Sea surface temperature reconstruction based on deep learning and its application on the spatiotemporal analysis of SST variation in the South China Sea
摘要
درجة حرارة سطح البحر SST (Sea Surface Temperature) هي أحد المؤشرات الهامة في دراسة ديناميات المحيطات وتفاعل المحيطات مع الغلاف الجوي وتغير المناخ. على الرغم من أن طرق الحصول التقليدية على درجة حرارة سطح البحر دقيقة، إلا أنها تتأثر بعدد نقاط العينات ونطاق التغطية، وبالتالي يصعب تلبية احتياجات البحث البحري عالي الدقة والمقياس الكبير. على الرغم من أن بيانات الاستشعار عن بعد بالأقمار الصناعية يمكن أن تغطي المحيطات العالمية، ولها معدل تحديث عالٍ، وتستخدم على نطاق واسع في البحث البحري، إلا أن بيانات الاستشعار عن بعد بالأقمار الصناعية تعاني من الاختلافات بسبب ظروف الطقس ونطاق مسار المسح الصناعي وأعطال أجهزة الاستشعار، مما يؤدي إلى انعدام بيانات درجة حرارة سطح البحر ويقيد إلى حد ما استخدام البيانات. ولذلك، ومن أجل إعادة بناء البيانات عن بُعد لزيادة كفاءة استخدامها والحصول على مجموعات بيانات ذات تغطية كاملة عالية الجودة، قامت هذه الدراسة بإدخال وحدة Inception في مشفر البيانات العميقة DINCAE (Data-Interpolating Convolutional Auto-Encoder)، واقتراح استخدام نموذج I-DINCAE لإعادة بناء بيانات درجة حرارة سطح البحر لمنتج FY-3C للأقمار الصناعية في بحر الصين الجنوبي. في الوقت نفسه، وبالاعتماد على بيانات القياس الفعلية لعدة سنوات في منطقة البحث، تم استخدام نموذج الشبكة العصبية العميقة DNN (Deep Neural Networks) لمعايرة بيانات الحرارة المعاد بناؤها بواسطة النموذج الجديد، وتمت مراجعتها باستخدام مجموعات بيانات iQuam SST التي تتكون من 11993 نقطة قياس مستقلة. تشير النتائج إلى: الانحراف المعياري المربعي الجذري لدرجة حرارة سطح البحر المعاد بناؤة ودرجة حرارة سطح البحر الفعلية هو 1.27 درجة مئوية، MAE هو 0.96 درجة مئوية، R² هو 0.84؛ بعد معايرة نموذج DNN، انخفض الانحراف المعياري المربعي الجذري إلى 0.57 درجة مئوية، انخفض MAE إلى 0.43 درجة مئوية، وارتفع R² إلى 0.92. باستخدام بيانات درجة الحرارة السطحية المعدلة بعد المعايرة، تم تحليل توزيع درجة حرارة سطح البحر في بحر الصين الجنوبي وسمات تغيرها في الزمان والفضاء من خلال التحليل على الأبعاد الشهرية والفصلية. تشير النتائج إلى: على مقياس فصلي، يظهر وجود سمات بارزة لتغير درجة حرارة سطح البحر في بحر الصين الجنوبي، حيث يبلغ أعلى قيمة في درجة حرارة سطح البحر في فصل الصيف، وتهبط إلى أدنى قيمة في فصل الشتاء؛ على مقياس شهري، تظهر تغيرات درجة الحرارة في بحر الصين الجنوبي على شكل موجات جيبية (سينية)، حيث تصل درجة حرارة سطح البحر عادة في يونيو إلى أقصى قيمة، وتصل إلى أدنى قيمة في يناير. هذه الدراسة ليست فقط تقدم خوارزميات جديدة للحصول على بيانات درجة حرارة سطح البحر في منطقة بحر الصين الجنوبي ذات تغطية عالية وجودة عالية، وإن كشفت عن سمات التغير الزماني والمكاني لدرجة حرارة سطح البحر في منطقة بحر الصين الجنوبي.
关键词
sea surface temperature;data reconstruction;deep learning;FY-3C;spatio-temporal variation