深度学习和迁移学习结合的FY-4 AGRI气溶胶反演算法——开发与验证

傅迪松 ,  施红蓉 ,  Christian A. Gueymard ,  杨大智 ,  郑宇 ,  车慧正 ,  范学花 ,  韩新蕾 ,  高玲 ,  卞建春 ,  段民征 ,  夏祥鳌

工程（英文） ›› 2024, Vol. 38 ›› Issue (7) : 186 -198.

PDF (3795KB)
工程（英文） ›› 2024, Vol. 38 ›› Issue (7) : 186 -198. DOI: 10.1016/j.eng.2023.09.023
研究论文

深度学习和迁移学习结合的FY-4 AGRI气溶胶反演算法——开发与验证

作者信息 +

A Deep-Learning and Transfer-Learning Hybrid Aerosol Retrieval Algorithm for FY4-AGRI: Development and Verification over Asia

Author information +
文章历史 +
PDF (3885K)

摘要

先进静止轨道辐射成像仪（AGRI）是风云四号静止气象卫星的关键设备之一。AGRI传感器每15 min获取一次完整的全面盘图像，每5 min完成东亚区域的观测，能反演高时空变化的气溶胶光学厚度（AOD）。迄今为止，AOD的定量反演一直具有挑战性，尤其是在陆地上。本文提出了一种深度学习和迁移学习相结合的AOD反演算法。该算法使用暗目标（DT）和深蓝（DB）算法的核心思想作为机器学习算法的特征，能在暗地表和亮地表上进行550 nm的AOD反演。该算法包括两个步骤：①以10 min的Himawari AOD为目标变量，建立一个带有跳跃连接的基准深度神经网络（DNN）；②利用89个地面站的太阳光度计AOD对DNN参数进行微调。站外验证表明，反演的AOD精度较高，决定系数（R 2）为0.70，平均偏差误差（MBE）为0.03，数据落在期望误差范围内的比例为70.7%。敏感性研究表明，650 nm和470 nm的大气顶反射率以及650 nm处的地表反射率是影响反演的最大不确定性来源。在一个极端气溶胶污染事件的研究中，AGRI AOD能够捕捉事件的时间演变。研究结果表明了迁移学习技术在卫星AOD反演中的优越性以及反演得到的AGRI AOD在极端污染事件监测中的适用性。

Abstract

The Advanced Geosynchronous Radiation Imager (AGRI) is a mission-critical instrument for the Fengyun series of satellites. AGRI acquires full-disk images every 15 min and views East Asia every 5 min through 14 spectral bands, enabling the detection of highly variable aerosol optical depth (AOD). Quantitative retrieval of AOD has hitherto been challenging, especially over land. In this study, an AOD retrieval algorithm is proposed that combines deep learning and transfer learning. The algorithm uses core concepts from both the Dark Target (DT) and Deep Blue (DB) algorithms to select features for the machine-learning (ML) algorithm, allowing for AOD retrieval at 550 nm over both dark and bright surfaces. The algorithm consists of two steps: ① A baseline deep neural network (DNN) with skip connections is developed using 10 min Advanced Himawari Imager (AHI) AODs as the target variable, and ② sunphotometer AODs from 89 ground-based stations are used to fine-tune the DNN parameters. Out-of-station validation shows that the retrieved AOD attains high accuracy, characterized by a coefficient of determination (R2) of 0.70, a mean bias error (MBE) of 0.03, and a percentage of data within the expected error (EE) of 70.7%. A sensitivity study reveals that the top-of-atmosphere reflectance at 650 and 470 nm, as well as the surface reflectance at 650 nm, are the two largest sources of uncertainty impacting the retrieval. In a case study of monitoring an extreme aerosol event, the AGRI AOD is found to be able to capture the detailed temporal evolution of the event. This work demonstrates the superiority of the transfer-learning technique in satellite AOD retrievals and the applicability of the retrieved AGRI AOD in monitoring extreme pollution events.

关键词

气溶胶光学厚度 / 反演算法 / 深度学习 / 迁移学习 / 先进静止轨道辐射成像仪

Key words

Aerosol optical depth / Retrieval algorithm / Deep learning / Transfer learning / Advanced Geosynchronous Radiation Imager

引用本文

引用格式 ▾
傅迪松,施红蓉,Christian A. Gueymard,杨大智,郑宇,车慧正,范学花,韩新蕾,高玲,卞建春,段民征,夏祥鳌. 深度学习和迁移学习结合的FY-4 AGRI气溶胶反演算法——开发与验证[J]. 工程（英文）, 2024, 38(7): 186-198 DOI:10.1016/j.eng.2023.09.023

登录浏览全文

4963

注册一个新账户 忘记密码

1 引言

气溶胶的详细信息对于地球科学领域相关的研究至关重要，它关系到地球辐射平衡[1‒2]、气候变化[3]、空气质量[4‒5]和人类健康[6]等多个方面。气溶胶光学厚度（AOD）指大气气溶胶消光系数从地面到大气顶部的垂直积分，是表征大气气溶胶的一个重要光学参数。地基太阳光度计遥感被广泛认为是获得AOD最精确的方法。因此，太阳光度计AOD通常被用作地面真值，以验证卫星遥感、化学传输模型和大气再分析的气溶胶产品[7‒11]。气溶胶自动监测网络（AERONET）自25年前成立至今，已发展成为一个包含全球数百个站点的网络[12‒13]。在亚洲，也有如天空辐射计网络（SKYNET）[14]这样的区域性太阳光度计网络。在中国，为了满足对研究级气溶胶数据日益增长的需求，已经建立了三个独立的太阳光度计网络：中国气溶胶地基遥感监测网（CARSNET）[15]、中国大气气溶胶化学成分观测网（CARE-China）[16]和太阳-天空辐射计观测网（SONET）[17]。除此之外，国际AERONET和SKYNET网络的一些站点也在中国各地进行业务化观测。这些网络在中国气溶胶特性的表征中发挥着重要作用。然而，这些分散的太阳光度计站点并不能完全捕捉到气溶胶的高时空变异性。因此，迫切需要卫星遥感技术来提供具有高时空覆盖率的AOD产品，以填补这一空白。

卫星遥感技术，特别是由极轨和静止卫星提供的遥感数据，在获取气溶胶特性方面发挥了重要作用。极轨卫星能够提供全球范围的AOD反演，尽管它们的再访周期相对较长。与此相比，静止卫星的优势在于能够提供高频的气溶胶观测（大约每5~15 min一次）以及具有较高的空间分辨率。目前，这类传感器包括欧洲气象卫星应用组织（EUMETSAT）的Meteosat Second Generation（MSG）卫星搭载的Spinning Enhanced Visible and Infrared Imager（SEVIRI）[18]、美国国家海洋和大气管理局（NOAA）的Geostationary Operational Environmental Satellites（GOES）-16/17（统称为GOES-R系列）上的Advanced Baseline Imager（ABI）、来自日本气象厅（JMA）的Himawari-8和Himawari-9上的Advanced Himawari Imager （AHI）[19]以及来自韩国GEO-KOMPSAT-2B的Geostationary Ocean Color Imager II（GOCI-II）[20]。附录A中的图S1展示了六颗全部或部分覆盖中国的静止轨道卫星的位置和覆盖范围，包括位于45.5°E的Meteosat-9（印度洋数据覆盖区，IODC）、140.7°E的Himawari-8/9、128°E的GEO-KOMPSAT-2B、104.7°E的FY-4A（Fengyun-4A）和133°E的FY-4B（Fengyun-4B）。尽管Himawari-8/9和IODC覆盖了中国的部分地区，但没有一颗卫星能够为整个国家提供连续的视场数据。相对而言，FY-4A和FY-4B可以为中国提供全面覆盖的高频观测[21]。它们分别构成了中国新一代地球静止轨道气象卫星系列的第一和第二颗星。这两颗卫星搭载了多种仪器，包括本研究关注的先进静止轨道辐射成像仪（AGRI）传感器，其性能已被Zhang等[22]进行了评估。

