| 气溶胶定量遥感的机器学习方法综述 |
| |
| 引用本文： | 陈兴峰,郑逢杰,郭丁,王莉莉,赵利民,李家国,李雷,张玉环,张凯南,奚萌,李凯涛.气溶胶定量遥感的机器学习方法综述[J].遥感学报,2021,25(11):2220-2233. |
| |
| 作者姓名： | 陈兴峰 郑逢杰 郭丁 王莉莉 赵利民 李家国 李雷 张玉环 张凯南 奚萌 李凯涛 |
| |
| 作者单位： | 1.中国科学院空天信息创新研究院 国家环境保护卫星遥感重点实验室, 北京 100094;2.航天工程大学航天信息学院, 北京 101416;3.中国空间技术研究院, 北京 100094;4.中国科学院大气物理研究所LAPC国家重点实验室, 北京 100029;5.中国气象科学研究院, 北京 100081;6.生态环境部 卫星环境应用中心, 北京 100094;7.长安大学 地质工程与测绘学院, 西安 710054;8.自然资源部 空间海洋遥感与应用研究重点实验室, 北京 100081 |
| |
| 基金项目： | 国家自然科学基金（编号：42171342，41775162，42061130215）；国家重点研发计划（编号：No. 2019YFE0126600， 2019YFC0214603， 2016YFC1400900）；民用航天“十三五”技术预先研究项目 |
| |
| 摘 要： | 机器学习方法近年来取得突破进展，其遥感应用从目标识别和地物分类领域，发展到定量化反演的多个领域。气溶胶定量遥感因其机理复杂，反演参数的种类和精度受到限制，机器学习为气溶胶遥感带来了新的研究和应用技术手段。本文汇总现有研究进展将气溶胶机器学习方法归纳为卫星遥感反演气溶胶光学厚度AOD（Aerosol Optical Depth）、卫星遥感反演其他气溶胶参数、卫星遥感反演颗粒物浓度（PMx）、地基气溶胶遥感4类。结合作者研究工作，通过分析讨论，归纳机器学习用于气溶胶定量遥感的条件为：（1）物理模型无法使用；（2）已有模型卫星产品精度低；（3）已有模型精度高但计算速度低。从应用的角度来说，可以借助于更多的具有相关性的输入信息，发挥机器学习在反演产品种类、反演精度、计算效率等方面的优势；而对定量遥感来说，应该同时重视挖掘遥感数据本身的信息来提高反演能力，并通过误差分析等手段反馈对遥感机理的理解，使机器学习与遥感机理研究相互促进。
|
| 关 键 词： | 气溶胶 定量遥感 反演 机器学习 深度学习 |
| 收稿时间： | 2020/11/23 0:00:00 |
Review of machine learning methods for aerosol quantitative remote sensing |
| |
| CHEN Xingfeng,ZHENG Fengjie,GUO Ding,WANG Lili,ZHAO Limin,LI Jiaguo,LI Lei,ZHANG Yuhuan,ZHANG Kainan,XI Meng,LI Kaitao.Review of machine learning methods for aerosol quantitative remote sensing[J].Journal of Remote Sensing,2021,25(11):2220-2233. |
| |
| Authors: | CHEN Xingfeng ZHENG Fengjie GUO Ding WANG Lili ZHAO Limin LI Jiaguo LI Lei ZHANG Yuhuan ZHANG Kainan XI Meng LI Kaitao |
| |
| Abstract: | |
| |
| Keywords: | aerosol quantitative remote sensing retrieval machine learning deep learning |
|
| 点击此处可从《遥感学报》浏览原始摘要信息 |
| 点击此处可从《遥感学报》下载免费的PDF全文 |
|
