一种基于风云二号卫星数据估算地表太阳辐射的新方法

《Remote Sensing of Environment》：A novel scheme for estimating surface solar radiation based on Fengyun-2

本研究提出基于DenseNet的云透射率驱动框架，利用Himawari-8高精度辐射产品替代地面观测作为训练标签，结合物理模型实现大范围SSR精准反演，有效规避云参数复杂性和站点稀疏性带来的误差，在中国地区验证模型表现优异（R=0.92，RMSE=107.2 W/m2）。

　　

杨金燕|梁宏|何俊梅|胡冰|袁传明|唐文军

中国云南师范大学地理学院，昆明650050

摘要

传统的地表太阳辐射（SSR）估算方法受到地面观测站分布稀疏、数据质量不一致以及代表性不足的限制，而基于云参数的物理反演方法在复杂云条件下容易出错。为了解决这些问题，我们提出了一个基于DenseNet的、以云透射率为驱动的框架。该框架首次使用高精度的Himawari-8辐射产品作为训练参考，而不是地面观测数据，并利用云透射率作为模型目标来估算中国范围内的SSR。这一策略消除了对稀疏地面观测站的依赖，减少了云参数反演带来的误差，从而显著提高了模型的稳定性。通过与120个中国气象局（CMA）观测数据的对比评估，该模型实现了0.92的小时相关系数（R）、107.2 W m^?2的均方根误差（RMSE）以及-0.2 W m^?2

引言

地表太阳辐射（SSR），也称为全球水平辐照度（GHI）、地表向下短波辐射（DSR）或地表入射短波辐射，代表了到达地球表面的总太阳能量（Chong等人，2025；He等人，2023；Husi等人，2020a；Jiao等人，2023）。SSR在气候变化研究（Yuan等人，2021）、太阳能资源评估（Tahir和Asim，2018）、农业生产力估算（Zhao等人，2024）以及生态系统过程调节（Tan等人，2023；Wild等人，2015）中起着关键作用。高精度的大规模SSR数据不仅支持气候系统建模和过程分析，还为光伏电站选址和作物生长条件评估提供依据（Husi等人，2020b；Jadhav等人，2025）。因此，准确和详细的SSR信息对于太阳能资源评估和气候服务具有重要意义（Huang等人，2019；Jadhav等人，2025）。

通常，

有三种获取SSR的方法：地面观测（Xu和Mao，2024）、数值建模（Tong等人，2023）和卫星遥感反演（Liang等人，2019）。现场观测具有高精度，但由于观测站分布稀疏、数据质量不一致、空间代表性有限以及维护成本高，不适合大规模和长期应用（Tang等人，2011；Wang等人，2016）。数值模型能够在区域和全球尺度上生成空间和时间连续的SSR场；然而，它们的分辨率和精度受到输入数据质量和物理过程参数化的限制，导致云模拟存在显著不确定性（Huang等人，2019；Hyder等人，2018；Zhang等人，2020）。与地面观测和数值建模相比，卫星遥感具有广泛的空间覆盖范围、高的时间频率和时空一致性。它能够实时监测云场演变和辐射变化，有效弥补了地面观测站空间覆盖范围有限和数值模型不准确的问题，使其成为观测SSR变化的最有效方法之一（Huang等人，2019；Li等人，2023；Shi等人，2025）。

用于卫星SSR反演的主要方法有两种：基于物理辐射传输的模型和统计方法（Huang等人，2019）。物理模型基于辐射传输理论，其准确性取决于输入的大气和地表参数的精度，尤其是云和气溶胶信息（Husi等人，2020a）。统计方法可以分为传统统计方法和统计优化方法（包括机器学习）。这些方法计算效率高，易于实现和解释（Huang等人，2019；Husi等人，2020a）。随着数据驱动技术的进步，深度学习进一步扩展了SSR反演的潜力。卷积神经网络（CNN）可以从多光谱遥感图像中自动提取空间特征，有效捕捉复杂的非线性关系（Ma等人，2019）。利用静止环境卫星（GOES）、Meteosat系列（Schuurman和Meyer，2025）、Himawari-8（Peng等人，2020）等卫星数据取得了显著进展。Jiang等人（2019）利用静止卫星数据生成了小时级SSR估算，展示了深度网络在非线性拟合方面的优势。Song等人（2025）提出的STARNet模型在准确性和泛化能力上超过了物理方法和传统的基于像素的数据驱动方法。Chu等人（2024）报告称，与基于规则的模型或浅层机器学习相比，深度神经网络在准确性、泛化能力和鲁棒性方面更具竞争力。然而，大多数当前的深度学习模型严重依赖地面辐射观测作为训练标签。这种依赖性限制了它们在观测站数据稀疏或质量不均地区的性能，并降低了空间泛化能力。此外，许多研究采用端到端策略直接反演SSR，而没有明确结合关键物理过程，这削弱了模型的可解释性和外推可靠性。

近年来，新一代静止卫星如Himawari-8、Fengyun-4（FY-4）系列和GOES-R系列在时空分辨率和数据质量上取得了显著改进。已经发布了多种高分辨率SSR产品，极大地推动了与SSR相关的研究和应用（Huang等人，2025；Huang等人，2019；Husi等人，2020b；Li等人，2023；Xia等人，2025）。尽管这些区域产品得到了广泛应用，但除了FY-4卫星产品（Huang等人，2025）外，大多数产品对中国缺乏完整覆盖，且在偏远和高纬度地区的性能评估仍然有限。FY-4A卫星自2017年开始运行，反演精度相对较低，且运行记录较短。为了获得更广泛和更高质量的时空信息，通常会从不同卫星拼接SSR产品。然而，由于不同卫星系列在观测几何、辐射校准、通道配置和反演算法上的差异，多源卫星拼接的产品在重叠区域经常出现不一致性（He等人，2025）。

