CN117571641A - 一种海表硝酸盐浓度分布检测方法 - Google Patents
一种海表硝酸盐浓度分布检测方法 Download PDFInfo
- Publication number
- CN117571641A CN117571641A CN202410045504.9A CN202410045504A CN117571641A CN 117571641 A CN117571641 A CN 117571641A CN 202410045504 A CN202410045504 A CN 202410045504A CN 117571641 A CN117571641 A CN 117571641A
- Authority
- CN
- China
- Prior art keywords
- sea surface
- nitrate concentration
- data
- concentration distribution
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910002651 NO3 Inorganic materials 0.000 title claims abstract description 141
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 title claims abstract description 140
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000001419 dependent effect Effects 0.000 claims abstract description 9
- 230000005855 radiation Effects 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 21
- 238000012417 linear regression Methods 0.000 claims description 12
- 238000000611 regression analysis Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000004071 biological effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000000243 photosynthetic effect Effects 0.000 claims description 4
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 claims description 3
- -1 chemical reaction Chemical compound 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 2
- 239000002352 surface water Substances 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 235000015097 nutrients Nutrition 0.000 description 4
- 230000029553 photosynthesis Effects 0.000 description 4
- 238000010672 photosynthesis Methods 0.000 description 4
- 150000003839 salts Chemical class 0.000 description 4
- 235000019804 chlorophyll Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 229910019142 PO4 Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000003851 biochemical process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 1
- 239000010452 phosphate Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种海表硝酸盐浓度分布检测方法,属于海洋遥感技术领域,解决了现有技术无法精准获取全球尺度有复杂生物地球化学过程的海表硝酸盐浓度分布的问题。该方法包括:建立海表硝酸盐浓度分布检测模型,该模型的输入为受控因素中影响海表硝酸盐浓度分布的关键参数,输出为海表硝酸盐浓度;对该模型进行参数确定;通过卫星遥感数据获取目标地域内每一位置海表硝酸盐浓度分布检测模型中因变量的实时数据;将所述因变量的实时数据输入参数确定后的海表硝酸盐浓度分布检测模型中,得到目标地域内每一位置的海表硝酸盐浓度,进而得到目标地域的海表硝酸盐浓度分布。该方法可针对全球大洋表面水体,实现高精度的硝酸盐浓度遥感反演。
