近日，中国科学院空天信息创新研究院（空天院）石崇研究团队在气溶胶遥感反演方面，提出一种基于大气辐射传输模型（物理机理）与迁移学习（数据驱动）融合的全新遥感算法AIRTrans，实现了气溶胶光学特性的精准高效反演。
气溶胶光学厚度（AOD）和细模态比（FMF）是评估气溶胶浓度信息及来源特性的关键参数。然而，传统基于查找表的卫星反演算法仅利用2-3个光谱通道信息，导致可反演参数受限；全物理最优估计法虽能充分发挥卫星多光谱信息的观测优势，但其反演的气溶胶类型单一且计算效率偏低，很难实现气溶胶的快速反演。
针对静止卫星（如Himawari-8/AHI）高频次观测需求，研究团队创新性地提出一种融合大气辐射传输模型与机器学习的AIRTrans算法。首先，研究团队基于辐射传输模型，充分考虑多种气溶胶类型光学特性与地表特性，构建了卫星仿真模拟数据库，预训练神经网络模型；之后，进一步通过地面实测数据对模型进行微调，显著提升真实场景泛化能力。该算法构建了小时级的地表反射率数据库，并综合考虑背景气溶胶的影响（图1为大气辐射传输模型模拟结果与卫星观测光谱的对比）。
与地面观测数据的验证结果显示，AIRTrans算法在全球多区域独立验证中表现优异，AOT和FMF反演结果的均方根误差（RMSE）分别为0.132和0.146（图 2），较Himawari-8卫星官方产品精度提升约40%和49%。尤其在细模态比反演方面，该算法成功解决了官方产品存在的系统性低估问题。此外，在沙尘暴（图3）与雾霾污染（图4）事件的监测方面，AIRTrans算法成功捕捉到AOT与FMF时空演变过程，这将为极端污染的动态监测及预警提供新的契机。
本研究提出的算法框架具有很强的普适性，可拓展至其他多光谱传感器的气溶胶参数反演，为碳中和背景下大气污染精准治理、气候效应评估等需求提供关键技术支撑。该成果以“Development of a hybrid algorithm for the simultaneous retrieval of aerosol optical thickness and fine-mode fraction from multispectral satellite observation combining radiative transfer and transfer learning approaches”为题，发表于国际遥感领域顶级期刊《Remote Sensing of Environment》（中国科学院一区，IF=11.1）。空天院硕士研究生汤臣乾为第一作者，空天院研究员石崇为通讯作者，合作作者包括空天院研究员胡斯勒图，东京大学名誉教授Teruyuki Nakajima，东京海洋大学教授Miho Sekiguchi等。该研究得到了国家自然科学基金项目资助。
图1 AHI观测与辐射传输模型模拟的第1-6波段大气顶层表观反射率对比
（基于2021-2023年AERONET站点观测及地表反射率反演数据）
图2 AHI官方反演与AIRTrans算法AOT及FMF的AERONET验证对比结果
（2021-2023年）
图3 华北地区一次沙尘事件案例
第1-6列依次展示AHI真彩色合成图、沙尘概率、AIRTrans反演的AOT及FMF、JAXA官方产品的AOT与FMF
（2021年3月15日UTC时间03:00至08:00逐小时观测结果）
图4 华北地区一次雾霾事件案例
第1-6列依次展示AHI真彩色合成图、沙尘概率、AIRTrans反演的AOT及FMF、JAXA官方产品的AOT与FMF
（2021年2月12日UTC时间03:00至08:00逐小时观测结果）
动态新闻