基于时空交互深度学习模型的全球陆地粗模态气溶胶（cAOD）遥感反演研究

第一时间获取气象科研资讯
『气象学家』公众号交流群
加入

陆地粗模态气溶胶主要来自于粗颗粒物(>1 µm)的贡献。粗模态气溶胶光学厚度(cAOD)可以用于表征粗模态气溶胶的量级，特别是沙尘的辐射效应及其对空气质量和云形成的影响至关重要。目前，长时间（>20年）高精度cAOD数据十分有限，已经不能满足研究需求。2023年10月发表于《Environment Science & Technology》的 " Exploring Global Land Coarse-Mode Aerosol Changes from 2001−2021 Using a New Spatiotemporal Coaction Deep-Learning Model" 一文提出了全新的时空交互深度学习模型（SCAM），基于MODIS、ERA5再分析和地基观测数据反演得到了2001-2021年的全球陆地cAOD（500nm）的数据，并研究了全球21年cAOD的时空特征。SCAM cAOD相较现有的cAOD产品具有与地基观测更好的一致性，且空间覆盖度高，在捕捉快速发生的沙尘事件上具有优势。

传统机器学习模型忽视时空因子交互变量的影响，而这种交互对于cAOD存在着显著影响。如图1所示，传统深度学习模型仅考虑单个空间或时间变量对目标的影响。然而，以中国为例，北京的冬季与河北的冬季相比，对空气污染的贡献有明显的差异。这是因为北京供暖使用的清洁能源比例（>95%）大于河北。同样，cAOD的地理位置信息和时间信息也存在着交互作用，但如何在模型中刻画时空交互作用是一个巨大挑战。

图1(a) 提供全球cAOD数据的卫星传感器的重访时间和时间覆盖的比较。颜色对应于大约1天（蓝色）、3-6天（黄色）和大约16天（绿色）的重访时间。(b) 时空交互的概念示意图。

针对研究现状，本研究基于MODIS遥感产品（包括TOA反照率、AOD、地表亮温和反照率以及地表分类）、ERA5气象再分析资料（2m温度、地表气压、相对湿度、10m风速以及边界层高度）以及AERONET站点的cAOD观测，构建时空交互作用的深度学习模型SCAM（图2），采用了线性与非线性联合训练的深度学习架构（代码已开源，详见后文），实现全球范围2001-2021年的逐日、空间分辨率0.5º的cAOD反演。

图2. 时空交互深度学习模型（SCAM）框架。

在模型训练与验证中，本研究模型的训练和验证基于site-based独立验证，即随机将全球AERONET站点分为80%的训练站点（272个），10%的验证站点（72个）和剩余10%的测试站点（78个）。模型通过训练站点和验证站点进行训练和超参数调试，最终cAOD预测结果基于未参与训练的测试站点进行验证。模型的训练和验证基于site-based独立验证，即随机将全球AERONET站点分为80%的训练站点（272个），10%的验证站点（72个）和剩余10%的测试站点（78个）。模型通过训练站点和验证站点进行训练和超参数调试，最终cAOD预测结果基于未参与训练的测试站点进行验证。

模型通过训练站点和验证站点进行训练和超参数调试，最终cAOD预测结果基于未参与训练的测试站点进行验证。基于site-based的逐日cAOD验证结果显示，SCAM cAOD与AERONET cAOD的整体一致性较好（R=0.82, RMSE=0.04）（图3）。

图3. (a) 2001-2021年日均SCAM cAOD与日均 AERONET cAOD的密度散点图。黑色实线是1:1线，红色虚线是线性拟合线，黑色虚线为± (0.05 + 15%)的误差区间。(b) SCAM cAOD与AERONET cAOD之间的相关系数（R）和标准化均方根误差（NRMSE）随年份的变化。(c) SCAM cAOD与AERONET cAOD在每个AERONET站点的标准化均方根误差（NRMSE）分布。

研究进一步对比了SCAM cAOD与FMF间接反演得到的cAOD [Phy-DL cAOD；cAOD=AOD*(1-FMF)]以及三种卫星遥感产品的cAOD，体现了SCAM cAOD具有与地面AERONET观测结果一致性更高以及准确捕捉快速发生的沙尘事件的优势。其中，Phy-DL FMF是一套基于物理-深度学习融合的全球FMF产品（Yan et al., 2021，ESSD），但基于这一产品得到的Phy-DL cAOD产品精度（R=0.64）不及SCAM cAOD（R=0.74），且无法像SCAM cAOD一样捕捉到日尺度的沙尘事件（图4）。

图4. (a-d)撒哈拉地区的沙尘事件（2010年4月22日）的真彩色图像，来自MERRA-2的沙尘AOD分布，以及由Phy-DL cAOD和SCAM cAOD分布；（e-h）与（a–d）相同，但为澳大利亚地区的沙尘事件（2010年4月22日）；（i–l）与（a–d）相同，但为中国华北地区的沙尘事件（2010年3月12日）；（m–p）与（a–d）相同，但为阿拉伯半岛的沙尘事件（2010年12月12日）。红色圆圈表示具有沙尘含量较高的热点区域。

基于SCAM cAOD，研究进一步探索了全球2001-2021年的cAOD时空分布特征。cAOD高值区域（>0.2）主要分布于沙漠地区（图5a），如位于北非的撒哈拉沙漠，印度北部的塔尔沙漠，以及中国东北部的戈壁和塔克拉玛干沙漠的cAOD均显著高于其他地区。由于21年间cAOD趋势可能有所变化，因此研究计算了不同时期cAOD的滑动窗口趋势，以更好地体现cAOD趋势变化的时间节点（图5c-h）。结果显示，撒哈拉沙漠西部和中部的cAOD主要在2010年后显著下降，而撒哈拉沙漠东部的cAOD在2008年左右就开始显著下降。塔尔沙漠的cAOD主要在2010年前显著下降，特别是2001–2004年间。

图5. (a) 2001-2021年的年均cAOD空间分布。 (b) 利用月均SCAM cAOD计算的2001年至2021年的全球cAOD线性趋势（单位：10^-3/年）。趋势的计算要求每一像元具有大于18年、每月至少80%有效的日均cAOD值，且通过95%的显著性检验。 (c–h) 六个主要沙漠地区（单位：10^-3/年）的cAOD滑动窗口趋势，其中x轴和y轴分别表示趋势计算的窗口长度和起始年份。趋势的计算要求窗口长度内至少有80%有效月均cAOD数据。在滑动窗口趋势图中，颜色表示线性趋势大小和方向，黑色点表示趋势计算通过95%的显著性检验。