气溶胶反演换用协作神经网络：SPEXone 全球产品精度提升，计算时间减少四成

全球气溶胶反演现在可以用协作神经网络给出初猜，再交给全物理反演收尾，陆地和海洋上的气溶胶光学厚度、Ångström 指数和细模态气溶胶光学厚度都比此前更接近地面观测。 此前的 RemoTAP 用多模态查找表提供初猜，只能对气溶胶光学厚度给出较好的起点，对微物理参数和吸收性气溶胶的初猜有限。 与 AERONET 地面观测比对，陆地气溶胶光学厚度的均方根误差为 0.051，海洋为 0.037，落入全球气候观测系统要求的比例分别为 78.3% 和 80.8%；Ångström 指数均方根误差从 0.204 降到 0.186（陆地）、从 0.242 降到 0.207（海洋），细模态气溶胶光学厚度均方根误差从 0.060 降到 0.047（陆地）、从 0.040 降到 0.031（海洋）。

初猜由三个按气溶胶光学厚度范围分工的检索神经网络给出，再用一个前向模型神经网络评估哪个结果最贴合实际测量，选出的状态向量作为全物理反演的起点。 单个多层感知机神经网络此前在机载多角度偏振反演中只能提高速度，未能证明最终产品精度提升；多模态查找表则受固定折射率和球形比例网格限制。 训练集用 RemoTAP 前向模型模拟 800 万个样本，按细非球形、细球形、粗非球形、粗球形四种主导模态分别构建；前向模型神经网络在陆地上对辐亮度的相对标准差小于 1.2%，对线偏振度的绝对标准差小于 0.0018。

气溶胶描述从参数化三模态扩展为四模态，新增细非球形模态，用来表示细颗粒的不可溶矿物尘和有机质。 此前的三模态描述包含一个细球形、一个粗非球形和一个粗球形模态，没有显式表示细非球形气溶胶。 对一年全球 AERONET 数据的分析显示，在气溶胶光学厚度大于 0.05 的细模态场景中有 21% 为非球形；加入该模态后，海洋上气溶胶光学厚度的落入要求比例从 76.0% 升到 80.0%，Ångström 指数均方根误差从 0.242 降到 0.218。

该工作面向使用多角度偏振仪数据的研究人员和业务化气溶胶产品生产者，验证覆盖 2024 年 3 月至 2025 年 2 月的一年 SPEXone 观测，并与 AERONET 地面站点比对。方法在 POLDER-3 测量上也做了实验，说明协作神经网络框架不限于单一仪器。产品已公开提供，供科学界使用。

协作神经网络对小的吸收性气溶胶光学厚度存在固有高估，全物理反演可以缓解这一偏差。细模态有效半径在海洋上的落入要求比例仍为 47.1%，粗模态有效半径的均方根误差较大。推导化学成分体积时所用的折射率基物种实部和虚部取值带有明显不确定性，例如棕碳虚部在蓝光波段的估计相差可达五倍。