作者 | 盧彬，韓璐羽
海洋溶解氧是維持海洋生態系統功能的關鍵因子。然而，隨著全球變暖和人類活動影響加劇，近年來海洋呈現脫氧趨勢，日漸窒息的海洋對漁業發展、氣候調節等多方面造成嚴重後果。
近期，上海交通大學電子資訊與電氣工程學院王新兵、甘小鶯教授團隊聯合上海交通大學海洋學院張經院士、周磊教授、周韞韜副教授，共同提出了一種稀疏海洋觀測資料驅動的深度圖學習模型 OxyGenerator，首次對 1920 年至 2023 年全球百年海域溶解氧資料進行重建，重建效能顯著超越了專家經驗主導的 CMIP6 系列數值模式結果。
研究成果《OxyGenerator: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning》目前已被中國計算機學會 A 類會議 International Conference on Machine Learning（ICML）錄用，為分析複雜氧迴圈及氣候調節提供了有力的資料支援，是人工智慧與海洋學交叉融合的積極嘗試。
重建資料表明過去百年間溶解氧最小值低於 30µmol/kg 的最小含氧帶（OMZ30）快速擴張，2023 年較 1920 年面積擴大三倍有餘。這一發現對於理解OMZ長期變化具有重要意義，有助於未來更好地進行海洋監測與保護。
為了全面深入理解海洋脫氧，從有效資料中發掘氧迴圈及其變化規律，2017 年 Schmidtko 等研究者於《Nature》發文《Decline in global oceanic oxygen content during the past five decades》，首次採用空間插值方法實現了 1960 年以來全球海洋溶解氧資料的重建與定量分析。
然而，對於評估工業革命以來長期人類活動的具體影響，重建近五十年溶解氧記錄遠遠不夠。高度稀疏的歷史觀測和精度受限的空間插值方法成為解決問題的重要瓶頸。
為此，上海交大的研究團隊匯聚了自 1900 年以來包括科考船航次調查資料、Argo 浮標觀測資料、深海潛標實時觀測等海洋溶解氧相關資料共計 60 億條（儲存資料量約 2TB），並進行了統一質控。
考慮到海洋水體的不規則邊緣，以及高度稀疏觀測資料的非均勻特徵，透過圖建模思想建立了四維時空圖網路，充分考慮了地理學中的空間相關性、高價值觀測樣本，實現了觀測資料與缺失資料間的跨時空資訊傳遞。
鑑於海洋溶解氧的濃度變化同時受到了海洋物理與生化變數的影響，首先採用多層感知機對多要素資料的進行非線性特徵提取，並透過雙向長短期記憶網路進行溶解氧觀測值的時序變化特徵挖掘。
其次，由於全球海洋在不同歷史時期和區域呈現異質時空關聯，受到海洋學分割槽思想的啟發，提出了自適應可變分割槽的圖訊息傳遞機制（Zoning-Varying Message-Passing），透過超網路引數生成演算法，對不同分割槽的圖訊息進行仿射變換，實現可變分割槽的圖資訊傳遞。
最後，海洋學領域知識的融合有助於校準神經網路的不確定性。本研究將海洋中氮、磷、氧的理想平衡比例關係（Redfield Ratio），設計了化學知識嵌入的梯度正則化方法，儘可能消除重建結果中的訊號異常。
經與觀測變數的多折交叉驗證，與專家主導的三組 CMIP6 數值模式結果對比，本研究提出的 OxyGenerator 在四個重建效能評估指標上都取得了最佳表現，MAPE 減小了 38.77%，大大降低在開闊海域的重建誤差。
在觀測資料充足的西太平洋、受特殊環境條件影響的黑海等區域，OxyGenerator 表現尤為突出，模型效能在百年間保持穩定。同時，結果很好地重建了歷史時期厄爾尼諾/拉尼娜等特殊氣候事件對溶解氧分佈的擾動，也準確體現了溫鹽環流等大時間尺度水體運動特徵。
本研究是人工智慧與海洋科學深度交叉、密切合作的研究成果，為應對全球性氣候挑戰開拓了新思路。未來，團隊將繼續推進深入合作資料驅動的地學科學發現研究，積極發展先進技術賦能科學智慧（AI for Science）領域研究。