论文部分内容阅读
海洋是地球最为重要的组成部分,也是全球最大的热库,不断影响着全球气候变化。当前卫星遥感可获得多尺度的海表观测信息,但无法探测到海洋内部的关键参数信息。由于大部分海洋次表层现象都会在海表有所表征,因此结合卫星观测的海表表征现象和遥感模型,可以推演海洋内部关键动力参数,延伸卫星对海洋观测垂向范围。本文以大尺度海洋为研究区,利用表层多源卫星观测资料(海表高度异常(SSHA)、海表温度异常(SSTA)、海表盐度异常(SSSA)、海表风场异常(SSWA)),结合海洋内部Argo浮标观测数据,采用机器学习和地理加权回归方法,通过构建合理的遥感反演模型,提取大尺度海洋次表层热力异常信息(STA)。主要研究内容与成果如下:(1)基于支持向量回归(SVR)模型提取全球海洋次表层温度异常信息。结果表明:结合卫星观测和Argo现场观测的SVR模型表现稳定且性能较高。4个海表输入参量(SSHA、SSTA、SSSA、SSWA)SVR估算精度最高,接着为3个输入参量(SSHA、SSTA、SSSA)和2个输入参量(SSHA、SSTA)。它们相应的平均决定系数R2分别为:0.485、0.457、0.443,平均均方误差MSE分别为0.0087、0.0086、0.0090。表明除了海表高度和海表温度外,海表盐度与海表风场也有利于模型预测。总体上,支持向量回归方法能够较准确地提取全球海洋STA信息。(2)基于随机森林(RF)回归模型提取全球海洋次表层温度异常信息。结果表明:RF模型有着很好的预测性能,提取精度较高。在不同季相上,1月冬季的估算精度最高,平均R2和MSE分别为0.661和0.0073,其次是7月夏季、10月秋季和4月春季,不同季相均可保持较高精度;在不同洋盆上,印度洋总体估算精度最高,2010年平均R2和MSE分别为0.778和0.0416,其它洋盆估算精度略低但差别不大。随机森林方法适用于全球海洋不同季相的次表层温度异常估算。(3)从不同海表参量输入组合、不同季相以及估算误差空间分布三个方面对比评估SVR和RF模型。结果表明:在全球尺度上,RF模型在不同季相上的预测精度均优于SVR模型,RF 比SVR更适用于全球次表层温度信息提取。(4)基于地理加权回归模型(GWR)提取印度洋次表层温度异常信息。由于机器学习模型的可解释较差,我们采用局部回归系数可视化的GWR模型来提取印度洋内部温度异常信息。结果表明:GWR模型估算印度洋的STA平均R2和MSE分别为0.781和0.0119;此外,SSHA因子相比其他三个因子,对GWR模型的权重影响最大,起到主导作用。四个因子SSHA、SSTA、SSWA与SSSA的平均回归系数分别为0.617、0.089、0.077、0.041;相比全局普通线性回归(OLS)模型,考虑空间非平稳性的GWR模型具有局部建模优势,能够更准确反演大尺度STA。