**GeAsSeSbSnTe硫属玻璃半导体材料的太赫兹特性** 亚历山大·V·安德rianov(Alexander V. Andrianov) 阿列克谢·A·沙赫明(Alexey A. Shakhmin) 阿列克谢·G·彼得罗夫(Alexey G. Petrov) 尼古拉·V·西沃夫(Nikolay V. Sivov) 格里戈里·I·克罗波托夫(Grigory I. Kropotov)

《Micromachines》:Terahertz Properties of GeAsSeSbSnTe Chalcogenide Glassy Semiconductors Alexander V. Andrianov, Alexey A. Shakhmin, Alexey G. Petrov, Nikolay V. Sivov and Grigory I. Kropotov

【字体: 大 中 小 】 时间:2026年04月29日 来源:Micromachines 3

编辑推荐:

  摘要 沿海底部溶解氧(DO)的减少对海洋生态系统和水产养殖构成了严重威胁,在韩国半封闭的Jinhae湾,缺氧事件反复导致大规模的渔业养殖场受损。因此,准确的DO预测模型对于生态系统管理和损失缓解至关重要。本研究分析了不同的潮汐输入表示方式如何影响数据驱动的DO预测模型在以潮汐为主

  摘要
沿海底部溶解氧(DO)的减少对海洋生态系统和水产养殖构成了严重威胁,在韩国半封闭的Jinhae湾,缺氧事件反复导致大规模的渔业养殖场受损。因此,准确的DO预测模型对于生态系统管理和损失缓解至关重要。本研究分析了不同的潮汐输入表示方式如何影响数据驱动的DO预测模型在以潮汐为主导的沿海环境中的性能。利用附近观测站点的海洋学和气象变量的时间序列数据,我们开发了一个基于长短期记忆(LSTM)的神经网络集成模型,并设置了四种实验配置。这些配置不仅包括水位,还包括潮汐包络、潮汐强度代理以及水位和DO的时间差(Δtide, ΔDO)作为额外输入。与基线配置相比,包含完整潮汐信息的输入将72小时平均均方根误差(RMSE)从1.16降低到1.12,并将皮尔逊相关系数从0.873提高到0.883。它还改善了日内变异性的表示和预测稳定性。这些结果表明,潮汐衍生变量有助于模型更有效地捕捉与潮汐相位锁定的DO波动,而时间差输入进一步增强了短期变异性和对DO变化的敏感性。这些结果表明,正确表示潮汐强迫对于理解沿海底部DO的时间结构和变异性至关重要。

1. 引言
溶解氧(DO)是支持海洋生物生存和维持生态系统健康与生物多样性的关键元素;然而,自20世纪中叶以来,海水中的溶解氧水平持续下降的“脱氧”现象正在全球范围内加速[1,2]。这种氧含量的下降在沿海和中等纬度地区比在开阔海域更为严重,这是由气候变化导致的水温上升和人为富营养化之间的复杂相互作用所驱动的[1,3]。Jinhae湾位于韩国南部海岸,是一个典型的半封闭内湾,在过去几十年中,长期氧含量下降和缺氧区域明显扩大[4,5]。从地理上看,由于Gadeok海峡等狭窄通道的存在,Jinhae湾与开阔海域的海水交换受到限制。因此,在过去的50年里,来自周边工业区和城市地区的污染物以及水产养殖场的有机物在底层积累[4,5]。夏季,强烈的分层抑制了富含氧气的表层水向下输送,导致5月至9月期间周期性地发生大规模缺氧[6]。
为了预测和应对沿海水域中的DO变化,广泛采用了三维数值模型,这些模型明确模拟了物理、生物和化学过程[6,7,8,9,10]。这些基于机制的方法提供了可物理解释的结果,但计算成本较高,并且往往难以完全再现控制浅海沿海环境中DO变化的复杂非线性相互作用。为了弥补这些局限性,数据驱动的方法(如机器学习和人工神经网络(ANN)越来越多地应用于沿海DO预测[9,11,12]。与数值模型相比,基于ANN的方法可以灵活地学习多个环境变量之间的非线性关系,并且在有足够观测数据的情况下有利于短期预测。因此,ANN模型已成为预测沿海系统中DO波动和缺氧情况的实用工具,包括应用于沿海海湾的底部DO和缺氧条件[13,14,15,16,17,18,19]。尽管取得了这些进展,但对于如何将物理上有意义的外部强迫作为模型输入表示的关注相对较少。许多先前的研究强调了风驱动混合、淡水排放和水文变异性在塑造沿海DO中的作用,一些最近的基于ANN的研究也将潮汐信息纳入了预测框架[17,18]。即使包含了潮汐信息,它通常也主要通过简单的水位数据来表示,而且很少系统地检验DO预测模型对不同潮汐公式的响应性。这表明,仅仅将潮汐作为额外预测因子是不够的,关键问题在于如何在模型内部表示潮汐强迫,以及可能需要一种更加结构化且可物理解释的表示方法来更好地捕捉其对沿海底部DO变异性的影响。

