研究背景与意义
在过去的二十年中,多个地球同步卫星和极轨卫星搭载的多通道光谱仪被用于气溶胶光学厚度(AOD)的反演。卫星反演的AOD产品广泛应用于大气环境的研究中。尽管AOD的反演精度不断在提高,但是陆地上的反演结果依然有很大的提高空间。暗目标(DT)算法在AOD的反演中被广泛采用,其中采用了一个经验性的地表反射率关系来从短波红外通道中的反射率导出可见通道中的地表反射率。由于受到多种因素的综合影响,该经验性的关系有较大的不确定性。这项研究使用了深度学习技术来推导可见光通道的地表反射率。
由深度神经网络(DNN)构造的模型中考虑了多个参量的输入,例如归一化的植被指数(NDVI)、卫星观测角度、气象要素和季节性等。由DNN构造的地表反射率模型进一步地用于NOAA开发的DT算法中,以从新一代地球同步卫星Himawari-8中反演AOD。经深度学习修订的DT算法(DTDL)有效改善了陆地上AOD的反演结果。反演结果的误差有显着降低,尤其是适用于较低NDVI和较高表面反照率的情况。通过完善的独立测试,该算法不仅可以应用于训练区域,还可以应用于未经训练的区域。该方法有益于Himawari-8的算法开发,也可应用于其他地球同步卫星和极轨卫星。该研究同样对于人工智能如何改善气溶胶的反演有着启示作用。
数据源
Himawari-8数据
AERONET地基观测数据
NCEP再分析资料等辅助数据</