Description
技术领域
本发明涉及海洋遥感技术领域,尤其涉及一种海表硝酸盐浓度分布检测方法。
背景技术
中国专利CN113916808B提供的营养盐浓度检测方法包括:获取待测水域中有色可溶性有机物的光谱吸收系数和待测水域的水域表面的遥感反射率;基于所述光谱吸收系数、遥感反射率和训练后的营养盐获得模型,得到所述待测水域中的营养盐中的硝酸盐的浓度和活性磷酸盐的浓度。该方法只可用于近海,采用的神经网络模型或支持向量回归模型难以描述明确的生物地球化学过程,对于全球尺度这样具有复杂生物地球化学过程的尺度来说,将导致大陆架以深(超过200m水深)的区域遥感精度大大降低。
Goes等(1999)在 “A method for estimating sea surface nitrateconcentrations from remotely sensed SST and chlorophyll a-A case study forthe north Pacific Ocean using OCTS/ADEOS data”一文公开的硝酸盐模型中,除了经验的温度-硝酸盐关系以外,考虑了浮游植物对硝酸盐的生物吸收,但是使用的模型同样缺乏光照条件(PAR信息)对于生物利用硝酸盐过程的考虑。Steinhoff等(2010)在“Estimatingmixed layer nitrate in the North Atlantic Ocean”一文公开的方案只考虑了混合层深度MLD对海面硝酸盐的影响,缺失了重要的温度和光照参数。Arteaga等人(2015)在“Global monthly sea surface nitrate fields estimated from remotely sensed seasurface temperature, chlorophyll, and modeled mixed layer depth”一文公开的方法只利用2003-2004年的数据作为全球的实测海表硝酸盐月度气候态数据SSN气候态的影响因子具有数据局限性,且训练集中输入的MLD数据是来自不同模型,增加了MLD的不确定度,且在对模型进行独立验证的时候,只利用了全球的实测海表硝酸盐月度气候态数据SSN预测值与北大西洋和太平洋共4个站点的年际尺度的独立全球的实测海表硝酸盐月度气候态数据SSN时间序列进行比较,验证方法上具有区域性,最重要的是同样缺失了光照条件影响硝酸盐生化过程的考虑。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种海表硝酸盐浓度分布检测方法,用以解决现有技术无法精准获取全球尺度有复杂生物地球化学过程的海表硝酸盐浓度分布的问题。
一方面,本发明实施例提供了一种海表硝酸盐浓度分布检测方法,包括如下步骤:
S1.根据海面硝酸盐的受控因素,包括化学反应、生物活动和物理过程,建立海表硝酸盐浓度分布检测模型,该模型的输入为受控因素中影响海表硝酸盐浓度分布的关键参数,输出为海表硝酸盐浓度;
S2.根据全球长时间卫星数据获取该模型的输入训练数据,并获取全球实测海表硝酸盐浓度气候态数据作为该模型的输出训练数据,对该模型进行参数确定;
S3.通过卫星遥感数据获取目标地域内每一位置海表硝酸盐浓度分布检测模型中因变量的实时数据;
S4.将所述因变量的实时数据输入参数确定后的海表硝酸盐浓度分布检测模型中,得到目标地域内每一位置的海表硝酸盐浓度,进而得到目标地域的海表硝酸盐浓度分布。
上述技术方案的有益效果如下:从物理机制出发,根据硝酸盐在生物地球化学过程中形成的原理,在海表硝酸盐浓度分布检测模型增加了化学反应、生物活动和物理过程中影响海表硝酸盐浓度分布的关键参数,并通过气候态数据获得大尺度下具有普适性的海表硝酸盐浓度分布检测模型。该方法针对大尺度比如全球大洋的表面水体,可实现高精度的硝酸盐浓度遥感反演。
基于上述方法的进一步改进,步骤S1中建立的海表硝酸盐浓度分布检测模型包括:
,
式中,Nitest为目标地域内任一位置的海表硝酸盐浓度,β SST为SST的回归系数,β MLD为MLD的回归系数,β PAR为PAR的回归系数,C为线性回归常数项。
进一步,步骤S2进一步包括:
S21.获取标准的全球长时间序列卫星数据,得出每一单位时段内全球海面各位置的海面温度SST、光合有效辐射PAR;
S22.获取全球长时间序列混合层深度数据,包括每一单位时段内全球海面各位置的混合层深度MLD;
S23.获取全球实测海表硝酸盐浓度气候态数据,包括每一单位时段内全球海面各位置的实测海表硝酸盐浓度Nit平均值;
S24.通过基于像元的局部平均法,对上述海面温度SST、光合有效辐射PAR、混合层深度MLD的数据依次进行数据处理,从而得到1°×1°空间分辨率的海面温度SST、光合有效辐射PAR、混合层深度MLD的数据,以与全球实测海表硝酸盐浓度气候态数据统一分辨率;
S25.对上述1°×1°空间分辨率的海面温度SST、光合有效辐射PAR、混合层深度MLD的数据进行时间要素尺度的平均运算,以获得每一单位时段内1°×1°空间分辨率的海面温度SST、光合有效辐射PAR、混合层深度MLD的平均结果数据;
