海洋初级生产力(Oceanic primary production, OPP)大约占全球生产力的50%，在海洋生态系统、海洋食物网构建等方面有重要作用。OPP能够影响碳从大气到深海的吸收和流动，从而形成名为生物泵的过程。因此，对于OPP的准确估计对生态系统保护和全球碳循环有重要意义。目前对OPP的遥感反演多采用半经验模型方法，该类方法精度较差，尤其不适用于海洋环境复杂的近岸海域。另外，模型方法需要多种完备的海洋参数作为输入，如海温、叶绿素浓度等，然而当其中的海洋参数无法获取时，模型方法也会失效。
随着遥感大数据技术的发展，机器学习方法对于OPP的反演能力仍有待考证。机器学习方法采用端到端的学习方式实现输入到目标的建模，因此，机器学习方法是否能基于不完备的海洋参数实现相似精度OPP的反演也需讨论。我院教师平博，联合国家海洋信息中心孟云闪、中科院空天信息研究院薛存金研究员和中科院地理所苏奋振研究员，分析不同机器学习方法对开放/近岸海域以及不同季节OPP反演的有效性，并探讨了不完备海洋参数对OPP反演的精度。
结果表明，机器学习方法优于传统的模型算法，尤其对海洋参数变化显著的夏季和近岸海域。通常，海温/叶绿素浓度/光合有效辐射的输入组合能取得较高的OPP 反演精度，然而，在近岸海域，海温/叶绿素的不完备输入参数也能取得相当的精度；在开放海域，包含叶绿素浓度的输入，如叶绿素/光合有效辐射，都能取得相当的OPP反演精度。该研究能够为OPP反演提供新的视角，有利于海洋环境复杂海域的OPP反演。该成果发表在Journal of Geophysical Research-Oceans, 得到国家自然科学基金(42101338)和中科院战略先导项目(XDA19060103)的支持。
图1 基于随机森林的全球OPP月分布
论文信息：
Bo Ping, Yunshan Meng, Cunjin Xue, Fenzhen Su#. (2023). Oceanic Primary Production Estimation Based On Machine Learning. JGR-Oceans. https://doi.org/10.1029/2022JC018980
