OceanTensorCube and ST-MMT: A Multimodal Data and Transformer System for Seven-Day Forecasting of Pyropia Bleaching
作者: Gwangjin Kim, Cheolyoung Jang, Yosep Jo
分类: cs.LG
发布日期: 2026-10-19
备注: 27 pages. Forecasting service: https://oceantensor.ai.kr
💡 一句话要点
提出OceanTensorCube和ST-MMT以解决紫菜漂白预测问题
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 紫菜漂白 时空变换器 多模态数据 预测模型 海洋生态监测 集成学习
📋 核心要点
- 现有方法在紫菜漂白预测中面临数据整合和时效性不足的挑战。
- 提出的OceanTensorCube和ST-MMT系统通过多模态数据融合和时空变换器实现了高效的漂白预测。
- 实验结果显示，系统在验证集上以3.5%的假警报率成功检测所有阳性案例，展现出较强的预测能力。
📝 摘要（中文）
紫菜（Pyropia）的漂白现象导致韩国海藻养殖业损失。本文提出了一种系统，能够对养殖群体的漂白情况进行七天的预测。OceanTensorCube整合了来自公共海洋、气象、海洋模型和卫星源的32个通道数据，形成30米网格数据。ST-MMT是一个具有920万参数的时空变换器，通过多头交叉注意力机制，将14天的输入窗口映射为七天后的漂白概率。在验证集上，六种种子集成模型以最多3.5%的假警报率检测到所有报告的阳性结果。尽管系统在短期内表现良好，但随着季度营养调查数据的老化，其预测能力显著下降。
🔬 方法详解
问题定义：本文旨在解决紫菜漂白的预测问题，现有方法在数据整合和时效性方面存在不足，导致预测准确性降低。
核心思路：通过构建OceanTensorCube整合多种数据源，并利用ST-MMT时空变换器进行建模，实现对漂白概率的高效预测。
技术框架：系统主要由OceanTensorCube和ST-MMT两部分组成，前者负责数据整合，后者负责建模与预测。数据在30米网格上对齐，输入窗口为14天，输出为七天后的漂白概率。
关键创新：ST-MMT引入了多头交叉注意力机制，能够有效处理不同变量组之间的关系，提升了模型的预测能力。
关键设计：模型包含920万参数，采用集成学习策略以提高预测准确性，且在输入数据陈旧时会自动暂停预测以保证结果的可靠性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，六种种子集成模型在验证集上以最多3.5%的假警报率成功检测到所有阳性案例，显示出系统在短期内的高效预测能力。然而，随着数据陈旧，模型性能显著下降，ROC-AUC从30天的0.94降至129天的0.53。
🎯 应用场景
该研究的潜在应用场景包括海洋生态监测、海藻养殖管理和环境保护等领域。通过准确预测紫菜漂白情况，养殖者可以采取及时措施，减少经济损失，促进可持续发展。
📄 摘要（原文）
Bleaching of cultured Pyropia (laver) causes losses in Korean seaweed farming. We present a system that forecasts bleaching seven days ahead for farm clusters. OceanTensorCube aligns 32 channels from public marine, meteorological, ocean-model and satellite sources on a 30 m grid, and ST-MMT, a 9.2-million-parameter spatiotemporal transformer with hub-style multi-head cross-attention between variable groups, maps a 14-day input window to a seven-day-ahead bleaching probability. On the validation set, a six-seed ensemble detects every reported positive at a false-alarm rate of at most 3.5%, an upper bound because the report-based labels are positive-unlabeled. A same-date control on separately trained models indicates that the architecture discriminates between clusters when the calendar is held fixed. We also report the system's weaknesses: skill falls steeply as the quarterly nutrient survey ages (ROC-AUC 0.94 at 30 days, 0.53 at 129 days), and a single LSTM on cluster-average series outperforms a single ST-MMT, with only the ensemble leading at the operating point. We describe the labeling procedure, the evaluation protocol and the operational gate that withholds forecasts when inputs are stale. The forecasting service is operated at https://oceantensor.ai.kr.