S26.将上述1°×1°空间分辨率的海面温度SST、光合有效辐射PAR、混合层深度MLD的平均结果数据作为海表硝酸盐浓度分布检测模型的输入训练数据,将实测海表硝酸盐浓度Nit平均值作为海表硝酸盐浓度分布检测模型的输出训练数据,对该模型进行参数确定,得到海面温度SST的回归系数β SST、光合有效辐射PAR的回归系数β PAR、混合层深度MLD的回归系数β MLD及海表硝酸盐浓度分布检测模型的线性回归常数项C。
进一步,全球长时间卫星数据的时间不少于20年。
进一步,步骤S26进一步包括:
S261.将每一单位时段内上述输入训练数据作为下面公式的回归分析模型的输入,将每一单位时段内上述输出训练数据作为回归分析模型的目标变量,在每一1°×1°空间分辨率的网格中进行多元线性回归分析,得到海面温度SST的回归系数β SST、光合有效辐射PAR的回归系数β PAR、混合层深度MLD的回归系数β MLD及海表硝酸盐浓度分布检测模型的线性回归常数项C,
,
式中,regress()为回归分析函数。
进一步,所述单位时段包括月、日、周中的至少一个,以使通过该海表硝酸盐浓度分布检测方法获得所述单位时段相应时间尺度的海表硝酸盐浓度。
进一步,步骤S22中,全球长时间序列混合层深度数据通过HYCOM模型、FNMOC模型、SODA模型、TOPS模型中的任一个获得。
进一步,步骤S21中,标准的全球长时间序列卫星数据为标准月度level-3卫星数据。
进一步,步骤S23中,全球实测海表硝酸盐浓度气候态数据为NCEI发布的WOA气候态硝酸盐数据。
提供发明内容部分是为了以简化的形式来介绍对概念的选择,它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本发明的重要特征或必要特征,也无意限制本发明的范围。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了实施例1中海表硝酸盐浓度分布检测方法的步骤示意图;
图2示出了实施例2利用2018-2022年BGC-Argo硝酸盐评估模型的性能。
具体实施方式
下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的实施例,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个此外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
实施例1
本发明的一个实施例,公开了一种海表硝酸盐浓度分布检测方法,如图1所示,包括如下步骤:
S1.根据海面硝酸盐的受控因素,包括化学反应、生物活动和物理过程,建立海表硝酸盐浓度分布检测模型,该模型的输入为受控因素中影响海表硝酸盐浓度分布的关键参数,输出为海表硝酸盐浓度;
S2.根据全球长时间卫星数据(不少于20年)获取该模型的输入训练数据,并获取全球实测海表硝酸盐浓度气候态数据作为该模型的输出训练数据,对该模型进行参数确定;
S3.通过卫星遥感数据获取目标地域内每一位置海表硝酸盐浓度分布检测模型中因变量的实时数据;
S4.将所述因变量的实时数据输入参数确定后的海表硝酸盐浓度分布检测模型中,得到目标地域内每一位置的海表硝酸盐浓度,进而得到目标地域的海表硝酸盐浓度分布。
实施时,在海洋中,硝酸盐的化学过程主要涉及硝化作用和反硝化作用,这两个过程需要酶和细菌的参与,而酶的活性和细菌的生长受到海水温度的影响。生物活动在海洋中引起氮单质和有机物的相互转换。在透光带中,浮游植物通过吸收太阳辐射进行光合作用,该过程消耗硝酸盐,增加叶绿素浓度。在富营养海域,浮游植物主要吸收硝酸盐,而太阳辐射强度对浮游植物消耗硝酸盐起限制作用。光合有效辐射PAR是浮游植物进行光合作用的能量来源,较高的PAR水平有助于提高浮游植物的光合速率和光合产物的积累。此外,海水中的营养盐分布和浮游植物的生命活动还受混合层深度MLD的季节变化影响。物理过程,如上升流和冬季对流混合),将富含硝酸盐的冷水带到表层,增加了海面硝酸盐浓度,同时降低了海表温度。
与现有技术相比,本实施例提出的方法从物理机制出发,根据硝酸盐在生物地球化学过程中形成的原理,在海表硝酸盐浓度分布检测模型增加了化学反应、生物活动和物理过程中影响海表硝酸盐浓度分布的关键参数,并通过气候态数据获得大尺度下具有普适性的海表硝酸盐浓度分布检测模型。该方法针对大尺度比如全球大洋的表面水体,可实现高精度的硝酸盐浓度遥感反演。
实施例2
在实施例1的基础上进行改进,步骤S1中建立的海表硝酸盐浓度分布检测模型包括:
(1)
式中,Nitest为目标地域内任一位置的海表硝酸盐浓度,β SST为SST的回归系数,β MLD为MLD的回归系数,β PAR为PAR的回归系数,C为线性回归常数项。
需说明的是,相比现有技术,上述模型创新性地使用了光合有效辐射PAR,使得上述模型的输出更贴近实际检测结果。
优选地,步骤S2进一步包括:
S21.获取标准的全球长时间序列卫星数据(不少于20年),得出每一单位时段内全球海面各位置的海面温度SST(空间分辨率为4km)、光合有效辐射PAR(空间分辨率为4km)。
