《Remote Sensing Applications: Society and Environment》：Improved U-Net with enhanced spatiotemporal features for Chlorophyll-A concentration prediction in the Zhoushan fishery
编辑推荐：
舟山渔场叶绿素a时空预测模型研究提出STE-U-ConvLSTM架构，融合周期时间编码、浓度梯度、方向角及地理编码增强特征提取，采用CBAM注意力机制和扩孔卷积LSTM捕捉多尺度时空依赖，实验表明R2提升0.139，RMSE降低0.25μg/L，有效预警有害藻华。
韩彦玲|蔡一卓|马平|宋歌|王静|张云|杨淑华|洪中华
上海海洋大学信息学院渔业信息重点实验室，上海海洋大学海洋智能信息与导航遥感工程技术研究中心，中国上海201306
摘要
叶绿素-a（Chl-a）是海洋生态状况的关键指标，其突然增加通常预示着有害藻华（HABs）的发生。作为中国的主要渔场之一，舟山渔场极易受到HAB事件的影响。然而，现有的Chl-a预测方法通常依赖于单一来源或有限的固定站点观测，这些方法在时空信息整合、内在特征相关性探索以及捕捉Chl-a分布的时空依赖性和变异性方面存在不足。这些局限性降低了它们的鲁棒性，尤其是在极端气象扰动条件下。为了解决这些问题，本研究提出了一种基于卫星遥感数据的时空增强U-Net与卷积长短期记忆网络（STE-U-ConvLSTM）结合的方法，用于舟山渔场的日常Chl-a预测。具体来说，通过结合时间和地理编码、Chl-a浓度梯度以及方向角度，开发了一种增强的时空特征表示策略，以更好地描述Chl-a的动态变化。在U-Net架构的基础上，该模型在编码器中嵌入了卷积块注意力模块（CBAM），以自适应地强调有信息量的时空特征。此外，瓶颈层结合了膨胀卷积和ConvLSTM，以更有效地捕捉多尺度时空模式。实验结果表明，STE-U-ConvLSTM的性能优于基线模型，R2提高了多达0.139，RMSE降低了多达0.25 μg/L。该模型在不同季节和子区域也表现出很强的泛化能力，特别是在复杂的夏季和冬季条件以及外部因素起主导作用的近岸水域中表现尤为突出。此外，该模型对于实际HAB事件的早期预警也非常有效，为海洋环境监测、藻华预测和可持续渔业管理提供了可靠的工具。
引言
叶绿素-a（Chl-a）是海洋生态系统中浮游植物生物量的常用代理指标（Behrenfeld和Falkowski，1997）。它是生态系统动态、富营养化和水质的关键指标（Nguyen等人，2021）。Chl-a的变化直接反映了浮游植物的生长情况，并与有害藻华（HABs）等生态事件密切相关（Brehob等人，2024；Zhang等人，2024）。Chl-a的快速增加往往是藻华发生的早期信号（Su JieQiong等人，2015）。Chl-a还在海洋生态系统稳定性、海气CO2通量以及渔业资源的时空分布中发挥着重要作用（Hidayat等人，2019；Zohdi和Abbaspour，2019）。因此，准确、长期和连续的Chl-a预测对于碳循环研究、可持续渔业和早期HAB预警系统至关重要（Stock等人，2017；Chen等人，2021）。
舟山海域位于中国东海沿岸，是中国渔业资源和海洋生态监测的关键区域（Cai等人，2022a，Cai等人，2022b；Yin等人，2022）。它也是受HAB影响最严重的地区之一（Ding等人，2022）。频繁的藻华对渔业造成了严重损害，并对海洋环境造成了持续的压力（Qian等人，2017）。因此，准确预测该地区的Chl-a对于早期发现藻华发展和可持续管理海洋资源至关重要。
传统的Chl-a预测方法主要包括时间序列分析和基于物理的模型。时间序列方法，如自回归积分滑动平均（ARIMA）模型（Chen QiuWen等人，2015），基于线性时间模式提取特征。然而，Chl-a的动态受到海表温度和风速等环境因素的非线性影响的强烈影响（Chen MeiJun等人，2011）。这些线性模型难以捕捉这种复杂性，限制了它们的预测准确性。基于物理的模型依赖于生态动态和扩散-对流方程（J?rgensen等人，1978）。例如，Park等人应用地球系统模型进行季节性和年际Chl-a预测（Park等人，2019），NASA开发了一个能够进行九个月预测的全球生物地球化学海洋模型（Rousseaux等人，2021）。尽管这些模型在物理上可解释，但在表示复杂的多变量关系和长期预测中容易出错，从而降低了其在实际应用中的可靠性。
深度学习作为一种主流方法，因其能够有效建模复杂非线性关系并自动从多变量数据中提取特征而受到关注（Chusnah和Chu，2022；Biliani和Zacharias，2024；Gómez-Jakobsen等人，2025；Mamun和Yang，2025；Wasehun等人，2025；Zhang等人，2026a，Zhang等人，2026b）。这种方法显著提高了预测的准确性和鲁棒性（Zhang等人，2026a，Zhang等人，2026b）。例如，Shin等人应用循环神经网络（RNNs）预测了纳东河的Chl-a（Shin等人，2020）。长短期记忆（LSTM）和卷积神经网络（CNNs）在类似应用中得到广泛使用（Baek等人，2021；Yussof等人，2021）。混合CNN-LSTM模型已被用于捕捉Chl-a的空间和时间特征（Jin等人，2021）。Barzegar等人和Ding等人分别在普雷斯帕湖和舟山海域使用了此类模型（Barzegar等人，2020；Ding和Li，2024）。Ye等人提出了基于卫星遥感数据的Ca-STANet（Ye等人，2023），用于同时预测大范围的Chl-a，并在渤海进行了验证。