被动卫星在陆地上进行AOD反演时最具挑战性的任务是从空间辐射计所探测的反射辐射中分离出地表和气溶胶的贡献。当地表反射率较高（如雪或明亮的沙漠区域）且AOD信号较低时，这一点尤其明显。为了解决这一问题，研究人员已经开发了多种物理反演方法，主要分为四个类别：①建立地表反射率在可见光和其他波段之间的关系，例如暗目标（DT）法[23]；②预先构建静态地表反射率数据库，如深蓝（DB）和增强DB算法[24‒26]；③使用多角度方法，以多角度大气校正算法（MAIAC）为代表[27]；④使用极化信息，如广义气溶胶和地表属性综合算法（GRASP）[28]。当然也有一些研究尝试使用上述算法进行静止轨道卫星的AOD反演。例如，NOAA GOES-16 ABI在陆地上使用了基于DT的方法[29]。而日本航空航天局（JAXA）发布的AHI陆地气溶胶产品则采用了DB类型的方法，其中对一个月内第二低的反射率测量值进行大气校正以表示表面反射率[30]。

得益于计算机技术的进步，机器学习在遥感领域迅速发展，显示出在模拟卫星观测的大气顶（TOA）反射率与地表观测AOD之间的复杂关系方面的巨大潜力。例如，She等[31]采用来自76个AERONET站点的AOD数据作为地面真实数据，利用深度神经网络（DNN）模型估算了AHI AOD。模型得到的均方根误差（RMSE）为0.17，证明了其在AOD估算中的有效性。类似地，Yeom等[32]也采用了DNN，但主要关注东北亚的GOCI传感器和AERONET的AOD数据。他们的验证结果显示，与传统的支持向量回归（SVR）或随机森林（RF）模型相比，DNN反演的AOD具有更高精度。与以前的研究不同，Kang等[33]在DNN模型中引入了通道差异特征，间接地整合了地表反射信息。基于LightGBM和RF模型的10倍交叉验证的决定系数（R 2）分别达到0.93和0.92。Chen等[34]直接使用来自Moderate Resolution Imaging Spectroradiometer（MODIS）的地表反射数据以及地面测量的AOD来训练卷积神经网络（CNN）模型。评估表明，约68%的AOD值位于±（0.05 + 15%）的预期误差（EE）范围内。值得强调的是，尽管这些研究使用了不同的传感器、方法和输入特征，但它们都完全依赖于地面观测，而这些观测的样本对于需要反演的区域来说非常稀疏。

尽管上述文献利用了来自AHI、GOCI和MODIS的观测数据，但目前还没有来自AGRI的业务化AOD产品。当然也有一些研究进行了尝试。例如，Jiang等[35]开发了一种用于陆地上反演AGRI AOD的算法。该算法利用MODIS产品建立地表反射率比值数据库，结合由Solar Spectrum Vector模型计算的查找表（LUT）来反演每小时的AOD。地基太阳光度计的R 2为0.71，RMSE为0.16，约60%的AOD在EE范围内。Xie等[36]开发了一种用于AGRI的多通道（MC）算法，该算法假定不同波段的地表反射之间的关系在两周内保持稳定。当气溶胶负荷较低时，用MODIS AOD进行大气校正，可以导出地表反射率。据称，MC算法适用于暗地表和亮地表。与AERONET AOD相比，MC反演的AGRI AOD精度很高，RMSE和EE范围内的数据百分比分别为0.16和63.71%。Ding等[37]将Neural Network AEROsol Retrieval for Geostationary Satellite（NNAeroG）应用到AGRI的全面盘数据。来自111个太阳光度计站点（AERONET + SONET）的AOD数据用于训练网络，另外28个站点用于独立验证。NNAeroG预测的AGRI AOD与太阳光度计AOD数据有很好的一致性（RMSE = 0.24，R 2 = 0.73，EE = 58.7%）。

物理反演方法（如DT或DB）通常需要关于气溶胶特性的先验知识，并依赖辐射传输模型来建立LUT。然而，LUT的大小随预定义参数呈现指数增长，且通常针对特定传感器，限制了其用于新传感器的能力。此外，太阳光度计的数据在物理反演方法中的应用有限，主要用于验证气溶胶属性。基于机器学习的AOD反演算法，目前主要使用基于太阳光度计的AOD作为训练目标。这种方法的一个显著缺点是，地面站点仍然相对稀缺且分布不均，这不可避免地降低了在至少有几个站点覆盖的区域之外进行AOD反演的信心。考虑到气溶胶和地表特性的高度异质性，基于有限训练样本的机器学习模型似乎很难具有普遍性。

针对这些挑战，本文的目标是开发一种结合深度学习和迁移学习技术的AGRI AOD反演算法。创新点包括：首先，基于DT和DB算法的核心物理概念选择机器学习模型的输入特征。其次，使用迁移学习技术克服训练样本不足的限制。这一过程通过将AHI AOD作为目标进行模型训练，并利用尽可能多的太阳光度计观测数据来调整参数。由于在该过程中使用了AHI AOD，该算法实现了物理反演算法与机器学习方法之间的协同作用。最后，进行了详细的敏感性分析，以讨论潜在的误差来源。

2 数据与方法

2.1 AGRI传感器

FY-4A卫星作为中国最新一代静止轨道气象卫星系列的首发星[21,38]，于2016年12月11日成功发射，并定位于地球静止轨道的104.7ºE位置。FY-4A AGRI在多个关键性能指标上相较于第一代静止轨道卫星FY-2的传感器有显著提升。首先，波段数量从5增加到14，提供更精细的光谱信息。其次，全面盘图像的快照时间间隔从30 min缩短到15 min，而在中亚和东亚地区甚至能够实现每5 min的高频观测。这种高时间分辨率的观测能力，使得FY-4A能够捕捉到气象事件的快速变化。第三，AGRI的空间分辨率也得到了显著提高——可见光波段为1 km，近红外波段为2 km，其他红外波段为4 km。这些改进对于分析小尺度的空间变化以及理解局部气溶胶特征和输送机制至关重要。

为了开展本研究，我们从中国气象数据服务中心网站（http://data.nsmc.org.cn）获取了FY-4A AGRI Level-1（L1）数据集，这些数据具有5 min的时间分辨率并覆盖了2018年全年。在机器学习模型的开发过程中，我们使用了包括卫星观测天顶角（CSVA）和太阳天顶角（CSZA）的余弦值、AGRI的七个波段数据（470 nm、650 nm、825 nm、1375 nm、1610 nm、2250 nm和10.7 μm）以及通过不同波段组合得到的一些衍生量值作为输入特征（详细方法见第3节）。本研究使用的数据集链接和反演得到的AGRI AOD结果已在附录A的补充文本中提供。

