用于从SMOS亮温神经网络反演海表盐度的学习数据库构建
神经与进化计算
2016-01-19 v1 大气与海洋物理
摘要
本文探讨了从SMOS亮温（TBs）神经网络反演海表盐度（SSS）的一个重要方面。神经网络反演方法是一种经验方法，在在轨阶段提供了独立于任何理论发射率模型的可能性。先前的研究[1]已证明，通过设计一组具有不同输入的神经网络，该方法可应用于海洋上所有像元。本研究关注学习数据库的选择，并证明地球物理参数的合理分布能够显著减少反演SSS的系统区域偏差，这些偏差源于TBs上的高噪声。对地球物理参数分布进行均衡化，随后采用一种用于提升学习过程的新技术，使得在40{\deg}S至40{\deg}N纬度之间的区域偏差几乎消失，而全球标准差保持在0.6 psu（刈幅中心）至1 psu（边缘）之间。
引用
@article{arxiv.1601.04296,
title = {Building a Learning Database for the Neural Network Retrieval of Sea Surface Salinity from SMOS Brightness Temperatures},
author = {Adel Ammar and Sylvie Labroue and Estelle Obligis and Michel Crépon and Sylvie Thiria},
journal= {arXiv preprint arXiv:1601.04296},
year = {2016}
}