从光谱到生物物理洞察：基于有偏辐射传输模型的端到端学习
机器学习
2024-03-06 v1
摘要
机器学习的进步推动了地球观测数据在气候变化研究中的应用。然而，机器学习表示的可解释性仍然是一个挑战，特别是在理解森林对气候变化的生物物理反应方面。遥感中通过反演辐射传输模型从光谱数据中检索生物物理变量的传统方法，往往无法考虑辐射传输模型固有的偏差，尤其是对于复杂森林。我们提出将辐射传输模型集成到自编码器架构中，创建一种端到端学习方法。我们的方法不仅纠正了辐射传输模型中的偏差，而且在变量检索方面优于神经网络回归等传统技术。此外，我们的框架通常具有反演有偏物理模型的潜力。代码可在 https://github.com/yihshe/ai-refined-rtm.git 获取。
引用
@article{arxiv.2403.02922,
title = {From Spectra to Biophysical Insights: End-to-End Learning with a Biased Radiative Transfer Model},
author = {Yihang She and Clement Atzberger and Andrew Blake and Srinivasan Keshav},
journal= {arXiv preprint arXiv:2403.02922},
year = {2024}
}