<noframes id="dzdnh">

<form id="dzdnh"></form><noframes id="dzdnh"><address id="dzdnh"><nobr id="dzdnh"></nobr></address>
<form id="dzdnh"><nobr id="dzdnh"></nobr></form>
    <noframes id="dzdnh">
    設為首頁 | 加入收藏
    鐘國榮,李學剛,曲寶曉,王彥俊,袁華茂,宋金明.基于廣義回歸神經網絡的全球表層海水1°×1°二氧化碳分壓數據推演[J].海洋學報,2020,42(10):70-79
    基于廣義回歸神經網絡的全球表層海水1°×1°二氧化碳分壓數據推演
    A general regression neural network approach to reconstruct global 1°×1° resolution sea surface pCO2
    投稿時間:2019-12-29  修訂日期:2020-03-23
    DOI:10.3969/j.issn.0253-4193.2020.10.007
    中文關鍵詞:  廣義回歸神經網絡  表層海水二氧化碳分壓  全球大洋格點數據
    英文關鍵詞:general regression neural network  sea surface pCO2  global ocean grid data
    基金項目:國家重點研發計劃(2017YFA0603204);國家自然科學基金(91958103);中國科學院戰略性先導科技專項(XDA19060401)。
    作者單位E-mail
    鐘國榮 中國科學院海洋研究所 海洋生態與環境科學重點實驗室,山東 青島 266071
    中國科學院大學,北京 100049
    青島海洋科學與技術試點國家實驗室 海洋生態與環境科學功能實驗室,山東 青島 266237
    中國科學院 海洋大科學研究中心,山東 青島 266071 
     
    李學剛 中國科學院海洋研究所 海洋生態與環境科學重點實驗室,山東 青島 266071
    中國科學院大學,北京 100049
    青島海洋科學與技術試點國家實驗室 海洋生態與環境科學功能實驗室,山東 青島 266237
    中國科學院 海洋大科學研究中心,山東 青島 266071 
    lixuegang@qdio.ac.cn 
    曲寶曉 中國科學院海洋研究所 海洋生態與環境科學重點實驗室,山東 青島 266071
    青島海洋科學與技術試點國家實驗室 海洋生態與環境科學功能實驗室,山東 青島 266237
    中國科學院 海洋大科學研究中心,山東 青島 266071 
     
    王彥俊 中國科學院 海洋大科學研究中心,山東 青島 266071  
    袁華茂 中國科學院海洋研究所 海洋生態與環境科學重點實驗室,山東 青島 266071
    中國科學院大學,北京 100049
    青島海洋科學與技術試點國家實驗室 海洋生態與環境科學功能實驗室,山東 青島 266237
    中國科學院 海洋大科學研究中心,山東 青島 266071 
     
    宋金明 中國科學院海洋研究所 海洋生態與環境科學重點實驗室,山東 青島 266071
    中國科學院大學,北京 100049
    青島海洋科學與技術試點國家實驗室 海洋生態與環境科學功能實驗室,山東 青島 266237 
     
    摘要點擊次數: 1157
    全文下載次數: 4051
    中文摘要:
          表層海水二氧化碳分壓是評估海洋碳源匯強度的關鍵參數,但其實測數據較少、時空分布極不均勻,導致二氧化碳交換通量的估算有很大的不確定性,海洋源匯特征就不能確切獲取。為了解決這個難題,在收集的表層大洋二氧化碳地圖(Surface Ocean CO2 Atlas,SOCAT)實測數據集基礎上,運用廣義回歸神經網絡建立二氧化碳分壓與經緯度、時間、溫度、鹽度和葉綠素濃度間的非線性關系,構建了1998-2018年間全球1°×1°經緯度的表層海水二氧化碳分壓格點數據,其標準誤差為16.93 μatm,平均相對誤差為2.97%,優于現有研究中的前反饋神經網絡、自組織映射神經網絡和機器學習算法等方法。根據構建的數據所繪制的全球表層海水二氧化碳分壓的分布與現有研究有較好的一致性。
    英文摘要:
          Sea surface partial pressure of carbon dioxide (pCO2) is a crucial parameter for estimating ocean carbon source and sink term, but its sparse and uneven in situ measurements in space and time lead to large uncertainty in the estimate of sea-air CO2 flux and characteristics of ocean carbon source and sink. To eliminate this uncertainty, a general regression neural network approach using the Surface Ocean CO2 Atlas (SOCAT) dataset, based on the non-liner regression of pCO2 and longitude, latitude, time, temperature, salinity and concentration of chlorophyll, was successfully used in the reconstruction of global 1°×1° resolution monthly sea surface pCO2 from 1998 to 2018, with a root mean square error (RMSE) of 16.93 μatm and a mean relative error (MRE) of 2.97%, lower than existing feed-forward neural network (FFNN), self-organizing neural network (SOM) and machine learning approaches. The global distribution of pCO2 obtained by this approach agrees well with existing researches.
    查看全文   查看/發表評論  下載PDF閱讀器
    關閉
    微信公共賬號
    乱中年女人伦av三区