高明，黃賢源，王芳，張海龍，趙紅霞，高溪遠(yuǎn)

（1.中國(guó)人民武裝警察部隊(duì)作戰(zhàn)勤務(wù)保障大隊(duì),北京 100081；2.中國(guó)人民解放軍部隊(duì)92859 部隊(duì),天津 300000）

海表鹽度（Sea Surface Salinity，SSS）是研究海洋狀態(tài)和海水動(dòng)力循環(huán)的重要物理和化學(xué)參數(shù)。海洋中海-氣交換、海冰凍融等許多過程的產(chǎn)生和發(fā)展都與鹽度的分布及變化規(guī)律有關(guān)，研究海表鹽度對(duì)揭示海洋現(xiàn)象、海洋過程和全球氣候變化具有重要意義[1-2]。

海表鹽度探測(cè)手段主要包括實(shí)地探測(cè)和遙感探測(cè)。實(shí)地探測(cè)手段難以實(shí)現(xiàn)全球海域的實(shí)時(shí)連續(xù)觀測(cè)，但海洋衛(wèi)星遙感技術(shù)可較好地解決這一問題。歐洲航天局（European Space Agency，ESA，簡(jiǎn)稱歐空局）于2009 年發(fā)射的土壤濕度與海水鹽度（Soil Moisture and Ocean Salinity，SMOS）衛(wèi)星是一顆專用于探測(cè)海表鹽度的衛(wèi)星，其唯一有效載荷是基于孔徑綜合技術(shù)的微波成像儀MIRAS（Microwave Imaging Radiometer using Aperture Synthesis），工作頻率在L 波段，主要用于探測(cè)輻射亮溫（Brightness Temperature，TB）。在發(fā)射之初，該衛(wèi)星提出的觀測(cè)目標(biāo)是提供在空間分辨率為200 km × 200 km、時(shí)間分辨率為10～30 d 時(shí)精度達(dá)到0.1 的全球海表鹽度數(shù)據(jù)。但是，研究表明[3-4]，在某些海域，SMOS 衛(wèi)星的鹽度產(chǎn)品難以達(dá)到預(yù)期要求。對(duì)此，許多學(xué)者開展了提高SMOS 衛(wèi)星鹽度數(shù)據(jù)精度的研究[5-8]。例如：盧紅麗等[5]研究了海面風(fēng)矢量對(duì)海表亮溫的影響，并推導(dǎo)出海表風(fēng)速、風(fēng)向、海表亮溫以及亮溫修正量之間的關(guān)系式，從而消除了風(fēng)對(duì)鹽度遙感的影響。李志等[6]對(duì)風(fēng)速和涌浪兩個(gè)參數(shù)做線性回歸，建立了適用于實(shí)驗(yàn)海區(qū)的鹽度反演模式。鄧廣等[7]采用統(tǒng)計(jì)學(xué)的回歸方式，將亮溫?cái)?shù)據(jù)代入HYCOM 模式的模擬亮溫，建立回歸模型，提高了南海區(qū)域的鹽度反演精度。王迎強(qiáng)等[8]利用MPM 93（Millimeter-Wave Propagation Model 93）模型和最大似然估計(jì)法研究不同天氣對(duì)鹽度反演的影響，結(jié)果表明降雨量和海表面溫度對(duì)鹽度反演的影響不可忽略。

