硝酸盐,作为海水氮元素在循环过程中的一种主要存在形态,是海洋浮游植物赖以生长的重要营养盐,海洋表层硝酸盐浓度的时空变化对研究海洋初级生产力和海洋碳循环等方面意义重大。硝酸盐不具备任何可见光波段信号特征,与其他相关海洋环境要素之间关系尤为复杂,海表硝酸盐浓度(SSN)的水色卫星遥感反演一直是当前水色卫星海洋遥感的研究热点和难点之一。新兴的机器学习人工智能手段在模拟复杂物理生态耦合关系方面有着很好应用前景,因此,本研究尝试利用机器学习算法实现SSN的水色卫星遥感反演。

图1. 加利福尼亚流系中南部海域实测SSN数据的空间分布图
本研究以加利福尼亚流系中南部海域为研究区域,基于过去40年(1978-2018)海表硝酸盐浓度的实测数据集,经过不断尝试和模型比较,最终利用堆栈式随机森林算法(Stacking Random Forest)构建了海表硝酸盐浓度的遥感反演模型,该模型的输入变量包括海表叶绿素浓度和海表温度,验证数据集显示,模型的均方根误差约为1.09 μmol/kg, R2为0.78(图2)。此外,本研究还对模型进行了独立验证和敏感性分析,证明模型的可靠性。该模型为加利福尼亚流系首个关于SSN的水色卫星遥感反演模型。

图2. 实测SSN与SRF算法反演的SSN之间的比较

图3. 2002-2018年加利福尼亚流系SSN的月均分布图(单位:umol/kg, log10 scale)
本研究由国家自然科学基金(41906159,42030708,41730536)支持。
论文链接:https://ieeexplore.ieee.org/document/9488591