Impact of Multivariate Approaches on Deep Learning Based Recovery for Cloudy Cells of Satellite AOD Retrievals

Abstract

Aerosol Optical Depth (AOD), derived from satellite observations, holds significant potential due to its ability to represent a broad area. Particularly, the Geostationary Environment Monitoring Spectrometer (GEMS) on GK-2B demonstrates high-quality aerosol data, especially in well-lit surfaces, owing to its observation of the ultraviolet spectrum. A critical drawback, however, is the difficulty in AOD retrieval in cloudy regions, which is an inherent issue in satellite-derived AOD. This study focuses on the applicability of deep learning techniques, known for their superior adaptability, by addressing the challenges posed by missing data in the satellite-retrieved AOD. Most research adopts multivariate approaches to account for information in the missing regions, but a comprehensive analysis of its impact is lacking. This study investigates the influence of multi-variation on the satellite-based AOD imputation by comparing univariate and multivariate models. To observe their response to varying sizes of missing data, both models were trained and evaluated on datasets with different extents of missing information. The evaluation considers numerical performances through the Root Mean Squared Error (RMSE) as well as visual clarity through the Structural Similarity Index (SSIM). The results indicate that the univariate model outperforms in general, whereas the multivariate model excels when AOD exhibits complex variations through surrogate variables and showcases the superior robustness for diverse variables. On the other hand, in terms of robustness towards the target variable, AOD, the multivariate model shows relative shortcomings, exhibiting a greater influence on training data distribution. Sensitivity to the size of missing data is more pronounced in the multivariate model, emphasizing its high dependence on training data. In conclusion, this study presents the strengths and weaknesses of univariate and multivariate models in filling missing values in the satellite-derived AOD and underscores the significant impact of data distribution during the multivariate model training compared to the univariate models, providing insights for researchers aiming to address missing values in the satellite-derived AOD.;위성으로부터 산출된 AOD (Aerosol Optical Depth; 에어로졸 광학두께)는 광범위한 영역을 관측할 수 있어 높은 잠재력을 가진다. 특히, GK-2B의 GEMS (Geostationary Environment Monitoring Spectrometer (GEMS) of GEO KOMPSAT (GK)-2B)는 자외선 영역에 대한 관측을 수행하기 때문에 다른 위성의 AOD 산출물에 비해 밝은 표면에서도 상대적으로 품질이 우수한 에어로졸 자료를 생산할 수 있다. 그러나, 구름 지역에서 산출이 힘들다는 치명적인 단점을 가지고 있다. 이는 위성에서 산출되는 AOD의 고질적인 문제로, 이에 관한 연구가 활발하게 이루어지고 있다. 그중 본 연구는 응용성이 특히 우수한 딥러닝 기법에 주목하였으며 대부분의 연구에서는 결측 지역에 대한 정보를 반영하기 위해 다변량을 차용하였으나 그 영향에 대한 분석은 미비하였다. 이에 따라 본 연구는 단변량 모델과 다변량 모델을 비교함으로써 위성자료 기반의 AOD 결측치 복원에 대한 다변량화의 영향을 조사하였다. 주어진 간격의 크기에 어떻게 반응하는지 관찰하기 위하여 단변량 및 다변량 모델을 다양한 크기의 결측치에 대해 학습시켰으며 평가 또한 다양한 크기의 결측치에 대하여 진행하였다. 각 모델을 RMSE와 SSIM을 통해 평가함으로써 절대적인 성능뿐만 아니라 시각적인 가시성의 측면도 고려하였다. 그 결과, 수치적으로는 단변량 모델이 우수한 성능을 보여주었으나, 복사 변수를 통해 AOD가 복잡하게 변화할 때에는 다변량 모델이 더욱 우수한 모습을 보였고 다양한 입력 변수에 대한 견고성 측면에서도 강점을 가지는 것으로 조사되었다. 그러나, 목적 변수인 AOD에 대해서는견고성이 상대적으로 부족하였으며 학습자료 분포의 영향이 더욱 크게 작용하였다. 결측치 크기에 대한 민감성 또한 다변량 모델에서 더욱 두드러져 다변량 모델이 훈련 데이터에 더욱 의존적인 모습을 보였다. 결론적으로, 본 연구는 위성 산출 AOD의 결측치를 채우고자 할 때 단변량 모델과 다변량 모델의 장단점을 제시하였으며, 다변량 모델 학습 시에는 단변량 모델을 사용할 때보다 자료 분포에 지대한 영향을 받는 다는 것을 강조하고자 한다.