Surrogate Modeling of MODTRAN Physical Radiative Transfer Code Using Deep-Learning Regression
Notice bibliographique
Résumé
Radiative Transfer Models (RTMs) are one of the major building blocks of remote-sensing data analysis that are widely used for various tasks such as atmospheric correction of satellite imagery. Although high-fidelity physical RTMs such as MODTRAN are considered to offer the best possible modeling of atmospheric procedures, they are computationally demanding and require a lot of parameters that should be tuned by an expert. Therefore, there is a need for surrogate models for the physical RTM codes that can mitigate these drawbacks while offering an acceptable performance. This study aimed to suggest surrogate models for the MODTRAN RTM using deep-learning models. For this purpose, the top of atmosphere (TOA) spectra calculated by the MODTRAN code as well as the bottom of atmosphere (BOA) input spectra and other atmospheric parameters such as temperature and water vapor content observations were collected and used as the training dataset. Two deep-learning regression models, including a fully connected network (FCN) and an auto-encoder (AE), as well as a random forest (RF) machine-learning regression model were trained. The results of these models were assessed using the three evaluation metrics root mean squared error (RMSE), regression coefficient (R2), and spectral angle mapper (SAM). The evaluations indicated that the AE offered the best performance in all the metrics, with RMSE, R2, and SAM scores of 0.0087, 0.9906, and 1.4295 degrees, respectively, in the best-case scenarios. These results showed that deep-learning models can better reproduce results via high-fidelity physical RTMs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».