Fig. 1 La arquitectura de red neuronal de múltiples entradas de MODIS FMF y predicción AOD. Crédito:AIRE
Pequeñas partículas conocidas como aerosoles suspendidas en la atmósfera de la Tierra pueden degradar la visibilidad, afectan la salud humana e influyen en el clima.
Fracción de modo fino (FMF), como parámetro crucial que describe las propiedades de los aerosoles, se puede utilizar para distinguir los tipos de aerosoles naturales y de origen humano. Profundidad óptica del aerosol (AOD) como estimación cuantitativa de las cantidades de aerosol en la atmósfera, combinado con FMF, se puede utilizar como proxy para PM2.5, material particulado con diámetros aerodinámicos in situ inferiores a 2,5 μm.
Un equipo de investigación dirigido por el profesor LI Zhengqiang del Instituto de Investigación de Información Aeroespacial (AIR) de la Academia de Ciencias de China (CAS) y sus colaboradores propusieron un método de red neuronal artificial para la recuperación de aerosoles (NNAero) para recuperar conjuntamente FMF y AOD derivados de Datos del espectrorradiómetro de imágenes de resolución moderada (MODIS). La investigación fue publicada en Remote Sensing of Environment.
La tecnología de inversión de la teledetección satelital para extraer información AOD es relativamente madura, mientras que la inversión FMF es más difícil. Por lo tanto, en estudios como la estimación de PM2.5 a través de la teledetección satelital, hay una falta de parámetro clave para distinguir el tamaño de las partículas de aerosol. La FMF terrestre es difícil de recuperar debido a los complejos mecanismos de teledetección y la falta de información de observación.
Fig.2 Precisiones de NNAero, Algoritmos Deep Blue y Dark Target validados mediante observaciones terrestres de AERONET. Crédito:AIRE
En este estudio, Los científicos utilizaron la reflectancia espectral MODIS de la radiación solar en la parte superior de la atmósfera y en la superficie. junto con las mediciones de la red robótica de aerosoles en tierra (AERONET) de AOD y FMF, entrenar una red neuronal convolucional (CNN) para la recuperación conjunta de FMF y AOD.
Los resultados de NNAero sobre el norte y el este de China se validaron con un conjunto de datos de referencia independiente de AERONET. Los resultados mostraron que el 68% de los valores de NNAero AOD estaban dentro de la envolvente de error esperado (EE) de MODIS sobre tierra de ± (0.05 + 15%), que fue similar a los resultados del algoritmo MODIS Deep Blue (DB) (63% dentro de EE), y ambos fueron mejores que el algoritmo Dark Target (DT) (31% dentro de EE).
Según el estudio, la validación de los datos de NNAero FMF versus AERONET mostró una mejora significativa con respecto a DT FMF, con errores de predicción cuadrática media (RMSE) de 0,1567 (NNAero) y 0,34 (DT). El método NNAero mostró el potencial de una recuperación mejorada de la FMF.
Fig. 3 Ejemplos de productos de imagen para comparar DB AOD vs NNAero AOD (arriba) y DT FMF vs NNAero FMF (abajo). Crédito:AIRE
La red neuronal combina una red neuronal completamente conectada (FCNN) y una red neuronal convolucional (CNN) (Fig. 1). La FMF recuperada exhibe una promoción de precisión obvia en comparación con estudios previos (Fig.2, 3).
Los resultados de la investigación ayudan a proporcionar productos básicos de teledetección que apoyan la teledetección de PM2.5 y la investigación sobre el cambio climático.
