Deep Feature Gaussian Processes for Single-Scene Aerosol Optical Depth Reconstruction

要約

リモート センシング データは、エアロゾルの光学深さ (AOD) の取得を介して大気汚染を大規模に監視するための低コストのソリューションを提供しますが、多くの場合、雲の汚染によって制限されます。
AOD 再構成の既存の方法は時間情報に依存しています。
ただし、高空間解像度のリモート センシング データの場合、多時間観測は利用できないことがよくあります。
このレターでは、畳み込みニューラル ネットワークからの深層表現学習を利用し、単一シーン AOD 再構築のための深層特徴ガウス過程 (DFGP) を提案します。
深層学習を使用することで、変数をより説明可能な特徴量空間に変換します。
ガウス プロセスを使用することにより、空間領域および特徴領域で観測された AOD と欠落した AOD の間の相関関係を明示的に考慮します。
現実世界の雲パターンを使用した 2 つの AOD データセットでの実験では、提案された手法がディープ CNN とランダム フォレストよりも優れたパフォーマンスを示し、ディープ CNN と比較して MODIS AOD で R$^2$ 0.7431、EMIT AOD で R$^2$ 0.9211 を達成したことが示されました。
R$^2$ が 0.6507、R$^2$ が 0.8619。
提案された手法は、AOD 再構成で一般的なランダム フォレストと比較して R$^2$ を 0.35 以上増加させました。
この研究で使用されたデータとコードは、\url{https://skrisliu.com/dfgp} で入手できます。

要約(オリジナル)

Remote sensing data provide a low-cost solution for large-scale monitoring of air pollution via the retrieval of aerosol optical depth (AOD), but is often limited by cloud contamination. Existing methods for AOD reconstruction rely on temporal information. However, for remote sensing data at high spatial resolution, multi-temporal observations are often unavailable. In this letter, we take advantage of deep representation learning from convolutional neural networks and propose Deep Feature Gaussian Processes (DFGP) for single-scene AOD reconstruction. By using deep learning, we transform the variables to a feature space with better explainable power. By using Gaussian processes, we explicitly consider the correlation between observed AOD and missing AOD in spatial and feature domains. Experiments on two AOD datasets with real-world cloud patterns showed that the proposed method outperformed deep CNN and random forest, achieving R$^2$ of 0.7431 on MODIS AOD and R$^2$ of 0.9211 on EMIT AOD, compared to deep CNN’s R$^2$ of 0.6507 and R$^2$ of 0.8619. The proposed methods increased R$^2$ by over 0.35 compared to the popular random forest in AOD reconstruction. The data and code used in this study are available at \url{https://skrisliu.com/dfgp}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google