科研進展
物理約束下的深度學習框架估算AVHRR積雪面積比例研究取得新進展
積雪面積是許多水文和氣候模型的重要輸入，對于研究全球氣候和水文至關重要。中國科學院西北生態(tài)環(huán)境資源研究院積雪遙感研究團隊提出了一種新的物理約束下的深度學習框架，來反演基于先進的甚高分辨率輻射計（AVHRR）積雪面積比例（SCF）算法，并開發(fā)出一種新型深度學習框架模型ART－DL SCF模型。
通過結合積雪輻射傳輸模型（ART），AVHRR表面反射率數(shù)據(jù)反演北半球SCF。新模型使用 Landsat 5積雪圖像作為參考SCF，將ART模型反演的積雪反照率作為物理約束納入相關的積雪識別參數(shù)中。
與Landsat參考SCF的綜合驗證結果顯示，整體準確率為90.20％，錯分誤差和漏分誤差均在10％以下。值得注意的是，引入物理約束既提高了模型的準確性和穩(wěn)定性，又減輕了低估問題。與沒有物理約束的模型相比，ART－DL SCF模型的均方根誤差顯著降低了4.79個百分點，平均絕對誤差降低了5.35個百分點。這些準確度明顯高于歐洲空間局?。‥SA） 目前可用的 SnowCCI AVHRR產品。
此外，該模型表現(xiàn)出很強的時空泛化能力，并且在森林地區(qū)表現(xiàn)良好。本研究提出了一種結合深度學習的物理模型來反演SCF，可以更好地服務于全球氣候、水文和其他相關研究。
該成果以Estimating AVHRR snow cover fraction by coupling physical constraints into a deep learning framework為題，在線發(fā)表于ISPRS Journal of Photogrammetry and Remote Sensing期刊上。西北研究院博士研究生趙琴為論文第一作者，郝曉華研究員為論文通訊作者。蘭州大學、蘭州交通大學共同參與該研究。該研究得到國家自然科學基金杰出青年基金、聯(lián)合基金、冰凍圈科學與凍土工程國家重點實驗室項目的聯(lián)合資助。
文章鏈接：https：／／www．sciencedirect．com／science／article／abs／pii／S0924271624003265
圖1．?本研究模型開發(fā)框架（a為物理約束過程，包括條件的產生與約束；b為深度學習模型的輸入數(shù)據(jù)；c為構建的深度神經(jīng)網(wǎng)絡模型框架）
圖2 研究產品與歐空局的產品對比
圖3． 不同輸入?yún)?shù)的模型誤差驗證（a）與二元驗證（b）的比較
圖4． 1988年11月18日的北半球積雪面積比例（SCF）和積雪面積二值（SCE）和產品示意圖
