基于机器学习的长江口表层水体溶解有机碳遥感反演研究

摘要

溶解有机碳(dissolved organic carbon, DOC)是海洋中最大的活跃有机碳库.精确刻画大河河口及其近海水体表层DOC浓度的时空分布,有助于更好地理解河流输送的有机碳在河口近海经历的生物地化过程及在该区域的归宿.本研究采用机器学习方法,通过反演水体溶解态有机碳库中的有色溶解有机物(colored dissolved organic matter, CDOM)的吸收光谱信息,并基于其与水体DOC浓度的相关关系,发展了基于地球静止轨道水色成像仪(geostationary ocean color imager, GOCI)的DOC遥感反演模型.结果表明, Nu支持向量回归(nu-supporting vector regression, NuSVR)方法可准确反演CDOM光谱吸收特性(如验证集CDOM在300 nm处的吸收系数a CDOM(300)和275～295 nm处的光谱斜率S275–295的平均绝对误差(mean absolute percent differences, MAPD)分别为32%和8.6%).分别基于该区域表层水体CDOM光谱吸收特性与DOC浓度之间表现的3种不同的相关关系进行DOC算法构建,结果表明,基于a CDOM(300)与DOC浓度之间的线性相关,并考虑这一相关关系的季节性差异所构建的DOC反演算法可较为准确地反演水体DOC浓度, DOC反演现场数据验证集和卫星验证集的MAPD分别为11%和14%.将构建的DOC算法模型应用到GOCI卫星图像上,结果显示,受长江径流影响,季节尺度上,长江口夏季水体表层DOC浓度显著高于冬季;而受潮汐、风场等因素的影响,小时尺度上河口近岸海域DOC分布呈现逐时高动态变化.本研究利用卫星遥感反演河口近海水体DOC浓度,为进一步在不同时间尺度上研究该区域水体DOC动态变化及驱动因素提供了有效手段.

关键词

地球静止轨道水色成像仪 / 有色溶解有机物 / 机器学习 / 长江口 / 溶解有机碳