AeroTrans：利用MSG-1/SEVIRI影像数据，结合Transformer模型和迁移学习技术，实现陆地地区每小时一次的大气臭氧浓度（AOD）反演

《Remote Sensing of Environment》：AeroTrans: Hourly AOD retrieval over land from MSG-1/SEVIRI imagery integrating Transformer and transfer learning

气溶胶光学深度（AOD）小时级反演模型AeroTrans-MSG基于Transformer架构和迁移学习，利用MSG-1/SEVIRI数据构建印度洋数据覆盖（IODC）区域能力，在交叉验证中R2达0.88，RMSE为0.079，有效捕捉日变化及污染事件动态。

　　

范玉龙|李占清|孙林|奥列格·杜博维克|王志辉|程帆|史晓航|魏静

山东科技大学测绘与地理信息学院，中国青岛

摘要

地球静止轨道（GEO）卫星具有捕捉昼夜变化和提供气溶胶循环宝贵信息的独特能力。然而，由于Meteosat第二代（MSG）卫星系列缺乏短波长（< 0.6 μm）通道，欧洲、非洲和西亚地区公开可用的具有足够准确性的每小时气溶胶产品仍然很少。因此，我们开发了一种新的“AeroTrans”深度学习框架，从2021年的MSG-1/SEVIRI图像中检索陆地上的550纳米气溶胶光学厚度（AOD），该框架通过印度洋数据覆盖范围（IODC）提供了更广泛的空间覆盖。该框架结合了先进的时序Transformer架构和迁移学习技术，利用预训练和微调技术。可解释人工智能（XAI）分析显示，多波长的卫星观测对AOD检索的贡献为38%，其次是观测几何形状（34%）。与地面AOD测量相比，我们的模型实现了高精度，平均十折交叉验证（CV）R²为0.88，均方根误差（RMSE）为0.079。此外，我们的模型在缺乏地面测量的地区和时期也保持了强大的预测性能，空间和时间基础的CV-R²值介于0.71到0.86之间。当排除每个大陆时，模型性能显著提高，精度明显提高（R = 0.71–0.78），而未经迁移学习的模型精度为（R = 0.23–0.47）。利用生成的可靠3公里分辨率AOD数据集，我们捕捉到了明显的昼夜气溶胶变化，其特征是日出后逐渐增加，在UTC时间10:00左右达到峰值，下午晚些时候下降，平均变化幅度约为日平均水平的26% ± 15%（年尺度上为0.22 ± 0.14），尤其是在北半球夏季，可达30% ± 19%。更重要的是，我们成功追踪了气溶胶的快速扩散及其在一天中的传输过程，这些过程由自然和人为排放驱动，包括沙尘暴、野火和城市雾霾。这些发现强调了我们的研究对于推进监测不足地区的气溶胶研究的独特价值，特别是关注极端事件期间的昼夜变化。

引言

气溶胶由悬浮在大气中的细小固体颗粒和液滴组成，它们可以直接散射和吸收太阳辐射，并间接改变云形成过程，从而影响天气和气候（Ramanathan等人，2001；Stier等人，2007；Li等人，2016；Watson-Parris和Smith，2022）。气溶胶光学厚度（AOD）量化了大气中的气溶胶负荷，并表现出显著的时间变化性，是理解这些影响的关键参数（Dong等人，2024；Ha等人，2020；Yang等人，2023）。虽然极轨卫星，如广泛使用的Terra和Aqua MODIS（Hsu等人，2013；Levy等人，2013；Lyapustin等人，2018）、S-NPP VIIRS（Hsu等人，2019；Sawyer等人，2020）和Sentinel系列（Mei等人，2018；Chen等人，2024）已经实现了全球AOD的监测，但它们仅在白天观测地球一次，这限制了它们捕捉气溶胶显著昼夜变化的能力，尤其是在沙尘暴、生物质燃烧和城市雾霾等动态污染事件期间（Arola等人，2013；Wang等人，2015；Zhang等人，2012）。

