典型文献
SMAP卫星的RBF神经网络海表盐度遥感反演
文献摘要：
针对传统海表盐度遥感反演精度不高、影响因素较少等问题,本文基于SMAP(Soil Moisture Active Passive)卫星L2C(Level 2 C)数据、Argo(Array for Real-time Geostrophic Oceanography)数据和其他辅助数据,以太平洋部分海域(160°E～120°W,0°～30°N)为研究区域,综合考虑海面粗糙度以及白冠覆盖率等参量,利用径向基神经网络建立RBF亮温增量模型,并对平静海面亮温进行修正,然后基于Meissner-Wentz介电常数模型得到反演后的盐度值.验证结果表明:模型预测盐度和SMAP卫星盐度相对于Argo实测盐度的均方根误差分别为0.4和0.5,平均绝对误差分别为0.3和0.4.实验证明,利用RBF神经网络建立的亮温增量模型可以提高海表盐度反演的精度,对海表盐度反演具有实用意义.
文献关键词：
海表盐度;SMAP卫星;RBF神经网络;盐度反演
中图分类号：
作者姓名：
赵文杰;李洪平;刘海行
作者机构：
中国海洋大学信息科学与工程学部,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]赵文杰;李洪平;刘海行-.SMAP卫星的RBF神经网络海表盐度遥感反演)[J].海洋科学进展,2022(03):513-522
A类：
Geostrophic,Wentz,海表盐度反演
B类：
SMAP,RBF,遥感反演,反演精度,Soil,Moisture,Active,Passive,L2C,Level,Argo,Array,Real,Oceanography,辅助数据,以太,太平洋,海域,海面粗糙度,参量,径向基神经网络,增量模型,平静,静海,海面亮温,Meissner,介电常数,平均绝对误差,实用意义
AB值：
0.328662
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。
