研究背景
論文研究了利用GOES-R系列的高階基線成像儀（ABI）從地球同步軌道獲取的遙感資料來反演海洋中的葉綠素濃度（Chl-a）。傳統的極地軌道衛星存在資料覆蓋的時空間隙，主要受雲層遮擋等因素影響，而地球同步軌道衛星的高頻掃描可以減少這些間隙。GOES-R的ABI雖非專門為海洋顏色觀測設計，但其具備一定的頻譜和空間解析度，可作為葉綠素濃度反演的潛在工具。
研究資料
本研究使用了來自GOES-16 ABI的L1B輻亮度資料以及輔助的太陽和感測器視角資料。透過匹配Suomi NPP上的VIIRS感測器資料，構建了超過2200萬個樣本的訓練資料集。訓練資料的時空分佈涵蓋了全年，確保模型能夠在不同季節和條件下進行泛化。
研究方法
研究採用深度學習技術（使用10層全連線層組成的神經網路模型）來從GOES-16 ABI的L1B輻亮度資料中反演葉綠素濃度。該方法不依賴傳統的大氣校正，而是透過使用大量樣本資料進行訓練，讓模型自動學習複雜的光學特徵之間的關係，從而估算出葉綠素濃度。模型使用TensorFlow 2進行開發，並透過驗證集和測試集進行調參和效能評估。
研究結果
實驗結果表明，利用深度學習技術可以在不進行顯式大氣校正的情況下，從GOES-16 ABI資料中反演出與VIIRS資料一致性較好的葉綠素濃度值。模型能夠檢測到海洋中的重要特徵，如海洋渦流和鋒面，並能補充極地軌道衛星資料的不足。然而，在沿海水域存在顯著問題，例如因為缺少綠光波段而導致模型效能下降。
研究結論
研究證明，深度學習是一種有效的工具，可以從傳統演算法難以捕捉的複雜資料模式中提取資訊。儘管GOES-16 ABI缺少專用的綠光波段，其仍然可以透過深度學習方法從藍光和紅光資料中反演出合理的葉綠素濃度。研究展示了利用地球同步軌道衛星資料補充極地軌道資料的潛力，並表明未來需要進一步改進模型以應對大氣校正和資料噪聲等問題。