具体地,步骤S21中,标准的全球长时间序列卫星数据可为NASA标准月度level-3卫星数据,或中国标准月度level-3卫星数据。这些数据是由搭载在Aqua卫星上的中分辨率成像光谱仪MODIS测量得到的,其空间分辨率为~4km。这些数据均由美国国家航天航空局(NASA)地球数据网站提供。该卫星Level-3数据的时间覆盖范围自2003年开始至今。
S22.获取全球长时间序列混合层深度数据,包括每一单位时段内全球海面各位置的混合层深度MLD(空间分辨率约为1/12°~1/6°)。
具体地,步骤S22中,全球长时间序列混合层深度数据通过HYCOM模型、FNMOC模型、SODA模型、TOPS模型中的任一个获得。混合层深度的数据类型主要包括通过剖面测量数据计算的混合层深度、气候态的混合层深度以及模型生成的混合层深度。大洋中的剖面数据分布过于稀疏,难以反映整个南半球尺度上混合层深度的月周期变化,而气候态的混合层深度无法反映年际变化。考虑到这些限制,选择了模型生成的混合层深度数据。
S23.获取全球实测海表硝酸盐浓度气候态数据,包括每一单位时段内全球海面各位置的实测海表硝酸盐浓度Nit平均值(空间分辨率为1°×1°)。
具体地,步骤S23中,全球实测海表硝酸盐浓度气候态数据为NCEI发布的WOA18气候态硝酸盐数据。世界海洋地图集中的硝酸盐月度气候态是基于WOD(World OceanDatabase)提供的剖面数据,经过客观分析和计算得到的气候分布场。其最高的时间分辨率为月,这也限制了时间分辨率。尽管目前WOA23版本已发布,但由于考虑到近年来BGC-Argo的剖面数据可能会被整合到WOD中,为了确保充足的BGC-Argo数据用于验证模型,选择了WOA18月度的硝酸盐气候态作为模型的输入数据。WOA18气候态硝酸盐数据由美国国家环境信息中心(NCEI)发布的再分析数据集提供。NCEI每5年左右发布一版WOA。
S24.通过基于像元的局部平均法,对上述海面温度SST、光合有效辐射PAR、混合层深度MLD的数据依次进行数据处理,从而得到1°×1°空间分辨率的海面温度SST、光合有效辐射PAR、混合层深度MLD的数据,以与全球实测海表硝酸盐浓度气候态数据统一分辨率。
S25.对上述1°×1°空间分辨率的海面温度SST、光合有效辐射PAR、混合层深度MLD的数据进行时间要素尺度的平均运算,以获得每一单位时段内1°×1°空间分辨率的海面温度SST、光合有效辐射PAR、混合层深度MLD的平均结果数据;
示例性地,对于SST,把20年(或者更长时间)的1月份数据进行平均,获得1月的平均结果;以此类推,获得每个月的遥感输入训练数据;
S26.将上述1°×1°空间分辨率的海面温度SST、光合有效辐射PAR、混合层深度MLD的平均结果数据作为海表硝酸盐浓度分布检测模型的输入训练数据,将实测海表硝酸盐浓度Nit平均值作为海表硝酸盐浓度分布检测模型的输出训练数据,对该模型进行参数确定,得到海面温度SST的回归系数β SST、光合有效辐射PAR的回归系数β PAR、混合层深度MLD的回归系数β MLD及海表硝酸盐浓度分布检测模型的线性回归常数项C。
优选地,全球长时间卫星数据的时间不少于20年。
优选地,步骤S26进一步包括:
S261.将每一单位时段内上述输入训练数据作为下面公式的回归分析模型的输入,将每一单位时段内上述输出训练数据作为回归分析模型的目标变量,在每一1°×1°空间分辨率的网格中进行多元线性回归分析,得到海面温度SST的回归系数β SST、光合有效辐射PAR的回归系数β PAR、混合层深度MLD的回归系数β MLD及海表硝酸盐浓度分布检测模型的线性回归常数项C,
(2)
式中,regress()为回归分析函数。
优选地,所述单位时段包括月、日、周中的至少一个,以使通过该海表硝酸盐浓度分布检测方法获得所述单位时段相应时间尺度的海表硝酸盐浓度。示例性地,SST、MLD、PAR分别为各月度的数据集,利用上述的回归系数及常数,可估算月度的SSN。对于逐日的SST、PAR、MLD数据集,或者每周的SST、PAR、MLD数据集,可获得相应时间尺度的海表硝酸盐浓度。
实施时,采用两种检验方法评估模型性能。首先,使用标准的统计指标,包括模型的决定系数R2和均方根误差RMSE,对模型进行评估。其次,利用2018-2022年BGC-Argo实测的硝酸盐检验模型的预测精度,进行决定系数R2、均方根误差RMSE、平均绝对误差MAE及相对误差MAPE的统计,以进一步评估模型性能。
为对模型预测的海面硝酸盐进行真实性检验,利用2018-2022年预测的SSN与经时空匹配后的BGC-Argo硝酸盐进行独立验证。用于建模的WOA18月度SSN数据是1955-2017年的平均场,与2018-2022年BGC-Argo硝酸盐是两套独立的数据。图2中的(a)为2018-2022年预测的平均SSN地图与BGC-Argo硝酸盐的分布合成图,图2中的(b)为2018-2022年预测的SSN与BGC-Argo硝酸盐的比较结果,图2中的(c)为预测的SSN的年际变化与BGC-Argo硝酸盐年际变化的比较结果。由图2中的(a)可知,预测的SSN及BGC-Argo硝酸盐在空间上均呈动态变化,具有明显的随纬度变化的特点,纬度越高SSN浓度越大,但是在太平洋东赤道及本格拉上升流海域除外。图2中的(b)为预测的SSN与BGC-Argo硝酸盐的比较结果,图2中的(b)的比较结果表明我们的模型具有较高的预测精度,其中R2=0.93、RMSE=2.59μmol/L。由图2中的(b)中的y=x线可知,当SSN浓度大于15μmol/L,我们的模型对SSN有所低估。图2中的(c)反映了预测的SSN的年际变化与实测SSN的年际变化的吻合度较高,其中R2=0.95、RMSE=1.39μmol/L,MAPE=12.63%。综上的统计结果表明,建立的海表硝酸盐浓度分布检测模型不仅能反应南半球海域SSN的空间分布,还能捕捉南半球海域SSN的时间变化特征。
