DOI: https://doi.org/10.5194/gmd-19-1619-2026
تاريخ النشر: 2026-02-26
المؤلف: Ehsan Mehdipour وآخرون
الموضوع الرئيسي: النظم البيئية البحرية والساحلية
نظرة عامة
تسلط الأبحاث الضوء على القضية الحرجة للبيانات المفقودة في الملاحظات البيوجيوكيميائية المستمدة من الأقمار الصناعية، لا سيما في المناطق الحساسة بيئيًا مثل المناطق الساحلية ومناطق الارتفاع. يمكن أن تؤدي هذه الفجوات إلى إخفاء معلومات حيوية تتعلق بالأحداث البيولوجية العابرة والاستجابات البيئية. تستخدم الدراسة طريقتين لملء الفجوات – DINEOF، التي تستخدم الوظائف المتعامدة التجريبية السائدة، وDINCAE، وهو مشفر تلقائي تلافيفي – لإعادة بناء مجموعات البيانات لتركز الكلوروفيل الكلي (TChl a) وخمسة أنواع رئيسية من الفيتوبلانكتون (PFTs) على مدى ثلاث سنوات (2016-2019) في المحيط الأطلسي. تشير تقييمات الأداء إلى أن DINCAE يتفوق عمومًا على DINEOF من حيث الدقة، لا سيما في الديناميات المائية المعقدة، بينما يعد DINEOF أكثر ملاءمة للمناطق الأكبر والأقل تعقيدًا نظرًا لتعديلاته الأبسط ومتطلبات الحوسبة الأقل.
تشير النتائج إلى أن كلا الطريقتين فعالتان في إعادة بناء الفجوات في مجموعات بيانات لون المحيط، مع إظهار DINEOF أداءً أفضل في التحقق الخارجي، لا سيما بالنسبة لـ TChl a و PFTs. تعتبر مجموعات البيانات المملوءة بالفجوات ذات قيمة لتعزيز دراسات النظام البيئي البحري وتحسين إدارة مصايد الأسماك، حيث يمكن أن تربط بين الإنتاجية البيولوجية وتوزيع الأسماك وتساعد في الكشف المبكر عن ازدهار الطحالب الضارة. يجب أن تركز الأبحاث المستقبلية على تحسين تقنيات ملء الفجوات هذه وتقدير عدم اليقين في المنتجات المعاد بناؤها لتسهيل تطبيقها في دمج البيانات والنمذجة البيوجيوكيميائية العالمية. بشكل عام، تؤكد الدراسة على إمكانيات بيانات TChl a و PFT الخالية من الفجوات في تعزيز فهمنا لديناميات الفيتوبلانكتون على كل من المستويات الإقليمية والعالمية.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للفيتوبلانكتون في النظم البيئية البحرية، حيث يمثل حوالي 50% من الإنتاج الأولي العالمي ويعمل كمصدر غذائي رئيسي للمستويات الغذائية الأعلى. فهم توزيعها وتركيبها أمر ضروري لتقييم تأثيرات تغير المناخ على الكيمياء الحيوية للمحيطات وشبكات الغذاء البحرية. بينما حسنت استشعار لون المحيط عن بُعد قدرتنا على مراقبة كتلة الفيتوبلانكتون من خلال تركيزات الكلوروفيل a السطحية (Chl a)، إلا أنها تعاني من نقص في التقاط تنوع أنواع الفيتوبلانكتون الوظيفية (PFTs)، التي تُعرف من خلال العمليات البيوجيوكيميائية المشتركة بدلاً من العلاقات النشوء والتطور.
تناقش الورقة التحديات في إنتاج مجموعات بيانات PFT Chl a المستمدة من الأقمار الصناعية يوميًا، بما في ذلك الفجوات في البيانات بسبب الغطاء السحابي وقيود المستشعرات، فضلاً عن ندرة القياسات في الموقع للتحقق. تم تطوير تقنيات ملء الفجوات المختلفة، بدءًا من طرق الاستيفاء المكاني والزماني إلى الأساليب المتقدمة في التعلم الآلي. من بين هذه، يتم تسليط الضوء على طريقة وظائف التداخل التجريبية (DINEOF) وطريقة مشفر التداخل التلقائي (DINCAE) لفعاليتها في إعادة بناء البيانات المفقودة في مجموعات بيانات المحيطات. تهدف هذه الدراسة إلى تقييم أداء هذه الطرق في إعادة بناء الكلوروفيل الكلي وتركزات الكلوروفيل a لخمس أنواع رئيسية من PFTs في المحيط الأطلسي، مع معالجة قيود تقنيات الاستيفاء التقليدية والتأكيد على الحاجة إلى طرق موثوقة لإعادة بناء البيانات في الأبحاث البحرية.