2.2 Himawari-8 AHI AOD

Himawari-8/9上的AHI具备16个通道，空间分辨率为0.5~2 km，时间分辨率为10 min [19]。Yoshida等[30]开发了一种最优估计算法，可以同时反演AOD、500 nm处的单次散射反照率和400~600 nm处的Ångström指数。在陆地上，该算法假定地表反射在一个月内保持不变，在小时尺度上选取当月第二低的反射率用于建立地表反射数据库。在海洋上，海表反射率则是基于Cox和Munk方法计算的[39]。在这项研究中，使用了10 min分辨率下的质量标签为“非常好”或“好”的Version 3 Level-2 AOD来训练基准模型（详情见第3节）。根据等式（1），结合AHI的Ångström指数和500 nm处的AOD可计算550 nm处的AOD：

τ 550 = τ 500 × ( 550 / 500 ) - A E

式中，τ550和τ500分别是550 nm和500 nm处的AOD。

2.3 太阳光度计AOD

在迁移学习的过程中，地面太阳光度计的气溶胶产品被用作微调基准模型的参考标准。本研究采用了AERONET和CARSNET提供的AOD产品。CARSNET是中国气象局（CMA）建立的地面气溶胶监测系统，其太阳光度计每年都会根据严格的定标协议进行校准，确保了与AERONET相当的AOD测量精度[15]。在本研究中，共使用了亚洲89个站点（包括CARSNET和AERONET站点）的AOD数据（见附录A中的图S2）。据作者所知，这是迄今为止文献中在亚洲地区报道的太阳光度计数据最多的站点集合。550 nm处的AOD是通过插值从其在440 nm、675 nm、870 nm和1020 nm处的AOD得出的，插值方法见文献[11]。

2.4 辅助数据

辅助数据包括从欧洲中期天气预报中心（ECMWF）的ERA5再分析资料中获取的空间分辨率为0.25° × 0.25°的小时气象量[40]。这些数据包括：2 m温度（T2M，K）、柱水汽含量（PWV，kg∙m-2）、柱臭氧含量（O3，kg∙m-2）、边界层高度（BLH，m）和地表气压（SP，Pa）。来自航天飞机雷达地形测绘任务（SRTM）数字高程模型（DEM）的海拔数据（ELV，m）具有90 m的空间分辨率，用作解释AOD与海拔的关系的预测特征。时间变量（T，即一年中的日期）用来反映AOD的季节性，被编码为cos (2π × T/365)。最后，由于先前的研究表明，卫星反演的AOD不确定性因地表类型而异[41]，因此还使用了MODIS植被覆盖分类产品（MCD12C1）第六版的地表类型作为特征[42]。

3 反演方案

卫星气溶胶反演的不确定性主要来自四个方面：传感器校准、云检测、气溶胶模型选择和地表反射率的确定[43‒44]。在这里，我们特别关注云检测、地表反射率估计和气溶胶反演策略。AGRI的反射太阳波段校准精度为5% [21]，将在第4.4小节中进行讨论，同时也会进行敏感性分析。

3.1 云/雪/水像元掩模

在进行后续气溶胶反演之前，首先开发了一种简单但稳健的云检测算法，参考了Su 等[44]的研究和GOES-R ABI算法文档[29]。反演算法包括反射率和亮温阈值测试、亮温差异和空间不均匀性测试，以及水和雪/冰像元识别（见表1）。关键变量是在波长（λ）470 nm、510 nm、640 nm、650 nm、825 nm、860 nm、1375 nm、1610 nm和2250 nm处的TOA的反射率（Rλ ）；以及在波长8.5 μm和10.7 μm处的亮温（BT λ ）。

3.2 地表反射率估算

精确区分地表反射和气溶胶后向散射信号对于实现准确的AOD反演至关重要。然而，在以往的机器学习算法中，这一点往往没有得到充分的考虑[31‒32,45]。为了解决这一潜在问题，本研究采用了DB方法，每个月为470 nm、650 nm和2250 nm波段创建了一个动态的小时地表反射数据库（分别记为ρ 470、ρ 650和 ρ 2250）。我们仅保留了AGRI测量数据中那些没有云层和雪/冰的观测。每隔三个小时，AGRI会在前30 min内进行两次全盘扫描，随后的30 min内每隔5 min进行六次区域扫描，因此，对于每一个小时来说，每个月的区域扫描次数至少达到168次。由于在气溶胶负荷较低的情况下，卫星反射测量主要受到地表反射的影响，而气溶胶通常会增强反射测量，因此我们选择每个月每个像元每个小时第二低的TOA反射率来代表该月的小时地表反射率。需要强调的是，地面反射率的双向特性也被考虑在其中。例如，附录A中的图S3的左右两栏分别显示了5月和10月的470 nm、650 nm和2250 nm处（ρ 470、ρ 650和ρ 2250）的基准反射率。请注意，某些格点中的缺失值是通过最近邻插值来填充的。地表反射的空间分布在这三种波段上是一致的，南部的值较低，而北部、西部和西北部的值较高。根据所示的两个月份，地表反射的季节性变化也是显而易见的。这些结果表明，选择每小时的第二低TOA反射作为地表反射率的代表是有效的。此外，大气校正通常需要准确的AOD数据（通常是不可用的）以及辐射传输模型的模拟[36,46]，这将极大增加方法的复杂性。而使用每小时的第二低TOA反射率不需要外部数据，因此简化了算法。

3.3 机器学习AOD反演模型建立

图1展示了反演算法的总体框架，包括三个子模块：① 数据预处理（橙色框）；②基准模型任务（绿色框）；③ 迁移学习任务（蓝色框）。来自具有不同时空分辨率的多个数据源的数据被处理为统一的4 km分辨率。然后，通过使用AHI AOD作为目标，开发了一个基准模型（带有跳跃连接的DNN）用于初始的AOD估算。最后，通过使用太阳光度计AOD作为目标，结合迁移学习方案改进了基准模型。整个过程可以总结为“预处理 + DNN +微调”。

3.3.1 数据预处理

原始数据的时空分辨率总结在表2 [24]中。通过线性插值，所有数据集的空间分辨率都被重新调整为4 km。ERA5再分析的变量被假定在每小时内保持不变，因此，使用最接近AGRI观测时间的ERA5输出作为辅助变量。在融合深度学习和迁移学习过程中，需要依次训练两个模型，因此表2中的输入数据需分别与AHI AOD和太阳光度计AOD进行匹配，尽管这两组训练目标的位置不必完全一致。对于AHI AOD，根据MCD12C1地表类型，均匀选取了900个采样点，覆盖Himawari-8观测区域内的不同地表类型（即每种地表类型约60个采样点）。针对这些采样点，提取了2018年的AHI AOD数据作为基准模型的训练目标。输入数据选取与这些采样点在AHI观测时间前后2.5 min内的记录相匹配。太阳光度计AOD的匹配方式与AHI AOD相同，只是实际站点位置有所不同。数据匹配后，AHI和太阳光度计AOD样本的总数分别为1 156 090和127 794。为了确保模型训练的有效性，对输入数据进行了标准化处理，方法是减去均值并按标准差进行缩放。由于AOD的对数分布近似正态分布，因此对目标变量进行了对数变换。

