准确估算光合有效辐射的漫衰减系数Kd ( PAR )，对于理解和模拟水体中关键的物理、化学和生物过程至关重要。

本研究开发了一种用于遥感估算Kd ( PAR )的深度学习模型 ( DLKPAR )。与传统的经验算法和半解析算法相比，DLKPAR在模型的稳定性和精度方面均有提高。利用原位NOMAD数据对模型性能进行评估，DLKPAR具有较低的均方根差( RMSD ; 028 vs 0 . 030 ~ 0 . 048)和平均绝对相对差( MARD ; 3 . 0.14 vs 0.17 ~ 0.25)以及较高的R2( 0.94 vs .0.82 ~ 0.94)。NOMAD和Argo数据与MODIS数据的匹配统计结果也表明，DLKPAR提高了Kd ( PAR )的反演精度，可应用于全球海洋Kd ( PAR )的遥感估算。因此，我们预期DLKPAR可以从海洋水色遥感中获得可靠的Kd ( PAR )值，为上层海洋的可见光衰减提供准确的估计，并促进生物地球化学循环研究。

此外，由于DLKPAR使用的是短可见光波段(例如400 nm)的Rrs，因此该模型也可以应用于未来搭载高质量传感器的卫星，用于探测短波段的离水辐亮度。这可能会大幅提高近岸海域遥感Kd ( PAR )的精度，进而提高我们对近岸生态系统和碳循环的认识。

图 1 本研究使用的Rrs光谱示例：( a )合成的Rrs光谱，( b ) NOMAD Rrs光谱，( c )与BGC - Argo Kd ( PAR )数据匹配的MODIS Rrs光谱。

图 2 用于评估Kd ( PAR )算法的现场测量位置

图 3 利用Rrs (λ)估计Kd ( PAR )的深度学习系统示意图

图 4 比较合成数据集的Kd ( PAR )和预测数据集的Kd ( PAR )

图 6 NOMAD数据集MODIS Kd ( PAR )预测值与实况Kd ( PAR )的比较：( a ) L2005，( b ) M2007，( c ) S2013，( d ) DLKPAR。

图 8 MODIS Kd ( PAR )气候学数据的全球分布，( a )春季，( b )夏季，( c )秋季，( d )冬季。

文献来源：Lei Chen, Xiaoju Pan, Jie Zhang, Charlotte Begouen Demeaux, and Yongchao Wang, "Inversion diffuse attenuation coefficient of photosynthetically active radiation based on deep learning," Opt. Express 31, 37365-37380 (2023)