柳青青,張亞姝,徐 茗,李洪平*,劉海行

(1.中國(guó)海洋大學(xué) 信息科學(xué)與工程學(xué)院,山東 青島 266100;2.青島大學(xué) 商學(xué)院,山東 青島 266100;3.自然資源部 第一海洋研究所,山東 青島 266061)

海表鹽度(Sea Surface Salinity,SSS)是實(shí)現(xiàn)全球水循環(huán)和海洋動(dòng)力學(xué)的重要參量[1],決定海水的基本性質(zhì)。海表鹽度受到降水、蒸發(fā)量等氣候因素影響,其變化直接影響海水密度,而海水密度的上下波動(dòng)會(huì)反作用于全球氣候變化和海洋循環(huán),對(duì)全球氣候的海-氣-熱交換調(diào)節(jié)起到至關(guān)重要的作用[2]。因此,對(duì)于海表鹽度(SSS)反演精度的研究顯得尤為重要。

目前國(guó)際上采用的研究海表鹽度的實(shí)測(cè)數(shù)據(jù)包括浮標(biāo)、船舶、系泊設(shè)備、漂流器等傳輸?shù)臏y(cè)量數(shù)據(jù);遙感數(shù)據(jù)包括歐洲空間局(European Space Agency,ESA)2009年發(fā)射的SMOS(Soil Moisture and Ocean Salinity)衛(wèi)星,2011年美國(guó)國(guó)家航空航天局(National Aeronautics and Space Administration,NASA)與阿根廷航天局(Comision Nacional Argentina del Espacio,CONAE)聯(lián)合發(fā)射的Aquarius/SAC-D衛(wèi)星,以及NASA 2015年發(fā)射的SMAP(Soil Moisture Active and Passive)衛(wèi)星等發(fā)布的鹽度產(chǎn)品。Sabia等[3]研究發(fā)現(xiàn),SMOS雖能有效反演SSS,但其產(chǎn)品精度較低;而Aquarius/SAC-D雖觀測(cè)精度較高,但僅工作了3年零9個(gè)月,無(wú)法提供充足的科研數(shù)據(jù),導(dǎo)致對(duì)分析SSS變化趨勢(shì)的作用有限。Tang等[4]表明,2015年發(fā)射升空的SMAP衛(wèi)星可以提供全球SSS數(shù)據(jù),與具有100 km空間分辨率Aquarius/SAC-D相比,SMAP不僅提供了大約40 km以及平滑至約70 km的較高空間分辨率的SSS數(shù)據(jù),而且填補(bǔ)了SMOS和Aquarius/SAC-D對(duì)部分海域SSS觀測(cè)的空白。因此,本研究選用SMAP衛(wèi)星海表鹽度反演產(chǎn)品作為研究對(duì)象建立反演模型。

利用海表發(fā)射率可以反演海表鹽度。SMOS衛(wèi)星直接對(duì)大氣頂觀測(cè)亮溫進(jìn)行反演,而SMAP和Aquarius衛(wèi)星卻是首先將觀測(cè)亮溫還原至海表,然后對(duì)平靜海面亮溫進(jìn)行反演?；诤Ｋ殡姵?shù)模型和海面亮溫模型,國(guó)內(nèi)外學(xué)者提出了L波段的垂直-水平雙極化K-S模式反演算法。在傳統(tǒng)反演模型的研究中,李志[5]利用L波段亮溫資料反演黃海近岸SSS,平均絕對(duì)誤差(Mean Absolute Error,MAE)達(dá)到0.288;趙紅等[6]利用SMOS衛(wèi)星L2輔助數(shù)據(jù)建立多元回歸模型反演南海海域SSS,點(diǎn)對(duì)點(diǎn)精度為0.224 2;Blume和Kendall[7]改進(jìn)K-S模式,將L波段與C波段組合的均方根誤差(Root Mean Square Error,RMSE)達(dá)到0.25。

