1、基于 SMOS 卫星数据的 BP 神经网络盐度反演模型 李长军 赵清晖 赵红 中国海洋大学数学科学学院 摘 要： 海表面盐度 SSS (Sea Surface Salinity) 是研究大洋环流和海洋对气候影响的重要参量、是决定海水基本性质的重要因素之一。卫星微波遥感可以满足盐度研究过程中大范围、连续观测的需要。目前, 由欧洲空间局设计开发的 SMOS (Soil Moisture and Ocean Salinity) 卫星于 2009 年发射成功, 并且根据它的观测数据和物理机制反演出了海表面盐度的相关产品。但结果显示, 在某些近海岸区域 (如中国南海海域) 受陆地 RFI 等诸多因素的影
2、响, 基于卫星遥感物理机制反演得到的盐度产品的精度较低。本文的主要目的是利用中国海洋大学“东方红 2”科学考察船的走航数据、SMOS 卫星数据, 针对中国南海海域提出了用 BP 神经网络预测海表面盐度的方法, 并用实测 Argo 浮标、WOA13 的盐度数据对模型进行适应性评估。结果表明, 模型产品相对于“东方红 2”实测盐度数据的均方根误差 (RMSE) 是 0.21, 而 SMOS 的 SSS1 产品、SSS2 产品和SSS3 产品的精度分别为 1.90、1.93 和 1.91。同时, 在验证数据集中, 模型预测数据相对于 Argo 浮标实测盐度数据的均方根误差 (RMSE) 是 0.50
3、, 而 SMOS的 SSS1 产品、SSS2 产品和 SSS3 产品的精度分别为 1.83、1.83 和 1.84。此模型具有良好的适应性和泛化能力, 为海表面盐度的反演和预测提供了一个不依赖于物理机制的新方法。关键词： 海表面盐度; SMOS 卫星; BP 神经网络; 反演算法; 作者简介：李长军 (1965-) , 男, 教授。E-mail:.收稿日期：2015-07-16基金：国家自然科学基金项目 (41275013) 资助Retrieve Salinity Using BP Neural Networks Model Based on SMOS DataLI Chang-Jun ZHA
4、O Qing-Hui ZHAO Hong School of Mathematical Sciences, Ocean University of China; Abstract： The SSS (Sea surface salinity) is the important parameter of study ocean circulation and global climate and factors which determine the essential properties of seawatere.Satellite microwave remote sensing sati
5、sfies the salinity research needs of extensiveness and continuous observations.SMOS satellite which launched by the European Space Agency in 2009 is being used to detect sea surface salinity based on observational data and the physical mechanism.However, in some epicontinental sea area like the Sout
6、h China sea, due to the inflow of freshwater and terrestrial radio frequency interference and other factors, the precision of salinity satellite products is relatively low.The purpose of this paper is used the measured data ofDong Fang Hong 2and the SMOS data to predict sea surface salinity by BP Ne
7、ural Networks in South China Sea, and assessed the model in validation data sets.Analysis showed that the model error were 0.21 while the precision of SMOS Level 2 SSS1、SSS2、SSS3 products were 1.90、1.93 and 1.91.At the same time, the validation errors were 0.50 while the precision of SMOS Level 2 SS
