相关实验视频
Updated: Jun 10, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
11.0K
从2001年到2024年探索全球气溶尺寸动态使用预训练的远程传感基于像素的空间-时间深度神经网络
Xing Yan1,2, Jiayi Chen1,2, Hans W Chen3
1State Key Laboratory of Earth Surface Processes and Disaster Risk Reduction, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China.
Environmental science & technology
|February 21, 2026
概括
一个新的AI模型,PRISM-DNN,准确地从卫星数据中获取全球细模和粗模气溶光学深度. 这种深度学习方法改善了气候和空气质量监测,揭示了气溶污染的区域趋势.
科学领域:
- 地球系统科学 地球系统科学
- 大气科学 大气科学
- 人工智能的人工智能
背景情况:
- 气溶显著影响气候和空气质量,但全球检索它们的尺寸分布,特别是细模式 (fAOD) 和粗模式 (cAOD) 气溶光学深度,是具有挑战性的.
- 现有的基于卫星的方法在长期的气溶组件检索方面存在准确性和稳定性的限制.
研究的目的:
- 开发一个先进的深度学习框架,PRISM-DNN,用于稳定和强大的fAOD和cAOD的全球检索.
- 利用无监督的卫星数据预训练和通过地面测量进行监督的微调,以改进气溶光学深度估计.
- 使用开发的模型分析24年的全球气溶趋势和区域差异.
主要方法:
- 介绍了基于像素的预训练遥感空间时间深度神经网络 (PRISM-DNN),这是一个深度学习框架.
- 在广泛的未标记卫星数据上进行无监督的预训练与使用地面AERONET和其他网络测量的监督微调的结合.
- 从2001-2024年全球fAOD和cAOD检索的时空特征的提取.
主要成果:
- 与已建立的产品相比,PRISM-DNN与AERONET数据的相关性明显更高:faOD的0.94 (+26%) 和cAOD的0.91 (+58%).
- 该模型在独立的地面网络上表现出强的性能,fAOD的相关系数为0.84,cAOD的相关系数为0.80.
- 24年的数据集揭示了不同的区域性气溶趋势,包括中国东部的显著下降和印度部分地区的FAOD增加.
结论:
- 整合无监督预训可以实现强大的,长期的气溶组件检索,增强基于卫星的环境监测.
- PRISM-DNN为了解气溶对气候和空气质量的影响提供了一个强大的工具,为人工智能驱动的地球系统科学进步铺平了道路.
- 这些发现强调了人工智能在应对复杂的环境挑战和为政策决策提供信息方面的重要性.
