CN117688847B - 基于控制机制及机器学习的海气氧通量遥感反演方法 - Google Patents

基于控制机制及机器学习的海气氧通量遥感反演方法 Download PDF

Info

Publication number
CN117688847B
CN117688847B CN202410148555.4A CN202410148555A CN117688847B CN 117688847 B CN117688847 B CN 117688847B CN 202410148555 A CN202410148555 A CN 202410148555A CN 117688847 B CN117688847 B CN 117688847B
Authority
CN
China
Prior art keywords
sea
oxygen
flux
oxygen flux
remote sensing
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.)
Active
Application number
CN202410148555.4A
Other languages
English (en)
Other versions
CN117688847A (zh
Inventor
白雁
张异凡
何贤强
李腾
龚芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Second Institute of Oceanography MNR
Original Assignee
Second Institute of Oceanography MNR
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Second Institute of Oceanography MNR filed Critical Second Institute of Oceanography MNR
Priority to CN202410148555.4A priority Critical patent/CN117688847B/zh
Publication of CN117688847A publication Critical patent/CN117688847A/zh
Application granted granted Critical
Publication of CN117688847B publication Critical patent/CN117688847B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Data Mining & Analysis (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种基于控制机制及机器学习的海气氧通量遥感反演方法，其特征在于，包括：获取海气氧通量实测数据以及环境参数卫星遥感数据；对海气氧通量的主要控制过程的参数化解析；筛选输入输出参数和数据驱动模型；基于筛选得到的最优输入输出参数、最优数据驱动模型和海气氧通量实测数据得到氧通量反演模型；将环境参数卫星遥感数据输入氧通量反演模型得到海气氧通量结果。得到输入数据库和清晰的调控机制，达到将通过反演模型和卫星遥感数据精确反演海气氧通量的目的。

