Satellite remote sensing and deep learning for aerosols prediction

Abstract

Introduction/purpose: The paper presents a new state-of-the-art method that involves NASA satellite imagery with the latest deep learning model for a spatiotemporal sequence forecasting problem. Satellite-retrieved aerosol information is very useful in many fields such as PM prediction or COVID-19 transmission. The input data set was MODAL2_E_AER_OD which presents global AOT for every 8 days from Terra/MODIS. The implemented machine learning algorithm was built with ConvLSTM2D layers in Keras. The obtained results were compared with the new CNN LSTM model. Methods: Computational methods of Machine Learning, Artificial Neural Networks, Deep Learning. Results: The results show global AOT prediction obtained using satellite digital imagery as an input. Conclusion: The results show that the ConvLSTM developed model could be used for global AOT prediction, as well as for PM and COVID-19 transmission.

Uvod: Izložena je unapređena metoda koja uključuje Nasine satelitske snimke sa najnovijim modelom dubokog učenja koji se odnosi na problem predviđanja prostornovremenskih signala. Informacija o aerosolima sa satelitskih snimaka je vrlo značajna za predviđanje disperzije čestica u atmosferi i prenosa virusa COVID-19. Ulazni podaci MODAL2_E_AER_OD predstavljaju globalni AOT za osam dana sa Terra/MODIS. Algoritam mašinskog učenja je sačinjen od kompozitnih neuronskih slojeva ConvLSTM2D u biblioteci Keras. Dobijeni rezultati su upoređeni sa novim modelom CNN LSTM. Metode: Proračunske metode mašinskog učenja, veštačke neuronske mreže, duboko učenje. Rezultati: Rezultati prikazuju globalno predviđanje optičke debljine aerosola sa digitalnim satelitskim snimcima koji su korišćeni kao ulazni podaci. Zaključak: Pokazano je da je razvijeni model ConvLSTM pogodan za globalno predviđanje atmo-sferske debljine aerosola, kao i za prenos atmosferskih čestica i virusa COVID-19.