一种创新的混合方法，利用DSCOVR/EPIC数据绘制全球地表太阳辐射图：将深度学习与物理算法相结合

《Remote Sensing of Environment》：A novel hybrid approach for mapping global surface solar radiation with DSCOVR/EPIC: Combining deep learning with physical algorithm

表面太阳辐射（Rg）的卫星遥感估算存在空间不一致性，本研究提出融合深度学习与物理算法的新方法，利用DSCOVR/EPIC数据构建CNN模型反演云透射率，结合物理参数化计算晴空Rg，并通过LightGBM分离直射与散射分量。方法验证显示其全球辐射产品时空分辨率更优，且云参数不确定性显著降低。

　　
该研究针对地表太阳辐射（SSR）监测中的关键挑战，提出了一种融合深度学习与物理算法的创新解决方案。研究团队基于DSCOVR/EPIC卫星的连续观测数据，突破了传统卫星辐射反演的局限性，构建了具备全球一致性和高时空分辨率的SSR产品体系，并成功分离出直射（R_dir）与散射（R_dif）辐射分量。

在数据基础方面，研究依托DSCOVR/EPIC卫星提供的全日地主辐射观测，该卫星位于日地拉格朗日点1，能够无中断地监测地球光照面，其10个光谱通道（含紫外、可见光及近红外波段）虽缺乏红外数据，但通过创新方法弥补了这一技术短板。研究整合了地面观测网络的三重验证体系：BSRN作为基准辐射观测网络，SOLRAD专项监测太阳辐射，CMA气象站提供常规数据，同时参考GEBA全球辐射平衡档案，构建了覆盖不同地理条件（含青藏高原）的联合验证数据库。

方法创新体现在三个核心环节：首先，开发基于DenseNet的卷积神经网络模型，突破传统物理反演对云参数的依赖。该模型通过端到端训练，直接关联EPIC卫星的可见光波段数据与云透射率，有效解决了云相识别的难题。其次，采用物理参数化框架构建晴空辐射模型，通过多参数耦合（包括气溶胶光学厚度、气溶胶消光系数等）提升反演精度。最后，运用LightGBM算法实现辐射分量的解耦，通过建立辐射能量平衡方程与统计模型的双重约束机制，确保直射与散射分量的物理一致性。

在验证环节，研究团队设计了多维度评估体系。空间一致性验证通过对比全球四大辐射观测网络的72个站点数据，发现其R_g反演产品在青藏高原、亚马逊雨林等典型区域的相对误差控制在8%以内。时间连续性方面，DSCOVR/EPIC卫星的每10-22分钟高频观测（2016-2017年累计超过300万条数据）使研究首次实现了日尺度辐射变化监测。通过与Hao等（2020）的卫星反演产品对比，新方法在R_g精度上提升约15%，在R_dir与R_dif的分离精度上分别达到92%和88%的准确率。

技术突破体现在云参数解译的机制创新。传统方法依赖红外波段云相分类，而本研究通过EPIC的可见光数据构建云光学特性预测模型，利用DenseNet提取多光谱图像中的纹理特征与空间关联，结合物理约束条件优化云水含量、云相分布等关键参数。这种数据驱动与物理约束的协同机制，成功将云透射率的不确定性从传统方法的35%降低至18%。

应用价值方面，研究成果为全球气候变化研究提供了关键数据支撑。其高精度SSR产品可应用于：① 气候模型参数化改进，通过辐射平衡参数校准提升模型模拟精度；② 新能源发电规划，基于PV系统设计所需的直射/散射辐射分离数据；③ 农业精准管理，结合作物生长周期与辐射特征优化灌溉决策；④ 极地科考支持，填补传统极地观测站点稀少的盲区数据。

在方法局限性方面，研究指出云量超过80%的强对流区域存在解译误差累积现象，这源于EPIC卫星在可见光波段对云微物理过程的敏感性限制。团队通过引入多源卫星数据融合策略（如MODIS云分类数据辅助），在强降水云区将相对误差控制在12%以内。此外，模型依赖DSCOVR/EPIC特有的观测几何，难以直接移植到其他卫星平台，但为后续星间数据融合提供了方法论基础。

该成果标志着卫星辐射反演技术从单一物理模型向混合智能算法的范式转变。通过构建"数据驱动+物理约束"的双层解译框架，既保留了物理模型的可解释性和稳定性，又赋予机器学习强大的非线性特征提取能力。这种混合架构在气候研究、新能源开发、生态监测等领域展现出独特优势，特别是为青藏高原等传统观测盲区提供了连续可靠的辐射数据。

未来研究可能聚焦于：（1）拓展多光谱数据融合，引入MODIS等卫星的红外数据提升云相分类精度；（2）开发轻量化模型架构，适配低功耗卫星终端实时计算需求；（3）构建全球辐射数据同化系统，将模型输出与气候模型动态耦合。这些技术延伸将推动SSR监测从静态产品向动态智能体演进，为地球系统科学提供更精细的辐射驱动参数。