红外波段包含丰富的大气和地表信息,是气象和遥感领域的重要研究对象。大气透过率是求解红外辐射传输方程的核心,也是辐射传输模式准确模拟大气层顶辐射的关键。RTTOV(Radiative Transfer for TOVS)是我国GRAPES(Global/Regional Assimilation and Prediction Enhanced System)数值预报模式中使用的快速辐射传输模式,由欧洲中期天气预报中心ECMWF(European Centre for Medium-Range Weather Forecasts)开发,用于模拟气象卫星传感器对地观测的辐射。本质上来看,RTTOV是基于统计的快速辐射传输模式,计算速度快,精度高;但是在红外水汽波段,由于存在线吸收、连续吸收及其他气体吸收等干扰,吸收特性复杂,RTTOV的计算精度相对较低。机器学习在解决非线性统计问题上的表现通常优于传统的统计方法,因此,本文利用机器学习方法,建立了卫星通道的大气分层透过率计算模型。本文以南北纬30°内为研究区域,选取NWP SAF(Satellite Application Facility for Numerical Weather Prediction)中IFS-137(The Integrated Forecast System,137-level-profile)的代表性晴空廓线,针对FY3A/IRAS(Infra Red Atmospheric Sounder)的7.43μm、7.33μm和6.52μm三个水汽通道,用RTTOV计算了这些廓线的各等压面至大气层顶的通道透过率和大气层顶的通道亮温;同时,根据这三个通道的光谱响应函数,利用IASI(Infrared Atmospheric Sounding Interferometer)对应谱段的大气分层透过率及大气层顶辐射率,卷积至IRAS的三个通道后,作为IRAS通道透过率及通道辐射率的“真值”,廓线和相应的大气分层透过率共同组成了用于训练机器学习模型的样本集。利用这一样本集,选取机器学习中的三种集成学习方法:梯度提升树GBT(Gradient Boosting Tree)、XGBoost(e Xtreme Gradient Boosting)和随机森林RF(Random Forest),建立了红外水汽波段大气分层透过率的快速计算模型,并计算了大气层顶亮温。以各等压面透过率的平均偏差、均方根误差和标准差、所有等压面透过率的平均绝对误差、均方根误差和均方对数误差作为透过率的评估标准,以大气层顶亮温的平均绝对误差和均方根误差为亮温的评估标准,将模型预测的透过率、亮温和用RTTOV系数文件计算的透过率、亮温进行了对比。结果表明,三种方法预测的透过率在各等压面误差均比RTTOV系数文件计算的误差小,在各通道的权重函数峰值处最大;所有等压面透过率的平均绝对误差在7.43μm、7.33μm和6.52μm均比RTTOV小0.0011左右,均方对数误差有差异,但都小于RTTOV,且在水汽吸收最强的6.52μm减小的误差最大;GBT和XGBoost的预测误差相当,RF略大;在亮温验证上,三种方法也均比RTTOV计算的亮温误差小。在7.43μm、7.33μm和6.52μm三个通道,GBT和XGBoost的亮温平均绝对误差相差很小,在各通道的误差分别在0.1152K、0.0610K、0.1270K左右,两种方法的均方根误差也比较接近,XGBoost的误差比GBT稍大;相较而言,RF计算亮温的误差最大。要达到相同的训练结果,梯度提升树和XGBoost耗费的时间相当,RF耗费的时间则要长的多。最后,将GBT预测的亮温和卫星的实际观测进行了对比验证,分别计算了GBT和RTTOV模拟的亮温和卫星实际观测的偏差,统计了平均偏差和标准差。结果表明,GBT和RTTOV模拟的三个通道的亮温整体均比卫星实际观测值小,并呈现水汽吸收越强、偏小的程度越大的趋势。和RTTOV相比,GBT预测的亮温平均偏差小约0.5K,标准差小0.2K左右。综合来看,对于水汽吸收通道的正演精度,机器学习可以做到较大的改进;三种集成学习方法中,GBT在透过率计算上的表现最好;三个水汽通道中,机器学习对水汽吸收最强的6.52μm通道所作的改进最大。本研究工作表明,在改进红外水汽波段的正演精度问题上,机器学习方法有一定的潜力,且对开发快速大气辐射传输模式具有借鉴意义。