近年來，深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network,DNN）在智能駕駛、語音識(shí)別、醫(yī)療和生物等領(lǐng)域得到了廣泛的應(yīng)用[9-10]，也逐漸在海洋科學(xué)領(lǐng)域得到運(yùn)用[11-13]。為提高SMOS 衛(wèi)星鹽度產(chǎn)品精度，本研究提出了基于深度神經(jīng)網(wǎng)絡(luò)的鹽度反演算法，通過學(xué)習(xí)深層次非線性的網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)復(fù)雜函數(shù)的逼近，能夠有效解決傳統(tǒng)海表鹽度反演模型中參數(shù)擬合復(fù)雜、模型適應(yīng)性差等問題。K 折交叉驗(yàn)證法是機(jī)器學(xué)習(xí)（Machine Learning,ML）數(shù)據(jù)處理常用的方法，它能夠充分利用有限的數(shù)據(jù)集，使其發(fā)揮最大效果，多用于訓(xùn)練數(shù)據(jù)量較少的情況，本文利用該方法進(jìn)行12 次不同參數(shù)的實(shí)驗(yàn)，逐步調(diào)整深度神經(jīng)網(wǎng)絡(luò)的隱藏層數(shù)、層間結(jié)點(diǎn)數(shù)量、迭代次數(shù)、優(yōu)化器種類以及Dropout 比例，進(jìn)而不斷優(yōu)化模型結(jié)構(gòu)，最終訓(xùn)練出最佳模型，以期為SMOS 鹽度精度的提高貢獻(xiàn)新的研究思路。

1 數(shù)據(jù)來源

1.1 研究區(qū)域

受射頻干擾RFI（Radio Frequency Interference）的影響，微波輻射計(jì)接收的輻射信號(hào)存在不可消除的誤差，大大降低了海表鹽度的產(chǎn)品精度[14]。因此，本實(shí)驗(yàn)選擇遠(yuǎn)離陸地，受RFI 影響較小的開闊海域作為研究對(duì)象。此外，銀河噪聲在7 月和8 月波動(dòng)比較小，使用此時(shí)間段的SMOS 衛(wèi)星數(shù)據(jù)可忽略來自外太空的影響[8]?；诖耍疚倪x取太平洋中部海域（150°E～180°，5°～30°N）作為研究區(qū)域（圖1 中紅色方框區(qū)域），對(duì)該區(qū)域內(nèi)2013 年7 月至8 月的數(shù)據(jù)進(jìn)行時(shí)空匹配，構(gòu)建實(shí)驗(yàn)所需要的數(shù)據(jù)集。

圖1 研究 區(qū)域Fig.1 Study area

1.2 SMOS 數(shù)據(jù)

SMOS 探測(cè)的亮溫不是海面的真實(shí)溫度，而是一種用于描述物體輻射強(qiáng)度的假定溫度。對(duì)于海洋表面，海水亮溫與真實(shí)海表溫度、海表發(fā)射率之間的函數(shù)關(guān)系[6]為：

式中：SST（Sea Surface Temperature）為海表溫度；f為微波頻率；Tb為亮溫；θ為入射角；e為海表發(fā)射率；SSS 為海表鹽度。

海表發(fā)射率e與海面粗糙度聯(lián)系緊密。海面粗糙度主要由海面風(fēng)速包括緯向風(fēng)速（Zonal Wind Speed，ZWS）和經(jīng)向風(fēng)速（Meridional Wind Speed，MWS），以及有效波高（Significant Wave Height，SWH）表征[6]。此外，研究表明[15]，降雨率（Rain Rate，RR）和海表蒸發(fā)量（Evaporation，Eva）也是直接影響海表面實(shí)時(shí)鹽度的重要因子。因此，本文選取與鹽度反演密切相關(guān)的7 個(gè)參數(shù)，即：亮溫TB、海表溫度SST、緯向風(fēng)速ZWS、經(jīng)向風(fēng)速M(fèi)WS、有效波高SWH、降雨率RR 和海表蒸發(fā)量Eva 作為模型輸入?yún)?shù)。這些參數(shù)和3 種SMOS衛(wèi)星L2 級(jí)鹽度產(chǎn)品（SSS1、SSS2、SSS3）均源于歐空局網(wǎng)站[16]，空間分辨率為0.022°×0.022°。

