《International Journal of Digital Earth》：A fusion method to accurately derive all-sky surface shortwave net radiation based on remotely sensed data
编辑推荐：
精确的地表短波净辐射（Surface Shortwave Net Radiation, SWNR）估算对于理解地表能量平衡和气候变化至关重要。然而，现有算法要么间接从下行辐射和地表反照率推导SWNR，要么直接利用大气层顶（Top-of-Atmosphere,
精确的地表短波净辐射（Surface Shortwave Net Radiation, SWNR）估算对于理解地表能量平衡和气候变化至关重要。然而，现有算法要么间接从下行辐射和地表反照率推导SWNR，要么直接利用大气层顶（Top-of-Atmosphere, TOA）反照率，通常导致误差传播和对大气效应的表征不足，特别是在积雪和厚云条件下。此外，每日的地表反照率产品难以捕捉降雪和融雪期间的日内快速变化。本研究使用两个独立的TOA反照率估算方案校正MODIS地表反照率。基于校正后的反照率，利用基于TOA反照率的参数化方法和查找表（Look-Up Table, LUT）方法估算SWNR，并通过平均两个结果得到组合估算。与SURFRAD测量值的验证表明，校正后的地表反照率显著改善，偏差和均方根误差（Root Mean Square Error, RMSE）分别从–0.217和0.397降低到–0.036和0.177。这一改善延伸到SWNR估算，偏差减少5~30 W/m2，RMSE减少40~70 W/m2。使用BSRN和SURFRAD的评估表明，由于互补的偏差特征，组合估算在各种条件下始终优于单独方法。此外，TOA反照率和SWNR在5 km分辨率下表现出增强的空间细节，并与MODIS真彩色图像高度匹配。
研究背景：地表短波净辐射（Surface Shortwave Net Radiation, SWNR）是地表能量平衡的关键分量，支配着大气与地表之间的太阳能交换，影响地表温度、水文和生物地球化学循环等过程。当前SWNR获取主要依赖地面观测、再分析数据集和卫星遥感反演。地面观测精度高但空间覆盖有限；再分析产品依赖模型参数化，在地形复杂或极端气候区域存在较大不确定性；卫星遥感因其空间连续性和时间一致性成为主流手段。然而，现有算法如统计-经验模型、参数化方法、查找表（Look-Up Table, LUT）方法和混合方法，通常以TOA反照率、太阳天顶角（Solar Zenith Angle, SZA）和大气水汽含量为主要输入，但存在诸多问题：在积雪和厚云等复杂条件下，TOA反照率与地表吸收辐射之间的线性关系恶化，信号高度非线性；MODIS每日地表反照率产品在降雪和融雪期间无法捕捉日内快速变化，引入显著偏差；传统模型往往单独处理TOA反照率和地表反照率，缺乏统一物理框架，导致在非线性地-气辐射相互作用条件下估算精度不足。因此，研究人员开展本研究，旨在通过开发融合参数化方法与LUT方法的框架，降低SWNR估算不确定性，特别是在积雪和厚云条件下，以提高估算的准确性和鲁棒性。该论文发表在《International Journal of Digital Earth》。
关键技术方法：研究人员主要采用以下关键技术方法：利用MODIS数据（包括MCD43C3地表反照率产品、MOD/MYD02SSH辐射产品、MOD/MYD05水汽产品和MOD/MYD06云产品）和CERES数据（SSF和SYN产品）作为输入；使用MODTRAN 5辐射传输模型模拟多种大气和地表条件用于算法训练和评估；构建窄波段到宽波段转换模型和LUT方法独立估算TOA反照率；基于两个TOA反照率差异对MODIS地表反照率进行自适应校正（当差异超过±0.05时，利用三天时间窗[ t?1, t, t+1 ]和MODIS波段3反射率判断异常方向）；采用参数化模型（Wang等人2025年提出）和LUT方法（Leng等人2023年提出）分别估算SWNR，并通过等权平均融合得到最终结果；使用随机森林（Random Forest, RF）模型进行气溶胶类型分类（农村/城市），训练数据基于一年期间的各像素数据。样本队列来源包括SURFRAD网络（7个站点）和BSRN网络（28个站点）的地面辐射观测数据。
研究结果：
4.1 地表反照率校正：通过对比校正前后的MODIS地表反照率与SURFRAD现场观测，发现未校正的MODIS反照率存在显著低估（bias = –0.217, RMSE = 0.397, R2 = 0.15），校正后偏差和RMSE分别降至–0.036和0.177，R2提升至0.46。这一改善进一步传播至SWNR估算，使参数化方法和LUT方法的SWNR偏差分别从–51.4 W/m2和–11.1 W/m2降至–17.0 W/m2和7.3 W/m2，RMSE从115.3 W/m2和82.1 W/m2降至51.1 W/m2和53.0 W/m2；融合算法达到最优精度（bias = –4.9 W/m2, RMSE = 44.9 W/m2）。