3.3.2 基准模型

图2展示了基准模型架构的示意图。 DNN 是通过将“浅层”网络（即具有一个输入层、一个隐藏层和一个输出层的 ANN）扩展到多个隐藏层来构建的[47]。在模型的输入层，共有16个预测特征作为输入（图2中橙色部分），模型输出为550 nm处的AHI AOD（图中红色节点）。模型结构中包含了四个隐藏层，用于处理和学习输入数据与输出之间的复杂关系。值得注意的是，尽管图中显示了五个灰色块，但实际上其中一个块的输出是作为下一个块部分输入的，并非完全独立的层。为了优化模型性能，我们在每个处理单元（图2中绿色矩形）中整合了批量归一化（BN）、修正线性函数（ReLU）激活层以及Dropout机制。这些技术用于正则化网络，引入非线性，同时减少过拟合的风险。此外，模型中还采用了跳过连接（图中红线所示），这是一种改进DNN的技术，旨在解决深层网络训练中的梯度消失问题[48‒50]。

同时，这里使用了DNN训练的最新方法。使用小批量梯度下降搜索方法，批量大小为512，共进行60轮，以确保稳定和稳健的结果。学习率初始化为0.01，并在第20和第40轮时分别减小为0.001和0.0001。选择了Adam优化器，因为它能够快速而稳定地收敛[51]。尽管目标变量（AOD）采用对数变换来处理，但其分布仍表现出不平衡特征，具有一个包含极大值的长尾。现有研究表明，在处理这种不平衡的回归问题[52‒53]时，传统的均方误差（MSE）损失函数可能会低估那些出现频率较低的数据点。因此，本研究设计了一种特殊的损失函数[公式（2）]来补偿高AOD的低估。如果预测值 ŷ n大于目标值yn，则损失等于MSE的一半。否则，损失与MSE完全相等。

L o s s n = 0.5   y n - ŷ n 2 ,   i f   y n - ŷ n < 0 y n - ŷ n 2 , o t h e r w i s e

3.3.3 迁移学习

尽管DNN模型在估算550 nm处的AHI AOD方面表现出了较高的准确性，但与地面太阳光度计产品相比，其预测结果仍存在一定程度的不确定性。这种不确定性主要源于AHI在550 nm处的AOD本身的不确定性，这一点不容忽视[54‒55]。为了进一步提高预测精度，采用了迁移学习。

迁移学习是一种强大的技术，已经在许多领域取得了成果[56]。例如，Liu等[57]成功地将降水融合模型从一个源域迁移到目标域，并在微调后显著降低了青藏高原降水预测的RMSE和平均绝对误差（MAE），分别降低了27.6%和22.5%。

在迁移学习中，预训练网络的初始层通常与目标数据集关联不大，而网络的最后几层则与目标任务紧密相关。因此，初始层提取的特征被称为通用特征，而最后几层提取的特征则被称为特定特征。基于这一原理，微调策略通常集中在调整预训练网络的最后几层全连接层的参数。在本研究中，我们根据第3.3.2节的描述，固定了预训练模型的前层参数。然后，通过引入新的目标（即地面太阳光度计测量的AOD）来调整全连接层（如图2中的w 4和w 5）的参数，从而优化模型的预测性能。

4 结果、验证和讨论

4.1 测试数据集中的模型性能和不同方法之间的比较

在基准模型开发和迁移学习微调两个阶段都使用两种验证方法。首先，根据地面站点的空间分布，从样本点中均匀选择10%的站点（附录A图S2中900个样本点中的90个采样点和89个地面站点中的9个）作为测试数据集（站外验证）。然后，在训练过程中使用10折交叉验证来学习DNN最优超参数。用于评估模型性能的参数包括R 2、RMSE、平均偏差误差（MBE）和EE [58‒59]。

图3（a）展示了基准模型在90个AHI测试点的性能。该模型的预测结果略呈分散，其R 2为0.63，表明模型与实际观测值的相关性尚可。在EE内的预测结果占比为59.4%，而线性回归的斜率为0.82，这表明模型在处理较高气溶胶负荷时存在轻微的低估倾向。当将基准模型直接应用于9个测试太阳光度计站点时[图3（b）]，观察到模型性能略有下降（MBE从‒0.01增加到0.06，只有51.3%的预测结果仍在EE内）。这表明基准模型仍有很大的改进空间。与图3（b）相比，图3（c）显示经过微调后的模型结果有大幅改善，表明迁移学习方法显著提高了基准模型的反演性能。具体来说，微调方法将R 2提高到0.70，斜率提高到0.91，并将RMSE和MBE分别降至0.15和0.03。此外有70.7%的结果在EE内。

尽管迁移学习有效地减少了偏差和随机误差，图3（c）所示的散点分布仍然显示出一定的离散性。这种离散性可能是由于气溶胶本身的时空变异性以及反演算法的局限性所导致，这些因素在一定程度上是不可避免的。因此，需要更多的验证工作来帮助诊断其他可能的误差来源。图3中的比较是在卫星像元上的平均AOD值与该像元内某个地面点源观测值之间进行的。这里隐含的假设是，地面站点能够代表整个像元的气溶胶特性。然而，在实际情况中，这一假设并不总是成立，尤其是在地面站点的海拔与像元平均海拔相差很大的情况下。例如，如果地面站点位于被高山环绕的山谷底部，或者相反地，位于被低海拔地形包围的孤立高山顶部，这种海拔差异可能会导致观测到的AOD值与卫星像元均值存在显著差异。以Gaolanshan站点为例，该站点位于海拔1668 m的高山顶部，很可能位于大多数对流层气溶胶层之上，因此观测到的参考AOD值要比反演得到的像元均值低得多。目前，尚无评估像元异质性的特定标准，也无法决定是否应该在验证过程中排除此类站点。随意从测试集中移除这些站点可能会导致统计显著性的丧失，因此这不是一个合适的解决方案。另一种可能的方法是引入特定的海拔校正来调整AOD值，使其更容易与地面真实站点的观测值进行比较。例如，文献[11]就采用了这一方法，但这是经验性的，可能不是在所有情况下都是理想的。因此，本研究没有尝试这种方法。

表3给出了本研究中获得的AGRI AOD与前人研究结果的比较[36‒37,60]。难点在于，这些比较是基于不同的验证数据集或分辨率进行的；因此公平起见，验证结果不能进行直接比较。Xie等[36]提出的MC方法在这三个研究中在RMSE、EE百分比和时间分辨率方面表现似乎最佳。然而，值得注意的是，MC方法最初是针对南亚地区设计的，那里的气溶胶特性相对简单，且Xie等[36] 使用的是空间分辨率较低的10 km AOD数据，受益于平滑效应，从而减少了误差。Ding等[37]开发的NNAeroG方法在R 2方面表现最佳，但在处理高AOD值时似乎存在低估的情况（斜率 = 0.71，截距 = 0.09）。这种现象在一定程度上是可以预见的，因为NNAeroG仅以太阳光度计AOD作为目标，而任何以MSE作为损失函数的机器学习模型都倾向于低估稀有事件（即非常高的AOD值）。相比之下，本研究提出的方法在RMSE上达到了最低值（0.15），并且在时间/空间分辨率以及EE内数据百分比（70.7%）方面表现最佳。此外，尽管当前方法得到的R 2值（0.70）略低于NNAeroG方法得到的0.73，但通过自定义损失函数的引入，本研究在解决高AOD值低估问题上取得了显著进步（斜率 = 0.91，截距 = 0.02）。总体而言，表3的结果表明，在相同的数据集和相同的时空分辨率下进行验证时，本研究提出的算法在性能上有望超越其他三种方法。

