Fig. 1 L'architecture de réseau de neurones multi-entrées de la prédiction MODIS FMF et AOD. Crédit :AIR
Les petites particules appelées aérosols en suspension dans l'atmosphère terrestre peuvent dégrader la visibilité, affectent la santé humaine et influencent le climat.
Fraction de mode fin (FMF), comme paramètre crucial décrivant les propriétés des aérosols, peut être utilisé pour distinguer les types d'aérosols d'origine humaine et naturelle. La profondeur optique des aérosols (AOD) en tant qu'estimation quantitative des quantités d'aérosols dans l'atmosphère, combiné avec FMF, peut être utilisé comme proxy pour les PM2,5, particules avec des diamètres aérodynamiques in situ inférieurs à 2,5 m.
Une équipe de recherche dirigée par le professeur LI Zhengqiang de l'Institut de recherche sur l'information aérospatiale (AIR) de l'Académie chinoise des sciences (CAS) et leurs coopérateurs ont proposé une méthode de réseau de neurones artificiels pour la récupération des aérosols (NNAero) afin de récupérer conjointement les FMF et AOD dérivés de Données du spectroradiomètre imageur à résolution modérée (MODIS). La recherche a été publiée dans Remote Sensing of Environment.
La technologie d'inversion de télédétection par satellite pour extraire les informations AOD est relativement mature, tandis que l'inversion FMF est plus difficile. Par conséquent, dans des études telles que l'estimation des PM2,5 par télédétection par satellite, il y a un manque de paramètre clé pour distinguer la taille des particules d'aérosol. La FMF au-dessus de la terre est difficile à récupérer en raison des mécanismes complexes de télédétection et du manque d'informations d'observation.
Fig. 2 Précisions de NNAero, Algorithmes Deep Blue et Dark Target validés à l'aide d'observations au sol AERONET. Crédit :AIR
Dans cette étude, les scientifiques ont utilisé la réflectance spectrale MODIS du rayonnement solaire au sommet de l'atmosphère et à la surface, ainsi que des mesures au sol du réseau robotique d'aérosols (AERONET) d'AOD et de FMF, pour former un réseau neuronal convolutif (CNN) pour la récupération conjointe de FMF et AOD.
Les résultats de NNAero sur le nord et l'est de la Chine ont été validés par rapport à un ensemble de données de référence indépendant AERONET. Les résultats ont montré que 68% des valeurs NNAero AOD étaient dans l'enveloppe d'erreur attendue (EE) MODIS sur terre de ± (0,05 + 15%), qui était similaire aux résultats de l'algorithme MODIS Deep Blue (DB) (63% dans EE), et les deux étaient meilleurs que l'algorithme Dark Target (DT) (31% dans EE).
Selon l'étude, la validation des données NNAero FMF versus AERONET a montré une amélioration significative par rapport au DT FMF, avec des erreurs de prédiction quadratique moyenne (RMSE) de 0,1567 (NNAero) et 0,34 (DT). La méthode NNAero a montré le potentiel d'une meilleure récupération de la FMF.
Fig. 3 Exemples de produits illustrés pour comparer DB AOD vs NNAero AOD (en haut) et DT FMF vs NNAero FMF (en bas). Crédit :AIR
Le réseau neuronal combine un réseau neuronal entièrement connecté (FCNN) et un réseau neuronal convolutif (CNN) (Fig. 1). Le FMF récupéré présente une amélioration évidente de la précision par rapport aux études précédentes (Fig. 2, 3).
Les résultats de la recherche aident à fournir des produits de télédétection de base soutenant la télédétection PM2,5 et la recherche sur le changement climatique.