潮汐强迫不仅通过周期性的水位振荡影响底部DO,还通过依赖水流的潮汐强迫来调节底部摩擦、湍流生成、垂直混合、分层和水平水交换。在许多沿海系统中,潮差(neap-spring)的潮汐变化已被证明可以通过改变混合强度和水柱结构显著调节DO和缺氧[20,21,22]。特别是,在小潮期间较弱的混合会促进分层和缺氧的持续,而在大潮期间较强的潮汐强迫可以通过增强混合来缓解底部氧耗尽,或者通过沉积物再悬浮和相关的生物地球化学过程加剧氧消耗,这取决于当地条件[20,21,22]。尽管依赖水流的潮汐强迫与混合和摩擦耗散更为直接相关,但沿海环境中的潮汐水流在空间上非常复杂,并受到局部水深和海岸线几何形状的强烈影响,而潮汐水位相对容易观测和预测[23]。这使得基于水位的潮汐变量成为基于ANN预测的实际输入候选者。在此背景下,使用Reconstructed Tide来表示天文潮汐的确定性周期结构,引入Tidal Envelope来捕捉春潮-小潮的调制,使用Tidal-Intensity Proxy作为潮汐强迫大小的简单辅助指标。尽管Tidal-Intensity Proxy不是基于速度的耗散的直接测量,但它可能间接反映了类似应力的潮汐强度的变化,从而补充了仅使用潮汐水位的做法。
因此,本研究的新颖之处不仅在于将潮汐信息作为额外预测因子纳入,还在于将潮汐强迫重新表述为多个可物理解释的输入特征——重构潮汐、潮汐包络、潮汐强度代理和时间导数,并在一个统一的基于ANN的预测框架内检验它们的作用。我们专注于Jinhae湾,开发了一个基于LSTM的模型,以研究这种结构化的潮汐强迫表示是否可以改善底部DO的预测。特别是,我们评估了不同的潮汐输入公式不仅影响传统的预测准确性,还影响日内变异性、潮汐调制和预测稳定性。

2. 材料与方法
2.1. 数据采集与预处理
本研究使用的数据来自三个机构:国家渔业科学研究所(NIFS)、韩国水文和海洋学机构(KHOA)和韩国气象厅(KMA)(表1,图1)。目标底部DO时间序列数据来自NIFS管理的Jindong-1浮标(35.0870° N, 128.4806° E)。从这个浮标收集的数据中,使用了表层、中层(大约1米、5米和10米深处)的水温和DO作为训练输入,并额外包括了表层和底层之间这些变量的垂直差异作为输入变量。已知分层会通过阻止表层和底层之间的DO垂直交换来引发缺氧[21,24,25],而这些层之间的温差可以用作分层的代理输入变量[17,26,27,28]。

