基于物理信息与堆叠集成学习的近地表甲烷浓度估算：光谱辐射通道优选方法

《Remote Sensing》：Physics-Informed Stacking Machine Learning for Surface Methane Estimation via Spectral Radiance Channel Selection

　　

大气甲烷（CH4）是长寿命温室气体中对辐射强迫贡献第二大的成分，刻画其时空分布对于识别排放源和评估减排政策至关重要。甲烷排放最直接反映在近地表浓度中，而卫星观测仅能反演得到柱平均甲烷浓度。本研究提出了一种物理信息驱动的堆叠集成框架，直接从TROPOMI短波红外（SWIR）观测中估算地表CH4浓度。基于辐射传输分析所量化的CH4信息含量（包括低层大气的贡献），在2305–2385 nm波段内优化选取了SWIR辐射通道，并将这些L1B辐射数据与L2产品及控制地表浓度形成的辅助变量相结合。通过堆叠集成融合了具有不同学习机制的机器学习模型预测，该集成方法利用了各模型互补的误差结构，相较于所有单个基学习器，在地基原位观测验证中表现更优。对于未参与训练年份和站点，集成模型分别取得了R2 = 0.75和0.66的精度。所选通道提升了估算性能，且仅用L1B数据的配置在无需专用CH4反演产品的情况下达到了可比的性能，表明观测光谱在反演之前已携带与地表CH4相关的信息。重建的全球场再现了大尺度空间和季节变率，且区域对比强于输入的柱观测，证明物理信息驱动的通道选择与机器学习相结合可实现基于卫星的地表CH4估算。

一、研究背景与科学问题

甲烷（CH₄）是仅次于二氧化碳（CO₂）的第二大长寿命温室气体辐射强迫贡献者，其百年全球增温潜势（GWP₁₀₀）约为CO₂的27–30倍。由于甲烷大气寿命相对较短（约12年），控制甲烷排放被视为在十年尺度上遏制增温的最直接有效手段之一，2021年全球甲烷承诺即设定了到2030年较2020年减排30%的目标。然而，甲烷排放源类别繁多且机制各异，包括湿地、反刍牲畜、水稻种植、化石燃料生产运输及垃圾填埋等，全球尺度直接测量几乎不可行，因此必须从可观测的大气状态变量中间接推断排放。

当前甲烷浓度观测手段包括地基原位观测、卫星遥感和化学传输模式（CTM）模拟。地基观测精度高且可溯源至国际标准气体标尺，但站点分布极不均匀，在热带、亚热带及海洋区域存在大量观测空白。卫星遥感（如GOSAT、TROPOMI）虽能提供全球覆盖的短波红外（SWIR）观测，但其反演产物为柱平均干空气混合比（XCH₄），无法反映甲烷的垂直分布信息。地表释放的甲烷首先在边界层内混合再向上稀释，排放信号在地表浓度中最强，而柱平均无法捕获这一信息。CTM及同化反演产品虽能提供包含地表层的三维浓度场，但其精度依赖于先验排放清单和传输过程表征，而清单本身对时空变率大的源（如湿地、填埋场）可能与实际排放存在显著偏差。

已有从卫星产品估算地表浓度的研究多集中于气溶胶（PM₁₀、PM_2.5）或痕量气体（NO₂），而针对甲烷的卫星研究主要聚焦于柱平均浓度反演精度本身或点源羽流探测。近年虽出现直接估算地表CH₄浓度的研究，但通常采用单一架构预测模型、输入仅限于已反演的L2柱值及辅助变量、且训练和评估局限于特定区域。此外，L2柱值作为已从辐射压缩至柱平均的产品，已丢失垂直分布信息；直接利用卫星辐射进行机器学习的研究其估算目标仍是柱平均浓度。因此，直接从卫星SWIR观测辐射出发估算地表甲烷浓度的问题尚未得到充分解决。

