近日，中国科学院空天信息创新研究院副研究员陈兴峰团队，联合中国气象科学研究院、中国科学院大气物理研究所等单位合作研究，提出了一种深度学习方法，利用向日葵8号（Himawari-8, H8）地球同步卫星的数据反演臭氧柱浓度（TCO）。
臭氧是一种影响大气辐射和地表空气质量的大气成分。监测整层大气臭氧柱浓度的分布具有重要意义。地面站点，例如Pandora观测网络利用观测太阳直射给出准确的臭氧柱浓度。地面站点不能提供空间上连续覆盖的监测。TROPOMI等遥感器搭载于太阳同步轨道卫星可以实现全球覆盖监测，但无法实现高时间分辨率的动态监测，且空间分辨率较低，为7km。
研究人员基于H8卫星的AHI多光谱相机在9.6µm波长处设置了一个可用于臭氧监测的臭氧吸收光谱波段，开发了一个全连接的神经网络模型NNO3-G。该模型是利用ERA5 TCO数据进行训练，从而在H8图像的无云区域反演TCO，其TCO产品具有2km的高空间分辨率和10 min的高时间分辨率（图1）。
图1 静止卫星的高时间分辨率臭氧动态监测
NNO3-G模型通过完全独立、未参加深度学习训练的地基Pandora测量数据验证。验证结果表明，模型反演的TCO产品结果精度高，皮尔逊相关系数为0.95，R2为0.89，平均绝对误差为8.88 DU（图2）；并且与专门用于大气气体监测的TROPOMI遥感器TCO产品对比，展现了一致的空间分布规律（图3）。
图2 地基Pandora数据验证静止卫星TCO反演精度
图3 TROPOMI（左）和H8/NNO3-G（右）的同时间同区域臭氧监测结果对比
上述研究成果以“A Neural Network Method for Ozone Retrieval using Himawari-8/AHI Geo-satellite Observations”为题，于2025年3月发表在《IEEE Transactions on Geoscience and Remote Sensing》期刊。该研究得到民用航天预先技术研究、国家重点研发计划、国家自然科学基金等项目的共同资助。
论文链接：https://doi.org/10.1109/TGRS.2025.3548600
动态新闻