重建高分辨率海洋次表层盐度数据集的机器学习方法

作为海水的关键参数，盐度在调节海洋密度、分层和环流方面起着至关重要的作用。它还表明海洋、大气和陆地之间通过水循环的耦合。具有完整全球海洋覆盖的网格化海洋数据集对海洋和气候研究具有重要意义。

目前，由于原位观测的稀疏性，大多数海洋盐度网格产品的水平分辨率为1°×1°，不足以满足小尺度海洋信息研究的要求。

近日，中国科学院大气物理研究所(IAP)的研究人员使用机器报告了1993-2018年期间的高分辨率(0.25°×0.25°)海洋次表层(1-2000米)盐度数据集-称为前馈神经网络的学习方法。

该研究于11月18日发表在地球系统科学数据上。

该研究将原位盐度剖面观测与高分辨率(0.25°×0.25°)卫星遥感测高绝对动态地形、海面温度、海面风场数据和粗分辨率(1°×1°)网格化相结合盐度产品。

“IAP1°网格化盐度数据集于2020年正式发布。两年后，我们开发了新的0.25°×0.25°重建数据集，即我们所说的IAP0.25°，”该研究的通讯作者程立静教授说。

与可用的IAP1°×1°分辨率产品相比，新数据集在具有强烈中尺度变化的区域(例如墨西哥湾流、黑潮和南极绕极流区域)显示了更真实的空间信号。“这表明机器学习方法在将卫星观测与现场观测相结合方面的效率，”程教授说。

根据这项研究，IAP0.25°的大尺度盐度模式与IAP1°网格盐度场一致，表明高分辨率重建中大尺度信号的持久性。SHAP方法也用于评估不同输入对IAP0.25°重建的影响。