尽管在Chl-a预测方面取得了显著进展，但目前的研究主要集中在单点或多点预测框架上。在像舟山渔场这样的复杂水动力区域，Chl-a浓度表现出强烈的空间相关性和时间连续性，相邻水域之间存在显著的相关性（Ding和Li，2024）。在这种复杂的海洋环境中，现有方法在三个方面存在局限性。首先，多尺度空间结构的表征不足，难以同时捕捉大尺度海洋动态和细尺度近岸异质性，从而限制了对关键空间特征（如近岸高Chl-a带、锋面边界和局部斑块）的准确表示。其次，Chl-a动态表现出明显的时间依赖性、长距离空间相关性和复杂的非线性响应；现有方法在模拟这些时空耦合和关键驱动因素方面不够充分，并且容易受到背景噪声和冗余信息的影响，在极端环境条件下适应性较差。第三，包括Chl-a浓度、时间因素和空间位置在内的多个驱动因素的动态影响尚未得到充分利用。特别是，季节性变化、空间异质性和生态边界的表示仍然有限，从而限制了模型准确捕捉和响应复杂环境变化的能力。
Ronneberger（Ronneberger等人，2015）提出的U-Net模型是一种广泛用于图像分割的卷积神经网络，在端到端的像素级预测任务中表现出出色的性能（Huang等人，2024）。其编码器-解码器架构有效地捕捉了多尺度空间结构和局部细节，减轻了全局上下文与细粒度特征之间的权衡。在此基础上，我们开发了一种结合了卷积长短期记忆网络（STE-U-ConvLSTM）的时空增强U-Net，用于日常Chl-a预测。输入特征通过周期性时间编码、Chl-a空间梯度、方向角度和地理位置编码得到增强，从而提高了模型捕捉Chl-a动态中的时间依赖性和时空耦合的能力。此外，卷积块注意力模块（CBAM）被应用于每个编码器和解码器的瓶颈层，以自适应地强调显著的空间区域和信息丰富的特征通道。在瓶颈层，膨胀卷积与ConvLSTM相结合，进一步提高了模型表示时间依赖性、空间非平稳性和复杂非线性响应关系的能力。
本研究的主要贡献总结如下：
(1)时空特征增强：我们设计了一种特征增强策略，结合了周期性时间编码、Chl-a空间梯度、方向角度和地理位置编码，提高了模型捕捉季节动态、空间异质性和生态边界的能力。
(2)混合U-Net架构：我们设计了STE-U-ConvLSTM，它在U-Net中加入了CBAM注意力、膨胀卷积和ConvLSTM模块，确保了有效的多尺度特征学习、对关键区域的自适应关注以及训练过程中的显式时间建模。
(3)所提出的STE-U-ConvLSTM在包括复杂夏季和冬季变化以及动态近岸水域在内的具有挑战性的场景中表现出色，能够准确识别HAB的起始、跟踪演变和定位消散。
本文的结构如下。第二节描述了研究区域、数据和预处理。第三节详细介绍了提出的模型架构。第四节分析和讨论了实验结果。第五节总结了研究并提出了未来工作方向。
研究区域和数据集
研究区域如图1所示，包括舟山群岛及其周边水域，位于东海和中国大陆之间。作为中国重要的近岸渔场，该地区支持丰富的渔业资源，在海洋经济中发挥着重要作用（Cai等人，2022a，Cai等人，2022b）。该地区具有崎岖的海岸线和复杂的水文和生态条件。由于独特的地形，频繁的上涌作用将富含营养的水带到
总体框架
总体架构如图4所示。该模型利用U-Net的分层空间特征提取和跳跃连接来保留细尺度细节，同时保持全局空间结构。根据输入网格大小，编码器和解码器各自执行两次下采样和上采样操作。在瓶颈层，最后一个ConvLSTM的输出与最深的编码器特征连接起来，将静态空间结构与动态时间信息整合在一起。
实验设置
实验在配备第13代Intel? Core? i9-13900HX 2.20 GHz处理器和16 GB RAM的系统上进行。所有模型均使用Python和TensorFlow框架实现。模型训练了200个周期，批量大小为20，采用Adam优化器。初始学习率设置为1 × 10?3，丢弃率为0.3，采用了Huber损失函数（Ding和Li，2024）。所提出的STE-U-ConvLSTM（包括层深度、通道数等架构细节）
结论
舟山渔业是中国重要的近岸渔场，经常受到HABs的威胁。因此，准确的Chl-a预测对于减轻HABs风险和维护该地区的海洋生态系统健康至关重要。在这项研究中，我们提出了一种时空增强的U-Net架构，以提高模型表征和捕捉Chl-a浓度时空依赖性的能力。在输入端，周期性时间编码加强了循环和季节性变化的建模
CRediT作者贡献声明
韩彦玲：撰写——审稿与编辑、验证、监督、项目管理、方法论、资金获取、概念化。蔡一卓：撰写——原始草稿、可视化、验证、软件、方法论、调查、数据管理、概念化。马平：撰写——审稿与编辑、方法论、项目管理、方法论、资金获取、数据管理。宋歌：方法论、概念化、形式分析。王静：调查、资源。
伦理批准
本研究未涉及任何人类参与者或动物实验，因此不需要机构审查委员会的伦理批准。
研究完整性
我们在此确认本手稿是我们的原创工作，尚未在其他地方发表或考虑发表。所有呈现的数据都是真实且未经修改的。其他人的工作已得到适当引用。
利益冲突声明
作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。
致谢
本研究得到了国家关键研发计划（项目编号：2024YFD2400502）、国家自然科学基金（项目编号：42176175和42271335）以及上海木兰人才计划浦江项目（项目编号：25PJA052）的支持。