Description

基于控制机制及机器学习的海气氧通量遥感反演方法
技术领域
本发明属于海洋监测技术领域，尤其是涉及一种基于控制机制及机器学习的海气氧通量遥感反演方法。
背景技术
全球典型氧汇南大洋高纬度海域（58°S以南），在全球变暖的驱动下正在持续脱氧。该区域的脱氧海水将随经向翻转流输送至全球中层海洋，挤压全球海洋生物的生存空间。受到数据来源、区域划分与参数化模型调试不同的影响，目前南大洋高纬度海域氧汇的量化仍然具有很大的不确定性，研究结果差异在一倍以上（-3.1至-6.4 mol m-2 yr-1）。
在传统原位数据采集方面，因为南大洋高纬度海域常年海冰覆盖的恶劣气候特征，航测采集的难度和成本均非常高，无法实现高时空覆盖，尤其是南半球冬季，海冰覆盖的情况使得原位采样难度大幅增加。
随着传感器和浮标的发展，2012年后已有生物地球化学浮标（BGC-Argo）在南大洋海域布放运行，为提供了更多的实测数据，但是，受制于浮标的不可控漂移、布放密度和时间等问题，造成代表性不足，年代际变化空缺等情况仍无法避免。
随着高时空分辨率遥感卫星技术的发展，使得对于南大洋高纬度海气氧通量高时空分辨率状况监测以及历史数据重建成为可能。但是，溶解氧作为水体非光学活性水质相关参数与卫星光谱信号的联系并不明显，通常难以根据卫星光谱信号对此类参数进行遥感识别。
当前，基于数据驱动的海洋溶解氧反演模型也迅速发展，但存在依赖输入数据库和不清晰的调控机制等问题。基于控制机制的半解析算法（MeSAA）很好的解决了上述问题，但该算法并未应用到氧气的反演模型中，目前多应用于二氧化碳的反演模型构建，在海洋生态系统中O2与CO2的产生与消耗有很大程度上是同时发生的，针对海洋表层二氧化碳分压和海气二氧化碳通量的MeSAA模型已较为成熟（Bai et al., 2015；Song et al., 2016；Yu et al., 2023；Song et al., 2023）。
文献1（Bai Y, Cai W J, He X, et al. A mechanistic semi‐analyticalmethod for remotely sensing sea surface p CO 2 in river‐dominated coastaloceans: A case study from the E ast C hina S ea[J]. Journal of GeophysicalResearch: Oceans, 2015, 120(3): 2331-2349.）主要描述了通过MeSAA反演算法构建东海海气二氧化碳通量，首次完整提出基于控制机制的非光学活性参数的卫星反演算法，理论基础在于其对海洋表层二氧化碳分压的温度效应、生物效应和混合效应的参数化：温度效应来自于热力学对海表二氧化碳分压影响的近似指数关系；生物效应来自于基于原位实测二氧化碳分压与基于卫星的海洋表层叶绿素浓度建立的一般关系，具有区域独特性；混合效应来自于端元混合模型解析或同效果指示参数（如同纬度温度差），但该算法仅适用于东海，文献2（Yu S, Song Z, Bai Y, et al. Satellite-estimated air-sea CO2 fluxesin the Bohai Sea, Yellow Sea, and East China Sea: Patterns and variationsduring 2003–2019[J]. Science of The Total Environment, 2023, 904: 166804.）和文献3（Song Z, Yu S, Bai Y, et al. Construction of a high spatiotemporalresolution dataset of satellite-derived pCO2 and air-sea CO2 flux in theSouth China Sea (2003-2019)[J]. IEEE Transactions on Geoscience and RemoteSensing, 2023.）则是在文献1的基础上，扩充原始模型构建数据集，并引入机器学习算法对模型进行优化训练，得到全中国海时间空间覆盖率最高的海气二氧化碳通量数据集，但该模型仍然仅适用于区域性的二氧化碳通量。文献4（Song X, Bai Y, Cai W J, et al.Remote Sensing of Sea Surface p CO2 in the Bering Sea in Summer Based on aMechanistic Semi-Analytical Algorithm (MeSAA)[J]. Remote Sensing, 2016, 8(7):558.）是将MeSAA反演应用于高纬度海域即北极白令海的二氧化碳通量反演中，其同样是基于海气二氧化碳收支的主要控制过程参数化，局限性表现为该算法仅适用于北极白令海的海气二氧化碳通量，对其他非光学活性参数无法进行反演，而且构建模型使用的是简单的数学计算方法。
发明内容
针对现有技术中存在的问题，本发明提供了一种基于控制机制及机器学习的海气氧通量遥感反演方法，至少部分的解决现有技术中不能应用于氧气反演的问题。
本公开实施例提供了一种基于控制机制及机器学习的海气氧通量遥感反演方法，包括：
获取海气氧通量实测数据以及环境参数卫星遥感数据；
对海气氧通量的主要控制过程的参数化解析；
筛选输入输出参数和数据驱动模型；
基于筛选得到的最优输入输出参数、最优数据驱动模型和海气氧通量实测数据得到氧通量反演模型；
将环境参数卫星遥感数据输入氧通量反演模型得到海气氧通量结果。
可选的，所述海气氧通量实测数据来自生物地球化学浮标和全球实测数据集。
