高精度+近实时！安光所解锁温室气体监测新路径

在温室气体监测技术迭代的赛道上，“高精度”与“实时性”始终是行业追求的双重核心，也是长期困扰地基观测领域的技术瓶颈。近日，中国科学院安徽光机所（下称“安光所”）高晓明、刘锟研究员团队的一项新成果，成功打破这一困境，为温室气体柱浓度反演技术的工程化应用打开了新窗口。

作为全 球气候变化研究与碳收支评估的核心抓手，二氧化碳（CO₂）的高精度监测一直备受关注。在地基观测领域，激光外差辐射计（LHR）凭借高光谱分辨率、体积小巧、成本可控的独特优势，早已成为行业内公认的优选技术方案。但实际应用中，传统基于全物理模型的反演方法，却始终存在难以逾越的短板：过度依赖CO₂先验浓度廓线，计算过程繁琐且需反复调用辐射传输模型，不仅推高了计算成本，更导致实时性大打折扣，同时易受初始值影响出现偏差，难以满足实际观测中的精准化、高效化需求。

针对这一行业痛点，安光所团队的王贵师研究员、博士研究生熊昊等人，跳出传统物理模型的局限，创新性地提出了多模态神经网络融合模型（MM-LHRNet），专门适配LHR观测场景下的CO₂柱浓度反演。不同于传统方法的“单一数据依赖”，该模型最大的亮点的是实现了多源数据的高效协同——将外差光谱信息、温度与压力廓线、太阳天顶角等关键参数深度融合，通过端到端神经网络的构建，让多维度数据形成互补，彻底解决了传统方法的信息割裂问题。

从实际应用效果来看，这项新技术的突破尤为显著。经过外场观测实验验证，MM-LHRNet模型的反演精度与稳定性，均明显优于传统非线性最小二乘方法；更关键的是，它彻底摆脱了对CO₂先验廓线的依赖，反演速度较传统方法实现了数量级提升，既大幅降低了计算成本，更具备了近实时应用能力——这意味着，未来该技术可快速落地到各类地基观测场景，为温室气体监测提供更高效、更精准的技术支撑。

据悉，该研究工作得到了国家重点研发计划、国家自然科学基金等项目的资助，其成果不仅填补了激光外差辐射计与神经网络融合反演领域的技术空白，更为我国温室气体监测仪器的国产化升级、核心技术自主可控提供了重要支撑，也为全 球气候变化研究提供了更可靠的观测技术方案。