姚微源，张贝贝，王宁，马灵玲，钱永刚，王新鸿，李传荣，唐伶俐

中国科学院空天信息创新研究院 定量遥感信息技术重点实验室,北京 100094

1 引言

O3和CH4是大气中的重要痕量气体成分。大气中的O3主要集中在距离地面约20—30 km左右的高空中，这部分O3可以调控到达地面的紫外线辐射量，对人类和生态系统起到保护作用（McKenzie等，2011）。但是，当近地面大气中O3的含量较高时，其会对人体的呼吸道、神经系统及免疫系统造成危害，同时也会影响地表生态系统（Cape，2008；Chen等，2007）。CH4作为一种重要的温室气体，温室效应比CO2高20倍，其在大气中的浓度变化会对地球的辐射平衡产生巨大的影响（Pavlov等，2000）。因此，高精度、高垂直分辨率和高覆盖率的O3和CH4廓线是人类健康、环境污染及气候变化等研究领域的重要资料。

卫星遥感方式是获取区域以及全球尺度上长时间序列地表、大气参数最为切实可行的方案（Ulaby，2018）。热红外遥感数据因包含O3、CH4、CO等多种气体发射、散射及吸收的热辐射信息，被广泛应用在大气痕量气体廓线的获取中（Crevoisier等，2003；Worden等，2012；张莹 等，2012）。超光谱数据蕴含着丰富的光谱辐射信息和空间信息，其超高的分辨率对应着更为尖锐的权函数，能够支持多种大气痕量气体高精度高分辨率垂直分布信息的获取（Smith，2009）。加拿大航天局于2003 年发射的SciSat-1 卫星上的ACE-FTS 传感器，其分辨率高达0.02 cm-1，主要被用于观察臭氧层。美国随后于2004 年发射了AURA 卫星，其搭载了一台分辨率为0.1 cm-1的TES高分辨热红外传感器，其可以反演获得O3、CO、CH4气体廓线数据，反演精度分别为15%、20%和12%。鉴于超光谱热红外传感器数据在大气痕量气体成分观测中的良好应用前景，中国也于2018 年5 月9 日成功发射“高分五号”（GF-5）卫星，其搭载了光谱分辨率高达0.03 cm-1的大气环境红外甚高光谱分辨率探测仪（AIUS），光谱范围为2.4—13.3 μm（董欣等，2018）。除此之外，中国“十三五”期间部署了国家重点研发计划“大气辐射超光谱探测技术”项目，拟研制波谱范围覆盖3.2—15.4 μm，天底观测模式下分辨率达到0.05 cm-1，临边观测模式下分辨率高达0.015 cm-1的大气辐射超高光谱探测仪。

