A Physics-Informed Convolutional Neural Network for Global Ocean PAR Gap-Filling From Satellite Observations

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Useful for ocean biogeochemical modelers and remote sensing scientists seeking gap-free PAR fields for carbon cycle studies.

光合成有効放射（PAR）の正確な特性評価は、海洋一次生産と炭素循環の定量化に不可欠である。しかし、現在の衛星センサーは、軌道の制約、太陽光のグリント、大きな太陽天頂角により、持続的なデータギャップに悩まされている。このようなギャップは、ブルームのフェノロジーにバイアスをもたらし、長期的な傾向を不明瞭にし、連続的な放射強制力を必要とする生物地球化学モデルを劣化させる。この問題に対処するため、我々はMODIS-AquaおよびMERRA-2データセットを用いて、0.5解像度のギャップのない日次PARフィールドを生成する深層畳み込みニューラルネットワーク（CNN）を開発した。時空間パターンまたは再解析のみに依存する従来の手法とは異なり、CNNは、ギャップ領域ではMERRA-2によってシームレスに置換される、同時期のMODIS-Aqua衛星由来の雲量被覆率（CC）と光学的厚さを利用して、雲によって変調されたPAR変動を説明する。このモデルは、MODIS-Aqua入力を用いた場合に高い精度を示すが［R<inline-formula> <tex-math notation="LaTeX">${}^{2}=0.96$ </tex-math></inline-formula>、<inline-formula> <tex-math notation="LaTeX">$\text {bias} = -0.19$ </tex-math></inline-formula> E/m2/day（−0.5%）、二乗平均平方根誤差（RMSE） = 3.20 E/m2/day（8.3%）］、MERRA-2の雲データを用いると性能は低下する［R<inline-formula> <tex-math notation="LaTeX">${}^{2}=0.84$ </tex-math></inline-formula>、bias = 0.17 E/m2/day（−0.4%）、RMSE = 6.47 E/m2/day（16.7%）］。独立した地球多色撮像カメラ（EPIC）の推定値との比較（R<inline-formula> <tex-math notation="LaTeX">${}^{2}=0.82$ </tex-math></inline-formula>、RMSE = 6.43 E/m2/day、<inline-formula> <tex-math notation="LaTeX">$\text {bias} = -0.85$ </tex-math></inline-formula> E/m2/day）は、再構築されたフィールドの物理的現実性を確認するものである。このギャップのないプロダクトは、海洋生物地球化学モデルおよびデータ同化に堅牢な強制フィールドを提供し、長期的な気候トレンドのより正確な評価を可能にする。将来の研究では、マルチセンサーフュージョンとより高解像度の雲入力を統合する予定である。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Accurate characterization of photosynthetically available radiation (PAR) is essential for quantifying marine primary production and carbon cycling. However, current satellite sensors suffer from persistent data gaps due to orbital limitations, sun glint, and large solar zenith angles. Such gaps bias bloom phenology, obscure long-term trends, and degrade biogeochemical models requiring continuous radiative forcing. To address this, we developed a deep convolutional neural network (CNN) to generate gap-free daily PAR fields at 0.5 resolution using MODIS-Aqua and MERRA-2 datasets. Unlike traditional methods that rely solely on spatiotemporal patterns or reanalysis alone, the CNN utilizes cotemporal MODIS-Aqua satellite-derived cloud fractional coverage (CC) and optical thickness, seamlessly substituted by MERRA-2 in gap regions, to account for cloud-modulated PAR variability. The model demonstrates high accuracy using MODIS-Aqua inputs [R<inline-formula> <tex-math notation="LaTeX">${}^{2}=0.96$ </tex-math></inline-formula>, <inline-formula> <tex-math notation="LaTeX">$\text {bias} = -0.19$ </tex-math></inline-formula> E/m2/day (−0.5%), root-mean-square error (RMSE) = 3.20 E/m2/day (8.3%)], though performance degrades with MERRA-2 cloud data [R<inline-formula> <tex-math notation="LaTeX">${}^{2}=0.84$ </tex-math></inline-formula>, bias = 0.17 E/m2/day (−0.4%), RMSE = 6.47 E/m2/day (16.7%)]. Comparisons with independent earth polychromatic imaging camera (EPIC) estimates (R<inline-formula> <tex-math notation="LaTeX">${}^{2}=0.82$ </tex-math></inline-formula>, RMSE = 6.43 E/m2/day, <inline-formula> <tex-math notation="LaTeX">$\text {bias} = -0.85$ </tex-math></inline-formula> E/m2/day) confirm the physical realism of the reconstructed fields. This gapless product provides a robust forcing field for ocean-biogeochemistry models and data assimilation, enabling more accurate assessments of long-term climate trends. Future work will integrate multisensor fusion and higher-resolution cloud inputs.

• semanticscholar https://doi.org/10.1109/tgrs.2026.3696266first seen 2026-06-29 09:07:24 · last seen 2026-08-08 05:38:59