由于分子吸收的显著光谱变化，高光谱辐射传输（Hyperspectral Radiative Transfer）计算必须以优于仪器分辨率的精细光谱分辨率进行。目前严格的辐射传输方法是使用逐线积分（Line-By-Line）进行计算，然而这所需要的大量仿真，在时间和计算资源存储的消耗上对于卫星应用来说都是不切实际的。主成分分析法（Principal Component Analysis）是目前快速辐射传输领域中使用最为广泛，同时接受度也是最高的加速辐射传输的方式之一。同时近年来，机器学习（Machine Learning）成为了大数据处理的热门方法之一，诸如卷积神经网络模型（Convolution Neural Network）之类的方法也已用于辐射传输计算中。但是已有的快速辐射传输模型大部分是在辐射维度进行加速，即通过减少所需计算的单个独立辐射传输的数量或者散射模拟的数量从而达到加速整体辐射传输模拟的方式，但是对于高光谱的气体吸收和透过率模拟方面的计算探讨仍较少。同时，目前已有的快速辐射传输模型大部分是针对具体的仪器进行开发，不同仪器之间的系数相差较大，因此这些对应的模型也大多不互通。因此我们建立了基于多个维度的通用高光谱快速辐射传输模型。本模型分别在吸收系数和辐射维度进行了两次PCA或CNN方法的应用，且通过光谱和光谱以及光谱和高度之间的高相关性进行了代表性光谱和高度的选择，在加速辐射传输的基础上，减少了存储量，且对于不同的吸收气体均是独立完成的。并且该模型无需进一步的数据训练即可扩展到相似类型的仪器中。我们首先在风云-4A上搭载的GIIRS仪器进行了实验和评估，与标准逐线积分模拟相比，本模型比精确的辐射传输模拟速度快大约两个数量级，并且平均亮温差小于0.1K。

暂无