米兰体育官网 使用多光谱卫星图像估算全球沿海地区、墨西哥湾和英国的海面温度和盐度的海洋颜色

引用

White S、Silva T、Amoudry LO、Spyrakos E、Martin A 和 Medina-Lopez E (2024) 使用多光谱卫星图像来估算全球沿海地区、墨西哥湾和英国的海面温度和盐度的海洋颜色。环境科学前沿，12。https://doi.org/10.3389/fenvs.2024.1426547

摘要
了解和监测海面盐度 (SSS) 和温度 (SST) 对于评估海洋健康至关重要。海洋、大气、海底和陆地之间的相互联系创造了一个具有不同时空尺度的复杂环境。气候变化加剧了海洋热浪、富营养化和酸化，影响生物多样性和沿海社区。与传统方法相比，卫星衍生的海洋颜色数据提供了增强的空间覆盖范围和分辨率，从而能够估计海表温度和海表表面SSS。本研究提出了一种使用经过现场和多光谱卫星数据训练的机器学习算法来提取海表温度和海表表面温度的方法。开发了一个全局神经网络模型，利用光谱带和元数据来预测这些参数。该模型结合了 Shapley 值来评估特征重要性，从而深入了解特定频段和环境因素的贡献。全球模型的温度 R2 为 0.83，盐度 R2 为 0.65。在墨西哥湾案例研究中，该模型的海表温度测试案例的均方根误差 (RMSE) 为 0.83°C，验证案例的均方根误差为 1.69°C，在动态沿海环境中的表现优于传统方法。特征重要性分析确定了红外波段在海表温度预测中的关键作用以及蓝/绿色波段在海表温度估计中的关键作用。这种方法通过提供对光谱带和元数据的相对重要性的见解来解决机器学习模型的“黑匣子”性质。强调了太阳方位角和特定光谱带等关键因素，展示了机器学习在增强海洋属性估计方面的潜力，特别是在复杂的沿海地区。

关键字
机器学习；卫星多光谱图像；沿海海洋学；可解释的人工智能；海洋的颜色；温度;盐度

期刊
环境科学前沿：第 12 卷

• 已发布版本