概括
一个新的自适应里埃神经运算子 (AFNO) 变压器模型从高光谱卫星数据中准确地检索陆地表面温度 (LST). 这种方法提高了LST检索的准确性,为地球观测应用提供了重大进展.
科学领域:
- 地球科学 地球科学 地球科学
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
背景情况:
- 准确的陆地表面温度 (LST) 检索对于气候监测和环境研究至关重要.
- 超光谱数据提供了丰富的光谱信息,但在道冗余和复杂的非线性关系方面存在挑战.
研究的目的:
- 开发和验证一种先进的AI模型,用于从红外大气声波干扰仪 (IASI) 的高光谱数据中检索LST.
- 用一种新的重量选择方案来解决超光谱数据通道冗余问题.
主要方法:
- 开发了一个自适应的福里埃神经运算子 (AFNO) 变压器模型,集成自我注意力机制以实现有效的令牌混合.
- 基于辐射转移方程的线性化的一种权重选择方案被用来管理超光谱数据冗余.
- 训练和测试数据集是使用IASI亮度温度和高级非常高分辨率放射仪 (AVHRR/MetOp) LST产品构建的.
主要成果:
- 该AFNO变压器模型展示了复杂的非线性方程和时间序列预测能力的有效学习.
- 在西班牙东部和北非的LST检索显示,与AVHRR/MetOp LST相比,根平均平方误差小于2.5K.
- 使用独立数据的验证证实了在3K内检索准确度.
结论:
- 拟议的AFNO变压器模型提供了一种新且有效的方法,用于从IASI观测中获取高光谱LST.
- 这种方法显示出高精度和提高地球科学应用中LST监测和分析的潜力.