1.3 Argo 數(shù)據(jù)

Argo 浮標(biāo)（以下簡(jiǎn)稱Argo）是海洋實(shí)地探測(cè)的一個(gè)典型代表。它是一種自持式剖面漂流浮標(biāo)，可以在大洋中自主沉浮、自由漂流，自動(dòng)測(cè)量深至水下2 000 m 的海水剖面數(shù)據(jù)。Argo 所載的泵抽式溫鹽深儀（Conductivity Temperature Depth，CTD） 在距海表5 m 左右時(shí)會(huì)自動(dòng)停止工作，無法探測(cè)到真實(shí)的海表鹽度。但5 m 處的鹽度與海水表層1 cm 左右的鹽度值幾乎一致[17]，因此，本文使用Argo 最淺層的鹽度數(shù)據(jù)來代表海表鹽度值。研究數(shù)據(jù)來自中國(guó)Argo 資料中心[18]，選擇2013 年7 月至8 月太平洋中部海域（150°E～180°，5°～30°N）的Argo 浮標(biāo)，具體位置見圖1 中藍(lán)點(diǎn)所示位置。

2 研究方法

2.1 數(shù)據(jù)匹配

SMOS 衛(wèi)星提供的是200 km×200 km 的網(wǎng)格亮溫?cái)?shù)據(jù)，Argo 提供的是離散點(diǎn)數(shù)據(jù)，二者數(shù)據(jù)格式存在差異。因此，在建立神經(jīng)網(wǎng)絡(luò)模型之前，首先需要對(duì)SMOS 衛(wèi)星數(shù)據(jù)與Argo 實(shí)測(cè)鹽度數(shù)據(jù)進(jìn)行時(shí)空匹配。

參考曹凱翔等[19]的數(shù)據(jù)匹配方法，本文采用空間分辨率為0.5°×0.5°、時(shí)間分辨率為36 h 的匹配原則，對(duì)2013 年7 月至8 月的SMOS 衛(wèi)星L1、L2 級(jí)產(chǎn)品與Argo 鹽度數(shù)據(jù)進(jìn)行時(shí)空匹配，即：對(duì)于每一個(gè)SMOS衛(wèi)星產(chǎn)品數(shù)據(jù)，計(jì)算其測(cè)量點(diǎn)周圍0.5°網(wǎng)格點(diǎn)內(nèi)和測(cè)量時(shí)間點(diǎn)（±18）h 內(nèi)所有Argo 鹽度的平均值，將其作為匹配后的實(shí)測(cè)鹽度數(shù)據(jù)。

將SMOS 衛(wèi)星數(shù)據(jù)與Argo 鹽度數(shù)據(jù)匹配后，得到470 組有效數(shù)據(jù)。每組數(shù)據(jù)具有11 個(gè)屬性值，即TB、SST、RR、SWH、ZWS、MWS、Eva，以及Argo 實(shí)測(cè)鹽度數(shù)據(jù)、SSS1 數(shù)據(jù)、SSS2 數(shù)據(jù)和SSS3 數(shù)據(jù)。其中，將TB、SST、RR、SWH、ZMS、MWS 和Eva 這7 個(gè)參數(shù)作為反演模型的輸入值，將Argo 實(shí)測(cè)鹽度數(shù)據(jù)作為真實(shí)參考值，將SMOS 衛(wèi)星的3 種L2 級(jí)鹽度產(chǎn)品SSS1、SSS2、SSS3 數(shù)據(jù)作為與實(shí)驗(yàn)結(jié)果的比較值。

由于反演模型輸入所需的7 個(gè)屬性值的單位不同，所以，需要消除量綱之間的差異。利用標(biāo)準(zhǔn)歸一化的方法，對(duì)每個(gè)參數(shù)減去其平均值（中心化），再除以其標(biāo)準(zhǔn)差，最終得到平均值為0、標(biāo)準(zhǔn)差為1 的標(biāo)準(zhǔn)正態(tài)分布數(shù)據(jù)。標(biāo)準(zhǔn)歸一化后的參數(shù)x?為：

