近日，中国科学院南海海洋研究所广东省海洋遥感重点实验室（LORS）唐世林团队在遥感数据重构研究方面取得新进展，实现了南海多源遥感高分辨率海表叶绿素逐日产品的精准重构。相关研究以叶海彬副研究员为论文第一作者，唐世林研究员为通讯作者，发表在期刊Earth System Science Data上。合作者还包括自然资源部南海预报减灾中心杨超宇正高级工程师，LORS董园副研究员和陈楚群研究员。

 受天气条件、卫星传感器运行故障等因素影响，卫星遥感海表面叶绿素产品存在大量，无规律的缺失。观测数据的不完整性也阻碍了卫星数据在海洋研究领域中的应用。因此，研究卫星遥感数据的重构方法，对在关注海域获得时空连续完整的数据，以及提高数据的利用效率有重要意义。

 本研究结合最优插值（OI）方法和深度学习网络框架SwinUnet，构建了基于数据异常预期方差的深度学习模型OI-SwinUnet。该方法利用最优插值，基于空间邻域信息对卫星观测和现场观测数据进行融合，同时利用SwinUnet对大区域长时序的遥感观测时间序列数据进行多尺度特征学习，最终重建缺失的叶绿素a浓度数据，进而获得南海区域逐日1km海表叶绿素产品。

 本研究重构的南海海表叶绿素数据集不仅可以很好地描绘南海季节尺度的海表叶绿素a时空变化规律，还可以再现天气尺度的海洋现象快变过程，为进一步深入认识和理解南海多尺度动力过程的生态效应提供了可靠的基础数据。

 该研究由广东省特支计划项目和南海所自主部署项目等共同资助完成。

  相关论文信息：Haibin Ye, Chaoyu Yang, Yuan Dong, Shilin Tang*, and Chuqun Chen. A daily reconstructed chlorophyll-a dataset in the South China Sea from MODIS using OI-SwinUnet. Earth System Science Data, 2024, 16, 3125-3147.

 文章链接：https://doi.org/10.5194/essd-16-3125-2024

 图1. OI-SwinUnet深度学习数据重构网络框架

图2. 基于OI-SwinUnet重构的南海海表叶绿素每月平均产品（数据时间：2013-2017年）