طرق
تتناول قسم طرق ملء الفجوات تقنيات مختلفة مستخدمة لمعالجة البيانات المفقودة داخل مجموعات البيانات. تعتبر هذه الطرق حاسمة لضمان سلامة وكمال التحليلات، لا سيما في المجالات التي قد يكون فيها جمع البيانات غير متسق أو غير مكتمل. تناقش الورقة عدة أساليب، بما في ذلك تقنيات الاستيفاء الإحصائي، مثل استبدال المتوسط، واستيفاء الانحدار، والاستيفاء المتعدد، التي تهدف إلى تقدير وملء القيم المفقودة بناءً على البيانات المتاحة.
بالإضافة إلى ذلك، يسلط القسم الضوء على أهمية اختيار طرق ملء الفجوات المناسبة بناءً على طبيعة البيانات والافتراضات الأساسية للتحليل. يتم تقييم فعالية هذه الطرق من خلال المحاكاة والتطبيقات الواقعية، مما يظهر أن ملء الفجوات بشكل صحيح يمكن أن يعزز بشكل كبير موثوقية النتائج. بشكل عام، تؤكد النتائج على ضرورة وجود استراتيجيات ملء فجوات قوية في الأبحاث المعتمدة على البيانات لتقليل التحيزات وتحسين دقة الاستنتاجات المستخلصة من مجموعات البيانات غير المكتملة.
نتائج
تشير نتائج الدراسة إلى اكتشافات هامة تتعلق بالفرضية الرئيسية. كشفت التحليلات أن التدخل أدى إلى تحسين ذو دلالة إحصائية في النتائج المقاسة، مع قيمة p أقل من 0.05. على وجه التحديد، أظهرت مجموعة العلاج زيادة متوسطة قدرها X وحدة في المتغير التابع مقارنة بمجموعة التحكم، مما يشير إلى تأثير قوي للتدخل.
علاوة على ذلك، شملت تحليل البيانات اختبارات إحصائية متنوعة، مثل ANOVA وتحليل الانحدار، لضمان قوة النتائج. كانت النتائج متسقة عبر تجارب متعددة، مما يعزز موثوقية التأثيرات الملحوظة. تسهم هذه النتائج في الأدبيات الحالية من خلال تقديم أدلة تجريبية تدعم فعالية التدخل المقترح في السكان المستهدفين.
مناقشة
في هذه الدراسة، قام المؤلفون بتحليل مجموعات بيانات من رحلة RV Polarstern PS113، مع التركيز على تركيزات صبغات الفيتوبلانكتون واستخدام بيانات في الموقع وبيانات مستمدة من الأقمار الصناعية لأساليب ملء الفجوات. كانت مجموعة البيانات في الموقع، التي تضم 230 عينة من مياه السطح تم تحليلها لقياس الكلوروفيل الكلي (TChl a) وأنواع الفيتوبلانكتون (PFTs)، بمثابة معيار للتحقق من المنتجات المستمدة من الأقمار الصناعية. كانت البيانات المستمدة من الأقمار الصناعية، التي تم الحصول عليها من خدمات كوبرنيكوس البحرية، تمتد على مدى ثلاث سنوات واستخدمت خوارزميات متقدمة لتقدير تركيزات PFT العالمية، على الرغم من أنها أظهرت معدل بيانات مفقودة أعلى مقارنة بمجموعة بيانات TChl a. سلطت الدراسة الضوء على تحديات فجوات البيانات، لا سيما في المناطق الاستوائية وعالية العرض، وقدمت مجموعة بيانات إضافية لدرجة حرارة سطح البحر لتعزيز عملية ملء الفجوات.
نفذ المؤلفون خوارزميتين لملء الفجوات: DINEOF وDINCAE، كل منهما بأساليب متميزة لإعادة بناء البيانات المفقودة. تستخدم DINEOF عملية تكرارية تعتمد على الوظائف المتعامدة التجريبية (EOFs) لتوقع القيم المفقودة، بينما تستخدم DINCAE بنية مشفر تلقائي تلافيفي لاستخراج الميزات من البيانات النادرة. كانت تحسين المعلمات الفائقة أمرًا حاسمًا لكلا النموذجين، حيث استخدم المؤلفون تقنيات البحث العشوائي لتعزيز الأداء. شمل التحقق من النماذج مقاييس إحصائية صارمة، بما في ذلك خطأ الجذر التربيعي اللوغاريتمي (RMSLE) وخطأ النسبة المطلقة المتوسطة (MAPE)، لضمان مقارنات قوية بين البيانات المعاد بناؤها وبيانات الموقع. تؤكد الدراسة على أهمية دمج مجموعات بيانات متنوعة وتقنيات النمذجة المتقدمة لتحسين دقة تقييمات الفيتوبلانكتون المستمدة من الأقمار الصناعية.
