基于卫星海洋学数据对全球表层海洋溶解有机碳的稳健估计

《Remote Sensing Applications: Society and Environment》：Robust estimation of global surface ocean dissolved organic carbon from satellite oceanographic data

　　

摘要
溶解有机碳（DOC）是全球海洋中最大的活性有机碳库之一。它在海洋生物地球化学循环、长期碳封存和气候调节中发挥着重要作用。然而，估算全球海表 DOC 的时空变化仍然是一个重大挑战。这主要是由于原位观测数据的稀缺、主导控制参数的选择不当以及现有基于卫星的反演方法的局限性。为了解决这些挑战，我们开发了一个稳健的卫星驱动框架，利用海表温度（SST）、硝酸盐和磷酸盐浓度来估算全球海表 DOC。总共使用了 1994 年至 2021 年收集的 3788 个原位观测数据来开发和验证所提出的模型。模型框架包括单参数、双参数和多参数经验回归模型，以及三种机器学习算法：人工神经网络（ANN）、极限梯度提升（XGBoost）和随机森林（RF）。在经验模型中，结合 SST、硝酸盐和磷酸盐的多参数公式产生了最佳性能（R2 = 0.79；RMSD = 5.16 μmol kg-1）。机器学习模型进一步提高了 DOC 估算的准确性，其中 RF 模型在独立测试数据集上取得了最高性能（R2 = 0.86；RMSD = 4.14 μmol kg-1；MAPD = 4.85%）。所提出的 RF 框架优于现有的基于卫星的 DOC 反演模型，通过减少估算不确定性并提高不同海洋区域的预测准确性。此外，RF 模型成功再现了全球海表 DOC 的大尺度空间变异性。所提出的框架推进了全球海表 DOC 的基于卫星的监测，并增强了对海洋碳循环动力学的理解。

引言
海洋通过持续的气海交换过程在调节大气二氧化碳（CO2）中起着关键作用，作为主要汇吸收了近三分之一的人为 CO2 排放（Friedlingstein et al., 2023）。吸收的 CO2 转化为多种碳形式，通常根据物理状态（溶解和颗粒态）和化学组成（有机和无机）进行分类。这些碳库包括溶解有机碳（DOC，μmol kg-1）、溶解无机碳（DIC，μmol kg-1）、颗粒有机碳（POC，mg m-3）和颗粒无机碳（PIC，mg m-3）。在这些碳库中，DIC 最大（约 38,000 Pg C），在调节海洋酸化和碳酸盐化学中起着关键作用（Friedlingstein et al., 2023; Jiang et al., 2019）。同时，POC 和 PIC 分别与生物碳泵和碳酸盐泵密切相关（Bellacicco et al., 2025; Bressac et al., 2024）。因此，大量研究致力于利用原位观测和基于卫星的方法量化 DIC（Broullón et al., 2020; Carroll et al., 2022; Shaik et al., 2024）、POC（Gardner et al., 2006; Krishna et al., 2023; Le et al., 2018; Shaik et al., 2026; Stramski, 1999; Stramski et al., 2022）和 PIC（Balch et al., 2018; Hopkins et al., 2019; Mitchell et al., 2017）的分布及时空变异性。

DOC 库是海洋有机碳的重要组成部分，通过联系初级生产、微生物再矿化、光化学转化、垂直混合以及海洋中的长期碳储存，对海洋碳循环做出了重大贡献（Hansell and Carlson, 2001; Jiao et al., 2010）。它构成了海洋中最大的有机碳库之一（约 662 ± 32 Pg C；Bercovici and Hansell, 2016; Hansell et al., 2009）。根据其反应活性，DOC 通常分为活性（LDOC）、半活性（SLDOC）和惰性（RDOC）部分（Carlson and Hansell, 2015; Hansell, 2013）。LDOC 部分相对较小（约 0.2 Pg C）但具有高度反应活性的碳库，被微生物迅速利用，周转时间从几天到几个月不等，年生产率估计约为 14-25 Pg C yr-1（Hansell, 2013; Jiao et al., 2010）。SLDOC 部分表现出中间反应活性，周转时间从几个月到几年不等，有助于上层海洋的季节性 DOC 积累和导出过程（Carlson et al., 1994; Carlson and Hansell, 2015; Hansell, 2013）。相比之下，RDOC 部分代表海洋 DOC 库的最大组成部分（约 660-670 Pg C），其特点是周转极慢，由于抵抗微生物降解而持续数百年至数千年（Hansell et al., 2009; Jiao et al., 2010; Williams and Druffel, 1987）。

尽管其重要性不容忽视，但准确表征 DOC 的强度及时空变异性仍然具有挑战性。海表 DOC 的变异性受到一系列物理和生物地球化学过程的调节，涉及海表温度（SST）、海表盐度（SSS）、混合层深度（MLD）、海表高度（SSH）、光合有效辐射（PAR）、初级生产力（PP）、叶绿素 a 浓度（Chl-a）、有色溶解有机物吸收（，光谱遥感反射率，颗粒后散射系数（，漫衰减系数（，以及营养盐浓度等参数（Aurin et al., 2018; Bonelli et al., 2022; Laine et al., 2024; Roshan and DeVries, 2017; Siegel et al., 2002）。尽管 DOC 及其相关参数可以通过原位观测进行量化，但获取此类测量通常耗时、昂贵且操作困难。当需要在大空间和时间尺度上进行连续观测时，这些局限性变得尤为重要。

