具有大气层雅可比能力的物理信息液态神经网络CRTM模拟器

《Remote Sensing》：Physics-Informed Liquid Neural Network Emulator for CRTM with Atmospheric-Layer Jacobian Capability

　　

基于物理的快速辐射传输模型（RTMs），如社区辐射传输模型（CRTM），正面临来自不断增长的卫星数据量和模型复杂度的日益增加的计算需求。研究人员开发了一种物理信息液态神经网络模拟器（CRTM-LNN），该模拟器借鉴连续动态系统概念，同时保持物理可解释性。该框架将受常微分方程（ODE）启发的液态神经网络用于逐层光学厚度建模，并与解析的可微辐射传输求解器相结合。该设计保留了从光学厚度到辐射的显式路径，并将物理约束直接纳入正演计算。在本研究评估的实现中，LNN在晴空、仅吸收假设下，在固定的欧洲中期天气预报中心91层（ECMWF91L）网格上使用离散隐状态更新。利用红外大气探测干涉仪（IASI）观测和ECMWF91L预报廓线的评估表明，CRTM-LNN能够紧密再现参考CRTM模拟，全球通道平均亮温偏差幅度低于0.1 K。然而，区域偏差幅度在选定通道和纬度带上仍可达约0.2–0.4 K。在累积光学厚度小于5的范围内，累积光学厚度、透过率和权重函数与CRTM的相关系数超过0.97。该模拟器将正演计算加速至18倍，并通过自动微分高效生成雅可比。与传统多层感知器CRTM模拟器相比，CRTM-LNN产生更平滑、物理上更一致的雅可比，具有更好的垂直定位和更少的伪振荡。在所有评估通道中，温度雅可比的绝对质心压力误差均降低，CRTM-LNN为1.77–5.01 hPa，而CRTM-MLP为5.88–8.17 hPa，尽管改进幅度随通道而异。这些结果凸显了集成CRTM-LNN框架的潜力，该框架将ODE驱动的神经模拟与基于物理的辐射传输建模相结合，可为大气反演、卫星资料同化和近实时辐射传输应用提供可扩展的基础。还讨论了当前局限性以及扩展到更复杂辐射过程的机会。

基于物理的快速辐射传输模型（RTMs），如社区辐射传输模型（CRTM），是卫星遥感、资料同化、反演和仪器定标/验证中的关键工具。随着卫星数据量和光谱分辨率持续增长，CRTM在大规模正演模拟和反复的雅可比（Jacobian）计算中面临严峻计算瓶颈。现有多种人工智能辐射传输模拟器多采用直接映射结构，将大气状态直接映射到顶层亮温（BT），导致层光学厚度、透过率、权重函数等中间物理量隐式化，难以判断其预测的辐射敏感性是否建立在物理一致的垂直吸收结构之上。为此，研究人员开发了物理信息液态神经网络CRTM模拟器（CRTM-LNN），将受常微分方程（ODE）启发的液态神经网络（LNN）与解析可微辐射传输求解器相结合，显式保留“光学厚度增量Δτ→累积光学厚度→透过率→权重函数→辐射/亮温”的完整物理路径，并通过自动微分高效生成大气状态雅可比。研究在IASI 15 μm CO₂吸收带（645–672.5 cm^?1，111个通道）晴空、仅吸收条件下进行评估，结果显示CRTM-LNN能紧密再现CRTM模拟，并显著加速正演和敏感性计算，为卫星资料同化和近实时辐射传输应用提供了可扩展的物理一致模拟框架。

研究人员采用的关键技术方法包括：使用逐层光学厚度液态神经网络（LNN-LOD）模拟大气层中辐射状态的逐层演化，将隐状态映射为通道相关的光学厚度增量Δτ；并耦合解析可微辐射传输求解器，使整个框架端到端可微分，通过自动微分生成雅可比。训练采用多目标损失，包括归一化与物理空间Δτ损失、累积光学厚度损失、亮温损失和垂直平滑正则化。数据集来源于CAMS全球CO₂浓度数据、ECMWF 91层（ECMWF91L）预报与MetOp-B IASI观测的时空匹配，经纬度、对流层顶压力和观测几何分层抽样，共生成1,635,000个样本，按比例分为训练、验证和测试集，并使用2025年11月至12月六个独立日期进行泛化评估。

