行星地形

大气剖面的温度、水蒸气、二氧化碳等微量气体

地表和大气的矿物和化学成分

冰冻圈的性质，如雪，海冰，冰川和融化的池塘

热层，电离层和磁层的粒子和电磁特性

02

卫星遥感发展的重大挑战

卫星遥感发展的总体重大挑战是发现创新和负担得起的技术和测量概念来解决新问题，并处理过去半个世纪卫星遥感实验后暴露出来的问题。具体而言，预计将解决几个互补的方面：

1.提高卫星观测的空间和时间覆盖范围及分辨率

卫星遥感的主要优点之一是能够快速观测地球的大片区域。同时，当前可用卫星数据的覆盖范围限制也很明显。

例如，近地轨道（LEO）的极轨道成像仪通常至少在一天（但大多是两天或更长时间）内实现全球覆盖，因此许多具有较高时间和空间可变性的自然现象没有被完全捕获。

在这方面，高轨道地球静止观测（GEO）通过提供对同一物体的频繁昼夜观测来解决这一限制。

然而，在空间覆盖范围和卫星图像分辨率之间需要权衡（通常覆盖范围越高，空间分辨率越低）。对于许多应用来说，实现具有广泛的时空覆盖范围和高空间分辨率的观测是可取的，但也极具挑战性。

因此，卫星观测的设计可能需要新的创新、辅助数据和互补观测的协同作用，以解决具体物体和相关问题。

2.增加信息内容和探索观测的协同作用

虽然卫星观测的高能力已被明确记录，但目前我们的卫星仪器提供的数据对许多应用的信息内容有限。因此，部署具有增强功能的新传感器是可取的和有计划的。

例如，人们已经清楚地认识到，多角度旋光仪（MAP）为表征大气气溶胶和云的详细柱状特性提供了最合适的数据，因此预计未来十年对气溶胶和云表征中的极化数据的关注将显著增加。

欧洲和美国航天机构计划在未来几年内发射几项先进的极化任务，包括MetOp-SG卫星上的3MI（多视角多通道多偏振成像任务），气溶胶多角度成像仪（MAIA）仪器，Spex（行星探索分光偏振仪）和超角彩虹旋光仪（HARP），作为NASA PACE任务的一部分、多光谱成像旋光仪 （MSIP）/气溶胶-UA，作为哥白尼 CO2M 任务一部分的 MAP 仪器等。

此外，中国国家航天局（CNSA）在极化传感器方面进行了大量投资。CNSA最近推出了几种极化遥感仪器，包括MAI/TG-2、CAPI/TanSat、DPC/GF-5和SMAC/GFDM，并计划在未来几年推出POSP、PCF、DPC-Lidar。

这些仪器的概念、它们的技术设计和算法开发已经使用机载原型进行了深入讨论和测试，Duibovik 等人详细讨论了这些仪器的概念。

同样，卫星激光雷达和雷达的数量预计也会增加，因为主动遥感仪器提供了关于大气垂直变化的详细信息。事实上，大多数主要的航天机构都在推行天基激光雷达计划。

例如，美国宇航局于2003年在ICESat卫星上发射了地球科学激光高度计系统（GLAS），2006年在CALIPSO卫星上发射了具有正交极化的云气溶胶激光雷达（CALIOP），2015年在国际空间站上发射了云气溶胶运输系统（CATS），2018年在ICESat-2上发射了先进地形激光高度计系统（ATLAS）， 此外，作为生命星球计划（LPP）的一部分，欧空局于2018年在Aeolus卫星上发射了阿拉丁测风激光雷达，CNSA将于2021年发射DPC-Lidar机载CM-1卫星，欧洲/日本的EarthCARE联合卫星（预计于2023年发射）将包括以前从未在太空飞行过的高性能激光雷达和雷达技术。

