《Engineering: 深度学习和迁移学习结合的FY4-AGRI气溶胶反演算法的开发和验证----中国科学院大气物理研究所》

  • 来源专题:大气污染防治与碳减排
  • 编译者: 李扬
  • 发布时间:2024-01-15
  •   高质量的大气气溶胶观测数据对地球辐射平衡、气候变化和空气质量等研究领域至关重要。AGRI是风云四号静止气象卫星的主要载荷之一,能以5分钟时间分辨率针对中国区域进行扫描,为捕捉气溶胶时空变化提供了重要数据。迄今为止,气溶胶光学厚度(AOD)的定量反演一直具有挑战性。传统物理反演算法缺乏灵活性,太阳光度计站点数量则无法支撑机器学习所需海量样本需求。
      本研究引入了一种结合深度学习和迁移学习的AOD反演算法。该算法融合了暗目标和深蓝算法的核心思想,以支持机器学习算法的特征选择。整个算法包含两个主要步骤:①利用葵花AOD的10分钟分辨率数据作为目标变量,开发了一个基于残差网络的深度神经网络(DNN);②利用来自89个地面站的太阳光度计AOD数据对DNN参数进行微调。独立验证表明,提出的算法能够以高准确性进行AGRI AOD的反演,决定系数达到0.70,平均偏差为0.03,有70.7%的数据落在期望误差范围内。敏感性分析显示,650和470nm的大气顶部反射率以及650nm的地表反射率是两个最大的不确定性来源。在监测极端气溶胶事件的案例中,本算法成功捕捉了事件的时间演变。
  • 原文来源:http://www.iap.cas.cn/gb/xwdt/kyjz/202401/t20240115_6954815.html
相关报告
  • 《基于近红外多角度偏振遥感观测的气溶胶高度信息反演算法》

    • 来源专题:中国科学院文献情报系统—海洋科技情报网
    • 编译者:熊萍
    • 发布时间:2024-12-16
    • 自然资源部第二海洋研究所何贤强研究员团队及合作者在遥感领域知名期刊IEEE Transactions on Geoscience and Remote Sensing上发表了题为“Retrieval of the Aerosol Scale Height over the Ocean Based on Near-infrared Multiangle Polarization Measurements”(基于近红外多角度偏振观测数据的气溶胶层高反演算法)的研究论文。论文的第一作者为自然资源部第二海洋研究所和浙江大学联合培养的博士生潘天峰,通讯作者为何贤强研究员,合作者包括白雁研究员、王迪峰研究员、李腾副研究员、龚芳高级工程师,中国科学院西安光学精密机械研究所的刘佳副研究员,以及印度理工学院Madras分校的Palanisamy Shanmugam教授。 气溶胶垂向分布(Aerosol Vertical Distribution, AVD)是研究气溶胶辐射效应和空气质量评估的关键参数,对水色遥感大气校正也具有重要意义。本研究利用偏振遥感卫星的近红外多角度偏振测量数据,开展气溶胶垂向分布信息反演。本研究首先定量分析了AVD对卫星接收Stokes矢量的线偏振分量和总辐射强度分量的影响,并分析了线偏振分量和总辐射强度分量对气溶胶高度变化的敏感性差异。通过Mie散射理论计算,证明了近红外波段偏振测量与AVD之间具有高相关性,并据此开发了气溶胶层高度的多角度偏振遥感反演算法。 本研究所构建的模型基于非线性优化和近红波段离水辐射偏振信号的“black ocean”假设,通过非线性优化拟合近红外波段偏振观测得到的线偏振辐射,成功反演了AVD信息。与CALIOP激光雷达观测数据比较,在三个典型海域(太平洋、大西洋、印度洋)的反演均方根误差小于1公里,精度明显优于GRASP-HP算法反演的气溶胶层高结果(RMSE: our method = 0.967 km vs. GRASP-HP = 2.605 km),说明了本研究算法具有较高的准确性。 总体而言,本研究证明了多角度线偏振数据在近红外波段可以有效反演气溶胶垂向分布结构,这为气溶胶垂向结构遥感反演提供了新的途经。 论文引用: Pan, T., He, X.*, Bai, Y., Shanmugam, P., Liu, J., Gong, F., Wang, D., & Li, T. (2024). Retrieval of the Aerosol Scale Height over the Ocean Based on Near-infrared Multiangle Polarization Measurements.
  • 《中国科学院海洋研究所首次将人工智能迁移学习技术应用到海洋学研究中并取得重要进展》

    • 来源专题:中国科学院文献情报系统—海洋科技情报网
    • 编译者:liguiju
    • 发布时间:2022-02-23
    • 近日,由中国科学院海洋研究所研究员、IEEE Fellow李晓峰领衔,国内多家海洋科研单位人员组成的人工智能海洋学研究团队,在国际上首次基于多源数据驱动,利用人工智能迁移学习技术融合实验室、浮标和遥感数据,构建了内孤立波振幅反演模型,在内孤立波三维结构重构等方面取得重要进展。相关成果近日发表于遥感权威期刊Remote Sensing of Environment(影响因子10.164)上。 海洋内孤立波在全球海域分布广泛,振幅可达上百米,在海洋传播过程对海洋环境、生态等有重要影响。遥感是海洋内孤立波观测的重要手段,长期以来从遥感图像反演其振幅是一个难点问题,现有方法无法准确描述海洋内孤立波的复杂特征。 该论文基于长期搜集的海洋内孤立波实验室数据、实测数据和匹配遥感图像,构建了基于多源数据驱动的海洋内孤立波振幅反演模型。在模型构建中,利用实测数据与遥感数据建立匹配数据集进行模型训练,但受观测数据量的限制,实测-遥感匹配数据集较小。为解决小训练数据集的问题,该论文使用了实验室数据作为训练数据的补充,并创新性的利用人工智能迁移学习技术来解决不同数据源的问题。基于该论文构建的海洋内孤立波振幅反演模型以遥感图像提取信息为输入,可以准确重构海洋内孤立波三维结构。 该研究表明,在多源大数据背景下,基于人工智能的纯数据驱动海洋信息来构建针对复杂海洋现象的反演模型是可靠的和可行的,具有广阔的应用前景。在模型搭建过程中不仅仅单纯依靠数据训练,而是充分考虑了所研究海洋现象的物理约束和遥感成像机制的指导作用。迁移学习算法为不同数据源的协同建模提供了连接的桥梁。人工智能技术作为一种蓬勃发展的新兴技术,可以在复杂海洋现象的研究中建立快速、直接的映射关系,是复杂海洋现象研究和遥感信息挖掘的一种高效率工具和方法。 上述研究工作得到了中国科学院海洋大科学研究中心、中国科学院先导科技专项、山东省重大创新工程及国家自然科学基金项目等资助。中国科学院海洋所张旭东博士为论文第一作者,李晓峰研究员为通信作者,合作者还包括中国科学院海洋所/青岛科技大学王浩宇、英国伯明翰大学王硕博士、自然资源部第一海洋研究所刘延亮博士、中山大学于卫东教授、中国海洋大学王晶教授和徐青教授。 论文链接: https://www.sciencedirect.com/science/article/pii/S0034425722000542?dgcid=author