A comparison of Multiple Non-linear regression and neural network techniques for sea surface salinity estimation in the tropical Atlantic ocean based on satellite data

Abstract

Using measurements of Sea Surface Salinity and Sea Surface Temperature in the Western Tropical Atlantic Ocean, from 2003 to 2007 and 2009, we compare two approaches for estimating Sea Surface Salinity : Multiple Non-linear Regression and Multi Layer Perceptron. In the first experiment, we use 18,300 in situ data points to establish the two models, and 503 points for testing their extrapolation. In the second experiment, we use 15,668 in situ measurements for establishing the models, and 3,232 data points to test their interpolation. The results show that the Multiple Non-linear Regression is an admissible solution whether it be interpolation or extrapolation. Yet, the Multi Layer Perceptron can be used only for interpolation.

En utilisant des mesures de Salinité et de Température à la surface de la mer, dans l’ouest de l’océan Atlantique tropical, de 2003 à 2007 puis 2009, on compare deux approches pour la prédiction de la Salinité dans l’eau de mer de surface : la Régression Non-linéaire Multiple et le Perceptron Multi Couches. Dans la première expérience, 18 300 mesures in situ sont utilisées dans la construction des deux modèles et 503 points pour tester leur extrapolation. Dans la deuxième expérience, 15 668 mesures in situ sont utilisées pour établir les deux modèles et 3 232 points pour tester leur interpolation. Les résultats montrent que la Régression Non-linéaire Multiple peut être appliquée à la fois pour l’extrapolation et l’interpolation. Cependant, le Perceptron Multi Couches ne peut être utilisé que pour l’interpolation.