二、研究内容与主要结论

针对上述问题，研究人员提出了一种物理信息驱动的堆叠集成框架，直接从TROPOMI SWIR观测估算地表CH₄浓度。该框架首先利用辐射传输模型（RTM）基于CH₄信息含量和低层大气敏感性在2305–2385 nm波段内优选SWIR通道，再将所选通道的L1B辐射与L2产品及辅助变量结合作为机器学习输入，通过堆叠集成融合多种学习机制模型的预测。研究得出以下核心结论：所选辐射通道提升了整体估算性能，仅用L1B的配置在无需专用CH₄反演产品的情况下达到可比性能，表明观测光谱在反演前已携带地表CH₄相关信息；堆叠集成始终优于所有单个基学习器，且在L2与L1B联合使用时增益最大；重建的全球地表CH₄场再现了现有模式产品的大尺度空间和季节变率，且区域浓度对比强于输入柱观测。该研究的重要意义在于：物理选通的SWIR辐射使地表CH₄估算无需专用反演产品，可推广至当前及未来的卫星任务；所提框架为基于观测的大尺度地表CH₄变率监测提供了可行路径，但其向地基测量有限区域的推广需要更广泛的训练站点网络。

三、关键技术方法

研究人员采用的主要技术方法包括：第一，基于UNL-VRTM辐射传输模型进行逐线模拟，计算2305–2385 nm波段内各波长的CH₄吸收特征和高度分辨灵敏度（归一化雅可比）；第二，利用自由度信号（DFS）量化波长组合的信息含量，并采用ML-Diverse通道选择算法（综合DFS增量、低层大气敏感性0–5 km贡献分数和光谱多样性三项准则）优选出20个SWIR通道；第三，构建两阶段堆叠集成模型，第一阶段包含LightGBM、XGBoost、随机森林（Random Forest）、支持向量回归（SVR）和人工神经网络（ANN）五个基学习器，第二阶段以岭回归（Ridge）为元学习器融合预测；第四，采用留一年交叉验证（LOYO CV）评估时间泛化能力、留一站交叉验证（LOSO CV）评估空间泛化能力，并使用SHAP进行特征贡献分析。数据来源包括TROPOMI L1B/L2产品、MODIS MCD12C1土地覆盖产品以及42个全球大气观测站（GAW/WDCGG）地基原位观测，共获得2018–2024年间4657个配对样本。

四、研究结果

4.1 所选通道的信息含量与光谱分布

研究人员通过计算DFS确定输入通道数为20，此时总DFS和边界层（BL）DFS分别达到1.068和0.1018，继续增加通道数信息增益显著减小。ML-Diverse算法将20个通道分布在整个波段，光谱标准差为21.2 nm，所选通道的BL贡献分数介于7.1%至12.4%之间，平均为10.1%。通道选择对观测条件具有稳健性：在16种太阳天顶角（SZA）和地表反照率组合条件下，20个通道中有17个在所有条件下被共同选中，两两条件间平均重叠18.7个通道（93.5%）。下游比较表明，所有20通道组合均优于全波段输入（集成R² = 0.752–0.753 vs. 0.748），且不同选择策略间差异较小，说明预测能力来源于该波段所含信息而非特定通道组合。

4.2 不同输入配置的模型性能与辐射贡献

三种输入配置的交叉验证结果显示，L2+L1B联合配置的R²最高（0.753，RMSE = 33.98 ppb），其次为L2配置（0.742，RMSE = 34.78 ppb）和L1B配置（0.725，RMSE = 35.91 ppb）。嵌套交叉验证下排名不变（分别为0.737、0.723和0.698）。LOSO交叉验证下L2+L1B配置的集成模型在未参与训练的站点保持R² = 0.656。在L2配置基础上加入L1B辐射使集成模型R²提升0.011、RMSE降低0.80 ppb。仅用L1B的配置R²仅比L2配置低0.017，表明无需L2反演产品即可从光谱辐射和公共变量估算地表CH₄。站点级验证中，35个样本量≥10的站点中32个（91%）R²为正，L1B辐射的改进集中于北半球中高纬度充分采样站点。

4.3 各模型表现与堆叠集成效果

堆叠集成一致优于所有单个基学习器。L2+L1B配置下，Ridge集成R² = 0.753，超过最优单个模型随机森林（R² = 0.727），提升0.026，RMSE降低1.75 ppb。五个基学习器的OOF预测相关系数介于0.85–0.95，树模型间相关性高于树模型与SVR/ANN之间，表明不同模型族捕获输入输出关系的不同方面，产生不同误差结构，集成可通过线性组合部分抵消个体误差。所有模型对高浓度样本（>2020 ppb）的预测能力受限，RMSE达54.95 ppb，预测值不超约2100 ppb，该局限源于训练样本中高浓度样本稀少导致的均值回归倾向。

