学术报告：基于深度学习的激光雷达去噪方法提升大气特征检测研究

本文为一项原创性研究，旨在介绍一种基于深度学习的激光雷达（LiDAR）去噪方法，应用于改善大气特征检测。该研究由Patrick Selmer, John E. Yorks, Edward P. Nowottnick, Amanda Cresanti和Kenneth E. Christian等学者共同完成，发布于《Remote Sensing》期刊，论文标题为《A Deep Learning LiDAR Denoising Approach for Improving Atmospheric Feature Detection》，发表于2024年7月26日。本文将详细介绍这项研究的背景、研究方法、实验流程、结果与结论。

一、学术背景

空间基激光雷达（LiDAR）系统是气候、天气和大气污染研究中的重要工具，能够提供关于云层和气溶胶的垂直分布信息。特别是空间基激光雷达可以有效地探测火山喷发烟羽、人为污染事件等航空与人类健康的潜在危害。然而，激光雷达的日间观测常常受到太阳背景光的噪声影响，导致信噪比（SNR）较低，进而影响对大气特征的检测。

尽管传统方法如水平和垂直平均能够提高信噪比，但这些方法会牺牲空间分辨率，尤其是在日间，激光雷达信号受噪声干扰较大，导致一些细微的大气层特征难以被探测。近年来，深度学习方法在图像去噪领域的应用逐渐取得了显著进展，研究者尝试将这些方法应用于激光雷达数据的去噪，从而提高信噪比而不牺牲分辨率。本文的研究目标正是利用深度学习算法，提升空间基激光雷达在日间的信噪比，改善对大气特征的探测能力。

二、研究方法与实验流程

1. 数据集的准备

本研究使用了NASA的云气溶胶运输系统（CATs）提供的1064nm激光雷达原始数据。为训练深度学习去噪模型，研究者首先使用夜间的清洁数据和人工添加的泊松噪声生成日间的模拟数据。实验数据包括2015年CATs模式下的夜间数据，数据集经过背景光去除处理并标准化。

2. 深度学习模型的设计与训练

本研究的关键在于使用了深度学习模型Dense U-Net（DDUNet）进行激光雷达数据的去噪。Dense U-Net是一种卷积神经网络（CNN）结构，它通过多级递归的U-Net变体（Dense U-Net Blocks）有效地处理图像去噪问题。DDUNet的优势在于通过密集的块连接提高了模型的学习效率，并减少了参数数量。

在训练过程中，研究者使用了带有不同噪声水平（40、80、160太阳光子计数）的模拟夜间数据，并通过残差学习（residual learning）方式使模型更易于训练。这种方法通过网络学习残差图像，从而去除噪声。训练过程中，研究者使用了L2损失函数、数据增强技术（随机翻转与平移）以及四块GPU进行训练，训练时间约为3至4天。

3. 数据处理与模型推断

在去噪过程中，输入的光子计数数据首先经过背景去除和标准化处理，然后被划分为多个重叠的输入补丁（256x256），每个补丁会经过去噪处理并得到残差噪声图像。最终，经过去噪处理的数据用于检测大气特征层。为了减少边缘效应，研究者采用了平均重叠区域的结果。

4. 层检测与评价

层检测是本研究的一个关键步骤。在模拟数据上，研究者将去噪数据与标准CATs的60km水平平均数据进行对比，使用Jaccard指数等评价指标分析了不同方法的层检测效果。实验表明，基于去噪数据的层检测结果较传统的60km平均法更为精确，检测到的层数多，且误报率低。

5. 结果分析

在模拟数据集上，DDUNet模型显著提高了日间数据的信噪比，日间信噪比比原始数据高了约2.5倍，并且将最小可探测反向散射（MDB）降低到了约7.3×10^-4 km^-1sr^-1，低于CALIIOP（2006年–2023年）1064nm夜间数据的8.6×10^-4 km^-1sr^-1。

对于2015年8月的实际CATs数据，去噪处理使得层检测在2km分辨率下发现了更多的气溶胶和云层，且精度显著高于标准的L2产品数据。这意味着，DDUNet去噪方法不仅提高了层的检测质量，也提高了数据的空间分辨率，能够为气候变化和大气污染研究提供更细致的数据。

三、研究结论与意义

1. 研究结论

该研究提出的基于深度学习的激光雷达去噪方法（DDUNet）显著提高了空间基激光雷达在日间的信噪比，使得日间数据的层检测质量达到了与夜间数据相当的水平。研究表明，使用去噪数据进行大气层检测，能够在2km分辨率下检测到更多的气溶胶和云层，同时减少了由于数据平均导致的假阳性和假阴性结果。

2. 科学与应用价值

此研究的成果不仅在科学层面上具有重要价值，也对大气环境监测和气候变化研究具有深远影响。日间激光雷达数据的去噪处理，使得科学家能够在白天进行大气特征的高分辨率检测，弥补了以往夜间专用数据的局限性，进而为气候建模、辐射强迫、气溶胶追踪等应用提供了更加精准的数据支持。

此外，研究也为小型低成本激光雷达系统的开发提供了新思路。通过优化的去噪方法，小型激光雷达系统能够在较低的功耗和较小的体积下获得与传统大尺寸激光雷达相似的数据质量，从而推动更为廉价和紧凑型的太空探索技术。

四、研究亮点

• 创新性的方法： 本研究首次将深度学习中的Dense U-Net模型应用于激光雷达数据去噪，提供了一种高效且无需大幅牺牲分辨率的去噪方法。
• 高效的数据处理： 研究中采用了创新的数据预处理与残差学习方法，使得训练更加高效且易于实现。
• 显著的性能提升： 使用去噪模型后，日间激光雷达数据的信噪比提高了2.5倍，显著改善了大气层的检测能力。

五、展望

未来的研究可以进一步优化DDUNet模型，通过调整不同的损失函数、超参数以及增加更多的数据训练，提升去噪精度。此外，结合不同尺度的层检测算法，或采用多层卷积神经网络等方法，也许能够进一步减少对低信噪比特征的遗漏。

这项研究为激光雷达在日间环境下的应用开辟了新的方向，尤其是在大气环境监测和气候研究领域具有广泛的应用前景。