25 مارس 2024 -فلوچارت روش ترکیبی یادگیری عمیق و انتقال-یادگیری برای بازیابی AGRI AOD. اعتبار: دیسونگ فو، هنگرونگ شی، کریستین آ. گیمارد، داژی یانگ، یو ژنگ، هویژنگ چه، ژئوهوا فن، شینلی هان، لین گائو، جیانچون بیان، مینژنگ دوان، شیانگائو شیا
مطالعه ای که در Engineering منتشر شده است، یک الگوریتم آئروسل با دقت بالا را برای یک ماهواره هواشناسی زمین ایستا معرفی می کند.این مقاله تحقیقاتی با عنوان “یک الگوریتم بازیابی ترکیبی آئروسل ترکیبی یادگیری عمیق و انتقال برای FY4-AGRI: توسعه و تایید در آسیا”، یک رویکرد ترکیبی ارائه می‌کند که به چالش‌های ناشی از انعطاف‌ناپذیری الگوریتم‌های فیزیکی سنتی و تعداد محدودی از الگوریتم‌های فیزیکی می‌پردازد. سایت های خورشیدی سنج زمینی برای یادگیری ماشینی مورد نیاز است.
روش پیشنهادی از یک الگوریتم بازیابی عمق نوری آئروسل (AOD) استفاده می‌کند که از یادگیری عمیق و انتقال یادگیری بهره می‌برد. این الگوریتم ایده‌های اصلی الگوریتم‌های هدف تیره و آبی عمیق را برای تسهیل انتخاب ویژگی برای الگوریتم‌های یادگیری ماشین ادغام می‌کند.
این فرآیند شامل دو مرحله اصلی است: در ابتدا، استفاده از 10 دقیقه تصویرگر پیشرفته هیماواری (AHI) AOD به عنوان هدف برای ساخت یک شبکه عصبی عمیق (DNN) با شبکه های باقیمانده. متعاقباً، تنظیم دقیق پارامترهای DNN با استفاده از داده‌های AOD از 89 ایستگاه زمینی مجهز به نورسنج خورشیدی.
اعتبار سنجی مستقل دقت بالای الگوریتم را در بازیابی تصویرگر پرتوهای ژئوسنکرون پیشرفته (AGRI) AOD نشان می دهد که به ضریب تعیین 0.70 و میانگین خطای بایاس 0.03 دست می یابد، با 70.7٪ از داده ها در محدوده خطای مورد انتظار. قابل ذکر است، در طول رویدادهای شدید آئروسل، بازیابی به درستی تکامل زمانی این پدیده ها را به تصویر می کشد.
این مطالعه پتانسیل بزرگ ترکیب رویکرد فیزیکی و یادگیری عمیق در تجزیه و تحلیل زمین‌شناسی را نشان داده است. علاوه بر این، الگوریتم پیشنهادی تطبیق پذیری را نشان می دهد و قابلیت اجرا برای سایر حسگرهای چند طیفی را ارائه می دهد.
شاخصه های اصلی این مطالعه عبارتند از:
یک الگوریتم بازیابی آئروسل یادگیری عمیق ترکیبی و یادگیری انتقال پیشنهاد شده است.
این الگوریتم منجر به بازیابی بهتر AGRI AOD در مقایسه با مطالعات قبلی می شود.
AGRI AOD اطلاعات دقیق تری در مورد رویدادهای آئروسل نسبت به اجرای روزانه چند زاویه ای تصحیح جوی (MAIAC) AOD ارائه می دهد.
در نتیجه، این مطالعه یک الگوریتم بازیابی آئروسل ترکیبی پیشگام را که برای ماهواره‌های هواشناسی زمین‌ایستا طراحی شده است، معرفی می‌کند. با ادغام تکنیک‌های یادگیری عمیق و انتقال، این الگوریتم بر محدودیت‌های الگوریتم‌های فیزیکی سنتی و کمبود منابع داده مبتنی بر زمین غلبه می‌کند. علاوه بر این، کاربرد این الگوریتم برای سایر حسگرهای چندطیفی راه‌هایی را برای کاربردهای گسترده‌تر در تحلیل‌های زمین‌شناسی باز می‌کند.
