Fig. 1 Den neurala nätverksarkitekturen med flera ingångar för MODIS FMF- och AOD-prediktion. Kredit:AIR
Små partiklar som kallas aerosoler suspenderade i jordens atmosfär kan försämra sikten, påverka människors hälsa och påverka klimatet.
Finlägesfraktion (FMF), som en avgörande parameter som beskriver aerosolegenskaper, kan användas för att skilja på mänskligt orsakade och naturliga aerosoltyper. Aerosoloptiskt djup (AOD) som en kvantitativ uppskattning av aerosolmängden i atmosfären, kombinerat med FMF, kan användas som proxy för PM2.5, partiklar med in situ aerodynamiska diametrar som är mindre än 2,5 μm.
En forskargrupp ledd av prof. LI Zhengqiang från Aerospace Information Research Institute (AIR) vid den kinesiska vetenskapsakademin (CAS) och deras samarbetspartners föreslog en artificiell neural nätverksmetod för aerosolåtervinning (NNAero) för att gemensamt hämta FMF och AOD som härrör från Moderat Resolution Imaging Spectroradiometer (MODIS) data. Forskningen publicerades i Remote Sensing of Environment.
Tekniken för satellitfjärranalysinversion för att extrahera AOD-information är relativt mogen, medan FMF-inversion är svårare. Därför, i studier som att uppskatta PM2.5 genom satellit fjärranalys, det saknas nyckelparameter för att särskilja storleken på aerosolpartiklar. FMF över land är svårt att hämta på grund av komplexa fjärranalysmekanismer och brist på observationsinformation.
Fig. 2 Noggrannheter för NNAero, Algoritmer för djupblå och mörka mål validerade med AERONET markbaserade observationer. Kredit:AIR
I den här studien, forskare använde MODIS spektralreflektans av solstrålning på toppen av atmosfären och på ytan, tillsammans med markbaserade Aerosol Robotic Network (AERONET) mätningar av AOD och FMF, att utbilda ett Convolutional Neural Network (CNN) för gemensam hämtning av FMF och AOD.
NNAero-resultaten över norra och östra Kina validerades mot en oberoende referensuppsättning av AERONET. Resultaten visade att 68% av NNAero AOD-värdena låg inom MODIS förväntade felenvelopp (EE) över land på ±(0,05 + 15%), som liknade resultaten från MODIS Deep Blue (DB) algoritmen (63 % inom EE), och båda var bättre än Dark Target (DT) algoritmen (31 % inom EE).
Enligt studien, valideringen av NNAero FMF kontra AERONET-data visade en signifikant förbättring med avseende på DT FMF, med Root Mean Squared Prediction Errors (RMSE) på 0,1567 (NNAero) och 0,34 (DT). NNAero-metoden visade potentialen för förbättrad återhämtning av FMF.
Fig. 3 Bildproduktexempel för att jämföra DB AOD vs NNAero AOD (upp) och DT FMF vs NNAero FMF (ner). Kredit:AIR
Det neurala nätverket kombinerar ett helt anslutet neuralt nätverk (FCNN) och ett konvolutionellt neuralt nätverk (CNN) (Fig. 1). Den hämtade FMF uppvisar uppenbar noggrannhetshöjning jämfört med tidigare studier (Fig. 2, 3).
Forskningsresultaten hjälper till att tillhandahålla grundläggande fjärranalysprodukter som stöder PM2.5-fjärranalys och forskning om klimatförändringar.
