利用约束性深度神经网络，从MODIS观测数据（2000-2023年）中对全球每日1公里地表辐射预算各组成部分进行联合估算

《Remote Sensing of Environment》：Joint estimation of global daily 1 km surface radiation budget components from MODIS observations (2000?2023) using conservation-constrained deep neural networks

地表辐射平衡（SRB）多任务学习卷积神经网络模型开发及验证。本研究构建SRB守恒约束多任务学习密集连接卷积神经网络模型，基于MODIS 2000-2023年数据，实现全球每日1km分辨率SRB分量协同反演。验证显示短波/长波/净辐射日均值RMSE分别为29.38/19.98/24.28 Wm-2，较GLASS-MODIS等传统产品精度提升，非守恒误差减少26.69%。模型通过共享特征提取与物理约束机制，有效解决了高纬度、高海拔及多云区SRB反演难题，空间时间一致性显著优于现有产品。研究成果为气候生态水文等领域的辐射平衡研究提供高精度数据支撑。

　　表面辐射预算（Surface Radiation Budget, SRB）是理解地球气候系统的重要组成部分，它反映了地表吸收的太阳辐射与发射的长波辐射之间的动态平衡。太阳辐射，也被称为短波辐射，是驱动地球天气和气候的关键能量来源。大约三分之二的太阳辐射能量被地球表面吸收，从而加热地表，而剩余的三分之一则被反射回太空，这一反射特性由地表反照率决定。与此同时，地球表面也会向太空发射长波辐射，以调节其温度。这些辐射过程的相互作用决定了地表的净辐射收支，进而影响区域乃至全球的气候模式。因此，对SRB各个组成部分的精确表征对于气候研究、生态监测和水文分析等领域具有重要意义。

当前，SRB的估算主要依赖于四种方法：地面网络观测、卫星反演、大气再分析和通用循环模型模拟。其中，基于卫星的反演方法因其能够提供全面的空间覆盖、精细的时空分辨率以及丰富的光谱信息而受到广泛关注。然而，传统的SRB反演方法存在一定的局限性。例如，辐射传输模型（Radiative Transfer Models, RTMs）虽然能够严格遵循物理机制，但计算复杂度高，难以在高分辨率下广泛应用。而参数化公式虽然计算效率高，但依赖于多个表面和大气产品的输入，这增加了由于输入参数不确定性带来的误差。此外，机器学习方法虽然在某些情况下表现良好，但其对训练数据质量的高度依赖以及“黑箱”特性限制了其在实际应用中的可靠性。为了解决这些问题，近年来研究者们尝试将混合算法与统计回归相结合，以兼顾物理机制和计算效率，从而生成多种卫星衍生的SRB产品。

尽管现有方法在SRB估算方面取得了显著进展，但在某些特定区域仍存在较大的不确定性。例如，在高纬度、高海拔以及沙漠和裸露地区，由于太阳天顶角较大、云层覆盖频繁以及强烈的邻近效应，传统的反演算法难以准确估算SRB的各个组成部分。高纬度地区的大太阳天顶角和持续云层覆盖会显著影响地表太阳辐射的估算，而高反射率则会导致地表与大气之间的多重散射，从而加剧邻近效应，造成短波辐射估算的偏差。此外，在低水汽含量的高海拔和沙漠地区，向下长波辐射对水汽变化的敏感性较高，这使得传统的估算方法在这些区域的表现不佳，进而导致长期的高估问题。

为了克服这些挑战，研究者们开始探索深度学习（Deep Learning, DL）方法在SRB估算中的应用。深度学习模型具备强大的数据挖掘能力，能够从复杂的卫星数据中提取高阶、分层和抽象的空间特征。特别是卷积神经网络（Convolutional Neural Networks, CNNs）已被证明在提取卫星图像的空间模式特征方面具有显著优势。通过将这些特征嵌入反演算法中，可以更准确地识别和模拟不同邻近效应之间的复杂关系，从而提升SRB估算的精度。此外，深度学习方法还能够通过数据增强技术，更全面地学习特征与长波辐射之间的非线性关系，特别是在低水汽条件下。

在SRB估算过程中，另一个重要的挑战是不同算法生成的SRB组件产品之间的非守恒问题。由于反演算法无法完全描述辐射传输过程，导致SRB组件的估算存在一定的不确定性。这些不确定性在后续的SRB产品中会进一步累积，影响对各组件协调分布的理解。例如，在GLASS-MODIS产品系列中，尽管各个组件的估算精度较高，但由于使用了不同的算法，其结果之间存在非守恒现象，这可能会误导对SRB组件间关系的分析。因此，开发一种能够同时估算所有SRB组件的高效一体化反演框架，成为提升SRB产品物理一致性和协调性的关键方向。

