研究論文
李連發(fā)、王勁峰等在小樣本時(shí)空建模及其地表參數(shù)反演方面取得新進(jìn)展
文章來(lái)源： | 發(fā)布時(shí)間：2020-12-28 | 【打印】 【關(guān)閉】
傳統(tǒng)時(shí)空建模方法由于受實(shí)測(cè)樣本數(shù)有限的影響，應(yīng)用總體在實(shí)際應(yīng)用中時(shí)空二階穩(wěn)態(tài)的假定較難滿足，可能會(huì)導(dǎo)致時(shí)空變異函數(shù)較難擬合或過(guò)擬合，從而使傳統(tǒng)方法建模精度及訓(xùn)練模型的泛化性有限，在實(shí)際應(yīng)用中獨(dú)立性測(cè)試精度有限，由于統(tǒng)計(jì)量有偏或總體分異可能產(chǎn)生有偏估計(jì)結(jié)果。而現(xiàn)代深度學(xué)習(xí)方法雖然因?yàn)榫雀呒皬?qiáng)泛化性在很多領(lǐng)域包括地學(xué)領(lǐng)域取得了擴(kuò)展性的應(yīng)用，但其本身有諸多缺欠，包括地學(xué)域知識(shí)缺乏、過(guò)擬合、預(yù)測(cè)的不確定性及大樣本的訓(xùn)練需求等。而機(jī)器學(xué)習(xí)方法隨機(jī)森林、XGBoost，雖然精度高，但其本身模型缺欠在地球表面建模中可能會(huì)引入偏差，如對(duì)小樣本的連續(xù)變量的離散化輸入可能導(dǎo)致地學(xué)表面建模的不連續(xù)性。
研究人員針對(duì)這些時(shí)空建模的不足，提出了小樣本的全殘差深度時(shí)空學(xué)習(xí)模型。該方法創(chuàng)新性地引入了全殘差到回歸網(wǎng)絡(luò)模型中，克服了傳統(tǒng)的回歸神經(jīng)網(wǎng)絡(luò)模型的層數(shù)過(guò)深導(dǎo)致的梯度消失從而影響訓(xùn)練，新模型的訓(xùn)練即使采用小樣本情況下加深網(wǎng)絡(luò)層數(shù)也能保持較好的訓(xùn)練穩(wěn)定性，減少了過(guò)擬合，提高泛化性，克服了傳統(tǒng)的深層回歸網(wǎng)絡(luò)訓(xùn)練的不足。而全殘差模型的連續(xù)變量的輸入避免了離散化導(dǎo)致的信息丟失及小樣本表面建模的不連續(xù)性，限制性優(yōu)化則可將相應(yīng)的地學(xué)知識(shí)作為限制條件加入優(yōu)化中，獲得更符合實(shí)際的結(jié)果。依賴穩(wěn)定的深層網(wǎng)絡(luò)的大參數(shù)空間及限制性優(yōu)化，模型具有較強(qiáng)的捕捉時(shí)空變異關(guān)系的能力，克服傳統(tǒng)的時(shí)空建模方法泛化性有限的不足。此外，所提出的建?？蚣苋谌肓藭r(shí)空協(xié)變量捕捉時(shí)空相關(guān)性，而通過(guò)多個(gè)全殘差深度時(shí)空基模型引導(dǎo)聚集算法，進(jìn)一步提高了模型的穩(wěn)定性，并獲得了預(yù)測(cè)結(jié)果的變異系數(shù)，作為預(yù)測(cè)結(jié)果的不確定性度量。
該時(shí)空建模方法在中國(guó)大陸地區(qū)氣象參數(shù)的地表柵格反演、遙感氣溶膠產(chǎn)品缺值插補(bǔ)（平均缺失值達(dá)到50%以上）、主要空氣污染物濃度的時(shí)空地表柵格重構(gòu)等國(guó)內(nèi)外的應(yīng)用方面取得重要進(jìn)展，典型的應(yīng)用成果包括：1）完成了對(duì)NASA的高級(jí)氣溶膠數(shù)據(jù)產(chǎn)品MAIAC AOD在中國(guó)大陸地區(qū)的2015-2018年缺值反演，反演結(jié)果保持同原有數(shù)據(jù)一致性，使得該產(chǎn)品在中國(guó)大陸該時(shí)段時(shí)空域無(wú)缺失值，提高了該產(chǎn)品的實(shí)用性；2）中國(guó)大陸地區(qū)的衛(wèi)星的OMI-NO2的缺值反演，并結(jié)合地面的交通路網(wǎng)、土地利用等完成了地面NO2的高分辨率及高精度時(shí)空表面重構(gòu)。
研究成果發(fā)表在國(guó)際著名的機(jī)器學(xué)習(xí)及遙感期刊包括IEEE Transactions on Neural Networks and Learning Systems、Remote Sensing of Environment等。本研究獲得國(guó)家自然科學(xué)基金（41471376、42071369）、中科院先導(dǎo)專項(xiàng)（XDA19040501）等資助。
覆蓋中國(guó)大陸的插補(bǔ)完整的MAIAC AOD（ 2015-2018）數(shù)據(jù)產(chǎn)品：https://doi.org/10.7910/DVN/RNSWRH
論文信息：
1) Lianfa Li, Ying Fang, Jinfeng Wang, Jun Wu, Ge Yong, 2020, Encoder-Decoder Full Residual Deep Networks for Robust Regression and Spatiotemporal Estimation, IEEE Transactions on Neural Network and Learning System, https://doi.org/10.1109/TNNLS.2020.3017200
2) Lianfa Li, Jiajie Wu, 2021, Spatiotemporal Estimation of Satellite-Borne and Ground-Level NO2 Using Full Residual Deep Networks, Remote Sensing of Environment, 254, https://doi.org/10.1016/j.rse.2020.112257
3) Lianfa Li, Meredith Franklin, Mariam Girguis et al., 2020, Spatiotemporal Imputation of MAIAC AOD Using Deep Learning with Downscaling, Remote Sensing of Environment, 237, 111584, https://doi.org/10.1016/j.rse.2019.111584
4) Lianfa Li, 2020, Optimal Inversion of Conversion Parameters from Satellite AOD to Ground Aerosol Extinction Coefficient Using Automatic Differentiation, Remote Sensing, 12(3), 492, https://doi.org/10.3390/rs12030492
5) Lianfa Li, 2020, A Robust Deep Learning Approach for Spatiotemporal Estimation of Satellite AOD and PM2.5, Remote Sensing, 12(2), 264, https://doi.org/10.3390/rs12020264
6) Lianfa Li, Mariam Girguis, Frederick Lurmann, et al., 2020, Ensemble-based Deep Learning for Estimating PM2.5 over California with Multisource Big Data Including Wildfire Smoke, Environment International, 145, 106143, https://doi.org/10.1016/j.envint.2020.106143
附件下載：