DOI: https://doi.org/10.5194/essd-18-2951-2026
تاريخ النشر: 2026-04-28
المؤلف: Chuanjun Du وآخرون
الموضوع الرئيسي: النظم البيئية البحرية والساحلية
نظرة عامة
في هذه الدراسة، تم تنفيذ إجراءات صارمة لمراقبة جودة البيانات لتنظيف بيانات المغذيات والهيدروغرافيا من شمال المحيط الهادئ، مع الالتزام بأحدث الممارسات. طور الباحثون ثلاثة نماذج تعلم آلي أظهرت أخطاء منخفضة عبر استراتيجيات التحقق المختلفة، مما أعاد بناء قاعدة بيانات كبيرة تتكون من حوالي 473 مليون نقطة بيانات مغذيات من 1.92 مليون محطة تمتد من عام 1895 إلى 2024. زادت هذه الإعادة البناء بشكل كبير من عدد نقاط بيانات المغذيات بمقدار يتراوح بين 2,127 إلى 2,393 مقارنة بالملاحظات الأصلية.
تم استخدام البيانات المنظفة من مجموعة بيانات CCHDO لتدريب نماذج التعلم الآلي، التي ربطت تركيزات المغذيات مع المتنبئات المكانية والزمنية وخصائص الكتلة المائية. تم تطبيق النماذج بعد ذلك على الملاحظات الهيدروغرافية من مجموعة بيانات WOD، التي كانت تفتقر إلى قياسات مباشرة للمغذيات. أظهرت تقييمات الأداء أن جميع النماذج حققت قيم خطأ جذر متوسط مربع منخفضة (RMSE)، حيث تفوقت نماذج Random Forest (RF) و Gaussian Process Regression (GPR) قليلاً على LightGBM. عرضت علم المناخ الناتج عن المغذيات هياكل مكانية أكثر واقعية مقارنة بعلم المناخ WOA23، مما يعزز الفهم الديناميكي التاريخي للمغذيات ويدعم الدراسات المستقبلية حول التغيرات المناخية وطويلة الأجل في المغذيات في سياق تغير المناخ والتأثيرات البشرية.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على الدور الحاسم للعناصر الأساسية الحيوية، مثل النيتروجين والفوسفور والسيليكون، في النظم البيئية البحرية، وخاصة في تنظيم الإنتاج الأولي وامتصاص CO₂ المحيطي. الطرق التقليدية لجمع بيانات المغذيات تتطلب جهدًا كبيرًا وغير فعالة، مما يؤدي إلى ملاحظات متفرقة تعيق فهمنا لديناميات المغذيات وتغيرات النظام البيئي. للتخفيف من هذه المشكلة، تم استخدام نهجين رئيسيين – التحليل الموضوعي ودمج البيانات – لتعزيز تغطية بيانات المغذيات. أظهرت التطورات الأخيرة في التعلم الآلي وعدًا في إعادة بناء تركيزات المغذيات من خلال الاستفادة من المتنبئات البيئية، مع دراسات تظهر التطبيق الناجح لموديلات مختلفة، بما في ذلك دعم الانحدار المتجه والانحدار باستخدام العمليات الغاوسية.
يعد المحيط الهادئ الشمالي، الذي يتميز بديناميات مغذيات متنوعة تتأثر بالعمليات الفيزيائية مثل الارتفاع والتدويرات المتوسطة، منطقة الدراسة. على الرغم من توفر أطلس المحيط العالمي (WOA) كقاعدة بيانات للمغذيات، فإن دقتها المكانية الخشنة تحد من فعاليتها في التقاط التغيرات الدقيقة. تهدف هذه الدراسة إلى معالجة هذه القيود من خلال استخدام تقنيات التعلم الآلي لإنشاء علاقات بين تركيزات المغذيات وخصائص الكتلة المائية، جنبًا إلى جنب مع المتغيرات المكانية والزمنية. جمع الباحثون وحققوا بدقة بيانات المغذيات من قواعد البيانات العامة، مما أدى في النهاية إلى إعادة بناء توزيعات المغذيات التاريخية في شمال المحيط الهادئ من 1895 إلى 2024، مما يساهم في تقديم رؤى قيمة حول ديناميات المغذيات وآثارها البيئية.
