神经网络方法水中衰减吸收比率的估计速度测量的任务

1介绍

浮游生物、气溶胶、云、海洋生态系统(速度)是美国国家航空航天局地球观测卫星的任务,任务的官方网站,“[…)将帮助我们[…)了解海洋和大气二氧化碳交换,“”[…)将揭示气溶胶如何燃料表面的海洋中浮游植物生长,”和“将延长并扩大美国宇航局的长期观察我们的生活星球”(NASA的步伐,2022年)。科学任务目标、任务速度上进一步表示网站(美国宇航局的步伐,2022 b),包括扩展关键系统的海洋生物、生态、气候和生物地球化学数据记录和云和气溶胶的气候记录,以及改善我们的理解气溶胶如何影响海洋生物地球化学循环和生态系统和海洋生物和大气光化学过程的影响。偏振的光会的核心使命,有两个multi-angular偏振计包括机载卫星:SPEXone和HARP2仪器。后者尤其宽幅偏振计,94°交叉轨道的视野;°57±沿着轨道四波长(441、549、669、873海里),其中前三个是窄带(分别为15、12、16 nm)和感兴趣的研究。仪器可以测量极化60岁以及跟踪视角为669海里乐队,和10点跟踪查看他人(NASA的步伐,2022 c)。极化是一个重要的可观测的地球遥感,是公认的物理和光学性质的影响粒子悬浮在大气和海洋的光通过空气和水(Mishchenko et al ., 2004;Chami Platel, 2007;Lotsberg Stamnes, 2010;Knobelspiesse et al ., 2011;Chowdhary et al ., 2012;易卜拉欣et al ., 2016)。因此,偏振测量与传统的辐射测量越来越被视为一个重要的遥感研究方向(贾米特et al ., 2019)。光的偏振是最常用来描述气溶胶(Mishchenko和特拉维斯,1997):这是由于这样的事实:上升流光从海洋一般较弱,不仅因为显著较小的相对折射率的花水和气溶胶相比,还因为斯奈尔的影响的窗口,即临界角附近的一个最大高度偏振光发生全反射,部分禁止离开水(Gilerson et al ., 2020)。然而,研究表明,光的偏振离开水面仍携带大量信息的固有光学特性水本身和花水(Chami麦基,2007;Chami Platel, 2007;鲁伊赛et al ., 2008;Tonizzo et al ., 2009;Lotsberg Stamnes, 2010;易卜拉欣et al ., 2012)。特别是,它携带的信息总散射和总衰减,否则是不可以通过方法基于遥感反射率(R_rs),因为R_rs只是反向散射系数成正比。因此,一些方法已经提出了水从偏振遥感参数的检索(Chami et al ., 2001;鲁伊赛et al ., 2008;Lotsberg Stamnes, 2010;Tonizzo et al ., 2011;易卜拉欣et al ., 2012;易卜拉欣et al ., 2016),尽管他们中的许多人需要知识的穆勒矩阵花水(沃斯和弗莱,1984)、气溶胶(Zhang et al ., 2017;Gilerson et al ., 2018)和空气界面(福斯特和Gilerson, 2016年),一些进展已经对这些(的决心促进et al ., 2022)。即使固定穆勒矩阵,研究能够模型线性极化的程度(DoLP)上涌光场与忠诚,尽管在这种情况下,相关测量的固有光学特性(IOPs)所需的水(格里森et al ., 2018)。最后,光的偏振的知识也很重要的准确测定海洋表面的反射系数,一个重要的数量为水上的测量和大气校正程序(Fougnie et al ., 1999;马克et al ., 2012;莫布里,2015;福斯特和Gilerson, 2016年;Zhang et al ., 2017;Gilerson et al ., 2018;Gilerson et al ., 2020)。总的来说,结合multi-angular和多光谱偏振数据预计将是最好的方法对使用特定的偏振灵敏度光场和散射过程的几何光学和物理特性的测定水和颗粒悬浮在其中内容(马克,2016)。鉴于上述,虽然HARP2的主要科学目标也针对云和气溶胶,仪器的数据可以用来从海洋中提取信息一旦适当纠正大气的影响。仪器的宽角孔径是特别有吸引力的在这种情况下,过去的研究已经表明,角几何的辐射过程,包括太阳的相对位置和传感器,强烈影响之间的关系光的DoLP离开水面,水本身的IOPs,表示为总衰减之间的比率和总吸收(c / a) (易卜拉欣et al ., 2012;易卜拉欣et al ., 2016;Gilerson et al ., 2020)。c / a比值是一种方便的属性来决定,因为如果与测量相关的总吸收(李et al ., 2002),它本身可能从卫星遥感大气校正后,检索允许直接测定总光束衰减的c。这可能是反过来作为输入用于实证反演模型来估计性能的花水等斜率的大小分布,他们大部分真正的折射率以及与它们相关的反向散射率(van de Hulst, 1981年;Twardowski et al ., 2001;李et al ., 2002)。这些属性的知识可以更好的约束信息海洋碳(Cetinićet al ., 2012),从而提高我们的理解的碳循环和碳封存,海洋颜色社区的一个重要目标和速度本身(NASA科学目标页面速度)。准备步伐使命,我们因此开始探索一种算法的可行性的直接转换测量DoLP顶部的气氛(TOA) DoLP值略高于水面(DoLP_{0 +})。同时,我们还研究了如何运用类似的方法将DoLP_{0 +}值到相应的c / a值比在海洋的表层,完成检索从速度数据管道水IOPs。2022年6月,我们我们工作的初步结果公布(Agagliate et al ., 2022)。我们确定途径进一步调查,特别是需要深入研究输入质量不确定性的影响最终的IOP检索,具体从的角度固有的简化建模所需的海洋和大气生产合成数据集。这里,我们现在我们研究的结果详细:描述数据集后,用于生产的模型和神经网络设计的过程,然后我们看看各种来源的不确定性结合起来之前一个接一个地注意他们的总影响眼压检索。此外,我们看一下具体的方式速度将获取的数据在其轨道运输并讨论如何可能会影响我们IOP估计的质量。