相對(duì)于具有局限性的傳統(tǒng)反演模型,機(jī)器學(xué)習(xí)在海洋遙感方面有望得到具備更高精度的反演結(jié)果[8]。李長(zhǎng)軍等[9]采用淺層BP神經(jīng)網(wǎng)絡(luò)建立基于SMOS衛(wèi)星的SSS反演模型,提高了南海海域SSS反演精度;艾波等[10]結(jié)合MODIS(Moderate Resolution Imaging Spectroradiometer)遙感影像和實(shí)測(cè)浮標(biāo)數(shù)據(jù),運(yùn)用深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)對(duì)海表溫度進(jìn)行反演,精度達(dá)到0.98℃;Liu等[11]利用深度神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林(Random Forest,RF)算法,選用潛在氫、葉綠素a濃度、海表溫度和總無(wú)機(jī)氮作為輸入?yún)?shù)對(duì)香港海域SSS進(jìn)行反演,表明DNN具有良好的性能;Moussa等[12]認(rèn)為淺層多層感知機(jī)(Multiple Layer Perceptron,MLP)比多重非線性回歸(Multiple Nonlinear Regression,MNR)方法精度更高,從海表溫度和緯度參數(shù)方面估計(jì)了SSS。張勇[13]將太平洋中部海域SMOS衛(wèi)星L2數(shù)據(jù)反演的SSS1、SSS2和SSS3三種鹽度產(chǎn)品與3種核函數(shù)下的支持向量機(jī)模型反演數(shù)據(jù)進(jìn)行比較,相對(duì)于RMSE為0.6左右的SMOS衛(wèi)星反演產(chǎn)品,支持向量機(jī)SVM(Support Vector Machine)在SSS反演中具有較高的精度,其RMSE誤差在0.1～0.2。

本研究選取SMAP衛(wèi)星V4.0 L2C產(chǎn)品中的5項(xiàng)輔助數(shù)據(jù)作為反演參數(shù),以Argo(Array for Real-time Geostrophic Oceanography)浮標(biāo)采集的實(shí)測(cè)鹽度數(shù)據(jù)為實(shí)際輸出,建立2種神經(jīng)網(wǎng)絡(luò)模型以擬合參數(shù)與SSS之間的非線性關(guān)系,將模型反演結(jié)果與SMAP衛(wèi)星兩種海表鹽度產(chǎn)品(SSS_SMAP_70 km,SSS_SMAP_40 km)進(jìn)行對(duì)比,以期提高遙感鹽度精度,為相關(guān)研究提供更高質(zhì)量的數(shù)據(jù)支撐。

1 數(shù) 據(jù)

1.1 Argo浮標(biāo)數(shù)據(jù)

Argo計(jì)劃于1998年提出,迄今為止,已在全球海洋中布放了5 000個(gè)以上浮標(biāo)設(shè)備[14],是當(dāng)今全球海洋實(shí)測(cè)數(shù)據(jù)(如海表溫度、海表鹽度等)的最主要來(lái)源之一。

研究數(shù)據(jù)源自Argo數(shù)據(jù)管理中心,選取2019年5月至2020年5月北太平洋部分海域(135°～165°E,15°～45°N)共10 386個(gè)站位點(diǎn)的有效Argo浮標(biāo)數(shù)據(jù)。參考Boutin等[15]提出的Argo浮標(biāo)數(shù)據(jù)水深質(zhì)量控制原則,將數(shù)據(jù)集中于水深0.5～10 m的Argo鹽度數(shù)據(jù)作為海表鹽度數(shù)據(jù)。

1.2 SMAP衛(wèi)星數(shù)據(jù)

SMAP衛(wèi)星運(yùn)行在太陽(yáng)同步晨昏軌道,軌道高度685 km,重訪周期為3 d。該衛(wèi)星于2015年1月31日發(fā)射,搭載雙極化L波段被動(dòng)微波輻射計(jì)傳感器以及頻率在1.22～1.30 GHz調(diào)整的主動(dòng)合成孔徑雷達(dá)。其輻射計(jì)可以探測(cè)全部4個(gè)斯托克斯參數(shù),分辨率為40 km。本研究采用SMAP衛(wèi)星搭載的L波段輻射計(jì)觀測(cè)數(shù)據(jù)產(chǎn)品L2C進(jìn)行后續(xù)分析。SMAP衛(wèi)星鹽度產(chǎn)品資料具有多種形式,部分產(chǎn)品的詳細(xì)描述見(jiàn)表1。

