A gridded ocean subsurface salinity dataset with global coverage is useful for research on climate change and its variability. Here, we explore the feed-forward neural network (FFNN) approach to reconstruct a high-resolution (0.25^∘ × 0.25^∘) ocean subsurface (1–2000 m) salinity dataset for the period 1993–2018 by merging in situ salinity profile observations with high-resolution (0.25^∘ × 0.25^∘) satellite remote-sensing altimetry absolute dynamic topography (ADT), sea surface temperature (SST), sea surface wind (SSW) field data, and a coarse-resolution (1^∘ × 1^∘) gridded salinity product. We show that the FFNN can effectively transfer small-scale spatial variations in ADT, SST, and SSW fields into the 0.25^∘ × 0.25^∘ salinity field. The root-mean-square error (RMSE) can be reduced by ∼11 % on a global-average basis compared with the 1^∘ × 1^∘ salinity gridded field. The reduction in RMSE is much larger in the upper ocean than the deep ocean because of stronger mesoscale variations in the upper layers. In addition, the new 0.25^∘ × 0.25^∘ reconstruction shows more realistic spatial signals in the regions with strong mesoscale variations, e.g., the Gulf Stream, Kuroshio, and Antarctic Circumpolar Current regions, than the 1^∘ × 1^∘ resolution product, indicating the efficiency of the machine learning approach in bringing satellite observations together with in situ observations. The large-scale salinity patterns from 0.25^∘ × 0.25^∘ data are consistent with the 1^∘ × 1^∘ gridded salinity field, suggesting the persistence of the large-scale signals in the high-resolution reconstruction. The successful application of machine learning in this study provides an alternative approach for ocean and climate data reconstruction that can complement the existing data assimilation and objective analysis methods. The reconstructed IAP0.25^∘ dataset is freely available at https://doi.org/10.57760/sciencedb.o00122.00001 (Tian et al., 2022).

中文翻译：

---

使用机器学习方法以高分辨率重建海洋地下盐度,使用机器学习方法以高分辨率重建海洋地下盐度

覆盖全球的网格化海洋次表层盐度数据集可用于研究气候变化及其变异性。在这里，我们探索前馈神经网络 (FFNN) 方法，通过合并原位盐度剖面观测来重建 1993-2018 年期间的高分辨率 (0.25 ^∘  ×  0.25 ^∘ ) 海洋地下 (1-2000 m) 盐度数据集具有高分辨率（0.25 ^∘  ×  0.25 ^∘）卫星遥感测高绝对动力地形（ADT）、海面温度（SST）、海面风（SSW）野外数据，以及粗分辨率（1 ^∘  ×  1 ^{∘ ）}) 网格盐度产品。我们表明，FFNN 可以有效地将 ADT、SST 和 SSW 场中的小尺度空间变化转移到 0.25 ^∘  ×  0.25 ^∘盐度场中。^{与 1 ∘} ×  1 ^∘盐度网格场 相比，在全球平均基础上，均方根误差 (RMSE) 可以减少∼11 %。RMSE 的减少在上层海洋比深海大得多，因为上层的中尺度变化更强。此外，新的 0.25 ^∘ ×  0.25 ^{∘  与 1 ∘}  ×  1 ^∘分辨率产品相比，重建在具有强烈中尺度变化的区域（例如墨西哥湾流、黑潮和南极绕极流区域）显示了更真实的空间信号，表明机器学习方法在带来卫星观测方面的效率结合现场观察。^{0.25 ∘}  ×  0.25 ^∘数据的大尺度盐度模式与 1 ^∘  ×  1 ^∘一致网格盐度场，表明高分辨率重建中大尺度信号的持久性。机器学习在本研究中的成功应用为海洋和气候数据重建提供了一种替代方法，可以补充现有的数据同化和客观分析方法。重建的 IAP0.25 ∘^数据集可在 https://doi.org/10.57760/sciencedb.o00122.00001 免费获得（Tian 等人，2022 年）。,覆盖全球的网格化海洋次表层盐度数据集可用于研究气候变化及其变异性。在这里，我们探索前馈神经网络 (FFNN) 方法，通过合并原位盐度剖面观测来重建 1993-2018 年期间的高分辨率 (0.25 ^∘  ×  0.25 ^∘ ) 海洋地下 (1-2000 m) 盐度数据集具有高分辨率（0.25 ^∘  ×  0.25 ^∘）卫星遥感测高绝对动力地形（ADT）、海面温度（SST）、海面风（SSW）野外数据，以及粗分辨率（1 ^∘  ×  1 ^{∘ ）}) 网格盐度产品。我们表明，FFNN 可以有效地将 ADT、SST 和 SSW 场中的小尺度空间变化转移到 0.25 ^∘  ×  0.25 ^∘盐度场中。^{与 1 ∘} ×  1 ^∘盐度网格场 相比，在全球平均基础上，均方根误差 (RMSE) 可以减少∼11 %。RMSE 的减少在上层海洋比深海大得多，因为上层的中尺度变化更强。此外，新的 0.25 ^∘ ×  0.25 ^{∘  与 1 ∘}  ×  1 ^∘分辨率产品相比，重建在具有强烈中尺度变化的区域（例如墨西哥湾流、黑潮和南极绕极流区域）显示了更真实的空间信号，表明机器学习方法在带来卫星观测方面的效率结合现场观察。^{0.25 ∘}  ×  0.25 ^∘数据的大尺度盐度模式与 1 ^∘  ×  1 ^∘一致网格盐度场，表明高分辨率重建中大尺度信号的持久性。机器学习在本研究中的成功应用为海洋和气候数据重建提供了一种替代方法，可以补充现有的数据同化和客观分析方法。重建的 IAP0.25 ∘^数据集可在 https://doi.org/10.57760/sciencedb.o00122.00001 免费获得（Tian 等人，2022 年）。