文章摘要: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。SMOS （The Soil Moisture and Ocean Salinity）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。本文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，建立随机森林模型（Random Forest， RF），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。其中基础随机森林模型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GS-RF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。本文从机器学习与统计学理论出发，建立了高精度、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。

文章关键词:

论文分类号:P714.1