热带海洋学报

作者：郑媛宁, 李彩, 周雯, 许占堂, 施震, 张现清, 刘聪, 赵金成

单位：1.热带海洋国家重点实验室(中国科学院南海海洋研究所), 广东 广州 510301；2.中国科学院大学, 北京 100049

关键词：叶绿素a,水文气象,机器学习,南海,

基金：广东省基础与应用基础研究基金项目(2023A1515240073); 广州市南沙区科技规划项目(2022ZD001); 国家重点研发计划项目(2016YFC1400603); 国家重点研发计划项目(2017YFC0506305)

文章以叶绿素a (Chlorophyll-a, Chl-a)的低成本、高精度估算为目标, 利用近十年南海西部调查航次数据, 基于随机森林(random forest, RF)算法, 以水文气象条件的变化对海洋生化过程的影响及贡献为基础, 以水文气象参数(hydro-meteorological parameters, HMPs)作为输入数据, 构建Chl-a的低成本估算模型对南海西部表层Chl-a进行了估算。为验证基于水文气象参数估算Chl-a的可靠性, 利用准分析算法(quasi-analytical algorithm, QAA)以实测固有光学特性参数为基础, 推导得到原位遥感反射率(remote sensing reflectance, Rrs)。在此基础上, 结合海洋颜色4 (ocean color 4, OC4)、Aiken和Tassan等经典水色产品经验算法对 Chl-a进行了估算及评价, 评价结果表明OC4算法的估算精度最高, R2可达0.438。与RF模型0.568的R2比较不难看出, 得益于HMPs的大数据量, 基于HMPs的RF模型其Chl-a估算结果表现出较为优秀的稳定性和泛化性, 与实测结果的空间分布一致性更好。通过对特征参数重要性进行研究发现, 盐度是基于HMPs估算Chl-a的机器学习模型中最重要的特征变量, 其次依次是温度、风与气压, 贡献率最低的是相对湿度。

来源：2025年第2期

《热带海洋学报》期刊编辑部

查看热带海洋学报杂志2025年第2期