8、S1、SSS2、SSS3 products were 1.83、1.83 and 1.84.It can be said that the model has good adaptability and generalization ability.A new method is provided for the inversion and prediction of sea surface salinity, which does not depend on the physical mechanism.Keyword： sea surface salinity; SMOS satellit
9、e; BP neural networks; retrieved algorithm; Received： 2015-07-16引用格式:李长军, 赵清晖, 赵红.基于 SMOS 卫星数据的 BP 神经网络盐度反演模型J.中国海洋大学学报 (自然科学版) , 2018, 48 (1) :125-134.LI Chang-Jun, ZHAO Qing-Hui, ZHAO Hong.Retrieve salinity using BP Neural Networks model based on SMOS dataJ.Periodical of Ocean University of China,
10、 2018, 48 (1) :125-134.近年来, 多种多样的人类活动对气候变化产生了越来越大的影响, 研究表明全球水循环在缓和气候变化上具有至关重要的作用, 科学家们对此进行了多方面的研究。其中, 海表面盐度 SSS (Sea Surface Salinity) 作为海洋循环的关键参数, 它的时空变化和分布规律显得尤为重要。资料显示, 当前包括海表温度、海风等在内的几乎所有有关海洋的重要参数都已经实现了用遥感进行观测, 盐度是唯一一个例外。究其原因, 主要是受限于海表面盐度遥感的技术, 使得对海表面盐度进行的反演结果精度普遍偏低, 不能够满足实际的需求。但是随着科学研究发展的要求不断提高
11、, 仅仅是依靠现场实测的海表盐度, 在时间和空间两个方面的需求上均远远不够, 急需要找到新的方法和新的技术来给出海表盐度。事实上, 卫星遥感技术能够满足大范围连续观测的这一要求, 因此, 对海表面盐度反演技术的不断研究是我们必须要做的事情。国际上截止目前拥有的对海表面盐度遥感方面的研究, 其中之一便是 2009 年由欧洲空间局 ESA 发射的 SMOS (Soil Moisture and Ocean Salinity) 卫星, 另外一个是美国宇航局 NASA 在 2011 年与阿根廷空间局 CONAE 共同开发并发射的Aquarius/SAC-D 卫星。其中, SMOS 卫星计划提供经过 1
12、030d 平均和200km200km 的空间平均后达到分辨率为 0.11-2精度的海表面盐度。自上述两颗卫星发射以来, 许多国外的学者对海表面盐度反演模型及其算法进行了针对性的探究, 并且对这两颗卫星及其相关产品进行了多方面的评价3-5。多个机构例如法国海洋开发研究所、美国海洋所、日本气象局、英国气象局、印度国家海洋信息中心等分别研制了诸如气候温盐分布场等在内的各自的卫星遥感产品6-11。同样的, 在国内, 也有一批诸如中国海洋大学、国家海洋局第一第二研究所、中国科学院海洋研究所、解放军理工大学、中国地质大学和大连海事大学等机构的许多研究者, 近几年来也对中国近海海域的海表盐度遥感反演模型及算
13、法进行了一些初步的探索12-14。但是由于中国近岸海域辽阔, 海况复杂, 特别的, 南海海域具有强风场、泡沫和陆地射频干扰 (RFI) 等现象, 严重影响反演后得到盐度的精度。下面给出的图 1 是利用国际上已经存在的算法得到的反演后的盐度全球分布图, 该图是 http:/argans.co.uk/smos/pages/mapdays.php网站公布的 2015 年 2 月 2226 日 5 天平均的全球海表面盐度空间分布图。图中白色区域是没有得到有效盐度产品的海域, 可以看到中国南海海域 (如图 1黑框内的区域) 绝大多数是空白。可以说现有模型和算法不适用于中国近岸海域, 特别是中国南海海域。
14、总的来看, 目前, 国内外海表面盐度微波遥感反演主要有基于海表面发射率估算海表面盐度的算法和基于贝叶斯定理提出的反演算法, Adel Ammar 等人也在2008 年发表的文章15中提到可以用神经网络的方法基于 SMOS 卫星的 Level 1 产品进行盐度反演, 但正如前面提到的, 现有的思路不适用于中国近岸海域。王新新等人在 2012 年发表的文章16最后提到, 下一步要做的是针对我国近海海域通过走航数据、Argo 实测数据对卫星数据进行校正, 以提高盐度反演精度16。本文利用“东方红 2”科学考察船的实测盐度数据在中国近岸海域南海对三组SMOS 卫星海表面盐度数据 (三种不同粗糙度修正模
