基于机器学习方法利用EPIC/DSCOVR反演高时间分辨率的气溶胶层高度
beat365李成才副教授课题组与中国气象局国家卫星气象中心合作，发展了基于地球多色成像仪（EPIC）的气溶胶层高度（ALH）机器学习反演算法，相关成果以“基于机器学习方法利用EPIC/DSCOVR反演高时间分辨率的气溶胶层高度”（Retrieving High Temporal Resolution Aerosol Layer Height from EPIC/DSCOVR Using Machine Learning Method）为题，近日发表在《地球科学和遥感学报》（IEEE Transactions on Geoscience and Remote Sensing）。
ALH可以表征气溶胶的垂向分布特性，是影响地球辐射强迫估计的关键参数之一。地基或星载激光雷达是目前获取ALH的主要手段，但激光雷达覆盖区域有限，难以获取大面积ALH的时空分布信息。随着高光谱卫星的发展，利用氧气吸收带等精细光谱信息提取ALH信息成为研究热点。本研究开发了一种基于机器学习的算法，从地球多色成像相机（EPIC）反演 ALH，并获取高频次、大范围的ALH时空分布。将算法应用于非洲西部海域（区域1）和中国北部平原（区域2），ALH的反演结果与CALIOP的观测结果具有良好的一致性（如图1）。
图1 EPIC XGB ALH和CALIOP ALH检验结果的散点密度图（a为区域1；b为区域2）
与传统的物理算法相比，机器学习算法可以考虑不同通道对不同气溶胶类型的敏感性差异，自动调整特征权重以优化模型性能。如图2所示，不同区域ALH反演模型的特征重要性排序有很大差异。区域1以沙尘气溶胶为主，317 nm和325 nm紫外波段的表观反射率更为重要，并且与 ALH 表现出很强的相关性。相反，在区域2中，氧气吸收波段（764 nm）的表观反射率以及该波段与 788 nm 之间的反射率比值更为重要。
图 2. 2(a)和2(b) 分别显示了区域1和区域2基于排列的特征重要性排序。2(c)和2(d) 分别表示区域1和区域2的相关系数矩阵。
本研究提出了一种基于机器学习方法的主被动联合反演气溶胶层高度算法，成功实现了大范围、高频次的ALH反演。该算法适用于多种地表类型和气溶胶类型的反演，在高光谱卫星数据反演中展现出巨大的推广潜力，可广泛应用于环境和气候研究中，具有重要的实际意义和应用前景。
我系2018级博士田晓青为本项研究第一作者，现工作于中国空间技术研究院（中国航天科技集团公司五院）遥感卫星总体部。她的博士论文“卫星遥感大气气溶胶光学厚度及垂直分布研究”的另一部分工作关于利用AVHRR历史数据和机器学习方法反演全球陆地气溶胶光学厚度，于2022年发表于IEEE TGRS（X. Tian et al. 2022）。
中国气象局国家卫星气象中心高玲博士为本项研究的共同第一作者。该研究得到国家自然科学基金委项目的支持。
参考文献：
X. Tian, L. Gao, C. Li and J. Li, "Retrieving High Temporal Resolution Aerosol Layer Height From EPIC/DSCOVR Using Machine Learning Method," in IEEE Transactions on Geoscience and Remote Sensing, vol. 62, pp. 1-11, 2024, Art no. 4105111, doi: 10.1109/TGRS.2024.3405186. （https://ieeexplore.ieee.org/document/10538334）
X. Tian, L. Gao, J. Li, L. Chen, J. Ren and C. Li, "Retrieval of Atmospheric Aerosol Optical Depth From AVHRR Over Land With Global Coverage Using Machine Learning Method," in IEEE Transactions on Geoscience and Remote Sensing, vol. 60, pp. 1-12, 2022, Art no. 4105112, doi: 10.1109/TGRS.2021.3129853. （https://ieeexplore.ieee.org/document/9623461）
