摘要
通过遥感图像反演甲烷源强度对于排放监测而言至关重要，但其准确性往往受到辅助风场数据不确定性的限制。本研究探讨了在风场数据不完善的情况下，如何将物理知识整合到深度学习反演模型中。我们利用专为EnMAP/PRISMA型成像光谱仪甲烷定量设计的可控大涡模拟基准测试，对比了六种不同模型——包括仅基于图像的回归模型、具有灵活风场处理功能的模型、简化的硬积分质量增强耦合模型，以及在不同输入条件、确定性风场偏差、随机高斯风场噪声以及分层源强度测试下的软物理引导学习模型。在理想基准条件下，具有灵活风场处理功能的模型表现最佳，FiLM模型的平均绝对百分比误差为6.19%，均方根误差为1323.36；Concat模型的误差分别为6.37%和1325.69%。简化后的硬耦合模型对风场扰动十分敏感：DIN-hard模型在理想条件下的平均绝对百分比误差为8.44%，而在确定性风场偏差为α=0.7和α=1.3时的误差分别上升至31.39%和26.89%；在更强的高斯风场噪声作用下，该模型甚至会变得不稳定。相比之下，DIN-soft-v2模型在理想条件下的表现仍相当不错（平均绝对百分比误差为6.39%，均方根误差为1360.94），在存在风场偏差或噪声的情况下性能下降更为平缓，且与DIN-soft模型相比，其羽流空间诊断能力更强（质心偏移量分别为3.92像素和4.07像素，羽流对齐度分别为2.60度和2.72度）。经过校准的IME型物理基准模型的理想条件下的平均绝对百分比误差为24.45%，这表明基于学习的模型性能远远优于这一物理基准模型。在这些基于大涡模拟的基准测试以及所测试的风场扰动条件下，研究结果表明，以IME模型为灵感的物理知识作为可校准的软先验，比此处采用的简化硬对数加法前向耦合方式更具稳定性；不过，要将这些模型应用到真实的卫星图像中，仍需进一步验证。
