典型文献
基于机器学习的SMAP卫星海表盐度反演
文献摘要：
针对传统海表盐度的物理机制反演模型拟合过程复杂且反演精度不高等问题,借助大范围、全天时、L波段探测的SMAP卫星微波海洋遥感产品,以北太平洋(135°～165°E,15°～45°N)范围为研究海域,利用深层神经网络(Deep Neural Network,DNN)和支持向量机(Support Vector Machine,SVM)建立海表盐度(Sea Surface Salinity,SSS)遥感反演模型.验证结果表明:DNN与SVM模型测试集反演SSS与Argo(Array for Real time Geostrophic Oceanography))实测SSS的均方根误差(Root Mean Square Error,RMSE)分别为0.1790和0.2570,平均绝对误差(Mean Absolute Error,MAE)为0.1293和0.1821,最小绝对误差为0.6426和2.0380,最大绝对误差为1.3241和2.3732,反演模型数据与实测Argo数据拟合后的的相关系数分别为0.89和0.84.总体来看,DNN模型比SVM模型的反演精度更高,但两者均显著提高了SMOS盐度产品精度,能够为相关研究提供数据支撑.
文献关键词：
海表盐度;SMAP卫星;深层神经网络;支持向量机;反演模型
中图分类号：
作者姓名：
柳青青;张亚姝;徐茗;李洪平;刘海行
作者机构：
中国海洋大学信息科学与工程学院,山东青岛266100;青岛大学商学院,山东青岛266100;自然资源部第一海洋研究所,山东青岛266061
文献出处：
引用格式：
[1]柳青青;张亚姝;徐茗;李洪平;刘海行-.基于机器学习的SMAP卫星海表盐度反演)[J].海洋科学进展,2022(01):56-65
A类：
海表盐度反演,Geostrophic
B类：
基于机器学习,SMAP,星海,物理机制,反演模型,模型拟合,反演精度,全天,天时,波段,波海,海洋遥感,遥感产品,北太平洋,海域,深层神经网络,Deep,Neural,Network,DNN,Support,Vector,Machine,Sea,Surface,Salinity,SSS,遥感反演,模型测试,测试集,Argo,Array,Real,Oceanography,Root,Mean,Square,Error,RMSE,平均绝对误差,Absolute,MAE,模型数据,数据拟合,SMOS
AB值：
0.419002
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
