Estimando la Estructura Termohalina Submarina en el Pacífico Occidental Tropical Usando el Modelo DO-ResNet
Autores: Zhou, Xianmei; Zhu, Shanliang; Jia, Wentao; Yao, Hengkai
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Estimando la Estructura Termohalina Submarina en el Pacífico Occidental Tropical Usando el Modelo DO-ResNet
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Dinámicas oceánicas
Fenómeno de El Niño
Temperatura subsuperficial
Salinidad subsuperficial
Datos de teledetección
Rendimiento del modelo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 11
Citaciones: Sin citaciones
Estimar la información termohalina subsuperficial del océano a partir de mediciones satelitales es esencial para comprender la dinámica oceánica y el fenómeno de El Niño. Este artículo propone un modelo mejorado de red neuronal residual de doble salida (DO-ResNet) para estimar simultáneamente la temperatura subsuperficial (ST) y la salinidad subsuperficial (SS) en el Pacífico Occidental tropical utilizando datos de teledetección de múltiples fuentes, incluyendo la temperatura de la superficie del mar (SST), la salinidad de la superficie del mar (SSS), la anomalía de la altura de la superficie del mar (SSHA), el viento de la superficie del mar (SSW) y la información geográfica (incluyendo longitud y latitud). En el experimento del modelo, se utilizaron datos de Argo para entrenar y validar el modelo, y se emplearon el error cuadrático medio (RMSE), el error cuadrático medio normalizado (NRMSE) y el coeficiente de determinación (R) para evaluar el rendimiento del modelo. Los resultados mostraron que los parámetros de la superficie del mar seleccionados en este estudio tienen un efecto positivo en el proceso de estimación, y los valores promedio de RMSE y R para estimar ST (SS) por el modelo propuesto son 0.34 grados C (0.05 psu) y 0.91 (0.95), respectivamente. Bajo las condiciones de datos consideradas en este estudio, DO-ResNet demuestra un rendimiento superior en comparación con el modelo de aumento de gradiente extremo, el modelo de bosque aleatorio y el modelo de red neuronal artificial. Además, este estudio evalúa la precisión del modelo comparando sus estimaciones de ST y SS a diferentes profundidades con datos de Argo, demostrando la capacidad del modelo para capturar efectivamente las características espaciales más relevantes, y al comparar el NRMSE a diferentes profundidades y estaciones, el modelo demuestra una fuerte adaptabilidad a las variaciones estacionales. En conclusión, esta investigación introduce una nueva técnica de inteligencia artificial para estimar ST y SS en el Océano Pacífico Occidental tropical.
Descripción
Estimar la información termohalina subsuperficial del océano a partir de mediciones satelitales es esencial para comprender la dinámica oceánica y el fenómeno de El Niño. Este artículo propone un modelo mejorado de red neuronal residual de doble salida (DO-ResNet) para estimar simultáneamente la temperatura subsuperficial (ST) y la salinidad subsuperficial (SS) en el Pacífico Occidental tropical utilizando datos de teledetección de múltiples fuentes, incluyendo la temperatura de la superficie del mar (SST), la salinidad de la superficie del mar (SSS), la anomalía de la altura de la superficie del mar (SSHA), el viento de la superficie del mar (SSW) y la información geográfica (incluyendo longitud y latitud). En el experimento del modelo, se utilizaron datos de Argo para entrenar y validar el modelo, y se emplearon el error cuadrático medio (RMSE), el error cuadrático medio normalizado (NRMSE) y el coeficiente de determinación (R) para evaluar el rendimiento del modelo. Los resultados mostraron que los parámetros de la superficie del mar seleccionados en este estudio tienen un efecto positivo en el proceso de estimación, y los valores promedio de RMSE y R para estimar ST (SS) por el modelo propuesto son 0.34 grados C (0.05 psu) y 0.91 (0.95), respectivamente. Bajo las condiciones de datos consideradas en este estudio, DO-ResNet demuestra un rendimiento superior en comparación con el modelo de aumento de gradiente extremo, el modelo de bosque aleatorio y el modelo de red neuronal artificial. Además, este estudio evalúa la precisión del modelo comparando sus estimaciones de ST y SS a diferentes profundidades con datos de Argo, demostrando la capacidad del modelo para capturar efectivamente las características espaciales más relevantes, y al comparar el NRMSE a diferentes profundidades y estaciones, el modelo demuestra una fuerte adaptabilidad a las variaciones estacionales. En conclusión, esta investigación introduce una nueva técnica de inteligencia artificial para estimar ST y SS en el Océano Pacífico Occidental tropical.