《Frontiers in Marine Science》：Multi-horizon forecasting of coastal high water temperature events for operational marine-heatwave early warning in South Korean aquaculture: a walk-forward benchmark of eleven statistical and deep-learning models
编辑推荐：
引言：韩国南部沿海的高水温（HWT）海洋热浪事件导致网箱养殖的牙鲆、条石鲷、真鲷和大泷六线鱼反复出现大规模死亡。现有的业务化预报依赖于粗糙的数值海洋模型，缺乏养殖场管理者所需的时间分辨率和站点特异性，而近期涌现的深度学习海水表层温度（SST）模型几乎专门针对更
引言：韩国南部沿海的高水温（HWT）海洋热浪事件导致网箱养殖的牙鲆、条石鲷、真鲷和大泷六线鱼反复出现大规模死亡。现有的业务化预报依赖于粗糙的数值海洋模型，缺乏养殖场管理者所需的时间分辨率和站点特异性，而近期涌现的深度学习海水表层温度（SST）模型几乎专门针对更平滑的开阔海域网格进行了调优。方法：研究人员提出了混合GNN-BiLSTM，这是一种具有310万参数的图-时间架构，结合了加权空间图神经网络、双向长短期记忆时间核心、可逆实例归一化和持续性跳跃连接，并在韩国统营-巨济-丽水沿海30个监测站2020至2025年的五年每小时现场面板数据上，将其与十种替代方案进行基准对比评估。数据对比包括三个参考基准（持续性、季节性朴素法、气候态法）、ARIMAX统计模型、四个轻量级或线性深度模型（DLinear、PatchTST、N-HiTS、CNN-LSTM）以及两个基于注意力机制的模型（Informer、Temporal Fusion Transformer）。对比在统一的滚动原点滑动前瞻协议下进行（720小时回溯，168小时预测范围，在12个月的验证窗口内每24小时对每个站点进行一次预测）。海洋热浪的检测在26/28/30 °C的分级操作阈值下进行评分。结果：混合GNN-BiLSTM实现了最低的1小时均方根误差（0.057 °C），在h=72时为0.85 °C，在h=168时为1.24 °C，并在该面板数据上所有深度模型中具有最高的长程预测残差技能（在h=72时SS_res=0.71）。得益于近乎平坦的误差曲线，CNN-LSTM获得了最低的平均预测范围均方根误差（0.636 °C），而PatchTST在中短期预测范围内具有竞争力（平均0.694 °C）。混合GNN-BiLSTM在26 °C时达到F1=0.82，在28 °C时达到F1=0.65，并且概率高斯负对数似然头无需事后重新校准即可提供校准的90%预测区间。讨论：在2024年韩国国立水产科学院（NIFS）区域高温警报期间，该模型展示了38小时的平均预警提前期，这表明特定站点的图-时间模型能够为沿海水产养殖提供可操作的业务化预警。
韩国南部沿海生态系统正日益暴露于气候驱动的海洋热浪及其导致的持续夏季变暖中。自1968年以来，朝鲜海峡的海表面温度已上升约1.4 °C，是全球海洋平均水平的两倍以上，这导致统营-巨济-丽水沿海地带的海洋热浪发生频率显著增加，严重威胁该区域的水产养殖产业。韩国国立水产科学院（NIFS）的记录显示，近年来因海洋热浪事件造成的养殖损失每年高达数百亿韩元，其中牙鲆、条石鲷、真鲷和大泷六线鱼这四种具有狭窄温度适宜区（18-25 °C）和临界温度上限（CTmax 28-31 °C）的商业主导养殖物种受到的影响最为严重。
现有的业务化预报系统存在明显不足。NIFS的高水温预警服务所依赖的数值海洋模型分辨率较粗且更新周期较长（每周），无法解析导致网箱规模生物死亡的日亚尺度高温事件。同时，近期涌现的深度学习SST模型多针对较平滑的开阔海域网格进行调优，难以直接应用于具有高频日潮和物理异质性特征的浅水沿海环境。为了填补高分辨率现场观测数据评估的空白，并为沿海养殖提供具备站点特异性且高频的早期预警系统，研究人员开展了这项研究。该研究通过构建首个针对浅水活跃潮汐韩国沿海系统的统一切面面板评估基准，联合报告了连续准确率指标和分类事件检测技能，成功开发了能够提供校准概率预测的新型模型。论文发表在《Frontiers in Marine Science》上，对浅水水产养殖区的高温预警部署具有重要的业务化和生态学意义。
研究人员使用了涵盖韩国统营-巨济-丽水沿海30个监测站点（2020年1月至2025年8月）的每小时现场观测数据集。该数据整合了固定浮标的多参数传感器与科考船的交叉校准数据。研究采用统一的滚动原点滑动前瞻协议，利用720小时的回溯窗口预测未来168小时的水温，并对11种预测模型进行了对比评估。评估指标综合了连续准确率指标和基于Hobday定义的海洋热浪分类检测指标。研究还引入了局部加权回归季节趋势分解（MSTL）诊断方法以解析残差预测技能，并配置了物种特异性的26/28/30 °C分级生态预警层。
预测准确度与七天热浪个例
通过比较11个模型在不同预测视界的均方根误差（RMSE），研究发现CNN-LSTM获得了最低的平均预测范围RMSE（0.636 °C），这得益于其几乎平坦的误差曲线；混合GNN-BiLSTM排名第三（0.723 °C），但在1小时的短期预测中RMSE最低，达到0.057 °C。季节性分解表明，在发生高温事件的夏季，具备显式残差处理机制的模型表现更佳。在站点C530023的极端热浪个例中，大部分深度模型未能有效预测超阈值的尾端事件，而是倾向于贴合气候态平均值。
领域难度与残差技能诊断
分析证实该浅水站点的SST波动比开阔海域强1.2-1.9倍，预测难度极大。通过使用MSTL诊断技术，研究发现混合GNN-BiLSTM在所有深度架构中具有最高的残差技能（SS_res = 0.71），证明其低RMSE归功于对非气候态动力信号的直接预测。此外，该模型通过整合高斯负对数似然头，在没有进行事后重校准的情况下实现了0.93的90%预测区间覆盖概率（PICP@90），提供了有效的操作不确定性估计。
海洋热浪检测与2024年个例研究
在26 °C和28 °C的生态操作温度阈值下，混合GNN-BiLSTM展现了强大的分类检测能力，F1分别达到0.82和0.65。在2024年NIFS正式发布区域高温警报期间，结合顶级模型输出的警报感知集成层在受影响站点发出预警，平均提前时间达38小时。这一提前期对物种特异性的操作窗口至关重要，使得养殖户有充足时间实施遮阳、增氧或部分收获等缓解措施。
讨论部分指出，具备显式分布偏移处理机制（如可逆实例归一化和持续性跳跃连接）的架构在应对高频浅水环境残差时表现优越。研究强调，联合报告连续和分类指标对于生态预警是必要的，而单纯的低RMSE并不能保证模型能触发具有可操作性的预警。在35个站点上进行留一站交叉验证表明，模型泛化能力存在轻微的下降。通过对模型组件的消融分析证明，可逆实例归一化是模型稳定性中的核心负荷组件。结论表明，混合GNN-BiLSTM在有效平衡参数量与精度的同时，结合了CNN-LSTM和PatchTST等轻量级基线的优点，提供了具有物种感知能力的业务化可操作预警工具。未来工作将整合卫星SST同化和迁移学习技术以拓展该框架，并致力于溶解氧等环境因子的生态预测。
