JRS推荐
中国发射的风云四号B星上搭载的GIIRS是世界首个业务化运行的静止轨道干涉红外探测器，其以两小时的时间分辨率对东亚进行昼夜持续扫描，可反演获得大气温湿度廓线及多种反应性痕量气体。广泛的探测区域以及时空密集扫描带来的海量数据为其大气参数的实时反演带来挑战。发表在国际遥感学报上的最新研究成果“Diurnal Carbon Monoxide Retrieval from FY-4B/GIIRS Using a Novel Machine Learning Method”以反应性痕量气体中具有强吸收的一氧化碳为例，探究高效的机器学习方法相比于常规物理方法反演的可靠性，以及执行业务化机器学习反演需解决的问题。
文章亮点
01｜研究背景与思路
一氧化碳是地球大气中主要的反应性痕量气体之一，其大气浓度对空气质量和气候变化具有重要影响。过去近二十年间发射的低地球轨道卫星上搭载的天底观测仪器，基于一氧化碳在近红外或热红外波段的吸收特征，以约5至22公里的空间分辨率和约半天至5天的时间分辨率，提供一氧化碳垂直剖面或总柱浓度的近全球测量。这些卫星/仪器包括：Terra/MOPITT、Aqua/AIRS、Aura/TES、MetOp/IASI、JPSS/CrIS、Envisat/SCIAMACHY、Sentinel-5P/TROPOMI、GOSAT-2/TANSO-FTS。
2021 年 6 月，中国发射了风云四号B星，其搭载的GIIRS传感器是世界首个在地球静止轨道业务化运行的干涉红外探测器。其中波红外波段（~1650-2250 cm-1，光谱分辨率为 0.625 cm-1）包含一氧化碳的连续敏感区间。因此，FY-4B/GIIRS可以以两小时的高时间分辨率探测东亚地区一氧化碳的昼夜浓度分布和变化。
基于最优估计的物理反演方法是痕量气体反演中最常用的方法之一，其结合光谱测量、先验信息和相应的不确定性约束，采用迭代过程最小化测量值和大气状态之间的代价函数来推断最大后验解。最优估计可以在具备良好的先验知识、准确的辐射校准和辐射传输模拟的情况下可靠地反演痕量气体。然而，由于每次反演都需要通过辐射传输模型将大气状态映射到卫星测量空间，所以其迭代过程复杂且需要密集的计算资源。
因此，该研究旨在通过总结痕量气体机器学习反演相关工作，为FY-4B/GIIRS开发机器学习模型，探究其与物理方法相比是否可以高效且可靠的反演一氧化碳。
02｜实验方法
该实验主要分为以下几个步骤：
①基于辐射传输模型分析GIIRS相对于一氧化碳变化的光谱敏感性以提取敏感光谱通道和非敏感通道；
②计算上述光谱通道处的GIIRS测量亮温差以表征一氧化碳的光谱贡献；
③构建具有时空代表性的样本集合，并执行辐射传输模拟以作为训练集；
④机器学习模型的训练和评估；
⑤将一氧化碳的光谱贡献通过机器学习模型转化为总柱，并基于误差传播理论估计反演结果的不确定性；
⑥将机器学习反演结果与物理反演结果进行对比，并基于地基测量进行初步评估。
03｜结论
1. 如下图所示，除仪器观测角度过大、采样稀疏或受地表发射率等条件影响的区域外，基于一氧化碳敏感和非敏感通道计算的GIIRS亮温差可以表征一氧化碳的空间分布和数值变化
图1. 2022年7月从GIIRS测量中提取的一氧化碳光谱特征及主要影响因素分析。(a) 基于敏感通道和非敏感通道处的GIIRS亮温计算的亮温差。(b) 最优估计方法反演的一氧化碳总柱。(c) 卫星天顶角。(d) 地表发射率。
2. 在陆地和海洋上空，一氧化碳亮温差辅以卫星观测角度和热反差、地表压强、压强、发射率等影响辐射传输的地表-大气参数可以通过机器学习模型可靠的预测一氧化碳总柱。其中一氧化碳的亮温差起主要贡献。机器学习模型的相对不确定性普遍较低。
图2. 2022年7月机器学习模型（随机森林）在陆地和海洋训练集上的表现。(a)和(c)：在海洋和陆地上空，训练集和机器学习预测的一氧化碳总柱之间的关系。(b)和 (d)单位热反差和柱网格中机器学习模型的相对不确定性。(e)模型中输入参数的相对重要性。这里的相对重要性表示每个输入参数如何改善模型的预测误差。值越高，该参数对模型预测结果的贡献越大。左边的 y轴代表陆地，右边代表海洋
3. 本文的机器学习方法可以可靠的从GIIRS中反演一氧化碳总柱。下图(a)和 (b) 比较了2022年7月7日两个白天和夜间场景中的GIIRS-ML和GIIRS-OE柱。GIIRS-ML和GIIRS-OE柱显示了相同的一氧化碳源区域，如华北平原的人为排放源和西伯利亚的野火排放源。散点图显示GIIRS-ML和GIIRS-OE 一氧化碳柱在白天和夜间之间具有良好的一致性。
图3. 机器学习 (ML) 和物理 (OE) 方法反演的 GIIRS 一氧化碳柱的空间比较
4. 陆地和海洋上一氧化碳的昼夜循环表明了 GIIRS 在监测人为污染物或生物质燃烧排放的长距离传输方面的价值。
图4. 2022年9月5日和2023年4月18日每两小时分辨率的GIIRS一氧化碳机器学习总柱
04｜数据展示
https://zenodo.org/me/uploads?q=&l=list&p=1&s=10&sort=newest；
注：该研究为作者团队基于机器学习方法从GIIRS中反演反应性痕量气体的首次尝试，其产出的数据亦为初步的测试产品。
作者简介
梁振兴，博士研究生，香港科技大学，研究兴趣为大气成分卫星遥感反演zliangaw@connect.ust.hk
顾达萨，助理教授，香港科技大学环境与可持续发展系，研究领域包括空气污染、大气化学、卫星遥感、排放清单等，dasagu@ust.hk
团队网页：https://dasagu.people.ust.hk/
引用格式
Zhenxing Liang, Dasa Gu, Mingshuai Zhang, Ning Yang, Chun Zhao, Rui Li, Qiaoqiao Wang, Yuxuan Ye, Jian Liu, Xin Li, et al. Diurnal Carbon Monoxide Retrieval from FY-4B/GIIRS Using a Novel Machine Learning Method. J Remote Sens. 2024;4:0289.DOI:10.34133/remotesensing.0289
转载自 JRS国际遥感学报
文章仅代表作者观点，与本公众号无关，版权归原作者所有
原文标题：主编推荐 | 基于辐射传输模型驱动的机器学习方法从风云-4B/GIIRS中反演大气一氧化碳
END
图文编辑：张学渊 张茜
审编：周笑语 闫孟蕊
终审：初明若 李雨竹 代浩宇 毕丝淇
猜你喜欢
