Estimating Subsurface Thermohaline Structure in the tropical Western Pacific using DO-ResNet model

从卫星测量中估计海洋的地下温盐信息对于理解海洋动力学和厄尔尼诺现象至关重要。该文提出一种改进的双输出残差神经网络(DO-ResNet)模型,利用多源遥感数据(包括海表温度(SST)、海面盐度(SSS)、海面高度距平(SSHA)、海面风(SSW)和地理信息(包括经纬度)同时估计热带西太平洋的地下温度(ST)和地下盐度(SS)。在模型实验中,使用Argo数据对模型进行训练和验证,并采用均方根误差(RMSE)、归一化均方根误差(NRMSE)和决定系数(R²)来评估模型的性能。结果表明:本研究选取的海面参数对估计过程具有正向影响,所提模型估计ST(SS)的平均RMSE值和R²值分别为0.34(0.05 psu)和0.91(0.95)。 在本文考虑的数据条件下,DO-ResNet相对于极端梯度提升模型、随机森林模型和人工神经网络模型表现出更优异的性能。此外,本研究通过比较不同深度的ST和SS估计值与Argo数据来评估模型的准确性,证明了该模型有效捕获最多空间特征的能力,并通过比较不同深度和季节的NRMSE,该模型表现出对季节变化的较强适应性。综上所述,本研究引入了一种新的人工智能技术,用于估计热带西太平洋的ST和SS。