4.2 AOD反演结果总览

附录A中的图S4展示了AGRI AOD在四个季节的平均值，其中3~5月为春季（MAM），6~8月为夏季（JJA），9~11月为秋季（SON），12月至次年2月为冬季（DJF）。各季节的平均AGRI AOD值分别为0.26、0.22、0.16和0.21。在春季和夏季，塔里木盆地记录到了较高的AOD值，这主要是由于塔克拉玛干沙漠在这些月份中的沙尘活动引起的[44]。然而，值得注意的是，AHI AOD数据未能捕捉到这一现象，因为AHI的观测范围并未覆盖塔里木盆地[附录A中的图S2（a）]。在华北平原，同样观察到AOD值较高，这通常与该地区常见的雾霾现象有关[61]。与此同时，在青藏高原地区，AOD值最低，这可能是因为喜马拉雅山脉的高海拔地形阻挡了来自其他地区（如南亚）的气溶胶。此外，在图S4的冬季，北部的数据部分缺失，这是由于该地区普遍的冰雪覆盖导致的。

许多研究已经表明，与地面太阳光度计AOD相比，MAIAC AOD产品的准确性很高[9,62‒64]。图S4中季节平均的MAIAC AOD与AGRI AOD的统计结果进一步验证了AGRI AOD的可靠性，R 2在0.50~0.68之间，最大MBE小于0.03，至少有60.1%的数据在EE内。

4.3 极端污染事件

本研究选取了一个极端气溶胶事件的案例，展示了AGRI AOD在类似情况下的优势，这类事件在亚洲地区相当普遍。如图4所示，以北京为例（该市为9个测试站点之一），2018年11月1日下午的空气质量相比早晨显著恶化：AOD从00:50（UTC，比北京时间晚8 h）的0.09急剧上升至07:45的0.52。然而，MAIAC AOD仅提供了有限的信息，因为当天仅记录了两个AOD值，分别是02:30的0.19和05:30的0.24。相比之下，AGRI AOD提供了33个观测值，更详细地反映了AOD的持续增加，并在下午记录到了0.44的最大值。值得注意的是，AGRI AOD的观测值始终维持在地面实况观测的±0.10误差范围内，显示出其较高的可靠性。然而，AGRI AOD在事件早期存在轻微的高估，这可能与地表反射率的不确定性有关。正如第3.2节所述，目前本方法中使用的地表反射率并非严格意义上的雾气溶胶影响，因为它不是通过通常的大气校正所获得的。因此，地表反射率的低估可能是导致AGRI AOD高估的原因之一。

在附录A中的图S5中，AGRI AOD数据与2018年11月1日的红-绿-蓝（RGB）真彩色图像（同样来源于AGRI传感器）进行了叠加展示。图中以蓝色矩形标示的京津冀地区作为我们关注的兴趣区域（ROI）。在01:30 UTC时刻，ROI内大约只有50%的区域AOD值超过了0.4，而这些高值主要集中于区域的西南部。随着时间的演进，ROI中AOD值超过0.4的区域比例逐渐增加，到了07:30 UTC时，这一比例已接近整个ROI的75%。由于MAIAC AOD的时间分辨率相对较低，它未能详尽反映出AOD值增长的这一渐进过程。图5中展示的其他三个案例进一步证明了基于AGRI的本方法在城市气溶胶监测中的卓越性能，特别是在像北京这样空气污染状况多变且严重的地区。这些案例突显了本方法提供与地面观测精度相当的反演AOD的能力，并且在低、中、高不同AOD条件下，通常能够优于MAIAC AOD。

4.4 模型特征贡献和不确定度分析

这里使用由Lundberg 和Lee [65]提出的Shapley加性解释方法进行模型可解释性分析。该方法通过评估每个特征在预测中的边际贡献，为每个特征分配其对预测结果的贡献度量。表4列出了AGRI AOD反演中贡献最大的前十个模型特征。分析结果显示，ELV（‒0.23）、R 650（‒0.14）、R 470（‒0.13）和PWV（‒0.12）是四个最重要的特征（以其绝对值来衡量）。值得注意的是，这些特征的较高值往往与较小的AGRI AOD值相对应。例如，在中国西北地区，较高的ELV值通常与相对较低的AOD值相关联。关于R 650和R 470，这两个波段的较高值通常表示气溶胶对太阳辐射的减弱较小，从而表明较低的AOD值。此外，较高的PWV通常在海洋上观察到，尤其是在赤道以北和以南摆动的湿空气带[66]。而在陆地上，高AOD值往往与人类活动有关。因此，模型中PWV的负贡献可能反映了AOD和PWV在空间分布上的差异。与上述四个特征相比，ρ 650表现出正贡献（0.08），这意味着较高的ρ 650值与较大的AOD值相关。这解释了为什么高ρ 650和AOD总是共同出现在塔里木盆地，如附录A图S3中的地表反射和图S4中的季节平均AOD所示。

根据表4中特征贡献的顺序，对排名靠前的特征进行敏感性实验。ELV因其高精度而被排除在外[68]。因此，仅选择R 650、R 470、PWV和ρ 650进行敏感性研究。由于传感器、再分析资料和地表反射率中的误差会传播到AOD反演，因此这些特定变量具有明显的意义。模拟基准值提取自2018年11月1日在北京AERONET站点的观测数据。具体而言，R 650和R 470是来自AGRI的TOA反射率；PWV源自ERA5；ρ 650是650 nm处的地表反射率。根据Yang等[21]的报道，R 650和R 470的不确定度均假定为5%。PWV的不确定度由Wang等[67]得出。ρ 650中的不确定度根据2018年11月1日02:00时基准输入值（0.09）与AERONET平均观测值（0.10）之间的差值计算。表5总结了反演的AOD对这些特征的敏感性。如表所示，最大的误差源为R 650和R 470，其AOD反演的相对误差分别为‒18.88%~10.43%和‒17.23%~14.01%。ρ 650是第三大误差源，这是ρ 650中较大的相对不确定度（±9%）造成的。

5 结论

本研究基于FY-4A地球同步卫星上的AGRI传感器，使用深度学习和迁移学习混合气溶胶反演算法估算了陆地和海洋上的AOD。采用这一特定的反演方法是因为DNN需要大型数据集来训练网络模型，而地面太阳光度计站的数量有限。所提出的算法首先使用10 min的AHI AOD作为目标，训练了一个基准模型（带有跳跃连接的DNN）。混合算法的另一个核心部分是迁移学习，该方法在基准模型的基础上使用了来自89个地面站的太阳光度计AOD观测数据，来微调全连接层的参数。所提出的算法确保了有足够的样本来有效地训练基准模型，并且随后的微调能够保证可移植性。