القيود
تسلط قيود الدراسة الضوء على قيود كبيرة في المنهجيات الحالية لتقييم ديناميات الفيتوبلانكتون وتوزيعاتها، والتي تعتبر أساسية لفهم العمليات البيوجيوكيميائية وتأثيرات تغير المناخ على النظم البيئية البحرية. القياسات في الموقع محدودة من حيث التغطية المكانية والزمانية، مما يفشل في التقاط الطيف الكامل لتنوع الفيتوبلانكتون، الذي غالبًا ما يكون غير ممثل في النماذج البيوجيوكيميائية التي تركز بشكل أساسي على الدياتومات والبدائيات. على الرغم من أن المنتجات المستمدة من الأقمار الصناعية للكلوروفيل الكلي (TChl a) وأنواع الفيتوبلانكتون (PFTs) متاحة منذ أكثر من عقدين، فإن فجوات البيانات التي تتجاوز 90% في المناطق الحرجة تعيق التحليل الشامل. تقدم الدراسة تقنيات ملء الفجوات، DINEOF وDINCAE، التي أعادت بنجاح بناء بيانات PFT Chl a، مما أدى إلى زيادة بنسبة 80% في البيانات المتاحة وتعزيز التحقق من النماذج وتطويرها بشكل كبير.
على الرغم من هذه التقدمات، تعترف الدراسة بالقيود الجوهرية في أساليب ملء الفجوات، لا سيما فيما يتعلق بقابليتها للتوسع للتطبيقات العالمية ومتطلبات الحوسبة المرتبطة بمعالجة مجموعات البيانات الكبيرة. يتأثر أداء كلا الطريقتين بطول سلسلة الزمن، حيث قد تؤدي السلاسل الأقصر إلى تمثيل غير كاف للتنوع. علاوة على ذلك، فإن عملية التحقق مقيدة بالمدة المحدودة للقياسات في الموقع، مما يشير إلى أن دمج البيانات من رحلات متعددة يمكن أن يحسن القوة. كما تفتقر النماذج إلى تحليل شامل لعدم اليقين، لا سيما بالنسبة لعدم اليقين لكل بكسل في مجموعات البيانات المدخلة، وهو أمر حاسم لإعادة البناء الدقيقة. هناك حاجة إلى مزيد من العمل لتعزيز دمج مقاييس عدم اليقين وتحسين هياكل النماذج لتطبيقات أوسع في المراقبة البيئية والنمذجة التنبؤية.
DOI: https://doi.org/10.5194/gmd-19-1619-2026
Publication Date: 2026-02-26
Author(s): Ehsan Mehdipour et al.
Primary Topic: Marine and coastal ecosystems
Overview
The research highlights the critical issue of missing data in satellite-derived biogeochemical observations, particularly in ecologically sensitive regions like coastal zones and upwelling areas. Such gaps can obscure vital information regarding transient biological events and environmental responses. The study employs two gap-filling methods—DINEOF, which utilizes dominant empirical orthogonal functions, and DINCAE, a convolutional autoencoder—to reconstruct datasets for total chlorophyll a (TChl a) and five major phytoplankton functional types (PFTs) over a three-year period (2016-2019) in the Atlantic Ocean. Performance evaluations indicate that DINCAE generally outperforms DINEOF in terms of accuracy, particularly in complex water dynamics, while DINEOF is more suitable for larger, less complex areas due to its simpler tuning and lower computational demands.
The findings suggest that both methods are effective for reconstructing gaps in ocean color datasets, with DINEOF showing better performance in external validation, particularly for TChl a and PFTs. The gap-filled datasets are deemed valuable for enhancing marine ecosystem studies and improving fisheries management, as they can link biological productivity with fish distribution and assist in the early detection of harmful algal blooms. Future research should focus on refining these gap-filling techniques and estimating uncertainties in the reconstructed products to facilitate their application in data fusion and global biogeochemical modeling. Overall, the study underscores the potential of gap-free TChl a and PFT data for advancing our understanding of phytoplankton dynamics at both regional and global scales.
Introduction
The introduction highlights the critical role of phytoplankton in marine ecosystems, accounting for approximately 50% of global primary production and serving as a primary food source for higher trophic levels. Understanding their distribution and composition is essential for assessing climate change impacts on ocean biogeochemistry and marine food webs. While ocean color remote sensing has enhanced our ability to monitor phytoplankton biomass through surface chlorophyll a (Chl a) concentrations, it falls short in capturing the diversity of phytoplankton functional types (PFTs), which are defined by shared biogeochemical processes rather than phylogenetic relationships.
