Kleine deeltjes die bekend staan ​​als aerosolen die in de atmosfeer van de aarde zweven, kunnen het zicht verslechteren, de menselijke gezondheid beïnvloeden en het klimaat beïnvloeden.

Fijne modus breuk (FMF), als een cruciale parameter die aërosoleigenschappen beschrijft, kan worden gebruikt om door de mens veroorzaakte en natuurlijke aerosoltypen te onderscheiden. Aerosol optische diepte (AOD) als een kwantitatieve schatting van de aerosolhoeveelheden in de atmosfeer, gecombineerd met FMF, kan worden gebruikt als een proxy voor PM2.5, fijn stof met in situ aerodynamische diameters kleiner dan 2,5 m.

Een onderzoeksteam onder leiding van prof. LI Zhengqiang van het Aerospace Information Research Institute (AIR) van de Chinese Academy of Sciences (CAS) en hun medewerkers stelden een kunstmatige neurale netwerkmethode voor aerosol-retrieval (NNAero) voor om gezamenlijk FMF en AOD op te halen die zijn afgeleid van Moderate Resolution Imaging Spectroradiometer (MODIS) gegevens. Het onderzoek is gepubliceerd in Remote Sensing of Environment.

De technologie van satelliet-remote sensing-inversie om AOD-informatie te extraheren is relatief volwassen, terwijl FMF-inversie moeilijker is. Daarom, in studies zoals het schatten van PM2,5 via satelliet-remote sensing, er is een gebrek aan een belangrijke parameter om de grootte van aerosoldeeltjes te onderscheiden. FMF boven land is moeilijk te achterhalen vanwege complexe teledetectiemechanismen en gebrek aan observatie-informatie.

In dit onderzoek, wetenschappers gebruikten de MODIS spectrale reflectie van zonnestraling aan de bovenkant van de atmosfeer en aan het oppervlak, samen met grondgebaseerde Aerosol Robotic Network (AERONET) metingen van AOD en FMF, om een ​​Convolutional Neural Network (CNN) te trainen voor het gezamenlijk ophalen van FMF en AOD.

De NNAero-resultaten over Noord- en Oost-China werden gevalideerd tegen een onafhankelijke AERONET-referentiedataset. De resultaten toonden aan dat 68% van de NNAero AOD-waarden binnen de MODIS verwachte foutenomhullende (EE) over land van ± (0,05 + 15%) vielen, die vergelijkbaar was met de resultaten van het MODIS Deep Blue (DB) -algoritme (63% binnen EE), en beide waren beter dan het Dark Target (DT)-algoritme (31% binnen EE).

Volgens de studie, de validatie van de NNAero FMF versus AERONET-gegevens toonde een significante verbetering met betrekking tot de DT FMF, met Root Mean Squared Prediction Error (RMSE) van 0,1567 (NNAero) en 0,34 (DT). De NNAero-methode toonde het potentieel aan van een verbeterde ophalen van de FMF.

Het neurale netwerk combineert een volledig verbonden neuraal netwerk (FCNN) en een convolutioneel neuraal netwerk (CNN) (Fig. 1). De opgehaalde FMF vertoont duidelijke nauwkeurigheidsbevordering in vergelijking met eerdere onderzoeken (Fig. 2, 3).

De onderzoeksresultaten helpen bij het leveren van basisproducten voor teledetectie ter ondersteuning van PM2.5-onderzoek op afstand en klimaatverandering.