然而，超光谱热红外数据中包含的大量光谱通道，对数据的计算、存储和传输带来了极大的负担。同时，超光谱数据中包含了辐射传输路径方向上不同气团的耦合信息，对于痕量气体而言，这种耦合性更是加剧。因此，在对O3和CH4进行反演前，首先需要对通道的可反演能力进行评价后，获取最大反演信息容量的通道合集，保障反演的效率和精度。目前，常用的通道选择方法包括基于权函数和基于信息容量两大类通道优选策略。前者的核心在于利用权函数可以反映各通道对反演参数敏感性的特点，将此作为评价通道可反演能力的指标，对反演通道集进行筛选。Aires等（2002）、马鹏飞等（2015）、王雅鹏（2017）均采用了该方法分别对地表和大气温度、N2O 及CO2和O3等参数的反演通道集合进行筛选。此外，CrIS传感器数据在进行业务处理之前，也通过分析通道的敏感性和权函数来进行通道选择（Gambacorta和Barnet，2013）。基于权函数的通道选择方法原理简单，运行方便，但是权函数对通道反演能力的代表性非常有限，该类方法在应用时会给后续反演引入较大的误差。考虑到基于权函数的通道选择方法的局限性，研究人员进一步考虑权函数、背景场、载荷观测的误差、干扰气体信号等因素的综合影响，对通道信息容量进行定量评估来优选通道，这类通道选择方法被定义为基于信息容量的通道选择方法。该方法率先由Rodgers（1998）于1998 年提出，在温湿廓线的反演中具有较多的应用，如Rabier等（2002）提出的分步迭代法、杜华栋等（2008）提出了的大气可反演指标法等。近年来，基于信息容量的通道选择方法在痕量气体反演中的应用也非常广泛。Chédin等（2003）采用信息容量的通道选择方法选取CO2廓线反演通道。在此基础上，Crevoisier等（2003）同时考虑通道敏感性、通道噪声及权函数的影响，提出了优化灵敏度法（OSP法）进行通道选择，并应用在IASI数据反演CO2、CO、N2O及CH4等气体廓线中。该方法的特点在于，所选通道的权函数在大气垂直方向上分布均匀，是一种优秀的适用于高光谱热红外数据气体廓线反演的通道选择方法。Wang等（2018）和苗晶等（2021）在采用AIUS 甚高光谱模拟数据反演H2O、N2O、NO2和HF 也使用了基于信息容量的方法获取反演通道。另外，TES传感器的业务处理中综合考虑了系统误差、测量误差等因素的影响，对小窗口区中通道的总信息容量进行分析，选取了包含最大信息容量的小窗口区集合，保障了CH4等气体廓线的反演精度（Worden等，2004，2012）。

由上可得，基于信息容量的通道选择方法是目前热红外数据反演痕量气体廓线中应用的主流方法。然而，此类通道选择方法在较高分辨率数据中应用的适用性欠佳。如其在IASI 和HIS 等传感器数据中应用时，出现结果中部分通道信息冗余的问题（Lerner 等，2002；Wu 等，2018）；在TES数据通道选择的业务化处理中发现，该方法会忽略部分包含较低大气层反演信息的通道（von Clarmann 等，1998）。因此，超光谱热红外数据在应用过程中仍然存在冗余信息识别受阻和有效信息提取不足的问题，影响痕量气体空间信息的高效高精度获取。

基于以上，本文提出了一种新型的基于大气灵敏度和雅可比剖面通道优选策略（OWSP方法），该方法可以充分利用超光谱热红外数据的光谱辐射及空间信息，对冗余信息及特有信息进行高效准确识别以获取通道优选集合，达到提升反演精度和效率的目标。本文针对当前各领域对高精度O3和CH4大气信息的需求，将OWSP 和OSP 通道选择方法分别应用在超光谱热红外数据反演O3和CH3廓线中，获得相应的通道选择结果及反演廓线结果，并对通道选择方法在超光谱热红外数据中的适用性进行评价。

2 方法和实验

2.1 研究区域

首先对中国区域的O3和CH4的柱含量进行分析。本研究基于欧洲中期天气预报中心ECMWF（European Centre for Medium-Range Weather Forecasts）系统的哥白尼大气监测服务CAMS（Copernicus Atmosphere Monitoring Service）再分析数据集（Inness等，2019）中2010 年—2020 年的O3和CH4柱含量数据，计算获取相应的日平均值，中国区域的气体柱总量分布图如图1所示。

图1 中国区域2010年—2020年气体日平均柱总量分布图Fig.1 Distribution of daily average gas column amount during 2010 to 2020 over China

图1（a）为O3在中国区域的气体日平均柱总量分布图。从图中可以看出，臭氧的柱总量分布大致呈现随纬度提高而增加的趋势，东北、华北、内蒙古和新疆地区的臭氧柱总量相对较高。图1（b）为CH4在中国区域的气体日平均柱总量分布图。CH4在中国区域总体上呈现东高西低的分布状态，高值区包括京津冀、长江流域、珠江流域及部分东北地区，低值区主要分布在西部地区。