与现有技术相比,本实施例提供的海表硝酸盐浓度分布检测方法具有如下有益效果:
1、从物理机制出发,根据硝酸盐在生物地球化学过程中受浮游植物光合作用影响的原理,在海表硝酸盐浓度分布检测模型增加了光合有效辐射PAR这一指标,并通过气候态数据获的大尺度下具有普适性的硝酸盐反演算法。
2、综合了卫星遥感手段、气候态的数据、再分析数据及BGC-Argo数据,为通过卫星遥感估算海面硝酸盐提供了一种思路。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对现有技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种海表硝酸盐浓度分布检测方法,其特征在于,包括如下步骤:
S1.根据海面硝酸盐的受控因素,包括化学反应、生物活动和物理过程,建立海表硝酸盐浓度分布检测模型,该模型的输入为受控因素中影响海表硝酸盐浓度分布的关键参数,输出为海表硝酸盐浓度;
S2.根据全球长时间卫星数据获取该模型的输入训练数据,并获取全球实测海表硝酸盐浓度气候态数据作为该模型的输出训练数据,对该模型进行参数确定;
S3.通过卫星遥感数据获取目标地域内每一位置海表硝酸盐浓度分布检测模型中因变量的实时数据;
S4.将所述因变量的实时数据输入参数确定后的海表硝酸盐浓度分布检测模型中,得到目标地域内每一位置的海表硝酸盐浓度,进而得到目标地域的海表硝酸盐浓度分布。
2.根据权利要求1所述的海表硝酸盐浓度分布检测方法,其特征在于,所述影响海表硝酸盐浓度分布的关键参数包括海面温度SST、光合有效辐射PAR、混合层深度MLD。
3.根据权利要求2所述的海表硝酸盐浓度分布检测方法,其特征在于,步骤S1中建立的海表硝酸盐浓度分布检测模型包括:
,
式中,Nitest为目标地域内任一位置的海表硝酸盐浓度,β SST为海面温度SST的回归系数,β MLD为混合层深度MLD的回归系数,β PAR为光合有效辐射PAR的回归系数,C为线性回归常数项。
4.根据权利要求1-3任一项所述的海表硝酸盐浓度分布检测方法,其特征在于,步骤S2进一步包括:
S21.获取标准的全球长时间序列卫星数据,得出每一单位时段内全球海面各位置的海面温度SST、光合有效辐射PAR;
S22.获取全球长时间序列混合层深度数据,包括每一单位时段内全球海面各位置的混合层深度MLD;
S23.获取全球实测海表硝酸盐浓度气候态数据,包括每一单位时段内全球海面各位置的实测海表硝酸盐浓度Nit平均值;
S24.通过基于像元的局部平均法,对上述海面温度SST、光合有效辐射PAR、混合层深度MLD的数据依次进行数据处理,从而得到1°×1°空间分辨率的海面温度SST、光合有效辐射PAR、混合层深度MLD的数据,以与全球实测海表硝酸盐浓度气候态数据统一分辨率;
S25.对上述1°×1°空间分辨率的海面温度SST、光合有效辐射PAR、混合层深度MLD的数据进行时间要素尺度的平均运算,以获得每一单位时段内1°×1°空间分辨率的海面温度SST、光合有效辐射PAR、混合层深度MLD的平均结果数据;
S26.将上述1°×1°空间分辨率的海面温度SST、光合有效辐射PAR、混合层深度MLD的平均结果数据作为海表硝酸盐浓度分布检测模型的输入训练数据,将实测海表硝酸盐浓度Nit平均值作为海表硝酸盐浓度分布检测模型的输出训练数据,对该模型进行参数确定,得到海面温度SST的回归系数β SST、光合有效辐射PAR的回归系数β PAR、混合层深度MLD的回归系数β MLD及海表硝酸盐浓度分布检测模型的线性回归常数项C。
5.根据权利要求1-3任一项所述的海表硝酸盐浓度分布检测方法,其特征在于,全球长时间卫星数据的时间不少于20年。
6.根据权利要求4所述的海表硝酸盐浓度分布检测方法,其特征在于,步骤S26进一步包括:
S261.将每一单位时段内上述输入训练数据作为下面公式的回归分析模型的输入,将每一单位时段内上述输出训练数据作为回归分析模型的目标变量,在每一1°×1°空间分辨率的网格中进行多元线性回归分析,得到海面温度SST的回归系数β SST、光合有效辐射PAR的回归系数β PAR、混合层深度MLD的回归系数β MLD及海表硝酸盐浓度分布检测模型的线性回归常数项C,
,
式中,regress()为回归分析函数。
7.根据权利要求4或6所述的海表硝酸盐浓度分布检测方法,其特征在于,所述单位时段包括月、日、周中的至少一个,以使通过该海表硝酸盐浓度分布检测方法获得所述单位时段相应时间尺度的海表硝酸盐浓度。
