适用于地面及星载激光雷达观测中气溶胶与云层分割的通用深度学习方法
《IEEE Transactions on Geoscience and Remote Sensing》:Generalizable Deep Learning for Aerosol and Cloud Segmentation in Ground-Based and Spaceborne Lidar Observations
【字体:
大
中
小
】
时间:2026年06月29日
来源:IEEE Transactions on Geoscience and Remote Sensing 9.4
编辑推荐:
摘要:由于激光雷达观测数据的复杂性、变化性以及庞大的数据量,对其自动解读仍是大气遥感领域的一个重大挑战。目前用于识别气溶胶和云的方法通常依赖于手工设计的算法以及专家设定的阈值,这限制了这些方法在不同仪器和观测条件下的适用性和扩展性。本研究提出了一种深度学习框架,可直接通过对多波段
摘要:
由于激光雷达观测数据的复杂性、变化性以及庞大的数据量,对其自动解读仍是大气遥感领域的一个重大挑战。目前用于识别气溶胶和云的方法通常依赖于手工设计的算法以及专家设定的阈值,这限制了这些方法在不同仪器和观测条件下的适用性和扩展性。本研究提出了一种深度学习框架,可直接通过对多波段激光雷达信号进行语义分割来识别大气结构。该方法将经过时间、高度范围校正的信号数据转化为图像,并利用计算机视觉分割技术来识别气溶胶和云。为了便于深度学习分割模型的训练和严格评估,研究人员利用地面拉曼激光雷达系统一年内的观测数据,构建了一个名为DL4Lidar的新的人工标注数据集。通过大量实验,研究了激光雷达波长、信号表示方式、预处理策略、核心架构、多尺度特征提取以及边界优化模块对分割效果的影响。实验结果表明,所开发的模型在未经训练的测试数据上,对气溶胶的识别准确率为0.814,对云的识别准确率为0.753,显示出在多种大气环境下的良好分割性能。此外,该框架在无需重新训练的情况下,应用于另一台独立的地面激光雷达仪器的观测数据时,也展现了出色的跨领域适应性,且性能相当。另外,该方法还被成功应用于EarthCARE任务中的卫星ATLID观测数据,实现了对云结构的精确分割以及云顶高度随时间变化的获取。这些结果表明,语义分割为地面和太空激光雷达观测数据的自动分析提供了一种强大且具有迁移性的方法,为相关研究带来了新的可能...
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号