表1. 目标数据和输入数据的总结。
图1. 本研究中使用的监测站和输入预测因子的空间分布。十字标记表示监测机构(NIFS、KHOA和KMA),彩色圆圈代表每个监测站使用的环境变量。输入变量包括三层溶解氧(DO)和水温、海平面、东西向和南北向风、风速、降水量和气温。背景阴影表示水深(以米为单位)。潮汐(海平面)对缺氧动态有显著影响[21,26],包含潮汐效应的神经网络模型比不包含潮汐效应的模型更有效[18]。本模型中使用的海平面数据来自KHOA管理的Masan潮汐测量站(35.1975° N, 128.5764° E)。海平面数据使用TIRA和MARIE在Tidal Analysis Software Kit 2000(TASK-2000)中分解和重新合成,共使用了60个潮汐成分。利用重构潮汐可以获得没有缺失值的连续时间序列,并能够在预测中考虑未来的天文潮汐。为了捕捉一系列潮汐效应,从重构潮汐中构建了额外的潮汐衍生变量,包括用于春潮-小潮调制和潮汐强度大小的变量。这些变量不仅作为输入变量使用,还用于在不同潮汐条件下评估模型响应的诊断变量。处理后的形式定义如下:
(1) (2)
这里,设计用于通过抑制高频潮汐振荡来隔离潮汐幅度的春潮-小潮调制。相比之下,引入了Tidal-Intensity Proxy来指示潮汐强迫的相对大小。虽然它不是基于速度的耗散或湍流混合的直接测量,但它可以反映类似应力的潮汐强度的相对变化,从而补充了仅使用重构潮汐的做法。

许多先前的研究已经确定风驱动的垂直混合是向底层提供DO的主要强迫因素[3,8,9,29],并且也认识到风向根据地形的重要性[28,29]。降水量不仅加强了由淡水引起的分层,还通过表面富营养化过程促进了底部DO的消耗[24,25]。气象变量(风、降水量、气温;风分为东西向和南北向成分)是从五个KMA站点收集的。这些气象变量是根据与DO时间序列的相关性分析选出的,以减少模型复杂性。DO数据收集期从2017年持续到2025年(共9年),数据主要集中在5月至11月,这段时间底层受到缺氧的影响。输入数据的收集周期与DO数据相同。在预处理阶段,对于DO数据,缺失值在3小时内进行了线性插值;对于气象数据,在6小时内进行了插值。虽然大约收集了43,000个每小时间隔的DO数据点,但在考虑缺失的气象数据后,最终可用数据点为27,428个。模型训练过程的独立测试集包含2024年的3548个数据点,其余23,880个数据点包含在训练集中。所有训练变量,包括目标变量,都使用scikit-learn模块中的StandardScaler函数进行了z-score标准化(零均值和单位方差)。为了防止数据泄露,仅对训练集进行了缩放器的拟合。

2.2. DO数据的特征
来自浮标的观测底部DO数据呈现出右偏的非对称分布,这是由于5月至10月的缺氧期间观测数据集中,因此包含了相对大量的低浓度DO数据(图2a)。特别是,数据分布在训练集和测试集之间存在差异。2024年被选为测试集,其中DO值低于3 mg/L的比例超过了数据的一半(63%),而训练集的比例为49%。训练集的偏度系数为0.48,测试集的偏度系数为0.72。这表明测试集的偏度和不平衡程度更大,从模型预测的角度来看,它构成了一个更具挑战性的验证数据集。DO的每小时变化率(ΔDO)也显示出非对称分布,其中?0.5至0.5 mg L?1 h?1范围内的数据占训练集的约89.0%,占测试集的93.9%(图2b)。这表明DO浓度的时间变化通常是渐进的。

