ИИ-инструмент STIMP предсказывает здоровье прибрежных океанов, восстанавливая недостающие данные

Исследователи из Гонконгского университета науки и технологий (HKUST) разработали новый инструмент на базе искусственного интеллекта под названием STIMP для диагностики продуктивности и здоровья экосистем прибрежных океанов.

Обзор STIMP. Автор: Nature Communications (2025). DOI: 10.1038/s41467-025-62901-9

STIMP представляет новую парадигму, которая восстанавливает недостающие данные, а затем предсказывает концентрации хлорофилла-а (Chl-a) в больших пространственно-временных масштабах. В тестах в четырёх репрезентативных прибрежных регионах мира STIMP значительно превзошёл существующие инструменты геонаук, сократив среднюю абсолютную ошибку (MAE) для восстановления данных до 81,39%, а для прогнозирования — на 58,99%.

Точное предсказание Chl-a помогает в раннем обнаружении вредоносных цветений водорослей, защите экосистем и предоставляет данные для обоснованного принятия политических решений. Исследование опубликовано в журнале Nature Communications под руководством профессоров HKUST Цзяньпина Гана (факультет океанологии) и Кана Яна (факультет математики).

Сравнительное исследование пространственно-временного восстановления и прогнозирования Chl-a для четырёх глобальных прибрежных океанов. Автор: Nature Communications (2025). DOI: 10.1038/s41467-025-62901-9

Концентрация хлорофилла-а является ключевым индикатором общего здоровья морских сред. Методы на основе данных, использующие спутниковые данные Chl-a, — перспективное решение для диагностики качества океанской среды в больших масштабах. Однако существуют три основные проблемы: сложность захвата временных вариаций, трудности моделирования пространственной неоднородности и высокий процент пропущенных наблюдений.

STIMP решает эти проблемы, разбивая прогнозирование на два этапа: процесс восстановления (imputation), который реконструирует полные пространственно-временные распределения Chl-a из частичных наблюдений, и процесс предсказания, который точно прогнозирует Chl-a на основе восстановленных данных. Используя правила Рубина, окончательный прогноз получается усреднением результатов множественных процессов восстановления и предсказания, что также позволяет количественно оценить неопределённости прогноза.

Высокоточное предсказание концентрации хлорофилла-а приносит значительные преимущества в управлении экосистемами и поддержке принятия решений.