随机森林反演卫星遥感海表面盐度研究

海表面盐度是描述海洋状态、模拟海洋循环和检测气候变化的重要指标，对海洋研究意义重大。土壤湿度与海水盐度(soil moisture and ocean salinity,SMOS)卫星为全球海表面盐度分析提供了重要数据，但其整体精度尚未达到预期要求。基于海表面盐度遥感机理和SMOS卫星盐度反演基础理论，选取海表面盐度敏感因子，建立随机森林(random forest, RF)模型，并基于网格搜索算法优化模型参数，辅助提高SMOS卫星产品精度。其中基础RF得到的海表面盐度与Argo (array for real-time geostrophic oceanography)数据之间的平均绝对误差为0.08，均方根误差为0.15。而经网格搜索算法优化后的随机森林模型精度稍有所提升，其与Argo数据的绝对平均误差为0.08，均方根误差仅为0.14，且误差分布范围较小。两种模型均显著优于SMOS卫星Level 2级盐度产品。从机器学习与统计学理论出发，建立的高精度、高适应性的随机森林海表面盐度反演模型大幅提高了盐度精度，能够为相关海洋研究提供数据支撑。