用于污染源识别的米级无人机高光谱遥感技术：动态参考光谱优化与地表反照率校正

《Environmental Science & Technology》：Meter-Scale UAV Hyperspectral Remote Sensing for Pollution Source Attribution: Dynamic Reference Spectrum Optimization and Surface Albedo Correction

本研究提出UAV高光谱传感与动态参考谱优化结合的系统框架，通过加权多准则模型（光谱相似性0.35、大气条件匹配0.25等）降低NO?反演误差至18-24%，并利用DeepLabV3+语义分割实现地表反照率校正，将偏差从28%降至12%。实地验证在火电厂和农田成功检测NO?和HONO排放，为大气过程控制监测提供新工具。

　　

我们通过引入一个系统框架来克服数据检索的局限性，该框架结合了基于无人机的超光谱传感技术和动态参考光谱优化方法。这项研究针对在动态观测条件下，低空无人机（UAV）遥感中差分光学吸收光谱（DOAS）的检索精度问题，提出了一种系统性的创新方案。我们首次实现了基于四旋翼无人机的超光谱遥感技术，用于定量监测二氧化氮（NO₂）和羟基氮氧化物（HONO），其分辨率为米级。这一技术通过动态参考光谱优化方案实现，该方案采用了加权多标准评分模型（光谱相似性：0.35，大气条件匹配：0.25，时间相关性：0.20，几何一致性：0.15，噪声水平：0.05）。该方法有效解决了气溶胶与地表相互作用导致的光谱偏差问题，与传统方法相比，将二氧化氮的检索误差降低了18-24%。将DeepLabV3+语义分割技术与超光谱成像相结合，实现了动态的米级地表反照率校正，从而将由于地表不均匀性引起的二氧化氮垂直柱密度（VCD）检索偏差从28%降低到了12%。在合肥燃煤电厂（检测到二氧化氮羽流：2.98 × 10¹⁶分子/cm²）和长丰农田（捕捉到施肥过程中的羟基氮氧化物排放：9.02 × 10¹⁵分子/cm²）进行的实地验证，证明了该技术能够动态检测时空上的污染事件。这项研究为将大气监测从“末端治理”转变为“过程控制”奠定了理论和技术基础，同时为微排放源识别和高分辨率污染清单编制提供了新的工具。