基于神经网络的星载高精度偏振扫描仪数据气溶胶光学厚度反演研究

Abstract

在卫星遥感领域，气溶胶特性复杂多变，传统光学卫星气溶胶光学厚度（AOD）反演算法难以兼顾可靠性、效率和灵活性。针对高精度偏振扫描仪（POSP），提出一种基于神经网络的AOD反演算法。该算法以POSP 7个波段的表观反射率和偏振反射率为输入，利用UNL-VRTM（Unified Linearized Vector Radiative Transfer Model）生成训练数据，并结合POSP观测数据与AERONET （Aerosol Robotic Network）和MODIS （Moderate-Resolution Imaging Spectroradiometer） AOD数据的时空匹配，构建真值补充训练集。经过模型参数优化后，该算法能够在无需预先了解地表类型和大气状态的情况下，独立反演陆地上空AOD。以京津冀工业区、合肥周边农业区和台湾岛屿区域为典型研究对象验证算法性能。结果表明：与 AERONET 数据相比，北京和包头站点相关系数分别为0.94和0.56，证明该算法在城市和干旱区域的适应性；台湾和香港站点相关系数分别为0.64和0.72，证明该算法在海岸和岛屿区域具有较高适用性；与MODIS AOD产品相比，相关系数超过 0.90，在工业区和城市区域一致性更高，细节捕捉更精确。该算法在多种地表和复杂大气条件下表现出优异性能，为基于偏振遥感数据的区域气溶胶监测提供坚实的理论基础和技术支持。