长期的叶绿素-a (Chl-a)预测具有提供赤潮早期预警和支持渔业管理和海洋生态系统健康的潜力。现有的基于学习的Chl-a预测方法大多是利用监测数据对单个点或多个点进行预测。但监测数据采样稀疏，难以大规模同步测量。此外，长短期记忆(LSTM)和卷积神经网络(CNN)-LSTM等基于学习Chl-a点预测的模型无法充分挖掘Chl-a变化的时空相关性。因此，我们利用大范围覆盖的卫星遥感数据，设计了Ca-STANet框架，从时空场的角度同时预测大尺度区域内所有位置的Chl-a。具体而言，我们的方法首先将原始数据划分为多个子区域，以捕捉大尺度区域的空间异质性。然后，分别对两个模块进行操作，挖掘空间相关性和长期依赖特征。最后，通过融合模块对两个模块的输出进行整合，充分挖掘时空相关性，并利用这些相关性获得最终的Chl-a预测。本文基于渤海OC-CCI Chl-a 5.0资料，对本文提出的Ca-STANet方法进行了综合评价，并与已有方法进行了比较。结果表明，Ca-STANet对Chl-a预测非常有效，预测精度高于基线方法。此外，由于OC-CCI Chl-a 5.0数据存在许多缺失区域，我们引入DINEOF方法来填补数据空白，然后将其用于预测。
