典型文献
基于深度神经网络的海表盐度反演
文献摘要：
海表盐度(Sea Surface Salinity,SSS)是研究海洋对全球气候影响的重要参量,欧洲航天局(European Space Agency,ESA)设计研发的SMOS(Soil Moisture and Ocean Salinity)是专用于探测海水盐度的卫星之一.受射频干扰(Radio Frequency Interference,RFI)等因素的影响,SMOS卫星盐度产品的精度难以达到预期效果.为了提高SMOS卫星海表盐度产品精度,本文提出一种基于深度神经网络的海表盐度反演算法.以太平洋中部海域(150°E～180°,5°～30°N)为研究区域,利用Argo浮标实测盐度数据为参考真值,将SMOS卫星L1C、L2级产品与Argo盐度数据进行时空匹配.并根据海洋遥感和辐射传输理论,选取亮温(Brightness Temperature,TB)、海表温度(Sea Surface Temperature,SST)、降雨率(Rain Rate,RR)、波高(Significant Wave Height,SWH)、纬向风速(Zonal Wind Speed,ZWS)、经向风速(Meridional Wind Speed,MWS)和蒸发量(Evaporation,Eva)七个影响盐度的重要参数,利用K折交叉验证法,构建了深度神经网络(Deep Neural Network,DNN)模型,对SMOS卫星L2级数据进行反演.实验结果表明,利用本文算法计算得到的海表盐度数据平均绝对误差为0.159,均方根误差为0.195,均明显优于SMOS盐度产品精度,本文提出的算法能够提供更精准的海表盐度产品.
文献关键词：
SMOS卫星;海表盐度反演;深度神经网络
中图分类号：
作者姓名：
高明;黄贤源;王芳;张海龙;赵红霞;高溪远
作者机构：
中国人民武装警察部队作战勤务保障大队,北京100081;中国人民解放军部队92859部队,天津300000
文献出处：
引用格式：
[1]高明;黄贤源;王芳;张海龙;赵红霞;高溪远-.基于深度神经网络的海表盐度反演)[J].海洋科学进展,2022(03):496-504
A类：
海表盐度反演,ZWS,Eva
B类：
深度神经网络,Sea,Surface,Salinity,SSS,气候影响,参量,欧洲航天局,European,Space,Agency,ESA,设计研发,SMOS,Soil,Moisture,Ocean,测海,海水盐度,射频干扰,Radio,Frequency,Interference,RFI,难以达到,预期效果,星海,反演算法,以太,太平洋,洋中,海域,Argo,浮标,真值,L1C,L2,时空匹配,海洋遥感,辐射传输,输理,亮温,Brightness,Temperature,TB,海表温度,SST,降雨率,Rain,Rate,RR,波高,Significant,Wave,Height,SWH,纬向,Zonal,Wind,Speed,经向,Meridional,MWS,蒸发量,Evaporation,七个,重要参数,交叉验证法,Deep,Neural,Network,DNN,算法计算,平均绝对误差
AB值：
0.47479
相似文献
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。