可选的，所述获取海气氧通量实测数据，包括对海气氧通量进行计算，
海气氧通量基于海气界面扩散、小型气泡溶解和破碎的大型气泡溶解计算得到。
可选的，海气界面扩散由实际测量的溶解氧浓度与饱和溶解氧浓度之差计算所得，通量为正表明海洋表层损失氧气到大气，通量为负表明氧气进入海洋表层；
，
其中，为海气界面扩散，/>是空气侧摩擦速度，由阻力系数和风速进行计算；/>是氧气的施密特数，由海表面温度计算所得，/>为实测溶解氧浓度，/>为饱和溶解氧浓度。
可选的，小型气泡溶解为气泡的完全破碎过程，
，
其中，为小型气泡溶解，/>为大气中氧的摩尔分数，/>为海水侧摩擦速率。
，
其中，为大型气泡溶解，/>为在海洋表层以下，由于高风速引起的破碎波的作用所引起的气泡承受压力的变化量。
可选的，所述对海气氧通量的主要控制过程的参数化解析，包括：热力学控制过程的参数化解析、生物活动控制过程的参数化解析和除了热力学和生物过程影响的剩余过程的解析。
可选的，筛选的数据驱动模型，包括：
通过皮尔逊相关性检验验证输入参数和输出参数之间的统计相关性，对径向基神经网络、卷积神经网络、长短期记忆网络、反向传播神经网络、支持向量机、遗传编程和随机森林数据驱动常用模型进行测试。
可选的，得到最优数据驱动模型为随机森林。
可选的，最优输入输出参数中，输入参数包括海表面温度，盐度数据，风速和浮游植物净溶解氧的改变量，输出参数包括溶解氧改变量。
本发明提供的基于控制机制及机器学习的海气氧通量遥感反演方法，通过对海气氧通量的主要控制过程的参数化解析，筛选输入输出参数和数据驱动模型，从而构建适合的氧通量反演模型，并基于环境参数卫星遥感数据和氧通量反演模型得到海气氧通量结果。得到输入数据库和清晰的调控机制，达到将通过反演模型和卫星遥感数据精确反演海气氧通量的目的。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例中，相同的参考标号通常代表相同部件。
图1为本公开实施例提供的海-气氧通量遥感反演算法构建流程图；
图2为本公开实施例提供的反演模型训练数据示意图，（a）为训练数据集，（b）为独立验证数据集的实测氧通量和卫星反演氧通量的散点密度图比较，（c）为卫星反演氧通量和实测氧通量的比较，实测氧通量数据用蓝色圆圈表示，而训练和验证的卫星反演氧通量数据分别用橙色和黄色圆点表示；
图3为本公开实施例提供的验证示意图，（a）GLODAP验证数据集原位和卫星反演的氧通量的散点密度图，（b）卫星反演氧通量和实测氧通量的比较。实测氧通量数据用蓝色圆圈表示，卫星反演氧通量以绿色圆点表示；
图4为本公开实施例提供的2003至2019年海-气氧通量气候态季节平均分布特征示意图，（a）夏季，包括12月、1月和2月，（b）秋季，包括三月、四月、五月，（c）冬季，包括六月、七月和八月，（d）春季，包括九月、十月和十一月。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
应当明确，以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图示中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
如图1所示，本实施例公开一种基于控制机制及机器学习的海气氧通量遥感反演方法，包括：
获取海气氧通量实测数据以及环境参数卫星遥感数据；
对海气氧通量的主要控制过程的参数化解析；
筛选输入输出参数和数据驱动模型；
基于筛选得到的最优输入输出参数、最优数据驱动模型和海气氧通量实测数据得到氧通量反演模型；
将环境参数卫星遥感数据输入氧通量反演模型得到海气氧通量结果。
海气氧通量实测数据来自生物地球化学浮标和全球实测数据集。
获取海气氧通量实测数据，包括对海气氧通量进行计算，
海气氧通量基于海气界面扩散、小型气泡溶解和破碎的大型气泡溶解计算得到。
海气界面扩散由实际测量的溶解氧浓度与饱和溶解氧浓度之差计算所得，通量为正表明海洋表层损失氧气到大气，通量为负表明氧气进入海洋表层；
，
其中，为海气界面扩散，/>是空气侧摩擦速度，由阻力系数和风速进行计算；/>是氧气的施密特数，由海表面温度计算所得，/>为实测溶解氧浓度，/>为饱和溶解氧浓度。
小型气泡溶解为气泡的完全破碎过程，
，
其中，为小型气泡溶解，/>为大气中氧的摩尔分数，/>为海水侧摩擦速率。
，
其中，为大型气泡溶解，/>为在海洋表层以下，由于高风速引起的破碎波的作用所引起的气泡承受压力的变化量。
对海气氧通量的主要控制过程的参数化解析，包括：热力学控制过程的参数化解析、生物活动控制过程的参数化解析和除了热力学和生物过程影响的剩余过程的解析。
筛选的数据驱动模型，包括：通过皮尔逊相关性检验验证输入参数和输出参数之间的统计相关性，对径向基神经网络、卷积神经网络、长短期记忆网络、反向传播神经网络、支持向量机、遗传编程和随机森林数据驱动常用模型进行测试。
得到最优数据驱动模型为随机森林。
最优输入输出参数中，输入参数包括海表面温度，盐度数据，风速和浮游植物净溶解氧的改变量，输出参数包括溶解氧改变量。
针对海洋-大气界面氧气交换的控制因子和主导过程的解析是构建本实施中反演模型的重要基础。目前针对全球和南大洋上层水体脱氧的复杂耦合过程已经有一定的积累且在持续发展中，首先是源于海洋变暖诱发的溶解度、层化、生物活动和由此产生的生地化反馈，其次包括环流、营养盐以及碳氢化合物的变化等这些因素很可能与海洋变暖有关，但他们之间复杂而多变的关系尚不确定，且更多是针对1000 m以浅的上层水体开展，并非完全聚焦海气界面。结合MeSAA-CO2的解析过程和上层海洋氧收支的已知过程，本实施中提取热力学、生物和水动力三个参数化过程，此外，同时必须考虑的另一个因素是各个过程相参数化后能否通过现有的卫星遥感产品进行计算，以此保证模型的可行性。