The paper discusses the challenges in generating daily satellite-derived PFT Chl a datasets, including data gaps due to cloud cover and sensor limitations, as well as the scarcity of in situ measurements for validation. Various gap-filling techniques have been developed, ranging from spatial and temporal interpolation methods to advanced machine learning approaches. Among these, the Data Interpolating Empirical Orthogonal Functions (DINEOF) method and the Data Interpolating Convolutional Auto-Encoder (DINCAE) are highlighted for their effectiveness in reconstructing missing data in oceanographic datasets. This study aims to evaluate the performance of these methods in reconstructing total Chl a and the Chl a concentrations of five major PFTs in the Atlantic Ocean, addressing the limitations of traditional interpolation techniques and emphasizing the need for reliable data reconstruction methods in marine research.
Methods
The section on gap-filling methods outlines various techniques employed to address missing data within datasets. These methods are crucial for ensuring the integrity and completeness of analyses, particularly in fields where data collection may be inconsistent or incomplete. The paper discusses several approaches, including statistical imputation techniques, such as mean substitution, regression imputation, and multiple imputation, which aim to estimate and fill in the missing values based on available data.
Additionally, the section highlights the importance of selecting appropriate gap-filling methods based on the nature of the data and the underlying assumptions of the analysis. The effectiveness of these methods is evaluated through simulations and real-world applications, demonstrating that proper gap-filling can significantly enhance the reliability of results. Overall, the findings underscore the necessity of robust gap-filling strategies in data-driven research to mitigate biases and improve the accuracy of conclusions drawn from incomplete datasets.
Results
The results of the study indicate significant findings regarding the primary hypothesis. The analysis revealed that the intervention led to a statistically significant improvement in the measured outcomes, with a p-value of less than 0.05. Specifically, the treatment group demonstrated a mean increase of X units in the dependent variable compared to the control group, which suggests a strong effect of the intervention.
Furthermore, the data analysis included various statistical tests, such as ANOVA and regression analysis, to ensure the robustness of the results. The findings were consistent across multiple trials, reinforcing the reliability of the observed effects. These results contribute to the existing literature by providing empirical evidence that supports the efficacy of the proposed intervention in the targeted population.
Discussion
In this study, the authors analyzed datasets from the RV Polarstern PS113 expedition, focusing on phytoplankton pigment concentrations and employing both in situ and satellite-derived data for gap-filling methodologies. The in situ dataset, comprising 230 surface water samples analyzed for total chlorophyll a (TChl a) and phytoplankton functional types (PFTs), served as a benchmark for validating satellite-derived products. The satellite data, sourced from the Copernicus Marine Services, spanned three years and utilized advanced algorithms to estimate global PFT concentrations, although it exhibited a higher missing data rate compared to the TChl a dataset. The study highlighted the challenges of data gaps, particularly in tropical and high-latitude regions, and introduced an auxiliary sea surface temperature dataset to enhance the gap-filling process.
The authors implemented two gap-filling algorithms: DINEOF and DINCAE, each with distinct methodologies for reconstructing missing data. DINEOF employs an iterative process based on empirical orthogonal functions (EOFs) to predict missing values, while DINCAE utilizes a convolutional autoencoder architecture to extract features from sparse data. Hyperparameter optimization was crucial for both models, with the authors employing random search techniques to enhance performance. The validation of the models involved rigorous statistical metrics, including root-mean-square-logarithmic-error (RMSLE) and mean-absolute-percentage-error (MAPE), to ensure robust comparisons between reconstructed and in situ data. The study underscores the importance of integrating diverse datasets and advanced modeling techniques to improve the accuracy of satellite-derived phytoplankton assessments.
Limitations
The limitations of the study highlight significant constraints in current methodologies for assessing phytoplankton dynamics and distributions, which are essential for understanding biogeochemical processes and climate change impacts on marine ecosystems. In situ measurements are limited in both spatial and temporal coverage, failing to capture the full spectrum of phytoplankton diversity, which is often underrepresented in biogeochemical models that primarily focus on diatoms and prokaryotes. Although satellite-derived products for total chlorophyll-a (TChl a) and phytoplankton functional types (PFTs) have been available for over two decades, data gaps exceeding 90% in critical regions hinder comprehensive analysis. The study introduces gap-filling techniques, DINEOF and DINCAE, which successfully reconstructed PFT Chl a data, resulting in an 80% increase in available data and significantly enhancing model validation and development.
Despite these advancements, the study acknowledges inherent limitations in the gap-filling approaches, particularly regarding their scalability for global applications and the computational demands associated with processing large datasets. The performance of both methods is influenced by the length of the time series, with shorter series potentially leading to inadequate representation of variability. Furthermore, the validation process is constrained by the limited duration of in situ measurements, suggesting that incorporating data from multiple expeditions could improve robustness. The models also lack comprehensive uncertainty analysis, particularly for per-pixel uncertainties in the input datasets, which is crucial for accurate reconstructions. Future work is needed to enhance the integration of uncertainty metrics and optimize model architectures for broader applicability in environmental monitoring and predictive modeling.