每日海岸缺氧预测的人工智能模型基准测试
机器学习
2026-02-06 v1 人工智能
摘要
沿海缺氧，尤其是在墨西哥湾北部，持续存在生态和经济顾虑。季节性模型提供的粗糙预测忽略了日间、响应式生态系统管理所需的细粒度变异性。我们提出了一项研究，比较四种深度学习架构用于每日缺氧分类：双向长短期记忆 (BiLSTM)、Medformer (医学变换器)、时空变换器 (ST-Transformer) 和 时间卷积网络 (TCN)。我们使用 2009-2020 年的每日 hindcast 数据训练模型。训练数据来自耦合水动力-生物化学模型的 2009-2020 年 hindcast 数据。同样，我们使用 2020 年至 2024 年的 hindcast 数据作为测试数据。我们构建的分类模型包含水柱分层、沉积物氧消耗和温度依赖分解速率。我们使用相同的预处理、输入/输出表述和验证协议评估每个架构。每个模型在所有指标和测试期间均实现了高分类准确率和强烈的判别能力，其中 ST-Transformer 在所有指标和测试期间取得最佳性能 (AUC-ROC: 0.982-0.992)。我们还采用 McNemar 方法识别模型预测之间的统计显著差异。我们的贡献是为 operational 实时缺氧预测提供可重复框架，可支持更广泛的环境和海洋建模社区的生态系统韧性努力。源代码可在 https://github.com/rmagesh148/hypoxia-ai/ 获取。
引用
@article{arxiv.2602.05178,
title = {Benchmarking Artificial Intelligence Models for Daily Coastal Hypoxia Forecasting},
author = {Magesh Rajasekaran and Md Saiful Sajol and Chris Alvin and Supratik Mukhopadhyay and Yanda Ou and Z. George Xue},
journal= {arXiv preprint arXiv:2602.05178},
year = {2026}
}
备注
This is a Preprint accepted at IEEE Big Data 2025