15、型下的结果) 开展准确度评估, 并采用 BP 神经网络方法对 SMOS 卫星的 Level 2 产品进行进一步的修正, 期望得到精度更高的海表面盐度产品, 进而对模型进行适应性检验, 具有重要意义。图 1 2015 年 2 月 2226 日 5 天平均的全球海表面盐度分布图 Fig.1 Sea surface salinity distribution map of five days average from 22to 26, February, 2015 下载原图1 海表面盐度的数据来源及分析1.1“东方红 2”实测数据集由于中国近海岸海域非常辽阔, 况且还不断的受到 RFI 等太多因素的
16、影响, 特别是南海海域, SMOS 卫星和 Aquarius/SAC-D 卫星的的产品精度并不尽如人意1, 但正因为其特殊的地理位置和重要的国际地位, 南海海表面盐度的研究是大家非常关心的问题。因此, 本文将目光集中在了 4N25N, 105E125E 的南海海域, 希望通过 BP 神经网络模型来建立更加精确的海表面盐度的反演算法。下面的图 2 是按照地理位置绘制的 47 个测量浮标, 这些浮标是中国海洋大学科学考察船“东方红 2”为了进行海洋调研而安放的, 文章在开始之前经过申请获得了该批浮标在 2012 年的 46 月期间的科学考察数据。这些数据不仅包括此时间和空间下的海表面盐度值, 还包
17、括了风速、海表面泡沫在内的等等多个重要的海洋指标性数据, 在获得这些珍贵的数据之际, 我们便根据国际标准对其进行了一系列的诸如时空匹配、参数选择等复杂的前期处理工作, 最终获得了这片海域在此时间段的实际测量数据 1 348 组 (in-situ SSS) 。图 2“东方红 2”在中国南海放置的停泊浮标位置 Fig.2 The locations of theDong Fang Hong 2in South China Sea 下载原图1.2 Argo 实测数据集Argo (Array for Real-time Geostrophic 0ceanography) 即“全球海洋实时观测网”的英文
18、缩写, 该海洋观测计划由美国等国家于 1998 年提出1。它是第一个提供了海洋次表层信息的海洋观测计划, 在此之前只能通过海洋调查船或者锚碇浮标观测获得有限的海洋次表层的温盐度信息。本文自网站 http:/ 2013 年 46 月南海海域共374 个有效的 Argo 浮标, 此数据经过了国际上普遍认可的对 Argo 数据采取的处理模式的处理后可直接应用。本文在获取原始数据后, 将所有浮标的盐度数据进行了时空匹配、天平均等一系列复杂的前期处理工作, 该数据集将作为实测数据用于模型验证与模型适应性讨论部分。1.3 WOA13 数据集WOA13 (World Ocean Atlas 2013) 17
19、是一个再分析数据集, 由美国国家海洋地质数据中心海洋气候研究所公布。该数据集中包括的各项实测数据, 如温度、盐度、溶解氧量、磷酸盐含量、硅酸盐含量及硝酸盐含量等覆盖了全球海洋气候学关注的各个领域。WOA13 公布数据分为年平均、季平均和月平均数据, 该数据集将全球海域采用 5、1、0.25网格化方式进行处理, 其所公布的数据测量结果都会在对应网格化的经纬度上。本文从 http:/.www.nodc.noaa.gov/OC5/woa13/网站下载了全球海水盐度的月平均的 11网格化数据。该数据通过对 20052013 年获得的有效 Argo 浮标等数据进行再分析得到了全球海域海水盐度的月平均产品
20、。本文提取第一层数据作为海表面盐度的代表, 此数据集将作为实测数据用于模型验证与模型适应性讨论部分。如图 3 是 2013 年 4 月全球 WOA13 盐度的空间分布图, 海表面盐度大多集中在 3136。图 3 2013 年 4 月全球 WOA13 的月平均分布图 Fig.3 Monthly average distribution of sea WOA13in the world in April 2013 下载原图1.4 SMOS 卫星数据集SMOS 卫星 (Soil Moisture and Ocean Salinity) 是欧洲航天局 ESA (European Space Agenc