2材料和方法

2.1神经网络方法

矩阵描述光传输通过空气界面,高度敏感的参数,比如查看几何、风速、气溶胶光学厚度甚至传感器视场,尤其是在反射过程的情况。传输矩阵对这些参数不敏感,但极化组件也可以变化明显的大风(福斯特和Gilerson, 2016年)。这个敏感性引导分裂我们的决定过程在两个离散步骤,允许更好的辐射传输的监控界面分开TOA和表面之间的大气校正。虽然在理论上可以构建一个单一的神经网络输出DoLP_{0 +}和c / a同时,处理这些两半分别在检索过程和监督提供了更多的灵活性。这两步方法支持c / a和DoLP的不确定性_{0 +}值结构非常不同,例如,由于天窗反射率的贡献后,增加的价值能够分别把这两个量。此外,有明确分割过程中实用方便,因为这样做数据收集成为独立的两部分之间的:例如,如果测量竞选期间水中c / a值无法测量,只有DoLP_{0 +}字段数据从舰载偏振测定,我们仍然可以用它来训练目的至少一半的神经网络处理数据处理速度。对于检索的两面,我们选择了应用人工神经网络(ann)的任务:在这一过程中,我们被鼓励通过高和他的同事们的工作(高et al ., 2021 a;高et al ., 2021 b),利用人工神经网络建立的深度学习能力快速算法能够确定气溶胶的物理性质以及水从PACE-like离开信号偏振测定数据检索预备AirHARP竞选期间,用来测试的功能HARP2使用机载模拟工具。这些作品添加到日益丰富的文学应用神经网络的预测能力的气溶胶遥感和海洋属性和地球观测,在偏振和non-polarimetric上下文(席勒和Doerffer, 1999年;Doerffer席勒,2000;田中et al ., 2004;loannou et al ., 2013;陈et al ., 2014;陈et al ., 2015;El-habashi et al ., 2016;Di无聊et al ., 2017;Hieronymi et al ., 2017;Stamnes et al ., 2018 a;Stamnes et al ., 2018 b;陈et al ., 2018;风扇et al ., 2020;Syariz et al ., 2020;风扇et al ., 2021;刘et al ., 2021)。安在我们自己的过程,每一个检索的一半是由一个专门的神经网络处理。第一次神经网络需要在大气参数和遥感反射率和DoLP一起作为输入_TOA价值观和角位置,并输出相应的DoLP估计_{0 +}。第二个网络负责检索的水中使用DoLP c /比率_{0 +}值获得的第一步一起作为输入相同的大气参数,角度和遥感反射率值。就其本质而言,人工神经网络需要大量的训练数据正常。由于缺乏适当的实际数据进行训练,我们生成的合成数据集的海洋和大气属性搭配相应的DoLP值,使用bio-optical模型(易卜拉欣et al ., 2016)生成IOPs和其他物理参数搭配一个矢量辐射传输计算(VRT)代码的偏振光强度表面附近和在它的上面。偏振测量水中(Tonizzo et al ., 2009;你et al ., 2011;Gilerson et al ., 2013)及以上水(马克et al ., 2011;Ottaviani et al ., 2018)已发现同意和VRT模拟,使其检索算法的一个有效工具。尽管缺乏实际数据(特别是对于DoLP_TOA-DoLP_{0 +}对)意味着我们不能构建一个“田间应用”算法,使用合成数据适合本研究的探索自然,让我们构建一个理论框架,算法的最终版本可能是一旦数据最终可用来构建的。

