Подход машинного обучения для восстановления высокого разрешения данных о солености океана в толще воды

Исследователи из Института физики атмосферы Китайской академии наук представили новый высокоразрешающий (0.25° × 0.25°) набор данных о солености океана в слое от 1 до 2000 метров за период 1993–2018 годов. Для его создания использовался метод машинного обучения — нейронная сеть прямого распространения (feed-forward neural network). Работа была опубликована в журнале Earth System Science Data 18 ноября.

Соленость — ключевой параметр морской воды, регулирующий плотность, стратификацию и циркуляцию океана. Большинство существующих глобальных продуктов имеют разрешение 1° × 1°, что недостаточно для изучения мелкомасштабных процессов. Новый набор данных IAP0.25° объединяет данные наблюдений in situ со спутниковой информацией высокого разрешения: топографией динамической поверхности, температурой поверхности моря и полем ветра, а также с грубым (1° × 1°) полем солености.

По сравнению с продуктом разрешением 1° × 1°, новый набор данных показывает более реалистичные пространственные сигналы в регионах с сильной мезомасштабной изменчивостью, таких как Гольфстрим, течение Куросио и область Антарктического циркумполярного течения. «Это указывает на эффективность подхода машинного обучения в объединении спутниковых наблюдений с наблюдениями in situ», — отметил профессор Чэн Лицзин, автор исследования. Крупномасштабные паттерны солености в IAP0.25° согласуются с полем IAP1°, что подтверждает сохранение крупномасштабных сигналов при реконструкции высокого разрешения.