该基于控制机制量化解析与数据驱动算法融合（MeSAA-ML-OF）的氧通量反演模型的构建关键步骤主要由实测海气界面氧通量的计算，以及该通量三部分参数化解析组成：
海-气界面氧通量的计算：与CO2不同，O2属于相对不溶性气体，没有缓冲体系，气泡对海-气界面氧通量的扰动是不能被忽略不计的，然而对气泡贡献量以及氧通量风速函数的参数化方法都处于发展中。本实施例以氮气调整气泡贡献的上层海洋混合层模型进行南大洋高纬度海域海-气氧通量的计算，即海-气O2交换通量（Fas）为海-气界面扩散（Fdiffuse），完全破碎的小型气泡溶解（Fbubble），以及部分破碎的大型气泡溶解（FLbubble）三者总和。
Fas = Fdiffuse + Fbubble + FLbubble，
其中，海-气界面扩散（Fdiffuse）由实际测量的溶解氧浓度与饱和溶解氧浓度之差计算所得，通量为正表明海洋表层损失氧气到大气，通量为负表明氧气进入海洋表层：
，
其中，是空气侧摩擦速度，由阻力系数和风速进行计算；ScO2是氧气的施密特数，由海表面温度（Sea surface temperature，SST）计算所得；DOobs为实测溶解氧浓度，DOsat为饱和溶解氧浓度，由温度和盐度计算所得。小型气泡溶解（Fbubble）为气泡的完全破碎过程，即将气泡中的气体全部输入进入海洋水体当中，表征为风速的函数，与溶解氧的饱和状态无关：
，
其中，XO2是大气中氧的摩尔分数，为海水侧摩擦速率，由/>进行计算。0.29为用于通量参数化与浮标观测之间产生最佳拟合的调谐参数，是通过与定点海洋监测站（Ocean Station Papa，OSP）的氮气（N2）数据进行比较而确定的。大型气泡溶解（FLbubble）与海水环境中O2的饱和程度有关，因为大型气泡在注入海水的过程中并不会完全破碎溶解，而是部分被破坏后上浮离开海表：
，
其中，Δp是在海洋表层以下，由于高风速引起的破碎波的作用所引起的气泡承受压力的变化量。最后，考虑到南大洋高纬度海冰的存在，将海气氧通量按照海冰覆盖（SI）情况进行线性缩放：
Foxygen = (1-SI) Fas，
海气界面氧通量不同控制过程的参数化解析由3部分组成：
（1）热力学控制过程的参数化解析：海洋温度的改变将直接对海气界面氧通量产生影响。O2溶解度与温度的关系通常用勒夏特列原理（Le Chatelier’s principle）来解释，该原理指出，一个处于压力下的系统（例如，过剩的热量）将有一个平衡转移来缓解压力，氧气的溶解度随海洋变暖而降低，这一部分由热效应影响下的氧通量记作热力学分量，（thermal flux，Fthe）可通过如下方法计算：
，
其中，Q为海洋表面的总热通量，包括利用NCEP/DOE Reanalysis II计算的地表潜热、感热、净短波辐射(太阳辐射)和净长波辐射(辐射热)；Cp为海水的热容（heat capacityof seawater）；为氧溶解度对温度的依赖关系（the temperature derivativeof oxygen solubility）。
（2）生物活动控制过程的参数化解析：生物过程并不是独立的给海气界面氧通量施加影响，而是受到当地环境变化（如气候变暖等）影响下的综合响应，温度升高或降低会导致新陈代谢速率加快或减缓，进而导致浮游植物的限制性营养物质发生变化，光合作用产氧效率两种情况下均可能会降低，但同时有研究表明浮游植物本身具有一定的热适应能力，目前浮游植物产氧/耗氧的准确研究仍存在大量未明确的部分，因此，生物活动的参数化选择中，要求该参数可以较为全面的指代整个生物群落活动（包括浮游植物光合作用和生物呼吸作用等）引起的净溶解氧变化量。综上，海洋氧通量变化的生物过程参数化选择以生态系统净生产力（NCP）进行指征。NCP定义为稳态条件下，生态系统内浮游植物光合作用释放氧气和呼吸作用等消耗氧气的净结果，即指定生态系统在已知环境因素中产生的溶解氧改变量（biological flux，Fbio）。基于2008至2014年的原位O2/Ar-NCP实际测定结果，已有研究分别在南大洋的陆架区域，离岸区域和近岸区域得到了实测NCP与基于卫星来源的叶绿素浓度之间的相关系数，本实施例采用所有区域系数斜率和截距的平均值：
，
（3）除了热力学和生物过程影响的剩余过程的解析：最后，需要对除了热力学和生物过程影响的氧通量变化量进行解析，基于前述氧收支过程，这里包括了水生动物的呼吸消耗、化合物的氧化还原以及水团的涌升和运输等，本实施例中将其称为hydrodynamicand others flux，以下标h&o表示。然而目前没有将上述过程准确解析的经验方法，因此，尝试计算出水动力过程影响下的氧通量变化量（Fh&o）和溶解氧改变量（ΔOh&o）并在随后引入数据驱动算法完成这一过程的参数化。
Fh&o = Fas - Fthe – Fbio，
，
需要注意的是，考虑到反演的可行性，需要保证每一项参数可以通过现有的卫星遥感产品进行计算，因为大型气泡的部分溶解不仅仅是风速的函数，还涉及到原位实时的氧饱和程度，无法通过现有卫星遥感产品直接计算，因此将Fbubble纳入Fh&o中参与后续数据驱动算法构建中。
