使用基于角度不变注意力的深度学习模型反演云光学厚度
计算机视觉与模式识别
2025-06-02 v1 人工智能
摘要
云光学厚度（COT）是影响地球气候、天气和辐射预算的关键云属性。卫星辐射率测量能够实现全球 COT 反演，但必须解决 3D 云效应、观测角和大气干扰等挑战以确保准确估计。传统上，独立像素近似（IPA）方法被用于 COT 估计，该方法将单个像素独立处理。然而，由于其简化的假设，IPA 引入了显著的偏差。最近，基于深度学习的模型表现出优于 IPA 的性能，但缺乏鲁棒性，因为它们对辐射强度、畸变和云阴影的变化很敏感。这些模型在不同的太阳和观测天顶角下也会在 COT 估计中引入大量误差。为了应对这些挑战，我们提出了一种名为带角度编码的云注意力网络（CAAC）的新型角度不变、基于注意力的深度模型。我们的模型利用注意力机制和角度嵌入来考虑卫星观测几何和 3D 辐射传输效应，从而实现更准确的 COT 反演。此外，我们的多角度训练策略确保了角度不变性。通过全面的实验，我们证明 CAAC 显著优于现有的最先进深度学习模型，将云属性反演误差降低了至少九倍。
引用
@article{arxiv.2505.24638,
title = {Cloud Optical Thickness Retrievals Using Angle Invariant Attention Based Deep Learning Models},
author = {Zahid Hassan Tushar and Adeleke Ademakinwa and Jianwu Wang and Zhibo Zhang and Sanjay Purushotham},
journal= {arXiv preprint arXiv:2505.24638},
year = {2025}
}
备注
6 pages, 7 figures, to be published in 2025 IEEE International Conference on Image Processing (ICIP)