《International Journal of Applied Earth Observation and Geoinformation》：Enhanced retrieval of aerosol optical/microphysical parameters for Himawari-8 geostationary satellite measurements with data-driven deep learning method
编辑推荐：
研究人员提出一种基于数据驱动深度学习的方法，利用静止气象卫星Himawari-8（H8）搭载的先进向日葵成像仪（Advanced Himawari Imager，AHI）观测，增强反演气溶胶光学与微物理参数。深度信念网络（Deep Belief Network
研究人员提出一种基于数据驱动深度学习的方法，利用静止气象卫星Himawari-8（H8）搭载的先进向日葵成像仪（Advanced Himawari Imager，AHI）观测，增强反演气溶胶光学与微物理参数。深度信念网络（Deep Belief Network，DBN）从H8/AHI可见光至短波红外多光谱通道及观测几何参数中，直接建立与地基AERONET（Aerosol Robotic Network）观测的非线性映射，同步反演500 nm处气溶胶光学厚度（Aerosol Optical Depth，AOD）、细模态AOD（Fine-mode AOD，FAOD）、粗模态AOD（Coarse-mode AOD，CAOD）以及440 nm处单次散射反照率（Single Scattering Albedo，SSA）。在2015–2018年东亚82个AERONET站点匹配样本上，DBN模型在独立测试年（2018）取得AOD相关系数R=0.935、均方根误差RMSE=0.122，FAOD的R=0.930，显著优于日本宇宙航空研究开发机构（Japan Aerospace Exploration Agency，JAXA）业务产品（AOD的R≈0.70）。粗模态参数CAOD（R=0.703）与吸收性参数SSA的精度亦较JAXA产品明显提升，且SSA在高AOD（>0.4）条件下相关性由0.42升至0.67。时空交叉验证表明模型具有稳定泛化能力，可刻画东亚气溶胶日变化特征。该研究证明数据驱动深度学习可为静止卫星提供多参数、高时间分辨率气溶胶反演框架。
研究背景方面，大气气溶胶寿命短、时空变率大，是气候辐射平衡与空气质量评估的主要不确定源。极轨卫星（如MODIS）受单次日过境限制，难以捕捉日间演变；新一代静止卫星H8/AHI具备10分钟全圆盘观测能力，但JAXA业务算法依赖固定细/粗模态气溶胶模型与月内次低地表反射率假设，反演AOD与AERONET相关系数仅约0.7–0.8，SSA与?ngstr?m指数误差更大。传统查找表（Look-Up Table，LUT）法仅用2–3波段，难以充分发挥多光谱信息。因此研究人员开展本研究，旨在以数据驱动深度学习规避物理假设，实现H8/AHI多参数高精度反演并揭示日间循环。
关键技术方法上，研究人员构建2015–2017年H8 AHI六反射波段（0.47、0.51、0.64、0.86、1.6、2.3 μm）联合太阳天顶角（SZA）、观测天顶角（VZA）、相对方位角（RAA）与AERONET站点的匹配库（29950样本，82站），以3×3像元空间窗口与±10分钟时间窗口匹配；2018年数据作完全独立验证。模型采用三层受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）堆叠的深度信念网络（DBN，隐层256-128-64），无监督预训练200轮后接反向传播（Back Propagation，BP）微调100轮，Adam优化器与均方误差（Mean Squared Error，MSE）损失，批量200；分别以AOD、FAOD、CAOD、SSA为输出训练四个子模型。验证含随机切分、样本/站点/时次/区域交叉验证，并与JAXA H8及MODIS深蓝（Deep Blue，DB）产品对比。
研究结果部分，4.1节地面验证显示：随机切分下AOD的R=0.941、RMSE=0.110，FAOD的R=0.936，CAOD降至R=0.733，SSA全样本R=0.42（AOD>0.4时0.67）；2018独立验证AOD的R=0.935、FAOD的R=0.930，JAXA产品AOD的R=0.703、CAOD的R仅0.280，SSA的R=0.160；小时验证中DBN在10:00–16:00本地时R稳定于0.895–0.950，JAXA正午低AOD高估明显。4.2节与MODIS DB对比表明，DBN年均值空间分布与MODIS一致，但JAXA在背景区高估；DBN的FAOD高值集中于城市/工业带，CAOD高值位于戈壁，SSA南高北低；小时序列上DBN AOD呈晨降—午峰—午后降的趋势，符合边界层发展与AERONET变化，JAXA则呈系统偏差。4.3节典型个例（2017年9月灰霾、2024年7月东北生物质燃烧、2021年3月沙尘、2017年1月冬季灰霾）证明DBN可区分细模态烟羽（FAOD高、SSA近火处0.90–0.92）、粗模态沙尘（CAOD主导、SSA低于灰霾）及日间SSA随老化混合升高/降低的过程，而JAXA常因质量标志过滤丢失高载荷像元。
讨论与结论翻译：静止H8可提供宝贵日间气溶胶观测，但JAXA业务产品因模型与地表假设及波段利用不足存在较大不确定性。研究人员开发数据驱动DBN，建立H8小时观测与AERONET间非线性关系，同步反演AOD、FAOD、CAOD与SSA。82站样本保障异质性，2018独立验证AOD的R=0.935、FAOD的R=0.930，CAOD与SSA亦合理吻合；小时验证全程稳定优于JAXA；样本/站点/时次/区域交叉验证下DBN优于CNN、DNN、RF，区域外迁因AERONET稀疏而降级但仍可辨型。该方法在反演总AOD外同步给出FAOD、CAOD、SSA，能区分沙尘、生物质燃烧烟羽与城市工业灰霾并捕捉其日演变，证明数据驱动深度学习为静止与极轨卫星多参数气溶胶反演提供高效实用框架，具业务化潜力。论文发表于《International Journal of Applied Earth Observation and Geoinformation》。
