用于单场景气溶胶光学深度重建的深度特征高斯过程
计算机视觉与模式识别
2024-05-28 v1
摘要
遥感数据通过反演气溶胶光学深度（AOD）为大规模空气污染监测提供了一种低成本的解决方案，但常常受到云污染的限制。现有的 AOD 重建方法依赖于时间信息。然而，对于高空间分辨率的遥感数据，多时相观测通常不可用。在这封信中，我们利用卷积神经网络的深度表示学习优势，提出了用于单场景 AOD 重建的深度特征高斯过程（DFGP）。通过使用深度学习，我们将变量转换到具有更好解释能力的特征空间。通过使用高斯过程，我们显式地考虑了空间和特征域中观测到的 AOD 与缺失 AOD 之间的相关性。在两个具有真实云模式的 AOD 数据集上的实验表明，所提出的方法优于深度 CNN 和随机森林，在 MODIS AOD 上实现了 R 为 0.7431，在 EMIT AOD 上实现了 R 为 0.9211，而深度 CNN 的 R 分别为 0.6507 和 0.8619。与流行的随机森林相比，所提出的方法在 AOD 重建中将 R 提高了超过 0.35。本研究中使用的数据和代码可在 \url{https://skrisliu.com/dfgp} 获取。
引用
@article{arxiv.2405.17262,
title = {Deep Feature Gaussian Processes for Single-Scene Aerosol Optical Depth Reconstruction},
author = {Shengjie Liu and Lu Zhang},
journal= {arXiv preprint arXiv:2405.17262},
year = {2024}
}
备注
Accepted to IEEE GEOSCIENCE AND REMOTE SENSING LETTERS