Remote sensing prediction of global subsurface thermohaline and the impact of longitude and latitude based on LightGBM

Abstract

éšç€å«æ˜Ÿé¥æ„ŸæŠ€æœ¯çš„å‘å±•ï¼Œè¶Šæ¥è¶Šå¤šçš„å«æ˜Ÿè§‚æµ‹æ•°æ®è¢«åº”ç”¨äºŽé¢„æµ‹æµ·æ´‹å† éƒ¨æ¸©ç›ç»“æž„ä¿¡æ¯ï¼Œè€Œå¦‚ä½•æœ‰æ•ˆæé«˜æµ·æ´‹å† éƒ¨æ¸©ç›ä¿¡æ¯çš„é¢„æµ‹ç²¾åº¦ä»æ˜¯ä¸€ä¸ªæŒ‘æˆ˜ã€‚æœ¬æ–‡åº”ç”¨LightGBMç®—æ³•ç»“åˆéšæœºæ£®æž—ç®—æ³•æž„å»ºå ¨çƒæµ·æ´‹æ¬¡è¡¨å±‚ï¼ˆ0—1000 m）温度异常（STA）与盐度异常（SSA）的预测模型，模型使用海表卫星观测数据（海表高度异常（SSHA）、海表温度异常（SSTA）、海表盐度异常（SSSA）和海表风场异常水平和垂直分量（USSWA、VSSWA），结合经纬度信息（LON、LAT）作为预测变量，使用Argoæ¬¡è¡¨å±‚æ¸©ç›æ•°æ®ä½œä¸ºæ¨¡åž‹è®­ç»ƒä¸Žæµ‹è¯•æ ‡è®°ã€‚æœ¬æ–‡ä½¿ç”¨äº”å‚æ•°æ¨¡åž‹ï¼ˆSSTA、SSHA、SSSA、USSWA、VSSWAï¼‰ã€å¸¦çº¬åº¦å ­å‚æ•°æ¨¡åž‹ï¼ˆLAT、SSTA、SSHA、SSSA、USSWA、VSSWAï¼‰ã€å¸¦ç»åº¦å ­å‚æ•°æ¨¡åž‹ï¼ˆLON、SSTA、SSHA、SSSA、USSWA、VSSWA）与带经纬度七参数模型（LON、LAT、SSTA、SSHA、SSSA、USSWA、VSSWA）来着重分析LON与LAT在STA、SSA遥感预测中发挥的作用。结果表明LON与LAT在STA、SSA各自预测中发挥不同的作用。在单时相和时序预测STA中LON与LATå¯¹æ¨¡åž‹çš„è´¡çŒ®éšç€æ·±åº¦çš„å¢žåŠ é€æ¸å¢žå¤§ï¼Œè€Œåœ¨å•æ—¶ç›¸å’Œæ—¶åºé¢„æµ‹SSA中LON与LAT对不同深度预测模型始终保持较大的贡献。在单时相预测STA与SSA中LON较LAT对模型贡献更大，而在时序预测STA与SSA中LAT较LONå¯¹æ¨¡åž‹è´¡çŒ®æ›´å¤§ã€‚ç»çº¬åº¦ä¿¡æ¯æ˜¯å ¨çƒæµ·æ´‹æ¬¡è¡¨å±‚æ¸©ç›æœºå™¨å­¦ä¹ é¢„æµ‹çš„é‡è¦å‚æ•°ï¼Œå¯ä»¥æé«˜æ¨¡åž‹çš„é¢„æµ‹ç²¾åº¦ã€‚åŒæ—¶ï¼ŒLightGBM较随机森林在预测海洋次表层温盐异常时精度更高鲁棒性更强。

Topics & Concepts