AI-усиленный спутниковый метод быстрого определения угарного газа
Новое исследование демонстрирует метод машинного обучения на основе модели переноса излучения для определения угарного газа (CO) по данным первого в мире гиперспектрального геостационарного интерферометрического инфракрасного зондировщика (GIIRS) на борту спутника Fengyun-4B (FY-4B). Этот подход предоставляет дополнительные данные о качестве воздуха и переносе загрязнителей в Восточной Азии.
Спутник FY-4B/GIIRS сканирует Восточную Азию каждые два часа, днем и ночью. Его измерения содержат информацию о температуре и влажности атмосферы, а также о различных реактивных газах-примесях. Огромные объемы данных с обширной территории и высокая частота измерений создают сложности для оперативного определения этих атмосферных параметров.
В исследовании, опубликованном 1 ноября 2024 года в Journal of Remote Sensing, на примере угарного газа — сильно поглощающего реактивного газа-примеси — изучается надежность определения с помощью эффективного метода машинного обучения в сравнении с традиционными физическими методами.
Основная идея подхода заключается в быстром преобразовании спектральных особенностей CO, извлеченных из измерений GIIRS, в значения столбцов с помощью обученной модели, с одновременной оценкой неопределенности на основе теории распространения ошибок. Модель обучалась на пространственно и временно репрезентативных симуляциях переноса излучения. Сравнение с результатами традиционных физических методов и наземными наблюдениями показывает согласованность пространственного распределения и временной изменчивости между разными наборами данных.
«Наши результаты подтверждают, что методы машинного обучения обладают потенциалом для предоставления надежных данных по CO без требующего больших вычислительных ресурсов итеративного процесса, необходимого в традиционных методах определения. Однако характеристика чувствительности инструмента для результатов машинного обучения — это вопрос, который необходимо решить перед внедрением в оперативную практику», — заявил ведущий исследователь проекта доктор Даса Гу.