2.2合成数据集

除了有限的情况下或其它特殊情况下如转移学习应用于pre-trained网络,人工神经网络需要大量的数据有效地训练。原位光学数据常常是劳动密集型,收购,因此,经常遭受有限的时间和空间方面的报道。当接近一个新的问题,适当的数据可能不是可用的。在我们的例子中,虽然对原位DoLP_{0 +}和水中IOPs可能获得相对容易,获得数千双是一项相当艰巨的事业。事实上,可用数据集足够稀疏不够安训练目的。至于对原位DoLP_{0 +}和相应的DoLP_TOA值,在一定程度上我们的知识不存在这样的集目前,甚至在特定的多光谱配置预期速度。很可能没有这样的数据集可能存在,直到发射速度本身。幸运的是,一个精心设计的海洋大气系统的近似是一个有用的工具来创建大型数据集,只要他们充分代表了物理现实遇到原位,也可以用作功能代替实际测量构造一个安工作。因此,在这项研究中我们决定生产合成数据集水中IOPs搭配DoLP值在表面和top-of-atmosphere水平。生成数据集,我们使用两个沿海bio-optical略微修改后的版本所使用的模型Ibrahim et al。(2016)第二,分别为我和案件的水域。我们邀请读者查阅原始每个方程背后的基本原理:在这里,我们将限制我们的描述所使用的特定范围。模型随机生成的属性集,光学和物理,然后估计IOPs相应花水通过一系列的实证计算(图1;表1,2)。所示图1,我bio-optical模型的散射矩阵花水是浮游植物的设置为完全相同。散射矩阵本身预计算利用米氏理论,因此权力法则式的粒子分布的假设下,大部分真正的折射率和大小分布的斜坡。浮游植物的实际折射率一直固定在1.05相对于水,而斜率值( ${\xi }_{ph}$ 3.5 - -4.5之间)随机生成均匀分布的方式。生成叶绿素浓度对数,即。,the concentration was produced as the exponential of values generated in a uniformly distributed fashion between the natural logarithm of 0.005 and 1.5 mg m⁻³对低浓度,导致倾斜。生成数据表来源的一部分,特别是水理论散射(莫雷尔,1974)和吸收(教皇和弗莱,1997年)系数和数值生成浮游植物的光谱吸收系数(Bricaud et al ., 1998)。水散射的列表值反过来用于我们的VRT模拟计算散射矩阵的纯水。所有其他数量而不是生成的方法和范围表示表1,然后结合中描述图1生产每一组的最后的组合属性。额外的改变情况下,我最初提出的模型Ibrahim et al。(2016)是由调整在2003年6月制定了海洋颜色算法工作组IOCCG报告(IOCCG 2003),浮游植物的光谱定标衰减的n₁指数,以及制定莫雷尔和Maritorena (2001)在440 nm CDOM吸收叶绿素浓度的函数。例II bio-optical模型的散射矩阵计算花水的浮游植物和non-algal-particles(午睡)散射矩阵,描述图1。浮游植物和午睡散射矩阵本身再次利用米氏理论预计算。午睡(浓度的经验按计算表1和0.13∼-24.7 g m之间不等⁻³),真正的折射率在1.15和1.22之间变化相对于水0.01决议,并选择在每个生成的随机混合集。斜坡( ${\xi }_{N\mathrm{一个}P}$ )让在3.5和4.5之间变化,也选择随机均匀分布的方式。浮游植物,真正的折射率和 ${\xi }_{ph}$ 值是生成的以相同的方式作为我的模型,而叶绿素浓度是均匀分布的方式生成1 - 25毫克⁻³。数据再次从列表生成的一部分来源,即。,the specific absorption of the pico- and micro-sized fractions of the phytoplankton population (Ciotti et al ., 2002),的年代_f混合因素是保持在0.1 - -0.3范围内典型的沿海水域,除了水理论IOPs。像我bio-optical模型中,所有其他的物理量与生成方法和范围表示表1,然后结合中描述图1生产每一组的最后的组合属性。总的来说,我和II, 3000套的属性生成训练神经网络,进一步扩大的太阳和传感器的多个排列角度。所有属性生成在440、550和665海里,舍入441年、549年和669年HARP2乐队的清晰性和可比性文学和其他轨道平台。出于测试目的,300集的属性同样也会产生。

