Fig. 1 A arquitetura de rede neural de múltiplas entradas de MODIS FMF e predição de AOD. Crédito:AIR
Pequenas partículas conhecidas como aerossóis suspensas na atmosfera da Terra podem degradar a visibilidade, afetam a saúde humana e influenciam o clima.
Fração de modo fino (FMF), como um parâmetro crucial que descreve as propriedades do aerossol, pode ser usado para distinguir os tipos de aerossol causados pelo homem e os naturais. Profundidade óptica do aerossol (AOD) como uma estimativa quantitativa das quantidades de aerossol na atmosfera, combinado com FMF, pode ser usado como um proxy para PM2.5, partículas com diâmetros aerodinâmicos in situ inferiores a 2,5 μm.
Uma equipe de pesquisa liderada pelo Prof. LI Zhengqiang do Aerospace Information Research Institute (AIR) da Academia Chinesa de Ciências (CAS) e seus cooperadores propuseram um método de rede neural artificial para recuperação de aerossol (NNAero) para recuperar conjuntamente FMF e AOD derivados de Dados do espectrorradiômetro de imagem de resolução moderada (MODIS). A pesquisa foi publicada na Remote Sensing of Environment.
A tecnologia de inversão de sensoriamento remoto por satélite para extrair informações de AOD é relativamente madura, enquanto a inversão FMF é mais difícil. Portanto, em estudos como a estimativa de PM2.5 por meio de sensoriamento remoto por satélite, falta um parâmetro-chave para distinguir o tamanho das partículas do aerossol. O FMF sobre a terra é difícil de recuperar devido aos complexos mecanismos de sensoriamento remoto e à falta de informações de observação.
Fig. 2 Precisões do NNAero, Algoritmos Deep Blue e Dark Target validados usando observações terrestres da AERONET. Crédito:AIR
Neste estudo, os cientistas usaram a refletância espectral MODIS da radiação solar no topo da atmosfera e na superfície, juntamente com medições da Rede Robótica de Aerossóis com base em solo (AERONET) de AOD e FMF, treinar uma Rede Neural Convolucional (CNN) para a recuperação conjunta de FMF e AOD.
Os resultados do NNAero sobre o norte e o leste da China foram validados com base em um conjunto de dados AERONET de referência independente. Os resultados mostraram que 68% dos valores de NNAero AOD estavam dentro do envelope de erro esperado MODIS (EE) em terras de ± (0,05 + 15%), que foi semelhante aos resultados do algoritmo MODIS Deep Blue (DB) (63% dentro de EE), e ambos foram melhores do que o algoritmo Dark Target (DT) (31% dentro de EE).
De acordo com o estudo, a validação dos dados NNAero FMF versus AERONET mostrou uma melhoria significativa em relação ao DT FMF, com erros de predição de raiz quadrada média (RMSE) de 0,1567 (NNAero) e 0,34 (DT). O método NNAero mostrou o potencial de recuperação aprimorada do FMF.
Fig. 3 Exemplos de produtos de imagem para comparar DB AOD vs NNAero AOD (para cima) e DT FMF vs NNAero FMF (para baixo). Crédito:AIR
A rede neural combina uma rede neural totalmente conectada (FCNN) e uma rede neural convolucional (CNN) (Fig. 1). O FMF recuperado exibe promoção de precisão óbvia em comparação com estudos anteriores (Fig. 2, 3).
Os resultados da pesquisa ajudam a fornecer produtos básicos de sensoriamento remoto que apóiam o sensoriamento remoto PM2.5 e a pesquisa de mudanças climáticas.
