Fig. 1 L'architettura di rete neurale multi-input di MODIS FMF e previsione AOD. Credito:AIR
Piccole particelle note come aerosol sospese nell'atmosfera terrestre possono degradare la visibilità, influenzano la salute umana e influenzano il clima.
Frazione di modo fine (FMF), come parametro cruciale che descrive le proprietà dell'aerosol, può essere utilizzato per distinguere i tipi di aerosol causati dall'uomo e naturali. Profondità ottica dell'aerosol (AOD) come stima quantitativa delle quantità di aerosol nell'atmosfera, combinato con FMF, può essere utilizzato come proxy per PM2.5, particolato con diametri aerodinamici in situ inferiori a 2,5 μm.
Un gruppo di ricerca guidato dal Prof. LI Zhengqiang dell'Aerospace Information Research Institute (AIR) dell'Accademia cinese delle scienze (CAS) e dai suoi collaboratori ha proposto un metodo di rete neurale artificiale per il recupero di aerosol (NNAero) per recuperare congiuntamente FMF e AOD derivati da Dati dello spettroradiometro per immagini a risoluzione moderata (MODIS). La ricerca è stata pubblicata su Remote Sensing of Environment.
La tecnologia dell'inversione del telerilevamento satellitare per estrarre le informazioni AOD è relativamente matura, mentre l'inversione FMF è più difficile. Perciò, in studi come la stima del PM2.5 attraverso il telerilevamento satellitare, manca un parametro chiave per distinguere la dimensione delle particelle di aerosol. L'FMF via terra è difficile da recuperare a causa dei complessi meccanismi di telerilevamento e della mancanza di informazioni di osservazione.
Fig. 2 Precisioni di NNAero, Algoritmi Deep Blue e Dark Target convalidati utilizzando le osservazioni a terra di AERONET. Credito:AIR
In questo studio, gli scienziati hanno utilizzato la riflettanza spettrale MODIS della radiazione solare nella parte superiore dell'atmosfera e in superficie, insieme alle misurazioni della rete robotica aerosol a terra (AERONET) di AOD e FMF, formare una rete neurale convoluzionale (CNN) per il recupero congiunto di FMF e AOD.
I risultati di NNAero sulla Cina settentrionale e orientale sono stati convalidati rispetto a un set di dati AERONET di riferimento indipendente. I risultati hanno mostrato che il 68% dei valori NNAero AOD erano all'interno dell'inviluppo di errore previsto MODIS (EE) su terra di ± (0,05 + 15%), che era simile ai risultati dell'algoritmo MODIS Deep Blue (DB) (63% all'interno di EE), ed entrambi erano migliori dell'algoritmo Dark Target (DT) (31% all'interno di EE).
Secondo lo studio, la convalida dei dati NNAero FMF rispetto a AERONET ha mostrato un miglioramento significativo rispetto al DT FMF, con Root Mean Squared Prediction Errors (RMSE) di 0,1567 (NNAero) e 0,34 (DT). Il metodo NNAero ha mostrato il potenziale di un migliore recupero del FMF.
Fig. 3 Esempi di prodotti di immagine per confrontare DB AOD vs NNAero AOD (in alto) e DT FMF vs NNAero FMF (in basso). Credito:AIR
La rete neurale combina una rete neurale completamente connessa (FCNN) e una rete neurale convoluzionale (CNN) (Fig. 1). La FMF recuperata mostra un'evidente promozione dell'accuratezza rispetto agli studi precedenti (Fig. 2, 3).
I risultati della ricerca aiutano a fornire prodotti di telerilevamento di base che supportano il telerilevamento PM2.5 e la ricerca sui cambiamenti climatici.
