将海洋颗粒碳纳入机器学习,以准确估计沿海叶绿素a

科学领域:

• 海洋学 海洋学 海洋学
• 环境科学 环境科学
• 数据科学数据科学数据科学

背景情况:

• 准确的叶绿素-a (Chl-a) 预测对于沿海水质监测至关重要,特别是在环氧化方面.
• 以前的驱动数据模型经常忽视了与海洋颗粒碳的Chl-a关系.
• 有机颗粒碳 (POC) 和无机颗粒碳 (PIC) 是影响Chl-a度的关键因素.

研究的目的:

• 将海洋颗粒碳纳入机器学习 (ML) 和深度学习 (DL) 模型,用于Chl-a估计.
• 评估高斯过程回归 (GPR) 与DL模型在预测Chl-a.a.中的性能.
• 研究江沿海海洋中POC/Chl-a比率的空间分布.

主要方法:

• 开发了ML和DL模型,将POC和PIC作为Chl-a估计的预测因素.
• 利用高斯过程回归 (GPR) 和用于比较分析的深度学习模型.
• 分析了江沿海海洋不同地区的POC/Chl-a比率.

主要成果:

• 将POC和PIC纳入预测指标显著改善了Chl-a估计的准确性.
• 与DL模型相比,GPR模型表现出优越的稳定性和强度.
• 在沿海地区观察到较低的POC/Chl-a比率,在南部地区观察到较高的比率.

结论:

• 高斯过程回归 (GPR) 是估计沿海海洋Chl-a度的有效模型.
• 海洋有机颗粒碳 (POC) 是一个重要的变量,需要考虑准确的Chl-a建模.
• 这项研究为动态水质监测和优化管理提供了宝贵的见解.