4.2 晴空条件下（农村气溶胶类型）融合算法精度评估：在无雪条件下，融合算法精度最高（bias = –1.9 W/m2, RMSE = 25.8 W/m2），比基于CERES SSF TOA反照率的SWNR和CERES SSF产品偏差减少约15 W/m2，RMSE减少6~13 W/m2；在积雪条件下，融合算法bias = 5.2 W/m2, RMSE = 9.3 W/m2，CERES产品偏差为28~37 W/m2，RMSE为39~64 W/m2；总体晴空条件下，融合算法bias = –0.8 W/m2, RMSE = 24.0 W/m2。
4.3 有云条件下（农村气溶胶类型）融合算法精度评估：总体有云条件下，融合算法bias = 1.5 W/m2, RMSE = 99.8 W/m2，比CERES产品偏差减少3~10 W/m2，RMSE减少7~9 W/m2；薄云无雪条件下，RMSE降低约6 W/m2；积雪条件下，融合算法bias = –3.2 W/m2, RMSE = 33.4 W/m2，相对于CERES SSF TOA反照率方法（RMSE = 46.3 W/m2）和CERES SSF产品（RMSE = 69.2 W/m2）分别改善约13 W/m2和36 W/m2；厚云无雪条件下，融合算法bias = 1.8 W/m2, RMSE = 45.8 W/m2，而两种CERES方法bias > 41 W/m2, RMSE > 85 W/m2。
4.4 全天空条件下（城市气溶胶类型）融合算法精度评估：基于BSRN站点验证，融合算法bias = –1.5 W/m2, RMSE = 100.3 W/m2，优于基于CERES SSF TOA反照率的SWNR（bias = –8.6 W/m2, RMSE = 110.3 W/m2）和CERES SSF产品（bias = 32.6 W/m2, RMSE = 109.1 W/m2），有效缓解了CERES SSF产品的系统性高估。
4.5 不同条件下融合算法性能对比：综合评估显示，融合算法在所有条件下（晴空、薄云、厚云、无雪、积雪、农村和城市气溶胶）绝对偏差均低于3.6 W/m2，而CERES SSF产品在厚云、积雪和城市气溶胶条件下偏差超过32 W/m2。
4.6 推导的TOA反照率和SWNR空间分析：在青藏高原、北极和南极三个区域，融合算法导出的TOA反照率在5 km分辨率下展现出比CERES SSF产品更丰富的空间细节和更清晰的边界，与MODIS真彩色图像的结构相似性指数（Structural Similarity Index Measure, SSIM）更高（TOA反照率：0.82、0.59、0.67 vs CERES 0.69、0.50、0.60；SWNR：0.71、0.46、0.56 vs CERES 0.57、0.36、0.51），尤其在积雪和厚云区域融合算法SWNR值较低，与站点验证结果一致。
总结讨论部分：研究指出，参数化方法与LUT方法在相似条件下呈现相反的偏差特征（参数化方法倾向于低估，LUT方法倾向于高估），融合算法通过互补误差补偿机制提高精度。地表反照率校正的有效性通过SURFRAD验证得到确认，校正后SWNR估算误差大幅降低。仍存在不确定性，包括卫星像素与地面站点间的时空错配、高反照率环境中云-雪混淆问题。从可扩展性角度看，该框架理论上适用于全球应用，但受限于MODIS过境时间不一致、气溶胶和云反演不确定性以及LUT构建的计算成本。未来工作应改进云-雪区分（利用多光谱和热红外信息）以及提高时空一致性。研究结论翻译：本研究开发了一种融合算法，通过结合参数化方法和LUT方法，以及地表反照率校正和TOA反照率反演方案，估算SWNR。利用MODTRAN模拟、SURFRAD和BSRN现场观测以及CERES产品的综合验证表明，该方法在各种大气和地表条件下均有显著改进。关键组成部分是筛选和校正具有大反演误差的MODIS地表反照率。在筛选的子集上，未校正的MODIS反照率表现出显著偏差（–0.217）、RMSE为0.397和弱相关性（R2 = 0.15）；校正后偏差和RMSE分别降至–0.036和0.177，R2升至0.46。这一改善传播至SWNR估算，使LUT-SWNR和Param-SWNR方法的RMSE降低30~70 W/m2，偏差显著缓解，融合算法达到最高精度（bias = –4.9 W/m2, RMSE = 44.9 W/m2）。融合算法在晴空条件下比CERES方法偏差减少约15 W/m2，RMSE减少6~10 W/m2；在积雪和有云等挑战性场景中，RMSE降低10~50 W/m2。该方法在城市气溶胶环境下也保持稳定性能，并在5 km分辨率下提供空间一致的SWNR估算。关键发现是参数化方法和LUT方法呈现相反的系统偏差（分别为低估和高估），融合算法的改进主要源于互补误差补偿。总体而言，该框架通过整合互补建模策略提供了鲁棒且可扩展的SWNR估算方法，但仍需在气溶胶表征、云-雪分离和计算效率方面进一步改进以支持全球业务化应用。
