Εκτίμηση της θερμοκρασίας της επιφάνειας του Ινδικού ωκεανού με δορυφορικές μετρήσεις
Από RemoteSensing Wiki
(Νέα σελίδα με ' category:Εκτίμηση φυσικών χαρακτηριστικών Η εκτίμηση των θερμικών πληροφοριών στο υπέδαφο...') |
|||
| Γραμμή 3: | Γραμμή 3: | ||
[[category:Εκτίμηση φυσικών χαρακτηριστικών]] | [[category:Εκτίμηση φυσικών χαρακτηριστικών]] | ||
| + | [[Εικόνα: 1-s2.0-S0034425715000103-gr2.jpg |thumb|right| Εικόνα 1 : Η μηνιαία SSTA ( α) , SSHA ( β ) και SSSA ( γ ) του Ινδικού Ωκεανού από δορυφορικές μετρήσεις ( οι παράμετροι της επιφάνειας της θάλασσας ως σύνολα δεδομένων εισόδου για SVR ) με την ίδια 1 ° × 1 ° χωρική ανάλυση τον Οκτώβριο του 2010. ]] | ||
Η εκτίμηση των θερμικών πληροφοριών στο υπέδαφος και βαθύτερα στον ωκεανό από δορυφορικές μετρήσεις μεγαλύτερης κλίμακας από το επίπεδο λεκάνης είναι σημαντική αλλά και δύσκολη. Αυτή η εργασία προτείνει μια μέθοδο διανυσμάτων υποστήριξης (SVM) για την εκτίμηση της θερμοκρασίας κάτω από την επιφάνεια (STA) στον Ινδικό Ωκεανό από έναν συνδυασμό των δορυφορικών μετρήσεων τηλεπισκόπησης συμπεριλαμβανομένης της θερμοκρασίας της επιφάνειας της θάλασσας (SSTA), το ύψος της επιφάνειας της θάλασσας (SSHA), και την αλατότητα της θαλάσσιας επιφάνειας (SSSA). Η εκτίμηση SVM της STA διαθέτει τη συμπερίληψη των in situ δεδομένων Argo STA για την εκπαίδευση και την εξέταση. Η SVM, μία από τις πιο δημοφιλείς μεθόδους μηχανικής μάθησης, μπορεί επίσης να εκτιμήσει το STA, άνω των 1.000 m του Ινδικού Ωκεανού από δορυφορικές μετρήσεις των παραμέτρων της επιφάνειας της θάλασσας (SSTA, SSHA και SSSA συμπεριλαμβανομένων χαρακτηριστικών εισόδου για SVM). Τα αποτελέσματα, με βάση την κοινή εφαρμογή SVM Διανυσματική Στήριξη Παλινδρόμησης (SVR), επικυρώθηκαν για την ακρίβεια και την αξιοπιστία, χρησιμοποιώντας τα στοιχεία Argo STA. Τόσο MSE αλλά και r2 βελτιώνονται συμπεριλαμβανομένων SSSA για SVR (MSE μειώθηκαν κατά 12% και R2 αυξήθηκε κατά 11% κατά μέσο όρο). Τα αποτελέσματα έδειξαν ότι SSSA, εκτός από την SSTA και SSHA, είναι μια χρήσιμη παράμετρος που μπορεί να βοηθήσει στον εντοπισμό και να περιγραφεί η βαθύτερη θερμική δομή του ωκεανού, καθώς και τη βελτίωση της ακρίβειας των προβλέψεων STA. Επιπλέον, η μέθοδος μπορεί να αποτελέσει μια χρήσιμη τεχνική για τη μελέτη του υπεδάφους και βαθύτερα στην θερμική μεταβλητότητα του ωκεανού, η οποία έχει διαδραματίσει σημαντικό ρόλο στην πρόσφατη παγκόσμια θερμοκρασία της επιφάνειας του πλανήτη από το 1998, από δορυφορικές μετρήσεις σε μεγάλη κλίμακα για ολόκληρη τη λεκάνη. | Η εκτίμηση των θερμικών πληροφοριών στο υπέδαφος και βαθύτερα στον ωκεανό από δορυφορικές μετρήσεις μεγαλύτερης κλίμακας από το επίπεδο λεκάνης είναι σημαντική αλλά και δύσκολη. Αυτή η εργασία προτείνει μια μέθοδο διανυσμάτων υποστήριξης (SVM) για την εκτίμηση της θερμοκρασίας κάτω από την επιφάνεια (STA) στον Ινδικό Ωκεανό από έναν συνδυασμό των δορυφορικών μετρήσεων τηλεπισκόπησης συμπεριλαμβανομένης της θερμοκρασίας της επιφάνειας της θάλασσας (SSTA), το ύψος της επιφάνειας της θάλασσας (SSHA), και την αλατότητα της θαλάσσιας επιφάνειας (SSSA). Η εκτίμηση SVM της STA διαθέτει τη συμπερίληψη