2.3 VRT代码

极化强度的计算值在海洋表面水平和TOA进行使用RayXP矢量辐射传输代码(Zege et al ., 1993;泰恩et al ., 2001)。海洋大气系统中使用代码建模,总共四层,三个大气和海洋,wind-roughened表面之间。最上面的大气层定义占总数的64.74%瑞利光学厚度(腐烂),而中间层占整个气溶胶光学厚度和一个额外的35%的腐烂。表面上的位置之间的虚拟传感器的模型是中间和底部层在大气中,后者占剩下的0.26%的腐烂。单一海洋层成立光学深度,以避免任何影响从海底。气溶胶属性定义的气溶胶光学厚度(AOT)和埃指数在440 nm,和两个随机生成均匀分布集中在小气溶胶载荷,即。,AOT(440海里)介于0和0.2 (表1)。风速值同样生成随机均匀分布。气溶胶的散射矩阵定义光学特性被RayXP参数库的软件。这些包含在列表值20波长337 - 3500纳米范围,通过线性插值与中间值检索。在这项研究中,我们使用了“海洋”和“大陆”设置,旨在模拟气溶胶分别在第二我和案件的情况下。“海洋”的设置是基于微观物理学的一组简单的气溶胶模型中给出Lenoble和Broquez (1984),包括粒子的平均半径0.458µm和一个真正的折射率1.38∼除以波长的兴趣。气溶胶类型,单一散射反照率是固定在1和消光效率范围从2.34到2.44在440到665纳米之间。“大陆”的设置是相反的其他简单的气溶胶模型,因此包括若干具有离散的粒子类型意味着半径和折射率。气溶胶类型,单一散射反照率是0.89∼除以波长的兴趣,消光效率从2.01到1.26在440到665纳米之间。3000套属性的训练集的计算使用气溶胶和“大陆”设置为例II,和一个“海洋”设置的情况下即300套测试集的属性而不是计算使用气溶胶与“大陆”和“海洋”设置为例I和II,测试影响气溶胶混合的结果,偏离了培训的期望。瑞利光学厚度值设定在典型水平感兴趣的波长在海洋环境下,和从列表中获得数据(Bodhaine et al ., 1999)。这样的场景设置,被用来计算相应DoLP VRT代码_{0 +}和DoLP_TOA值在许多不同的角度配置的阳光和传感器。角范围是40°:180°相对方位角(在5°的增量 ${\varphi }_v$ ),避免区域的直接太阳闪烁,0°:60°传感器视图天顶(在5°的增量 ${\theta }_v$ 在5°)和0°:70°太阳天顶增量( ${\theta }_{\mathrm{年代}}$ )。总共产生5655角排列,每个都有一个相应的DoLP价值,为每个单独的设置海洋和大气的属性在训练集和测试集(表1)。图2显示了这些DoLP的两个例子_{0 +}和DoLP_TOA集,分别是我和案件II模型。值得注意的是,尽管相对方位范围仅限于避免阳光闪烁,其它不良的贡献来自反映天窗等作为DoLP计算的一部分:这不仅让未来的可能性与舰载偏振计测量验证通过直接比较,但也符合本研究的目标,即。,试图从水中占光的传播通过接口,然后通过神经网络通过多个角度的气氛而无需依靠传统的校正方法用于隔离DoLP water-leaving光辉。

2.4安架构

5655角排列考虑在每个VRT模拟结合3000个人的海洋和大气的属性集安的训练集加起来共有16965000种不同DoLP值。类似的,300年安测试集的属性集加起来共有1696500种不同DoLP值排列。从数百万DoLP和相应的属性值的训练集,函数作为验证随机抽取3000000人安在开发阶段的训练,即。作为一个子集,在安的训练测试。验证频率被设定为3次时代,共有12个时代广场(minibatch大小被设置为总数的输入集用于培训)。所有选定的输入特性被证实是相互独立的(相关性得分∼0)和前标准化培训。的选择特性被告知所呈现的结果高et al。(2021);高et al。(2021 b),这表明气溶胶特性,风速和遥感反射率可以高质量的数据环境。然而,在我们的研究中,遥感反射率值直接来源于IOPs生成合成数据集使用以下设置的经验关系(李et al ., 2002):

图3R的光谱资料的提供了一个概述_rs和c /我和用例II测试集。R_rs和c / a似乎在这两种情况下有着密切的联系,但是,最重要的是,R的特征光谱行为的反演_rs以防我组低于∼500海里,更好的捕捉到R的直接比较_rs与c / a图4。这说明一个可能的指导方针为应用程序的情况下,我和二世ann,即从老约0.0075⁻¹R_rs值在440 nm倾向于增加/减少微粒浓度和c / I /案件减少二分别水域。在两种情况下,我和二世ann, DoLP的检索_{0 +}从DoLP_TOA具体来说,我们使用以下输入:R_rs和DoLP_TOA在440年、550年和665海里,AOT(440),埃指数、风速、太阳能天顶以及传感器天顶和sun-relative方位。检索的水中从DoLP c / a值_{0 +},我们使用相同的输入,但是我们三个DoLP代替_TOA输入相应的三个DoLP_{0 +}。注意,因为DoLP_{0 +}安是第一的输出,测试组工作是由喂养第一个神经网络的输出直接进入第二个。我们认为是几安架构(表3),批量标准化和L2正则化应用于所有层。修正线性单元(ReLU)被用作激活函数在所有隐藏层,而亚当优化器被用来解决者。学习速率被设定一个初始值为0.01,下降率系数为0.1每四世,和均方根误差(RMSE)作为损失函数在所有架构。测试后的最终结构确定为最好的突出显示表3。注意,由于网络操作这三个波长的利益同时,输入和输出的总数DoLP分别是12和3_{0 +}和c / a,报告为第一个和最后一个节点的体系结构表3。

