基于LightGBM的全球海洋次表层温盐遥感预测

随着卫星遥感技术的发展，越来越多的卫星观测数据被应用于预测海洋内部温盐结构信息，而如何有效提高海洋内部温盐信息的预测精度仍是一个挑战。本文应用LightGBM算法结合随机森林算法构建全球海洋次表层（0—1000 m）温度异常（STA）与盐度异常（SSA）的预测模型，模型使用海表卫星观测数据（海表高度异常（SSHA）、海表温度异常（SSTA）、海表盐度异常（SSSA）和海表风场异常水平和垂直分量（USSWA、VSSWA），结合经纬度信息（LON、LAT）作为预测变量，使用Argo次表层温盐数据作为模型训练与测试标记。本文使用五参数模型（SSTA、SSHA、SSSA、USSWA、VSSWA）、带纬度六参数模型（LAT、SSTA、SSHA、SSSA、USSWA、VSSWA）、带经度六参数模型（LON、SSTA、SSHA、SSSA、USSWA、VSSWA）与带经纬度七参数模型（LON、LAT、SSTA、SSHA、SSSA、USSWA、VSSWA）来着重分析LON与LAT在STA、SSA遥感预测中发挥的作用。结果表明LON与LAT在STA、SSA各自预测中发挥不同的作用。在单时相和时序预测STA中LON与LAT对模型的贡献随着深度的增加逐渐增大，而在单时相和时序预测SSA中LON与LAT对不同深度预测模型始终保持较大的贡献。在单时相预测STA与SSA中LON较LAT对模型贡献更大，而在时序预测STA与SSA中LAT较LON对模型贡献更大。经纬度信息是全球海洋次表层温盐机器学习预测的重要参数，可以提高模型的预测精度。同时，LightGBM较随机森林在预测海洋次表层温盐异常时精度更高鲁棒性更强。

Remote sensing prediction of global subsurface thermohaline and the impact of longitude and latitude based on LightGBM