των in situ δεδομένων Argo STA για την εκπαίδευση και την εξέταση. Η SVM, μία από τις πιο δημοφιλείς μεθόδους μηχανικής μάθησης, μπορεί επίσης να εκτιμήσει το STA, άνω των 1.000 m του Ινδικού Ωκεανού από δορυφορικές μετρήσεις των παραμέτρων της επιφάνειας της θάλασσας (SSTA, SSHA και SSSA συμπεριλαμβανομένων χαρακτηριστικών εισόδου για SVM). Τα αποτελέσματα, με βάση την κοινή εφαρμογή SVM Διανυσματική Στήριξη Παλινδρόμησης (SVR), επικυρώθηκαν για την ακρίβεια και την αξιοπιστία, χρησιμοποιώντας τα στοιχεία Argo STA. Τόσο MSE αλλά και r2 βελτιώνονται συμπεριλαμβανομένων SSSA για SVR (MSE μειώθηκαν κατά 12% και R2 αυξήθηκε κατά 11% κατά μέσο όρο). Τα αποτελέσματα έδειξαν ότι SSSA, εκτός από την SSTA και SSHA, είναι μια χρήσιμη παράμετρος που μπορεί να βοηθήσει στον εντοπισμό και να περιγραφεί η βαθύτερη θερμική δομή του ωκεανού, καθώς και τη βελτίωση της ακρίβειας των προβλέψεων STA. Επιπλέον, η μέθοδος μπορεί να αποτελέσει μια χρήσιμη τεχνική για τη μελέτη του υπεδάφους και βαθύτερα στην θερμική μεταβλητότητα του ωκεανού, η οποία έχει διαδραματίσει σημαντικό ρόλο στην πρόσφατη παγκόσμια θερμοκρασία της επιφάνειας του πλανήτη από το 1998, από δορυφορικές μετρήσεις σε μεγάλη κλίμακα για ολόκληρη τη λεκάνη. | ||
Παρούσα αναθεώρηση της 16:19, 30 Ιουνίου 2015
Η εκτίμηση των θερμικών πληροφοριών στο υπέδαφος και βαθύτερα στον ωκεανό από δορυφορικές μετρήσεις μεγαλύτερης κλίμακας από το επίπεδο λεκάνης είναι σημαντική αλλά και δύσκολη. Αυτή η εργασία προτείνει μια μέθοδο διανυσμάτων υποστήριξης (SVM) για την εκτίμηση της θερμοκρασίας κάτω από την επιφάνεια (STA) στον Ινδικό Ωκεανό από έναν συνδυασμό των δορυφορικών μετρήσεων τηλεπισκόπησης συμπεριλαμβανομένης της θερμοκρασίας της επιφάνειας της θάλασσας (SSTA), το ύψος της επιφάνειας της θάλασσας (SSHA), και την αλατότητα της θαλάσσιας επιφάνειας (SSSA). Η εκτίμηση SVM της STA διαθέτει τη συμπερίληψη των in situ δεδομένων Argo STA για την εκπαίδευση και την εξέταση. Η SVM, μία από τις πιο δημοφιλείς μεθόδους μηχανικής μάθησης, μπορεί επίσης να εκτιμήσει το STA, άνω των 1.000 m του Ινδικού Ωκεανού από δορυφορικές μετρήσεις των παραμέτρων της επιφάνειας της θάλασσας (SSTA, SSHA και SSSA συμπεριλαμβανομένων χαρακτηριστικών εισόδου για SVM). Τα αποτελέσματα, με βάση την κοινή εφαρμογή SVM Διανυσματική Στήριξη Παλινδρόμησης (SVR), επικυρώθηκαν για την ακρίβεια και την αξιοπιστία, χρησιμοποιώντας τα στοιχεία Argo STA. Τόσο MSE αλλά και r2 βελτιώνονται συμπεριλαμβανομένων SSSA για SVR (MSE μειώθηκαν κατά 12% και R2 αυξήθηκε κατά 11% κατά μέσο όρο). Τα αποτελέσματα έδειξαν ότι SSSA, εκτός από την SSTA και SSHA, είναι μια χρήσιμη παράμετρος που μπορεί να βοηθήσει στον εντοπισμό και να περιγραφεί η βαθύτερη θερμική δομή του ωκεανού, καθώς και τη βελτίωση της ακρίβειας των προβλέψεων STA. Επιπλέον, η μέθοδος μπορεί να αποτελέσει μια χρήσιμη τεχνική για τη μελέτη του υπεδάφους και βαθύτερα στην θερμική μεταβλητότητα του ωκεανού, η οποία έχει διαδραματίσει σημαντικό ρόλο στην πρόσφατη παγκόσμια θερμοκρασία της επιφάνειας του πλανήτη από το 1998, από δορυφορικές μετρήσεις σε μεγάλη κλίμακα για ολόκληρη τη λεκάνη.
