气溶胶细模分数（FMF）是区分人为气溶胶和天然气溶胶的一个关键参数，但它在卫星检索中具有很大的不确定性，尤其是在陆地上。 本数据集整合了物理和深度学习（Phy-DL）方法，以MODIS数据为基础，在全球陆地尺度上检索气溶胶微模分数，并以日时间分辨率和 1° 空间分辨率生成了20年（2001-2020 年）Phy-DL气溶胶精细模式分数（500 nm）。
（1）在本研究中，获得了 2001 至 2020 年 MODIS C6.1 L1B MOD02SSH 数据（即波段 1 至波段 7 的大气顶部（TOA）反射率）、MODIS C6.1 L3 MOD09CMG 数据（波段 1 至波段 7 的地表反射率）和 MODIS C6.1 L3 MOD08 每日数据，以检索 FMF。
（2）由于没有足够的 2.0 级数据作为建模的训练数据，因此我们使用了从全球 1170 个 AERONET 站点的数据中生成的 1.5 级 SDA FMF 数据集，作为进一步建模和验证的基础数据。
（3）由于气象因素对 FMF 的影响，五个气象变量（即 2 米气温、PBLH、表面气压、10 米风分量和 2 米露点温度）均来自欧洲中程天气预报中心（ERA5）的第五代产品，该产品提供 1950 年以来的每小时数据，空间分辨率为 0.25°。然后根据 2 米露点温度和空气温度计算相对湿度（Tetens，1930 年）。由于 MODIS 数据的时间和空间分辨率较高，因此只使用了当地时间 10:00 至 11:00 收集的监测时间气象数据，并将其重新采样为 1° × 1°，以获得日平均值。
在本研究中，我们采用串联模式将物理模型和深度学习模型结合起来，即把物理模型的输出作为深度学习模型的输入。使用的物理模型是 LUT-SDA（Yan 等人，2017 年）。LUT-SDA 专为仅有两个波长的 AOD（如 DT AOD 产品）时的卫星 FMF 检索而设计。首先需要三个波长的最少 AOD 才能获得 AE 导数（α′）。然后就可以计算出细模式 AOD 的 AE（αf）和 FMF。
基于对来自全球 1170 个 AERONET 站点的 361089 个数据样本的分析，Phy-DL FMF 数据集与气溶胶机器人网络（AERONET）的测量结果具有可比性。总体而言，Phy-DL FMF 的均方根误差 (RMSE) 为 0.136，相关系数为 0.68，在 ±20 % 预期误差 (EE) 范围内的结果比例为 79.15 %。此外，地表辐射预算（SURFRAD）观测结果的场外验证显示，Phy-DL FMF 的均方根误差为 0.144（72.50% 的结果在 ±20 % 的预期误差（EE）范围内）。Phy-DL FMF 的性能优于其他深度学习或物理方法（如我们之前研究中提出的光谱解卷积算法），尤其是在森林、草地、耕地以及城市和贫瘠土地类型方面。作为一个长期数据集，Phy-DL FMF 能够显示出全球陆地区域总体上显著下降的趋势（显著性水平为 95%）
| # | 编号 | 名称 | 类型 |
| 1 | 42030606 | 长江三角洲地气环境变化对极端气象影响机理研究 | 国家自然科学基金 |
| 2 | 91837204 | 青藏高原及周边大气水循环过程多尺度变化特征及其天气气候效应 | 国家自然科学基金 |
本作品采用
CC BY 4.0 （知识共享 署名 4.0 国际许可协议）进行许可。
CSTR:11738.11.NCDC.ZENODO.DB6527.2024
10.12072/ncdc.zenodo.db6527.2024
