氣溶膠細模態比例參數反演的深度學習遙感方法 | 微課堂

氣溶膠是指空氣動力學直徑小於100微米的懸浮在空氣中的顆粒物。大氣發生汙染時，常見的氣溶膠類型有沙塵、霧霾等。氣溶膠顆粒有粗細之分，細粒子因較容易進入人體而備受關注，空氣品質參數PM_2.5即為近地面細顆粒物乾物質的質量濃度。地面的監測儀器可以獲得氣溶膠多參數的高精度觀測結果，但地面觀測站僅散布在若干點位，不能實現大面積觀測。

衛星遙感在太空可以實現全球的大範圍氣溶膠觀測，服務於環境監測和全球氣候變化研究。遙感中使用氣溶膠光學厚度（Aerosol Optical Depth, AOD）描述整層氣溶膠消光總量，使用細模態比例（Fine Mode Fraction, FMF）描述細顆粒物光學貢獻。

因大氣中含有氣溶膠，其信息會反映在衛星通過不同波長電磁波觀測所獲得的影像中。衛星遙感反演提取AOD信息的技術已經較為成熟，而FMF反演是較為困難的。因此在通過衛星遙感估算PM_2.5等研究中，缺乏區分氣溶膠顆粒粗細的關鍵參量。陸地上空FMF因遙感機理複雜、觀測信息缺乏等原因導致反演困難，美國宇航局MODIS氣溶膠官方團隊對其發布的FMF產品因精度低而「強烈建議不要定量化使用」。

中國科學院空天信息創新研究院（以下簡稱「空天院」）遙感衛星應用國家工程實驗室李正強研究員團隊，多年關注氣溶膠多參數的衛星遙感模型研究。如圖1所示，科研人員提出了一種全連接神經網絡（FCNN）和卷積神經網絡（CNN）組合的深度學習方法（Neural Network based AEROsol retrieval，簡稱NNAero），解決定量化信息留存和神經網絡通用化處理之間的差異等若干技術問題，通過NASA的AERONET和空天院的我國自主SONET地基氣溶膠觀測網數據開展MODIS氣溶膠反演模型訓練，根據氣溶膠微物理光學特性充分利用光譜、空間兩種維度的信息聯合約束，最大化挖掘多光譜遙感信息量，反演的氣溶膠細模態比例精度顯著提升。NNAero同時輸出副產品氣溶膠光學厚度。相關成果發表於《環境遙感》（Remote Sensing of Environment，RSE）。

圖1. MODIS反演FMF的深度神經網絡架構

經過地基基準數據驗證，NNAero反演的氣溶膠細模態比例和光學厚度均具有較高的精度（圖2）。該研究證明了使用MODIS這種寬覆蓋多光譜類型遙感器數據具備提取氣溶膠微物理參數的可行性。NNAero具備和深藍算法同樣對較亮地表的覆蓋能力（圖3），遠優於暗目標方法；NNAero產品空間解析度最高可達0.5 km。研究成果可以為PM_2.5遙感和氣候變化研究等提供基礎產品支撐。

圖2. NNAero和MODIS官方DT、DB算法產品精度對比

圖3. NNAero vs DB的AOD(上兩幅），NNAero vs DT的FMF(下兩幅)反演產品對比

該研究得到了國家自然科學基金和國家留學基金等項目的資助支持。

論文連結：

https://doi.org/10.1016/j.rse.2020.112006

以上內容由遙感衛星應用國家工程實驗室陳興峰提供。