物理信息驱动的残差学习用于阿里高原系留无人机观测大气光学湍流垂直剖面重建

《Remote Sensing》：Physics-Informed Residual Learning for Vertical Profile Reconstruction of Atmospheric Optical Turbulence from Tethered UAV Observations over the Ngari Plateau

　　

西藏高原近地表大气光学湍流（Optical Turbulence, OT）的高分辨率测量对于光传播研究、天文选址表征以及自适应光学应用至关重要。本研究在中国西藏阿里地区部署了一套多级系留无人机（Tethered UAV）系统，获取了地面以上10至190米同步原位大气光学湍流观测。研究人员以10–90米测量值作为输入，开发了一个物理信息重建框架来估计110–190米处的Cn2剖面，从而将直接使用的观测垂直范围大约扩展一倍。该框架将湍流结构分解为描述大尺度垂直剖面的平衡分量（Equilibrium Component）和代表偏离平衡的残差分量（Residual Component）。平衡结构采用动态拟合幂律关系建模，而残差学习模块捕捉与演化的热力和动力过程相关的短期变率。在同一野外观测活动的独立测试时段上，重建剖面在Cn2对数空间平均均方根误差（RMSE）低于0.6，平均决定系数（R2）高于0.75，优于经验外推和代表性数据驱动基线。所提框架在阿里高原白天和对流转换期条件下为上层光学湍流提供了可靠估计。

研究背景与问题提出

大气光学湍流（Optical Turbulence, OT）引起空气折射率随机涨落，严重影响地基天文成像、自由空间光通信和高能激光系统性能。在近地表对流层内，湍流受地表加热与地形机械强迫强烈影响，呈现快速变化与高度非线性时空结构，在复杂高原地形上尤为突出。现有垂直湍流剖面测量手段包括无线电探空、气象塔、激光雷达和卫星遥感，但各自存在近地表分辨率不足、结构高度受限、近地盲区、时空分辨率不够等固有局限；单一无人机螺旋升测点多限于单点且续航受限，系留无人机多点阵列在高原环境中的应用仍较少被探索。传统经验统计模型（如SLC、AFGL AMOS、CLEAR I）仅描述气候平均，无法刻画短期偏离；气象参数化依赖理论假设；中尺度模式（Meso-NH、MM5、WRF）受分辨率和参数化制约；机器学习方法虽能刻画非线性，但多数从气象变量映射到整个剖面，或做时序预测与气候重建，未充分利用已观测到的同剖面低层C_n²信息来约束同次剖面上层重建。阿里高原具备高海拔、强日照、干燥、地形复杂等理想条件，研究人员于2024年9月在该区开展系留多级无人机同步观测，针对“部分剖面已测、高层缺失”的场景，提出物理信息残差重建框架。

主要研究内容与技术方法

研究人员在阿里（约32.50°N, 80.10°E，海拔4300 m）使用DJI FlyCart 30系留多旋翼无人机，沿系绳以20 m间隔挂载AGDQ-GLWM-XX微温计（铂丝直径20 μm，间距1 m，120 Hz采样，5 s窗算温度结构函数得C_n²），获取10–190 m共10层同步原位观测；用ERA5再分析评估湿度贡献（干空气近似下修正<0.13%），按Ciddor公式由温度、压力算折射率结构常数C_n²。数据经1分钟聚合、异常剔除、对数变换后，以10–90 m为输入、110–190 m为目标，按时间顺序80%训练、20%独立测试（共3873条同步剖面）。方法上：①动态幂律平衡基线——每层时刻对低层C_n²对数线性拟合得C_n²(z)=A·z^?α，外推至目标层；②物理描述子——剖面几何（均值、50–70 m斜率、曲率）、平衡偏离（α、R²、拟合误差）、昼夜周期（sin/cos编码）；③双分支残差学习——改进MLP残差耦合分支+特征注意力自适应状态感知分支；④高度自适应逆误差加权融合平衡基线与两分支残差；训练用AdamW、Huber+MSE高度加权损失、早停、9种子集成。