2.5不确定性

测试质量不确定性的影响最终的c /检索,安中我们介绍了随机错误输入。DoLP的大小_TOA误差设置为1%以下的使命目标的步伐。错误的大小AOT和风速而定义的高et al。(2021),前者将 $35.8e^{-3.824\times \mathrm{一个}OT\left(\mathrm{550年}\right)}$ (%),后者 $1.3\times \mathrm{一个}OT\left(\mathrm{550年}\right)+1.38$ 米/秒风速低于3 m / s, 1.2米/秒风速高于3米/秒。最后,对R的大小错误_rs老被设置为0.003,0.002和0.001吗⁻¹分别为440、550和665海里Gilerson et al。(2022)。注意,AOT和风速错误给出的函数AOT(550):在我们的例子中,AOT(550)从AOT值检索使用对应的埃指数(440)值,提取和实证关系自己的指数和线性拟合图9中给出的值高et al。(2021)论文分别对AOT和风速。以上提供的数字都是作为一个绝对规模:每个被配对和正态分布随机数的进一步扩展 $p_{\epsilon }$ ( $\bar{x}=0,\sigma =1$ ),每个对应一个特征在每个组值的训练集和测试集。AOT和DoLP_TOA给出错误的百分比,并应用

与 ${\epsilon }_{我}$ 比例为0和1之间的数字,即。,%值除以100。这里的下标 $我$ 表示AOT或DoLP_TOA, $x_{我}^{*}$ 是应用程序的错误后, $x_{我}$ 没有错误的价值和吗 ${\epsilon }_{我}$ 和上述错误。R_rs和风速在相应的绝对单位因此错误是应用简单

情商的所有符号是一样的。4但是,下标 $我$ 表示要么R_rs或风速。在下面,一步一步的不确定性分析将说明使用用例II测试集。虽然确切的统计参数不同,见解来源于分析适用于我。我和案件二世将在结束与充满不确定性,即。,与both uncertainties in the inputs and using an aerosol model that differs from the one used during training.

3的结果

3.1基本情况

基本应用程序DoLP神经网络的测试数据,没有考虑不确定性的输入和大陆性气溶胶与训练数据一致,产生强烈的结果与期望值一致(图5上面一行)。统计,平方值和RMSE而言,表明强烈坚持1:1的关系,用很小的e值,定义为和RMSE之间的比率的均值DoLP值。在我们的分析中,我们还包括平均绝对误差(MAE)和乘法偏见,推荐的西格et al。(2018)作为海洋颜色数量强劲算法评估。美,表明错误的大小相对于被测变量,发现∼27%在所有三个波长,这是大相比,外表和平方和RMSE值显示。乘法偏见,象征的平均比率预期,预计值,同样表明,投影值低至∼预期的440海里的0.86倍。然而,这两个系数是发现是由大型的数据点密度接近于零。当在表面投影DoLP值依次送入c /神经网络,由此产生的值分布沿x设在,在一系列的正常或拟正规分布投影值/每300年预期的c / a值(图5中间行)。这是一个直接的后果有多个排列的输入角度值对应于只有一个真正的c /在水里。当视为密度图,强烈集群中心的每个数据点分布,这意味着平均后很小的误差(图5底下一行)。预计平均c / a值本身是集群在1:1线,表示的美和偏差值。然而,也有实质性的固有差异c /检索,与平方0.71∼∼∼0.68和0.85在440、550和665 nm和e值分别在DoLP三到四倍_{0 +}检索所有三个波长。

3.2安的输入错误

探讨不确定性对检索的总体质量的影响,我们开始通过引入随机错误的输入如2.5节所述。所示图6(上面一行),引入输入产生一个重大的不确定性传播DoLP检索的值在表面,所反映的价值观尤其是e和梅。大多数的数据点仍然接近1:1,检索所表示的一贯高平方值。在同一时间偏差的变化可以忽略不计,仍然受到大量值接近于零。送入c /神经网络时,DoLP值在表面产生有趣的结果,在这个意义上,与DoLP一样,数据点分布的扩散增加,但c / a的值在平均超过所有角排列显示从确定性场景变化不大,唯一的不同预期小误差线的宽度的增加。所有统计措施被认为是不同最多2%或更少比确定性场景(图6底下一行),有时甚至改善基线分数,强调如何输入的变化引起的误差足够小,由少量的固有噪声取代安检索过程。

3.3混合气溶胶变化

在方法部分,所述第二例合成数据集的神经网络训练数据用一个气溶胶散射模型配置“大陆”组合,选择模拟沿海水域,近端理想的大陆。补充分析了迄今为止在同样配置的测试数据,我们制作了双测试数据集复制之前的测试数据在各方面除了气溶胶散射模型,而不是设置为“海洋。“喂结果输入到神经网络,我们调查了可能影响一个意想不到的气溶胶混合会DoLP和c /检索。效果被认为是小总体DoLP检索,有更大的方差在550 nm和665 nm。美∼6%在440 nm,∼550 nm和665 nm高出15%。同样,e的值的2倍和4倍的基线情况下分别为440 nm和550/665 nm (图7上面一行)。总的来说,效果被认为是比不确定性引起的,另一方面安输入。相比之下,乘法的偏见,这在很大程度上是不变的基线和输入之间的不确定性情况下,较低,∼7%,14%∼∼15%在440 nm,分别为550 nm和665 nm。类似于输入的不确定性情况下,几乎没有改变基线场景在c /检索,只有略大的误差。所有统计措施被认为相差最多∼1%基线场景(图7底下一行)。

