海洋颜色数据对我们了解生物和生态现象及过程至关重要，也是物理和生物地球化学海洋模型的重要输入源。叶绿素-a（Chl-a）是海洋环境中海洋颜色的关键变量。卫星遥感定量检索是获取大尺度海洋Chl-a的主要方法。然而，数据缺失是基于卫星遥感的Chl-a产品的主要局限性，这主要是由于云层、太阳微光污染和高卫星视角的影响。重建（填补）缺失数据的常用方法通常只考虑初始图像的时空信息，如数据插值经验正交函数、最优插值、克里金插值和扩展卡尔曼滤波等。然而，这些方法在图像中存在大规模缺失值的情况下表现不佳，而且忽略了缺失像素的其他信息在数据重建中的潜力。考虑到与海洋浮游植物生长和分布相关的环境变量，我们开发了一种名为OCNET的卷积神经网络（CNN），用于开阔海域的Chl-a浓度数据重建。从再分析数据和卫星观测数据中选取海面温度（SST）、盐度（SAL）、光合有效辐射（PAR）和海面气压（SSP）作为OCNET的输入变量，与环境和浮游植物数量相关联。所开发的OCNET模型在重建全球海洋Chl-a浓度数据方面取得了良好的性能，并捕捉到了这些特征的时间变化。全球Chl-a数据集涵盖 2001 年至 2021 年，时间分辨率为日，空间分辨率为 0.25°。
海洋-颜色气候变化倡议（OCCCI）第 5 版和美国国家海洋和大气管理局多传感器 DINEOF 全球填隙数据（以下简称 NOAA MSL12）是用于训练 OCNET 模型的两个 Chl-a 产品。OCCCI 的数据来源包括欧洲航天局的中光谱分辨率成像分光仪（MERIS）传感器、美国国家航空航天局的 SeaWiFS（海洋观测宽视场传感器）和 MODIS-Aqua（中分辨率成像分光仪-Aqua）传感器，以及美国国家海洋和大气管理局的 VIIRS 传感器（可见光和红外成像辐射计套件）。从再分析数据和卫星观测数据中选取海面温度（SST）、盐度（SAL）、光合有效辐射（PAR）和海面气压（SSP）作为 OCNET 的输入变量，与环境和浮游植物数量相关联。
鉴于CNN适用于卫星遥感图像和气候模型数据，我们构建了由405个区域CNN组成的全球OCNET模型。
数据质量良好。
本作品采用
知识共享署名
4.0 国际许可协议进行许可。
10.5281/zenodo.10011908