图2. (a)底部DO和(b)每小时DO变化率(ΔDO)在训练集和测试集中的分布。橙色和绿色条形分别表示测试集和训练集。图(b)以log2刻度显示。使用方差保持功率谱密度(PSD)分析比较了目标站点Jindong-1的DO能量和观测到的海平面在不同频率带上的情况(图3)。虽然海平面观测全年都在进行,但DO观测集中在缺氧发生期间(5月至11月)。因此,DO的Welch谱分析是按年份进行的,使用大约15天的移动窗口,而对于海平面,则在整个九年内使用了150天的长度。尽管溶解氧(DO)光谱的能量表现出年际变化,但它主要集中在主要的潮汐成分上,如O1、K1、M2、S2,以及它们的非线性潮汐频率带。特别是,最强的能量峰值出现在半日潮汐成分(M2)附近,这证实了半日潮汐作用在研究区域内的主导地位。图3显示了Jindong-1站和最近观测到的潮位计(Masan)底部溶解氧的方差保持功率谱密度(PSD),并跨频率带进行了比较。主要的潮汐成分(O1、K1、M2、S2)被标出。这些潮汐信号被解释为反映了潮汐混合、垂直水柱运动和水平平流对底部溶解氧波动的综合影响。这些结果强调了将潮汐相关变量作为溶解氧预测模型输入变量的重要性。如2.1节所述,我们通过对方观到的海平面进行谐波重构,使用了3天预测期的海平面作为输入变量。此外,还处理了潮汐包络并作为输入,以便模型能够表示枯潮-满潮的变化,同时加入了海平面的平方值以考虑潮汐混合能量的影响。

2.3 模型架构和训练策略
在这项研究中,构建了一个基于长短期记忆(LSTM)的时间序列预测模型,用于根据海洋和气象时间序列数据预测底部溶解氧的短期波动(见补充图S1和补充代码S1)。该预测结构一次性预测整个预测区间,可以防止递归预测过程中误差的累积。该模型旨在通过整合过去的条件和外部强迫信息来捕捉溶解氧的未来时间变化;它使用过去7天(168小时)的输入时间序列来预测接下来3天(72小时)的底部溶解氧时间序列。

输入数据被分为三组,以考虑不同的物理特性。首先,主要输入包括溶解氧、水温、气象变量和潮汐相关变量。其次,辅助输入包括提供主要状态和强迫条件紧凑信息的选定变量,包括底部溶解氧、潮汐强度代理、未来重建的潮汐和未来潮汐包络。尽管这些变量也包含在主要输入流中,但它们被单独分组和编码,以强调它们对短期底部溶解氧预测的重要性。其中,未来重建的潮汐和潮汐包络被切分为与预测期相同的72小时未来范围,并通过类似跳跃连接的路径直接重新注入预测阶段(见补充代码S1)。更具体地说,未来重建的潮汐和潮汐包络序列被连接在主干层之后和最终重叠预测头之前。这种设计有助于保留重要的强迫信息,否则这些信息可能会在更深的压缩层中减弱,并在预测阶段明确保留未来的潮汐相位和潮汐增减调制。第三,时间导数(delta)输入包括底部溶解氧和重建潮汐的变化率(3小时、6小时、12小时和24小时),为模型提供了物理量变化率的动态特性。这些输入有助于捕捉溶解氧和潮汐信号的短期变化和快速变化。

该模型基于循环神经网络设计,用于处理多变量输入时间序列。每个输入组通过密集层和LSTM层独立编码,以学习时间依赖性和非线性特征,然后提取的特征被组合并整合成单一的潜在表示。最后,模型生成多个部分时间序列预测,然后将它们组合起来构建连续的72小时预测时间序列。这种结构使模型能够通过分别学习具有不同物理特性的输入变量,有效捕捉潮汐和气象信号对溶解氧波动的影响。

为了评估模型的泛化性能和预测稳定性,采用了基于集合的训练策略。训练数据集根据每个月的不同天数(1-6天、7-12天、13-18天、19-24天和25-31天)分为五个区间,这些区间依次用作验证集。此外,每个验证分割应用了六个固定的随机种子(0-5),以考虑由于不同初始条件引起的变异性。总共生成了30个独立模型,并将它们聚合到一个集合中。模型训练使用Adam优化器进行,批量大小设置为512。此外,基于验证损失应用了提前停止机制以防止过拟合。模型由特定于输入的密集/LSTM编码器、融合的主干表示和重叠的多头预测模块组成;确切的层配置和训练超参数在补充图S1和补充代码S1中提供。

