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

期刊：Engineering

作者：Disong Fu, Hongrong Shi, Christian A. Gueymard, Dazhi Yang, Yu Zheng, Huizheng Che, Xuehua Fan, Xinlei Han, Lin Gao, Jianchun Bian, Minzheng Duan, Xiangao Xia

发表时间： July 2024

DOI：https://doi.org/10.1016/j.eng.2023.09.023

微信链接：点击此处阅读微信文章

近日，Engineering期刊发布了一项名为《深度学习和迁移学习结合的FY4-AGRI气溶胶反演算法的开发和验证》的研究成果。该研究从大气气溶胶观测数据的重要性出发，结合了深度学习和迁移学习的方法，成功开发出一种高准确性的气溶胶反演算法。

气溶胶是地球辐射平衡、气候变化和空气质量等研究领域不可忽视的因素。风云四号静止气象卫星的先进的静止轨道辐射成像仪（AGRI）载荷提供了高质量的大气气溶胶观测数据，其5分钟的时间分辨率和中国区域扫描能力为气溶胶时空变化的研究提供了重要的数据支持。然而，气溶胶光学厚度（AOD）的定量反演一直是一个具有挑战性的问题。传统物理反演算法和限制条件下的样本数量难以满足机器学习算法的需求。

图1 AGRI AOD反演算法流程

图2 模型框架。

为了解决这一问题，研究团队引入了深度学习和迁移学习方法，开发出一种新的AOD反演算法。该算法结合了暗目标和深蓝算法的核心思想，以支持机器学习算法的特征选择。整个算法包含两个主要步骤：首先，利用葵花AOD的10分钟分辨率数据作为目标变量，研发了一个基于残差网络的深度神经网络（DNN）；其次，通过89个地面站的太阳光度计AOD数据对DNN参数进行微调。独立验证表明，该算法能够以高准确性进行AGRI AOD的反演，其中决定系数达到0.70，平均偏差为0.03，有70.7%的数据落在期望误差范围内。敏感性分析显示，650nm和470nm的大气顶部反射率以及650nm的地表反射率是该算法的两个最大的不确定性来源。此外，该算法还成功捕捉了监测极端气溶胶事件中的时间演变。

图3 （a）DNN在90个AHI测试点的表现，（b）DNN在9个太阳光度计测试站的表现，以及（c）参数微调后的DNN在9个太阳光度计站点的表现。

本研究的第一作者是傅迪松博士，通讯作者为中国科学院大气物理研究所的夏祥鳌研究员和中国气象科学研究院的车慧正研究员。研究团队还包括来自中国科学院大气物理研究所、中国气象局国家卫星气象中心、哈尔滨工业大学、美国Solar Consulting Services以及应急管理部国家自然灾害防治研究院的学者。该研究得到了国家自然科学基金项目和中国气象局大气探测重点实验室基金的资助。

上述研究成果发表在中国工程院院刊Engineering，这一新的气溶胶反演算法的研究将为大气科学研究领域的进一步发展提供重要的支持。该算法的高准确性将为地球辐射平衡、气候变化和空气质量等领域的研究提供更准确的数据，进一步推动相关科学研究的进展。

文章信息：

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

作者：

Disong Fu, Hongrong Shi, Christian A. Gueymard, Dazhi Yang, Yu Zheng, Huizheng Che, Xuehua Fan, Xinlei Han, Lin Gao, Jianchun Bian, Minzheng Duan, Xiangao Xia

论文链接：

https://doi.org/10.1016/j.eng.2023.09.023

开放获取全文

https://doi.org/10.1016/j.eng.2023.09.023

推荐阅读

Engineering 2024年3月刊目录 | 人工智能专题

直播预告 | Engineering大讲堂：碳中和背景下的大规模储能技术

直播预告 | Engineering大讲堂：现代设施农业前沿技术

一种介科学引导的新的深度学习建模方法：MGDL

气象学家发现硫酸盐、有机物等对气溶胶光学厚度有显著影响