本实施例在反演模型输入参数的筛选囊括标准卫星/模式产品（温度、盐度、风速、叶绿素）与基于氧的生物地球化学过程拆解的可通过遥感计算的分量，包括基于更高覆盖度的卫星叶绿素数据计算的NCP，生物过程影响下的氧通量变化（Fbio），以及基于NCEP热通量计算的仅热力学影响下的氧通量变化，即热力学分量（Fthe），通过数据驱动算法测试共计19种不同输入参数组合的实验，最终得出最佳实验组为以实测氧通量为目标参数，以基于卫星来源的海表面温度（SST）、风速（WS）、Fthe和Fbio为输入参数。在数据驱动方法上，基于最优输入参数实验组，测试径向基神经网络、卷积神经网络、长短期记忆网络、反向传播神经网络、支持向量机、遗传编程和随机森林共7种方法，得出最优方法为随机森林实验组。由此，本实施例得到南大洋高纬度海域的最佳输入参数与氧通量反演模型。在反演模型验证上，采用南大洋高纬度海域的生物地球化学浮标（BGC-Argo）实测数据集随机的60%（n=1180）用于反演模型训练，其余40%（n=786）为BGC-Argo实测数据验证集，两者相互独立，结果显示，结果显示为R=0.75，RMSE=8.90 mol m-2 yr-1，p<0.01（n=786），整体评价结果R=0.84 RMSE=6.99 mol m-2 yr-1（p<0.01, n=1966）。此外，本实施例还通过全球海洋数据分析项目第2版数据集（GLODAP v2）实测溶解氧数据对反演模型进行了双重验证，其最优输入参数实验组与基于BGC-Argo数据集得出的最优组一致，验证结果显示为R=0.62，RMSE=9.51mol m-2 yr-1，p<0.01（n=960）。
该实施例主要分为三个部分，首先，在前述参数化解析的基础上，筛选反演海气界面氧交换通量的最优输入输出参数；其次，在最优输入输出参数的基础上测试7种机器学习算法，筛选出最优模型；最后，以两个独立于模型构建的验证数据集对本发明算法进行双重验证。具体如下：
（1）输入输出参数筛选：基于前述海-气氧通量变化机理和计算，反演模型的输入参数包括两类，即基础参数SST，SSS，WS和Chla，以及解析参数Fthe和Fbio；输出参数包括ΔOh&o，Fh&o和Fas，在此基础上以同一个数据驱动算法（此处采用反向传播神经网络）测试不同输入/输出参数4组共计19个实验组的输出性能。其中，实验组群 1 至 3 输入参数均为基础参数，实验组群 1（包括 组 1-5）输出目标为ΔOh&o，实验组群 2（包括 组 6-10）输出目标为Fh&o，实验组群 3（包括 组 10-15）输出目标为Fas，实验组群 4（包括 组 16-19）输入参数同时包括基础参数和解析参数，输出参数采用前面3个实验组群所得的最优项。将来基于BGC-Argo实测数据计算所得的氧通量数据集随机分为两部分，其中60%（n=1180）用于反演模型训练，即建模数据集，其余40%（n=786）用于反演模型验证，即卫星反演验证集，二者相互独立。
测试结果显示，在输入参数均为基础参数的情况下，即实验组群 1 和 2中，输入参数选择SST，SSS，WS和Chla，输出参数为ΔOh&o是最优组（表1, 组5），卫星反演验证集评价结果为R=0.74, RMSE=11.04 μmol kg-1（p<0.01, n=786）。基于该最优组间接计算至Fh&o整体数据集评价结果为R=0.63 RMSE=8.25 mol m-2 yr-1（p<0.01, n=1965），该结果优于实验组群 2的验证和整体评价结果，即以Fh&o为直接输出参数的实验组（表2, 组 6-10）。
表1、MeSAA-ML-OF反演模型输入/输出参数筛选实验组群 1：输入基础参数，输出ΔOh&o
续表1：
续表1和表1为一个整体，因页面不能完全显示，放到两个表格中，两个表格中的组代表同一个组，及表1中的1组和续表1中的1组为同一组。表1中建模数据集1179而非1180的原因在于在建模时舍去了ΔOh&o中的异常点，该异常点来自于相对较高的Chla计算得出相对较高的Fbio（这里对应计算的Fh&o并未发生明显偏移），同时极端低风速（WS<1）在逆向运算时将其进一步放大，导致仅这一个采样点出现巨大偏移，为了保证模型的稳定性，我们在输出目标为ΔOh&o时，对该点进行删除，但其他输出目标不做删除。
表2、MeSAA-ML-OF反演模型输入/输出参数筛选实验组群 2：输入基础参数，输出Fh&o。
然而，实验组群 3即以Fas为直接输出参数时，其反演效果要优于组 5间接计算至Fas（表3, 组 11-15），由此，得到相对更优的输出目标参数为Fas。在此基础上，对输入参数进行进一步优化筛选，增加解析参数（Fthe和Fbio）相较于仅输入基础参数有比较明显的提升，如表4所示：增加Fthe会明显提升模型反演效果（如组 16和17组对比，组 18和19组对比）；Chla和Fbio在本模型中均用于指征浮游植物净溶解氧的改变量，以Fbio替换Chla表现更佳（如组 14和16组对比, 组15和18组对比）。综上，我们考虑以SST、WS、Fthe和Fbio作为输入参数，Fas为输出参数时，构建的反演模型表现最佳（表4, 组 17）。
表3、MeSAA-ML-OF反演模型输入/输出参数筛选实验组群 3：输入基础参数，输出Fas
表4、MeSAA-ML-OF反演模型输入/输出参数筛选实验组群 4：输入基础参数和解析参数，输出Fas
（2）数据驱动模型筛选：基于相同的训练和验证数据集，选择上述最优组组 17同样的输入和输出参数，通过皮尔逊相关性检验验证了输入参数SST、WS、Fthe和Fbio与输出参数Fas之间的统计相关性，对径向基神经网络（Radial Basis Function Neural Network，RBF）、卷积神经网络（Convolutional Neural Networks，CNN）、长短期记忆网络（LongShort-Term Memory，LSTM）、反向传播神经网络（Back-propagation Neural Networks，BP）、支持向量机（Support vector regression，SVR）、遗传编程（Genetic programming，GP）和随机森林（Random forest，RF）等7种数据驱动常用模型进行了统一测试，如表5所示，结果显示随机森林表现为7种模型中的最佳选择，验证集评价结果R=0.75 RMSE=8.90 molm-2 yr-1（p<0.01, n=786），整体评价结果R=0.84 RMSE=6.99 mol m-2 yr-1（p<0.01, n=1966），如图2所示。RF是一种由多个复杂变量组成的输出预期目标的集成算法，它可以迭代多个加权回归树以提高模型性能。RF并非完全的“黑盒”技术，在算法构建过程中，可以通过输入参数的重要性用来推断约束目标参数的某些潜在机制。RF是使用Matlab中Statisticsand Machine Learning Toolbox的“TreeBagger”函数实现的，决策树的数量和最小叶大小分别设置为100和5。相较于单层神经网络算法，随机森林算法在处理复杂过程或多维度数据时通常具有更好的预测精度。
