2014 年 8 月、オハイオ州トレド市の 50 万人以上の住民が市政府から突然、水道水を飲むことが禁止されるという緊急通知を受け取りました。

水は人類の生存にとって不可欠な資源であるため、この発表は極めて重要であり、大きなパニックを引き起こしています。原因は、アメリカ合衆国のエリー湖で発生した大規模なシアノバクテリアの大量発生で、数十億個の単細胞藻類が湖面を覆っています。地元の水処理会社2社が湖水から危険なレベルの毒素を検出し、飲用に適さない状態となっています。

特定の条件下で海藻が増殖することで発生するこの生態学的異常は、一般に赤潮、あるいは有害藻類ブルーム（HAB）と呼ばれています。専門家によると、有害藻類ブルームは海洋生態系のバランス、地域経済、そして人々の健康に深刻な脅威をもたらします。具体的には、海面に蓄積した大量の藻類は太陽光を遮り、水の透明度を低下させ、深海生物の生存を危険にさらします。また、これらの生物が分泌する粘液は魚のエラに付着し、呼吸困難や窒息を引き起こすこともあります。さらに、飲料水源が汚染され、赤潮生物の毒素が食物連鎖を通じて人間に伝染し、人々の健康に深刻な影響を与える可能性があります。

赤潮現象

画像出典: Qianzhan.com

したがって、有害藻類ブルームの観測、早期警戒、そして制御は極めて重要です。クロロフィルa（chl-a）濃度は、有害藻類ブルーム（HAB）の発生状況を評価する上で重要な指標であり、その正確な予測はその後の制御戦略に直接影響を及ぼします。現在、機械学習はchl-a濃度の予測において大きな進歩を遂げていますが、複雑な動的な時間的パターンを効果的にモデル化し、データのノイズや信頼性の低さに対処するには依然として限界があります。

これに対し、浙江大学GIS研究所の研究者らは、新たなディープラーニング予測モデル「ChloroFormer」を提案しました。このモデルは、フーリエ解析とTransformerニューラルネットワークを組み合わせ、時間分解アーキテクチャを採用することで、CHL-A濃度予測の精度を効果的に向上させます。さらに、研究者らは2つの異なる沿岸研究海域で実験を行い、提案モデルは多段階予測精度において他の6つの比較モデルを凌駕するだけでなく、極端かつ頻繁な藻類ブルーム発生状況下でも相対的な優位性を維持することを示しました。「フーリエ解析とTransformerネットワークの改訂」と題されたこの研究は、*Water Research*に掲載されました。

研究のハイライト:

• ディープラーニング モデル ChloroFormer は、クロロフィル a の短期および中期予測の両方でベースラインを上回りました。
• ChloroFormer は、クロロフィル a のピークを高精度に予測する点で非常に優れたパフォーマンスを発揮し、観測されたデータ分布に対する高い適合度を維持しました。

論文の宛先:

https://doi.org/10.1016/j.watres.2024.122160

データセット：泰州海域とアラワイ港を例に

本研究では、浙江省台州沖とハワイ島オアフ島のアラワイ港沖を研究対象海域として選定しました。これらの海域では、有害藻類ブルーム（HAB）の発生状況が大きく異なっていました。台州海域では、経済発展による過剰な資源開発によって廃棄物による汚染物質が大量に流入し、海水質の悪化と赤潮の頻発につながっています。ボートやヨットで人気の高いアラワイ港では、サーフィン、ボート遊び、セーリング、水泳、釣りなど、様々な人間活動が行われており、HABが発生しやすい環境となっています。

具体的には、泰州海域データTZ02には、2014年5月30日から2021年7月29日までのクロロフィルa（CHL-a）濃度が1時間ごとにモニタリングされています。アラワイ港データNSS002には、2013年3月1日から2018年7月26日までのCHL-a濃度が含まれています。データは水質モニタリングセンサーから4分間隔で収集され、15時点にわたって平均化されています。さらに、データセットは標準化と自然対数変換が施され、データ範囲が縮小され、モデルの予測精度が向上しました。

クロロフィル a 濃度予測データセットの概要

モデルアーキテクチャ: 周期性と傾向を組み合わせて、CHL-A 濃度の多段階予測を行います。

本研究では、クロロフィルa濃度を予測するためのディープラーニングモデル「ChloroFormer」を提案する。モデルのフレームワークを下図に示す。まず、移動平均法を用いて元の時系列を周期成分（Periodic lnit）とトレンド成分（Trend lnit）に分解し、各成分ごとに個別にモデル化する。

クロロフォーマーモデル

(a) ChloroFormer ネットワーク アーキテクチャ。周期的シーケンス コンポーネントとトレンド シーケンス コンポーネントを表す 2 つのパスがあります。

(b) 周波数アテンションモジュールの内部構造

第二に、トレンド成分については、研究者らはTransformerニューラルネットワークを用い、その自己注意メカニズムを活用して長距離依存性を捉えました。周期成分については、Transformerネットワーク上にフーリエ解析に基づく注意メカニズムを設計しました。これには周波数フィルタと周波数注意メカニズムが含まれており、これにより周波数の観点から周期的なパターンをより効果的に捉えることができます。

