推荐理由：
-
美国马里兰大学最新研究成果，值得学习；
-
GEE与Transformer模型双热点，值得收藏；
3. 全球气溶胶数据监测，具有良好的泛化性。
Wei J, Wang Z, Li Z, et al. Global aerosol retrieval over land from Landsat imagery integrating Transformer and Google Earth Engine[J]. Remote Sensing of Environment, 2024, 315: 114404
.
Landsat影像凭借高空间分辨率和超过50年的数据记录，在土地监测与环境评估中具有重要价值。然而，
大气气溶胶对土地分类和地表参数反演精度造成显著干扰。
针对这一问题，我们
提出了基于深度学习Transformer模型的AeroTrans-Landsat框架，在Google Earth Engine平台上实现了Landsat影像的陆地气溶胶光学厚度（AOD）反演
。研究利用2013年至2022年间的Landsat 8和9影像构建模型，并通过约560个监测站点进行严格验证。
结果显示，反演的AOD数据与地面观测高度一致，交叉验证相关系数为0.905，均方根误差为0.083。其中，86%的结果符合MODIS深蓝算法误差标准，55%满足全球气候观测系统误差范围。
模型对地表和大气波动不敏感，可生成高精度的连续AOD分布，适用于从暗表面到亮表面及高污染区域，展现出广泛的适应性和应用潜力。
图1.基于Google Earth Engine平台的Landsat影像全球气溶胶反演框架（AeroTrans-Landsat）的流程图
图2. 使用可解释人工智能（XAI）方法中的SHapley Additive exPlanations（SHAP）分析Landsat影像AOD反演特征贡献的旭日图
图3.
基于样本交叉验证方法，2013年至2022年Landsat影像AOD反演与地面观测在单站点尺度上的整体精度表现：(a) 相关系数 (R)，(b) 中位偏差，(c) 平均绝对误差 (MAE)，(d) 均方根误差 (RMSE)，以及符合(e) MODIS深蓝预期误差 (EE) 范围和(f) 全球气候观测系统 (GCOS) 不确定性目标的反演结果百分比
图4.
基于不同验证方法的全球Landsat影像AOD反演与地面观测在2013年至2022年间的密度散点图：(a) 基于样本，(b) 基于站点，(c) 基于月份的10折交叉验证方法，(d) 时空独立验证方法（即使用2015年至2020年数据训练，其余年份数据测试）。实线为1:1线，虚线为EE范围。
图
5.基于时空独立验证方法（即用2015年至2020年数据训练，其余年份数据测试），2013年至2022年Landsat影像AOD反演与地面观测在单站点尺度上的模型性能：(a) 相关系数 (R)，(b) 中位偏差，(c) 平均绝对误差 (MAE)，(d) 均方根误差 (RMSE)，以及符合(e) MODIS深蓝预期误差 (EE) 范围和(f) 全球气候观测系统 (GCOS) 不确定性目标的反演结果百分比
图6.针对不同地表和大气条件的Landsat影像AOD反演不确定性分析的箱线图，包括：(a) NDVI，(b) 土地利用类型，(c) 海拔（m），(d) 地表反射率（482 nm），(e) AERONET单次散射反照率（SSA，550 nm），以及(f) AOD（550 nm）。黑色实线表示零偏差，红点和箱线图中线分别表示AOD偏差的均值和中位数，下四分位和上四分位
图7.Landsat影像推导的2022年9月高分辨率（30 m）全球陆地区域AOD（550 nm）空间分布图
图8.在晴空条件下，Landsat影像（AeroTrans，30 m）和MODIS影像（MAIAC，1 km）的彩色合成图（RGB: 波段4-3-2）及对应AOD反演结果的全景图和核心区域放大图：（a-c）美国丹佛，（d-f）西班牙马德里。黑色像素表示不适合气溶胶反演的区域（如云层、雪/冰），顶部和底部注释分别标明Landsat影像的采集时间（mm/dd/yyyy）和轨道记录（路径-行）
图9.
在高污染条件下，Landsat影像（AeroTrans，30 m）和MODIS影像（MAIAC，1 km）的彩色合成图（RGB: 波段4-3-2）及对应AOD反演结果的全景图和核心区域放大图，包括：(a) 东亚（中国北京）的雾霾，(b) 东南亚（泰国清迈）的烟霾，(c) 北美（美国西部）的野火，(d) 北非（撒哈拉沙漠）的沙尘。图(a)中彩色点代表地面观测数据
。
表3.Landsat影像AOD反演中多种机器学习和深度学习模型性能比较表