基于此，本文提出了一种基于多任务学习（Multi-Task Learning, MTL）和深度学习（DL）的SRB守恒约束模型。该模型利用MODIS卫星的顶层大气观测数据，结合多种相关数据源，通过联合估算所有SRB组件，不仅提升了估算精度，还有效缓解了非守恒问题。模型的核心思想是：通过多任务学习框架，将SRB的各个组成部分视为相关任务，利用它们之间的共享表示来提升数据利用效率和预测性能。同时，为了确保估算结果的物理一致性，模型在训练过程中引入了SRB守恒约束，从而使得估算结果更符合实际的辐射平衡。

实验结果表明，该模型在224个全球站点的验证中表现出色。对于短波辐射的估算，每日向下短波辐射、向上短波辐射和净短波辐射的均方根误差（RMSE）分别为29.38 Wm?2、20.73 Wm?2和23.14 Wm?2；对于长波辐射的估算，每日向下长波辐射、向上长波辐射和净长波辐射的RMSE分别为19.98 Wm?2、15.69 Wm?2和14.70 Wm?2；而净辐射的RMSE为24.28 Wm?2。这些结果表明，与现有的GLASS-MODIS、BESS和MCD18A1产品相比，该模型在短波辐射的低估问题上取得了显著改进，同时在长波辐射的估算精度上也优于这些产品。此外，该模型的非守恒问题相比GLASS-MODIS产品减少了26.69%，进一步提升了SRB估算的物理一致性。

在模型设计方面，研究者们首先通过MODIS观测数据和其衍生的陆地表面产品，结合224个全球站点的地面观测数据，生成了高质量的样本数据集。这些数据集不仅包含了MODIS的反射率和热辐射信息，还整合了辅助信息，如高程、太阳-观测几何和GLASS-MODIS的长波辐射数据。随后，基于这些数据集，研究者们构建了多任务学习的深度学习模型，该模型能够同时估算所有SRB组件，并通过守恒约束确保各组件之间的协调性。在训练过程中，模型通过最小化包含守恒约束的损失函数，使得估算结果更符合实际的辐射平衡。

为了进一步验证模型的有效性，研究者们还探讨了该模型在不同云类型和水汽条件下的表现。例如，在低水汽条件下，模型通过引入数据增强技术，更全面地学习了特征与长波辐射之间的非线性关系，从而减少了对水汽变化的敏感性。此外，模型还能够通过分析不同云类型的辐射效应，选择出对估算结果影响较大的关键预测因子，从而提升模型的预测性能。这些改进使得模型在复杂天气条件下仍能保持较高的估算精度，为全球范围内的SRB研究提供了有力支持。

除了提升估算精度，该模型还在确保SRB组件间的协调性方面发挥了重要作用。通过引入守恒约束，模型能够在训练过程中自动调整各组件的估算结果，使其更符合实际的物理关系。这种协调性不仅有助于更准确地理解SRB各组件的变化趋势，还能够为气候研究、生态监测和水文分析等提供更加可靠的数据支持。例如，在分析地表温度变化对SRB的影响时，模型能够更清晰地揭示太阳辐射吸收与长波辐射发射之间的动态平衡，从而为研究区域和全球气候模式的变化提供科学依据。

此外，该模型还具有较高的时空一致性，能够更准确地反映SRB在不同时间和空间尺度上的变化特征。这一特性使得模型在气候建模和长期趋势分析中具有重要应用价值。例如，在研究全球气候变化对地表能量平衡的影响时，模型能够提供高分辨率的SRB数据，从而帮助科学家更准确地评估气候变化对地表温度和辐射平衡的综合影响。同时，模型的高时空一致性也使得其在区域尺度上的应用更加可行，为生态系统的能量收支分析和水资源管理提供了有力工具。

本文的研究成果表明，基于多任务学习和深度学习的SRB守恒约束模型在提升估算精度和缓解非守恒问题方面具有显著优势。通过整合多种数据源，并利用深度学习模型的强大数据挖掘能力，该模型能够更全面地表征SRB的各个组成部分，从而为气候、生态和水文研究提供更加可靠的数据支持。这些新的SRB产品不仅能够满足科学研究的需求，还能够为政策制定和环境管理提供重要的决策依据。

总之，SRB的准确估算对于理解地球气候系统至关重要。尽管现有方法在SRB估算方面取得了一定进展，但在某些特定区域仍存在较大的不确定性。基于多任务学习和深度学习的SRB守恒约束模型提供了一种新的解决方案，能够在提升估算精度的同时，确保各组件之间的协调性和物理一致性。这一方法的提出，不仅为SRB研究提供了新的工具，也为全球气候变化、生态系统管理和水资源保护等领域的研究提供了更加全面和可靠的数据支持。未来，随着深度学习技术的不断发展和卫星观测数据的进一步完善，SRB估算的精度和协调性有望得到进一步提升，为全球气候研究和可持续发展提供更加坚实的基础。