表1 SMAP衛(wèi)星產(chǎn)品描述Table 1 SMAP satellite product description

2019年5月至2020年5月北太平洋部分海域(135°～165°E,15°～45°N)共2 057 400組SMAP衛(wèi)星V4.0L2C SSS反演數(shù)據(jù)和輔助數(shù)據(jù)源自Remote Sensing System[16]網(wǎng)站。SMAP衛(wèi)星鹽度反演產(chǎn)品有SSS_SMAP_40 km和SSS_SMAP_70 km兩種,其中SSS_SMAP_40 km是在衛(wèi)星原始40 km空間分辨率下經(jīng)過(guò)誤差修正的數(shù)據(jù);而SSS_SMAP_70 km是利用最近鄰算法,將SSS_SMAP_40 km平滑至約70 km空間分辨率的數(shù)據(jù),通常作為SMAP衛(wèi)星科學(xué)應(yīng)用的標(biāo)準(zhǔn)或默認(rèn)產(chǎn)品。

1.3 數(shù)據(jù)匹配

由于實(shí)測(cè)數(shù)據(jù)與SMAP衛(wèi)星數(shù)據(jù)存在時(shí)間和空間上的差異,按照Busalacchi等[17]提出的數(shù)據(jù)匹配原則,以24 h為時(shí)間間隔、0.5°×0.5°網(wǎng)格為空間間隔,將Argo浮標(biāo)數(shù)據(jù)與相同時(shí)空下SMAP衛(wèi)星數(shù)據(jù)進(jìn)行匹配,最終確定576組完全匹配的有效數(shù)據(jù)。

2 方 法

2.1 參數(shù)選擇與預(yù)處理

機(jī)器學(xué)習(xí)作為“黑箱”建模,對(duì)其輸入的訓(xùn)練參數(shù)需要科學(xué)地選取。本研究通過(guò)計(jì)算SMAP L2C鹽度數(shù)據(jù)與實(shí)測(cè)輔助參數(shù)之間的Pearson相關(guān)系數(shù)(表2)來(lái)選擇反演參數(shù)。該系數(shù)可衡量數(shù)據(jù)集之間的線性關(guān)系,其絕對(duì)值越接近于1,表明數(shù)據(jù)間的相關(guān)性越強(qiáng)。計(jì)算結(jié)果表明:相比于其他參數(shù),海表溫度(Sea Surface Temperature,SST)、風(fēng) 速(Wind Speed,WS)、大 氣 總 透 過(guò) 率(Transmissivity,Tran)、降 雨 率(Rainfall Rate,RR)、海表亮溫(Brightness Temperature,TB)與SSS之間存在較為顯著的相關(guān)性,其顯著水平均大于0.01,其中SST與SSS相關(guān)系數(shù)最高,達(dá)到0.562。該5項(xiàng)因子作為模型建立的輸入?yún)⒘?詳細(xì)描述見(jiàn)表2。

表2 模型輸入?yún)⒘縏able 2 Model input parameters

為消除不同單位指標(biāo)的影響,保證輸入?yún)?shù)在同一綱量上討論,模型采用標(biāo)準(zhǔn)歸一,使參數(shù)數(shù)值統(tǒng)一落到[0,1]區(qū)間。歸一化后的參數(shù)值xnr計(jì)算公式為