相比之下，地球静止轨道（GEO）卫星提供了前所未有的高频监测机会，将时间分辨率从每天提高到每小时/每分钟（Ceamanos等人，2023；Fan等人，2023；Kang等人，2022；She等人，2024）。最近，越来越多的GEO卫星可用于跟踪特定地区的昼夜气溶胶变化和传输过程，包括覆盖美洲和太平洋的GOES-R系列（Zhang等人，2020）、覆盖东亚和西太平洋的Himawari-8（Yoshida等人，2018）以及覆盖中国的FengYun-4（Si等人，2024）。目前，这些卫星的运行气溶胶产品已有可用，其中包含为地球静止卫星上的特定传感器定制的气溶胶检索算法，这些卫星由美国国家海洋和大气管理局（NOAA）、日本气象厅（JMA）和中国气象局（CMA）运营。这些产品是开放获取的，对各种应用都非常有价值，包括但不限于空气污染监测和气候研究，特别是用于估计地表颗粒物浓度（Wei等人，2021；Xia等人，2023；Zhang等人，2022）。

Meteosat地球静止卫星系列，包括Meteosat第二代（MSG）和Meteosat第三代（MTG）任务，已在欧洲、非洲和西亚地区运行，总共覆盖了全球大约45%的陆地表面。MSG上的主要传感器是旋转增强型可见光和红外成像仪（SEVIRI），它对于监测这一广阔地区的空气质量特别有价值，因为该地区的空气污染由多种排放源和气象过程驱动。例如，许多欧洲国家，如波兰、意大利、保加利亚和西班牙，由于强烈的人为排放和频繁的野火而遭受了空气质量差的问题（Chowdhury等人，2024；de Hoogh等人，2018；Dupuy等人，2020；Guerreiro等人，2014）。在非洲，空气污染通常是由于刚果盆地（世界第二大热带雨林）持续的野火以及南非等人口密集国家的重大人为排放共同造成的（Wei等人，2023）。此外，北非，特别是撒哈拉沙漠，特别容易受到频繁沙尘暴的影响，这些沙尘暴会影响周边地区并加剧附近大都市区的空气污染，如阿加迪尔、努瓦克肖特和廷巴克图（Engelstaedter等人，2006）。因此，加强对这一地区气溶胶负荷及其昼夜变化的监测对于推进空气质量和环境研究和管理至关重要。

已经有许多尝试从MSG/SEVIRI卫星观测中检索高时间分辨率的AOD。Popp等人（2007）引入了一种背景分析方法，该方法使用31天移动窗口内0.64 μm的最小表观反射率来估计地表反射率，并以25公里分辨率检索中欧的每小时AOD。Bernard等人（2011）通过假设地表反射率，检索了欧洲的每小时AOD，分辨率为3公里。还开发了双通道方法，并应用于检索中欧东部的5公里AOD（Zawadzka和Markowicz，2014），后来改进为整个地区的3公里（Xie等人，2020）。Luffarelli和Govaerts（2019）采用了地表和气溶胶联合反演（CISAR）算法，该算法连续改变解决方案空间中的所有状态变量，以从即时SEVIRI图像中联合检索地表反射率和气溶胶属性。Ceamanos等人（2023）进一步改进了最初由Carrer等人（2014）开发的AERUS-GEO算法，将AOD检索的时间分辨率从每天提高到即时，分辨率为3公里，覆盖欧洲、非洲和中东。然而，这些研究在AOD检索方面可能存在较大不确定性，尤其是在明亮表面（例如城市和沙漠）上，主要是由于缺乏短波长通道（例如蓝色或深蓝色），这些通道对于提高高反射率区域的气溶胶-表面对比度尤为重要（Hsu等人，2013；Lyapustin等人，2018）。

