[论文解读] Spatiotemporal Estimation of TROPOMI NO2 Column with Depthwise Partial Convolutional Neural Network

Yannic Lops, Masoud Ghahremanloo+6 more|arXiv (Cornell University)|Apr 12, 2022

Air Quality Monitoring and Forecasting被引用 5

一句话总结

本文提出一种具有时间建模能力的深度可分离卷积神经网络（PCNN），用于填补因云层和地表反照率导致的TROPOMI NO2柱浓度数据缺失。通过整合深度可分离卷积与时间依赖性，该模型在指数一致性指标上达到0.82，相较于标准PCNN和反距离加权等传统方法，指数一致性提升3–11%，相关性提升8–15%，即使在超过95%数据缺失的情况下仍表现优异。

ABSTRACT

Satellite-derived measurements are negatively impacted by cloud cover and surface reflectivity. These biases must be discarded and significantly increase the amount of missing data within remote sensing images. This paper expands the application of a partial convolutional neural network (PCNN) to incorporate depthwise convolution layers, conferring temporal dimensionality to the imputation process. The addition of a temporal dimension to the imputation process adds a state of successive existence within the dataset which spatial imputation cannot capture. The depthwise convolution process enables the PCNN to independently convolve the data for each channel. The deep learning system is trained with the Community Multiscale Air Quality model-simulated tropospheric column density of Nitrogen Dioxide (TCDNO2) to impute TROPOspheric Monitoring Instrument TCDNO2. The depthwise PCNN model achieves an index of agreement of 0.82 and outperforms the default PCNN models, with and without temporal dimensionality of data, and conventional data imputation methods such as inverse distance weighting by 3-11% and 8-15% in the index of agreement and correlation, respectively. The model demonstrates more consistency in the reconstruction of TROPOspheric Monitoring Instrument tropospheric column density of NO2 images. The model has also demonstrated the accurate imputation of remote sensing images with over 95% of the data missing. PCNN enables the accurate imputation of remote sensing data with large regions of missing data and will benefit future researchers conducting data assimilation for numerical models, emission studies, and human health impact analyses from air pollution.

研究动机与目标

• 解决因云层覆盖和地表反照率导致的卫星NO2数据缺失问题。
• 通过引入时间一致性，提升时空数据填补的准确性，超越仅考虑空间信息的方法。
• 开发一种深度学习框架，有效重建在极端数据丢失（超过95%缺失）情况下的遥感数据。
• 通过提供可靠且连续的NO2柱浓度估计，实现稳健的数据同化与空气质量分析。
• 在准确性和一致性方面，超越传统的填补技术，如反距离加权法和标准PCNN。

提出的方法

• 将部分卷积神经网络（PCNN）改进为引入深度可分离卷积，以实现高效的通道特征学习。
• 通过在时间步长上建模序列数据，将时间维度整合到填补过程中。
• 使用CMAQ模拟的对流层NO2柱浓度（TCDNO2）作为TROPOMI观测的真值进行模型训练。
• 采用时空损失函数，以在训练过程中保持空间与时间的一致性。
• 在训练中应用掩码机制处理缺失数据，使网络能够从不完整输入中学习。
• 采用随机梯度下降进行模型优化，并结合早停策略，防止在稀疏数据上过拟合。

实验结果

研究问题

• RQ1 与仅考虑空间信息的方法相比，具有时间建模能力的深度可分离PCNN能否提升TROPOMI NO2柱浓度的时空填补效果？
• RQ2 引入时间依赖性对NO2柱浓度重建的准确性和一致性有何影响？
• RQ3 所提出的模型在极端数据丢失（如>95%缺失数据）情况下，性能衰减程度如何？
• RQ4 与标准卷积相比，深度可分离卷积机制在提升模型效率与性能方面有何优势？
• RQ5 在相关性与指数一致性等关键指标上，该模型是否优于传统的填补技术，如反距离加权法和标准PCNN？

主要发现

• 深度可分离PCNN模型实现了0.82的指数一致性指标，显著优于标准PCNN和传统填补方法。
• 即使在超过95%数据缺失的情况下，该模型相较基线方法仍实现3–11%的指数一致性提升和8–15%的相关性提升。
• 时间建模使网络能够捕捉NO2分布的时序模式，从而生成更一致且更真实的重建结果。
• 深度可分离卷积机制通过减少参数数量，显著提升了计算效率，同时保持高性能。
• 该模型在重建TROPOMI NO2数据中的大范围空间缺失区域时表现出强鲁棒性，有效保持了局部与全局的空间结构。
• 该方法为后续应用（如排放研究、空气质量建模和健康影响评估）提供了可靠的数据支持。