基于广义回归神经网络的全球表层海水1°×1°二氧化碳分压数据推演

摘要：

表层海水二氧化碳分压是评估海洋碳源汇强度的关键参数,但其实测数据较少、时空分布极不均匀,导致二氧化碳交换通量的估算有很大的不确定性,海洋源汇特征就不能确切获取.为了解决这个难题,在收集的表层大洋二氧化碳地图(Surface Ocean CO2 Atlas,SOCAT)实测数据集基础上,运用广义回归神经网络建立二氧化碳分压与经纬度、时间、温度、盐度和叶绿素浓度间的非线性关系,构建了1998-2018年间全球1°×1°经纬度的表层海水二氧化碳分压格点数据,其标准误差为16.93 μatm,平均相对误差为2.97％,优于现有研究中的前反馈神经网络、自组织映射神经网络和机器学习算法等方法.根据构建的数据所绘制的全球表层海水二氧化碳分压的分布与现有研究有较好的一致性.

关键词：广义回归神经网络、表层海水二氧化碳分压、全球大洋格点数据

所属期刊栏目：42

分类号：P714.2+2(海洋调查与观测)

资助基金：国家重点研发计划;国家自然科学基金;中国科学院战略性先导科技专项

在线出版日期：2020-11-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：70-79