8.根据权利要求4所述的海表硝酸盐浓度分布检测方法,其特征在于,步骤S22中,全球长时间序列混合层深度数据通过HYCOM模型、FNMOC模型、SODA模型、TOPS模型中的任一个获得。
9.根据权利要求4或8所述的海表硝酸盐浓度分布检测方法,其特征在于,步骤S21中,标准的全球长时间序列卫星数据为标准月度level-3卫星数据。
10.根据权利要求9所述的海表硝酸盐浓度分布检测方法,其特征在于,步骤S23中,全球实测海表硝酸盐浓度气候态数据为NCEI发布的WOA气候态硝酸盐数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410045504.9A CN117571641A (zh) | 2024-01-12 | 2024-01-12 | 一种海表硝酸盐浓度分布检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410045504.9A CN117571641A (zh) | 2024-01-12 | 2024-01-12 | 一种海表硝酸盐浓度分布检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117571641A true CN117571641A (zh) | 2024-02-20 |
Family
ID=89886518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410045504.9A Pending CN117571641A (zh) | 2024-01-12 | 2024-01-12 | 一种海表硝酸盐浓度分布检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117571641A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236159A (zh) * | 2008-01-24 | 2008-08-06 | 上海交通大学 | 用于蓝藻监测及蓝藻水华预警的浮标 |
CN108645442A (zh) * | 2018-05-11 | 2018-10-12 | 天津大学 | 一种同步测量海洋物理、化学及生态参数的观测装置 |
CN109543356A (zh) * | 2019-01-07 | 2019-03-29 | 福州大学 | 考虑空间非平稳性的海洋内部温盐结构遥感反演方法 |
CN110909491A (zh) * | 2019-12-11 | 2020-03-24 | 新亚优华科技有限公司 | 一种基于风云气象卫星的海面盐度反演算法 |
CN113916808A (zh) * | 2021-09-02 | 2022-01-11 | 自然资源部第二海洋研究所 | 一种营养盐浓度的获得方法、装置、终端设备及存储介质 |
CN113946978A (zh) * | 2021-10-28 | 2022-01-18 | 中船海洋探测技术研究院有限公司 | 基于LightGBM模型的水下三维温盐并行预报方法 |
US20220383102A1 (en) * | 2020-11-24 | 2022-12-01 | Our Kettle Inc. | Wildfire ignition prediction with swarm neural network ensemble |
CN116312849A (zh) * | 2023-01-13 | 2023-06-23 | 中南大学 | 基于随机森林模型和卫星遥感的全覆盖甲烷浓度测算方法 |
CN117034778A (zh) * | 2023-08-28 | 2023-11-10 | 黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院) | 基于Hypergraph-Transformer结构反演地上生物量的方法 |
CN117093806A (zh) * | 2023-10-16 | 2023-11-21 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于遥感的全空间覆盖海上大气co2柱浓度计算方法 |
-
2024
- 2024-01-12 CN CN202410045504.9A patent/CN117571641A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236159A (zh) * | 2008-01-24 | 2008-08-06 | 上海交通大学 | 用于蓝藻监测及蓝藻水华预警的浮标 |
CN108645442A (zh) * | 2018-05-11 | 2018-10-12 | 天津大学 | 一种同步测量海洋物理、化学及生态参数的观测装置 |
CN109543356A (zh) * | 2019-01-07 | 2019-03-29 | 福州大学 | 考虑空间非平稳性的海洋内部温盐结构遥感反演方法 |
CN110909491A (zh) * | 2019-12-11 | 2020-03-24 | 新亚优华科技有限公司 | 一种基于风云气象卫星的海面盐度反演算法 |