该算法已应用于为期一年的AGRI数据集。与基准模型相比，使用迁移学习微调能够显著提高模型性能。R 2从0.63增加到0.70，同时RMSE和MBE分别从0.19和0.06降至0.15和0.03。此外，70.7%的结果在EE范围内，比基准值（51.3%）改进约20%。在极端气溶胶事件中，5 min的AGRI反演结果在1 d内能提供多个AOD估计值，至少在4 km像素上没有云的情况下是如此。特征重要性研究显示，对AOD反演的贡献前五位的特征分别是ELV、R 650、R 470、PWV和ρ 650。考虑输入特征的不确定度和重要性，R 650、R 470和ρ 650是反演中的前三大误差源，其次是PWV。这项研究展示了结合物理方法和深度学习在地球科学分析中的巨大潜力，所提出的算法也可以应用于其他多光谱传感器（如FY-4B上的AGRI）。

尽管本研究提出的算法已经取得了一定的成果，但仍存在进一步优化的空间。例如，云检测方法的准确性直接影响地表反射率的估计，进而影响AGRI AOD的反演结果和覆盖范围。更广泛地说，气溶胶反演技术的精确度在很大程度上依赖于有效剔除不适宜进行反演的像素。将污染层错误地识别为云层，或将云层误分类为污染层，都可能导致AOD估计的偏差。这些误差不仅会降低AOD产品质量，也可能妨碍遥感数据的准确解释和有效应用。因此，我们计划在未来对云掩模算法进行改进，以提高AGRI AOD的准确性。此外，对于在650 nm波段测定地表反射率的任何改进也将是十分有益的。如果打算在业务中实施本研究所提出的方法，目前依赖ERA5再分析数据来获取输入特征将是一个挑战，因为其存在显著的时间延迟。作为替代方案，可以考虑从CMA、ECMWF或NOAA等机构提供的临近预报或预测数据中获取所需数据。

此外，本方法使用AHI AOD作为模型训练的中间目标，而直接用AHI AOD数据评估对AGRI反演结果的影响并非易事。为了评估这种影响，未来的研究应该考虑使用两种不同版本的AHI AOD数据集进行比较分析。目前的研究分析主要集中在东亚地区，该地区拥有较多的太阳光度计站点。为了更全面地验证本方法的有效性，需要进一步扩展研究范围，覆盖FY-4A卫星覆盖的整个领域，包括亚洲、澳大利亚以及更广阔的海洋区域。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Forster P, Storelvmo T, Armour K, Collins W, Dufresne JL, Frame D, et al. The Earth’s energy budget, climate feedbacks, and climate sensitivity. In: Masson-Delmotte V, Zhai P, Pirani A, Connors SL, Péan C, Berger S, editors. Climate change 2021: the physical science basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge: Cambridge University Press; 2021. p. 923‒1054.
[2]

Shi H, Yang D, Wang W, Fu D, Gao L, Zhang J, et al. First estimation of high-resolution solar photovoltaic resource maps over China with Fengyun-4A satellite and machine learning. Renew Sustain Energy Rev 2023;184:113549. . 10.1016/j.rser.2023.113549
[3]

Seinfeld JH, Bretherton C, Carslaw KS, Coe H, DeMott PJ, Dunlea EJ, et al. Improving our fundamental understanding of the role of aerosol-cloud interactions in the climate system. Proc Natl Acad Sci USA 2016;113(21):5781‒90. . 10.1073/pnas.1514043113
[4]

Chudnovsky AA, Koutrakis P, Kloog I, Melly S, Nordio F, Lyapustin A, et al. Fine particulate matter predictions using high resolution aerosol optical depth (AOD) retrievals. Atmos Environ 2014;89:189‒98. . 10.1016/j.atmosenv.2014.02.019
[5]

Che H, Xia X, Zhao H, Li L, Gui K, Zheng Y, et al. Aerosol optical and radiative properties and their environmental effects in China: a review. Earth-Science Rev 2024;248:104634. . 10.1016/j.earscirev.2023.104634
[6]

Butt EW, Rap A, Schmidt A, Scott CE, Pringle KJ, Reddington CL, et al. The impact of residential combustion emissions on atmospheric aerosol, human health, and climate. Atmos Chem Phys 2016;16(2):873‒905. . 10.5194/acp-16-873-2016
[7]

Bréon FM, Vermeulen A, Descloitres J. An evaluation of satellite aerosol products against sunphotometer measurements. Remote Sens Environ 2011;115(12):3102‒11. . 10.1016/j.rse.2011.06.017
[8]

de Leeuw G, Holzer-Popp T, Bevan S, Davies WH, Descloitres J, Grainger RG, et al. Evaluation of seven European aerosol optical depth retrieval algorithms for climate analysis. Remote Sens Environ 2015;162:295‒315. . 10.1016/j.rse.2013.04.023
[9]

Mhawish A, Sorek-Hamer M, Chatfield R, Banerjee T, Bilal M, Kumar M, et al. Aerosol characteristics from earth observation systems: a comprehensive investigation over South Asia (2000‒2019). Remote Sens Environ 2021;259:112410. . 10.1016/j.rse.2021.112410
[10]

Xia X, Che H, Shi H, Chen H, Zhang X, Wang P, et al. Advances in sunphotometer-measured aerosol optical properties and related topics in China: impetus and perspectives. Atmos Res 2021;249:105286. . 10.1016/j.atmosres.2020.105286
[11]

Gueymard CA, Yang D. Worldwide validation of CAMS and MERRA-2 reanalysis aerosol optical depth products using 15 years of AERONET observations. Atmos Environ 2020;225:117216. . 10.1016/j.atmosenv.2019.117216
[12]

Holben BN, Eck TF, Slutsker I, Tanré D, Buis JP, Setzer A, et al. AERONET—a federated instrument network and data archive for aerosol characterization. Remote Sens Environ 1998;66(1):1‒16. . 10.1016/s0034-4257(98)00031-5
[13]

Giles DM, Sinyuk A, Sorokin MG, Schafer JS, Smirnov A, Slutsker I, et al. Advancements in the Aerosol Robotic Network (AERONET) version 3 database—automated near-real-time quality control algorithm with improved cloud screening for sun photometer aerosol optical depth (AOD) measurements. Atmos Meas Tech 2019;12(1):169‒209. . 10.5194/amt-12-169-2019
[14]

Nakajima T, Campanelli M, Che H, Estellés V, Irie H, Kim SW, et al. An overview of and issues with sky radiometer technology and SKYNET. Atmos Meas Tech 2020;13(8):4195‒218. . 10.5194/amt-13-4195-2020
[15]

Che H, Xia X, Zhao H, Dubovik O, Holben BN, Goloub P, et al. Spatial distribution of aerosol microphysical and optical properties and direct radiative effect from the China aerosol remote sensing network. Atmos Chem Phys 2019;19(18):11843‒64. . 10.5194/acp-19-11843-2019
[16]

Xin J, Wang YY, Pan Y, Ji D, Liu Z, Wen T, et al. The campaign on atmospheric aerosol research network of China: CARE-China. Bull Am Meteorol Soc 2015;96(7):1137‒55. . 10.1175/bams-d-14-00039.1
[17]

Li ZQ, Xu H, Li KT, Li DH, Xie YS, Li L, et al. Comprehensive study of optical, physical, chemical, and radiative properties of total columnar atmospheric aerosols over China: an overview of Sun-Sky Radiometer Observation Network (SONET) measurements. Bull Am Meteorol Soc 2018;99(4):739‒55. . 10.1175/bams-d-17-0133.1
[18]

