《A Spatiotemporal Fusion Transformer Model for Chlorophyll-a Concentrations Prediction Over Large Ar

研究背景

　　论文研究了叶绿素-a（Chla）的预测，这是海洋生态系统健康和环境变化的重要指标。传统的物理模型和数据驱动模型在Chla预测上存在局限性，尤其是长时间序列预测和大面积预测。深度学习方法近年来得到了关注，但大多仅能实现短期预测，且难以有效提取时空依赖性。

研究目标

　　论文提出了一种基于Transformer的时空融合模型（STF_Transformer），旨在解决长时间（15天）大范围海域的Chla预测问题。该模型通过融合时空特征，捕捉Chla时空序列的长期和短期依赖性，以提高预测精度。

研究数据与方法

（1）研究数据

　　研究数据来源于NASA MODIS-Aqua卫星2012至2022年获取的每日Chla产品数据，空间分辨率为4公里。数据经过预处理，采用DINEOF方法填补缺失值。

（2）研究方法

　　STF_Transformer模型由时序Transformer模块和空间Transformer模块组成，通过嵌入层和注意力机制提取时空依赖特征。实验中将模型与CNN、LSTM、CNN-LSTM、ConvLSTM和Ca-STANet等对比，以评估其性能。

研究结论

　　论文提出的时空融合Transformer模型（STF_Transformer）在大范围和相对长期的叶绿素-a（Chla）预测中展现出卓越性能。实验表明，与其他深度学习方法（如CNN、LSTM、ConvLSTM和Ca-STANet）相比，STF_Transformer模型能够更有效地捕捉复杂的时空依赖性，实现更高的预测精度，尤其在15天的长时间预测中表现稳定。

　　通过时序和空间Transformer模块，该模型可以从历史Chla序列中提取长短期依赖性，并将其结合用于未来的Chla预测。实验结果验证了该模型在中国东部海域（包括渤海、黄海和东海）15天Chla预测中的有效性，其预测的空间和时间模式与实际观测数据高度一致。

　　总体而言，该研究为长时间、大范围的海洋环境变化监测和藻华预警提供了一种有效的技术手段。未来的工作可以进一步优化模型的轻量化设计，降低计算负担，并提升模型在其他区域的适应性。