自21世纪初以来，渤海这一半封闭海域的低氧现象日益频发，对海洋生态系统构成重大威胁。针对现有溶解氧模型预测能力不足、解释性欠缺等局限性，中国科学院烟台海岸带研究所海岸带环境灾害遥感与评估研究组开发了一套夏季低氧概率预测框架。该框架利用多源遥感与再分析数据，结合机器学习方法，可利用6月环境条件预测8月低氧概率，并依据概率大小实现低氧三级预警，为数据有限的沿海海域环境监测提供了可扩展的解决方案。

图1 默认阈值（0.5）下的多模型性能比较

在测试的七种算法中，优化后的随机森林模型表现最佳（图1：独立测试集上F1=0.76，AUC=0.92）。该模型成功复现了2019年（数值模拟验证）和2022年（现场测量验证）的低氧分布模式，低氧区域面积从8229平方公里扩大至13866平方公里（图2）。基于SHAP分析的可解释性研究发现，风速降低和热层化增强是主要物理驱动因素，凸显了垂直混合抑制对限制底层水体氧供应的关键作用（图3）。

图2模型预测的底部低氧概率与2019年8月和2022年8月下旬现有研究结果的比较。

(a) 2019年8月模型预测的底部低氧概率；(b) 2019年8月模拟的底部溶解氧分布(Li et al.,2021)，其中蓝色阴影区域表示溶解氧<125 µmol/L（≈4 mg/L，低氧阈值）；(c) 2022年8月模型预测的底部低氧概率；(d) 2022年8月29日至31日观测的底部溶解氧数据(Guo et al.,2024)，红色虚线标记溶解氧=4 mg/L等值线。在(a)和(c)图中，绿色虚线表示用于划分低氧风险区域的0.44概率阈值；红色点表示预测的低氧站点（概率≥0.44），蓝色点表示预测的非低氧站点（概率<0.44）。

图3 RF特征重要性排序(a)与SHAP总结图(b)

变量显示在y轴上，而x轴上的每个点表示特定预测的SHAP值；红色点表示对应变量的高值，蓝色点表示低值；点的垂直聚类说明了每个变量的SHAP值的分布；负SHAP值表示缺氧可能性降低，而正SHAP值表示可能性增加。

上述成果以“A Physically Driven Interpretable Machine Learning Framework for Early Forecasting of Summer Hypoxia in the Semi-Enclosed Bohai Sea Using Remote Sensing Data”为题，发表于期刊 Remote Sensing，通讯作者为过杰研究员。

研究团队依托国家自然科学基金联合基金项目“基于多源监测与数值模拟的渤海中部低溶解氧环境指示因子与预警方法研究”，整合出海调查、座底布放在线观测、模式模拟、无人机及多源卫星遥感数据，结合机器学习，揭示渤海“生源储备—物理阻碍—滞后耗氧”三阶段低氧形成机制。主要发现包括：

构建了物理－数据驱动的Chl-a浓度反演模型QPINN-Transforme，发现渤海Chl-a浓度空间上呈“近岸高、中部低”格局，时间上呈“春夏高、秋冬低”特征。基于FT-Transformer滞后预测模型发现，DO对Chl-a浓度变化存在15—29天的显著滞后效应，浮游植物爆发（Chl-a浓度升高为表征）后有机质的沉降与分解是诱发低氧的关键过程。

构建了“遥感反演—时空分析—迁移预测”的系统研究框架，利用机器学习算法实现了渤海底层DO浓度的高时空分辨率反演。揭示了渤海底层DO浓度呈现显著的“夏低冬高”季节性循环；低氧区主要集中在渤海中部冷水团区域，呈现南北双核结构。统计发现，渤海低氧事件通常始于6月下旬至7月上旬，终于9月下旬至10月初，年均持续时间约90天。

构建了机理引导、可解释的低氧概率预测模型。实现了从点预测到区域风险制图的业务化跨越；形成了渤海中部三级预警体系，如图4所示（浅黄—黄—橙红）。

提供了从“科学认知—技术实现—管理应用”三位一体的研究范式，为数据稀缺的半封闭海域生态风险智能预警提供了可复制、可推广的“渤海方案”。

图4 2025年低氧风险三级预警图(a);2014年低氧风险三级预警图，叠加实测低氧站位（红色星号）(b)

该研究由过杰研究员主持，得到了中国石油大学（华东）海洋与空间信息学院、自然资源部烟台海洋中心和第一海洋研究所等单位的支持。研究成果获得了国家自然科学基金项目（NSFC-山东联合基金）的经费支持，以及“蓝海101”航次计划（2023-2025）和烟台海岸带所数据中心的数据支持。

相关论文信息：

1.Jin Y, Guo J*, Liu S, Li T, Yue H, Ji D, Hou C and Tang H. A Physically Driven Interpretable Machine Learning Framework for Early Forecasting of Summer Hypoxia in the Semi-Enclosed Bohai Sea Using Remote Sensing Data. Remote Sensing. 2026, 18, 1097. https://doi.org/10.3390/rs18071097.

2. Li T, Guo J*, Liu S, Jin Y, Ji D, Hou C, Tang H. Inversion and Interpretability Analysis of Bottom-Water Dissolved Oxygen in the Bohai Sea Using Multi-Source Remote Sensing Data. Remote Sensing. 2026, 18, 838. https://doi.org/10.3390/rs18 050838

3. Guo J* , Jin Y, Liu S, Li T, Ji D, Hou C ,Tang H. Investigation of the causes and mechanisms of hypoxia in the central Bohai Sea in the summer of 2022. Marine Pollution Bulletin. 2024, 206, 116710. https://doi.org/10.1016/j.marpolbul. 2024.116710.

4.Guo J*, Li, T, Liu S, Jin Y, Wang C, Ji D, Zheng, X, Hou C, Tang H. Sources, seasonal variations, and factors influencing the distribution of PAHs in the surface sediments and water column of the central Bohai Sea, China. Journal of Oceanology and Limnology. 2025. https://doi.org/10.1007/s00343-025-4351-6

5.Guo J*, Ji D, Zheng X, Li Y, Tang H, Hou C. Stratification in central Bohai Sea and how it has shaped hypoxic events in summer[J]. Acta Oceanologica Sinica. 2024, 43(9):93-104. https://doi.org/10.1007/s13131-024-2362-3

6.Yina Qin, Jianyong Cui*, Jie Guo*, Senior Member, IEEE,Shanwei Liu, Xiaoqing Wang, Diansheng Ji,Chawei. Research on Long-Term Time Series Chlorophyll Concentration Inversion Method Based on Multi-Sensor Consistency Transformation Hou,Haitian Tang and Muhammad Yasir. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2025, 17(6), 1-14. DOI 10.1109/JSTARS. 2025.3625368