文献总结 | RSE:基于物理模型与机器学习方法的云下海表温度重建

文摘   2024-10-12 17:00   北京  

点击上方湖泊遥感与智慧流域关注我们

研究背景
RESEARCH BACKGROUND
海表温度(sea surface temperature, SST)是海洋科学和气候研究中的关键变量。然而,由于云层遮挡,卫星遥感数据不完整,这对SST的监测和研究带来了挑战。为了克服这一问题,传统的插值和统计方法在应用过程中有时难以满足高精度要求,因此,本文提出了通过结合物理模型和机器学习的方法来改进SST重建的准确性。
研究区域与方法
本文选取了两个热点区域(如图1所示),包括西北太平洋(0°N - 30°N,130°E - 150°E)和台湾周边海域(20°N - 30°N,115°E - 125°E)。
图1:不同云覆盖范围的两个热点区域(蓝色和红色)以及海面上的ARGO站点(红点)。
研究所使用的到卫星影像数据为日本静止气象卫星Himawari-8观测到的海表温度数据。Himawari-8卫星搭载AHI成像仪,涵盖可见光、近红外和红外波段。海表温度是通过第13和15波段以及卫星天顶角计算得到。随后,根据第3、7、14波段的卫星图像,使用Otsu阈值算法识别晴空和多云区域(包括厚云、薄云、分形云和云边缘)。
受环境流体测量和力学的启发,研究目标是获取一种基于物理的机器学习方法(或物理一致的虚拟测量方法),以准确重建云下(以及云下)的海表温度。

研究所使用到的是径向基函数神经网络(the Radial Basis Function Neural Network, RBFNN),首先处理每个位置随时间的海表温度重建,然后对每个日期进行空间重建。
研究结果
1. 如何建模
TS-RBFNN模型的网络架构中隐藏神经元的数量与虚拟测量仪的观测频率相关,神经元的中心代表观测日期。从空间角度出发,隐藏层的神经元数量和位置对应于海面上的虚拟测量仪。标准差反映了热传输过程中的不同扩散程度,连接权重表示参考温度和异常值。当标准差小时,权重与观测时的海表温度异常相同。随着标准差的增加(例如,地球物理流的扩散值),连接权重显示了热输入产生的海表温度异常最大值,加权径向基函数解释了由于平流和扩散过程引起的海表温度异常随时间变化变化的过程(观测日期之前呈指数增加,观测日期之后呈指数下降)。

图2:TS-RBFNN网络内的隐含信息:(a)连接权重(蓝色和红色条);(b)加权径向基函数(虚线和实线);(c)海表温度变化(虚线和实线)和观测结果(黑色圆圈)。

2. 模型的验证

为了验证模型的准确性,研究中生成了覆盖已知SST的人工云。这些云是通过随机过程生成的,模拟了现实中的云层情况。在无云和有云条件下进行模型训练和验证,图3表明测得的海表温度在29至31摄氏度之间,月平均值接近30摄氏度。通过大量隐藏神经元及其中心的适当设置,时间径向基函数神经网络(TS-RBFNN)精确估计晴天和阴天期间的海表温度变化,RMSE = 0.04摄氏度。在本例的测试条件下,人造云下海表温度模型的重建能力与晴空下海表温度的重建能力一样准确。总体而言,完全重建的海表温度和原始数据非常一致。

图3:无云条件下随机生成的人造云(灰色条带)的海表温度时间波动特征为(a)CRt=9.7%,(b)CRt=16.1%,和(c)CRt=25.8%;阐明时间间隔(灰色条带)对海表温度重建的影响,分别设置(d)2天、(e)6天和(f)29天间隔:黑色圆圈为观测到的海表温度;TS-RBFNN及其神经元中心(红)重建的SST;通过三次样条(蓝)重建的海表温度。

3. 模型的应用

图4为2019年11月、2020年2月、5月和8月的SST和云层覆盖情况。结果显示,DINEOF在捕捉小尺度温度特征方面存在不足,重建误差较高(例如,RMSE达到0.61摄氏度)。TS-RBFNN的表现:在相同条件下(如图5),TS-RBFNN的重建误差显著降低,RMSE分别为0.32°C、0.36°C、0.43°C和0.67°C,显示出更好的模式相似性和准确性。

图4 (a)、(c)、(e)、(g)DINEOF重建的海表温度和(b)、(d)、(f)、(h)Himawari-8观测值的差异

图5  (a)、(c)、(e)、(g)TS-RBFNN重建的海表温度和(b)、(d)、(f)、(h)Himawari-8观测值的差异

总结讨论
本研究提出了一种物理信息驱动的机器学习方法,即时间-空间径向基函数神经网络(TS-RBFNN),旨在精确重建Himawari-8卫星的日均SST通过对网络结构的阐释、模型准确性的验证以及在不同区域的适用性分析,验证了TS-RBFNN在海表温度重建中性能,结合了物理过程与机器学习的优势,能够在云层覆盖和复杂天气条件下提供可靠的SST重建。
✎ 编者注

以上总结仅代表个人对论文的理解,仅供研究参考所用,不用于商业用途。若上述理解内容有误,请以论文原文为主。未经同意,禁止转载。


原文链接 ↓
https://doi.org/10.1016/j.rse.2024.114339

点击左下方 “阅读原文” 可下载论文原文。



团队介绍

湖泊遥感与智慧流域创新团队,主要围绕湖泊开展历史重构、现状观测和未来变化模拟等模型研制和应用实践工作,并在流域尺度开展大数据智慧管理平台研究,保障湖泊水质安全。团队拥有博士和硕士导师5人(段洪涛,罗菊花,刘东,谭振宇,邱银国),可分别在中国科学院南京地理与湖泊研究所、西北大学以及南京信息工程大学(国科大南京学院联合培养)等招收博、硕士研究生,欢迎报考!同时,长期招收联合培养研究生,欢迎咨询!

联系人:段洪涛研究员,htduan@niglas.ac.cn

点击下方链接直接关注我们

科学前沿丨文献总结 | RSE:美国湖泊监测卫星:MERIS时间序列及其叶绿素a应用
科学前沿丨文献总结 | WR:利用分类和回归模型对伊利湖藻华进行短期预测
科学前沿丨文献总结 | Nature Sustainability:城市河流污染导致全球温室气体排放量上升
科学前沿丨文献总结 | RSE:间歇性地表水体动态变化遥感研究框架
【团队成果】Nature Communications:中国湖泊有机碳总储量大幅增加
团队成果 | Sci. Total Environ:遥感视角的区域湖泊碳排放估算不确定性与采样优化
团队动态 | 段洪涛研究员连续4年入选全球前2%科学家榜单
团队动态段洪涛研究员荣获朱李月华优秀教师奖

湖泊遥感与智慧流域
围绕“湖泊遥感与智慧流域”方向,介绍学科方向前沿,分享团队研究成果和动态,提供论文下载和数据共享等服务。版权所有 @ NN TEAM联合创新团队(NIGLAS & NWU Innovation Team)
 最新文章