세계 해안 지역, 멕시코만 및 영국의 해수면 온도와 염분을 추정하기 위해 다중 스토토 사이트럼 위성 이미지를 사용하는 바다의 색상

인용

White S, Silva T, Amoudry Lo, Spyrakos E, Martin A & Medina-Lopez E (2024) 다중 스토토 사이트럼 위성 이미지를 사용하여 해수면 온도와 염분을 추정하여 멕시코 만 및 영국의 해수면 온도와 염도를 추정합니다.환경 과학의 국경, 12. https://doi.org/10.3389/fenvs.2024.1426547

Abstract
해수면 염분 (SSS) 및 온도 (SST) 이해 및 모니터링은 해양 건강 평가에 필수적입니다. 바다, 대기, 해저 및 토지 간의 상호 연결은 다양한 공간 및 시간적 비늘로 복잡한 환경을 만듭니다. 기후 변화는 생물 다양성과 해안 지역 사회에 영향을 미치는 해양 열파, 부영양화 및 산성화를 악화시킵니다. 위성 유래 해양 색상 데이터는 전통적인 방법과 비교하여 향상된 공간 커버리지 및 해상도를 제공하여 SST 및 SSS의 추정을 가능하게합니다. 이 연구는 현장 및 다중 전자 위성 데이터로 훈련 된 기계 학습 알고리즘을 사용하여 SST 및 SSS를 추출하는 방법론을 제시합니다. 이러한 매개 변수를 예측하기 위해 스펙트럼 대역과 메타 데이터를 활용하여 글로벌 신경망 모델이 개발되었습니다. 이 모델은 Shapley 값을 통합하여 기능 중요성을 평가하여 특정 대역 및 환경 요인의 기여에 대한 통찰력을 제공했습니다. 글로벌 모델은 온도의 경우 0.83, 염분의 경우 0.65를 달성했습니다. 멕시코만 사례 연구 에서이 모델은 테스트 사례의 경우 0.83 ° C의 루트 평균 제곱 오차 (RMSE)와 SST의 검증 사례의 경우 1.69 ° C의 동적 해안 환경에서 전통적인 방법을 능가했습니다. 기능 중요성 분석은 SSS 예측에서 적외선 대역의 중요한 역할을 확인하고 SSS 추정에서 청색/녹색 대역. 이 접근법은 스펙트럼 대역과 메타 데이터의 상대적 중요성에 대한 통찰력을 제공함으로써 기계 학습 모델의 "블랙 박스"특성을 다룹니다. 태양 방위각 및 특정 스펙트럼 대역과 같은 주요 요인이 강조되어 특히 복잡한 해안 지역에서 해양 속성 추정을 향상시킬 수있는 기계 학습의 잠재력을 보여줍니다.

키워드
기계 학습; 위성 다중 스토토 사이트럼 이미지; 해안 해양학; 설명 가능한 ai; 해양 색; 온도; 염분

저널
환경 과학의 프론티어 : 제 12 권

• 게시 된 버전