3.4结合不确定性

过去比较,输入不确定性和非标准气溶胶混合放在一起来检查他们的共同影响,现在都在我和案例第二场景。正如所料,最大偏差是与基线相比场景。案例二,DoLP_{0 +}检索提出了偏差值小7%∼∼∼∼14%和梅值大13% 8%∼17%∼16% 440海里,分别为550 nm和665 nm (图8上面一行)。RMSE和e值都发现∼∼2.5倍和4.5倍的基线分别为440 nm和550/665 nm。然而,变化的平均预期值c /检索仍微不足道,与所有统计措施发现不同最多2%或更少与基线相比场景(图8底下一行)。对我来说,DoLP_{0 +}检索结果显示类似于第二场景,更全面的统计分数,特别的偏见,665海里的唯一例外,分散在检索值增加诱发更大的美评分(图9;上面一行)。最有趣的差异是在c /我的检索,这是准确大大超过它的案例二,与美在所有波长值非常接近1 (图9底下一行)。此外,在c /检索II大致同方差的出现,即。,与一个v一个r我一个nce that is about constant for increasing values of c/a, Case I appears instead heteroscedastic, i.e., the variance (as well as the width of the error bars) increases markedly as c/a values increase.

4讨论

4.1合成数据集

的全部工作是基于神经网络的应用合成数据集。虽然这些数据集是由必要的建设缺乏实际测量数据量足够大的培训目的,事实上,在这个时间点上,没有明确的判断可以DoLP的质量_{0 +}和c /检索的人工神经网络相比,实际值将由传统的原位测量方法。另一方面,使用非常详细的数据集建立了bio-optical模型,已经使用在过去的好的结果调查极化之间的关系和IOPs出版文学(图1;表1,2)。模型进一步配合最先进的辐射传输软件最终计算和模拟系统与多个层定义硕士以及接受的标准。因此这项研究至少一个有效的勘探潜力ann定义一个直接从PACE-like极化数据检索管道在海洋表层IOPs。实现全部潜力的方法,两个单独的数据策略变得明显的两步处理安检索。对DoLP_TOA和DoLP_{0 +}测量预计仍将不可用,直到发射速度任务本身,因此这部分的算法可能只能够开发对一个真实的参考发布自己的行为。对DoLP_{0 +}和表层眼压值现在可以被检索,所以需要尽快建立一个数据集开始。然而,在这两种情况下,有一个坚实的合成数据集处理也将是有益的,它将使转移学习,即。的逐步求精pre-trained网络添加少量的新数据。因此,虽然评论这项研究的探索性质,我们预计人工神经网络发展到目前为止(实际上任何网络开发类似)构成一个有用的基础上最终发展的新的迭代一次真实的数据可用在足够的数量。目前,我们的研究结果表明,ANN方法直接估计的表层IOPs TOA极化步伐是一种实用和有用工具的应用程序将在协会与其他算法开发工作流程速度数据。

4.2质量的结果

c /找到检索的质量很高,即使一些不确定性的引入在安输入和气溶胶混合使用的辐射传输计算(表3;图5- - - - - -9),尤其是对440 nm和665 nm。DoLP的中间步骤_{0 +}检索似乎是最容易受到不确定因素的引入,而c /估计平均后似乎持续强劲,最明显的效果是扩大误差的平均值,而不是自己的价值观的转变。这是由于这样的事实:额外的方差DoLP检索的_{0 +}转化为更大的分布的标准差但几乎不变意味着c / a值检索第二安步。供参考,在3.3节中,案例二世DoLP_{0 +}检索在合并后的不确定性情况下偏离基线与偏差值小7%,13%和14%和梅值大8%,17%,16%,440 nm、550 nm和665 nm (图5- - - - - -8)。RMSE和e值也都发现∼∼3.5倍和4.5倍的基线分别为440 nm和550/665 nm。相反,变化的平均预期值c /检索可以忽略不计,所有统计措施发现不同与基线相比最多2%或更少的场景。我比较、案例检索发现更准确。对于DoLP_{0 +}倾向分数接近1在所有三个波长的兴趣,与梅的价值观同样改进案例二分数665海里的唯一例外。对c / a,检索的质量特别高,偏见和梅值接近1这三个波长(图9)。作为额外的细节,这样我c /检索的方差似乎明显异方差的,即,它增加c /增加,而II c /检索显示同方差性,即。有些恒定方差在c / a值的范围。虽然一方面c /一个估计的鲁棒性是一个可取的特点,另一方面似乎表明,有限的途径进一步改善没有实质性的重新解释的方法。事实上,至少在第二场景中,误差本身,甚至在合并后的不确定性情况下,足够小的偏差估计1:1 c / a值与期望值不能归因于随机性,尤其是在550海里,这样的偏差是最高的。比较而不是DoLP突出了一个固有的差异_{0 +}- c / a的关系,目前,代表一个天花板检索可及的质量与安的当前迭代的方法。此外,鲁棒性的c /检索在许多数百种不同的角组合似乎与以前的研究结果表明DoLP之间的关系_{0 +}和c / a值由角几何强烈影响(易卜拉欣et al ., 2016;Gilerson et al ., 2020)。虽然没有明确的解释可以在这个时间来协调这种差异,似乎可能更高维度的关系被人工神经网络(12输入3输出超过三个独立的波长),明确包含的R_rs价值观和反对DoLP之前简单的比较_{0 +}与c /个人波长,是充分的网络评估可能的c / a值最多的角度。确实值得注意的是,在一些特定的原则角度而言是最优的检索,即, ${\phi }_v=\mathrm{90年}°$ (易卜拉欣et al ., 2016;Gilerson et al ., 2020glint-heavy之外),方向等 ${\phi }_v\cong \mathrm{180年}°$ 在对日点或附近 ${\phi }_v\cong 0°$ 大多数其他角组合仍将提供一些预测能力甚至用一个简单的DoLP与c /比较(cf。图8在易卜拉欣et al ., 2016对于水下的情况),增加了可信性更高的维度作为人工神经网络的性能的充分解释在这个上下文。