4.4 特征贡献分析

SHAP分析显示，空间变量贡献最大（36.8%），其次为时间变量（24.3%）、辐射变量（16.9%）和L2 XCH₄变量（8.3%）。SWIR辐射变量总体贡献约为XCH₄变量的两倍，与全部六个L2变量合计贡献（16.8%）相当。sin_lat单独贡献25.4%，与year_fraction（17.6%）合计占43.0%。五个所选SWIR通道位列前20重要变量，其中2371.20 nm和2307.50 nm贡献最大（分别为3.3和3.1 ppb），二者代表吸收带内对比的吸收条件，其SHAP模式呈相反趋势，表明模型利用不同吸收特性通道间的对比而非单一通道辐射。

4.5 重建地表CH₄场的时空特征

将训练好的框架应用于2020年全球TROPOMI观测，重建0.5°网格的季节性地表CH₄浓度场。重建场保留全球纬度梯度，南半球浓度较低、北半球中高纬度递增，并在东亚、印度北部、欧洲和北美部分地区呈现区域性增强，而同纬度排放较弱的撒哈拉和阿拉伯半岛保持较低水平。与参考产品比较，重建场与CarbonTracker-CH₄相关性最高（r = 0.78–0.93；RMSE = 37–44 ppb），其次为CAMS反演（r = 0.74–0.84）和CAMS-EGG4（r = 0.58–0.70），且在所有季节均比输入TROPOMI L2 XCH₄（r = 0.36–0.69）更接近地表产品。重建场的区域浓度对比强于输入柱观测，表明机器学习框架重建了从柱平均XCH₄中不易区分的近地表CH₄空间结构。但热带湿地（亚马孙、刚果盆地和海洋大陆）的局地增强明显弱于参考产品，高值区域更平滑弥散。

五、讨论与结论

讨论部分指出，本研究的通道选择基于物理而非统计准则，不依赖训练样本的时空分布偏差，这对框架向训练站点以外区域推广具有重要意义。空间泛化评估中，LOSO交叉验证R² = 0.656低于LOYO，原因在于站点特有特征（如邻近排放源影响、采样海拔）无法从未参与训练的站点中学习。由于训练站点集中于北半球中高纬度且空间变量占据最大SHAP重要性份额，训练站点稀少区域的预测应视为统计估计而非验证预测。研究区分了三个域：密集采样区（30–60°N，23站2717样本）、中等采样区（60–90°N，7站912样本）和稀疏采样区（热带、南半球及海洋区域），重建场在密集和中等采样域之外应视为示意性外推。研究局限包括：SWIR观测对甲烷垂直分布仅含有限独立信息（边界层仅占所选通道雅可比约10%），地表浓度应视为受物理意义光谱信息约束的统计估计而非边界层CH₄直接反演；地基点测量与卫星大空间足迹平均间的代表性差异在局地强梯度区域可能残留；训练数据集中于北半球中高纬度导致空间外推不确定；长期趋势由连续时间指数表示，应用于训练范围以外时期需重新训练而非直接外推。进一步改进主要依赖观测约束的扩展，包括不同垂直灵敏度的补充观测、时间分辨地表信息（如MODIS MCD43 BRDF/反照率产品）的纳入，以及更广泛地理覆盖的长期地表观测。

研究结论为：本研究提出了直接从卫星SWIR观测估算地表CH₄浓度的物理信息驱动堆叠集成框架。不同于仅依赖反演柱产品的常规方法，该框架将TROPOMI L2变量与基于信息含量物理选通的L1B辐射通道相结合。所选辐射通道提升了整体估算性能，仅用L1B的配置在无需专用CH₄反演产品的情况下达到可比性能。将框架应用于全球观测时，重建的地表CH₄场再现了现有模式地表浓度产品的大尺度空间和季节变率，且区域浓度对比强于输入柱观测。辐射传输分析选出的20个SWIR通道配合五模型堆叠集成（Ridge元学习器）在LOYO交叉验证下取得R² = 0.753（RMSE = 33.98 ppb），嵌套交叉验证下R² = 0.737。所选通道在不损失性能的前提下减少了辐射输入数量，不同选择策略的可比性能表明预测信息存在于2305–2385 nm波段而非特定通道组合。框架捕获了地表CH₄的主导空间和季节模式，与CarbonTracker-CH₄的模式相关性高达r = 0.78–0.93。在未参与训练的站点，框架保持R² = 0.656（LOSO交叉验证）；扩展训练站点网络有望进一步提升其适用性。