气溶胶通过散射和吸收太阳辐射、参与云形成等过程影响地球气候，也与空气质量和人体健康密切相关。准确刻画气溶胶的日内演变、垂直分布及光学特性，是认识其环境与气候效应的重要基础。近期，北京大学环境科学与工程学院韦晶研究员团队围绕卫星气溶胶监测中高频观测不足、垂直信息获取困难、地基观测稀疏以及多参数反演能力有限等挑战，结合多源卫星观测、辐射传输模拟与人工智能方法，在逐小时气溶胶光学厚度反演、气溶胶垂直分层监测以及多波长、多参数光学特性联合反演方面取得系列进展。相关成果发表于Remote Sensing of Environment、ISPRS Journal of Photogrammetry and Remote Sensing等期刊，并获得国家发明专利授权。
基于迁移学习的逐小时气溶胶光学厚度反演
静止轨道卫星能够持续观测同一区域，为捕捉气溶胶快速变化和日内演变提供了重要条件，但不同卫星光谱配置差异以及全球地基观测分布不均，限制了其气溶胶反演能力。针对MSG-1/SEVIRI缺少蓝光等短波通道、部分覆盖地区地基观测稀疏的问题，团队提出融合Transformer与迁移学习的AeroTrans-GEO框架（图1），利用MERRA-2再分析数据进行预训练，并结合AERONET和SONET地基观测进行微调，将再分析数据中学习的气溶胶—辐射关系迁移至真实卫星观测，有效提升有限地基样本条件下的跨区域反演能力。该方法实现了欧洲、非洲及亚洲部分陆地区域逐小时、3 km分辨率的550 nm气溶胶光学厚度（AOD）反演，基于样本的十折交叉验证R2达到0.88；在更严格的跨洲留出验证中，迁移学习将相关系数R由0.23—0.47提升至0.71—0.78，体现出模型较强的跨区域泛化能力。基于逐小时反演结果，研究进一步揭示了气溶胶负荷显著的日内变化，其相对于日均值的平均变化幅度达到26% ± 15%，并成功追踪沙尘、野火和城市霾事件中气溶胶的快速演变与输送过程，为观测条件受限地区开展高频气溶胶监测提供了新的技术路径。
图1. 基于迁移学习的逐小时气溶胶光学厚度反演框架（AeroTrans）
该成果以“AeroTrans: Hourly AOD retrieval over land from MSG-1/SEVIRI imagery integrating Transformer and transfer learning”为题，于2026年2月11日在线发表于Remote Sensing of Environment。韦晶课题组2024级联合培养博士生范玉龙为论文第一作者，韦晶研究员、马里兰大学李占清教授和山东科技大学孙林教授为共同通讯作者。
基于深度学习的逐小时气溶胶垂直分层反演
AOD表征整层大气中的气溶胶负荷，但难以反映其垂直分布，而气溶胶所处高度直接影响其传输、辐射效应及近地面空气质量。针对地基和星载激光雷达空间覆盖有限、难以连续刻画区域气溶胶垂直变化的问题，团队构建了融合Transformer与全连接神经网络的TF-FCNN框架（图2），融合CALIPSO主动激光雷达与Himawari-8静止卫星多光谱观测，并结合辐射传输模拟分析不同光谱对气溶胶垂直结构的敏感性，引入地表双向反射分布函数信息降低复杂地表背景干扰，实现了从整层AOD到逐小时气溶胶垂直分层的拓展。该方法反演得到0.01—1 km、1—2 km和2—3 km三个高度层逐小时、2 km分辨率的气溶胶消光系数。三个高度层反演结果与CALIPSO观测具有较高一致性，十折交叉验证平均R2达到0.88。基于逐小时分层反演结果，研究进一步捕捉了城市霾和野火过程中不同高度气溶胶的快速演变及垂直差异，为高时空分辨率刻画气溶胶垂直结构和追踪污染物垂直输送提供了新的技术手段。
图2. 主被动卫星协同的逐小时气溶胶垂直分层反演框架（TF-FCNN）
该成果以“Unveiling diurnal aerosol layer height variability from space using deep learning”为题，于2025年8月27日在线发表于ISPRS Journal of Photogrammetry and Remote Sensing。韦晶课题组2024级联合培养博士生范玉龙为论文的第一作者，韦晶课题组2024级客座博士生范玉龙为论文第一作者，韦晶研究员与山东科技大学孙林教授为共同通讯作者。
多波长、多参数气溶胶光学特性的逐小时联合反演
在实现气溶胶负荷及垂直结构高频监测的基础上，仅依靠单一波长AOD仍难以全面刻画气溶胶的粒径组成及吸收、散射特性。围绕这一问题，团队在前期AeroTrans逐小时AOD反演工作的基础上，进一步提出融合CatBoost与Transformer的AeroCatTrans框架（图3），利用GOES-16/ABI静止卫星观测，将逐小时气溶胶反演由单一AOD拓展至多波长、多参数光学特性的同步获取。该框架结合CatBoost的非线性特征提取能力与Transformer对多参数、多光谱信息关联的表征能力，实现440—1020 nm多波长AOD、细粗模态AOD、单次散射反照率（SSA）和不对称因子（AF）的逐小时联合反演。多波长AOD与地基观测具有较高一致性，样本交叉验证相关系数R达到0.89—0.92；与GOES-16官方业务产品相比，平均有效覆盖率由37%提高至76%。逐小时反演进一步揭示了不同气溶胶光学参数显著不同的日内变化特征，其中多波长AOD的平均昼间变化幅度达到53%—56%，而SSA和AF相对较弱。在美国西部野火事件中，多参数联合反演能够更加完整地刻画火点周边及下风向烟羽的分布与演变，并显著减少浓烟区域的反演缺测，为研究野火气溶胶的日内变化、区域输送及光学特性提供了更加丰富的观测信息。