式中:x為原始輸入?yún)?shù)值,μ為所有輸入?yún)?shù)的均值,σ為所有輸入?yún)?shù)的標(biāo)準(zhǔn)差。

2.2 DNN模型反演方法

深度神經(jīng)網(wǎng)絡(luò)(DNN)是一種典型的人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN),它通過(guò)模擬人類大腦神經(jīng)結(jié)構(gòu)和非線性處理進(jìn)程,對(duì)大規(guī)模數(shù)據(jù)進(jìn)行處理分析[18]。DNN模型結(jié)構(gòu)包括輸入層、隱藏層和輸出層,各鄰近層節(jié)點(diǎn)之間有連線而同層以及跨層節(jié)點(diǎn)之間無(wú)連線。該模型進(jìn)行訓(xùn)練時(shí),首先,輸入層參數(shù)通過(guò)激活函數(shù)g(Z)對(duì)每個(gè)節(jié)點(diǎn)的連接權(quán)重系數(shù)w和偏置量b正向傳播到隱藏層,然后輸出到隱藏層的參數(shù)逐層繼續(xù)正向傳播至輸出層,輸出層通過(guò)梯度下降過(guò)程調(diào)節(jié)w、b使得損失函數(shù)L(w,b)最小,完成反向傳播過(guò)程。這樣迭代訓(xùn)練多次,最終使模型的預(yù)測(cè)值接近于與真實(shí)值(y)。

DNN模型結(jié)構(gòu)如圖1所示。該模型由5個(gè)輸入?yún)?shù),3層隱藏層和1個(gè)輸出SSS組成。

圖1 DNN模型結(jié)構(gòu)Fig.1 DNN model structure

2.2.1 正向傳播過(guò)程

正向傳播過(guò)程通過(guò)激活函數(shù)更新權(quán)重w和偏置b,每個(gè)節(jié)點(diǎn)之間都將進(jìn)行一個(gè)線性過(guò)程和非線性過(guò)程。在整個(gè)數(shù)據(jù)集上表示為:

式中:Z(n)為激活前的輸出,n為參數(shù)所在層數(shù),w(n)為第n層權(quán)重矩陣,A(n-1)為n-1層輸出,b(n)為第n層偏置。當(dāng)n=1時(shí),A(0)為輸入層元素組成的矩陣。對(duì)于第n層輸出層,A(n)為預(yù)測(cè)輸出值,函數(shù)g為本層的激活函數(shù)。

2.2.2 反向傳播過(guò)程

反向傳播過(guò)程即利用梯度下降來(lái)降低損失函數(shù)L(w,b),縮小預(yù)測(cè)值與真實(shí)值(y)間的差距。損失函數(shù)在單個(gè)訓(xùn)練樣本中定義,在整個(gè)訓(xùn)練樣本中通常用成本函數(shù)J(w,b)、即m個(gè)訓(xùn)練樣本的損失函數(shù)的算術(shù)平均值來(lái)表示:

本實(shí)驗(yàn)采用均方誤差MSE(Mean Square Error)作為損失(Loss)函數(shù),計(jì)算式為:

在整個(gè)數(shù)據(jù)集中,梯度下降通過(guò)對(duì)成本函數(shù)反向求導(dǎo)不斷更新權(quán)重w和偏置b至最優(yōu)解,公式如下:

式中,a為設(shè)置的學(xué)習(xí)率,為成本函數(shù)對(duì)w和b的偏導(dǎo)。

2.3 SVM模型反演方法

支持向量機(jī)(Support Vector Machine,SVM)作為一種多層感知機(jī)延伸下的淺層神經(jīng)網(wǎng)絡(luò)模型,通過(guò)引入核函數(shù)來(lái)代替高維空間中的內(nèi)積運(yùn)算,對(duì)訓(xùn)練集建立支持向量與待預(yù)測(cè)向量之間的非線性關(guān)系,以實(shí)現(xiàn)對(duì)測(cè)試集的預(yù)測(cè),能夠較好地解決非線性擬合問(wèn)題。

該模型是由Vapnik等[19]提出的解決二分類問(wèn)題的方法,將尋找正反兩類間隔最大的最優(yōu)超平面,歸結(jié)為一個(gè)帶約束的二次凸優(yōu)化問(wèn)題,其目標(biāo)函數(shù)為[19]

