在低盐度沿海地区使用深度学习进行强大的每日卫星海面盐度重建
Sihun Jung1, So-Hyun Kim1, Eunna Jang2
1Department of Civil, Urban, Earth, and Environmental Engineering, Ulsan National Institute of Science and Technology (UNIST), Ulsan, South Korea.
Marine pollution bulletin
|July 25, 2025
概括
一种新的深度学习模型,即多尺度知情插值网络 (MAIN),提供准确,无差距的每日海面盐度 (SSS) 数据. 这一进步通过克服传统方法和卫星数据复查时间的局限性,改善了海洋监测和海岸管理.
科学领域:
- 海洋学 海洋学 海洋学
- 遥感 遥感 遥感 遥感
- 数据科学数据科学数据科学
背景情况:
- 时空连续的海面盐度 (SSS) 对海洋监测和沿海管理至关重要.
- 传统的方法与度梯度的急剧变化作斗争,并且具有很长的卫星回访时间,限制了实时分析.
- 现有的方法往往会过度平滑盐度变化,在河流占主导地位的地区等关键地区降低准确性.
研究的目的:
- 开发一个自我监督的深度神经网络,用于生成近乎实时的,无间隙的每日SSS数据.
- 为了克服传统基于物理的SSS方法和稀有的卫星数据的局限性.
- 提高海面盐度估计的精度和时间分辨率.
主要方法:
- 提出了多尺度的意识插值网络 (MAIN),这是一个自我监督的深度神经网络.
- 使用的土壤湿度主动被动 (SMAP) L2B带数据和偏差纠正的SMAP数据,增强了现场测量.
- 训练网络以生成无间隙的每日SSS数据,而不依赖于未来的观测.
主要成果:
- 与验证研究中的操作产品相比,MAIN显著提高了盐度估计的准确性.
- 亚马逊地区的根平均平方误差 (RMSE) 从1.04降至0.71 psu,东亚地区从0.64降至0.51 psu.
- 有效地捕获了低盐度水的动态,并减少了L频段测量噪声,证明了强大的特征表示.
结论:
- MAIN提供了一个强大的和可扩展的框架,用于准确的,没有差距的SSS估计.
- 该模型增强了各种海洋环境中短暂海洋过程的监测.
- 这种深度学习方法为海洋学研究和沿海管理应用提供了重大进展.
