海大研究用AI「聽」海洋 強化極端事件預測與海洋環境監測能力

國立臺灣海洋大學系統工程暨造船學系Shashidhar Siddagangaiah助理教授致力於探索人工智慧（AI）技術於海洋聲學資料中的應用，近期研究首度揭示 AI 模型於海洋音景中的三大核心任務之潛力：異常事件偵測、音景預測與趨勢估計，展現AI於極端事件預警與海洋環境監測上的潛在價值。此研究成果已於近期發表在計算生態學與數據科學領域的國際知名期刊《Ecological Informatics》。

研究團隊利用2017年於臺灣海峽所蒐集之海洋被動聲學監測資料進行分析，運用基於非監督式學習的孤立森林（Isolation Forest, iForest）技術，成功辨識導致聲音水準突變的異常事件；同時也評估深度學習模型在趨勢估計與音景預測上的表現，並進一步探討影響其準確性的因素。

為分析海洋音景於年、季、日等不同時間尺度下的變化趨勢，研究進一步應用整合異常資訊的 NeuralProphet 模型。該模型相較於傳統的奇異頻譜分析法能更有效捕捉年度與季節性趨勢變化。此外，研究亦評估兩項前沿預測模型──TiDE 與 NHiTS──在海洋音景預測上的表現。在為期七天的季節性預測任務中，NHiTS 模型的預測準確度優於 TiDE 與 NeuralProphet。

結果顯示，深度學習預測模型在中頻（500–3000 Hz）與高頻（3000–24,000 Hz）範圍內展現較佳的預測準確性，主要因該頻段聲壓水準受魚類與蝦類的季節性聲學活動影響顯著；反之，低頻範圍（10–500 Hz）的聲音變化隨機且受人為活動及氣象因素影響較大，預測準確度較低。

聯合國於 2015 年高峰會通過《2030 永續發展議程》，其中「永續發展目標 13」（SDG 13）強調應對氣候變遷所帶來衝擊的緊迫性。為響應此目標，運用精準預測極端事件及估計海洋環境中季節性、年度與日週期趨勢之人工智慧技術日益重要。此類能力有助於深化對海洋趨勢變化條件的理解，提升對異常事件與系統失效的預測準確度，將為研究人員與政策制定者提供一項強而有力的工具，以多尺度監測環境變遷與偏移，促進海洋生態系的保育與管理。

隨著研究的不斷深入，Shashidhar Siddagangaiah助理教授的最終目標在充分發揮人工智慧的應用潛力，為臺灣海洋生態系統帶來實質益處，特別是在提升對颱風、風暴與人為活動所引發異常（極端）事件之應變與管理能力。透過持續投入研究與跨領域合作創新，人工智慧有望成為理解並緩解海洋環境中複雜且難以預測現象的重要策略基石。