中国科学院合肥物质院在温室气体柱浓度高精度反演方法方面取得新进展

近日，中国科学院合肥物质院安光所高晓明研究员、刘锟研究员团队在温室气体柱浓度高精度反演方法方面取得新进展。相关研究成果以《基于激光外差辐射计的二氧化碳柱浓度多模态神经网络融合反演方法》为题，发表在Sensors and Actuators B: Chemical上。

大气二氧化碳(CO2)作为最主要的温室气体之一，其高精度监测对于全球碳收支评估和气候变化研究具有重要意义。激光外差辐射计(LHR)因具有高光谱分辨率、体积小和成本低等优势，被认为是地基温室气体柱浓度观测的重要技术手段。然而，传统基于全物理模型的反演方法依赖先验浓度廓线且计算复杂，需要反复调用辐射传输模型，导致计算成本高、实时性差，并易受初值影响产生偏差。

团队提出了一种多模态神经网络融合模型(MM-LHRNet)，用于LHR观测下的CO2柱浓度反演。该模型融合外差光谱信息、温度与压力廓线以及太阳天顶角等多源数据，通过构建端到端的神经网络，实现了多源信息的高效协同利用。经过实验分析，该方法在外场观测中表现出更高的反演精度和稳定性，显著优于传统非线性最小二乘方法。同时，该模型摆脱了对CO2先验廓线的依赖，反演速度较传统方法实现数量级提升，显著降低了计算成本并具备近实时应用能力。

博士研究生熊昊为论文第一作者，王贵师副研究员为论文通讯作者。本研究工作得到国家重点研发计划、国家自然科学基金项目等的支持。