中国科学院空天信息研究院（AIRCAS）研究团队近日发布一项气溶胶遥感反演方法，提出将深度学习与物理辐射传输建模相结合的混合框架，以提升从复杂卫星观测中反演大气气溶胶性质的准确性，并支持高分辨率、近实时的雾霾与沙尘事件监测。相关成果近期发表于《遥感学报》。

研究以高分五号02星搭载的方向极化相机（Directional Polarimetric Camera，DPC）观测数据为核心对象，针对卫星遥感中的关键问题展开：如何利用多角度极化测量，更准确提取气溶胶光学厚度、粒径信息及散射特性，尤其是在污染过程快速演变的情形下。

研究团队指出，大气气溶胶在气候强迫、空气质量、能见度及人体健康等方面具有重要影响，但其时空变化显著。尽管现代卫星传感器能够提供多角度、极化等高维观测信息，传统反演方法（如查找表、最优估计）在高维数据处理与计算资源需求方面面临压力；而纯数据驱动的深度学习方法虽具效率优势，但可能在物理可解释性与鲁棒性方面存在不足。

为应对上述挑战，研究人员构建了融合物理建模与人工智能的混合框架，核心为基于胶囊网络的深度学习模型，用于联合处理多角度、多光谱及极化观测数据。研究称，相较于将信息压缩为标量特征的传统神经网络，胶囊网络以向量形式表达特征，有助于在模型中保留视角几何、极化信息与气溶胶性质之间的物理关联，从而提升在不同污染条件下反演结果的稳定性与物理一致性。

在与地面观测的对比验证中，研究团队报告称，气溶胶光学厚度反演的相关系数超过0.93，细模粒子比例约为0.79，整体表现与部分广泛使用的卫星气溶胶产品相当或更优。将该方法应用于2022年高分五号02星观测数据时，生成的高分辨率气溶胶分布与独立测量结果保持较高一致性。案例结果显示，该方法能够区分细颗粒主导的雾霾过程与粗颗粒主导的沙尘过程。

在训练数据构建方面，该框架使用矢量辐射传输模型生成的合成卫星观测数据，覆盖多种气溶胶类型与地表条件，并提供多波长、多视角的顶层大气反射率及极化信号，以形成具备物理约束的训练数据集。研究称，胶囊网络通过主胶囊与高级胶囊之间的动态路由机制实现信息传递。

研究团队表示，物理建模与胶囊网络的结合为气溶胶遥感反演提供了可行路径，兼具人工智能的处理效率与物理方法的鲁棒性、可解释性，并可适配其他多角度极化卫星任务，尤其适用于观测数据相对有限的任务初期阶段。研究还提到，凭借近实时处理能力，该方法有望用于沙尘暴、雾霾事件追踪及长期气溶胶变化监测。