### 3.1 模型训练与收敛性能
通过120个epoch的训练，训练与验证损失保持高度一致，BT的决定系数（R²）快速趋近1，层Δτ的R²稳定在约0.90，表明模型在亮温和光学厚度预测上均稳定收敛，无明显过拟合。

### 3.2 使用独立评估数据集的综合验证
利用六个独立日期（2025年11月1日、15日、30日，12月1日、15日、31日）的独立样本对CRTM-LNN进行全面评估。

#### 3.2.1 输出评估：亮温和光学厚度统计
通道平均BT偏差大多在±0.05 K以内，标准差一般低于0.2 K；积分光学厚度的相对偏差多在±2%内，表明模型无系统性偏置。

#### 3.2.2 累积光学深度、透过率和权重函数评估
在累积光学厚度小于5的辐射活跃区间（0.1≤τ<5），CRTM-LNN与CRTM的相关系数超过0.98，透过率RMSE低于0.016，权重函数峰值位置和幅度均得到准确再现。

#### 3.2.3 解析透过率和亮温Jacobian验证
基于解析公式计算的透过率雅可比和亮温雅可比与CRTM一致，最大偏差集中在权重函数峰值快速移动的过渡通道，如Ch16和Ch89–100。

#### 3.2.4 自动微分Jacobian评估
通过自动微分获得的温度雅可比（?BT/?T）在峰值位置、幅度和垂直结构上与CRTM参考一致，说明模型学到了该波段主要的大气温度辐射敏感性。

#### 3.2.5 损失项消融研究
移除垂直平滑损失后，Jacobian指标没有显著变化，说明该损失主要起弱正则化作用，Jacobian的平滑性和垂直连贯性主要源于LNN-LOD逐层状态演化、Δτ直接监督和解析辐射传输耦合的整体设计。

#### 3.2.6 与MLP模型比较
与常规多层感知器（MLP）CRTM模拟器相比，CRTM-LNN的温度Jacobian RMSE降低约54%，相关系数更高，垂直粗糙度明显更小；绝对质心压力误差从MLP的5.88–8.17 hPa降至1.77–5.01 hPa。CO₂ Jacobian的RMSE和粗糙度也明显改善，但相关性仍较低，可能与CRTM配置中CO₂浓度变化范围受限有关。

### 3.3 O-B ΔBT分析
基于约528万条IASI观测的O-B（观测减背景）统计显示，CRTM-LNN的O-B特征与CRTM高度一致，通道、纬度和传感器天顶角依赖趋势均得到保留，但在热带和南半球中高纬存在约0.2–0.4 K的纬向残余偏差。

### 3.4 计算速度评估
在CPU上，CRTM-LNN相对CPU版CRTM正演加速约12倍；单GPU上约18倍。双GPU自动微分Jacobian计算相对CPU切线线性模式约快5倍。

讨论部分指出，CRTM-LNN的优势源于ODE启发的逐层垂直状态演化、显式光学厚度预测与解析可微辐射传输路径的集成，使其具有物理可解释性和低参数量的特点。当前局限包括：仅在晴空、仅吸收假设下验证；层序结构限制垂直并行性；CO₂ Jacobian仍需通过更宽的浓度变化和针对性约束来改进。未来可扩展至全IASI光谱、地表敏感通道以及云、气溶胶和降水条件。

研究结论翻译如下：本研究演示了一种物理信息CRTM-LNN人工智能模拟器，用于大气超光谱辐射传输。通过将神经网络预测的光学厚度与解析辐射传输求解器耦合，该框架在保持物理可解释性和一致性的同时，显著降低超光谱辐射传输计算复杂度。CRTM-LNN紧密再现了CRTM的亮温、光学厚度、透过率、权重函数和温度Jacobian，并支持高效的GPU加速敏感性计算。相比MLP基线，其误差更低、相关性更高、垂直结构更平滑。尽管云、散射和全光谱扩展仍存在挑战，该框架为下一代AI辐射传输建模和卫星资料同化应用提供了有前景的路径。