طرق البحث
استخدمت الدراسة منهجية شاملة لتحليل البيانات التي تم جمعها. في البداية، تم إعداد مجموعة بيانات قوية، مع التأكد من أنها تشمل مجموعة متنوعة من المتغيرات ذات الصلة بأهداف الدراسة. تم إخضاع البيانات لخطوات معالجة مسبقة صارمة، بما في ذلك التطبيع واكتشاف القيم الشاذة، لتعزيز جودتها وموثوقيتها.
بعد ذلك، تم تطبيق تقنيات إحصائية وحسابية مختلفة لاستخراج رؤى ذات مغزى. شمل ذلك استخدام تحليل الانحدار لتحديد العلاقات بين المتغيرات الرئيسية، بالإضافة إلى خوارزميات التعلم الآلي للنمذجة التنبؤية. تم التحقق من النتائج من خلال طرق التحقق المتبادل لضمان قوة النتائج. بشكل عام، أسست الإطار المنهجي قاعدة صلبة للتحليل، مما مكن من استنتاج استنتاجات هامة من البيانات.
مناقشة
في هذه الدراسة، قام المؤلفون بإجراء مراقبة شاملة لجودة البيانات (QC) للبيانات الهيدروغرافية والمغذيات من مجموعات بيانات المناخ والمحيط: التغير، القابلية للتنبؤ، والتغيير (CLIVAR) ومكتب بيانات الكربون الهيدروغرافي (CCHDO). قاموا بتنفيذ بروتوكول QC هرمي شمل تقييمات فردية، ومحطة، ومستوى الرحلة، مما أدى إلى الاحتفاظ بـ 214,943 إلى 222,234 نقطة بيانات لمختلف معلمات المغذيات، والتي شكلت أكثر من 94% من البيانات الأصلية. تتكون مجموعة بيانات المحيط العالمي النهائية (WOD) من 472,652,680 نقطة بيانات لدرجة الحرارة والملوحة من 1,920,634 محطة عبر 35,744 رحلة، تمتد من 1895 إلى 2024. تتيح هذه المجموعة الواسعة من البيانات إجراء تحليلات مكانية وزمنية مفصلة لتوزيعات المغذيات في المحيط الهادئ الشمالي.
بعد QC، استخدم المؤلفون ثلاثة خوارزميات تعلم آلي – Random Forest (RF)، Light Gradient Boosting Machine (LightGBM)، و Gaussian Process Regression (GPR) – لإعادة بناء تركيزات المغذيات بناءً على المتنبئات البيئية. أظهرت النماذج دقة تنبؤية عالية، حيث تفوقت RF و GPR على LightGBM من حيث أخطاء الجذر المتوسط المربعة (RMSE) لمختلف المغذيات. تعزز مجموعة البيانات المعاد بناؤها، التي تشمل 472,652,680 تركيزًا للمغذيات، بشكل كبير من حجم بيانات CCHDO الأصلية وتوفر فهمًا أكثر دقة لديناميات المغذيات في المحيط الهادئ الشمالي. من المتوقع أن تسهل هذه المجموعة عالية الجودة الأبحاث المستقبلية حول تباين المغذيات في سياق تغير المناخ والتأثيرات البشرية، مما يقدم رؤى قيمة لنمذجة الكيمياء الحيوية للمحيطات.
DOI: https://doi.org/10.5194/essd-18-2951-2026
Publication Date: 2026-04-28
Author(s): Chuanjun Du et al.
Primary Topic: Marine and coastal ecosystems
Overview
In this study, rigorous data quality control procedures were implemented to clean nutrient and hydrographic data from the North Pacific, adhering to state-of-the-art practices. The researchers developed three machine learning models that demonstrated low errors across various validation strategies, effectively reconstructing a substantial database of approximately 473 million nutrient data points from 1.92 million stations spanning the years 1895 to 2024. This reconstruction significantly increased the number of nutrient data points by a factor of 2,127 to 2,393 compared to the original observations.
