数字中国研究院（福建）苏华研究员团队近日在遥感领域的顶级期刊《IEEE Transactions on Geoscience and Remote Sensing》（中科院一区，影响因子8.2）上发表题为“卫星遥感观测结合多尺度混合残差Transformer的全球海洋次表层密度遥感反演”（Retrieving Global Ocean Subsurface Density by Combining Remote Sensing Observations and Multiscale Mixed Residual Transformer）的最新研究成果。成果贡献作者包括我院苏华研究员、邱俊龙和汤志伟两位研究生、黄展超助理研究员、美国特拉华大学严晓海讲座教授。研究工作获得国家自然科学基金面上项目、福建省杰出青年基金资助。

海洋次表层密度是研究全球海水层化与三维过程的关键参量，但如何通过多源卫星遥感准确估测全球尺度的海洋次表层密度仍存在很大挑战。由于海洋内部过程存在固有的空间相关性和时间依赖特性，海洋表层与次表层间因各种动力过程存在复杂的非线性关联且空间非平稳性显著，因此要实现海洋次表层密度的遥感精确反演需要有效表达与处理海洋过程时空非线性与依赖性问题。本研究提出了一种多尺度混合残差Transformer（MMRT）神经网络模型，以弥补现有海洋次表层遥感方法在处理时空关联与依赖问题的不足，并提升对海洋多尺度动力过程的学习能力。总体来说，MMRT通过Transformer处理时序数据的优势来解决时间依赖问题，并利用多尺度混合残差弥补空间特征信息来解决空间相关性问题。MMRT与随机森林（RF）和循环神经网络（RNN）相比精度最佳，在5~2000米内所有层位的平均决定系数（R2）为0.988，平均均方根误差（RMSE）为0.050 kg/m3，并且MMRT的编码器也更具解释性。MMRT提供了一种基于海表多源卫星观测直接反演海洋次表层密度的新方法。研究表明，MMRT在全球海洋三维密度的超分辨率、长时序重构上具有很大的潜力，可为发展人工智能深海遥感新方法提供重要支持。

论文引用：H. Su, J. Qiu, Z. Tang, Z. Huang and X. -H. Yan, "Retrieving Global Ocean Subsurface Density by Combining Remote Sensing Observations and Multiscale Mixed Residual Transformer," in IEEE Transactions on Geoscience and Remote Sensing, DOI: 10.1109/TGRS.2024.3350346. (Early Access)（论文链接：https://ieeexplore.ieee.org/document/10381730）

苏华个人主页：

https://adcfj.cn:444/sirc/door/team/TeacherList/Detail?personId=%20440

https://www.researchgate.net/profile/Hua-Su-4