Wide and Deep Learning Model for Satellite-Based Real-Time Aerosol Retrievals in China
Notice bibliographique
Résumé
Machine learning methods have been recognized as rapid methods for satellite-based aerosol retrievals but have not been widely applied in geostationary satellites. In this study, we developed a wide and deep learning model to retrieve the aerosol optical depth (AOD) using Himawari-8. Compared to traditional deep learning methods, we embedded a “wide” modeling component and tested the proposed model across China using independent training (2016–2018) and test (2019) datasets. The results showed that the “wide” model improves the accuracy and enhances model interpretability. The estimates exhibited better accuracy (R2 = 0.81, root-mean-square errors (RMSEs) = 0.19, and within the estimated error (EE) = 63%) than those of the deep-only models (R2 = 0.78, RMSE = 0.21, within the EE = 58%). In comparison with extreme gradient boosting (XGBoost) and Himawari-8 V2.1 AOD products, there were also significant improvements. In addition to higher accuracy, the interpretability of the proposed model was superior to that of the deep-only model. Compared with other seasons, higher contributions of spring to the AOD concentrations were interpreted. Based on the application of the wide and deep learning model, the near-real-time variation of the AOD over China could be captured with an ultrafine temporal resolution.
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 | 0,001 |
| 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 ».