面向海洋叶绿素a浓度预测的不确定性量化动态图常微分方程网络

《Journal of Marine Science and Engineering》：Uncertainty-Quantified Dynamic Graph Ordinary Differential Equation Network for Marine Chlorophyll-a Concentration Forecasting

　　

海洋叶绿素a（Chl-a）浓度是浮游植物生物量的关键代理指标，也是富营养化评估、生态监测和有害藻华早期预警的重要指标。因此，准确预测Chl-a浓度对海洋环境管理具有重要的科学和实际价值。然而，现有的深度模型仍难以将相对稳定的大尺度空间结构与局部时变相互作用有效耦合，且许多模型无法提供可靠的不确定性估计，这限制了它们在有害藻华预警和高叶绿素事件评估中的应用。为解决这些问题，本研究提出了一种不确定性量化的动态图常微分方程网络（UQDGODE），用于海洋Chl-a浓度预测。该模型结合了用于稳定空间扩散建模的多元扩散图卷积分支和用于连续演化局部相互作用的动态图常微分方程分支。门控机制融合两个分支，多元概率预测模块输出预测均值和协方差信息以实现不确定性量化。在渤海和南海数据集上的实验表明，UQDGODE在点预测精度和概率预测质量方面均表现更优，并为海洋生态警报提供了更具信息量的预测分布和更自适应的预测区间。

**论文解读：面向海洋叶绿素a浓度预测的不确定性量化动态图常微分方程网络**

**研究背景与问题**

海洋叶绿素a（Chl-a）浓度是浮游植物生物量的关键代理指标，广泛应用于富营养化评估、生态监测和有害藻华（HAB）早期预警。准确预测Chl-a浓度对沿海环境管理具有重要科学和实际价值。然而，现有深度模型存在两大核心挑战：第一，难以有效耦合全局稳定的空间结构信息（如固定海陆拓扑和大尺度环流驱动的长期扩散模式）与局部动态交互信息（如河流营养盐脉冲和锋面迁移引起的短期变化）。第二，可靠的预测不确定性量化尚未得到充分解决，现有方法输出的预测分布往往校准不良，导致名义覆盖率和经验覆盖率不匹配，或为了追求覆盖率而获得过宽的预测区间，削弱了不确定性信息在实际预警决策中的可用性。因此，研究人员开展本研究，旨在提出一个统一框架，同时解决上述挑战。

**研究内容与结论**

研究人员提出了不确定性量化的动态图常微分方程网络（UQDGODE），该模型由时空融合嵌入（STFE）模块和多元概率预测（MPP）模块组成。STFE模块包含两个并行分支：多元扩散图卷积网络（MDGCN）分支捕获长期稳定空间扩散模式，动态图常微分方程（DGODE）分支描述局部时空交互强度的连续变化。门控机制融合两分支特征，MPP模块基于融合表示输出预测均值和结构化协方差矩阵，实现概率预测。在渤海和南海两个数据集上的实验表明，UQDGODE在点预测精度（MAE、RMSE）和概率预测质量（CRPS、MPIW、PICP、NLL）方面均优于多种基线模型，其预测区间更窄且校准良好，能够根据预测难度自适应调整宽度。消融实验证实了MDGCN、DGODE和MPP模块各自的重要性，其中DGODE通过动态图结构学习到了与沿海锋面、近岸-离岸交换等相关的可重复连接模式。空间误差分析表明，预测误差主要集中于高叶绿素浓度区域和动态活跃的沿海过渡带。参数敏感性分析表明，适中的多项式阶数k和扩散强度系数α能实现最佳平衡。复杂度分析显示，UQDGODE在保持较好精度同时，训练开销在单GPU可行范围内。该研究的意义在于，首次将稳定扩散建模、动态图ODE连续演化与不确定性量化统一用于海洋Chl-a预测，为有害藻华预警和高叶绿素事件评估提供了可操作的分布输出。论文发表在《Journal of Marine Science and Engineering》。

**关键技术方法**

研究人员主要采用了以下关键技术方法：（1）多元扩散图卷积网络（MDGCN），基于地理距离构建固定邻接矩阵，通过扩散传播和切比雪夫谱滤波扩展空间感受野，捕获长期稳定空间扩散模式；（2）动态图常微分方程（DGODE）模块，通过可学习节点嵌入和时池化块特征构建输入条件化的稀疏动态图，并在连续深度上通过数值ODE求解器演化隐藏状态，描述局部交互的连续变化，其中向量场分解为时间项（门控膨胀卷积）和空间项（连续图传播）；（3）门控融合机制，通过可学习门控权重自适应融合MDGCN和DGODE的输出；（4）多元概率预测（MPP）模块，基于融合表示通过MLP输出预测均值和Cholesky分解参数化的协方差矩阵，以多元高斯分布建模未来观测的条件分布，并通过负对数似然训练。数据来源为NOAA CoastWatch的MSL12产品提供的渤海（300节点，2018-02-09至2024-08-30）和南海（265节点，2018-02-09至2023-10-26）日尺度遥感叶绿素a浓度数据，输入30天预测15天，按60%/20%/20%划分训练/验证/测试集。

