深度学习与辐射传输模型协同的气溶胶反演 |
| |
引用本文: | 孙晓虎,孙林,贾臣,周锋.深度学习与辐射传输模型协同的气溶胶反演[J].光学学报,2023(24):65-74. |
| |
作者姓名: | 孙晓虎 孙林 贾臣 周锋 |
| |
作者单位: | 山东科技大学测绘与空间信息学院 |
| |
基金项目: | 国家自然科学基金(42271412); |
| |
摘 要: | 传统气溶胶反演方法通常先基于模型假设确定地表反射率,但反演结果会受到假设的影响;而深度学习方法基于数据驱动,能在气溶胶定量反演中得到更加准确、高效的结果,但模型训练需要充足的优质样本数据支持。为此,使用大气辐射传输模型构建模拟样本,支持深度学习方法实现气溶胶定量反演,旨在解决当前训练数据代表性不足、数据获取困难的问题。利用辐射传输模型模拟不同参数条件下传感器获得的辐射信息,考虑概率组合及筛选标准限制进行模拟数据构建,并使用深度置信网络(DBN)对模拟样本进行训练,获得气溶胶反演模型。将模型应用于Landsat-8数据,在中国北京地区开展气溶胶反演实验。最后使用AERONET地面站点的实测数据对反演结果进行精度验证。验证结果表明,模型估算的气溶胶与站点测量值吻合良好,相关系数为0.8989,均方根误差为0.1029,约74.05%的估算值在误差标准内。本文提供了一种基于辐射传输方程构建样本数据集的思路,可减少样本质量与数量导致的局限性,实现深度学习方法对气溶胶光学厚度的高精度反演。
|
关 键 词: | 气溶胶光学厚度 辐射传输方程 Landsat-8卫星 深度置信网络 |
|
|