基于O3和CH4在中国区域内的分布特征，本研究选择了北京—天津地区（简写为JJ，经度：116°E—118°E，纬度：39°N—41°N）、阿拉善沙漠地区（简写为AL，经度：102°E—104°E，纬度：39°N—41°N）、长江三角洲（简写为YRD，经度：120°E—122°E，纬度：30°N—32°N）和珠江三角洲（简写为PRD，经度：113°E—115°E，纬度：22°N—24°N）4个典型区域的大气作为本文的主要研究对象，以上区域包含了高值和低值的O3和CH4区域，同时也具有不同的温湿度，可以有效考察本文提出的通道选择方法在不同地域和大气条件下对O3和CH4廓线反演的适用性。

2.2 数据模拟

本研究所使用的背景数据是CAMS再分析数据库中JJ、AL、YRD 和PRD 等4 个典型地区的大气廓线资料，数据分辨率为1°×1°，对应的时间为2011年—2016年1月份（冬季）和7月份（夏季）。从下载的CAMS再分析数据中提取温度、水汽、O3、CH4、N2O和CO 的初始廓线数据，共筛选获取了JJ地区的7623条晴空廓线、AL地区的7797条晴空廓线、YRD 地区的2350 条晴空廓线和PRD 地区的1320 条晴空廓线。考虑到L91 大气分层模式具有更高的大气垂直分辨率，因此，本论文在采用大气廓线模拟星上观测数据及后续的通道选择及反演时，将L60大气分层模式的大气廓线数据内插为91层。

本研究旨在支持国家重点研发计划所部署的“大气辐射超光谱探测仪数据处理与反演技术研究”课题。该课题支撑的大气辐射超高光谱仪的波谱范围覆盖3.2—15.4 μm，天底观测模式下分辨率达到0.05 cm-1。

基于以上的大气廓线背景数据和传感器参数，本研究采用高光谱大气辐射传输模型4A/OP（Operational release for Automatized Atmospheric Absorption Atlas）获取每条大气廓线对应的星上观测数据及气体雅可比。在模拟过程中，设定地表温度为大气底部的温度，地表发射率为1，并忽略了太阳的影响。每个通道中预计的噪声等效温差（NEΔT）为0.3 K@280 K，由式（1）计算：

式中，NEΔT｛T（ν）｝是指位于波数ν处的通道的亮度温度T（ν）处所取的噪声等效温差；B是普朗克辐亮度；参考噪声NEΔT｛Tref（ν）｝ 等于0.3 K；参考温度Tref设置为280 K。

2.3 OWSP通道选择方法

2.3.1 基于大气灵敏度的通道初选策略

考虑到超光谱热红外数据在痕量气体吸收区内的耦合性强，大量通道受到其他因素干扰严重，在实际进行通道选择时，首先需要剔除此类通道。本文以冬季的AL 地区大气状况为例，对不同大气成分在O3和CH4热红外敏感区中的敏感性进行分析，结果如图2（a）和（b）。本研究根据大气中几种常见气体的季节性浓度变化（Chédin 等，2002；IPCC等，2014），在研究时将O3、H2O、N2O、CO2、CO、CH4、NO、NO2和SO2的扰动量分别定为16%、40%、2%、16%、10%、2%、4%、3%及3%。从图中可以看出：O3热红外吸收区的干扰气体成分主要包括CO2和H2O，其中O3浓度变化引起的热红外信号强度大大高于CO2和H2O，但是若在潮湿的地区，H2O 扰动引起的热红外信号也会对O3信号造成较大的干扰；CH4热红外吸收区的干扰气体成分主要包括CO2、H2O 和N2O，在该区域的大量通道中，H2O 在大气中的浓度变化引起了超过2 K 的亮温变化，同时，CO2引起的亮温变化与CH4的类似，以上两个参数的干扰是影响CH4反演精度的关键。

图2 不同热红外波段的气体敏感性分析Fig.2 Analysis of gas sensitivity at different thermal infrared bands

