多尺度时空图ODE网络用于海洋叶绿素a预测

《Remote Sensing》：Multi-Scale Spatiotemporal Graph ODE Networks for Marine Chlorophyll-a Prediction

　　

叶绿素a（Chlorophyll-a, Chl-a）浓度是反映浮游植物生长状况的关键指标，其准确预测对于评估水体富营养化程度具有重要意义。尽管现有方法已取得良好性能，但它们普遍对多尺度空间信息关注不足，且在表征连续时空动态方面存在局限性。为解决这些问题，研究人员提出了一种用于海洋叶绿素a预测的多尺度时空图ODE网络（MGODE）。MGODE采用双层结构，同时在区域层和节点层处理叶绿素a浓度数据以捕获多尺度空间特征，并通过动态传输系数和门控融合机制实现跨尺度特征的有效交互。同时，MGODE在节点层和区域层均采用双ODE架构，利用时空ODE块连续且深入地提取特征，从而模拟叶绿素a的连续时空动态演化。在渤海和南海真实数据集上的实验表明，所提出的MGODE模型比若干当前最先进模型实现了更高的预测精度。与最佳基线相比，MGODE在渤海数据集上平均绝对误差（MAE）降低2.78%，均方根误差（RMSE）降低1.07%；在南海数据集上MAE降低1.19%，RMSE降低1.38%。这些结果证明了MGODE支持海洋叶绿素a预测和海洋生态监测的潜力。

海洋叶绿素a（Chlorophyll-a, Chl-a）浓度是评估浮游植物生物量和海洋富营养化程度的关键指标，其准确预测对有害藻华预警和海洋生态监测具有重要意义。然而，现有数据驱动方法普遍存在以下问题：对多尺度空间信息利用不足，难以同时刻画局部节点相互作用和区域尺度环境共性；对叶绿素a连续时空动态演化过程的表征能力有限，常依赖离散图连接导致过平滑。为此，研究人员提出多尺度时空图ODE网络（MGODE），旨在通过连续时空建模和跨尺度特征融合提升预测精度。该研究采用美国国家海洋和大气管理局（NOAA）CoastWatch项目提供的Multi-Sensor Level-1 to Level-2（MSL12）日尺度叶绿素a产品，空间分辨率2 km，选取渤海（37°–41°N, 117°–122°E，300个节点，2018年2月9日至2024年8月30日，2352个样本）和南海（17°–25°N, 108°–121°E，265个节点，2018年2月9日至2023年10月26日，2086个样本）作为研究区域，按时间顺序划分训练（60%）、验证（20%）和测试（20%）。论文发表在《Remote Sensing》。

### 关键技术方法
研究人员主要采用以下关键技术：①光谱聚类（Spectral Clustering），基于测地距离（Haversine）构建相似度矩阵，将节点层划分为若干空间连通区域，并以区域内部节点均值作为区域特征，形成多尺度表征；②自适应图学习（Adaptive Graph Learning），通过可学习的节点嵌入向量动态生成邻接矩阵，捕获数据驱动的空间依赖关系，并保持top-k稀疏性；③双ODE块（Dual ODE Block），外层时间ODE（Temporal ODE）利用门控扩张时序卷积网络（TCN）定义连续时间导数，内层空间ODE（Spatial ODE）基于图扩散动力学方程模拟空间传播，采用四阶龙格-库塔法求解；④多尺度特征融合（Multi-Scale Feature Fusion），包含静态融合块（在节点ODE前融合节点与区域特征）和动态融合块（在区域ODE后通过动态传输矩阵将区域信息传播至节点），最后通过门控机制整合。

### 研究结果
#### 5.1 数据集
研究人员使用渤海和南海的MSL12卫星叶绿素a日产品，按时间分割为训练、验证和测试集。

#### 5.2 实验设置
模型在NVIDIA GeForce RTX 4090 GPU上实现，采用PyTorch 2.8.0框架，Adam优化器，批量大小32，学习率0.001，最大训练轮次200，早停法（耐心10轮）。关键超参数包括残差通道32、卷积通道64、跳跃连接通道256、输出通道128，采用课程学习（步长40）和节点置换增强（步长100），欧拉法求解ODE。

#### 5.3 基线方法
对比6种基线：ASTGCN（时空注意力图卷积）、HGCN（双层GCN）、TimesNet（2D时间序列变换）、MICN（多尺度局部-全局分支）、STPGNN（双层图网络）、iTransformer（独立变量令牌自注意力）。

#### 5.4 评估指标
采用平均绝对误差（MAE）和均方根误差（RMSE）。

#### 5.5 主要结果
MGODE在渤海和南海数据集上均取得最低平均MAE和RMSE。与最佳基线相比，渤海MAE降低2.78%，RMSE降低1.07%；南海MAE降低1.19%，RMSE降低1.38%。在渤海所有预测步上均最优；南海前3步略逊但接近最优，长期预测优势明显（第15步MAE比STPGNN低2.99%，比iTransformer低4.36%）。泰勒图显示MGODE的相关系数高、RMSE低，距观测内圈最近。小提琴图表明预测分布与观测一致，但高浓度极端事件略有低估。

#### 5.6 消融实验
移除光谱聚类（w/o SC）、自适应图（w/o AG）、连续图传播（w/o CGP，替换为离散GCN）、神经ODE块（w/o NODE，替换为GDA）后，MGODE性能均显著下降，其中w/o NODE影响最大，证明连续ODE建模对捕获动态演化至关重要。

#### 5.7 参数敏感性分析
通过不同聚类数对比，确定渤海最优区域数为70，南海为100。过细划分导致特征冗余，过粗则丢失细节。聚类结果呈现近岸密集、远岸稀疏的合理分布，反映人类活动影响的空间异质性。时间与空间复杂度分析显示，MGODE前向传播时间复杂度为O(N² + B·C·T·S·L·k)，参数量为O(N² + C·C_r + C_r·k)，激活内存为O(B·T·C·N + B·C·N·M + B·C·N·k)。

### 讨论总结
研究人员比较了不同空间划分方法，发现光谱聚类在MAE和RMSE上均优于k-means和网格分割，因其基于测地距离的相似图能捕捉非凸、不规则形状类簇，与海洋环境异质性一致。对区域特征构建策略的比较表明，简单均值法优于密度加权、软最大加权、原型注意力池化和可学习池化，因为非线性加权可能放大极端节点噪声，而均值能稳健保留关键区域信号。当前模型存在计算效率低、极端事件预测不足、自适应图缺乏物理可解释性等局限。未来可引入先验知识（如距离、洋流）作为归纳偏置，采用物理约束算子嵌入平流-扩散方程，并探索多变量输入和不确定性量化。

### 研究结论
研究人员提出了一种名为MGODE的模型用于叶绿素a浓度预测。在两个真实数据集上的实验证明了MGODE的优越预测性能。首先，光谱聚类被用于捕获叶绿素a浓度的区域级特征，形成多尺度表示。在卷积变换之前，学习一个自适应图来表示节点之间的空间关系，然后将其输入到双ODE块中。该块使用常微分方程（ODE）对时空图数据的连续时间演化进行建模，捕获节点特征随时间的变化模式。最后，应用静态特征融合块和动态特征融合块进行多尺度特征融合，得到叶绿素a浓度的最终预测。与性能最佳的基线相比，MGODE在渤海数据集上平均绝对误差（MAE）和均方根误差（RMSE）分别降低了2.78%和1.07%，在南海数据集上分别降低了1.19%和1.38%。总体而言，MGODE为海洋叶绿素a预测提供了一个灵活的时空建模框架，并为更可靠的沿海生态监测提供了参考。