来自 PACE 卫星数据的基石 AI 模型气溶膏光学厚度估计
计算机视觉与模式识别
2026-05-04 v1
摘要
气溶膏光学厚度 (AOD) 检索是地球观测的关键，支持从空气质量监测到气候研究等应用。传统基于物理的 AOD 检索方法将问题形式化为像素级反演，依赖辐射传递建模、内存密集型查找表和辅助气象数据。虽然最近的数据驱动方法显示出前景，但许多方法未充分利用 hyperspectral 影像的空间-光谱一致性，导致空间不一致和噪声敏感的检索结果。本文首次探索基石 AI 模型用于 AOD 检索，提出 ViTCG——一种基于通道分组的空间回归框架的视觉转换器，可减少检索偏差和误差。ViTCG 使用基于大气光度的输入，联合建模空间上下文和光谱信息。用 PACE 辐射观测结果验证，显示相对于最先进的基石模型（包括 Prithvi）平均均方误差降低 62%，并产生空间连贯的 AOD 场。
引用
@article{arxiv.2605.00678,
title = {Foundation AI Models for Aerosol Optical Depth Estimation from PACE Satellite Data},
author = {Zahid Hassan Tushar and Sanjay Purushotham},
journal= {arXiv preprint arXiv:2605.00678},
year = {2026}
}
备注
5 pages, 4 figures, to appear in 2026 IEEE International Geoscience and Remote Sensing Symposium