深度学习估计北半球土壤结解动态使用卫星多频微波亮度温度观测
Kellen Donahue1,2, John S Kimball1, Jinyang Du1
1Numerical Terradynamic Simulation Group, University of Montana, Missoula, MT, United States.
Frontiers in big data
|December 4, 2023
概括
一个新的深度学习模型使用卫星微波数据准确地绘制了北半球土壤结-解 (FT) 过渡. 这一进步提高了对气候动态和生态过程的理解.
科学领域:
- 地球科学 地球科学 地球科学
- 遥感 遥感 遥感 遥感
- 气候科学 气候科学
背景情况:
- 卫星微波传感器由于对液态水的敏感性,有效监测景观融 (FT) 过渡.
- 精确的FT检索至关重要,因为它作为具有重要的生物物理重要性的敏感气候指标.
- 现有的检索算法在区分土壤FT状态与雪和植被等覆盖特征方面面临挑战,性能可能会因变化的土地条件而降低.
研究的目的:
- 开发和验证深度学习模型,使用卫星衍生的亮度温度 (TB) 数据精确地对土壤结解 (FT) 状态进行分类.
- 评估多频和多传感器TB输入的性能,以提高FT检索精度.
- 评估模型的性能与已建立的再分析数据集和现场观测相比.
主要方法:
- 采用了多层卷积神经网络 (CNN) 深度学习模型,利用高级微波扫描射线仪2 (AMSR2) 和土壤湿度主动被动 (SMAP) TB记录.
- 该模型被训练在表面土壤温度FT观测和分类土壤FT状态早上 (6点) 和晚上 (6点) 条件.
- 通过对FT观测训练数据进行模型成本函数的优化来得出结或解条件的连续概率估计,并将其映射到9公里的极地网格上.
主要成果:
- 与单频或单传感器模型相比,组合的多频 (1.4,18.7,36.5 GHz) TBs产生了最高的土壤FT精度.
- SMAP L频段 (1.4 GHz) TBs显著增强了土壤FT信息和模型性能,而不是仅使用AMSR2输入.
- 该模型与ERA5再分析 (92.7%的平均百分比准确率,MPA) 和现场气象站 (91.0%的MPA) 显示出高精度,超过ERA5与气象站 (91.0%与86.1%的MPA) 的精度.
结论:
- 深度学习模型提供了一种高精度的方法,用于绘制北半球各地土壤FT动态的地图.
- 调查结果强调了将多频卫星TB数据结合起来,以改善FT检索的好处,其中SMAP L频段的贡献显著.
- 该模型的准确性能有可能提高对季节过渡,生态过程,气候反的理解,并为地球系统模型预测提供信息.