式中：x為原始輸入?yún)?shù)值；μ為參數(shù)的均值；σ為參數(shù)的標(biāo)準(zhǔn)差。

2.2 K 折交叉驗(yàn)證法

K 折交叉驗(yàn)證法是機(jī)器學(xué)習(xí)模型調(diào)優(yōu)常用的方法，可以充分利用有限數(shù)據(jù)，發(fā)揮小樣本的最大效果[20]。該方法的操作流程為：首先將數(shù)據(jù)集劃分成數(shù)量相同的K 組數(shù)據(jù)，實(shí)例化K 個(gè)相同的模型，讓每個(gè)模型都在K?1 個(gè)分區(qū)上訓(xùn)練；然后在剩余的一個(gè)驗(yàn)證分區(qū)上進(jìn)行評(píng)估，模型的最終驗(yàn)證結(jié)果為k 個(gè)結(jié)果的平均值。本文采用4 折交叉驗(yàn)證，即K=4，如圖2 所示。

圖2 四折交叉驗(yàn)證法操作流程Fig.2 Four fold cross-validation process

2.3 DNN 深度神經(jīng)網(wǎng)絡(luò)

深度神經(jīng)網(wǎng)絡(luò)DNN（Deep Neural Network）是具有多個(gè)層級(jí)結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)，包括輸入層、多個(gè)隱藏層和輸出層。模型相鄰層的節(jié)點(diǎn)間存在連接結(jié)構(gòu)，而同一層和跨層的節(jié)點(diǎn)間沒有連接。不同節(jié)點(diǎn)間通過全連接層與激活函數(shù)組合的形式相連，構(gòu)建多層復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型。模型結(jié)構(gòu)如圖3 所示。

圖3 DNN 模型 結(jié)構(gòu)Fig.3 DNN model structure

DNN 神經(jīng)網(wǎng)絡(luò)的構(gòu)建包含了全連接層、激活函數(shù)、損失函數(shù)和優(yōu)化器等結(jié)構(gòu)。DNN 利用前向與反向傳播算法（Backward Propagation，BP）進(jìn)行訓(xùn)練，對(duì)網(wǎng)絡(luò)中每個(gè)權(quán)重w和偏置b進(jìn)行不斷更新。反向傳播算法作為DNN 的核心內(nèi)容，實(shí)質(zhì)是將預(yù)測(cè)輸出值與真值間的誤差進(jìn)行回傳，不斷修改網(wǎng)絡(luò)模型每個(gè)連接層中w與b的數(shù)值大小，使誤差值不斷減小，直至滿足精度要求。通過大量數(shù)據(jù)的訓(xùn)練，損失函數(shù)值下降到要求閾值后，取此時(shí)的參數(shù)值作為模型參數(shù)，據(jù)此進(jìn)行回歸預(yù)測(cè)。針對(duì)不同的實(shí)際情況，隱藏層數(shù)、隱藏層節(jié)點(diǎn)數(shù)、Dropout 比例等結(jié)構(gòu)參數(shù)與初始學(xué)習(xí)率、訓(xùn)練步長(zhǎng)等訓(xùn)練參數(shù)的選取均會(huì)對(duì)訓(xùn)練結(jié)果產(chǎn)生一定的影響。此外，選取合適的損失函數(shù)與優(yōu)化器，還可以提升網(wǎng)絡(luò)模型精度，加速網(wǎng)絡(luò)訓(xùn)練速度。BP 算法的權(quán)重與偏置計(jì)算公式為：

式中：w*和w分別為更新后和更新前的權(quán)重；b*和b分別為更新后和更新前的偏置；α為人為設(shè)置的學(xué)習(xí)率；J(w,b)為模型的損失函數(shù)。通過不斷的梯度下降迭代，得到最優(yōu)參數(shù)w*和b*。