2.4 实验案例
在这项研究中,设计了基于不同输入组件组合的实验案例,以评估模型对潮汐输入方法和时间导数信息包含的响应。这些组件的构建方式旨在分别评估处理后的潮汐特征和时间导数输入的效果,以及它们的组合效果。基线配置(A)遵循传统方法,使用基于观测的数据以及预测期的未来重建潮汐。配置(B)通过纳入处理后的潮汐变量(如潮汐包络和潮汐强度代理),并将未来重建的潮汐和潮汐包络从辅助输入重新注入预测阶段来扩展(A)。配置(C)进一步包括时间导数(ΔDO和Δtide),使模型能够捕捉物理变量的变化率和时间趋势。

通过结合这三个输入组件(A-C),定义了四个实验案例(C1-C4),每个案例的配置在表2中进行了总结。所有案例都应用了相同的模型架构和训练策略,以便比较不同输入配置下的模型响应。

2.5 评估指标和诊断分析
模型性能评估使用了多种指标,同时考虑了预测准确性和时间序列特性。基本预测性能使用均方根误差(RMSE)、平均绝对误差(MAE)和皮尔逊相关系数进行评估;此外,还计算了偏差,以识别模型的系统性过度预测或低估倾向。预测稳定性的评估基于每个预测点上模型集合成员之间的方差。为了定义相对标准化的集合扩散,计算了30个集合预测的标准差,并通过观测到的溶解氧的标准差进行了标准化。这个指标用于定量评估不同输入配置下预测的一致性和不确定性。

此外,定义了粗糙度来量化预测溶解氧时间序列中的短期波动强度。在溶解氧预测的背景下,准确捕捉快速增加和减少对于表示瞬态事件(如氧气耗尽和恢复)非常重要。粗糙度计算为时间差异的均方根,提供了溶解氧在短时间尺度上变化强度的度量。其表达公式如下:
(3)

3. 结果
3.1 模型性能评估
模型的预测性能显示,随着提前时间的增加,RMSE和MAE有增加的趋势,而相关系数有减少的趋势(图4)。这些变化在早期预测区间(0-12小时)最为明显,之后呈现相对渐进的模式。所有实验中都出现了负偏差,其绝对值随着提前时间的增加而逐渐增大。偏差的幅度和变异性在不同模型中有所不同,在某些模型中,随着提前时间的增加,负偏差变得更加明显。

3.2 潮汐对预测溶解氧变异性的调制
比较不同案例的预测时间序列显示,根据输入变量配置的不同,形状和波动特性存在差异(图5)。在C1案例中,没有包含处理后的潮汐变量或溶解氧和潮汐的时间变化率输入,出现了一个平滑的时间序列,其中高频波动总体上减弱了。相反,当添加了处理后的潮汐变量和模型连接(C1→C2和C3→C4)时,预测时间序列中出现了与潮汐周期相关的时间结构。具体来说,C1和C3显示了6小时间隔内预测值的线性连接形式,而在C2和C4中,包含了更短时间尺度的波动成分,并观察到了与潮汐周期同步的温和调制模式。此外,处理后的潮汐变量的额外输入倾向于减少集合成员之间的预测方差,每个时间点的预测值分布更加均匀。

3.3 潮汐对预测溶解氧变异性的调制
比较不同案例的预测时间序列显示,根据输入变量配置的不同,形状和波动特性存在差异(图5)。在C1案例中,没有包含处理后的潮汐变量或溶解氧和潮汐的时间变化率输入,出现了一个平滑的时间序列,其中高频波动总体上减弱了。相反,当添加了处理后的潮汐变量和模型连接(C1→C2和C3→C4)时,预测时间序列中出现了与潮汐周期相关的时间结构。具体来说,C1和C3显示了6小时间隔内预测值的线性连接形式,而在C2和C4中,包含了更短时间尺度的波动成分,并观察到了与潮汐周期同步的温和调制模式。此外,处理后的潮汐变量的额外输入倾向于减少集合成员之间的预测方差,每个时间点的预测值分布更加均匀。