基于O3和CH4热红外敏感区内不同成分的敏感性分析结果，本文采用Crevoisier等（2003）提出的信噪比概念，将待反演气体扰动所产生的亮温变化值称为“信号”，干扰参数扰动所产生的亮温变化值及仪器噪声引起的亮度变化值的总和称为“噪声”，待反演气体信号与干扰信号总和的比值称为“信噪比”（rSTI）。因此，选择通道时，在得到各通道对不同气体成分的灵敏度后，选择呈现最高“信噪比”的通道。rSTI的方程如下：

式中，ΔBTsig，v表示目标反演气体扰动引起的亮温变化，ΔBTinf，v，k为干扰气体绕动引起的亮温变化，NEΔTv指通道对应的噪声等效温差，n代表干扰气体个数，v为通道波数。

考虑到强通道噪声会给反演结果传递误差，因此，在获得各个通道中反演参数与其他因素的信噪比之后，本研究先简单地认为信噪比越强的通道，其对反演结果精度的贡献越大，而信噪比弱的通道反之，因此在该步骤会将信噪比小的若干通道剔除。具体方法为：将热红外吸收区内的通道按信噪比从高到低排序；评价信噪比高的前若干通道的可反演能力，选取反演能力最大的若干通道。此处将通道集合对应的反演结果总均方根误差（RMSEs）作为评价通道集合总信息容量的指标。采用该方法获取的通道数量及rSTI的阈值会随背景条件的变化而发生改变。当然这种以信噪比为指针的评价通道可反演能力的方法是不全面的，但是可以初步筛选一些明显对反演结果精度提升无支持作用的通道，简化进一步的通道选择过程。

2.3.2 基于通道雅可比剖面的通道优选策略

将通道信噪比较低的一些通道剔除后，所得的通道集合的通道数量仍然非常可观，需要进一步优选通道来提高通道反演精度和效率。通道的雅可比剖面可以较为直观地反映通道的相似信息和特有信息。然而，现有基于雅可比矩阵的通道选择方法未有针对以上两类信息的识别策略，其在超光谱热红外数据中的应用存在较大的瓶颈。

基于以上，本研究首先对通道的雅可比矩阵特征进行分析，发现通道之间的雅可比矩阵的差异主要在于雅可比矩阵特征峰的峰强（i）、等效探测位置（Pbl，定义为特征峰积分面积二等分处对应的压强）及半峰宽（FWHM），如图3 所示。以上3 个指标可以有效对通道的相似信息进行评价。如当雅可比矩阵峰强不同，但是特征峰的等效探测位置与半峰宽无明显差异时，则可以认为这些通道具有相似的反演信息，在选取通道时可以选择峰强度相对较大的通道作为反演通道。然而，由于大量痕量气体集中在特定的大气分层上，导致雅可比矩阵特征峰在特定压强高度范围内堆叠，根据雅可比矩阵特征峰的峰强、等效探测位置及半峰宽这3个指标无法有效对通道的特有信息进行识别。

图3 雅可比矩阵特征分析Fig.3 Characteristics analyzing of Jacobian matrix

因此为了实现通道相似信息和有效信息的自动选取，本研究提出了基于雅可比矩阵特征与通道可反演信息的关系，对雅可比矩阵进行优化，强化通道在敏感性强的精细大气分层上反演信息贡献权重，同时弱化其在敏感性弱的大气分层上的贡献，获取更为尖锐的雅可比矩阵来提高反演的精度和分辨率。考虑到通道中痕量气体的雅可比可以表示为

式中，∂τν，CO是地面到传感器的痕量气体透过率，J是其对应的雅可比。

重新对式（3）中的压强P进行定义，采用如下公式对不同大气层上的雅可比进行优化：

式中，Pbl，v是位于波数v的通道的Pbl，fs是比例因子。

式（4）中的fs是影响优化后的雅可比矩阵在垂直方向上信息分布的关键，fs越大，则认为该通道雅可比矩阵对应的敏感大气分层垂直范围越小。此时，各精细大气分层上雅可比值最大的通道，即可判断其为具有该大气分层最大可反演信息的通道。确定fs的大小是影响通道选择结果及反演结果的关键，本研究分析了不同fs取值所得的通道集合对应反演结果总均方根误差（RMSEs）进行分析，选取最小RMSEs的通道集合作为终选的反演通道。