4.3 HARP2抽样

研究所有可能的角的分布排列安既是必要的培训和有用的确定会发生什么结果的方差。然而,事实上,HARP2仪器将扫描视场跨10视图在+ -57°沿径范围内,每一个都有+ -47°航迹范围。这意味着,实际上,在地球表面的任何点将成像最多10次一个中转,可能更少的云覆盖或任何其他的各种质量标志。因此,重要的是要考虑如何抽样会影响结果的实际问题。统计分布考虑到目前为止已经包含了大量的信息会发生什么。第二场景,预计c / a值的集生产为每个组海洋和大气属性在所有角度排列分布,发现接近正常的在所有情况下和波长。事实上,五分之一是发现严格测试后正常使用Shapiro-Wilk测试在一个常态p= 0.05阈值(夏皮罗和Wilk, 1965年)。在这种情况下,虽然 $N_{\mathrm{年代}\mathrm{一个}米ple}$ 偏振测量( $N_{\mathrm{年代}\mathrm{一个}米ple}$ 0和10)之间表面上的任何点在一个现实的运输速度不是真正独立于彼此(各种角配置是由轨道动力学),5月第一近似我们对待这个问题的样本均值的人口,人口在这种情况下在哪里集合的角度排列和样品都是随机选择的。这都是真实的,因为样本均值的分布将趋向正常,即使人口分布不完全正常,显示的中心极限定理。在这种情况下,样本均值的标准误差

在哪里 ${\sigma }_p$ 是人口的标准偏差。由于到目前为止所描述的误差定义为 ${\mu }_p\pm {\sigma }_p$ ,在那里 ${\mu }_p$ 是总体的意思是,我们可以很容易地扭转问题,确定可能的意思是一个示例c / a值检索的人工神经网络在现实场景中属于 $\pm {\sigma }_p$ 误差线。反相情商。6我们只是获得 ${\sigma }_p=\sqrt{N_{\mathrm{年代}\mathrm{一个}米ple}}\times {\sigma }_{\mu }$ ,自 ${\mu }_{\mu }={\mu }_p$ 通过定义( ${\mu }_{\mu }$ 样本均值的均值分布)和正常的偏离的可能性在于之间 $\mu -k\sigma$ 和 $\mu +k\sigma$ 是由 $\mathrm{小块土地}\left(k/\sqrt{2}\right)$ ,在那里小块土地误差函数,我们发现在第一次近似的均值c / a值从一组检索实际采样测量将会在到目前为止所描述的误差在90%以上的情况下尽可能少的测量 $N_{\mathrm{年代}\mathrm{一个}米ple}=3$ 。我的场景,分布预测集的c / a值在所有各种角排列未能在绝大多数情况下测试正常。虽然还有平均值接近1:1的最佳(图9),而是发现特性长尾偏向过高地估计预期的c / a值。这违反了假设用于验证情商的适用性。6II检索表明案件我可能更容易受到小 $N_{\mathrm{年代}\mathrm{一个}米ple}$ 值。提供进一步的确认,可以构造一个天体动力学模型来模拟轨道和态度的速度在任何给定的时间,允许重建组的现实角度的实验(图10)。为此,我们遵循封闭地理定位算法提出的型和格雷格(1994),可以获得表面大地坐标和太阳方位角和天顶角度传感器和任何传感器视图方向给定父卫星的位置和速度。位置和速度都是自己通过MATLAB航空工具箱,我们定义676.5公里的速度轨道使用预定的参数高度98°倾角。轨道进一步特征指的是当地时间的下午1点的升交点。,一个年代perP一个CE specifications, and with an arbitrary starting date and time of 2024–06–01 at 8:59:23 UTC, resulting in a corresponding equation of time of 2.06 min and an apparent right Sun ascension of 4:39:15. Orbit ephemeris data were generated for a 2-days period following this arbitrary definition date. With these position and velocity tables defined, we randomly selected polling times for each set of properties in the testing set under the condition that, in cartesian coordinates, the resulting Z-component of the velocity was positive (i.e., the satellite was on the sunlit side of the orbit) and the resulting Z-component of the position was within ±4,200 km to avoid extreme angles at the poles. The position and velocities were then fed into the geolocation algorithm together with those of 240 neighboring orbital positions corresponding to a resolution of 5 s in a ±10 min window. The area thus defined was finally searched to identify the orbital positions by which each of the 10 HARP2 scan lines intersected the geodetic coordinates of the point directly at the nadir of PACE at the randomly selected polling time (图10)。被随机减少到10位置 $N_{\mathrm{年代}\mathrm{一个}米ple}=3$ ,和相应的传感器角度 ${\theta }_v$ 相对方位角度 ${\varphi }_v$ 和太阳天顶角度 ${\theta }_{\mathrm{年代}}$ 选择从5655年预计算组合和其他美联储一起在测试设置相应的属性神经网络。持续与预期相符,案例二的结果不具偏离以前成立于什么图8确凿的统计参数的影响(图11)。同样,我结果代替演示大幅提高c / a的方差检索,确认,至少在我们的配方,小 $N_{\mathrm{年代}\mathrm{一个}米ple}$ 值可能会影响质量的情况下我检索(图12)。有趣的是,在与整体的结果图9,预计之间的比较和预期的情况下,我似乎变得同方差的c / a值,这意味着小 $N_{\mathrm{年代}\mathrm{一个}米ple}$ 值可能会不同程度地影响到低c /价值观,而方差在高c / a值基本不变。

