基于机器学习的SMAP卫星海表盐度反演

摘要

针对传统海表盐度的物理机制反演模型拟合过程复杂且反演精度不高等问题,借助大范围、全天时、L波段探测的SMAP卫星微波海洋遥感产品,以北太平洋(135°~165°E,15°~45°N)范围为研究海域,利用深层神经网络(Deep Neural Network,DNN)和支持向量机(Support Vector Machine,SVM)建立海表盐度(Sea Surface Salinity,SSS)遥感反演模型。验证结果表明:DNN与SVM模型测试集反演SSS与Argo(Array for Real-time Geostrophic Oceanography)实测SSS的均方根误差(Root Mean Square Error,RMSE)分别为0.1790和0.2570,平均绝对误差(Mean Absolute Error,MAE)为0.1293和0.1821,最小绝对误差为0.6426和2.0380,最大绝对误差为1.3241和2.3732,反演模型数据与实测Argo数据拟合后的的相关系数分别为0.89和0.84。总体来看,DNN模型比SVM模型的反演精度更高,但两者均显著提高了SMOS盐度产品精度,能够为相关研究提供数据支撑。