基于時序融合Transformer提升海洋動物運動預測區域精度的研究

《Scientific Reports》：Improving prediction region accuracy in marine animal movement with temporal fusion transformer

【字體： 大 中 小 】 時間：2025年12月05日 來源：Scientific Reports 3.9

　　

在廣袤的海洋中，南象海豹等海洋動物的遷徙路線猶如神秘的地下暗河，它們的行為模式蘊含著生態系統健康的重要信息。然而，這些動物運動軌跡的預測始終是海洋生態學的重大挑戰——傳統方法難以準確預報動物未來位置，更無法有效劃定它們可能出現的區域范圍。這種預測能力的缺失直接制約著動態海洋保護措施的實施，比如無法及時調整航運路線以避免船舶撞擊，難以精準規劃海洋保護區邊界來應對氣候引起的棲息地變化。

長期以來，研究人員主要依賴狀態空間模型（SSMs）來研究動物運動。這類模型將運動視為潛在連續過程，能夠區分定位誤差和真實移動模式，尤其擅長識別動物的行為狀態（如覓食、遷徙）。但SSMs在處理大規模、稀疏的追蹤數據時顯得力不從心，且預測區域（PRs）往往過于保守，覆蓋面積過大而實際效用有限。隨著衛星追蹤技術的普及，海洋動物運動數據正以前所未有的速度積累，迫切需要更強大的分析工具來挖掘這些數據中的價值。

正是在這樣的背景下，來自多個研究機構的科學家團隊將目光投向了深度學習領域的前沿模型——時序融合Transformer（TFT）。這種基于注意力機制的神經網絡在時間序列預測領域已展現出強大潛力，被成功應用于電力網格管理、醫療健康等多個領域。研究人員思考：能否將TFT適配于海洋動物運動預測這一特殊場景，在提高點預測精度的同時，生成更精確的預測區域？

本研究創新性地將TFT模型應用于南象海豹的運動分析，解決了兩個關鍵任務： forecasting（預測）——基于歷史軌跡預測未來位置；imputation（插補）——填補軌跡中的缺失數據。團隊收集了2005-2019年間434頭南象海豹的ARGOS衛星追蹤數據，并融合了ERA5、ORAS5等環境數據集，包括水深、水溫、海流方向等可能影響動物運動的關鍵變量。

在技術方法上，研究人員進行了多項創新適配：首先，將經緯度坐標轉換為墨卡托投影，并采用6小時間隔對不規則采樣的軌跡數據進行標準化處理；其次，針對追蹤數據的間斷特性，修改了注意力機制，使其僅依賴于已觀測的位置；第三，為插補任務引入了雙向處理層，可同時考慮缺失窗口前后信息；最后，開發了兩種預測區域生成方法——標準TFT基于各坐標分位數生成矩形PRs，而TFT[B]則通過量化尊重密度估計（QRDE）和Gaussian copula構建二元概率密度，生成面積更小的高密度區域（HDR）。

研究的主要技術路徑包括：使用OPTUNA進行貝葉斯超參數優化，采用分位數損失函數同時預測多個分位點，通過早停法防止過擬合，并利用驗證集對預測區域進行面積校準。模型在NVIDIA RTX 3090 GPU上訓練耗時6-16小時，而推理階段可在CPU上秒級完成，滿足實時應用需求。

實驗設計

研究設定了兩種數據集劃分策略來評估模型性能：時間劃分（按時間順序將80%最早數據作為訓練集，10%中間數據作為驗證集，10%最新數據作為測試集）和地理劃分（將研究區域分為五個地理區域，每次留出一個區域作為測試集）。這種設計既能評估模型基于歷史模式預測未來的能力，也能檢驗其在新地理區域的泛化性能。評估指標包括點預測的距離誤差和預測區域質量得分Q，后者綜合考慮了覆蓋誤差率（CER）和區域面積兩個維度。

時間劃分下的性能

在預測任務中，TFT和TFT[B]表現出色，平均距離誤差顯著低于所有SSMs模型，較表現最佳的運動持續性（MP）模型降低17%。更重要的是，在預測區域質量方面，TFT僅需MP模型40%的面積即可達到相同的覆蓋水平，而TFT[B]更是將這一優勢擴大到5倍面積縮減。這表明深度學習模型能生成更加緊湊、高效的預測區域。

在插補任務中，TFT系列模型同樣領先，距離誤差較最佳SSM（隨機游走RW）降低14%。雖然所有模型均未能顯著超越樸素模型（Naive），但TFT在預測區域質量上展現明顯優勢，使用面積減少36-43%。值得注意的是，當僅在單條軌跡上訓練時（TFT[s]），模型性能大幅下降，說明TFT需要足夠多的訓練數據才能發揮優勢。

地理劃分下的泛化能力

當測試區域完全未出現在訓練集中時，所有模型性能均出現下降。TFT在預測任務中的距離誤差增加32%，預測質量下降31%；在插補任務中表現更明顯，距離誤差惡化170%。特別是在測試區域1，誤差達到其他區域的4-6倍。這表明模型學習到的運動模式具有一定地域特異性，難以直接遷移到全新環境。

關鍵影響因素分析

通過分析變量選擇權重和SHAP值，研究發現模型主要依賴坐標特征進行預測，環境因子中水深、水溫和海流方向影響最大。這與南象海豹生態習性高度一致：它們常在 continental shelf（大陸架）區域覓食，其移動模式與溫度和水深剖面密切相關。模型在 continental shelf（深度<1000米）和低中等運動速度（<3公里/小時）條件下表現最佳，此時平均距離誤差僅為32公里，而在其他情況下誤差增至91公里。

對于插補任務，最關鍵的特征是插補窗口兩端的坐標差異，差異越小預測越準確。此外，點預測誤差與預測區域質量呈負相關（Spearman相關系數-0.5至-0.77），說明兩者受相似因素影響。性別差異也影響預測性能，雌性海豹的預測區域面積通常更大，這可能與它們冬季向更深水域移動的習性有關。

討論與展望

本研究證實了TFT在海洋動物運動預測中的巨大潛力，特別是在數據充足且地理區域重疊的場景下，其性能顯著優于傳統SSMs。TFT不僅能提供更精確的點預測，更能生成面積小、覆蓋率高的預測區域，為動態海洋管理提供實用工具。模型推理速度快的特點，使其非常適合集成到實時決策系統中，如調整航運路線以避免與保護物種沖突。

然而，研究也揭示了TFT的若干局限性：首先，模型僅能預測固定時間步長的位置，無法像SSMs那樣提供連續時間預測；其次，TFT未直接考慮設備定位誤差，其精度依賴于追蹤數據本身的分辨率和規整性；最重要的是，模型地理泛化能力有限，在全新區域性能下降明顯，這與物種分布模型（SDMs）面臨的挑戰相似。

未來研究方向包括開發神經微分方程（NDEs）模型，結合SSMs的連續時間特性和神經網絡的非線性建模能力；添加潛水深度等垂直運動維度數據；以及使用領域對抗神經網絡（DANN）減少地理偏差。此外，將模型擴展至多物種應用，通過遷移學習降低數據需求，也是重要的發展方向。

這項發表于《Scientific Reports》的研究，為海洋動物運動預測建立了新基準，展示了深度學習在生態學中的應用前景。隨著海洋觀測技術的進步和動物追蹤數據的持續積累，這類模型有望成為海洋保護決策的核心工具，為構建人與自然和諧共處的藍色星球提供科學支撐。