表5、固定输入/输出参数，比较7种常见数据驱动方法
（3）算法双重独立验证：首先，在得出RF为本研究最优方法后，对输入参数的筛选进行二次验证（表6 和 7）。验证结果显示，相同输入/输出参数设置下，RF每一组的结果表现基本都优于BP（如组 21和11对比等等）；与BP表现结果相似，输入参数增加解析参数（Fthe和Fbio）相较于仅输入基础参数有比较明显的提升，尤其是增加the会明显提升模型反演效果（如组 26和27对比，组 28和29对比）。与BP不同的是，RF的组 27（与BP最优的组 17相同输入参数）在高值区反演结果会出现极端值偏低，低值区出现极端值偏高的现象，当输入参数增加SSS即盐度数据后，反演结果整体表现有一点点提升（组 29），因此，在建模时需要考虑海水环流在极端风场或生物活动影响下的异常强烈/缓慢的水体混合过程导致的氧通量变化，海表面盐度也许可以对该过程进行一定程度的指征。此时，得出组29，即输入项选择SST、SSS、WS、Fthe和Fbio，输出项为实测Fas的反演结果最佳，但是在本研究中，受制于盐度产品的精度问题，组29和组27对比可知，增加SSS后的优化效果并不明显。
表6、 MeSAA-ML-OF RF反演模型输入参数筛选二次验证，输入基础参数，输出Fas
表7、MeSAA-ML-OF RF反演模型输入参数筛选二次验证，输入基础参数和解析参数，输出Fas
其次，在用Argo数据集进行验证的同时，也用GLODAP数据集的bottle溶解氧数据对本实施例的MeSAA-ML-OF反演模型进行了验证。测试GLODAP实测氧通量与MeSAA-ML-OF反演的氧通量结果，输入参数选择与组 21-29相同，同时调用对应的RF模型进行验证。验证结果显示，与BP和RF测试输入参数的实验结果表现相似，输入参数增加解析参数（Fthe和Fbio）相较于仅输入基础参数有比较明显的提升，如表8所示，尤其是增加the会明显提升模型反演效果（如组 36和37对比，组 38和39对比）。BP和RF的最优组，即组 17和27，组 19和29，与GLODAP验证结果对比，同样是组 37和39结果明显R更高，RMSE更低，其中组 37表现略优于组 39，BP最佳也是组 17组，RF中组 27和29相差很小。综上，以SST、WS、Fthe和Fbio作为输入参数，RF为数据驱动模型，验证集评价结果R=0.62 RMSE=9.51 mol m-2 yr-1（p<0.01, n=960，如图3所示），可见建立的模型具有较高的准确性。
表8 、基于GLODAP实测数据集的MeSAA-ML-OF RF反演模型验证
本实施例中所提出的海-气氧通量卫星反演算法是首个基于控制机制进行参数化解析的溶解氧反演算法，而且是首次将数据驱动算法与溶解氧控制机制进行了融合，最大限度的提高了海气氧通量反演的精度。相较于传统的航行采样和浮标采样，本发明算法具有更高的时间空间覆盖范围和覆盖密度，通过高分辨率的卫星温度、风速、叶绿素和热通量数据就可以实现对南大洋高纬度海域氧收支变化的监测，从而为全球中深层海洋的重要氧汇即南极洲海域过去乃至未来脱氧与否及其强度变化等提供科学的解析方法和高时空分辨率的数据支撑。
本实施例提供的方法基于高分辨率卫星采集的遥感数据和浮标实测数据，利用控制机制的参数化解析，并将其与数据驱动方法融合，构建了海气界面氧交换通量的卫星反演模型，能够遥感监测海洋与大气之间的非光学活性参数即氧气的交换速率，解决了传统方法需要大型破冰船只实地采集水样进行检测、耗费大量人力物力财力的弊端，通过高分辨率遥感数据即可对高纬度的开阔海域进行氧汇强度的评估和历史变化的追溯分析，并且可以对过去历史近20年每一个季节的连续变化进行重建，如图4所示，有助于评估和预测区域生态系统和全球中深层海洋的稳定性，对水生生物生存发展以及渔业经济的可持续性具有重要意义。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
在本公开中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
另外，如在此使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，以便例如“A、B或C的至少一个”的列举意味着A或B或C，或AB或AC或BC，或ABC（即A和B和C）。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
还需要指出的是，在本公开的系统和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外，本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而，所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (9)

