《Retrieval of oceanic chlorophyll concentration from GOES-R Advanced Baseline Imager using deep learning》论文笔记

研究背景
　　论文研究了利用GOES-R系列的高级基线成像仪（ABI）从地球同步轨道获取的遥感数据来反演海洋中的叶绿素浓度（Chl-a）。传统的极地轨道卫星存在数据覆盖的时空间隙，主要受云层遮挡等因素影响，而地球同步轨道卫星的高频扫描可以减少这些间隙。GOES-R的ABI虽非专门为海洋颜色观测设计，但其具备一定的频谱和空间分辨率，可作为叶绿素浓度反演的潜在工具。

研究数据
　　本研究使用了来自GOES-16 ABI的L1B辐亮度数据以及辅助的太阳和传感器视角数据。通过匹配Suomi NPP上的VIIRS传感器数据，构建了超过2200万个样本的训练数据集。训练数据的时空分布涵盖了全年，确保模型能够在不同季节和条件下进行泛化。

研究方法
　　研究采用深度学习技术（使用10层全连接层组成的神经网络模型）来从GOES-16 ABI的L1B辐亮度数据中反演叶绿素浓度。该方法不依赖传统的大气校正，而是通过使用大量样本数据进行训练，让模型自动学习复杂的光学特征之间的关系，从而估算出叶绿素浓度。模型使用TensorFlow 2进行开发，并通过验证集和测试集进行调参和性能评估。

研究结果
　　实验结果表明，利用深度学习技术可以在不进行显式大气校正的情况下，从GOES-16 ABI数据中反演出与VIIRS数据一致性较好的叶绿素浓度值。模型能够检测到海洋中的重要特征，如海洋涡流和锋面，并能补充极地轨道卫星数据的不足。然而，在沿海水域存在显著问题，例如因为缺少绿光波段而导致模型性能下降。

研究结论
　　研究证明，深度学习是一种有效的工具，可以从传统算法难以捕捉的复杂数据模式中提取信息。尽管GOES-16 ABI缺少专用的绿光波段，其仍然可以通过深度学习方法从蓝光和红光数据中反演出合理的叶绿素浓度。研究展示了利用地球同步轨道卫星数据补充极地轨道数据的潜力，并表明未来需要进一步改进模型以应对大气校正和数据噪声等问题。