.png){kind=icon}
返回
Aerosol Optical Depth Retrieval from MODIS Using a Physically Informed Machine Learning Framework
.png){kind=icon}
OA
AI
DOI：10.3390/rs18172862.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
陆地区域气溶胶光学厚度（AOD）反演仍然具有挑战性，因为大气顶（TOA）观测中相对较弱的气溶胶信号必须与强且空间异质的地表反射率分离。本文开发了一种基于物理信息的随机森林框架，用于从MODIS数据中反演全球1 km分辨率陆地区域AOD。该框架集成了多光谱TOA反射率、地表属性、观测几何、气象条件、地形以及基于物理信息的气溶胶-地表特征。2001年至2017年的长期气溶胶机器人网络（AERONET）观测数据与MODIS和辅助数据集进行配准，用于模型开发和评估。引入了两种基于物理信息的特征以提高反演在多样气溶胶和地表条件下的稳健性，包括从长期AERONET观测中获取的最小AOD，以及使用6S辐射传输模型获取的蓝光、红光和短波红外波段的时间序列无云反射率（TSCR）。2013—2014年的独立反演评估显示与AERONET观测结果吻合良好，相关系数R = 0.81，平均绝对误差（MAE）= 0.063，均方根误差（RMSE）= 0.096，且74.93%的匹配样本落在MODIS陆地区域预期误差范围内，尽管在高气溶胶负荷（AOD > 1）时观察到低估现象增加。所提出的反演结果也比MOD04暗目标（Dark Target）和深蓝（Deep Blue）产品与AERONET的吻合度更好。这些结果表明，将具有物理可解释性的气溶胶-背景和地表反射率信息整合到基于数据的AOD反演中具有重要价值。
Keyword:
aerosol optical depth
MODIS
AERONET
random forest
期刊
IF:
4.1
论文数:
7.5K
被引数:
15.1W
机构
引用论文
分享收藏Dubovik, O.; Holben, B.; Eck, T.F.; Smirnov, A.; Kaufman, Y.J.; King, M.D.; Tanré, D.; Slutsker, I. Variability of absorption and optical properties of key aerosol types observed in worldwide locations. J. Atmos. Sci. 2002, 59, 590–608. [Google Scholar] [CrossRef]Dubovik, O.; Holben, B.; Eck, T.F.; Smirnov, A.; Kaufman, Y.J.; King, M.D.; Tanré, D.; Slutsker, I. 关键气溶胶类型在全世界观测点的吸收和光学性质变化。J. Atmos. Sci. 2002, 59, 590–608. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
查看更多内容