基于塔基高光谱观测数据和机器学习方法的气溶胶光学厚度估算

　　

摘要： 气溶胶光学厚度(AOD)是表征大气中气溶胶颗粒散射和吸收特性的关键参数。在塔基生态遥感观测中,获取准确的AOD以量化气溶胶的散射和吸收作用对光谱观测数据的定量化处理至关重要。本研究提出一种基于塔基高光谱观测数据和机器学习的AOD反演方法。首先,基于大气辐射传输模型分析太阳辐照度对AOD变化的敏感性及其光谱特征。然后,选取785和665 nm波段的辐照度(E₇₈₅和E₆₆₅),通过构建双通道比值指数(E₇₈₅/E₆₆₅)可以敏感追踪AOD的变化。最后,系统评估了3种机器学习模型(随机森林、支持向量机和人工神经网络)的反演精度。结果表明: 基于塔基高光谱观测数据的3种机器学习模型估算的AOD均表现出较高的精度,决定系数分别为0.950、0.936、0.947,均方根误差分别为0.025、0.028、0.027,平均绝对误差分别为0.017、0.020、0.019,其中,随机森林模型表现最佳。机器学习方法有潜力在不需要额外辅助数据的情况下从太阳辐照度光谱数据中准确估算AOD,能够为塔基平台大气校正方法提供可靠、同步的AOD估算数据。