使用预训练的框架进行深度学习,释放基于卫星的全球精细模式气溶检索功能的力量

科学领域:

• 大气科学 大气科学
• 气候科学 气候科学
• 遥感 遥感 遥感 遥感

背景情况:

• 精细模式气溶光学深度 (fAOD) 对于跟踪人为气溶至关重要,但目前的卫星数据在长度和准确性方面存在局限.
• 现有的数据缺口和不确定性阻碍了使用fAOD进行全面的气候研究.

研究的目的:

• 开发一种新的深度学习框架,以利用卫星数据增强FAOD检索.
• 创建一个改进的全球fAOD数据集,涵盖2001-2020年.
• 分析全球FAOD的十年趋势和区域变化.

主要方法:

• 开发了一个预训练的深度学习框架,从卫星像素数据中提取潜在的特征.
• 该框架被用来生成一个新的全球fAOD数据集在0.5μm.
• 使用现场数据和非AERONET数据进行了独立验证.

主要成果:

• 新型模型在验证过程中实现了10%的相关性 (R) 改进,在缺乏现场数据的领域实现了15%的改进.
• 在过去二十年中,已发现fAOD (-1.39 × 10−3/年) 的全球下降趋势.
• 与一般的深度学习模型相比,拟议的方法将全球趋势的高估减少了7%.
• 观察到重要的区域趋势,中国显示急剧下降 (-5.07 × 10−3/年),印度增加 (7.86 × 10−4/年).

结论:

• 该研究成功地弥合了稀疏的现场观测和fAOD广泛的卫星测量之间的差距.
• 开发的FAOD数据集和方法论为全球气溶模式和气候因素提供了改进的预测模型.
• 这些发现突出了气溶污染的重大区域变化,这对气候建模和政策产生了影响.