Schmetz J, Pili P, Tjemkes S, Just D, Kerkmann J, Rota S, et al. An introduction to Meteosat Second Generation (MSG). Bull Am Meteorol Soc 2002;83(7):977‒92. . 10.1175/1520-0477(2002)083<0992:staitm>2.3.co;2
[19]

Bessho K, Date K, Hayashi M, Ikeda A, Imai T, Inoue H, et al. An introduction to Himawari-8/9—Japan’s new-generation geostationary meteorological satellites. J Meteorol Soc Jpn 2016;94(2):151‒83. . 10.2151/jmsj.2016-009
[20]

Choi H, Park S, Kang Y, Im J, Song S. Retrieval of hourly PM2.5 using top-of-atmosphere reflectance from geostationary ocean color imagers I and II. Environ Pollut 2023;323:121169. . 10.1016/j.envpol.2023.121169
[21]

Yang J, Zhang Z, Wei C, Lu F, Guo Q. Introducing the new generation of Chinese geostationary weather satellites, Fengyun-4. Bull Am Meteorol Soc 2017;98(8):1637‒58. . 10.1175/bams-d-16-0065.1
[22]

Zhang P, Zhu L, Tang S, Gao L, Chen L, Zheng W, et al. General comparison of FY-4A/AGRI with other GEO/LEO instruments and its potential and challenges in non-meteorological applications. Front Earth Sci 2019;6:224. . 10.3389/feart.2018.00224
[23]

Kaufman YJ, Tanré D, Remer LA, Vermote EF, Chu A, Holben BN. Operational remote sensing of tropospheric aerosol over land from EOS moderate resolution imaging spectroradiometer. J Geophys Res Atmos 1997;102(D14): 17051‒67. . 10.1029/96jd03988
[24]

Hsu NC, Tsay S-C, King MD, Herman JR. Aerosol properties over bright-reflecting source regions. IEEE Trans Geosci Remote Sens 2004;42(3):557‒69. . 10.1109/tgrs.2004.824067
[25]

Hsu NC, Jeong MJ, Bettenhausen C, Sayer AM, Hansell R, Seftor CS, et al. Enhanced Deep Blue aerosol retrieval algorithm: the second generation. J Geophys Res Atmos 2013;118(16):9296‒315. . 10.1002/jgrd.50712
[26]

Hsu NCC, Lee J, Sayer AMM, Carletta N, Chen SHH, Tucker CJJ, et al. Retrieving near-global aerosol loading over land and ocean from AVHRR. J Geophys Res Atmos 2017;122(18):9968‒89. . 10.1002/2017jd026932
[27]

Lyapustin A, Wang Y, Laszlo I, Kahn R, Korkin S, Remer L, et al. Multiangle implementation of atmospheric correction (MAIAC): 2. aerosol algorithm. J Geophys Res Atmos 2011;116(D3):D03211. . 10.1029/2010jd014986
[28]

Dubovik O, Lapyonok T, Litvinov P, Herman M, Fuertes D, Ducos F, et al. GRASP: a versatile algorithm for characterizing the atmosphere [Internet]. Bellingham: SPIE Newsroom; 2019 Sep 19 [cited 2023 Oct 2]. Available from:

[29]

NOAA NESDIS Center for Satellite Applications and Research STAR). GOES-R Advanced Baseline Imager (ABI) algorithm theoretical basis document for suspended matter/aerosol optical depth and aerosol size parameter. 4th ed. Maryland: NOAA NESDIS Center for Satellite Applications and Research (STAR); 2018.
[30]

Yoshida M, Kikuchi M, Nagao TM, Murakami H, Nomaki T, Higurashi A. Common retrieval of aerosol properties for imaging satellite sensors. J Meteor Soc Japan 2018;96B:193‒209. . 10.2151/jmsj.2018-039
[31]

She L, Zhang HK, Li Z, de Leeuw G, Huang B. Himawari-8 aerosol optical depth (AOD) retrieval using a deep neural network trained using AERONET observations. Remote Sens 2020;12(24):4125. . 10.3390/rs12244125
[32]

Yeom JMM, Jeong S, Ha JSS, Lee KHH, Lee CSS, Park S. Estimation of the hourly aerosol optical depth from GOCI geostationary satellite data: deep neural network, machine learning, and physical models. IEEE Trans Geosci Remote Sens 2022;60:1‒12. . 10.1109/tgrs.2021.3107542
[33]

Kang Y, Kim M, Kang E, Cho D, Im J. Improved retrievals of aerosol optical depth and fine mode fraction from GOCI geostationary satellite data using machine learning over East Asia. ISPRS J Photogramm Remote Sens 2022;183:253‒68. . 10.1016/j.isprsjprs.2021.11.016
[34]

Chen X, De Leeuw G, Arola A, Liu S, Liu Y, Li Z, et al. Joint retrieval of the aerosol fine mode fraction and optical depth using MODIS spectral reflectance over northern and eastern China: artificial neural network method. Remote Sens Environ 2020;249:112006. . 10.1016/j.rse.2020.112006
[35]

Jiang X, Xue Y, Jin C, Bai R, Sun Y, Wu S. A simple Band Ratio Library (BRL) algorithm for retrieval of hourly aerosol optical depth using FY-4A AGRI geostationary satellite data. Remote Sens 2022;14(19):4861. . 10.3390/rs14194861
[36]

Xie Y, Li Z, Guang J, Hou W, Salam A, Ali Z, et al. Aerosol optical depth retrieval over South Asia using FY-4A/AGRI data. IEEE Trans Geosci Remote Sens 2022;60:1‒14. . 10.1109/tgrs.2021.3124421
[37]

Ding H, Zhao L, Liu S, Chen X, de Leeuw G, Wang F, et al. FY-4A/AGRI aerosol optical depth retrieval capability test and validation based on NNAeroG. Remote Sens 2022;14(21):5591. . 10.3390/rs14215591
[38]

Min M, Wu C, Li C, Liu H, Xu N, Wu X, et al. Developing the science product algorithm testbed for Chinese next-generation geostationary meteorological satellites: Fengyun-4 series. J Meteorol Res 2017;31(4):708‒19. . 10.1007/s13351-017-6161-z
[39]

Cox C, Munk W. Measurement of the roughness of the sea surface from photographs of the Sun’s glitter. J Opt Soc Am 1954;44(11):838‒50. . 10.1364/josa.44.000838
[40]

Hersbach H, Bell B, Berrisford P, Hirahara S, Horányi A, Muñoz-Sabater J, et al. The ERA5 global reanalysis. Q J Roy Meteor Soc 2020;146(730):1999‒2049.
[41]

Fu D, Gueymard CA, Yang D, Zheng Y, Xia X, Bian J. Improving aerosol optical depth retrievals from Himawari-8 with ensemble learning enhancement: validation over Asia. Atmos Res 2023;284:106624. . 10.1016/j.atmosres.2023.106624
[42]

Sulla-Menashe D, Friedl MA. User guide to collection 6 MODIS Land Cover Dynamics (MCD12Q2) product. Missoula: NASA EOSDIS L. Processes DAAC; 2018. p: 1‒8. . 10.1016/j.rse.2018.12.013
[43]

