Mejora de la resolución espacial de datos satelitales sobre aldehídos utilizando una red neuronal convolucional

Abstract

Las observaciones satelitales de variables atmosféricas son fundamentales para el monitoreo de la calidad del aire y para abordar la influencia humana sobre el clima. Es por esto que la precisión y resolución espacial son de gran relevancia ya que aportan a la toma de decisiones informada de políticas públicas. Dadas las mejoras en las tecnologías de percepción remota durante los últimos años, se ha generado una discontinuidad entre los datos obtenidos con las tecnologías nuevas y las antiguas, la cual es necesario homogeneizar.

Este trabajo busca aumentar la resolución espacial de datos de formaldehído (HCHO) obtenidos por el espectrómetro del instrumento satelital Ozone Monitoring Instrument (OMI) utilizando Redes Neuronales Convolucionales entrenadas con datos de TROPOspheric Monitoring Instrument (TROPOMI). Las dos arquitecturas de Redes Neuronales utilizadas corresponden a la Super Resolution Convolutional Neural Network (SRCNN) y la Super Resolution Generative Adversarial Network (SRGAN). La metodología utilizada se basa en la propiedad de las Redes Convolucionales de ser entrenadas con pequeñas sub-imágenes de los datos utilizados, pero tener la capacidad de ser aplicadas a datos sin restricción de tamaño mientras se mantenga la consistencia de las resoluciones utilizadas durante el proceso de entrenamiento. Adicionalmente se obtuvo dos conjuntos de datos para entrenar y evaluar las redes, considerando un traslape mayor entre sub-imágenes de entrenamiento y otro conjunto con un solapamiento menor, donde mientras más solapamiento se dispone de una mayor cantidad de datos.

Los resultados sugieren las redes SRCNN y SRGAN entregan un mejor rendimiento que el caso de comparación base de interpolación bicúbica, siendo SRGAN la que mejor desempeño obtuvo de forma consistente. En cuanto a los conjuntos de datos, se obtuvo que mientras mayor sea la disponibilidad de datos el rendimiento de la red entrenada aumenta pese a que se espera que disponga de una menor heterogeneidad. La aplicación de Redes Adversarias logra obtener buenos resultados en este problema, por lo cual invita a realizar mejoras a las arquitecturas. Este trabajo logra contribuir a la mejora del monitoreo para Chile y América del Sur.