The Innovation Geoscience | DeepSAT4D：四维时空大气污染反演新方法

利用大气物理原理约束训练深度学习模型能够提升卫星观测的能力，实现对大气污染的全方面准确反演诊断

导 读

随着大气探测技术的发展，卫星遥感数据在监测大范围大气污染物方面展现出巨大的应用潜力。然而，卫星观测大气污染物垂直结构仍受到传感器和反演技术等多因素制约，导致近地面污染物浓度反演成为难题。针对这一挑战，本研究建立了反演四维时空的大气污染物浓度与排放的新方法（DeepSAT4D）。运用大气化学传输模型以物理原理训练神经网络，反演了2017-2021年中国区域大气NO2全时空浓度和NOx排放。

图1 图文摘要

DeepSAT4D解决了卫星反演中的三个核心科学问题：

首先，如何准确表征大气污染物垂直廓线的时空动态变化？污染物从近地表层污染源释放到大气后随气流向周边扩散，导致污染物从污染源到周边的垂直廓线存在向上抬升的动态变化。因此，卫星观测到的柱浓度空间梯度一般要低于地表浓度空间梯度，传统直接基于柱梯度进行地表浓度差值的评估方法会造成周边浓度的高估。DeepSAT4D基于CNN深度学习架构（ResNET）和周边网格信息，可以有效捕捉到垂直结构的时空动态变化（图1）。由于卫星观测柱的高浓度通常指示排放源或城市中心区域，这些区域呈现出地表层浓度高的典型垂直剖面；反之，污染边缘或随气流扩散而减弱的区域往往指示物质被传输到较高层的下风向地区。DeepSAT4D利用这一原理，通过将结合空间和时间上的柱浓度及大气要素作为输入特征，实现了将整柱浓度分配到不同高度的污染物浓度。

图2 OMI卫星在2017-2021年期间的14:00 NO2垂直结构剖面时间序列（a），以及季节性的5年平均值（b），地表浓度与垂直平均浓度的比值（c）八个典型城市的垂直剖面（围绕城市中心周边10个网格单元平均）的绝对浓度（单位：ppb）（d）和标准化值（总和=1）（e）（垂直层的顶部高度：19米、57米、114米、230米、386米、584米、910米、1375米、1908米、2618米、3598米、5061米、7620米及11944米，年均值）。

其次，如何利用极轨卫星每日仅一次的过境观测对浓度日变化进行外推补全？由于OMI卫星每天仅过境一次，时间在下午1:30附近，由于边界层高利于扩散，因此通常也是NO2日浓度最低的时段，以低浓度为基础进行外推补全难度极大。DeepSAT4D借助了时空序列模型（ConvLSTM）和小时气象资料进行日变化的构建，基于影响NO2浓度日变化的排放和气象因素，通过有效利用排放与气象变化的密切关联性，将排放变异性降至日平均水平。这克服了极轨卫星每天仅一次过境导致的测量的局限，实现了全天24小时数据的补全及日均值估计（图3），也解决了传统依赖地表站点进行机器学习反演地表日均值的高估问题。

图3 地表NO2的14:00当地时间与24小时平均浓度对比，及八个典型城市24小时日变化（由CMAQ模拟并由DeepSAT4D再现，2017年基线情况年均值，单位：ppb）。

第三，如何综合考虑多个不确定因素进行排放的有效估算？排放量的准确估算与实时更新一直是大气环境领域的难点，而基于卫星观测进行逆向反演通常依赖数值计算、效率较低。DeepSAT4D模型借助了深度学习贝叶斯同化算法的变分自编码器模型（VAE），综合平衡了来自先验排放、卫星观测、模型等多方面的不确定性因素，实现了在准确估计地面NO2浓度的同时，高效快速地推演出与卫星观测数据更为匹配的后验NOx排放量，量化了疫情期间的减排量。由于DeepSAT4D无需依赖额外的先验排放估计或复杂的大气数值模拟，因此DeepSAT4D模型在实时排放更新方面具有巨大的潜力，有助于提高未来空气质量预测的准确性和效率。

图4 2017-2021年期间按月份、城市和地区划分的NOx排放量变化（单位：每个27公里x27公里网格单元的摩尔/秒）

总结与展望

本研究以OMI-NO2产品为案例展示了DeepSAT4D方法的应用潜力，未来该方法可推广至使用更高空间和时间分辨率的卫星产品（如TROPOMI、GEMS和Himawari-8）以及其他污染物和地区的研究。研究也创新地证实了通过采用物理模型（如CMAQ）结果生成多样化数据集的有效性，提升了机器学习模型的泛化能力，也为机器学习模型提供了物理约束，数据产品可为环境流行病学、环境治理、污染预报等研究提供坚实的支撑。

责任编辑

孟凡鑫    北京师范大学

胡国杰    中国科学院西北研究院

本文内容来自The Innovation姊妹刊The Innovation Geoscience第2卷第1期以Article发表的“DeepSAT4D: Deep learning empowers four-dimensional atmospheric chemical concentration and emission retrieval from satellite” (投稿: 2023-11-29；接收: 2024-03-12；在线刊出: 2024-03-18)。

DOI: https://doi.org/10.59717/j.xinn-geo.2024.100061

引用格式：Li S. and Xing J. (2024). DeepSAT4D: Deep learning empowers four-dimensional atmospheric chemical concentration and emission retrieval from satellite. The Innovation Geoscience 2(1), 100061.

作者简介

李四维，武汉大学教授、博导，国家青年人才项目获得者。长期从事主、被动大气遥感方法研究及应用，大气污染和气候变化的观测、模拟与分析等方面研究。主持/参与多项国内外科学研究项目，包括NASA、NOAA、NSF、国家自然科学基金等项目以及大型联合观测计划；研究成果先后发表在遥感和大气科学领域的主要期刊并受到国际同行的关注和认可。担任多个国际、国内学术会议执行主席，分会主席等，多次受邀在多个国际、国内会议上做特邀报告。

http://jszy.whu.edu.cn/lisiwei

往期推荐

The Innovation 简介

The Innovation是一本由青年科学家与Cell Press于2020年共同创办的综合性英文学术期刊：向科学界展示鼓舞人心的跨学科发现，鼓励研究人员专注于科学的本质和自由探索的初心。作者来自全球58个国家；已被139个国家作者引用；每期1/5-1/3通讯作者来自海外。目前有196位编委会成员，来自21个国家；50%编委来自海外(含39位各国院士)；领域覆盖全部自然科学。The Innovation已被DOAJ，ADS，Scopus，PubMed，ESCI，INSPEC，EI，中科院分区表(1区)等收录。2022年影响因子为33.1，CiteScore为23.6。秉承“好文章，多宣传”理念，The Innovation在海内外各平台推广作者文章。

期刊官网：

www.the-innovation.org

期刊投稿（Submission）：

marketing@the-innovation.org

Logo｜期刊标识

See the unseen & change the unchanged

创新是一扇门，我们探索未知；

创新是一道光，我们脑洞大开；

创新是一本书，我们期待惊喜；

创新是一个“1”，我们一路同行。

The Innovation 姊妹刊

The Innovation

赞助单位