式中,wT為權(quán)重系數(shù)矩陣;b為偏差;x i和y i分別為訓(xùn)練前后樣本;ε為偏設(shè)誤差;ζi與為松弛系數(shù),約束條件≥0。公式中的優(yōu)化問(wèn)題轉(zhuǎn)化為約束最小化問(wèn)題,目標(biāo)函數(shù)可以采用具有特殊結(jié)構(gòu)的二次規(guī)劃(Quadratic Programming,QP)的方法進(jìn)行最小值求解,利用拉格朗日對(duì)偶(Lagrange Duality,DL)變換到對(duì)偶變量的優(yōu)化問(wèn)題,引入拉格朗日乘子消除約束項(xiàng)。同時(shí),模型需要引入核函數(shù)將數(shù)據(jù)映射到高維空間,調(diào)整核參數(shù)gamma值以更好地?cái)M合模型。

2.4 實(shí) 驗(yàn)

將時(shí)空匹配后的576組數(shù)據(jù)集按8∶2的比例劃分為訓(xùn)練集和測(cè)試集,以SMAP衛(wèi)星V4.0 L2C產(chǎn)品5項(xiàng)輔助參量:海表溫度(SST)、風(fēng)速(WS)、大氣總透過(guò)率(Tran)、降雨率(RR)和海表面亮溫(TB)為輸入要素,Argo實(shí)測(cè)數(shù)據(jù)的SSS為輸出要素。反演流程如圖2所示。

圖2 2種模型的海表鹽度反演流程Fig.2 Sea Surface Salinity(SSS)inversion flow of two models

DNN常用的激活函數(shù)Sigmoid函數(shù)和tanh函數(shù)容易發(fā)生導(dǎo)數(shù)趨近于0的情況,使得梯度下降變慢[20]。因此,本模型選用ReLU函數(shù)為激活函數(shù),以確保訓(xùn)練速度。為防止由于訓(xùn)練樣本較少導(dǎo)致的過(guò)擬合問(wèn)題,本研究借助Krizhevsky等[21]于2012年提出的Dropout算法,按照一定概率p將神經(jīng)元隨機(jī)失活,實(shí)驗(yàn)選取p為0.5。為進(jìn)一步提高訓(xùn)練效率,模型采用了Adam優(yōu)化器,能夠修正從原點(diǎn)初始化的一階矩和二階矩估計(jì),且相比RMSprop算法,Adam優(yōu)化器能夠修正偏置,保證每一次迭代學(xué)習(xí)率動(dòng)態(tài)調(diào)整后都有確定范圍。本實(shí)驗(yàn)設(shè)置初始學(xué)習(xí)率0.01,當(dāng)測(cè)試集誤差損失下降緩慢時(shí),將學(xué)習(xí)率做(1/2)n衰減,使之最終降低至0.00 125。實(shí)驗(yàn)具體參數(shù)配置如表3所示。建立SVM模型時(shí),采用與DNN模型同樣劃分的數(shù)據(jù)集,以徑向基函數(shù)(Radial Basis Function,RBF)為核函數(shù),利用網(wǎng)絡(luò)搜索法不斷調(diào)整參數(shù)gamma和懲罰因子C的取值,最終確定模型最優(yōu)值gamma為0.01,C為1 000。