这些任务的成功和前景使激光雷达成为未来观测系统的重要组成部分。

同时，在复杂环境中，没有一种单一传感器可以提供有关目标物体的全面信息，因此需要探索互补观测的协同作用。

即使是最先进的多角度旋光仪也无法确保气溶胶的可靠3D表征，因为对气溶胶和云的垂直变化的敏感性有限。

激光雷达和MAP仪器结合了观测结果，提供了大气的3D表征

如图所示，协调被动和主动观测的价值在规划卫星任务时已得到明确承认和考虑。例如，A-Train卫星星座提供极化，辐射，激光雷达和其他补充数据。同样，正在进行的NASA气溶胶和云，对流和降水（ACCP）研究考虑通过被动（旋光仪，光谱仪，微波辐射计）和主动（激光雷达和雷达）传感器部署协调观测。

此外，下一代遥感反演打算探索依赖于不同仪器观察结果的协同反演。

例如，检索大气气溶胶特性的主要挑战是区分气溶胶颗粒散射的光与云、大气气体和下垫表面散射的光。专为气溶胶监测而设计的卫星传感器，例如 MODIS（辐射计）或 POLDER（旋光仪），可能不具备去除云、气体和表面污染物的最佳能力。

同样，土地反射率观测通常需要消除大气气溶胶和气体中的散射;同样，大气气体监测也可能受到气溶胶和云污染的影响。

因此，对云、气溶胶和气体具有不同灵敏度的多种仪器进行观测总是可取的。在不均匀表面上被云和痕量气体污染的气溶胶测量的分析可能受益于多种仪器的协同测量。红外图像、激光雷达和雷达观测可用于限制云部分，光谱数据对气体浓度具有高灵敏度，高分辨率图像有助于减少与地表异质性相关的不确定性。

例如，通过 MAP/CO 同时进行多角度极化观测2在CO框架内部署的M和DPC2预计欧盟/哥白尼和GF-5中国任务将为大气校正和温室气体监测提供信息。

事实上，一氧化碳以及OCO和GOSAT等仪器获得的其他气体仅在大气气溶胶极少的条件下提供。

在这方面，在哥白尼CO中添加了MAP观测2预计M任务将改善在中度和可能高度存在气溶胶的情况下的温室气体表征。作为 NASA PACE 任务的一部分，SPEX 和 HARP 旋光仪仪器有望补充来自 OCI 的高光谱辐射数据，从而提供更准确的气溶胶信息，有助于检索海洋表面和地下特性。

另一个将偏振测量与高分辨率光谱相结合的卫星的例子是CNSA于2020年7月3日成功发射的高分辨率和多模集成成像卫星。

最后，卫星数据与地面和亚轨道目标测量的协同使用也是一个重要的考虑因素。

例如，密集城市中心的景观和表面属性往往是高度异质的。因此，大气过程和动态受到高度变化的局部活动的影响，对环境空气质量的观测需要具有高时间频率和高空间分辨率。具有不同赤道穿越时间的小型和较便宜的所谓纳米或立方体卫星星座可以通过增加轨道仪器的数量来改善覆盖范围。

此外，表面测量和常规亚轨道测量也可以增强人口稠密地区的卫星检索。

例如，Liu等人提出了一种PM监测技术，该技术使用地面测量和并置卫星观测中PM浓度的地统计回归。当测量不可用或受到污染时，通过使用化学传输模型来填补时间和/或空间空白，从而有助于回归。MAIA项目正在使用这种方法来对硫酸盐，硝酸盐，铵，黑碳，有机碳和灰尘等气溶胶成分进行分类。然后将空间PM信息与健康记录进一步结合，以更好地了解气溶胶污染物与不良公共卫生问题之间的关系。

