基于深度学习反演北京地区气溶胶光学厚度OA

以中分辨率成像光谱仪(MODIS)对地观测数据和全球气溶胶观测网(AERONET)数据为基础,提出基于深度学习的气溶胶光学厚度(AOD)反演算法。首先,充分利用MODIS数据的海量样本优势,结合其原生AOD产品构建训练数据集,完成模型预训练;其次,通过时空精准匹配AERONET高精度AOD数据与对应MODIS观测特征,构建高可信度输入和输出数据集,以小学习率对预训练模型进行微调优化。该设计实现了MODIS大样本数据的全局特征学习能力与AERONET小样本高精度数据的误差修正能力的优势互补。最后将反演结果与AERONET数据对比,落入期望误差(EE=±(0.05+0.15τ))范围内的样本占比达83.3%,相关系数为0.91,两项核心指标均优于MODIS产品的对应指标(65.03%和0.83)。