基于神经网络和遥感观测数据温度剖面反演方法研究与应用.pdf

基于神经网络和遥感观测数据的海洋温度剖面反演方法研究与应用

摘要

海洋深层的温度作为非常重要的海洋要素，通常需要通过测量船或者浮标潜标进

行现场观测来获得，这就使得时空连续的海洋深层温度数据很难获得。不过海洋深层

的温度信息与海表特征联系密切，而海表特征可以通过卫星遥感进行时空连续且高分

辨率的观测，因此通过海表的各项特征反演得到海洋深层的温度信息可以解决海洋深

层温度观测信息匮乏的现状。神经网络作为人工智能领域的研究热点，研究人员通过

神经网络在诸多领域取得了良好的效果，也给海洋深层温度的反演研究提供了新的可

能。本文针对海洋深层温度信息反演的问题，利用卷积神经网络建立海洋深层温度信

息的反演模型，通过卫星遥感观测的海表特征得到深层的海水温度。

本文首先回顾了经典的神经网络，对深度学习中经典的BP神经网络的公式进行了

推导，并详细介绍了本文将使用的卷积神经网络的重要组成结构。由于神经网络参数

的更新过程主要是通过梯度下降法来进行，所以对一些梯度下降优化算法进行了介绍，

为后面基于卷积神经网络建立海洋深层温度反演模型提供了相关的理论基础。

然后，本文基于卷积神经网络建立了海洋深层温度信息的反演模型，该模型的输

入数据为卫星遥感观测的海表特征，包括海表高度、海表盐度、海表温度和海表面风

场的U、V分量，输出为海洋深层温度剖面。经过分析卷积方式、卷积核尺寸、不同海

表特征的组合以及局部海域大小等因素对反演模型的影响后，确定最终的反演模型结

构。本文从机器学习的评价指标到具体的温度剖面对反演模型的效果进行了详的评估，

结果表明，反演模型可以准确地反演海洋深层的温度信息。本文提出的模型均方根误

差和相关系数分别为0.38℃和0.989，这表明该模型具有很高的预测准确性。另外，通

过对比模型反演的温度剖面与Argo数据的真实温度剖面，进一步验证模型的准确性。

最后，通过对反演模型的应用，本文还研究了近16年来全球海洋深层温度的变化

趋势。结果显示，全球海洋各深层普遍存在增温现象，但不同空间和深度的变化趋势

并不相同。其中，海洋表层变暖现象最明显的东部太平洋海域，而印度洋和大西洋在

表层海洋的温度相对稳定，变化并不大。不过，当考虑更深层的海洋（500米）时，

太平洋和大西洋的增温趋势变得更加明显。这可能表明全球变暖已经开始影响深层海

洋，而其影响也存在局部差异。

关键词：海洋温度剖面；神经网络；反演方法；遥感观测

基于神经网络和遥感观测数据的海洋温度剖面反演方法研究与应用

ABSTRACT

Thedeep-seatemperature,asacrucialoceanicelement,usuallyneedstobeobtainedthrough

on-siteobservationusingmeasurementshipsorbuoys,makingitdifficultforustoacquire

continuousspatiotemporaldatafordeep-seatemperature.However,thetemperature

informationinthedeepoceaniscloselyrelatedtotheseasurfacecharacteristics,andthesea

surfacecharacteristicscanbeobservedcontinuouslyandwithhighresolutionthroughsatellite

remotesensing.Therefore,obtainingthetemperatureinformationofthedeepoceanthrough

inversionofvariouscharacteristicsoftheseasurfacecansolvethecurrentsituationoflackof

observationalinformationofthedeepoceantemperature.Neuralnetworkisaresear