解决结合不同仪器观测结果的视场差异是另一项挑战。在这方面，使用A-Train星座内部署的具有不同视场的多个仪器的数据所积累的经验为未来的任务提供了宝贵的见解。

3.开发下一代最先进的数据处理方法

遥感检索算法的质量是影响最终产品质量的另一个关键方面。事实上，一旦部署了仪器，结果观测数据的质量就无法从根本上提高，而检索算法仍在不断改进。

最终的遥感产品可能明显不同，这不仅是因为从不同仪器摄取数据，而且由于检索概念的改进。在这方面，新一代遥感检索算法在过去十年中取得了长足的进步。

例如，新算法往往依赖于快速准确的大气建模（而不是使用预先计算的查找表或LUT），并且能够检索大量参数。此外，还实施了同时检索气溶胶特性以及地表特性和/或云特性。

最后，在上述欧盟/哥白尼的框架内，联合反演二氧化碳和气溶胶特性是降低气溶胶污染对衍生二氧化碳产物影响的一种有前景的方法。

检索算法进化本身的基本逻辑表明，利用不同观察的协同作用来提高检索的准确性的潜力很高。

此外，开发可应用于不同观测或其组合的多功能仪器独立算法的想法越来越流行。气溶胶和表面特性的广义检索（GRASP）是这种算法的一个例子。该算法可用于各种卫星和地面无源和主动测量。它还已成功应用于激光雷达剖面和柱状辐射测量的同时协同反演。

在精确的云卫星遥感方面仍然存在一些算法挑战。准确高效的辐射传递模型是先决条件。虽然独立柱近似法广泛用于检索云滴尺寸和光学深度，但由云水平不均匀性（云顶粗糙度）引起的三维辐射转移（RT）效应可能是检索偏差的原因。

云的3D性质在研究云和气溶胶之间的相互作用（例如，在云边缘）时变得更加关注，从将它们的检索耦合到一个联合框架开始。在此背景下，迫切需要为几何和光学复杂介质开发反演目标快速而准确的3D RT模型，并结合气体吸收的光谱特征并正确采用云粒子散射模型。还需要开发可靠的三维辐射模型，以说明地表的水平异质性，以便充分解释所有卫星图像。

另一个相关的悬而未决的问题是构建3D云场来模拟3D辐射场，这可以使用主动和被动传感器的组合来解决。

许多建模和观测研究表明，卷云在促进天气和气候过程方面发挥着重要作用。虽然光学很薄，卷云具有全球存在并调节地球的辐射，并在气候系统中发挥重要作用。卷云粒子具有高度不规则的形状，其单散射特性（例如单散射反照率和散射相位函数）与球形粒子显着不同。

如果算法不能识别这些不规则的形状，它们可能会导致气溶胶和云检索中的重大偏差。因此，识别具有代表性的卷云颗粒模型并将其纳入气溶胶检索是一个非常有前途的方向。

此外，卫星数据的使用与全球气候和化学品迁移模型（CTM）的进展高度一致。例如，可靠的气溶胶检索可以吸收到化学运输模型（CTM）中，以便在无法获得观测时提供准确的气溶胶负荷。

同时，光谱和极化信息对约束气溶胶类型具有很高的敏感性，卫星数据可能为改善化学运输模型中大气成分的全球排放提供额外的限制。

因此，将卫星数据处理与现有模型信息协同是推进卫星遥感的另一个极具前景的研究领域。

最后，目前，机器学习方法越来越多地用于从遥感和地理空间数据中提取模式和见解。人工智能的这一分支非常适合分析和解释地球观测数据并具有吸引力，因为它提出了可以从数据中“学习”、识别模式并以最少的人为干预做出决策的方法。

特别是深度学习和深度神经网络的新兴技术最近被用于遥感研究，特别是用于处理和分析大量数据。这些技术揭示了自动提取时空关系的潜力，并获得有助于改进在多个时间尺度上观测到的物理现象的预测和建模的进一步知识。

这些方法对于卫星数据分析非常有吸引力，特别是数据驱动的机器学习的多功能性与物理过程模型相结合。

4.实现一致的卫星观测和长期数据记录的连续性

基本气候变量的长期和高质量记录对于监测和研究地球气候变化至关重要。实现这一目标的一个必要条件是观测的连续性，只有当高质量的数据收集继续下去而不被破坏时，才能确保这一点。否则，多仪器数据记录中的空白就无法正确解释，卫星记录的价值几乎消失。

因此，每台仪器的绝对校准和多个相关传感器的相互校准对于卫星遥感几乎所有目标的成功仍然至关重要。校准许多仪器具有挑战性，特别是对于小型卫星星座。

美国国家科学院、工程院和医学院强调了保持长期观测的要求；CLARREO（气候绝对辐射和折射率观测站）任务是首次尝试定义致力于实现这一目标的卫星任务。与直接观测的校准类似，下一代卫星产品对当今仪器套件的可追溯性和一致性至关重要。