为了克服原位观测的局限性，卫星海洋遥感提供了从盆地到全球尺度的同步和重复观测。这些观测使得能够连续监测海表 DOC 的时空变异性。因此，已开发了多种基于卫星的方法来估算 DOC，包括经验回归（Aurin et al., 2018; Siegel et al., 2002）和机器学习技术（Bonelli et al., 2022; Laine et al., 2024; Roshan and DeVries, 2017）。早期研究主要依赖基于 SST 的经验关系（Siegel et al., 2002）。后续研究纳入了光学、物理和生物地球化学变量以提高模型性能（Aurin et al., 2018; Bonelli et al., 2022; Cherukuru et al., 2021; Laine et al., 2024; Roshan and DeVries, 2017）。尽管基于卫星的 DOC 估算取得了显著进展，但现有方法仍受到若干局限性的制约。这些包括原位观测数据稀缺、与卫星衍生预测变量相关的固有问题以及未能充分表征控制 DOC 变异的主导物理和生物地球化学过程。因此，现有方法准确估算不同海洋区域 DOC 时空变异性的能力仍然有限。

为了克服这些局限性，所提出的框架开发了一种全球 DOC 估算算法，使用物理和生物地球化学相关的预测变量，即 SST、硝酸盐和磷酸盐。最初，开发了单参数、双参数和多参数经验公式，以评估单个输入参数对 DOC 估算的贡献。随后，实施了先进的机器学习模型，包括人工神经网络（ANN）、极限梯度提升（XGBoost）和随机森林（RF），以提高预测性能。最后，应用表现最佳的模型生成全球海表 DOC 的月度、季节、年际和气候态分布，并调查其大尺度时空变异性。

本研究的具体目标如下：
（i）利用单参数、双参数和多参数经验回归模型，研究海表 DOC 与 SST、硝酸盐和磷酸盐之间的单独及组合关系。
（ii）开发并评估 ANN、XGBoost 和 RF 模型，以表征 DOC 与选定预测变量之间潜在的非线性关系。
（iii）利用一致的开发数据集和独立验证数据集比较所开发模型的性能，并确定适合基于卫星 DOC 估算的模型。
（iv）使用卫星衍生的预测变量评估选定模型，并将其性能与先前发表的基于卫星的 DOC 估算方法进行比较。
（v）生成全球海表 DOC 的月度、季节、年际和气候态分布，并调查其大尺度时空变异性。

通过整合预测变量评估、经验回归、机器学习评估、卫星验证和全球时空分析，本研究提供了一个系统框架，用于评估物理和生物地球化学卫星衍生变量在大规模海表 DOC 估算中的潜力。该框架还为进一步调查卫星观测和机器学习方法在全球海洋碳循环研究中的适用性提供了基础。

部分片段 数据
利用原位观测数据、卫星衍生数据集和气候态产品的组合来开发、验证并生成全球海表 DOC 场。这些互补数据集的整合使得能够生成不同海洋区域的空间和时间分辨 DOC 场。

方法
整体方法包括两个主要阶段。首先，回顾现有的基于回归和机器学习的海表 DOC 估算方法，以识别其预测变量、建模策略和局限性。其次，利用原位 DOC 观测数据和相应的预测变量开发经验回归和机器学习模型。

统计评估指标
使用若干统计指标评估回归和机器学习模型的性能，包括均方根偏差（RMSD）、平均偏差（MB）、平均绝对百分比偏差（MAPD）、决定系数（R2）、斜率和截距。这些统计指标用于定量评估估算与观测 DOC 浓度之间的一致性，并评估所开发模型的准确性、偏差特性和总体稳健性。

DOC 与控制参数之间的关系
图 1 展示了用于模型开发和独立验证的原位观测数据的全球分布。观测涵盖了多种海洋水文区域，包括热带、亚热带、温带、沿海、赤道和高纬度水域，从而为稳健的 DOC 模型开发和验证提供了广泛的空间覆盖。图 2 展示了 DOC 与选定输入参数（SST、硝酸盐和磷酸盐）之间的关系。海表

结论与未来工作
在本研究中，开发了一个稳健的基于卫星的框架，利用包括 SST、硝酸盐和磷酸盐浓度在内的物理和生物地球化学相关参数来估算全球海表 DOC。总共浪费了 1994-2021 年从多种海洋水文区域收集的 3788 个原位观测数据来开发和评估基于回归和机器学习的 DOC 估算方法。结果表明，结合营养盐参数与……

涉及人类和动物的研究声明
本研究不涉及人类参与者、人类数据、人体组织、动物或动物衍生材料。因此，不需要伦理批准和知情同意。作者确认所有研究活动均按照期刊的伦理标准和政策进行。

CRediT 作者贡献声明
Kande Vamsi Krishna：撰写 – 原始草稿，验证，软件，方法论，调查，形式分析，数据管理，概念化。
P.N. Vinayachandran：撰写 – 审阅与编辑，监督，资源，项目管理，调查。

利益冲突声明
? 作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：
Kande Vamsi Krishna 博士报告获得印度理工学院班加罗尔分校（Indian Institute of Science Bangalore）提供的财务支持。报告与……的关系包括：。有专利待批至。如果有其他作者，他们声明没有已知的可能影响本文中报告工作的竞争性财务利益或个人关系。

致谢
Kande Vamsi Krishna 衷心感谢印度理工学院班加罗尔分校（IISc）通过研究所博士后奖学金提供财务支持以开展本研究工作。作者非常感谢 Dennis A. Hansell 教授以及全球溶解有机质（DOM）汇编数据集的贡献者，使广泛的 DOC 观测数据公开可用，这构成了本研究的关键组成部分。作者还感谢 GLODAPv2……

Kande Vamsi Krishna|P.N. Vinayachandran
印度理工学院（IISc），班加罗尔 -560012，印度