2001年から2024年までのグローバルエアロゾールサイズダイナミクスの探索 プリトレーンされたリモートセンシングのピクセルベースのスペース・テムポラル・ディープ・ニューラル・ネットワークを用いて

科学分野:

• 地球システム科学 地球システム科学
• 大気科学 大気科学
• 人工知能 (AI) とは,人工知能 (AI) のことです.

背景:

• エアロゾールは気候と空気の質に大きな影響を与えるが,その大きさの分布,特に精度モード (fAOD) と粗度モード (cAOD) のエアロゾール光学深さの世界的な回収は困難である.
• 既存の衛星ベースの方法は,長期にわたるエアロゾール成分回収において,精度と堅牢性の限界に直面しています.

研究 の 目的:

• fAODとcAODの安定的かつ堅牢なグローバルな検索のために,高度なディープラーニングフレームワーク,PRISM-DNNを開発する.
• 衛星データによる無監督の予備訓練と,地上測定による監督の微調整を活用して,エアロゾールの光学的な深さの推定を向上させる.
• 開発されたモデルを使用して,24年間の世界的なエアロゾールトレンドと地域格差を分析する.

主な方法:

• ディープラーニングのフレームワークである,プリーステッド・リモートセンシング・ピクセルベースのスペース・テンポラル・ディープ・ニューラル・ネットワーク (PRISM-DNN) の導入.
• 大規模なラベル付けされていない衛星データによる無監督の予備訓練と,地上ベースのAERONETおよびその他のネットワーク測定を用いた監督された微調整の組み合わせ.
• 2001年から2024年までの世界的なfAODとcAODの検索のための時空特征の抽出.

主要な成果:

• PRISM-DNNは,確立された製品と比較して,AERONETデータと著しく高い相関性を達成しました:fAODの0.94 (+26%) とcAODの0.91 (+58%).
• このモデルは,独立した地上ネットワークで優れたパフォーマンスを示し,fAODでは0.84,cAODでは0.80の相関係数を示した.
• 24年間のデータセットは,中国東部の大幅な減少とインドの部分でのFAODの増加を含む,明確な地域性エアロゾール傾向を明らかにしました.

結論:

• 無監督の予備訓練を統合することで,強固で長期的なエアロゾール成分回収が可能になり,衛星ベースの環境モニタリングを強化します.
• PRISM-DNNは,アエロソールが気候と空気の質に及ぼす影響を理解するための強力なツールを提供し,地球システム科学におけるAI主導の進歩への道を開いています.
• この結果は,複雑な環境課題に対処し,政策決定に情報を提供するためにAIの重要性を強調しています.