4. 讨论
4.1 基于光谱和集合的潮汐调制溶解氧变异性的证据
为了量化测试集预测溶解氧时间序列中的日内变异性,计算了粗糙度(2024年,共3548个预测时间点;图6a)。短期变异性显示出C4、C2、C3和C1的顺序较高的值;这表明处理后的潮汐特征有助于增强短期变异性,而ΔDO和潮汐变化率的包含则贡献了更细微的波动。为了检查这种增强的变异性是否与潮汐调制有关,对所有预测时间序列计算了PSD,并检查了3548次预测的中值光谱(图6b)。在包含处理后的潮汐变量的C2和C4中,主要半日潮汐频率(M2、S2)附近的能量相对较大。在C1和C3中,这些频率带的能量相对较低,与预测时间序列中观察到的平滑时间模式一致。这些PSD结果表明,C2和C4中的增强变异性与潮汐调制密切相关,而不是反映了随机的短期振荡。预测底部溶解氧(DO)的变化特性在不同模型配置下的表现。(a) 短期变化性(粗糙度),定义为DO时间变化的标准差。(b) 基于所有3548次预测估计的中值功率谱密度(PSD),突出显示主要潮汐频率(O1、K1、M2、S2)和更高谐波分量(3–4 cpd)的能量。(c,d) 测试集的标准化集合扩散作为提前时间的函数,其中每个提前时间30个集合成员的标准差通过底部DO的变化性进行归一化。阴影区域表示10–90百分位数范围。每个预测点集合成员之间的标准差通过观察到的底部DO的变化性进行归一化,定义为标准化集合扩散。此外,其在整个测试期间的分布使用10–90百分位数范围进行总结(图6c,d)。C2和C4包含处理过的潮汐变量,其扩散小于C1和C3;10–90百分位数带的平均宽度分别为C1为0.344,C2为0.266,C3为0.329,C4为0.268。特别是,虽然四个模型中的10百分位数水平相似,但C1和C3中的90百分位数较大,表明在这些情况下集合扩散偶尔会增加。较大的集合扩散意味着预测的时间模式在集合成员之间的一致性较低,在集合平均时可能会变得模糊,而较小的扩散表明共享信号在集合平均值中更稳定地保留。在这方面,C2和C4中相对较小的扩散表明处理过的潮汐特征不仅提高了预测的稳定性,还有助于在集合平均预测中更清晰地保留潮汐调节的信号。总体而言,处理过的潮汐特征和时间导数输入都改善了短期DO变化性的表示,超出了基线配置。这一解释与图3一致,图3显示观察到的底部DO本身在主要半日潮汐带附近含有增强的谱能量。处理过的潮汐特征主要增强了预测时间序列的潮汐调节结构和预测稳定性,而时间导数输入主要增强了对于日内更细微波动的响应能力。这些结果表明,本研究的主要目标已经成功实现,主要是通过改进日内潮汐变化性和预测稳定性,而不是通过大幅提高批量误差指标。