21、y) 于 2009 年 11 月 2 日发射升空, 是人类设计的第一颗用于探测海洋盐度和土壤湿度的新型卫星, 在 2010 年 5 月进入工作阶段。其盐度产品分为从原始格式资料、Level 0 到 Level 3 等多种形式的产品, 具体产品描述见表 12。表 1 SMOS 卫星产品的描述 Table 1 The description of SMOS satellite product 下载原表 SMOS 卫星的主要产品, 即 Level 2 级数据产品, 其反演算法是根据不同粗糙度修正模型而得来的。目前, 海表面粗糙度修正模型主要有 SSS1 模型、SSS2 模型和 SSS3 模型, 它们
22、分别是由 Yueh18-19提出的双尺度模型、由Voronovich20提出的微扰法/小斜率近似模型和 Gabarr21通过大量数据提出的经验模型。上述这些方法不可避免的会存在多种反演误差, 在 SMOS 卫星发射之后, 国际上许多学者想尽办法来减小误差, 目前来看, 在更加宽阔的海域有了较为明显的效果, 但正如文章前面已经提到的, 这些减小误差的办法并不适用于长期受到RFI 等严重影响的近海海域, 在这些海域 SMOS 卫星的误差相当大。这也是本文之所以选择中国的近岸海域南海的主要原因。1.5 数据的时间、空间匹配在模型的建立过程中, 作为训练数据集的是 1.1 节介绍过的“东方红 2”实测
23、数据, 以及由 SMOS 卫星提供的其他辅助数据。影响反演结果的因素有很多, 我们这里经过对数据及资料的多方面考证和研究, 以及对各因素相关性的反复对比, 最终决定采用以下的六个参量进行建模:亮温 (TB) 、海表面温度 (SST) 、有效波高 (SWH) 、降雨率 (RR) 、风速 (WS) 和蒸发量 (TCWV) 1。首先, 对于订购下载得到的 2012 年 46 月中国南海海域的 SMOS 卫星数据, 将其 Level 2 产品与辅助数据进行相同时空下分辨率为 0.0220.022的网格化匹配, 得到有效数据 4041181 组。其次, 考虑到各种数据在时间和空间上的差异性, 按照国际标
24、准1, 文章以12h 为时间间隔, 以 0.50.5 (大约 54km54km) 为空间间隔, 将“东方红 2”实际测量得到的数据与相同时空下 SMOS 卫星的 4041181 组有效数据进行匹配, 最终得到了能够完全匹配的数据 106 组。这 106 组数据将是本文用来建立 BP 神经网络模型的训练数据集, 每一组都由以下的 10 个因素组成:in-situ SSS、TB、SST、SWH、RR、WS、TCWV, 以及 SMOS卫星反演得到的 SSS1、SSS2、SSS3。1.6 训练数据的误差分析如图 4, 是 1.5 节得到的 106 组时空匹配的实测数据 (in-situ SSS) 和
25、SMOS Level 2 卫星产品 (SSS1、SSS2、SSS3) 分布图, 其中 SMOS 卫星自身的反演机制得到的 SSS1、SSS2、SSS3 的数据差距较小, 且都与我们在该时空下获得的真实的海表面盐度值差距较大。均方根误差的计算结果表明, SMOS 卫星自身的反演机制得到的 SSS1、SSS2、SSS3 相对于真实值的 RMSE 为 1.90、1.93、1.91 (psu) ;平均绝对误差的计算结果表明, SMOS 卫星自身的反演机制得到的SSS1、SSS2、SSS3 相对于真实值的 MAE 为 1.46、1.49、1.47 (psu) 。图 4 时空匹配的实测数据和 SMOS 卫
26、星产品分布图 Fig.4 Comparisons between in-situ data to SMOS products for matchup data points 下载原图2 基于 BP 神经网络的统计反演模型作为数据挖掘技术中的一个重要方法, 人工神经网络有着不可或缺的地位。人工神经网络从人脑神经元处理信息的方式中得到启示, 建立了属于自己的非线性系统模型, 其优点在于:自适应性、自组织性、良好的学习能力、良好的联想能力、良好的容错能力和抗干扰能力。而 BP 神经网络作为人工神经网络的核心内容, 当前世界对其进行了多种多样的研究, 应用领域极其广泛, 可以说已经初步形成了一个成熟的
27、研究体系。在海表面盐度的卫星遥感反演中, 针对 SMOS卫星的数据, 国内已有学者采用了几种回归分析的方法建立了反演模型, 其中包括多元线性回归、岭回归、最小角回归、主成分回归方法和 LASSO 方法22-23。相较于这几种回归分析方法, BP 神经网络本身存在的自适应性使得模型训练过程中的变量选择及误差更合理, 并且其自身可根据拟合的情况在模型训练的过程中进行组织学习。本节和第 3 节将分别利用 BP 神经网络模型对海表面盐度及其影响变量建立统计模型, 并利用实测 Argo 盐度数据、WOA13 的盐度数据对模型进行评估和检验。2.1 人工神经网络人工神经网络24 (Artificial N
