《基于时空演变多重特性建模的近海叶绿素浓度时序预测》提出了一个基于时空演变的多重特性叶绿素浓度预测模型，该模型能够实现叶绿素浓度多圈层、全要素、结构化时空建模。整个模型主要分为四个模块（见图1），分别是自相关时序预测模块、多视角空间融合预测模块、基于环境上下文突变的叶绿素浓度预测模块和时空动态聚合预测模块。
尽管基于时序叶绿素浓度预测方法能从时空数据中挖掘有效信息，揭示时空数据的发展趋势和变化规律，但近海时序叶绿素浓度预测仍有以下挑战：其一，时间数据与空间数据的“扁平化”组合。具体来说，上述叶绿素浓度时空分布预测方法在空间数据划分的基础上，对每一部分空间数据进行时间序列建模，导致无法充分探索时间或空间数据内部依赖关系，忽略了数据的结构性特征。其二，叶绿素预测模型过于“理想化”。现实情况下，海域气象状况影响叶绿素浓度，现有预测模型未考虑外界因素对叶绿素浓度的影响，降低了预测模型的准确度。其三，叶绿素预测模型未考虑“突变因素”。暴雨或强风等突发因素使叶绿素浓度剧烈变化，当前预测方法不能挖掘突变因素与的叶绿素浓度变化的关联。因此，如何建立准确、可靠的近海叶绿素浓度预测模型是亟需解决的问题。
对于预测叶绿素浓度这种影响因素较多、影响类别较广的预测任务，通常采用混合动力模型。混合动力模型将不同类型数据的预处理、建模和优化操作集成在一个模型中，充分分析并整合不同因素的影响效果。因此，在混合动力模型的启发下，针对以上问题本文提出基于时空演变多重特性建模的近海叶绿素浓度时序预测模型。该预测模型由四部分组成，分别为自相关时序预测模块、多视角空间融合预测模块、基于环境上下文突变的叶绿素浓度预测模块和时空动态聚合学习模块。自相关时序预测模块预测叶绿素浓度时序变化规律；多视角空间融合预测模块在构建预测点与其他位置叶绿素浓度空间关联性基础上，考虑海域气象状况，提高了空间叶绿素浓度预测的可靠性；基于环境上下文的突变模块通过对极端因素建模，挖掘突变因素与的叶绿素浓度变化的关联；时空动态聚合模块利用结构化模式，结合时间、空间叶绿素预测结果，实现不同圈层全要素近海叶绿素浓度建模。
作者利用渤海叶绿素浓度数据评估模型的有效性，对比实验与消融实验证明本文提出的模型显著优于现有的最优叶绿素浓度预测方法（见Table2-Table3）。
注：多模态大数据智能计算实验室2019级硕士研究生王成贺同学作为第一作者完成的论文基于时空演变多重特性的近海叶绿素浓度预测刊登在《信号处理》学报2022年第四季度期刊。
