编辑推荐：
地表太阳辐射（SSR）对地球至关重要，但现有卫星 SSR 产品空间分辨率有限。研究人员构建地球静止卫星网络观测（GSNO）系统监测 SSR。结果显示该系统精度高、时空分辨率（STR）高，为相关研究和应用提供有力支持。
在地球的能量循环中，地表太阳辐射（Surface Solar Radiation，SSR）扮演着极为关键的角色。它是地球表面生命活动的主要能量来源，就像为地球上的各种生命 “充电” 的 “超级电源”，驱动着陆地表面的各种物理、化学和生物过程。同时，它也是气候系统的重要驱动力，影响着气候变化的走向，还与植物的光合作用息息相关，关乎着生态系统的平衡与稳定。此外，在太阳能利用方面，SSR 更是核心要素，其变化情况直接决定了太阳能的可利用程度。
然而，目前的卫星 SSR 监测面临着严峻的挑战。尽管卫星遥感是监测 SSR 变化的有效手段，但即便是最先进的卫星 SSR 产品，如云层与地球辐射能量系统（Clouds and the Earth’s Radiant Energy System，CERES）和国际卫星云气候学项目（International Satellite Cloud Climatology Project），它们的空间分辨率也仅能达到几百公里。这就好比用一个像素很大的相机拍照，只能看到大致的轮廓，却无法捕捉到细微的细节。这种低分辨率严重阻碍了对 SSR 的精细化观测和应用，许多局部地区的辐射变化信息被遗漏，使得我们对地球表面能量平衡过程的理解不够深入。
为了解决这些问题，中国科学院空天信息创新研究院遥感与数字地球国家重点实验室的研究人员展开了一项极具创新性的研究。他们构建了地球静止卫星网络观测（Geostationary Satellite Network Observation，GSNO）系统，旨在实现近全球范围内的 SSR 监测。
研究人员的努力取得了令人瞩目的成果。通过该系统，他们成功获取了具有高精度、高时空分辨率（Spatial and Temporal Resolution，STR）的 SSR 组成（SSR Composition，SSRC）数据。这一成果意义非凡，它不仅有助于更深入地理解地球表面的能量平衡过程，为气候变化研究提供更精准的数据支持，还能在太阳能资源评估、植物光合作用模拟等领域发挥重要作用，为相关产业和科研工作提供有力的支撑。这项研究成果发表在了《The Innovation》杂志上。
在研究过程中，研究人员运用了多个关键技术方法。首先，在卫星数据融合方面，他们整合了中国的风云四号 A/B（FY - 4A/B）、日本的葵花 - 8 号（Himawari - 8，H - 8）、欧洲的 MSG 和美国的 GOES - 16 等四颗地球静止卫星的数据。其次，针对不同卫星传感器的光谱特性，开发了通用的 SSRC 反演算法，包括云检测和云相分类、云微物理属性反演、气溶胶和气体吸收处理等。最后，构建了神经网络辐射传输（Neural Network Radiative Transfer，NN - RT）求解器，提高了计算效率和精度。
构建地球静止卫星网络观测系统
研究人员基于统一的卫星反演框架，提出了一种协同监测 SSR 的方法，即将地球静止卫星网络观测系统（GSNO）集成起来。该系统由四颗地球静止卫星组成，分别位于不同的经度位置，通过组合不同位置卫星的观测数据，实现了前所未有的空间分辨率（达到公里级）和每小时一次的时间分辨率，能够在近全球区域内有效捕捉 SSRC 的精细变化特征，揭示地球表面能量平衡过程的信息。
开发通用的 SSRC 反演算法
- 云检测和云相分类：研究人员开发了一种基于多光谱表观反射率、亮度温度以及一系列辅助数据的云检测方案，采用多源阈值法，显著提高了云检测的准确性和可靠性。同时，利用卫星的红外通道和动态阈值技术分析云顶温度等信息，实现了云相检测。此外，通过引入卫星天顶角作为动态标准，解决了卫星重叠区域云检测结果不一致的问题，构建了全面的云覆盖置信图。
- 云微物理属性反演：基于光谱匹配，利用最优估计方法结合每个传感器的可见光和短波红外（SWIR）波段，同时反演云水和冰云的云光学厚度（Cloud Optical Thickness，COT）和云有效半径（Cloud Effective Radius，CER）。针对冰云散射建模的难题，开发了先进的 Voronoi 非球形散射模型。
- 气溶胶和气体吸收处理：由于气溶胶类型难以直接从单个传感器中获取，研究人员将全球气溶胶同化产品集成到辐射传输（Radiative Transfer，RT）模型中，以估计 SSRC。同时，通过相关 k 分布方案考虑气体吸收，该方案结合了 ERA5 全球再分析数据中的可降水量水汽和总柱臭氧。
- 神经网络 RT 求解器：为了实现近全球尺度的 SSRC 监测，研究人员构建了神经网络 RT 求解器。该求解器基于大量的训练数据，考虑了多种因素，计算速度比全物理 RT 模型快 90,000 多倍，计算误差小于 0.3%。
GSNO 系统的 SSRC 监测
从 GSNO 系统获取的 SSRC 数据的空间分布模式表明，太阳入射位置和云层是影响 SSRC 的关键因素。直接分量的高值主要集中在太阳天顶角较小、大气透过率较高的区域；而漫射分量的变化更为复杂，薄云会因云粒子的前向散射作用增加漫射分量，厚云则会对漫射辐射产生更强的消光作用。在卫星未覆盖的区域，研究人员基于晴空假设估计 SSRC，同时考虑了气溶胶、气体吸收和表面反射的影响。
验证和比较
研究人员采用基准地面辐射网络（Baseline Surface Radiation Network，BSRN）的原位测量数据，对 GSNO 系统的 SWR 数据进行验证。结果显示，GSNO 系统的 SWR 数据与原位测量数据高度吻合，其每日平均均方根误差（Root Mean Square Error，RMSE）和相关系数（Correlation Coefficient，R）优于 CERES 和 ERA5 产品。此外，GSNO 系统在时空分辨率上具有显著优势，能够在近全球区域解析更多 SWR 细节，捕捉云和气溶胶变化的局部特征。
研究构建的 GSNO 系统为 SSR 监测带来了新的突破。该系统通过多卫星协同观测和先进的算法，实现了高精度、高时空分辨率的 SSRC 监测。其获取的数据在太阳能资源利用、地球表面能量平衡评估、植物光合作用建模以及保护人类皮肤健康等多个领域具有广泛的应用前景，为相关研究和实践提供了强有力的数据支持，推动了地球科学和环境科学领域的发展。未来，随着技术的不断进步，有望进一步优化 GSNO 系统，提高监测精度和范围，为解决全球气候变化和能源问题做出更大的贡献。