2.4 OSP通道选择方法

本文所使用的OSP方法基于Crevoisier等（2003）提出的方法。为了提高该方法在超光谱热红外数据中的适用性，在本文中做了相应的调整。主要步骤为：（1）根据上文中所得的各通道rSTI值对各通道进行排序；（2）将rSTI的最大值的1/10 定为阈值，rSTI大于该值的通道集合即为OSP 方法所得的通道选择结果。

2.5 反演方法

辐射能量在传输路径上的衰减是一个复杂的非线性过程，利用辐射传输方程解求任意一个大气参数，都需要考虑其他参数的影响。由于参与反演的通道主要位于热红外区，所以辐射传输过程中不仅可以忽略大气散射的作用，同时忽略太阳的影响，一定程度上降低了方程线性化的难度。为了简化描述，忽略掉角度和波长，将辐射传输方程简化为

式中，ε表示比辐射率，Bs表示地表温度对应的黑体辐亮度，τs表示大气层总透过率，ps表示地表气压值，B表示温度廓线对应的黑体辐亮度，τ*表示从某个气压层到卫星高度上的整体透过率。

对辐射传输方程的微扰形式进行求解后可得线性化方程：

式中，JTs，JT，JH2O，JCO2，JO3，JCH4及JCO分别代表线性化辐射传输方程之后地表温度、大气温度廓线、大气H2O、CO2、O3、CH4和CO廓 线对应的权重。

在本研究中，除待反演的O3或CH4廓线之外，假定地表温度、大气温度廓线、大气湿度廓线及其他痕量气体廓线反演所得的结果为各参数对应的再分析数据，则它们的变化量均为0，线性化方程（6）可简化为

式中，gp_ret为O3或CH4。

将式（7）写为矩阵形式，即为

3 数据结果处理与分析

3.1 O3廓线通道选择及反演结果分析

3.1.1 通道选择结果分析

针对所研究的4 个局地地区不同的大气条件，分别采用OWSP 方法和OSP 方法选取反演O3廓线的通道。以上两种方法在不同大气条件下所选的通道数如表1 所示。其中，AL 冬季大气条件下，OWSP和OSP方法所选的通道在O3亮温变化谱线上的分布如图4 所示。OSP 方法对通道的选取主要依赖rSTI的值，考虑到在O3的热红外敏感区，O3的信号非常强，在较为干燥的大气状况下，其干扰气体CO2和H2O 的热红外信号强度大大弱于O3，因此，在热红外敏感区内包含了大量强rSTI的通道，这些通道均可以被OSP 方法选取。在本论文中，为了提高反演的效率，限制OSP 方法选取的最大通道数为1000 条。基于以上，采用OSP 方法为AL、JJ、YRD 和PRD 地区的冬季大气选取的通道数分别为966、1000、906 和1000 条，为AL 和JJ的夏季大气选取的通道数分别为1000 和901 条。然而，在以上6 种大气条件下，采用OWSP 方法选取的O3反演通道数量大大小于OSP 方法的。这可以归因于OWSP方法可以有效减少一些包含冗余信息通道的选择。而对于YRD 和PRD 地区的夏季大气而言，由于大气水汽的强干扰作用，OSP 方法所选的通道相对较少，尤其是在YRD 地区，仅有36 个通道被选择出来，而OWSP 方法在同等条件下所选的通道数为142条。这说明了OSP方法会简单地剔除一些包含较大干扰信息的通道，忽略了部分通道中的可反演信息。

表1 不同大气条件下，OWSP法和OSP方法所选O3廓线反演通道数Table 1 Number of channels selected by OWSP and OSP methods for O3 profile retrieval in different airmasses