1.一种基于控制机制及机器学习的海气氧通量遥感反演方法，其特征在于，包括：
获取海气氧通量实测数据以及环境参数卫星遥感数据；
对海气氧通量的主要控制过程的参数化解析；
筛选输入输出参数和数据驱动模型；
基于筛选得到的最优输入输出参数、最优数据驱动模型和海气氧通量实测数据得到氧通量反演模型；
将环境参数卫星遥感数据输入氧通量反演模型得到海气氧通量结果；并且，
上述氧通量反演模型的构建包括实测海气界面氧通量的计算、海气界面氧通量3种控制过程的参数化解析；其中，
实测海气界面氧通量的计算：考虑到南大洋高纬度海冰的存在，海气界面氧通量Foxygen通过下面公式计算获得：
Foxygen＝(1-SI)Fas
其中，
Fas＝Fdiffuse+Fbubble+FLbubble
Fdiffuse＝1.3×10-4×Ua *(Sc02/660)-0.5×(DOobs-DOsat)
Fbubble＝-5.56×0.29×(Uw *)3.86×02
FLbubble＝5.5×(Uw *)2.76(Sc02/660)-2/3×0.29×[(1+Δp)×DOsat-DOobs]
式中，Fas为海-气O2交换通量，Fdiffuse为海-气界面扩散，Fbubble为完全破碎的小型气泡溶解，FLbubble为部分破碎的大型气泡溶解，Ua *为空气侧摩擦速度，ScO2是氧气的施密特数，DOobs为实测溶解氧浓度，DOsat为饱和溶解氧浓度，XO2是大气中氧的摩尔分数，Uw *为海水侧摩擦速率，Δp为在海洋表层以下由于高风速引起的破碎波的作用所引起的气泡承受压力的变化量；SI为海冰覆盖情况；
海气界面氧通量3种控制过程的参数化解析分别指的是热力学控制过程的参数化解析、生物活动控制过程的参数化解析、除了热力学和生物过程影响的剩余过程的解析；其中，
热力学控制过程的参数化解析：热效应影响下的氧通量Fthe通过如下公式获得：
式中，Q为海洋表面的总热通量，Cp为海水的热容，为氧溶解度对温度的依赖关系；
生物活动控制过程的参数化解析：指定生态系统在已知环境因素中产生的溶解氧改变量Fbio通过下面公式获得：
Fbio≈NCP＝10^(0.75*IgChla+1.33)
式中，NCP为生态系统净生产力，Chla为浮游植物净溶解氧的改变量；
除了热力学和生物过程影响的剩余过程的解析：即水动力过程影响下的氧通量变化量Fh&o和溶解氧改变量ΔOh&o通过下面公式获得：
Fh&o＝Fas-Fthe–Fbio，
△Oh&o＝Fh&o/[1.3×10-4×Ua *(Sc02/660)-0.5]。
2.根据权利要求1所述的基于控制机制及机器学习的海气氧通量遥感反演方法，其特征在于，所述海气氧通量实测数据来自生物地球化学浮标和全球实测数据集。
3.根据权利要求1所述的基于控制机制及机器学习的海气氧通量遥感反演方法，其特征在于，所述获取海气氧通量实测数据，包括对海气氧通量进行计算，
海气氧通量基于海气界面扩散、小型气泡溶解和破碎的大型气泡溶解计算得到。
4.根据权利要求3所述的基于控制机制及机器学习的海气氧通量遥感反演方法，其特征在于，海气界面扩散由实际测量的溶解氧浓度与饱和溶解氧浓度之差计算所得，通量为正表明海洋表层损失氧气到大气，通量为负表明氧气进入海洋表层；
Fdiffuse＝1.3×10-4×Ua *(ScO2/660)-0.5×(DOobs-DOsat)，
其中，Fdiffuse为海气界面扩散，Ua *是空气侧摩擦速度，由阻力系数和风速进行计算；ScO2是氧气的施密特数，由海表面温度计算所得，DOobs为实测溶解氧浓度，DOsat为饱和溶解氧浓度。
5.根据权利要求4所述的基于控制机制及机器学习的海气氧通量遥感反演方法，其特征在于，小型气泡溶解为气泡的完全破碎过程，
Fbubble＝-5.56×0.29×(Uw *)3.86XO2，
其中，Fbubble为小型气泡溶解，XO2为大气中氧的摩尔分数，Uw *为海水侧摩擦速率。
6.根据权利要求5所述的基于控制机制及机器学习的海气氧通量遥感反演方法，其特征在于，
FLbubble＝5.5×(Uw *)2.76(ScO2/660)-2/3×0.29×[(1+Δp)×DOsat-DOobs]，
其中，FLbubble为大型气泡溶解，Δp为在海洋表层以下，由于高风速引起的破碎波的作用所引起的气泡承受压力的变化量。
7.根据权利要求1所述的基于控制机制及机器学习的海气氧通量遥感反演方法，其特征在于，筛选的数据驱动模型，包括：
通过皮尔逊相关性检验验证输入参数和输出参数之间的统计相关性，对径向基神经网络、卷积神经网络、长短期记忆网络、反向传播神经网络、支持向量机、遗传编程和随机森林数据驱动常用模型进行测试。
8.根据权利要求7所述的基于控制机制及机器学习的海气氧通量遥感反演方法，其特征在于，得到最优数据驱动模型为随机森林。
9.根据权利要求1所述的基于控制机制及机器学习的海气氧通量遥感反演方法，其特征在于，最优输入输出参数中，输入参数包括海表面温度，盐度数据，风速和浮游植物净溶解氧的改变量，输出参数包括溶解氧改变量。
CN202410148555.4A 2024-02-02 2024-02-02 基于控制机制及机器学习的海气氧通量遥感反演方法 Active CN117688847B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410148555.4A CN117688847B (zh) 2024-02-02 2024-02-02 基于控制机制及机器学习的海气氧通量遥感反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410148555.4A CN117688847B (zh) 2024-02-02 2024-02-02 基于控制机制及机器学习的海气氧通量遥感反演方法