Fengyun-2（FY-2）卫星系列已在轨运行超过二十年。其搭载的可见光和红外自旋扫描辐射计（VISSR）每小时（洪水季节为每半小时）获取全盘图像，为中国地区的长期高频率辐射估算提供了数据支持。国家卫星气象中心（NSMC）发布了近二十年的VISSR SSR产品，支持中国及邻区的常规监测和应用（CMA，2017a）。中国气象局（CMA）的土地数据同化系统（CLDAS-V2.0）以0.0625°网格间隔，提供亚洲地区的实时SSR变量，时间步长为每小时和每天（CMA，2017b）。此外，Huang等人（2025）最近基于FY-2数据开发了高分辨率辐照度数据集（空间分辨率为1.25公里，时间分辨率为1小时）。然而，这些产品的精度明显低于国外同类卫星产品，大多数产品的小时RMSE超过120 W m^?2，与ERA5辐射产品的精度相当（Jiang等人，2020），给中国的地表太阳资源评估和地表过程模拟带来了较大不确定性。

传统的物理方法通常需要反演云微物理或光学参数作为辐射传输建模的关键输入。在复杂云条件下，这一步引入了较大的不确定性，可能会放大误差并影响准确性和稳定性。与国外类似的静止卫星相比，FY-2系列的校准精度较低，传感器探测能力较弱，进一步限制了物理反演方法的性能。此外，由于缺乏高质量的地面辐射观测数据，机器学习方法也无法达到最佳性能。基于这些考虑，我们提出了一个深度学习框架，将云透射率学习与晴空辐射建模相结合。该方法使用云透射率作为模型输出，表示云对太阳辐射的整体衰减，而晴空SSR则通过物理参数化方案得出。这种设计避免了直接反演详细的云光学特性，从而减少了与云不确定性相关的误差传播，同时将可靠的物理约束引入学习过程。此外，为了解决地面观测站分布稀疏和不均匀导致的弱监督信号问题，我们使用高精度的Himawari-8辐射产品作为训练标签。通过结合FY-2卫星的可见光和红外通道测量数据以及太阳几何信息，该框架实现了中国范围内的稳健SSR估算。这种方法为SSR估算提供了一种新颖且有效的方法，能够在复杂云条件和低质量地面数据的情况下准确估算地表辐射，具有重要的实际应用潜力。

本文的其余部分组织如下：第2节描述了本研究使用的数据，包括输入和验证数据集。第3节介绍了用于云透射率的深度学习模型和晴空SSR估算的物理算法。第4节报告了结果。第5节讨论了不同因素对模型性能的影响。第6节提出了结论。

节选内容

FY-2数据

FY-2系列卫星是中国第一代自主研发的静止气象卫星，旨在提供连续的天气监测。它们配备了关键的VISSR仪器，包括一个空间分辨率为1.25公里的可见光通道和四个空间分辨率为5公里的红外通道（表1）。在常规模式下，每小时生成一张全盘图像，在洪水季节间隔缩短至30分钟。

方法

为了估算SSR，本研究开发了一个结合物理机制和深度学习的新型反演框架。该框架的核心是一个深度卷积神经网络（DCNN），首先估算云透射率，该参数表征了云对SSR的整体衰减。然后将晴空辐射数据与估算的透射率结合，得到全天SSR。框架中使用的数据输入、模型架构和输出组件在

模型训练和验证

我们开发、训练并评估了一个基于深度学习的云透射率模型来估算SSR。该模型的基础是DenseNet架构。输入包括FY-2可见光数据、红外通道的亮度温度以及辅助的太阳角度变量。输出目标是云透射率。监督标签是Himawari-8基SSR产品提供的全天SSR与晴空SSR的比率，后者代表了真实的云透射率。

深度CNN结构对模型性能的影响

DenseNet中的密集层间连接促进了特征的重用，并增强了细尺度结构的表征能力，而更大的网络深度使得更复杂的非线性特征得以提取（Huang等人，2017）。在基于DenseNet的云透射率估算框架中，模型精度同时受到网络深度和输入空间块大小的影响。在相同的训练和验证设置下，我们系统地测试了从50到200的深度

结论

在这项研究中，我们开发了一个深度学习框架，有效地将云透射率学习与高精度卫星产品相结合来估算SSR。该方法利用高精度的Himawari-8辐射产品作为训练标签，并直接预测云透射率作为模型输出，从而克服了传统方法的主要限制——特别是它们对稀疏地面观测站的依赖以及对复杂、易出错的云参数的需求

CRediT作者贡献声明

杨金燕：撰写——原始草稿、验证、软件开发、调查。梁宏：资金获取。何俊梅：撰写——审稿与编辑、验证、软件开发。胡冰：撰写——审稿与编辑。袁传明：撰写——审稿与编辑。唐文军：撰写——审稿与编辑、资金获取、概念构思。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

本工作得到了国家重点研发计划（项目编号：2024YFF0729100）和国家自然科学基金（项目编号：42171360、42371370和42171392）的支持。FY-2一级数据可从国家卫星气象中心（NSMC）获取（http://satellite.nsmc.org.cn/portalsite/default.aspx）。中国气象局（CMA）的现场观测数据可从其官方网站获取（http://www.nmic.cn/）。