The cleaned data from the CCHDO dataset were utilized to train the machine learning models, which correlated nutrient concentrations with spatial, temporal, and water-mass predictors. The models were subsequently applied to hydrographic observations from the WOD dataset, which largely lacked direct nutrient measurements. Performance assessments indicated that all models achieved low root mean square error (RMSE) values, with Random Forest (RF) and Gaussian Process Regression (GPR) slightly outperforming LightGBM. The resulting nutrient climatology exhibited more realistic spatial structures compared to the WOA23 climatology, thereby enhancing the understanding of historical nutrient dynamics and supporting future studies on climatological and long-term nutrient variability in the context of climate change and anthropogenic impacts.
Introduction
The introduction of this research paper emphasizes the critical role of bio-essential elements, such as nitrogen, phosphorus, and silicon, in marine ecosystems, particularly in regulating primary production and oceanic CO₂ uptake. Traditional methods for collecting nutrient data are labor-intensive and inefficient, leading to sparse observations that hinder our understanding of nutrient dynamics and ecosystem changes. To mitigate this issue, two primary approaches—objective analysis and data fusion—have been employed to enhance nutrient data coverage. Recent advancements in machine learning have shown promise in reconstructing nutrient concentrations by leveraging environmental predictors, with studies demonstrating the successful application of various models, including Support Vector Regression and Gaussian Process Regression.
The North Pacific Ocean, characterized by diverse nutrient dynamics influenced by physical processes such as upwelling and mesoscale eddies, serves as the study area. Despite the availability of the World Ocean Atlas (WOA) as a nutrient database, its coarse spatial resolution limits its effectiveness in capturing fine-scale variations. This study aims to address these limitations by utilizing machine learning techniques to establish relationships between nutrient concentrations and water mass properties, alongside spatial and temporal variables. The researchers collected and rigorously validated nutrient data from public databases, ultimately reconstructing historical nutrient distributions in the North Pacific from 1895 to 2024, thereby contributing valuable insights into nutrient dynamics and their ecological implications.
Methods
The research employed a comprehensive methodology to analyze the data collected. Initially, a robust dataset was curated, ensuring that it encompassed a diverse range of variables pertinent to the study’s objectives. The data was subjected to rigorous preprocessing steps, including normalization and outlier detection, to enhance its quality and reliability.
Subsequently, various statistical and computational techniques were applied to extract meaningful insights. This included the use of regression analysis to identify relationships between key variables, as well as machine learning algorithms for predictive modeling. The results were validated through cross-validation methods to ensure the robustness of the findings. Overall, the methodological framework established a solid foundation for the analysis, enabling the derivation of significant conclusions from the data.
Discussion
In this study, the authors conducted a comprehensive quality control (QC) of hydrographic and nutrient data from the Climate and Ocean: Variability, Predictability, and Change (CLIVAR) and Carbon Hydrographic Data Office (CCHDO) datasets. They implemented a hierarchical QC protocol that included individual, station, and cruise-level assessments, resulting in the retention of 214,943 to 222,234 data points for various nutrient parameters, which accounted for over 94% of the original data. The final World Ocean Database (WOD) dataset comprised 472,652,680 temperature and salinity data points from 1,920,634 stations across 35,744 cruises, spanning from 1895 to 2024. This extensive dataset allows for detailed spatial and temporal analyses of nutrient distributions in the North Pacific Ocean.
Following QC, the authors employed three machine learning algorithms—Random Forest (RF), Light Gradient Boosting Machine (LightGBM), and Gaussian Process Regression (GPR)—to reconstruct nutrient concentrations based on environmental predictors. The models demonstrated high predictive accuracy, with RF and GPR outperforming LightGBM in terms of Root Mean Squared Errors (RMSE) for various nutrients. The reconstructed dataset, which includes 472,652,680 nutrient concentrations, significantly enhances the original CCHDO data volume and provides a more nuanced understanding of nutrient dynamics in the North Pacific. This high-quality dataset is poised to facilitate future research on nutrient variability in the context of climate change and anthropogenic influences, offering valuable insights for ocean biogeochemical modeling.