<b>FUSTT:</b> Forecasting Using Spatio-Temporal Transformers for Predicting Marine Stressors of Blue-Carbon Ecosystems
Notice bibliographique
Résumé
Marine stressors such as temperature, salinity, turbidity, and chlorophyll strongly influence the health of Blue Carbon Ecosystems (BCEs) and play a critical role in global climate regulation. Accurate long-term forecasting of these stressors enables baseline construction, anomaly detection, and restoration planning. In this study, we presentFUSTT(Forecasting Using Spatio-Temporal Transformer), a deep learning model- derived from making efficient additions to the original Transformer architecture, specifically for multivariate long-term forecasting of marine parameters. FUSTT integrates a dual-encoder design, Dimensional Flipping Layer (DFL), and Flagged Dual Stage Attention (FDSA), enabling the model to capture complex temporal and cross-variable dependencies. Using real-world datasets collected by Ocean Networks Canada (ONC) at four representative Salish Sea locations (Discovery Passage, Burrard Inlet, Baynes Sound, and Boundary Pass), FUSTT consistently outperformed baseline models. It achieved 15–33% lower error than traditional transformer architectures and 30–40% higher accuracy compared to domain-specific models such as LSTM and CNN-LSTM, while also delivering faster training with minimal trade-offs. These results demonstrate FUSTT's capability to provide highly accurate and computationally efficient predictions of marine stressors at operational ecological monitoring sites, offering a practical foundation for advancing BCE management and climate resilience.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».