A Physics-Guided Transfer Learning Framework for Cloud, Dust and Clear-Sky Detection over Bright Surfaces in Passive Satellite Remote Sensing
Diese Studie führt ein physikgestütztes Transfer-Learning-Framework auf Basis eines stochastischen Differentialgleichungs-Netzwerks ein, das Strahlungstransfersimulationen und kollokierte MODIS-CALIPSO-Daten nutzt, um eine hochgenaue, unsicherheitsquantifizierte Diskriminierung von Wolken, Staub-Aerosolen und hellen Oberflächen in der passiven Satellitenfernerkundung zu erreichen, wobei es bestehende Benchmark-Methoden signifikant übertrifft.