引言
近岸海域缺氧（Hypoxia）现象的加剧正日益威胁着全球海洋生态系统的健康，底层溶解氧（Dissolved Oxygen, DO）浓度的降低不仅严重影响底栖生物的生存，也对渔业经济和局部生态平衡造成深远破坏[1]。墨西哥湾北部是全球受缺氧问题困扰最严重的区域之一[2]，其夏季底层缺氧区的形成与演变规律一直备受科学界高度关注。然而，目前对海洋缺氧的监测高度依赖于传统的船只现场观测[3]。传统离散采样虽然直接准确，但受限于高昂成本与海况影响，其时空覆盖率低，难以实现大尺度缺氧动态的连续追踪。
近年来，卫星遥感技术的飞速发展为大范围海洋环境监测提供了前所未有的契机。卫星遥感能够以精细的时空分辨率，提供海表温度（SST）、海表盐度（SSS）和叶绿素a（Chla）等关键环境参量的连续观测数据。与此同时，数据驱动的机器学习算法在处理高维、非线性的地球科学数据方面展现出了卓越的拟合与预测能力[4]。将卫星遥感数据与机器学习模型相结合，尝试从海表环境特征反演底层水体的缺氧状态，已成为突破传统监测瓶颈、实现缺氧区的空间连续制图的一条极具潜力的前沿途径[5]。
尽管如此，利用表层遥感变量准确预测底层DO浓度仍面临重大挑战。底层缺氧是受水柱热力层化、淡水输入和复杂生物地球化学过程耦合控制的系统结果[6]，现有研究在精准刻画这些非线性响应过程时仍有不足；更为关键的是，既往研究已探索利用机器学习模型结合卫星遥感数据预测沿海缺氧现象，但现有方法在实际应用中仍面临两项核心挑战。首先是时间跨度局限性，多数模型仅针对特定年份或短期事件进行验证，难以应对跨越数十年的气候年际波动。其次是模型的“黑箱”属性，现有研究多倾向于追求预测精度，却忽视了对模型内部决策逻辑于海洋物理化学机制一致性的定量验证[7]，从而限制了其在海洋科学及管理决策中的可靠性。
针对上述局限，本研究构建了兼顾长时间序列动态演变与物理机制可解释性的底层缺氧预测框架。主要工作包括：（1）融合了1998—2019年间墨西哥湾北部的 2 837 个原位观测样本，优选出XGBoost模型，成功填补了历史关键年份空间观测的数据空白；（2）引入SHAP（SHapley Additive exPlanations）可解释性框架，突破了传统数据驱动模型的“黑箱”限制，定量且直观地揭示了海表卫星遥感特征在反演底层缺氧时，所表征的热力层结与河口淡水羽流等海洋学机制。本研究不仅重构了该海域长达 17年的夏季缺氧连续空间分布格局，更为未来构建高可靠度、可解释的近岸海域缺氧业务化监测系统提供了全新的范式。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000007205
作者信息：
李俊伟
（浙江农林大学 数学与计算机科学学院，浙江 杭州 311300）