最後に、研究者らはモデル化された 2 つのサブ時系列を組み合わせ、線形投影によってそれらをマルチステップ予測結果に直接マッピングしました。

実験的結論: 非常に非定常な時間ダイナミクスを持つ chl-a の濃度を予測できます。

研究者らは、短期および中期のCHL-A濃度予測にChloroFormerモデルを使用しました。結果は下の図に示されています。短期予測では、ChloroFormerは両研究地域において他の比較モデルよりも高い精度を示し、誤差率も大幅に減少しました。

短期予測範囲におけるさまざまなモデルのパフォーマンス

（a）監視ステーションTZ02におけるMAE、RMSE、CORR値の比較

(b) NSS002監視ステーションにおける3つの指標の比較

下の図に示すように、中期的には全体的な予測精度は低下しているものの、ChloroFormer は依然として他のモデルよりも優れています。

中期予測範囲におけるさまざまなモデルのパフォーマンス

（a）監視ステーションTZ02におけるMAE、RMSE、CORR値の比較

(b) NSS002監視ステーションにおける3つの指標の比較

さらに、研究者らは、藻類ブルームが頻繁に発生する状況下におけるクロロフィルa濃度のピークを予測する複数のモデルの結果を比較しました。下図に示すように、ChloroFormerは短期予測では高い精度を示しましたが、長期予測では予測時間が長くなるにつれて精度が低下しました。全体として、他のモデルと比較して、 ChloroFormerは時系列トレンドの捕捉と極値点の正確な一致において優れた性能を示しており、藻類ブルームの早期警戒に重要な情報を提供する可能性があります。

NSS002 を使用して、データセット内の実際の値とモデル予測の分布密度を 1、6、12、24 時間の期間にわたってテストします。

最後に、本研究ではコルモゴロフ・スミルノフ検定を用いて、ChloroFormerの予測値が実際の観測データ分布と高い整合性を持つことを実証しました。これは、ChloroFormerモデルが堅牢であり、データ特性を正確に反映できることを示しています。さらに、注目度の重み分布を分析することで、ChloroFormerが様々なデータセットにおける重要な時間的パターンを捉えられることも発見しました。

要約すると、本研究では、フーリエ解析技術とTransformerネットワークを統合し、高度に非定常な時間変動を伴うCHL-A濃度の予測精度を向上させるディープラーニングモデルChloroFormerを提案する。これは、環境管理における有害藻類ブルームの予測において、信頼性が高く費用対効果の高いツールとなる。

テクノロジーの力で青い未来を築く

海は地球上で最大の生命維持システムであり、海洋生物多様性の保全は私たちの共通の未来を守ることに繋がります。しかし、人間活動の継続的な拡大に伴い、気候変動、乱獲、生息地の破壊、汚染といった危機が絶えず発生し、海洋生態系は深刻な課題に直面しています。これに対し、国内外の研究者たちは、共同でブルーディフェンスラインを構築したいという強い思いで、熱心に取り組んでいます。

近年、データの蓄積とディープラーニングなどの新技術の発展により、海洋保全分野における革新的な研究が次々と生まれています。例えば、本稿で言及した浙江大学GIS研究所の研究チームは、長年にわたり海洋保全分野の探究と革新に取り組んできました。彼らは機械学習と衛星データを組み合わせることで、世界の海洋における溶存酸素の非常に動的な変化を詳細に研究し、海洋低酸素症のパターンと原因を探っています。

具体的には、研究者らは包括的な全球海面溶存酸素モデリングフレームワーク「DOsurface-Pred Framework」を開発し、このフレームワークに基づいて大規模な海面溶存酸素データセット「SSDO」を生成しました。その結果、酸素が豊富な海面域においても、主に海面水温（SST）の変化により溶存酸素レベルが低下していることが示されました。

詳細はこちら：海洋低酸素症の解明：浙江大学GIS研究所が機械学習と衛星マッピングを統合した包括的な全球海面溶存酸素モデリングフレームワークを発表

さらに、フランスのモンペリエ大学の研究チームは、ランダムフォレストモデルと人工ニューラルネットワークを組み合わせ、データが不十分または評価されていない4,992種の海水魚の絶滅リスクを予測しました。この結果は、海水魚の絶滅の脅威がこれまで考えられていたよりもはるかに大きいことを示しています。今後は、データが不十分な種や重要なホットスポットにさらに注意を払い、その後の保全活動が的を絞った効果的なものとなるようにする必要があります。この研究を通じて、科学者たちは海水魚保全分野におけるデータのギャップを埋めただけでなく、世界的な保全の優先順位を調整するための新たな視点を提供しました。

これらの最先端の研究成果は、散り散りになった星の光のように、海洋保護のためのまばゆいばかりの銀河へと収束していきます。今後、より多くの研究チーム、政府機関、非政府組織、そして一般市民の参加により、海洋生態系を守るための戦いはますます力強くなり、海洋生態系を守るための確固たる防衛体制を必ず築くことができると確信しています。

参考文献:

https://dialogue.earth/zh/3/42441/

https://m.thepaper.cn/newsDetail_forward_4890474