气溶胶细模态比例参数反演的深度学习遥感方法

气溶胶是指空气动力学直径小于100微米的悬浮在空气中的颗粒物。大气发生污染时，常见的气溶胶类型有沙尘、雾霾等。气溶胶颗粒有粗细之分，细粒子因较容易进入人体而备受关注，空气质量参数PM2.5即为近地面细颗粒物干物质的质量浓度。地面的监测仪器可以获得气溶胶多参数的高精度观测结果，但地面观测站仅散布在若干点位，不能实现大面积观测。

卫星遥感在太空可以实现全球的大范围气溶胶观测，服务于环境监测和全球气候变化研究。遥感中使用气溶胶光学厚度（Aerosol Optical Depth, AOD）描述整层气溶胶消光总量，使用细模态比例（Fine Mode Fraction, FMF）描述细颗粒物光学贡献。

因大气中含有气溶胶，其信息会反映在卫星通过不同波长电磁波观测所获得的影像中。卫星遥感反演提取AOD信息的技术已经较为成熟，而FMF反演是较为困难的。因此在通过卫星遥感估算PM2.5等研究中，缺乏区分气溶胶颗粒粗细的关键参量。陆地上空FMF因遥感机理复杂、观测信息缺乏等原因导致反演困难，美国宇航局MODIS气溶胶官方团队对其发布的FMF产品因精度低而“强烈建议不要定量化使用”。

中国科学院空天信息创新研究院（以下简称“空天院”）遥感卫星应用国家工程实验室李正强研究员团队，多年关注气溶胶多参数的卫星遥感模型研究。如图1所示，科研人员提出了一种全连接神经网络（FCNN）和卷积神经网络（CNN）组合的深度学习方法（Neural Network based AEROsol retrieval，简称NNAero），解决定量化信息留存和神经网络通用化处理之间的差异等若干技术问题，通过NASA的AERONET和空天院的我国自主SONET地基气溶胶观测网数据开展MODIS气溶胶反演模型训练，根据气溶胶微物理光学特性充分利用光谱、空间两种维度的信息联合约束，最大化挖掘多光谱遥感信息量，反演的气溶胶细模态比例精度显著提升。NNAero同时输出副产品气溶胶光学厚度。相关成果发表于《环境遥感》（Remote Sensing of Environment，RSE）。

图1. MODIS反演FMF的深度神经网络架构

经过地基基准数据验证，NNAero反演的气溶胶细模态比例和光学厚度均具有较高的精度（图2）。该研究证明了使用MODIS这种宽覆盖多光谱类型遥感器数据具备提取气溶胶微物理参数的可行性。NNAero具备和深蓝算法同样对较亮地表的覆盖能力（图3），远优于暗目标方法；NNAero产品空间分辨率最高可达0.5 km。研究成果可以为PM2.5遥感和气候变化研究等提供基础产品支撑。

图2. NNAero和MODIS官方DT、DB算法产品精度对比

图3. NNAero vs DB的AOD(上两幅），NNAero vs DT的FMF(下两幅)反演产品对比

该研究得到了国家自然科学基金和国家留学基金等项目的资助支持。

以上内容由遥感卫星应用国家工程实验室陈兴峰提供。