针对静止卫星（如Himawari-8/AHI）高频次观测需求，研究团队创新性地提出一种融合大气辐射传输模型与机器学习的AIRTrans算法。首先，研究团队基于辐射传输模型，充分考虑多种气溶胶类型光学特性与地表特性，构建了卫星仿真模拟数据库，预训练神经网络模型；之后，进一步通过地面实测数据对模型进行微调，显著提升真实场景泛化能力。该算法构建了小时级的地表反射率数据库，并综合考虑背景气溶胶的影响。
与地面观测数据的验证结果显示，AIRTrans算法在全球多区域独立验证中表现优异，AOT和FMF反演结果的均方根误差（RMSE）分别为0.132和0.146，较Himawari-8卫星官方产品精度提升约40%和49%。尤其在细模态比反演方面，该算法成功解决了官方产品存在的系统性低估问题。此外，在沙尘暴与雾霾污染事件的监测方面，AIRTrans算法成功捕捉到AOT与FMF时空演变过程，这将为极端污染的动态监测及预警提供新的契机。
该研究提出的算法框架具有很强的普适性，可拓展至其他多光谱传感器的气溶胶参数反演，为碳中和背景下大气污染精准治理、气候效应评估等需求提供关键技术支撑。该成果以“Development of a hybrid algorithm for the simultaneous retrieval of aerosol optical thickness and fine-mode fraction from multispectral satellite observation combining radiative transfer and transfer learning approaches”为题，发表于国际遥感领域顶级期刊《Remote Sensing of Environment》（中国科学院一区，IF=11.1）。
（文献见附件）