研究结果

1. 2.
   野外实验与湍流特征
   2.1 站点与数据：阿里高原白天至日落时段观测，保留3873条1分钟同步剖面。
   2.2 系留无人机原位系统：无人机悬停约220 m，传感器距转子>4.5–5.0 m扰动恢复区，最高层无异常增强，证实无人机扰动不主导垂直结构。
   2.3 湍流特征分析
   2.3.1 垂直结构与非平衡偏离：平均C_n²随高度幂律衰减（拟合α≈理论2/3但略小，R²最优），90 m与110 m相关系数0.80；去趋势残差在邻层邻时呈相干正负异常（对流泡、间歇混合、切变扰动），证明“平衡背景+非平衡残差”分解合理。
   2.3.2 气象调制：晴空比阴天C_n²高0.5–0.8数量级且离散度大；3–4级风比<3级风在低层（<70 m）更强，说明热强迫与机械切变共同调制强度但不改总体衰减形态。
2. 3.
   物理信息垂直湍流剖面重建
   3.1 平衡基线与状态表示：动态幂律拟合得瞬时平衡剖面；低层提取几何、平衡偏离、时间三类物理描述子，RobustScaler归一。
   3.2 残差重建框架：MLP分支学ΔlogC_n²残差映射；注意力分支按边界层状态对描述子加权。
   3.3 高度自适应融合：按验证MSE逆误差加权两分支残差加回平衡基线。
   3.4 实验设置：时序切分避免泄漏；高度损失权重110/130/150/170/190 m=0.9/1.0/1.3/1.6/1.0；评价指标R²、RMSE、相对改进率Imp。
3. 4.
   结果
   4.1 垂直剖面重建性能：独立测试集全层平均R²=0.7547（110 m最高0.8121），平均RMSE<0.6（190 mRMSE_Final=0.5297低于110 m纯基线0.5327）；残差分布零中位、±0.3对数单位内集中，无高度累积发散；强对流期（17:00）捕获150–170 m转折、生长对流期（14:00）振荡、日落转换期（20:00）平滑细化均优于单幂律。
   4.2 方法对比与消融
   4.2.1 对比：LS-Physics（RMSE 0.7337, R² 0.2270）、Bayesian OE（0.6216, 0.4513）、SVR-RBF有限、LSTM/GRU未稳定收敛、PL-PINN（0.5838, 0.6970）、XGBoost（0.5450, 0.7186）；本框架最优（0.5260, 0.7547），较PL-PINN的RMSE低9.9%。
   4.2.2 消融：去物理描述子高层精度大跌；去残差分量大降；去自适应加权过渡层变差；集成优于单分支（130–150 m提升明显）。
   4.2.3 描述子贡献：剖面几何占45.3%（50 m原值最重要，Profile Mean与50–70 m斜率次之），物理耦合（α、R²、拟合误差及其交互）次之，周期编码再次之。
4. 5.
   讨论与结论
   讨论指出：数据仅限2024年9月阿里单点白天及转换期，未涵盖冬季稳定边界层、夜间、沙尘、降水、极端对流，站点外推需谨慎；干空气近似在本干冷条件下折射率湿度修正<0.13%，但未量化高频湿度涨落对C_n²贡献，湿润区需另评。结论翻译浓缩如下：本研究基于多级系留无人机与残差学习，建立近地表光学湍流观测与剖面重建框架；阿里观测表明C_n²平均幂律衰减叠加短期偏离，动态幂律捕捉平衡背景、残差分支补非平衡变率，相干残差随高度增大解释固定外推退化原因；框架较经验外推与纯数据驱动在保留物理可解释垂直结构下获更低误差；局限为单季单点同campaign评测，未跨站点季节泛化；温度主导近似仅适用于本次干冷高原条件；未来需多季多点、同步高频湿度等观测以验框架迁移性。该研究发表于《Remote Sensing》。