5的结论

在这项研究中,我们探讨了应用神经网络的双重任务检索DoLP值在海洋表面级别从top-of-atmosphere DoLP价值观和水中的DoLP值c /表面。的上下文中工作极化测量,预计将提供一次即将到来的任务启动,速度和方法提出了工作使用的输入数据,预计可在数据环境。因此设计工作与其他算法开发过程极化测量速度。缺乏实际数据的合成数据集的就业为目的的必要的训练人工神经网络,这样就无法做出明确的判断的质量安针对现实世界数据的检索。然而,神经网络的具体特点,包括他们的能力适应部门通过学习和转移的新数据,意味着这里给出的算法将构成一个坚实的基础的快速迭代和进一步细化一旦速度数据将变得可用。中给出的初步结果Agagliate et al。(2022),我们发现了一个详细的分析的不确定性在辐射传输模型和安的输入的前进道路的完成我们的学习。引入不确定性发现检索DoLP有很大影响_{0 +}值,而c / a的检索发现健壮的、观察到的最大效应的整体尺寸误差只有轻微的变化意味着c / a值。我和二世,c /检索的质量很高。案例二,R²= 0.712,0.679,和0.848在440年,分别为550和665海里。乘法的偏见也小,低估了预期值仅为2.8%,平均3.1%,2.5%在相同的波长。乘法美同样表明,测量误差为13.9%,平均分别为16.1%和13.8%。我结果更好,R²等于0.981,0.986和0.983在440年,分别为550和665海里。乘法的偏见又一次小,低估了预期值0.8%,6.1%,和4.1%平均在同一波长,而乘法梅表示测量误差仅为4.3%,平均7.1%和4.2%。的健壮性c /跨许多数百种不同的角组合检索结果确定了DoLP早些时候似乎矛盾_{0 +}- c / a的关系是一个特别受到太阳的相对几何和传感器(易卜拉欣et al ., 2016;Gilerson et al ., 2020)。似乎可能更高维度的关系被神经网络(使用12输入/ 3波长),具体的R_rs,允许我们的算法保持辨别力角配置。然而,特别是对于二世,一般的方法的鲁棒性是还发现暗示固有的差异结果的最终检索c / a值代表了当前质量上限的能力我们安捕获输入和c / a,之间的关系和可能不会改善没有算法作为一个整体的重新解释,例如,用完全不同的体系结构或选择的输入。最后分析步骤进行检查实际采样的影响预期的结果,即,与一个t most 10 measurements per transit per location, in contrast with the over 5,000 angular permutations considered during training. Due to the statistical distribution of the results, it is expected that averaging after sampling in such realistic conditions should, in a Case II scenario, follow closely the type of distribution presented in our study with as few as 3 measurements per location. Conversely, in a Case I scenario, this realistic averaging is instead expected to be susceptible to increased variance due to underlying distributions featuring long tails biased towards overestimation. Both expectations are found to be corroborated by results produced using an astrodynamics model that replicates the expected PACE orbit and the viewing area of the HARP2 instrument installed on it.

数据可用性声明

原始数据支持了本文的结论将由作者要求,没有过度的预订。

作者的贡献

JA负责模拟、数据分析和大量的编写,以及导致的一般研究方向研究。射频和艾城的贡献相当大的反馈,增加和修正文本。AG)是主要的贡献者的大致研究方向的研究,并另外提供反馈、建议和添加文本。

资金

研究80 nssc21k0562 NASA资助的支持下,NOAA CESSRST格兰特NA16SEC4810008, JPSS卡尔/ Val程序。

确认

作者要感谢弗雷德里克·s型,上汽和海洋生态实验室在NASA戈达德太空飞行中心,有用的讨论,建议和其他详细信息,帮助建设步伐的天体动力学模型轨道,HARP2视野。作者进一步要感谢那些评论家的仔细阅读手稿和有益的意见和建议。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用