US20220383102A1 (en) * | 2020-11-24 | 2022-12-01 | Our Kettle Inc. | Wildfire ignition prediction with swarm neural network ensemble |
CN113916808A (zh) * | 2021-09-02 | 2022-01-11 | 自然资源部第二海洋研究所 | 一种营养盐浓度的获得方法、装置、终端设备及存储介质 |
CN113946978A (zh) * | 2021-10-28 | 2022-01-18 | 中船海洋探测技术研究院有限公司 | 基于LightGBM模型的水下三维温盐并行预报方法 |
CN116312849A (zh) * | 2023-01-13 | 2023-06-23 | 中南大学 | 基于随机森林模型和卫星遥感的全覆盖甲烷浓度测算方法 |
CN117034778A (zh) * | 2023-08-28 | 2023-11-10 | 黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院) | 基于Hypergraph-Transformer结构反演地上生物量的方法 |
CN117093806A (zh) * | 2023-10-16 | 2023-11-21 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于遥感的全空间覆盖海上大气co2柱浓度计算方法 |
Non-Patent Citations (5)
Title |
---|
LIONEL AR TEAGA ET AL.: "Global monthly sea surface nitrate fields estimated from remotely sensed sea surface temperature, chlorophyll, and modeled mixed layer depth", G EOPHYSICAL RESEARCH LETTERS, 23 February 2015 (2015-02-23), pages 1130 - 1137 * |
R. PHILIBERT ET AL.: "A geographical and seasonal comparison of nitrogen uptake by phytoplankton in the Southern Ocean", OCEAN SCIENCE, vol. 11, 13 March 2015 (2015-03-13), pages 251 - 267 * |
余为 等: "赤道海域茎柔鱼栖息地月间分布及与环境因子的关联", 水产学报, vol. 46, no. 12, 31 December 2022 (2022-12-31), pages 2315 - 2329 * |
叶虎平 等: "斯里兰卡近海海洋生态环境变化遥感监测分析", 地球信息科学, vol. 22, no. 7, 31 July 2020 (2020-07-31), pages 1463 - 1475 * |
赵红;王成杰;: "基于SMOS卫星数据的海表面盐度模型", 海洋技术学报, no. 01, 15 February 2016 (2016-02-15), pages 15 - 22 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nerger et al. | Assimilation of SeaWiFS data into a global ocean-biogeochemical model using a local SEIK filter | |
Wang et al. | Integrating remote sensing-based process model with environmental zonation scheme to estimate rice yield gap in Northeast China | |
Wang et al. | Global ocean dimethyl sulfide climatology estimated from observations and an artificial neural network | |
Silsbe et al. | Variability of chlorophyll a and photosynthetic parameters in a nutrient‐saturated tropical great lake | |
Schallenberg et al. | Diel quenching of Southern Ocean phytoplankton fluorescence is related to iron limitation | |
