{rfName}
In

Indexat a

Llicència i ús

Icono OpenAccess

Citacions

33

Altmetrics

Grant support

This research was funded by National Natural Science Foundation of China U1811464, U21A6001, and the CAS Key Laboratory of Science and Technology on Operational Oceanography Open Project Funding No OOST2021-03.

Anàlisi d'autories institucional

Song, TAutor o coautor

Compartir

Publicacions
>
Article

Inversion of Ocean Subsurface Temperature and Salinity Fields Based on Spatio-Temporal Correlation

Publicat a:Remote Sensing. 14 (11): 2587- - 2022-06-01 14(11), DOI: 10.3390/rs14112587

Autors: Song, Tao; Wei, Wei; Meng, Fan; Wang, Jiarong; Han, Runsheng; Xu, Danya

Afiliacions

Resum

Ocean observation is essential for studying ocean dynamics, climate change, and carbon cycles. Due to the difficulty and high cost of in situ observations, existing ocean observations are inadequate, and satellite observations are mostly surface observations. Previous work has not adequately considered the spatio-temporal correlation within the ocean itself. This paper proposes a new method-convolutional long short-term memory network (ConvLSTM)-for the inversion of the ocean subsurface temperature and salinity fields with the sea surface satellite observations (sea surface temperature, sea surface salinity, sea surface height, and sea surface wind) and subsurface Argo reanalyze data. Given the time dependence and spatial correlation of the ocean dynamic parameters, the ConvLSTM model can improve inversion models' robustness and generalizability by considering ocean variability's significant spatial and temporal correlation characteristics. Taking the 2018 results as an example, our average inversion results in an overall normalized root mean square error (NRMSE) of 0.0568 degrees C/0.0027 PSS and a correlation coefficient (R) of 0.9819/0.9997 for subsurface temperature (ST)/subsurface salinity (SS). The results show that SSTA, SSSA SSHA, and SSWA together are valuable parameters for obtaining accurate ST/SS estimates, and the use of multiple channels in shallow seas is effective. This study demonstrates that ConvLSTM is superior in modeling the subsurface temperature and salinity fields, fully taking global ocean data's spatial and temporal correlation into account, and outperforms the classic random forest and LSTM approaches in predicting subsurface temperature and salinity fields.

Paraules clau

ArgoBrainClimate changeConvolutionConvolutional long short-term memoryConvolutional long short-term memory (convlstm)Decision treesDeeper oceanInferenceLong short-term memoryMean square errorModelOcean dynamicsOcean observationsOceanographyPacific-oceanReconstructionRemote sensingRemote sensing dataSalinity fieldsSatelliteSatellite observationsSignalsSpatio-temporal correlationSpatiotemporal correlationSubsurface temperatureSurface warming hiatusSurface watersTemperature and salinity fieldTemperature and salinity fieldsVertical profiles

Indicis de qualitat

Impacte bibliomètric. Anàlisi de la contribució i canal de difusió

El treball ha estat publicat a la revista Remote Sensing a causa de la seva progressió i el bon impacte que ha aconseguit en els últims anys, segons l'agència WoS (JCR), s'ha convertit en una referència en el seu camp. A l'any de publicació del treball, 2022, es trobava a la posició 31/202, aconseguint així situar-se com a revista Q1 (Primer Cuartil), en la categoria Geosciences, Multidisciplinary.

Des d'una perspectiva relativa, i tenint en compte l'indicador de impacte normalitzat calculat a partir de les Citacions Mundials proporcionades per WoS (ESI, Clarivate), proporciona un valor per a la normalització de citacions relatives a la taxa de citació esperada de: 1.26. Això indica que, comparat amb treballs en la mateixa disciplina i en el mateix any de publicació, el situa com un treball citat per sobre de la mitjana. (font consultada: ESI 14 Nov 2024)

Aquesta informació es reforça amb altres indicadors del mateix tipus, que encara que dinàmics en el temps i dependents del conjunt de citacions mitjanes mundials en el moment del seu càlcul, coincideixen a posicionar en algun moment el treball, entre el 50% més citats dins de la seva temàtica:

  • Mitjana Ponderada de l'Impacte Normalitzat de l'agència Scopus: 2.07 (font consultada: FECYT Febr 2024)
  • Field Citation Ratio (FCR) de la font Dimensions: 6.6 (font consultada: Dimensions Jun 2025)

Concretament, i atenent a les diferents agències d'indexació, aquest treball ha acumulat, fins a la data 2025-06-02, el següent nombre de cites:

  • WoS: 15
  • Scopus: 18
  • OpenCitations: 16

Impacte i visibilitat social

Des de la dimensió d'influència o adopció social, i prenent com a base les mètriques associades a les mencions i interaccions proporcionades per agències especialitzades en el càlcul de les denominades "Mètriques Alternatives o Socials", podem destacar a data 2025-06-02:

  • L'ús d'aquesta aportació en marcadors, bifurcacions de codi, afegits a llistes de favorits per a una lectura recurrent, així com visualitzacions generals, indica que algú està fent servir la publicació com a base del seu treball actual. Això pot ser un indicador destacat de futures cites més formals i acadèmiques. Aquesta afirmació està avalada pel resultat de l'indicador "Capture", que aporta un total de: 16 (PlumX).

És fonamental presentar evidències que recolzin l'alineació plena amb els principis i directrius institucionals sobre Ciència Oberta i la Conservació i Difusió del Patrimoni Intel·lectual. Un clar exemple d'això és:

  • El treball s'ha enviat a una revista la política editorial de la qual permet la publicació en obert Open Access.

Anàlisi del lideratge dels autors institucionals

Aquest treball s'ha realitzat amb col·laboració internacional, concretament amb investigadors de: China.

Hi ha un lideratge significatiu, ja que alguns dels autors pertanyents a la institució apareixen com a primer o últim signant, es pot apreciar en el detall: Primer Autor (SONG, TAO) .