基于深度学习反演区域气溶胶光学厚度
为了解决现有陆地气溶胶光学厚度(AOD)反演算法精度和空间分辨率较低的问题,基于深度学习的思想,使用深度置信神经网络(DBN),实现了具有30 m空间分辨率的陆地气溶胶光学厚度反演.算法的训练样本包括全球长时间序列的AERONET站点数据以及在时空上与之对应的Landsat8 OLI的观测几何数据和表观反射率数据.为了保证反演的精度和稳定性,研究了AERONET站点数据的处理方法、卫星与站点数据的时空匹配方法以及DBN结构的设置.使用独立于训练样本的AERONET站点数据,对不同地表类型的550 nm处的AOD估算结果进行了整体验证,并对研究区域进行小尺度精度验证.结果 表明,该方法的均方根误差和平均绝对误差分别为0.11与0.072.该方法打破了现有的气溶胶光学厚度反演方法依赖于其他遥感产品或者其他时相数据的局面,有效提高了气溶胶光学厚度反演的效率和空间分辨率.
大气光学、气溶胶光学厚度、深度学习、Landsat8 OLI数据
41
P407(一般理论与方法)
国家自然科学基金;山东省自然科学基金
2021-04-26(万方平台首次上网日期,不代表论文的发表时间)
共9页
9-17