海洋次表层叶绿素浓度最大值特征因子的智能预测方法.pdfVIP

摘要

海洋次表层叶绿素浓度最大值（SubsurfaceChlorophyllMaxima,SCM）是指海

洋内部叶绿素的浓度的最大值发生在次表层区域的现象。SCM能够反映海洋生态系

统中垂直维度上的生物活动和分布情况，揭示海洋环境中的垂直生物地球化学过程，

有助于深入理解海洋生态系统的结构和功能，因此SCM的现场观测数据对理解海洋

生态系统的运行机制具有重要意义。针对SCM数据稀疏问题，本文结合生物地球化

学剖面浮标（BiogeochemicalArgo,BGC-Argo）数据和海洋卫星遥感数据提出了一

种深度神经网络模型，用于重构海洋次表层叶绿素浓度，并结合参数方程分析SCM

现象的特征因子。该研究成果在推动海洋科学领域发展方面具有深远影响，对揭示

海洋生态系统的整体运行机制起到了关键作用，并为未来的海洋科学开辟了新视角，

也为保护和可持续利用海洋资源提供了科学依据。主要研究内容如下：

（1）次表层叶绿素浓度反演的人工智能基准数据集构建。通过融合稀疏的

BGC-Argo垂直剖面数据与卫星遥感技术观测的海洋表面数据，构建用于深度学习

训练的数据集。

（2）叶绿素浓度反演方法的双向深度神经网络的设计。基于深度学习中记忆网

络的概念，提出一种针对解决次表层叶绿素浓度垂向依赖问题的模型，该模型结合

了嵌入模块和双向门控循环单元模块，从而有效反演出SCM的垂直剖面。

（3）基于广义高斯分布模型的西北太平洋区域SCM反演及其时空特征分析。

对比分析深度学习模型与传统机器学习方法在反演SCM垂直剖面方面的性能差异。

此外，我们也对基于广义高斯分布模型的西北太平洋区域SCM现象特征因子进行了

时空特征分析，并反演出西北太平洋区域SCM强度、深度和厚度。

（4）基于改进高斯分布模型的地中海区域SCM反演方法泛化分析。详细分析

了连续八年SCM特征因子的时间序列变化，验证了深度学习模型在地中海区域的泛

化能力。此外，针对特定位置进行SCM反演，并将反演结果与真实值进行对比以证

明模型的泛化能力和准确性。

关键词：海洋次表层叶绿素浓度最大值；BGC-Argo；深度学习；卫星遥感；双向

门控循环单元

Abstract

SubsurfaceChlorophyllMaxima(SCM)referstothephenomenonthatthe

chlorophyllconcentrationreachesarelativemaximuminthesubsurfaceareaoftheocean.

SCMcanreflectthebiologicalactivitiesanddistributionintheverticaldimensionofthe

Marineecosystem,revealtheverticalbiogeochemicalprocessesintheMarine

environment,andcontributetodeeplyunderstandingthestructureandfunctionofthe

Marineecosystem.Therefore,thein-siteobservationdataofSCMisofgreatsignificance

tounderstandtheoperatingmechanismoftheMarineecosystem.Tosolvetheproblemof

sparseSCMdata,thisarticleproposesadeepneuralnetworkmodel,combining

BiogeochemicalArgo(BGC-Argo)dataandoceansatelliteremotesensingdata,for