MT-HCCAR：用于云属性反演的具有层次分类和基于注意力回归的多任务深度学习

在地球科学领域，有效的云属性反演，包括云掩膜、云相分类和云光学厚度（COT）预测，仍然至关重要。传统方法由于不同传感器仪器独特的光谱特性，需要为每种传感器建立不同的模型。地球科学研究近期的进展已采用机器学习和深度学习技术从卫星数据集的光谱观测中提取特征。然而，主流方法缺乏考虑反演任务之间层次关系的新颖架构。此外，考虑到现有传感器之间的光谱多样性，开发对不同传感器数据集具有鲁棒泛化能力的模型势在必行。令人惊讶的是，目前缺乏针对不同数据集选择最优模型的方法。为此，本文引入了MT-HCCAR，这是一种端到端的深度学习模型，采用多任务学习同时处理云掩膜、云相检索（分类任务）和COT预测（回归任务）。MT-HCCAR集成了一个层次分类网络（HC）和一个分类辅助的基于注意力的回归网络（CAR），提高了云标记和COT预测的精度和鲁棒性。此外，提出了一种基于K折交叉验证、一个标准误差规则和两个引入的性能分数的综合模型选择方法，用于在三个模拟卫星数据集OCI、VIIRS和ABI上选择最优模型。将MT-HCCAR与基线方法进行比较的实验、消融研究以及模型选择，证实了MT-HCCAR的优越性和泛化能力。