积雪反照率是冰冻圈地表辐射与能量收支的关键参量之一，决定了地表反射和吸收太阳短波辐射的比例，并对区域气候和冻融循环具有显著的调节作用。近几十年来，由于表面融化和黑炭沉降，格陵兰冰盖的积雪反照率呈现显著的下降趋势。在冰雪反照率反馈机制和北极放大效应的共同作用下，格陵兰冰盖积雪反照率的变化会对局地气候和辐射能量收支产生重要的影响。因此，准确估算积雪反照率，对于研究气候变化背景下格陵兰冰盖的辐射能量收支至关重要。然而，传统的线性核驱动模型方法难以准确捕捉积雪反照率的变速时间变化特征，使得对格陵兰冰盖积雪反照率的遥感估算存在较大的不确定性。

针对该问题，本研究提出了一种耦合辐射传输模型和机器学习的格陵兰冰盖积雪反照率遥感估算方法(如图1所示)。首先，利用渐进辐射传输模型(asymptotic radiative transfer model)模拟不同积雪参量(雪粒径和污染物含量)和入射/观测角度(太阳天顶角、观测天顶角和相对方位角)情况下的积雪方向反射率和对应的反照率，构建积雪反照率-方向反射率训练数据集。然后，使用四种机器学习方法(k最近邻算法(k-Nearest Neighbors, kNN)、随机森林、极端梯度提升(eXtreme Gradient Boosting, XGBoost)和轻量级梯度提升机(Light Gradient Boosting Machine, LightGBM))建立积雪方向反射率与反照率之间的关系。最后，基于机器学习模型和MODIS(Moderate Resolution Imaging Spectroradiometer)传感器观测数据，估算格陵兰冰盖积雪的逐日反照率，并基于地面站点观测数据对遥感估算结果进行验证。研究结果表明，本研究提出的耦合辐射传输模型和机器学习的方法能够更好地反映积雪反照率随时间变化的特征(图2)。在四种机器学习方法中，XGBoost方法估算结果最优，与实地测量结果高度一致(R² = 0.893，均方根误差(root mean square error, RMSE) = 0.0545)，并且显著提升了计算效率。特别是在太阳天顶角较大时，传统方法估算结果存在显著的低估现象，而本研究提出的方法则与地面实测结果更为一致(图3)。该方法在生成格陵兰冰盖长期逐日积雪反照率数据集方面具有巨大潜力，可以为理解冰冻圈气候变化和地表辐射收支提供基础数据支撑(图4)。

研究成果近期以“A Radiative Transfer Model-Driven Machine Learning Approach to Estimate the Snow Surface Albedo Over the Greenland Ice Sheet”为题发表在IEEE Transactions on Geoscience and Remote Sensing 期刊上。我院博士研究生赵紫薇为第一作者，我院教师瞿瑛教授为通讯作者。该研究得到国家重点研发计划(2020YFA0714102)、国家自然科学基金(41971287)、中央高校基本科研业务费 (2412023YQ006)和吉林省教育厅科学研究项目(JJKH20231306KJ)的支持。

原文链接：https://ieeexplore.ieee.org/document/10925485

图1 耦合辐射传输模型和机器学习的格陵兰冰盖积雪反照率遥感估算方法

图2 遥感估算结果与地面观测数据的比较验证黑色线为地面站点观测结果(PROMICE)，

红色线为MODIS产品(MCD43A3)，深蓝色线为XGBoost方法估算的积雪反照率，浅蓝色线为太阳天顶角

图3 估算偏差随太阳天顶角的变化

(a)和(b)为本研究估算偏差随太阳天顶角的变化，(c)和(d)为MODIS产品估算偏差随太阳天顶角的变化

图4 基于本研究方法估算的格陵兰冰盖积雪反照率月均值