基于神经网络的雪域被动微波发射率大陆尺度正向建模及其在CIMR任务中的应用

针对雪域被动微波数据同化中发射率模型精度不足的问题，研究人员通过融合SMOS和AMSR2卫星数据与ERA5地球物理参数，开发了基于神经网络的大陆尺度多频段(1-90 GHz)发射率正向模型。该模型在18.7 GHz以下频段实现相关系数>0.9、RMSE<0.02的精度，显著优于传统气候学方法，为CIMR(2030)等新一代微波辐射计任务提供了关键技术支持。

　　

在数值天气预报(NWP)领域，同化被动微波观测数据面临巨大挑战——特别是雪域地表的高发射率及其复杂的时空变异特性。现有物理模型如DMRT-QMS、MEMLS等虽能精确模拟局地雪层发射率，但依赖多层积雪粒径等难以获取的微观参数；而TELSEM2等气候学数据集又无法反映实时地表状态。这种矛盾导致NWP系统不得不丢弃大量大陆表面观测数据，严重制约了"全地表"同化技术的发展。

法国国家科学研究中心(CNRS)等机构的研究团队独辟蹊径，将卫星遥测与机器学习相结合，构建了革命性的雪域微波发射率正向模型。研究团队整合SMOS(1.4 GHz)和AMSR2(6.9-89 GHz)的十年观测数据，通过Rosenkranz大气传输模型消除大气贡献，结合ERA5再分析的积雪参数(雪水当量、密度、反照率等11个变量)，开发出基于多层感知器(MLP)的神经网络模型。该成果发表于《Remote Sensing of Environment》，为即将发射的CIMR(2030)卫星任务提供了关键技术支持。

关键技术包括：1) 利用SMOS/AMSR2亮温数据通过辐射传输方程反演"有效发射率"；2) 采用贝叶斯正则化MLP网络(单隐层80神经元)建立发射率与ERA5参数的映射关系；3) 引入10天滑动窗口的EASE-Grid 12.5 km网格化处理提升数据稳健性；4) 通过SMRT物理模型验证频率响应特性。

【数据与方法】
研究选取2018-2019年北半球雪季数据，排除格陵兰和海岸线80 km区域。通过Hovm?ller图分析揭示：18.7 GHz以下频段发射率主要受积雪密度(ρ_snow
)和反照率影响(R>0.6)，而高频段(36.5/89 GHz)则与温度梯度(ΔT=T_skin
-T_ground
)显著相关。地形标准差(StD orography)导致H极化发射率升高10-15%，而植被(AGC>50 Mg·ha^-1
)使18.7 GHz发射率增加0.05-0.08。

【模型性能】
神经网络在融合气候学先验知识后表现卓越：1.4-18.7 GHz频段RMSE降至0.02以下，36.5 GHz频段保持0.03精度。典型苔原积雪区(65°N)验证显示，模型成功捕捉了深度霜(depth hoar)层导致的高频散射特征，与SMRT模拟的T_B
频率曲线吻合度达90%。特别在春季融雪期，模型准确再现了液态水引发的18.7 GHz发射率骤降现象(Δε≈0.12)。

【结论与展望】
该研究首次实现了基于可获取地球物理参数的雪域全频段发射率建模，其"物理约束+数据驱动"的混合范式为地表参数化开辟了新途径。相比传统气候学方法，模型将AMSR2 89 GHz通道的时空变异捕捉能力提升40%，有望使NWP系统同化雪域观测数据的利用率提高3倍。未来工作将整合积雪层化历史信息，并适配MetOp-SG/MWI(2026)等新一代传感器的观测特性。这项突破不仅推动"全地表"数据同化进程，更为极地气候监测和全球水循环研究提供了关键工具。