3 實(shí)驗(yàn)流程

實(shí)驗(yàn)具體流程如圖4 所示。首先將匹配成功的470 組數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)歸一化預(yù)處理，以統(tǒng)一輸入變量量綱，然后按照7∶3 比例隨機(jī)分為訓(xùn)練集330 組和測(cè)試集140 組。為使DNN 模型發(fā)揮最佳效果，本文進(jìn)行了12 次不同參數(shù)設(shè)置的實(shí)驗(yàn)，對(duì)于每一參數(shù)設(shè)置，均進(jìn)行了多次重復(fù)實(shí)驗(yàn)。表1 給出了12 次實(shí)驗(yàn)調(diào)參訓(xùn)練結(jié)果，數(shù)據(jù)為同一參數(shù)設(shè)置下多次實(shí)驗(yàn)的平均值。實(shí)驗(yàn)采用4 折驗(yàn)證法，將用于訓(xùn)練的330 個(gè)數(shù)據(jù)分為4 組，第一組和第二組均包含82 個(gè)數(shù)據(jù)，第三組和第四組均包含83 個(gè)數(shù)據(jù)。首先以第一組為驗(yàn)證數(shù)據(jù)集，在后3 組數(shù)據(jù)上訓(xùn)練模型，訓(xùn)練完成后，在第一組數(shù)據(jù)上驗(yàn)證鹽度反演精度；接著以第二組數(shù)據(jù)為驗(yàn)證數(shù)據(jù)集。依次類推，不斷修改隱藏層層數(shù)Hidden_Layer、隱藏層節(jié)點(diǎn)數(shù)Nodes、Dropout 比例Dropout_P 和具體優(yōu)化算法Optimizer 等參數(shù)，最終得到最優(yōu)模型。

表1 12 次實(shí)驗(yàn)調(diào)參訓(xùn)練結(jié)果Table 1 Training results of 12 experiments

圖4 基于DNN 深度學(xué)習(xí)算法的海表鹽度反演流程Fig.4 SSS inversion flow based on DNN deep learning algorithm

本實(shí)驗(yàn)利用均方根誤差（Root Mean Square Error,RMSE）和平均絕對(duì)誤差（Mean Absolute Error,MAE）兩個(gè)指標(biāo)量化分析反演鹽度的誤差，計(jì)算公式分別為：

式中：m為實(shí)驗(yàn)數(shù)據(jù)總數(shù)；h(xi)為本文算法得到的海表鹽度數(shù)據(jù)；yi為對(duì)應(yīng)的實(shí)測(cè)Argo 鹽度數(shù)據(jù)。

本文進(jìn)行的12 次實(shí)驗(yàn)參數(shù)設(shè)置如表1 所示。由表1 可以看出，總的來說，當(dāng)隱藏層為2 層時(shí)，模型反演得到的鹽度誤差低于3 層隱藏層模型反演的鹽度。最優(yōu)的反演鹽度數(shù)據(jù)出現(xiàn)在第9 組，此時(shí)隱藏層為2 層，各層節(jié)點(diǎn)數(shù)分別為14 和7，Dropout 比例為0.5。采用RMSprop 優(yōu)化方式，獲得了RMSE 和MAE 分別為0.249 和0.193 的海表鹽度。實(shí)驗(yàn)9 最優(yōu)模型的其他重要參數(shù)學(xué)習(xí)率Learning_rate、激活函數(shù)Activation_function、損失函數(shù)Loss_function 和迭代次數(shù)Iteration 等的設(shè)置如表2 所示。

表2 最優(yōu)模型的各參數(shù)及其數(shù)值Table 2 Parameters and values of the optimal model

4 結(jié)果與分析

本文實(shí)驗(yàn)9 的參數(shù)設(shè)置獲得了精度最高的海表鹽度數(shù)據(jù)。在該實(shí)驗(yàn)的模型訓(xùn)練過程中，訓(xùn)練集和測(cè)試集的平均絕對(duì)誤差MAE 下降情況如圖5 所示。在實(shí)驗(yàn)的前100 次迭代內(nèi)，MAE 快速下降，模型迅速更新權(quán)重和偏置，使輸出鹽度與Argo 實(shí)測(cè)鹽度盡可能相等。但在進(jìn)行約120 次迭代后，MAE下降速度急緩，直至幾乎不再下降，此時(shí)精度約為0.2。