图3. 多波长、多参数气溶胶光学特性逐小时联合反演框架（AeroCatTrans）
该成果以“An integrated CatBoost–Transformer framework for multi-parameter multi-wavelength hourly aerosol retrieval from GOES-R observations”为题，于2026年10月27日在线发表于Remote Sensing of Environment。韦晶课题组2024级联合培养博士生范玉龙为论文第一作者，韦晶研究员为唯一通讯作者。系列研究得到教育部基础学科和交叉学科突破计划（JYB2025XDXM906）、京津冀区域环境综合治理国家科技重大专项（2026ZD1212900）、兵团重大科技项目（2025AA001）、北京大学中央高校基本科研业务费和国家自然科学基金（42571461）支持。
团队进一步改进该算法的精度与适应性，并将其拓展应用于其他多光谱卫星观测，形成“一种气溶胶光学特性多参数多波段联合遥感反演方法、装置及存储介质”，于2026年7月17日获国家发明专利授权（图4），专利号为ZL 2026 1 0537836.8，授权公告号为CN 122090283 B。专利权人为北京大学，发明人为韦晶、范玉龙、王志辉、邱兴华和朱彤。
图4. 气溶胶光学特性多参数多波段联合遥感反演方法发明专利证书
上述系列研究以人工智能为纽带，融合静止卫星、极轨卫星、星载激光雷达、地基观测等多源数据，首先突破单次过境观测的时间限制，实现气溶胶逐小时连续监测；进一步由整层二维AOD拓展至垂直分层结构，实现气溶胶的立体化刻画；在此基础上，由单波长、单参数AOD拓展至多波长、多参数光学特性的联合反演，实现对气溶胶粒径、吸收和散射特性的精细表征。系列成果推动气溶胶卫星遥感由低频向高频、由二维向立体、由单一参数向多参数发展，提升了对气溶胶日内变化、垂直输送及复杂光学特性的精细化监测能力，为沙尘、野火和城市污染过程追踪，以及气溶胶环境与气候效应研究提供了新的技术与数据支撑。
课题组在气溶胶卫星遥感智能反演方面的近期研究
Wei, J.*, Wang, Z., Li, Z., Li, Z., Pang, S., Xi, X., Cribb, M., and Sun, L. Global aerosol retrieval over land from Landsat imagery integrating Transformer and Google Earth Engine. Remote Sensing of Environment, 2024, 315, 114404. https://doi.org/10.1016/j.rse.2024.114404
Fan, Y., Li, Z., Sun, L., Wang, Z., Shi, X., Cheng, F., Wang, Z., Qu, Y., and Wei, J.* An integrated CatBoost–transformer framework for multi-parameter multi-wavelength hourly aerosol retrieval from GOES-R observations. Remote Sensing of Environment, 2027, 348, 115719. https://doi.org/10.1016/j.rse.2026.115719
Fan, Y., Li, Z., Sun, L., Dubovik, O., Wang, Z., Cheng, F., Shi, X., and Wei, J.* AeroTrans: Hourly AOD retrieval over land from MSG-1/SEVIRI imagery integrating Transformer and transfer learning. Remote Sensing of Environment, 2026, 335, 115268. https://doi.org/10.1016/j.rse.2026.115268
Fan, Y., Sun, L., Wang, Z., Pang, S., and Wei, J.* Unveiling diurnal aerosol layer height variability from space using deep learning. ISPRS Journal of Photogrammetry and Remote Sensing, 2025, 229, 211-222. https://doi.org/10.1016/j.isprsjprs.2025.08.021