4.2. 不同潮汐条件下的预测误差和变化性的潮汐调节
为了根据潮汐条件评估模型响应,数据被划分为小潮、中潮和春潮时期,方法是将作为输入变量的潮汐包络分成三分位数(图7)。由于潮汐条件是根据潮汐包络的三分位数定义的,因此各时期的样本数量大致平衡。由于人工神经网络模型被训练为最小化单一损失函数,即使在保持相同相对准确性的情况下,数据变化范围较广的区间内绝对误差也可能显得相对较大。因此,根据潮汐条件变化的绝对RMSE应与DO变化性的幅度相关联进行解释。图7. 不同潮汐条件下的模型性能。(a) 测试和训练数据集中72小时预测的平均RMSE,分别对应小潮、中潮和春潮条件。(b) 相应的平均相对RMSE。(c) 绝对预测误差与标准化潮汐包络之间的关系,垂直虚线表示分隔潮汐条件的阈值。(d) 不同模型配置下预测DO的短期变化性(粗糙度)与潮汐幅度之间的相关性。比较不同潮汐条件下观察到的底部DO的标准差,测试集中的小潮、中潮和春潮分别为2.38、2.11和2.51 mg L?1,训练集分别为2.67、2.34和2.56 mg L?1。这些结果表明,DO变化性在不同潮汐条件下的趋势并不一致,且训练集和测试集之间的目标DO分布存在差异。因此,在测试集中观察到绝对RMSE在春潮期间有增加的趋势,但在训练集中这种模式并不明显。这可以解释为DO波动结构与数据分布之间的复杂相互作用所致,而不仅仅是潮汐范围直接决定了预测难度。这里,相对RMSE定义为通过每个潮汐条件下观察到的底部DO的标准差进行归一化的RMSE。在中潮条件下,相对RMSE最高。因为这个指标是通过DO变化性的幅度进行归一化的,所以它比单独的绝对RMSE提供了更公平的潮汐条件比较。这一结果表明,预测难度不能仅用潮汐范围来解释,可能反映了DO变化性、过渡态动态和数据分布的综合效应。然而,基于整个数据集的潮汐包络与绝对误差之间的相关性非常低(图7c;Pearson r ≈ ?0.01),表明潮汐条件并不是决定预测误差的单一主导因素。因此,虽然潮汐是影响DO预测性能的重要因素之一,但其影响是以与DO变化性、水体结构和数据分布相互作用的形式出现的,未来需要进一步分析这些效应的定量分离。

此外,比较预测DO时间序列的短期变化性(粗糙度)与潮汐包络之间的相关性,在包含处理过的潮汐变量的C2和C4中显示出相对较高的相关性;这表明模型捕捉到了变化性随着潮汐范围增大而增加,在小潮期间减少的趋势(图7d)。相比之下,在仅包含重建潮汐作为基本输入的C1中,这种关系几乎不存在,但处理过的潮汐特征并未包含在内。然而,这些结果不应被解释为预测技能由潮汐条件本身决定。尽管处理过的潮汐特征改善了模型对不同潮汐条件下变化性的响应,但当前分析仍然受到可用训练和测试集中所代表的水文情况分布的限制。因此,要更可靠地评估不同潮汐条件下的误差特性,需要在更广泛的环境条件下进行评估,包括显著的年际变化性和多样化的水文情况。例如,目前模型中未包括的DO变化性的重要驱动因素,如BOD、浊度和其他生物地球化学因素,也应予以考虑。

4.3. 限制与未来方向
本研究利用有限的输入数据来预测沿海底部溶解氧(DO)的变化性,因此存在几个限制。首先,关于物理过程,这项研究主要反映了由风和潮汐驱动的混合效应,而分层则是通过水温差异间接表示的。然而,相邻海域之间的平流和来自外海的淡水流入(这些直接供应DO [3,21,30])并未明确纳入。这些限制可能与特定时期观察到的预测误差有关,特别是在DO波动迅速的区间内发现的偏差(图S4)。未来的研究可以通过纳入邻近站点的时间序列数据或引入代表平流的变量(如外海水位异常)来解决这些限制。其次,关于水文和时间尺度,本研究关注由潮汐和气象变量引起的短期变化性,而大气和水文强迫的延迟和累积效应并未充分考虑。例如,河流排放并未直接纳入;通过引入延迟或累积降水量和每周累积风速等变量可以解决这些问题[6,8,16,28]。此外,通过区分短期(日内和每日)和长期(季节性)变化来分析DO变化性,可能会更精细地理解它们与输入变量之间的关系。第三,从生物地球化学的角度来看,涉及氧气消耗过程的关键因素并未直接包括。叶绿素-a、化学需氧量(COD)、生化需氧量(BOD)、浊度和营养物质以及沉积物需氧量是与有机物产生和分解相关的DO变化性的主要驱动因素[4,5,27,31,32,33,34]。这些变量的缺失可能是限制模型完全捕捉快速或异常DO波动能力的一个因素。