为了解决这些限制，我们开发了一个混合深度学习模型AeroTrans，它显著提高了从MSG-1/SEVIRI图像中检索陆地上的每小时AOD（550纳米）的能力，基于最近使用深度学习从GEO卫星检索AOD的研究（Fan等人，2023；She等人，2024；Tang等人，2025；Yeom等人，2022），以及我们使用Landsat高分辨率图像的长期记录的研究（Wei等人，2024）。该模型应用于2021年所有位于印度洋数据覆盖范围（IODC）区域的MSG-1数据，以检索550纳米的每小时AOD。该模型通过采用先进的时序Transformer架构，充分利用了多波长、高频的MSG-1/SEVIRI观测数据，并结合迁移学习来改进在测量有限的地区和时期的性能，利用从模拟模型输出中学习的先验知识。该模型首先在物理一致的AOD再分析数据上进行预训练，以嵌入关于气溶胶分布模式的先验信息，然后使用地面AOD测量数据进行微调，以捕捉区域和传感器特定的特征，从而增强在不同位置和时期的泛化能力和预测能力。该模型专门为陆地设计，解决了在复杂陆地表面和大气中进行气溶胶检索的更大挑战。它仅使用地面测量数据进行训练，不适用于海洋条件，因为海洋监测数据有限。独立的时空验证表明，AeroTrans-MSG在每小时AOD检索方面实现了更高的精度，并提供了关于昼夜AOD演变和主要污染事件传输动态的关键见解。第2节介绍了使用的数据；第3节描述了开发的深度学习框架；第4节展示和讨论了结果；第5节总结了研究。

章节摘录

MSG-1/SEVIRI观测

MSG-1（Meteosat-8）是第一颗MSG卫星，于2002年开始观测地球，并经历了三次轨道调整，最后一次调整是在2020年（Ceamanos等人，2021）。在我们的研究中选择MSG-1卫星是因为它位于41.5°E，具有更广泛的空间覆盖范围，即印度洋数据覆盖范围（IODC），覆盖欧洲、非洲，尤其是西亚（这对于研究其空气质量非常重要），与其他MSG卫星相比。SEVIRI传感器

MSG气溶胶检索框架

本研究提出了一种新的混合框架，用于气溶胶检索，结合了基于Transformer的深度学习模型（AeroTrans-MSG），该模型由迁移学习技术驱动，提供先验知识，支持和提高模型在陆地上的每小时AOD检索的适应性。

模型可解释性

我们应用了SHapley Additive exPlanations（SHAP）方法（Lundberg和Lee，2017），该方法利用深度学习架构内的梯度信息，作为可解释人工智能（XAI）技术的一部分来解释我们的AeroTrans-MSG模型。结果表明，来自MSG-1/SEVIRI卫星在0.64 μm处的TOA观测对气溶胶检索有最大的正面影响（即，该特征增加了模型的输出相对于基线）

总结与结论

地球静止卫星对于监测气溶胶的昼夜变化非常有价值。在这项研究中，我们通过结合先进的深度学习Transformer模型和迁移学习（AeroTrans-MSG）开发了一种新的每小时气溶胶光学厚度（AOD）检索框架，用于MSG-1/SEVIRI图像。该模型首先使用MERRA-2 AOD进行预训练，以学习广泛的气溶胶背景模式，然后使用实地AOD测量数据进行微调，以更准确地捕捉现实世界的情况

CRediT作者贡献声明

范玉龙：撰写 – 原稿撰写、验证、方法论、正式分析、数据整理。李占清：撰写 – 审稿与编辑、监督。孙林：撰写 – 审稿与编辑、监督、资金获取。奥列格·杜博维克：撰写 – 审稿与编辑。王志辉：验证、正式分析。程帆：验证、软件。史晓航：验证、软件、正式分析。魏静：撰写 – 审稿与编辑、监督、方法论、调查、资金获取。

利益冲突声明

作者声明没有利益冲突。

致谢

本工作得到了国家重点科技发展计划（2025AA001）和国家自然科学基金（42571461）的支持。