表3 DNN模型參數(shù)設(shè)置Table 3 Parameters setting of DNN model

3 結(jié) 果

將Argo實(shí)測(cè)數(shù)據(jù)、最優(yōu)參數(shù)訓(xùn)練的DNN模型、RBF-SVM模型反演結(jié)果與SMAP衛(wèi)星自身產(chǎn)品SSS_SMAP_70 km和SSS_SMAP_40 km數(shù)據(jù)進(jìn)行對(duì)比,如圖3所示。結(jié)果表明DNN模型與RBF-SVM模型反演鹽度與Argo實(shí)測(cè)數(shù)據(jù)之間的吻合度較高,而SMAP產(chǎn)品SSS_SMAP_70 km和SSS_SMAP_40 km雖與實(shí)測(cè)數(shù)據(jù)的擺動(dòng)趨勢(shì)基本一致,但上下波動(dòng)較大(圖3a)。同時(shí),以Argo實(shí)測(cè)數(shù)據(jù)為參考,DNN模型與RBF-SVM模型反演鹽度的平均絕對(duì)誤差MAE大多分布在0誤差線附近,相比SMAP衛(wèi)星的2種產(chǎn)品數(shù)據(jù)的誤差要小得多(圖3b)。

圖3 反演鹽度及Argo實(shí)測(cè)鹽度與反演鹽度的平均絕對(duì)誤差Fig.3 Inversion result of SSS and its MAE from the Argo data

統(tǒng)計(jì)發(fā)現(xiàn),DNN模型與RBF-SVF模型反演鹽度的MAE(圖4)在[-0.5,0.5]的數(shù)據(jù)各有109組和105組,分別占測(cè)試集總數(shù)的93.97%和90.52%,而SMAP自身產(chǎn)品SSS_SMAP_70 km和SSS_SMAP_40 km的MAE在[-0.5,0.5]的數(shù)據(jù)僅占測(cè)試集總數(shù)的71.55%和69.83%。此外,DNN與RBF-SVM模型反演鹽度的MAE都在[-1,1]區(qū)間,而SSS_SMAP_70 km、SSS_SMAP_40 km的MAE分別有10.34%和16.38%超出了[-1,1]區(qū)間。綜上所述,本文提出算法的反演鹽度質(zhì)量明顯優(yōu)于SMAP衛(wèi)星自身產(chǎn)品質(zhì)量。

圖4 Argo實(shí)測(cè)鹽度與反演鹽度的平均絕對(duì)誤差Fig.4 Histogram of the MAE between the SSS inversion and the Argo data

將Argo實(shí)測(cè)鹽度、DNN模型反演鹽度、RBF-SVM模型反演鹽度與SMAP衛(wèi)星產(chǎn)品SSS_SMAP_70 km和SSS_SMAP_40 km通過(guò)克里金插值法繪制到研究區(qū)域的經(jīng)緯度范圍內(nèi),結(jié)果如圖5所示。分析Argo實(shí)測(cè)數(shù)據(jù)的分布(圖5a)發(fā)現(xiàn),海表鹽度在研究區(qū)域從北至南呈近似遞增趨勢(shì),最高鹽度分布在(160°～165°E,20°～25°N)范圍內(nèi),最低鹽度分布在(145°～150°E,40°～45°N)范圍內(nèi)。DNN模型與RBF-SVM模型的反演鹽度分布模式與Argo實(shí)測(cè)數(shù)據(jù)相似,同樣表現(xiàn)出從北至南分層遞增的特征,并且具體的鹽度極值區(qū)域與Argo數(shù)據(jù)之間出入不大,在實(shí)際使用允許的誤差范圍之內(nèi)。相比較而言,SMAP衛(wèi)星的2種產(chǎn)品SSS_SMAP_70 km和SSS_SMAP_40 km的鹽度分布模式與Argo實(shí)測(cè)數(shù)據(jù)之間的吻合度較低,同時(shí)SSS_SMAP_40 km數(shù)據(jù)還表現(xiàn)出了整體略高于實(shí)測(cè)鹽度值的不利趨勢(shì)。

圖5 Argo實(shí)測(cè)鹽度、模型反演鹽度及SMAP衛(wèi)星鹽度產(chǎn)品的分布模式Fig.5 Distribution of the Argo SSS,the SSS inversion and the SMAP products

