Forskere foreslår dyb læringsmetode til atmosfærisk aerosol-hentning

Små partikler kendt som aerosoler suspenderet i jordens atmosfære kan forringe synlighed, påvirke menneskers sundhed og påvirke klimaet.

Fin tilstandsfraktion (FMF), som en afgørende parameter, der beskriver aerosolegenskaber, kan bruges til at skelne menneskeskabte og naturlige aerosoltyper. Aerosol optisk dybde (AOD) som et kvantitativt estimat af aerosolmængderne i atmosfæren, kombineret med FMF, kan bruges som proxy for PM2.5, partikler med in situ aerodynamiske diametre på mindre end 2,5 μm.

Et forskerhold ledet af prof. LI Zhengqiang fra Aerospace Information Research Institute (AIR) under det kinesiske videnskabsakademi (CAS) og deres samarbejdspartnere foreslog en kunstig neural netværksmetode til aerosol-genfinding (NNAero) for i fællesskab at hente FMF og AOD afledt af Moderat opløsning Imaging Spectroradiometer (MODIS) data. Forskningen blev offentliggjort i Remote Sensing of Environment.

Teknologien til satellit-fjernmålingsinversion for at udtrække AOD-information er relativt moden, mens FMF-inversion er sværere. Derfor, i undersøgelser såsom estimering af PM2.5 gennem satellit-fjernmåling, der mangler nøgleparametre til at skelne mellem størrelsen af ​​aerosolpartikler. FMF over land er vanskelig at hente på grund af komplekse fjernmålingsmekanismer og mangel på observationsinformation.

I dette studie, videnskabsmænd brugte MODIS spektrale reflektans af solstråling i toppen af ​​atmosfæren og på overfladen, sammen med jordbaserede Aerosol Robotic Network (AERONET) målinger af AOD og FMF, at træne et Convolutional Neural Network (CNN) til fælles hentning af FMF og AOD.

NNAero-resultaterne over det nordlige og østlige Kina blev valideret mod et uafhængigt reference AERONET-datasæt. Resultaterne viste, at 68 % af NNAero AOD-værdierne var inden for MODIS-forventede fejlindhylninger (EE) over land på ±(0,05 + 15%), som svarede til resultaterne fra MODIS Deep Blue (DB) algoritmen (63% inden for EE), og begge var bedre end Dark Target (DT) algoritmen (31% inden for EE).

Ifølge undersøgelsen valideringen af ​​NNAero FMF versus AERONET data viste en signifikant forbedring i forhold til DT FMF, med Root Mean Squared Prediction Errors (RMSE) på 0,1567 (NNAero) og 0,34 (DT). NNAero-metoden viste potentialet for forbedret genfinding af FMF.

Det neurale netværk kombinerer et fuldt forbundet neuralt netværk (FCNN) og et konvolutionelt neuralt netværk (CNN) (fig. 1). Den hentede FMF udviser åbenlys øget nøjagtighed sammenlignet med tidligere undersøgelser (fig. 2, 3).

Forskningsresultaterne hjælper med at levere grundlæggende fjernmålingsprodukter, der understøtter PM2.5-fjernmåling og forskning i klimaændringer.