圖5 訓(xùn)練過程中訓(xùn)練集和測(cè)試集的 MAE 變化Fig.5 MAE variation and test-sets during training

以Argo 實(shí)測(cè)鹽度數(shù)據(jù)作為真實(shí)參考值，對(duì)實(shí)驗(yàn)獲取的470 組鹽度數(shù)據(jù)分別與SMOS 衛(wèi)星的SSS1、SSS2、SSS3 三種鹽度產(chǎn)品的RMSE 和MAE 進(jìn)行比較（見表3），可以看出，SMOS 衛(wèi)星的3 種鹽度產(chǎn)品精度整體相當(dāng)，但SSS1 的精度略高，因此選擇SSS1 數(shù)據(jù)作為SMOS 衛(wèi)星鹽度產(chǎn)品的代表，與本文實(shí)驗(yàn)結(jié)果進(jìn)行比較。

表3 SMOS 海表鹽度產(chǎn)品SSS1、SSS2、SSS3相較于Argo 實(shí)測(cè)鹽度的誤差對(duì)比Table 3 Errors of SMOS sea surface salinity products SSS1,SSS2,SSS3 compared with Argo SSS

將140 組測(cè)試集數(shù)據(jù)代入訓(xùn)練完成的DNN 模型，得到測(cè)試集的反演鹽度值。由DNN 反演鹽度數(shù)據(jù)、SMOS 衛(wèi)星產(chǎn)品SSS1 數(shù)據(jù)和Argo 實(shí)測(cè)鹽度值的對(duì)比結(jié)果（圖6）可見，DNN 反演數(shù)據(jù)與Argo 實(shí)測(cè)鹽度值十分接近，均分布在34～36，擬合精度明顯高于SSS1 數(shù)據(jù)。將Argo 數(shù)據(jù)作為參考標(biāo)準(zhǔn)，計(jì)算DNN 模型反演得到的鹽度值誤差（εDNN=SDNN?SArgo）以及SSS1 產(chǎn)品的誤差（εSSS1=SSSS1?SArgo），對(duì)比2 種誤差（圖7）可知：SSS1 產(chǎn)品誤差起伏較大，最大誤差接近于?4；而DNN 反演鹽度數(shù)據(jù)的誤差集中在0 附近，不大于1 且不小于?1，說明其質(zhì)量明顯優(yōu)于SMOS 數(shù)據(jù)。此外，SMOS 衛(wèi)星的SSS1 產(chǎn)品與Argo 實(shí)測(cè)鹽度之間的RMSE 超過0.8，MAE 超過0.5；而DNN 模型反演得到的鹽度值與Argo 實(shí)測(cè)鹽度之間的RMSE 為0.249，MAE 為0.193，均明顯優(yōu)于前者。因此，實(shí)驗(yàn)結(jié)果充分驗(yàn)證了本文方法的有效性和先進(jìn)性。

圖6 DNN 模型反演鹽度、SMOS 衛(wèi)星SSS1 產(chǎn)品、Argo 實(shí)測(cè)鹽度值對(duì)比Fig.6 Comparison of DNN retrieved SSS,SMOS SSS1,and the Argo measured SSS

圖7 DNN 模型反演鹽度與SMOS 衛(wèi)星SSS1 產(chǎn)品誤差對(duì)比Fig.7Comparison of errors between DNN retrieved SSS and SMOS SSS1

