《表2 相对误差分析：SMAP卫星海表面亮温仿真及海表面盐度遥感反演》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《SMAP卫星海表面亮温仿真及海表面盐度遥感反演》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文主要使用径向基（RBF）神经网络模型来进行SMAP卫星SSS反演。RBF神经网络是一种三层神经网络，其中包括输入层、隐藏层与输出层，从输入层到隐藏层的变换是非线性的，而从隐藏层到输出层的变换则是线性的。RBF神经网络训练速度快，具有很强的非线性映射能力，能够实现较高精度的SSS反演。由于反演的值是SSS，因此输出的结果是一个标量，故输出层的神经元节点个数为1。本文采用了影响盐度反演的5个因素作为输入参量，分别为海表面H极化亮温（TBh）、海表面V极化亮温（TBv）、海表面温度（SST）、风速（U10）和有效波高（SWH），即输入层包含5个节点。在RBF神经网络中，隐藏层的节点个数是不确定的，它将在设计网络的训练过程中根据自身设置的目标误差值而不断增加，直到达到预期的误差要求，本网络的训练误差设置为0.01。其中，选取2016年1月16日至1月31日共16 d的数据组成输入样本集，样本集在输入RBF神经网络之前需进行预处理，采用Matlab插值函数将5个输入参量进行网格化处理，按1°×1°的空间分辨率进行匹配，剔除无效值后有效数据为1 456组。分别取前700、800、900、1 000、1 100、1 200组作为训练样本输入神经网络进行训练，利用训练得出的模型对剩余样本组进行检验，检验所得相对误差如表2所示。可以看出，在神经网络反演过程中，训练样本集选取数量的不同将对反演结果造成一定的影响，随着训练样本的增加，相对误差逐渐减小，在训练样本为1 000组时，平均相对误差最小，最大相对误差较小，之后随着训练样本的增加，相对误差又逐渐增大，这可能是由于随着神经网络训练中迭代次数的增加，曲线由欠拟合变得过拟合所导致的。