数据产品对基于机器学习反演大洋表层海水酸化速度准确度的影响

作     者：钟国荣 李学刚 宋金明 曲宝晓 马骏 袁华茂 段丽琴 ZHONG Guo-Rong;LI Xue-Gang;SONG Jin-Ming;QU Bao-Xiao;MA Jun;YUAN Hua-Mao;DUAN Li-Qin

作者机构：中国科学院海洋研究所海洋生态与环境科学重点实验室山东青岛266071 崂山实验室山东青岛266237 中国科学院大学北京100049 中国科学院海洋研究所海洋大数据中心山东青岛266071 

出 版 物：《海洋与湖沼》 (Oceanologia Et Limnologia Sinica)

年 卷 期：2025年第56卷第1期

页      面：90-100页

核心收录：

学科分类：070702[理学-海洋化学] 07[理学] 0707[理学-海洋科学] 

基　　金：国家重点研发计划项目,2022YFC3104305号 国家自然科学基金项目,42176200号 崂山实验室项目,LSKJ202204001号,LSKJ202205001号 青岛市博士后项目,QDBSH20240102195号 

主　　题：海水酸化 海水pH 数据产品 机器学习 全球大洋 

摘      要：全球海水pH变化监测对于了解海水酸化状况及对海洋生物和生态系统影响具有重要作用。近年来,机器学习算法被广泛运用于从观测数据和容易获得的环境参数构建海洋酸化参数格点数据。然而,目前的研究主要致力于改善算法结构来提高准确性,而使用不同的环境参数数据产品对获取的海水酸化速度准确性有多大的影响至今没有报道。基于相同的海水pH观测数据和集成学习前反馈神经网络算法,使用不同的表层海水温度、盐度和CO_(2)分压(pCO_(2))数据产品构建获取2002~2021年全球大洋表层海水pH数据,发现选择不同的温度和pCO_(2)数据产品会导致通过机器学习获取的区域和全球平均酸化速度出现显著差异,而不同盐度产品导致的酸化速度差异仅出现在局部区域。使用不同数据产品的平均值作为机器学习算法的输入,可有效避免因环境参数数据产品导致的区域性极端结果,增加机器学习探析海洋酸化速度的准确性。