Bilal M, Nichol JE, Bleiweiss MP, Dubois D. A simplified high resolution MODIS aerosol retrieval algorithm (SARA) for use over mixed surfaces. Remote Sens Environ 2013;136:135‒45. . 10.1016/j.rse.2013.04.014
[44]

Su X, Wang L, Zhang M, Qin W, Bilal M. A High-precision aerosol retrieval algorithm (HiPARA) for Advanced Himawari Imager (AHI) data: development and verification. Remote Sens Environ 2021;253:112221. . 10.1016/j.rse.2020.112221
[45]

Chen Y, Fan M, Li M, Li Z, Tao J, Wang Z, et al. Himawari-8/AHI aerosol optical depth detection based on machine learning algorithm. Remote Sens 2022;14(13):2967. . 10.3390/rs14132967
[46]

Hu Y, Liu L, Liu L, Peng D, Jiao Q, Zhang H. A landsat-5 atmospheric correction based on MODIS atmosphere products and 6s model. IEEE J Sel Top Appl Earth Obs Remote Sens 2014;7(5):1609‒15. . 10.1109/jstars.2013.2290028
[47]

LeCun Y, Bengio Y, Hinton G. Deep learning. Nature 2015;521(7553):436‒44. . 10.1038/nature14539
[48]

He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. In: Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2016); 2016 Jun 27‒30; Las Vegas, NV, USA. New York City: Institute of Electrical and Electronics Engineers (IEEE); 2016. p. 770‒8. . 10.1109/cvpr.2016.90
[49]

Weng W, Zhu X. U-Net: convolutional networks for biomedical image segmentation. IEEE Access 2021;9:16591‒603. . 10.1109/access.2021.3053408
[50]

Drozdzal M, Vorontsov E, Chartrand G, Kadoury S, Pal C. The importance of skip connections in biomedical image segmentation. In: Proceedings of the International Workshop on Deep Learning in Medical Image Analysis (DLMIA 2016); 2016 Oct 21; Athens, Greece. Berlin: Springer; 2016. p. 179‒87. . 10.1007/978-3-319-46976-8_19
[51]

Kingma DP, Ba JL. Adam: a method for stochastic optimization. arXiv 2014; 1412:6980.
[52]

Ren J, Zhang M, Yu C, Liu Z. Balanced MSE for imbalanced visual regression. In: Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2022); 2022 Jun 21‒24; New Orleans, LA, USA. New York City: Institute of Electrical and Electronics Engineers (IEEE); 2022. p. 7916‒25. . 10.1109/cvpr52688.2022.00777
[53]

Steininger M, Kobs K, Davidson P, Krause A, Hotho A. Density-based weighting for imbalanced regression. Mach Learn 2021;110(8):2187‒211. . 10.1007/s10994-021-06023-5
[54]

Tan Y, Wang Q, Zhang Z. Assessing spatiotemporal variations of AOD in Japan based on Himawari-8 L3 V31 aerosol products: validations and applications. Atmos Pollut Res 2022;13(6):101439. . 10.1016/j.apr.2022.101439
[55]

Feng L, Su X, Wang L, Jiang T, Zhang M, Wu J, et al. Accuracy and error cause analysis, and recommendations for usage of Himawari-8 aerosol products over Asia and Oceania. Sci Total Environ 2021;796:148958. . 10.1016/j.scitotenv.2021.148958
[56]

Yosinski J, Clune J, Bengio Y, Lipson H. How transferable are features in deep neural networks? Adv Neural Inf Process Syst 2014;4:3320‒8.
[57]

Liu Z, Yang Q, Shao J, Wang G, Liu H, Tang X, et al. Improving daily precipitation estimation in the data scarce area by merging rain gauge and TRMM data with a transfer learning framework. J Hydrol 2022;613:128455. . 10.1016/j.jhydrol.2022.128455
[58]

Sayer AM, Munchak LA, Hsu NC, Levy RC, Bettenhausen C, Jeong MJ. MODI collection 6 aerosol products: comparison between Aqua’s e-deep blue, dark target, and “merged” data sets, and usage recommendations. J Geophys Res Atmos 2014;119(24):13965‒89. . 10.1002/2014jd022453
[59]

Levy RC, Mattoo S, Munchak LA, Remer LA, Sayer AM, Patadia F, et al. The collection 6 MODIS aerosol products over land and ocean. Atmos Meas Tech 2013;6(11):2989‒3034. . 10.5194/amt-6-2989-2013
[60]

Jiang X, Xue Y, Jin C, Bai R, Li N, Sun Y. Retrieval of aerosol optical depth over land using Fy-4Aagri geostationary satellite data. In: Proceedings of the 2021 IEEEInternational Geoscience and Remote Sensing Symposium IGARSS-2021; 2021 Jul 11‒16; Brussels, Belgium. New York City: Institute of Electrical and Electronics Engineers (IEEE); 2021. p. 1931‒4. . 10.1109/igarss47720.2021.9554807
[61]

Song Z, Fu D, Zhang X, Wu Y, Xia X, He J, et al. Diurnal and seasonal variability of PM2.5 and AOD in North China Plain: comparison of MERRA-2 products and ground measurements. Atmos Environ 2018;191:70‒8. . 10.1016/j.atmosenv.2018.08.012
[62]

Wang P, Tang Q, Zhu Y, Zheng K, Liang T, Yu Q, et al. Validation and analysis of MAIAC AOD aerosol products in East Asia from 2011 to 2020. Remote Sens 2022;14(22):5735. . 10.3390/rs14225735
[63]

Mhawish A, Banerjee T, Sorek-Hamer M, Lyapustin A, Broday DM, Chatfield R. Comparison and evaluation of MODIS multi-angle implementation of atmospheric correction (MAIAC) aerosol product over South Asia. Remote Sens Environ 2019;224:12‒28. . 10.1016/j.rse.2019.01.033
[64]

Qin W, Fang H, Wang L, Wei J, Zhang M, Su X, et al. MODIS high-resolution MAIAC aerosol product: global validation and analysis. Atmos Environ 2021;264:118684. . 10.1016/j.atmosenv.2021.118684
[65]

Lundberg SM, Lee SI. A unified approach to interpreting model predictions. In: Proceedings of the 31st International Conference on Neural Information Processing Systems (NeurIPS 2017); 2017 Dec 4‒9; Long Beach, CA, USA. New York City: the Association for Computing Machinery; 2017. p. 4768‒77.
[66]

Chen B, Liu Z. Global water vapor variability and trend from the latest 36 year (1979 to 2014) data of ECMWF and NCEP reanalysis, radiosonde, GPS, and microwave satellite. J Geophys Res Atmos 2016;121(19):238. . 10.1002/2016jd024917
[67]

Wang S, Xu T, Nie W, Jiang C, Yang Y, Fang Z, et al. Evaluation of precipitable water vapor from five reanalysis products with ground-based GNSS observations. Remote Sens 2020;12(11):1817. . 10.3390/rs12111817
[68]

Ibrahim M, Al-Mashaqbah A, Koch B, Datta P. An evaluation of available digital elevation models (DEMs) for geomorphological feature analysis. Environ Earth Sci 2020;79(13):336. . 10.1007/s12665-020-09075-3
AI Summary AI Mindmap
PDF (3795KB)

5714

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