蓝空地表反照率（Blue Sky Albedo，又称地物真实反照率）是影响青藏高原地表能量平衡的关键指标之一。结合站点观测与遥感影像，将站点尺度转换为空间尺度是估算区域蓝空地表反照率的主要方法。在地形崎岖、天气条件复杂、积雪覆盖变化快的青藏高原，依赖于经验系数的晴天蓝空地表反照率传统估算方法精度较低，亟需进一步提升。
为此，中国科学院青藏高原研究所地气作用与气候效应团队利用“青藏高原多圈层地气相互作用过程立体综合观测网络平台（TPEITORP）”多个站点的逐日蓝空地表反照率观测数据，结合中分辨率成像光谱仪（MODIS）中的气溶胶、水汽、标准化积雪指数、地表反射率等数据，使用卷积神经网络（CNN）构建出一个适用于估算复杂地表环境下蓝空地表反照率的深度学习模型。研究表明，相较与传统的基于长短期记忆网络（LSTM），残差神经网络（ResNet18）模型在提高地面观测数据与遥感数据之间的相关性具有显著优势。通过该模型模拟得到的蓝空地表反照率精度显著提高（平均绝对偏差小于0.05），特别是在具有均匀地表性质的区域，与中等分辨率成像光谱辐射计（MODIS）产品（MCD43A3）相比，改进尤为明显。
不同时间段内的变化率显示，青藏高原蓝空地表反照率的变化并不显著，但是受夏季植被绿度、冰川质量平衡的变化以及冬季雪盖波动等因素影响，年际波动较大。该研究结果揭示了青藏高原蓝空地表反照率变化趋势在空间上的差异，为优化蓝空地表反照率估算方法提供了新思路。
上述研究成果近日以“Estimating the daily mean blue-sky land surface albedo on the Tibetan Plateau using convolutional neural network”为题，发表在地球科学遥感类期刊《International Journal of Digital Earth》。我所博士后马彬为论文第一作者，马耀明研究员为通讯作者。研究获得国家自然科学基金重点项目（42230610），第二次青藏高原综合科学考察研究（2019QZKK0103）共同资助。
文章链接：https://doi.org/10.1080/17538947.2024.2431621
图1 卷积神经网络估算蓝空地表反照率的框架
图2 不同深度学习网络的模拟结果验证
图3 2000年至2022年青藏高原蓝天地表反照率月均变化趋势的空间分布
（红色网格区域显著性超过95%，P < 0.05，图中的湖泊区域未填充）