Publications (2)

Publication Number Publication Date
CN117688847A CN117688847A (zh) 2024-03-12
CN117688847B true CN117688847B (zh) 2024-05-31

Family

ID=90137490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410148555.4A Active CN117688847B (zh) 2024-02-02 2024-02-02 基于控制机制及机器学习的海气氧通量遥感反演方法

Country Status (1)

Country Link
CN (1) CN117688847B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104502001A (zh) * 2014-12-31 2015-04-08 中国科学院南海海洋研究所 一种海洋湍流热通量仪及其使用方法
CN108038351A (zh) * 2017-12-06 2018-05-15 武汉大学 一种基于遥感影像和水生态模型的叶绿素计算方法
CN109212152A (zh) * 2018-10-16 2019-01-15 天津科技大学 一种海洋近底边界层溶解氧通量测量方法
CN114819150A (zh) * 2022-06-28 2022-07-29 自然资源部第二海洋研究所 一种极地海洋冬季初级生产力遥感反演方法
CN116008267A (zh) * 2022-12-09 2023-04-25 自然资源部第二海洋研究所 海洋叶绿素a浓度三维分布反演方法、终端及介质
CN116625327A (zh) * 2023-07-24 2023-08-22 海南智慧海事科技有限公司 一种大数据驱动的海洋环境监测与预警方法
CN117030957A (zh) * 2023-07-10 2023-11-10 中山大学 近海营养盐和化学需氧量的遥感反演方法及系统
KR102608357B1 (ko) * 2022-10-05 2023-12-01 울산과학기술원 위성 기반 해수면 염분 데이터와 해양 수치 모델 기반 해수면 염분 데이터를 머신러닝 모델에 적용하여 해수면 염분을 예측하기 위한 방법 및 장치
CN117274831A (zh) * 2023-09-04 2023-12-22 大连海事大学 一种基于机器学习与高光谱卫星遥感影像的近岸浑浊水体水深反演方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104502001A (zh) * 2014-12-31 2015-04-08 中国科学院南海海洋研究所 一种海洋湍流热通量仪及其使用方法
CN108038351A (zh) * 2017-12-06 2018-05-15 武汉大学 一种基于遥感影像和水生态模型的叶绿素计算方法
CN109212152A (zh) * 2018-10-16 2019-01-15 天津科技大学 一种海洋近底边界层溶解氧通量测量方法
CN114819150A (zh) * 2022-06-28 2022-07-29 自然资源部第二海洋研究所 一种极地海洋冬季初级生产力遥感反演方法
KR102608357B1 (ko) * 2022-10-05 2023-12-01 울산과학기술원 위성 기반 해수면 염분 데이터와 해양 수치 모델 기반 해수면 염분 데이터를 머신러닝 모델에 적용하여 해수면 염분을 예측하기 위한 방법 및 장치
CN116008267A (zh) * 2022-12-09 2023-04-25 自然资源部第二海洋研究所 海洋叶绿素a浓度三维分布反演方法、终端及介质
CN117030957A (zh) * 2023-07-10 2023-11-10 中山大学 近海营养盐和化学需氧量的遥感反演方法及系统
CN116625327A (zh) * 2023-07-24 2023-08-22 海南智慧海事科技有限公司 一种大数据驱动的海洋环境监测与预警方法
CN117274831A (zh) * 2023-09-04 2023-12-22 大连海事大学 一种基于机器学习与高光谱卫星遥感影像的近岸浑浊水体水深反演方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
A mechanistic semi-analytical method for remotely sensing sea surface pCO2 in river-dominated coastal oceans: A case study from the East China Sea;Bai, Yan等;《JOURNAL OF GEOPHYSICAL RESEARCH-OCEANS》;20150301;第120卷;全文 *
Construction of a High Spatiotemporal Resolution Dataset of Satellite-Derived pCO2 and Air-Sea CO2 Flux in the South China Sea (2003-2019);Song, Zigeng等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20231012;第61卷;全文 *
Net Sea–Air CO2 Fluxes and Modeled Partial Pressure of CO2 in Open Ocean of Bay of Bengal;Abhishek Dixit等;《IEEE》;20190326;第12卷;全文 *
Remote Sensing of Sea Surface pCO2 in the Bering Sea in Summer Based on a Mechanistic Semi-Analytical Algorithm (MeSAA);Song, Xuelian等;《REMOTE SENSING》;20160928;第8卷;全文 *
Satellite-estimated air-sea CO2 fluxes in the Bohai Sea, Yellow Sea, and East China Sea: Patterns and variations during 2003-2019;Yu, SJ等;《SCIENCE OF THE TOTAL ENVIRONMENT》;20231215;第904卷;全文 *
南海北部夏季海表二氧化碳分压及其海气通量的遥感算法初探;朱钰;商少凌;翟惟东;戴民汉;;自然科学进展;20080815(第08期);全文 *
渤海季节性耗氧海域甲烷浓度和海—气交换通量的季节演变特征及调控过程;臧昆鹏;《中国优秀硕士学位论文全文数据库（基础科学辑）》;20181115(第11期);全文 *

Also Published As

Publication number Publication date
CN117688847A (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
Lan et al. Improved constraints on global methane emissions and sinks using δ13C‐CH4
Chavez et al. Marine primary production in relation to climate variability and change
Barth et al. Time‐dependent, wind‐driven flow over a shallow midshelf submarine bank
Nezhad et al. Wind source potential assessment using Sentinel 1 satellite and a new forecasting model based on machine learning: A case study Sardinia islands
CN103063202A (zh) 基于遥感影像的蓝藻生物量时空变化监测与可视化方法
CN114239422B (zh) 基于机器学习提高海洋叶绿素a浓度预报准确度的方法
Zhao et al. Phytoplankton increases induced by tropical cyclones in the South China Sea during 1998–2015
Guo et al. Mesoscale and submesoscale contributions to high sea surface chlorophyll in subtropical gyres
CN113221463B (zh) 一种海洋风能密度格网数据空间降尺度方法和装置
Delon et al. Soil NO emissions modelling using artificial neural network
Brévière et al. Surface ocean-lower atmosphere study: Scientific synthesis and contribution to Earth system science
Zhang et al. Numerical modelling of storm surge, nutrient pollution and saltwater intrusion in a large estuary with typhoon effects
Sarmiento et al. The Southern Ocean carbon and climate observations and modeling (SOCCOM) project: A review
Mussap et al. A management oriented 1-D ecosystem model: Implementation in the Gulf of Trieste (Adriatic Sea)
Gao et al. Enhanced lateral exchange of carbon and nitrogen in a coastal wetland with invasive Spartina alterniflora
Ai et al. Mapping current and future seawater desalination plants globally using species distribution models
CN117688847B (zh) 基于控制机制及机器学习的海气氧通量遥感反演方法
Van Huissteden et al. Sensitivity analysis of a wetland methane emission model based on temperate and arctic wetland sites
Johnson et al. After two decades, Argo at PMEL, looks to the future
Stanev et al. The synergy of data from profiling floats, machine learning and numerical modeling: Case of the Black Sea euphotic zone
CN108510097A (zh) 基于卫星遥感的输电线路走廊积雪灾害监测方法及系统
Alahuhta et al. Importance of spatial scale in structuring emergent lake vegetation across environmental gradients and scales: GIS-based approach
Regier et al. Seasonal drivers of dissolved oxygen across a tidal creek–marsh interface revealed by machine learning
Sun et al. Vertical development of a Prorocentrum donghaiense bloom in the coastal waters of the East China Sea: coupled biophysical numerical modeling
Yang et al. Can three-dimensional nitrate structure be reconstructed from surface information with artificial intelligence?—A proof-of-concept study

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
GR01 Patent grant
GR01 Patent grant