| 基于深度神经网络的海表盐度反演 |
| |
| 引用本文： | 高明,黄贤源,王芳,张海龙,赵红霞,高溪远.基于深度神经网络的海表盐度反演[J].海洋科学进展,2022,40(3):496-504. |
| |
| 作者姓名： | 高明 黄贤源 王芳 张海龙 赵红霞 高溪远 |
| |
| 作者单位： | 1. 中国人民武装警察部队作战勤务保障大队, 北京 100081;2. 中国人民解放军部队92859部队, 天津 300000 |
| |
| 摘 要： | 海表盐度（Sea Surface Salinity，SSS）是研究海洋对全球气候影响的重要参量，欧洲航天局（European Space Agency，ESA）设计研发的SMOS（Soil Moisture and Ocean Salinity）是专用于探测海水盐度的卫星之一。受射频干扰（Radio Frequency Interference, RFI）等因素的影响，SMOS卫星盐度产品的精度难以达到预期效果。为了提高SMOS卫星海表盐度产品精度，本文提出一种基于深度神经网络的海表盐度反演算法。以太平洋中部海域（150°E～180°，5°～30°N）为研究区域，利用Argo浮标实测盐度数据为参考真值，将SMOS卫星L1C、L2级产品与Argo盐度数据进行时空匹配。并根据海洋遥感和辐射传输理论，选取亮温（Brightness Temperature，TB）、海表温度（Sea Surface Temperature，SST）、降雨率（Rain Rate，RR）、波高（Significant Wave Height，SWH）、纬向风速（Zonal Wind Speed，ZWS）、经向风速（Meridional Wind Speed，MWS）和蒸发量（Evaporation，Eva）七个影响盐度的重要参数，利用K折交叉验证法，构建了深度神经网络（Deep Neural Network, DNN）模型，对SMOS卫星L2级数据进行反演。实验结果表明，利用本文算法计算得到的海表盐度数据平均绝对误差为0.159，均方根误差为0.195，均明显优于SMOS盐度产品精度，本文提出的算法能够提供更精准的海表盐度产品。
|
| 关 键 词： | SMOS卫星 海表盐度反演 深度神经网络 |
| 收稿时间： | 2021/4/9 0:00:00 |
Sea Surface Salinity Inversion Based on DNN Model |
| |
| GAO Ming,HUANG Xian-yuan,WANG Fang,ZHANG Hai-long,ZHAO Hong-xi,GAO Xi-yuan.Sea Surface Salinity Inversion Based on DNN Model[J].Advances in Marine Science,2022,40(3):496-504. |
| |
| Authors: | GAO Ming HUANG Xian-yuan WANG Fang ZHANG Hai-long ZHAO Hong-xi GAO Xi-yuan |
| |
| Abstract: | |
| |
| Keywords: | SMOS satellite sea surface salinity inversion Deep Neural Network (DNN) |
|
| 点击此处可从《海洋科学进展》浏览原始摘要信息 |
| 点击此处可从《海洋科学进展》下载免费的PDF全文 |
|