為驗(yàn)證DNN 模型鹽度反演方法的魯棒性，本文將最佳模型（實(shí)驗(yàn)9）重復(fù)進(jìn)行了10 次實(shí)驗(yàn)。每一次實(shí)驗(yàn)都保證模型參數(shù)不變，但隨機(jī)劃分出不同的訓(xùn)練集和測(cè)試集數(shù)據(jù)（保持2 個(gè)數(shù)據(jù)集容量不變），然后驗(yàn)證測(cè)試集誤差，分別記錄每次實(shí)驗(yàn)的RMSE 和MAE，并計(jì)算出10 次重復(fù)實(shí)驗(yàn)的平均值（見表4），結(jié)果表明：第8 次實(shí)驗(yàn)誤差最小，其MAE 為0.159，RMSE 為0.195。總體來看，10 次重復(fù)實(shí)驗(yàn)的平均MAE 為0.216，平均RMSE 為0.262。這10 次訓(xùn)練的差異較小，結(jié)果較為穩(wěn)定，且誤差均小于SMOS 衛(wèi)星鹽度產(chǎn)品。因此，本文算法具有較高的魯棒性。

表4 最優(yōu)模型10 次實(shí)驗(yàn)結(jié)果量化指標(biāo)Table 4 Quantitative indexes of 10 experimental results of the optimal model

5 結(jié)論

針對(duì)目前SMOS 衛(wèi)星反演鹽度精度未滿足預(yù)期標(biāo)準(zhǔn)的情況，本文提出了一種基于深度神經(jīng)網(wǎng)絡(luò)DNN 的海表鹽度反演方法。為避免射頻干擾RFI 和銀河噪聲的影響，研究數(shù)據(jù)選擇了2013 年7 月至8 月太平洋中部海域（150°E～180°，5°～30°N）的SMOS 衛(wèi)星數(shù)據(jù)。在建立DNN 模型之前，首先將亮溫TB、海表溫度SST、緯向風(fēng)速ZWS、經(jīng)向風(fēng)速M(fèi)WS、有效波高SWH、降雨率RR 和海表蒸發(fā)量Eva 共7 個(gè)模型輸入?yún)?shù)，以及SMOS 衛(wèi)星3 種鹽度產(chǎn)品（SSS1、SSS2、SSS3）和Argo 實(shí)測(cè)鹽度數(shù)據(jù)，按照空間分辨率為0.5°×0.5°、時(shí)間分辨率為36 h 的原則進(jìn)行時(shí)空匹配。然后，將470 組實(shí)驗(yàn)數(shù)據(jù)按照7∶3 比例隨機(jī)劃分為訓(xùn)練集和驗(yàn)證集。在訓(xùn)練集上，采用4 折交叉驗(yàn)證的方式，反復(fù)實(shí)驗(yàn)，優(yōu)化模型參數(shù)，直至訓(xùn)練出最佳模型。最后，將最佳模型的參數(shù)設(shè)置固定，進(jìn)行10 次重復(fù)實(shí)驗(yàn)，驗(yàn)證了本文方法的魯棒性。

根據(jù)最佳模型的10 次實(shí)驗(yàn)表現(xiàn)，DNN 模型反演鹽度數(shù)據(jù)與Argo 實(shí)測(cè)鹽度之間平均MAE 為0.216，平均RMSE 為0.262；最優(yōu)時(shí)，MAE 為0.159，RMSE 為0.195。精度明顯高于SMOS 衛(wèi)星L2 級(jí)鹽度產(chǎn)品（MAE=0.535，RMSE=0.817）。因此，本文提出算法的反演鹽度精度超過了SMOS 衛(wèi)星鹽度產(chǎn)品，且多次實(shí)驗(yàn)均取得了較好結(jié)果，驗(yàn)證了方法的先進(jìn)性和穩(wěn)定性，能夠?yàn)楹Ｑ篼}度分析提供較好的數(shù)據(jù)源，從而有助于推動(dòng)相關(guān)領(lǐng)域的研究進(jìn)展。