**研究结果**

**5.4.1 主要结果（Main Results）**
在渤海和南海数据集上，UQDGODE的平均MAE分别为0.5207和0.1906，平均RMSE分别为0.8785和0.8189，优于所有基线模型（如UQGNN、GDGCN等）。逐步误差曲线显示，UQDGODE在中长预测步上的误差增长较缓，表明其具有良好的长期稳定性。预测轨迹对比和散点图分析进一步证实模型能较好保持整体趋势和振幅一致性，R2分别达到0.9302和0.9269。

**5.4.2 概率预测分析（Probabilistic Forecasting Analysis）**
在渤海和南海数据集上，UQDGODE取得了最低的CRPS（0.3851、0.1422）、最窄的MPIW@95（3.2257、0.9299）和较低的NLL（0.0834、-2.1181），同时PICP@95接近名义95%置信水平（0.9665、0.9415），表明其在分布拟合精度、区间锐度和经验覆盖率之间取得了良好平衡。预测区间可视化显示，UQDGODE能在高变异区域适当扩大区间，在稳定区域快速收窄，优于CF-GNN、DeepSTUQ和UQGNN。

**5.4.3 消融研究（Ablation Study）**
移除MDGCN或DGODE分支均导致误差增加，其中移除DGODE造成更大退化，说明动态局部交互对适应非平稳依赖至关重要。移除门控机制削弱了静态与动态特征的平衡，导致南海数据集PICP下降至0.9173。移除MPP模块后点预测误差上升，且无法提供概率输出，表明MPP不仅提供不确定性参数化，还通过似然学习促进了均值预测。

**5.4.4 空间误差分析（Spatial Error Analysis）**
模型预测的空间场保留了主要梯度和高、低值区域相对位置，误差主要集中于沿海过渡带、河口（如渤海湾、莱州湾、珠江口）等动态活跃区域。按Chl-a浓度分位数分析显示，模型在低、中浓度下表现稳定，但在高浓度事件下误差显著增大，表明高叶绿素值预测仍具挑战性。

**5.4.5 参数敏感性分析（Parameter Sensitivity Analysis）**
对MDGCN中的多项式阶数k和DGODE中的扩散强度系数α进行敏感性测试。结果表明，k=2和α=2.0在两组数据集上均能提供点误差、概率得分和区间宽度的最佳平衡，过大或过小的参数值均会导致性能下降。

**5.4.6 复杂度分析（Complexity Analysis）**
UQDGODE在渤海和南海数据集上分别以261 ms/iter（7.3 GB）和235 ms/iter（6.5 GB）的训练开销实现了最低的MAE，虽比部分轻量基线（如STPGNN、UQGNN）稍慢，但显著优于GWN、GDGCN等重基线，且精度更高。ODE求解器步长分析表明，步长0.25能在动态状态细化与计算效率之间取得实际平衡。

**讨论与结论**

讨论部分指出，UQDGODE的性能提升源于稳定扩散建模与动态局部交互学习的有效耦合，使模型在长期预测中保持结构持久性与局部适应性之间的平衡。空间分析和动态图学习表明，模型捕获了关键海洋空间因子（如沿海过渡结构、近岸-离岸对比），且动态图倾向于将信息交换集中于更具选择性和可重复性的路径上。概率输出为风险评估提供了更有信息量的工具，但需注意在高浓度条件下预测仍需谨慎解释。当前研究尚未建立完整的事件预警协议，未来需定义区域特定高Chl-a阈值并评估事件级指标，同时在更多海域验证，并纳入风、温度、营养盐等环境驱动因子以提升物理可解释性。

结论部分翻译如下：
在这项工作中，研究人员考虑了海洋叶绿素a浓度的预测，并引入了UQDGODE，这是一个不确定性感知的双分支模型，能够同时捕获稳定水平上的空间扩散动态和局部水平上的动态时间相互作用。在该模型中，MDGCN负责建模空间结构，而DGODE负责建模连续动态。借助门控函数，两种表示被有效整合。基于融合表示，MPP层的输出为海洋Chl-a浓度估计提供了预测均值和协方差值。在渤海和南海数据集上的实验表明，UQDGODE在确定性测试和概率测试中均具有竞争性能。可以看出，所设计的模型不仅在多步预测精度上表现良好，还能根据预测难度生成概率输出。因此，生成的预测区间可作为监测高叶绿素值的有用参考。同时，消融和效率分析证实，预测精度来源于稳定扩散建模、动态交互学习和概率输出的协同作用，且总训练开销可行。尽管本研究提出的框架取得了良好的实验结果，但未来研究可进行一些改进。具体而言，当前概率输出的生成方法使用高斯参数化描述不确定性，这可能无法描述海洋环境中更复杂的不确定情况。未来，研究人员将更深入地探索更灵活的分布族和更高效的微分方程求解方法。同时，也可以考虑将更多与物理和生物地球化学相关的先验知识融入训练模型。