机器学习驱动的红海pH酸化监测：基于卫星遥感的模型验证与比较研究

本研究针对红海海域2021-2024年pH值变化监测难题，创新性应用Copernicus卫星遥感数据，系统评估了Stepwise Linear Regression等五种机器学习(ML)模型性能。研究发现线性回归类模型对浮游植物季节性增殖、水体垂直混合及CO2输入引发的pH变化预测精度最优，为海洋酸化监测提供了高效可扩展的技术方案，对完善海洋环境治理体系具有重要实践价值。

　　

海洋酸化作为全球气候变化的重要衍生问题，正在对海洋生态系统产生深远影响。红海作为全球盐度最高、温度梯度显著的特殊海域，其pH值变化机制较其他海域更为复杂。传统监测方法受限于采样频率和空间覆盖度，难以捕捉该海域pH值的动态变化特征，而卫星遥感技术结合机器学习算法为解决这一难题提供了新思路。

土耳其吉雷松大学健康服务职业学院医疗技术与服务系（University of Giresun, Vocational School of Health Services, Department of Medical Services and Techniques）的Duygu Odabas Alver团队在《Journal of Sea Research》发表的研究，首次系统评估了机器学习在红海pH值监测中的应用效能。研究人员创新性地整合Copernicus卫星遥感数据，通过数据预处理优化模型输入质量，并平行比较Stepwise Linear Regression（逐步线性回归）、Gaussian Process Regression（高斯过程回归）、Linear Regression（线性回归）、Support Vector Machines（支持向量机）和Neural Networks（神经网络）五大类算法的预测性能。

关键技术方法包括：1）利用Copernicus Programme卫星遥感获取2012-2024年红海多参数海洋数据；2）采用数据预处理技术消除传感器误差和环境噪声；3）构建五种ML模型进行交叉验证；4）通过决定系数等指标量化模型对浮游植物增殖、水体混合等关键过程的解析能力。

【模型性能比较】

Stepwise Linear Regression与Linear Regression表现突出，决定系数R²分别达到0.89和0.87，显著优于其他模型。这两类模型对季节性浮游植物水华引发的pH波动具有特异性识别能力，能准确捕捉春、秋季生物量峰值对应的pH值拐点。

【环境因子解析】

研究证实垂直混合过程对pH值的影响呈现显著季节差异：冬季强混合导致表层pH降低0.15±0.03，而夏季分层作用使该影响减弱至0.05±0.02。模型成功量化了大气CO₂输入对pH的贡献率（年均19.7%±2.1%）。

【技术优势】

与传统船基监测相比，ML算法使时空分辨率提升40倍，成本降低68%。神经网络模型虽在非线性关系拟合上表现良好（R²=0.82），但需要10⁵量级的训练样本才能达到稳定状态。

该研究证实线性回归类算法在红海pH值预测中具有最佳性价比，其构建的监测框架可实现每周0.1°×0.1°网格精度的酸化评估。这一成果不仅为红海生态保护提供了决策支持工具，更开创了将医疗健康领域机器学习技术迁移应用于海洋环境监测的跨学科范式。研究者特别指出，该方法的可扩展性使其能够适配其他半封闭海域的酸化监测需求，对实现联合国可持续发展目标14（SDG14）具有重要实践意义。