28、eural Networks, ANN) , 简称为神经网络 (Neural Networks, NN) , 它是受到具有组织性和相互作用性的生物神经系统的启发, 将生物神经元所具有的感受刺激和传导兴奋的功能, 模拟转变为人工神经网络所具有的加权、求和以及转移的功能, 神经细胞如图 5 (a) 所示。图 5 神经元细胞结构图 (a) 、前馈神经网络结构图 (b) 和反馈神经网络结构图 (c) Fig.5 Neurons chart (a) the structure of feedforward NN (b) and the structure of feedback NN (c) 下载原图神
29、经元作为神经网络最基本的组成部分, 其形式如 (1) 式所示, 其中 xi (i=1, 2, , R) 为神经元输入, w i (i=1, 2, , R) 为神经元间的连接权值, b=w 0为阈值 (偏置值) , 如果将 x0=1 也看做神经元输入, 那么 w0就是特殊的连接权, f 为传递函数 (激活函数) , y 为神经元输出:其中, 传递函数 f 可以是线性或着非线性函数, 常用的有 hardlim (硬极限传递函数) 、purelin (线性传递函数) 、logsig (对数型传递函数) 等。通常, 传递信息过程中可以将神经元连接方式分为两类:一类是信号依次从输入层、隐含层以及最后到输
30、出层输出结果进行单向传播的前馈神经网络, 其结构图 5 (b) 所示;另外一类是同层之间的神经元存在互联的反馈神经网络, 即神经元输出信号后会将这部分信号反馈到前一层或同层神经元中, 换句话说, 信号可以向两个方向同时传播, 其结构如图 5 (c) 所示。2.2 BP 神经网络BP 神经网络25也被称为误差反向传播神经网络 (Error Back-propagation Algorithm) , 它是前馈神经网络的一种非常重要的有监督学习的学习算法, 在人工神经网络的实际应用中, 80%多的人工神经网络模型都是采用 BP 网络或它的变化形式。在该算法中, 误差传播与信号传递方向相反, 这两个阶
31、段具有前后顺序并不断交替进行。(1) 信号的正向传播。信号传播过程如下:信号-输入层-隐含层-输出层-得到处理过的信号。在此过程中, BP 神经网络的权值不会变化, 神经元的状态依然是单向传递, 不会出现下一层神经元的状态影响上一层神经元状态的情形。(2) 误差的反向传播。上述传播过程最后得到的信号如果和预期的有偏差, 那么将产生一个误差信号, 进行反向传播, 它是从输出层出发进行逆向传播。在该过程中, 误差信号由各层单元共同承担。其通过误差信号动态的监督对各单元层的权值进行调节。BP 神经网络正是通过这两个过程进行不断地正向传播和反向调节, 不断修正神经元之间的权值, 一旦输出信号的误差满足
32、了精度要求, 学习过程则停止。2.3 BP 神经网络模型建立及结果分析本节以 BP 神经网络为建模基础, 利用 1.5 节得到的训练数据集, 以TB、SST、SWH、RR、WS、TCWV 6 个因子为输入参数, 以 SSS 为输出参数, 建立基于卫星遥感数据的海表面盐度的反演模型, 使用 Matlab 软件进行仿真训练。2.3.1 BP 神经网络模型的创建为了防止小数值信息被大数值信息淹没现象的发生, 首先用 mapminmax 函数对样本数据进行归一化处理, 设置输入变量 X 和预期输出变量 Y (X 即为训练样本中表示影响因素的 6 维数据, Y 即为训练样本中的海表面盐度值, 是网络训练
33、希望达到的目标值) 。经过多次尝试与调整, 最终择优建立了一个隐含层为 5 层, 各层节点数分别为6、4、4、3、1 结构的 BP 神经网络。其中, 分别以tansig、tansig、tansig、purelin、purelin 为每一隐含层的传递函数, 以trainrp 为训练函数 (该函数的学习算法为弹性梯度下降法) , 学习率为0.00001、最大训练次数为 300 次、训练要求精度 0.00001、限时训练迭代过程次数为 50。进行网络训练和网络仿真。2.3.2 BP 神经网络训练结果根据 (1) 式, 针对 2.3.1 节 BP 神经网络模型的 5 个隐含层的设置, 此次模型训练将会
34、得到下列各隐含层的关系式, 网络训练的目的即求出各表达式 (2) 中的参数矩阵, 通过多次尝试与调整, 在误差达到最小的情况下的结果见表 2。利用该模型得到的各参数矩阵, 计算得到该时空下的海表面盐度的预测值。针对前面反复提到的 106 组实测数据, BP 神经网络模型预测得到的盐度值图见图6 (a) , 可以看到拟合结果较好。经过计算, BP 神经网络模型产品相对于实测数据的均方根误差 (RMSE) 为 0.21psu, 平均绝对误差 (MAE) 为 0.15。而SMOS 的 SSS1、SSS2、SSS3 产品的精度则较低, 具体比对数值见表 3, 误差分布图见图图 6 (b) 。结果表明,