尽管存在这些限制,本研究仅使用有限的输入数据就有效地再现了沿海底部DO的主要变化性。这表明,基于潮汐混合、大气强迫和水柱结构,存在一定程度的可预测性。未来综合考虑物理、水文和生物地球化学因素的研究可能会进一步提高预测性能和可解释性。

5. 结论
在这项研究中,没有直接使用潮汐信号作为简单的输入变量,而是引入了反映周期性、小潮-春潮变化和时间变化率的处理变量,使模型能够学习与潮汐同步的DO变化性。结果,当使用扩展的潮汐信息作为输入时,模型能够更合理地捕捉日内变化性和超出平均趋势的周期性调制,增加了短期变化性,并在主要潮汐频率带中更清晰地显示能量。此外,这种输入配置通过减少集合扩散提高了预测稳定性。这些结果表明,沿海底部DO的波动具有强烈受潮汐调节的时间组织结构,正确表示潮汐效应不仅对预测性能很重要,也对可解释性很重要。此外,根据潮汐条件的分析显示,预测误差和变化性受到DO变化性幅度和数据分布的综合效应的影响,而不仅仅是潮汐范围。特别是,当包含处理过的潮汐变量时,模型再现了不同潮汐条件下DO变化性的系统变化,表明模型学习了一种根据潮汐幅度调整变化性规模的结构。然而,在某些条件下,如水温异常高的情况下,会出现相对较大的误差,这可能与训练数据中这些条件的表示不足或排除了如外海水入侵等过程有关。总体而言,这项研究表明,通过适当处理和利用与潮汐相关的信息,即使输入数据有限,也能有效再现沿海底部DO的主要波动结构。这表明,反映主要外部强迫的时间结构的数据驱动方法可以在复杂的沿海环境中作为有用的预测工具,即使不显式模拟物理过程。此外,使用重建的潮汐和潮汐衍生变量在操作预测中具有实际优势,因为这些输入可以作为连续时间序列准备,并扩展到预测范围,而不必完全依赖于实时海平面观测。未来的研究可以通过纳入更广泛的环境条件(包括显著的年际变化性和多样化的水文情况)来进一步提高依赖于潮汐条件的误差分析的可靠性,并增强预测性能和物理可解释性。例如,目前模型中未包括的DO变化性的其他驱动因素,如BOD、浊度和其他生物地球化学因素,也应予以考虑。

补充材料
以下支持信息可以在以下链接下载:https://www.mdpi.com/article/10.3390/w18091045/s1,图S1。用于根据前168小时输入时间序列预测未来72小时底部DO的模型架构示意图。张量维度用括号表示,其中B表示批量大小。模型接受三个输入流(主输入、delta输入和辅助输入)。主输入和辅助输入通过一个由LSTM层和密集层组成的共享主干进行处理,而delta输入则绕过LSTM层。还提供了一个对应于72小时预测范围的切片辅助输入(未来潮汐重新注入)到预测阶段。最终预测是使用一个窗口大小为12小时、步长为6小时的重叠多头结构构建的,结果得到11个头部。图S2. 在准静态振荡条件下的预测底部DO时间序列。图例与图4相同。图S3. 在DO持续快速波动的情况下预测的底部DO时间序列。这种快速变化在整体数据集中相对罕见(图2b)。图例与图4相同。图S4. 在DO下降事件期间的预测底部DO时间序列。该模型在这一时期表现出较大的偏差。这一现象与异常高的温度条件同时发生,这可能表明在训练过程中未能充分捕捉到某种模式。观察到的变化也可能受到与沿海地区水交换的影响。图例与图4中的相同。代码S1:用于实现所提出的基于LSTM的溶解氧(DO)预测模型的源代码。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号