月到10月，预测能力相对
作者贡献声明
丁文祥：概念构思、方法论、软件开发、数据分析、研究实施、初稿撰写、审稿与编辑、资金获取；韩国庆：概念构思、审稿与编辑、资金获取；钱丹伟：数据管理、审稿与编辑。
作者贡献声明
丁文祥：撰写 – 审稿与编辑、初稿撰写、可视化、验证、监督、软件开发、资源准备、方法论制定、研究实施、资金获取、数据分析、概念构思。韩国庆：撰写 – 审稿与编辑、项目管理、数据分析、概念构思。钱丹伟：数据管理、验证、撰写 – 审稿与编辑。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了国家自然科学基金（编号42406212；42206005）的支持。
