FY4 AGRI的深度学习和迁移学习混合气溶胶反演算法
《工程》杂志上发表的一项研究介绍了一种用于地球静止气象卫星的创新高精度气溶胶算法。这篇题为“A Deep-Learning and Traner-Learning Hybrid Aerosol Retrieval Algorithm for FY4-AGRI: Development and Verification over Asia”的研究文章提出了一种混合方法，解决了传统物理算法不灵活和数量有限所带来的挑战。机器学习所需的地面太阳光度计站点。
所提出的方法使用利用深度学习和迁移学习的气溶胶光学深度(AOD)检索算法。该算法融合了暗目标和深蓝算法的核心思想，方便机器学习算法的特征选择。该过程包括两个主要步骤：首先，采用 10 分钟高级 Himawari Imager (AHI) AOD 作为目标，构建具有残差网络的深度神经网络 (DNN);随后，利用来自 89 个配备太阳光度计的地面站的 AOD 数据微调 DNN 参数。
独立验证表明，该算法在反演先进地球同步辐射成像仪(AGRI)AOD方面具有较高的准确性，确定系数为0.70，平均偏差误差为0.03，70.7%的数据在预期误差范围内。值得注意的是，在极端气溶胶事件期间，检索恰当地捕捉了这些现象的时间演变。
这项研究证明了将物理方法和深度学习相结合在地球科学分析中的巨大潜力。此外，所提出的算法具有多功能性，适用于其他多光谱传感器。
这项研究的主要贡献是：
1.提出了一种混合深度学习和迁移学习的气溶胶反演算法。
2. 与之前的研究相比，该算法可以实现更好的 AGRI AOD 检索。
3. AGRI AOD 比每日多角度实施大气校正 (MAIAC) AOD 提供更详细的气溶胶事件信息。
总之，该研究引入了一种专为地球静止气象卫星量身定制的开创性混合气溶胶反演算法。该算法通过集成深度学习和迁移学习技术，克服了传统物理算法的局限性和地面数据源的稀缺性。此外，该算法对其他多光谱传感器的适用性为地球科学分析中更广泛的应用开辟了途径。
版权声明：本文由用户上传，如有侵权请联系删除！