从稀疏的卫星激光高度测量数据通过深度学习重建南极海冰厚度
Ziqi Ma1, Qinghua Yang1, Yue Xu2
1School of Atmospheric Sciences, Sun Yat-sen University and Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai), Zhuhai, 519082, China.
Scientific data
|December 10, 2025
概括
一种新的深度学习方法创建了一个详细的南极海冰厚数据集. 这一进步提高了对海冰质量平衡的理解,并提供了宝贵的近乎实时的监测能力.
科学领域:
- * * 冰层科学 冰层科学
- * 气候建模 * 气候模型
- * * 远程传感 远程传感
背景情况:
- * 在次月度分辨率下空间完整的南极海冰厚 (SIT) 数据的有限可用性阻碍了对海冰质量平衡的理解.
- *现有的数据集往往缺乏对南极海冰动态进行全面分析所需的细节.
研究的目的:
- * 开发一个全南极SIT数据集,分辨率为5天和12.5公里.
- *通过利用卫星高度测量来克服当前海冰厚度数据的局限性.
- *为更好地了解南极海冰变化和气候相互作用提供可靠的数据集.
主要方法:
- *利用深度学习方法,从稀疏的冰,云和陆地高度卫星 (ICESat) 和ICESat-2激光高度测量数据中重建SIT.
- * 综合ICESat (2003-2009) 和ICESat-2 (2018-2024) 的数据,以提供全面的报道.
- *采用量化验证与独立的上升式声纳 (ULS) 观测.
主要成果:
- * 开发了一个高分辨率的 (5天,12.5公里) 全南极SIT数据集.
- *当与ULS观测进行验证时,重建的SIT数据集与其他四个卫星衍生和重新分析的数据集相比显示出更高的准确性.
- * 时间验证证实了重建的SIT的可靠性,显示了与ULS和ICESat-2数据一致的季节周期和季内趋势.
结论:
- *基于深度学习的重建提供了可靠和准确的南极海冰厚数据集.
- * 这一数据集显著提高了对南极海冰变化及其与气候的联系的理解.
- *近乎实时的更新能力为南极海冰监测和预测提供了操作价值.