為定量評(píng)價(jià)反演結(jié)果,本文采用了5種精度評(píng)價(jià)指標(biāo),分別是均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)、最大絕對(duì)誤差、最小絕對(duì)誤差和相關(guān)系數(shù)(R)。其中前4項(xiàng)指標(biāo)體現(xiàn)了模型對(duì)測(cè)試集的反演結(jié)果與Argo測(cè)量值之間的差異,其絕對(duì)值越接近于0代表精度越高。R值可表征反演值與Argo測(cè)量值之間的線性相關(guān)程度,其值越接近于1,相關(guān)性越強(qiáng)。本文DNN模型反演鹽度、RBF-SVM模型反演鹽度與SMAP衛(wèi)星的2種產(chǎn)品SSS_SMAP_70 km和SSS_SMAP_40 km數(shù)據(jù)的各項(xiàng)精度指標(biāo)如表4所示。分析發(fā)現(xiàn),DNN模型和RBF-SVM模型反演鹽度的各項(xiàng)誤差都明顯低于SMAP衛(wèi)星的2種產(chǎn)品數(shù)據(jù),同時(shí),前兩者的最大絕對(duì)誤差和最小絕對(duì)誤差也低于SMAP衛(wèi)星的2種產(chǎn)品數(shù)據(jù),說(shuō)明2種反演模型數(shù)據(jù)都具有較高的穩(wěn)定性。再比較各個(gè)鹽度數(shù)據(jù)的R值,DNN模型和RBF-SVM模型的反演鹽度都超過(guò)0.8,明顯高于SSS_SMAP_70 km和SSS_SMAP_40 km的R值,這說(shuō)明反演數(shù)據(jù)與實(shí)測(cè)值之間的線性相關(guān)性也超過(guò)了SMAP自身產(chǎn)品,充分體現(xiàn)了本文提出方法的優(yōu)越性。

表4 反演模型與Argo實(shí)測(cè)數(shù)據(jù)的誤差統(tǒng)計(jì)Table 4 Error statistics between inversion models and Argo measured data

4 結(jié) 語(yǔ)

為提高SMAP衛(wèi)星海表面鹽度產(chǎn)品精度,本文建立了DNN模型和RBF-SVM兩種機(jī)器學(xué)習(xí)模型用于SMAP衛(wèi)星鹽度反演。其中,深度神經(jīng)網(wǎng)絡(luò)DNN具有多節(jié)點(diǎn)、多隱藏層,無(wú)需依賴傳統(tǒng)物理機(jī)制進(jìn)行反演,而支持向量機(jī)RBF-SVM模型適用于小樣本問(wèn)題。比較兩組實(shí)驗(yàn)結(jié)果與Argo實(shí)測(cè)數(shù)據(jù)之間的均方根誤差RMSE、平均絕對(duì)誤差MAE、最大絕對(duì)誤差和最小絕對(duì)誤差發(fā)現(xiàn),DNN模型反演數(shù)據(jù)的各項(xiàng)誤差均稍低于SVM模型?？傮w來(lái)說(shuō),本文建立的2種方法均能夠生成明顯優(yōu)于SMAP衛(wèi)星自身產(chǎn)品的海表面鹽度數(shù)據(jù),其產(chǎn)生的鹽度分布模式圖也與Argo實(shí)測(cè)鹽度分布模式圖接近,充分體現(xiàn)了本文方法的有效性,研究結(jié)果能夠?yàn)橄嚓P(guān)學(xué)科提供數(shù)據(jù)支撐。

考慮到訓(xùn)練樣本有限,實(shí)測(cè)數(shù)據(jù)與SMAP衛(wèi)星L2C數(shù)據(jù)在時(shí)空匹配中具有一定誤差,且模型輸入層參數(shù)的選取數(shù)量和合理性仍需考量,因此本文模型還有更多的完善空間。在未來(lái)的研究中,應(yīng)加大訓(xùn)練樣本數(shù)量,對(duì)輸入層參數(shù)和模型訓(xùn)練參數(shù)進(jìn)一步優(yōu)化調(diào)整,同時(shí)選擇不同海域作為研究對(duì)象,爭(zhēng)取在提高模型精度的同時(shí)還能更好地適用于全球海域。