Yin et al. | Evaluation of variation in background nitrous oxide emissions: A new global synthesis integrating the impacts of climate, soil, and management conditions | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
CN115099072B (zh) | 一种海洋生态动力学模型参数非线性优化方法 | |
CN115078262A (zh) | 一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法 | |
Feng et al. | Performance of the improved two-source energy balance model for estimating evapotranspiration over the heterogeneous surface | |
MacBean et al. | Quantifying and reducing uncertainty in global carbon cycle predictions: Lessons and perspectives from 15 years of data assimilation studies with the ORCHIDEE terrestrial biosphere model | |
Hernández‐Almeida et al. | Estimation of physiological factors controlling carbon isotope fractionation in coccolithophores in photic zone and core‐top samples | |
Gnanamoorthy et al. | Seasonal variation of methane fluxes in a mangrove ecosystem in south India: An eddy covariance-based approach | |
Liu et al. | Chlorophyll a estimation in lakes using multi-parameter sonde data | |
Jin et al. | Research on the rice fertiliser decision-making method based on UAV remote sensing data assimilation | |
Zeng et al. | Long-term dynamics and drivers of particulate phosphorus concentration in eutrophic lake Chaohu, China | |
Vernet et al. | Measuring and modeling primary production in marine pelagic ecosystems | |
CN117571641A (zh) | 一种海表硝酸盐浓度分布检测方法 | |
Hood et al. | Remote estimation of nitrogen fixation by Trichodesmium | |
Euskirchen et al. | Assessing dynamic vegetation model parameter uncertainty across Alaskan arctic tundra plant communities | |
Rochelle-Newall et al. | Artificial neural network analysis of factors controlling ecosystem metabolism in coastal systems | |
CN113155751B (zh) | 富营养化湖泊poc垂向结构类型的遥感识别方法 | |
Harel et al. | Fine scale assessment of seasonal, intra-seasonal and spatial dynamics of soil CO2 effluxes over a balsam fir-dominated perhumid boreal landscape | |
Liu et al. | Three-dimensional observations of particulate organic carbon in shallow eutrophic lakes from space | |
Sorensen et al. | Variability of the effective quantum yield for carbon assimilation in the Sargasso Sea |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |