华东师范大学河口海岸学国家重点实验室研究员沈芳团队将人工智能（AI）技术与多源海洋大数据相结合，提出了一种基于深度学习的时空生态集成模型（STEE-DL），进而开发了领域内首套全球长时序（1998-2023）逐日无缝4公里浮游植物功能群浓度数据产品（AIGD-PFT），显著提升了对8种主要浮游植物功能群的反演精度和时空覆盖率。10月23日，相关研究发表于《地球系统科学数据》。

为更深入探索海洋浮游植物在生态功能、资源利用方式及环境适应性方面的差异，研究人员将其划分为不同的浮游植物功能类型（PFT）。全球大尺度、长时序、高精度的PFT数据是研究海洋生态系统及其对气候变化响应的核心基础。然而，现有数据产品在反演精度、时空分辨率、空间覆盖率和时间跨度等方面仍面临重大挑战。

研究团队将浮游植物类群反演视为多元非线性映射问题，并引入了多源环境预测因子。在前期研究基础上，研究人员进一步扩展汇编了全球原位HPLC数据集，增加了原位观测数据的可用数量；随后，采用离散余弦变换-惩罚最小二乘法（DCT-PLS）来进行OC-CCI水色遥感产品的缺失重建，并整合多源海洋环境因子作为驱动数据；最后构建得到了STEE-DL模型。

研究中使用到的多源环境预测因子。图片来源于《地球系统科学数据》

研究团队表示，AIGD-PFT数据产品发布为分析浮游植物群落的时空动态提供了重要工具，有望对揭示浮游植物组成对气候变化的响应机制研究提供支持。该数据产品还可促进海洋碳通量的精确量化，提高生物地球化学模型的预测精度，为未来的气候变化与海洋科学研究提供有力支持。

相关论文信息：https://doi.org/10.5194/essd-16-4793-2024