{rfName}
Co

Indexado en

Licencia y uso

Citaciones

6

Altmetrics

Plum Print visual indicator of research metrics
PlumX Metrics
  • Citas
    • Índice de Citas: 5
  • Capturas
    • Lectores: 4
  • Menciones
    • Menciones Noticias: 1
Ver detalles

Grant support

This work was supported by the Major Projects of National Natural Science Foundation of China (U20A20105), National Key Research and Development Project of China (2021YFA1000103, 2021YFA1000102), National Natural Science Foundation of China (Grant Nos. 61972416, 62272479, 62202498), Taishan Scholarship (tsqn201812029), Shandong Provincial Natural Science Foundation (ZR2021QF023), Fundamental Research Funds for the Central Universities (21CX06018A), Spanish project PID2019-106960GB-I00, Juan de la Cierva IJC2018-038539-I.

Análisis de autorías institucional

Song, TaoAutor o Coautor
Compartir
Publicaciones
>
Artículo

Convformer: A Model for Reconstructing Ocean Subsurface Temperature and Salinity Fields Based on Multi-Source Remote Sensing Observations

Publicado en:Remote Sensing. 16 (13): 2422- - 2024-07-01 16(13), DOI: 10.3390/rs16132422

Autores: Song, Tao; Xu, Guangxu; Yang, Kunlin; Li, Xin; Peng, Shiqiu

Afiliaciones

China Univ Petr East China, Qingdao Inst Software, Coll Comp Sci & Technol, Qingdao 266580, Peoples R China - Autor o Coautor
Chinese Acad Sci, South China Sea Inst Oceanol, State Key Lab Trop Oceanog, Guangzhou 510301, Peoples R China - Autor o Coautor
Minist Nat Resources, Key Lab Marine Hazards Forecasting, Beijing 100081, Peoples R China - Autor o Coautor

Resumen

Observational data on ocean subsurface temperature and salinity are patently insufficient because in situ observations are complex and costly, while satellite remote-sensed measurements are abundant but mainly focus on sea surface data. To make up for the ocean interior data shortage and entirely use the abundant satellite data, we developed a data-driven deep learning model named Convformer to reconstruct ocean subsurface temperature and salinity fields from satellite-observed sea surface data. Convformer is designed by deeply optimizing Vision Transformer and ConvLSTM, consisting of alternating residual connections between multiple temporal and spatial attention blocks. The input variables consist of sea surface temperature (SST), sea surface salinity (SSS), sea surface height (SSH), and sea surface wind (SSW). Our results demonstrate that Convformer exhibits superior performance in estimating the temperature-salinity structure of the tropical Pacific Ocean. The all-depth average root mean square error (RMSE) of the reconstructed subsurface temperature (ST)/subsurface salinity (SS) is 0.353 degrees C/0.0695 PSU, with correlation coefficients (R-2) of 0.98663/0.99971. In the critical thermocline, although the root mean square errors of ST and SS reach 0.85 degrees C and 0.121 PSU, respectively, they remain smaller compared to other models. Furthermore, we assessed Convformer's performance from various perspectives. Notably, we also delved into the potential of Convformer to extract physical and dynamic information from a model mechanism perspective. Our study offers a practical approach to reconstructing the subsurface temperature and salinity fields from satellite-observed sea surface data.

Palabras clave
Deep learningLearning systemsMean square errorOcean remote sensingOceanographyPerformancePhysicPhysicsRemote sensingSalinity fieldsSatellitesSea surfacesSubsurface salinitySubsurface salinity (ss)Subsurface temperatureSubsurface temperature (st)Surface dataSurface temperatureSurface watersTransformerTropical pacificVariabilit

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista Remote Sensing debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2024 aún no existen indicios calculados, pero en 2023, se encontraba en la posición 110/358, consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Environmental Sciences.

2025-04-30:

  • WoS: 1
  • Scopus: 5
Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2025-04-30:

  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 4 (PlumX).

Con una intencionalidad más de divulgación y orientada a audiencias más generales podemos observar otras puntuaciones más globales como:

    Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

    • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
    Análisis de liderazgo de los autores institucionales

    Este trabajo se ha realizado con colaboración internacional, concretamente con investigadores de: China.

    Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (SONG, TAO) .