渤海是黄河沉积物重要的“汇”，是河口-陆架海沉积环境体系研究的典型范例，其悬浮沉积物在不同时空尺度下的分布、输运及主控机制是揭示陆架海沉积模式、探讨河流演化与海洋环境演变耦合关系的核心，也是海洋科学的关注热点。然而，传统数据的模糊化、粗放化和原有技术方法的局部性、模糊性制约了渤海悬浮体时空分布趋势的认知，也难以支撑对变化的复杂水沙-环境-气候条件下悬浮体控制机制的定量研究。如何获取标准统一的高时空分辨率数据，讨论悬浮体对环境信号的时空差异性响应，已成为当前研究的重要前沿问题。
在与包括K-Nearest Neighbor、支持向量机和深度神经网络在内的多种机器学习算法进行对比后，本文提出了一种名为SatelliteFixer的全新数据驱动方法，用于预测卫星数据的缺失值。这将有助于长期连续生成具有较高分辨率的时间和空间分析数据。与其他方法相比，随机森林对观测数据波动的预测更为充分，耗时更短。通过应用2002-2019年渤海和部分北黄海的MODIS数据和GOCI数据，并通过航次实测数据进行拟合和约束后，训练后的SatelliteFixer能够实现18年内日均悬浮泥沙浓度的反演结果。模型结果表明，研究区域之间的悬浮体浓度存在明显差异。利用更全面和准确的悬浮泥沙分布数据，可以计算出受风、浪、流和潮汐等环境因素影响的18年平均浓度在0.81 mg/L至38.95 mg/L之间变化。
 

悬浮泥沙,渤海,机器学习