35、 99%的 BP 神经网络模型误差都集中在-1psu 和1psu 之间, 而 SMOS 的 SSS1、SSS2、SSS3 产品的误差分别只有 44%、45%和 45%集中在该区间。3 模型验证与讨论在模型验证的过程中, 本文所选取的验证数据的时间和空间分别为 2013 年 46 月中国南海海域, 按照前面 1.5 节所介绍的时间空间的匹配方法, 对下载得到的 SMOS 卫星及其辅助数据数据进行匹配, 得到 4、5、6 月的有效数据11577984、11987166、和 11367069 组, 其中的每一组都由以下的 9 个因素组成:TB、SST、SWH、RR、WS、TCWV, 以及 SMOS
36、卫星反演得到的SSS1、SSS2、SSS3。通过前面的得到的 BP 神经网络模型 (2) 式, 计算得到了这三个月有效网格点处的海表面盐度值, 为了更好的将模型预测结果与 Argo 实测数据以及 WOA13 数据进行比对, 进一步处理得到了 4、5、6 月的分辨率为11有效月平均、天平均数据。图 7 给出了通过 BP 神经网络模型预测得到的 2013 年 4、5 和 6 月的海表面盐度月平均产品图。图 6 模型拟合的盐度值和真实盐度值的散点图 (a) 及误差分布图 (b) Fig.6 Comparisons between model SSS and in-situ SSS (a) , err
37、or distribution (b) 下载原图表 2 BP 神经网络训练结果 Table 2 The results of BP neural network training 下载原表 表 3 模型拟合的盐度和 SMOS 盐度的误差统计表 Table 3 Error statistics between in-situ SSS to model SSS and SMOS SSS 下载原表 进而, 将该验证数据与相同的时间、空间下的 Argo 浮标实测数据进行匹配处理, 得到有效数据共计 286 组。图 8 (a) 是匹配后相同时空下的 Argo、BP 模型SOMS 的散点图, 结果是显而易
38、见的, BP 神经网络模型的准确度明显高于 SMOS卫星。图 8 (b) 是误差对比图 (由图 4 知 SMOS 的 3 组产品盐度值接近, 此处仅选取 SMOS 的 SSS1 产品进行比对) 。经过计算, BP 神经网络模型预测数据相对于 Argo 浮标实测盐度数据的均方根误差 (RMSE) 是 0.50, 而 SMOS 卫星自身的反演机制得到的 SSS1、SSS2、SSS3 相对于真实值的 RMSE 为 1.83 左右, 具体比对数值见表 4。结果表明, 75%的 BP 神经网络模型误差都集中在-0.5 和 0.5之间, 而 SMOS 的 SSS1 产品误差只有 34%在-0.5 和 0.
39、5 之间。另一方面, 获得的南海海域 WOA13 海表面盐度数据 (分辨率为 11) 4、5和 6 月分别为 211 个、207 个和 206 个。同样的, 为了将 SMOS 卫星数据、BP 神经网络模型数据分别与 WOA13 海表面盐度数据进行比较, 按照 11进行 3种数据集的月平均时空匹配。此时, 每个匹配后的有效网格点处数据包括:WOA13 海表面盐度数据、BP 神经网络模型数据、3 种 SMOS Level 2 盐度产品 (SSS1、SSS2、SSS3) 以及各有效网格点的经纬度。经过计算, 表 5 呈现出了均方根误差 (RMSE) 的所有结果, 结果仍然表明 BP 神经网络模型的准
40、确度明显高于 SMOS 卫星。图 7 BP 神经网络模型预测的中国南海海域 2013 年 4、5 和 6 月的月平均盐度产品图 Fig.7 Distribution of monthly average SSS for retrieved products in April to June, 2013in South China Sea area 下载原图图 8 Argo 盐度、模型产品和 SMOS 产品分布图 (a) , 模型产品和 SMOS SSS1 相对于 Argo 的误差图 (b) Fig.8 Distribution of Argo、model and SMOS (a) , distribution error between Argo to model and SMOS SSS1 (b) 下载原图表 4 BP 模型预测的盐度和 SMOS 盐度相对于的 Argo 盐度值的误差统计表 Table 4 Error statistics between Argo SSS to the prediction of BP model SSS and SMOS SSS 下载原表
