Un algorithme hybride de récupération d'aérosols à apprentissage profond et à apprentissage par transfert pour un satellite météorologique géostationnaire

Une étude publiée dans Ingénierie présente un algorithme d'aérosol innovant de haute précision pour un satellite météorologique géostationnaire.

Intitulé « Un algorithme hybride de récupération d'aérosols d'apprentissage profond et d'apprentissage par transfert pour FY4-AGRI : développement et vérification sur l'Asie », l'article de recherche présente une approche hybride qui répond aux défis posés par le manque de flexibilité des algorithmes physiques traditionnels et le nombre limité d'algorithmes physiques traditionnels. sites de photomètres solaires au sol requis pour l’apprentissage automatique.

La méthode proposée utilise un algorithme de récupération de la profondeur optique des aérosols (AOD) qui exploite l'apprentissage en profondeur et l'apprentissage par transfert. L'algorithme intègre les idées de base des algorithmes dark target et deep blue pour faciliter la sélection des fonctionnalités pour les algorithmes d'apprentissage automatique.

Le processus comporte deux étapes principales : initialement, utiliser un AOD Advanced Himawari Imager (AHI) de 10 minutes comme cible pour construire un réseau neuronal profond (DNN) avec des réseaux résiduels ; par la suite, affiner les paramètres DNN en utilisant les données AOD de 89 stations au sol équipées de photomètres solaires.

Une validation indépendante démontre la grande précision de l'algorithme dans la récupération de l'AOD de l'imageur de rayonnement géosynchrone avancé (AGRI), atteignant un coefficient de détermination de 0,70 et une erreur de biais moyenne de 0,03, avec 70,7 % des données dans la plage d'erreur attendue. Notamment, lors d’événements d’aérosols extrêmes, la récupération capture avec précision l’évolution temporelle de ces phénomènes.

Cette étude a démontré le grand potentiel de la combinaison de l’approche physique et de l’apprentissage profond dans l’analyse géoscientifique. De plus, l’algorithme proposé fait preuve de polyvalence, offrant une applicabilité à d’autres capteurs multispectraux.

Les principales contributions de cette étude sont :

1. Un algorithme hybride de récupération d'aérosols d'apprentissage profond et d'apprentissage par transfert est proposé.
2. L’algorithme conduit à de meilleures récupérations AGRI AOD par rapport aux études précédentes.
3. AGRI AOD fournit des informations plus détaillées sur les événements aérosols que la mise en œuvre quotidienne multi-angle de la correction atmosphérique (MAIAC) AOD.

En conclusion, l’étude présente un algorithme hybride pionnier de récupération d’aérosols adapté aux satellites météorologiques géostationnaires. En intégrant des techniques d’apprentissage profond et d’apprentissage par transfert, l’algorithme surmonte les limites des algorithmes physiques traditionnels et la rareté des sources de données au sol. De plus, l'applicabilité de l'algorithme à d'autres capteurs multispectraux ouvre la voie à des applications plus larges en analyse géoscientifique.

Fourni par l'ingénierie