深度学习与辐射传输模型协同的气溶胶反演

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。