3.1.2 反演结果分析

采用OWSP 方法和OSP 方法的通道选择结果对O3的廓线进行反演，评价不同的通道选择方法对反演精度的影响。图5 和图6 分别为4 个研究区域在冬季和夏季大气条件下O3反演结果对应的RMSE，并采用如下公式对反演廓线的RMSEp进行评价：式中，L为大气分层的总层数，j为大气层序号。

图5 冬季大气条件下通过OWSP通道集和OSP通道集进行O3廓线反演所得结果的RMSEFig.5 RMSEs of the retrieved O3 profiles by the OWSP and OSP channel selection methods in winter airmasses

图6 夏季大气条件下通过OWSP通道集和OSP通道集进行O3廓线反演所得结果的RMSE Fig.6 RMSEs of the retrieved O3 profiles by the OWSP and OSP channel selection methods in summer airmasses

图7 AL地区冬季大气下，采用不同方法获取CH4反演的通道选择结果在CH4亮温变化谱线上的分布情况Fig.7 The distribution in the CH4 brightness temperature change spectrum of channels selected for CH4 retrieval by different methods in winter airmass of AL region

OWSP 方法和OSP 方法反演所得廓线的RMSEp如表2所示。表中精度提升比率的计算方法为

表2 不同大气条件下，OWSP法和OSP方法对应O3廓线反演精度比较Table 2 Accuracy comparisons of the retrieved O3 profiles by the OWSP and OSP channel selection methods in different airmasses

结合通道选择结果和反演结果可以得出：（1）在冬季的AL、JJ 和夏季的JJ 地区大气条件下，OWSP方法所选取通道组合反演的O3廓线精度略低于OSP方法的，因此可以认为两种方法所得的通道结果组合中的信息容量非常类似。但是前者的通道数量大大小于后者的，说明OWSP方法对冗余信息具有较强的识别能力。（2）在YRD地区的夏季大气条件下，优于大气水汽的强干扰作用，OSP方法选取的通道数仅为36条，OWSP方法能够充分识别部分受到水汽强干扰通道中的O3可反演信息，选取了142条通道，该通道集合获得的O3廓线精度明显优于OSP方法的。（3）在冬季的YRD、PRD和夏季的AL、PRD大气条件下，OWSP方法选取所得的通道数量不仅大大小于OSP方法的，同时前者所得的O3廓线精度优于后者，这说明了OWSP方法在这些大气湿度适中的地区，兼具识别通道冗余信息和特有信息的功能。值得注意的是，在冬季的PRD和夏季的AL 大气条件下，反演精度的提升分别为42.60%和14.46%，远远超过其他大气条件，这可以归因于OSP方法所选的1000条大气廓线中的冗余信息丰富引起的通道集合中的信息容量不足问题。

3.2 CH4廓线通道选择及反演结果分析

3.2.1 通道选择结果分析

与O3廓线反演时类似，反演CH4廓线时同样针对四个局地地区不同的大气条件进行研究。采用OWSP 方法和OSP 方法在不同大气条件下所选的通道数如表3 所示。其中，AL 冬季大气条件下，OWSP 和OSP方法所选的通道在O3亮温变化谱线上的分布如所示。由于在CH4的热红外敏感区，CH4在大气中扰动引起的热红外信号变化较弱，同时干扰气体CO2，H2O和N2O的热红外信号变化相对较强，因此，各通道对应的rSTI较小。在采用OSP方法对通道进行选择时，所有大气条件对应的通道数均小于100条，在JJ地区的冬季大气条件下，该方法所得的通道数仅为11条。相对而言，OWSP方法可以在多因素强干扰的情况下对有效信息进行识别，除了JJ地区的夏季大气条件之外，其他情况下所选的CH4反演通道数均在100条以上。因此，针对热红外敏感区干扰因素多且强的微弱红外辐射气体而言，OSP方法会在牺牲有效信息的前提下优选受其他因素干扰少的通道，而OWSP方法会选取这些通道的同时，挖掘rSTI相对较小的系列通道中的特有信息。

3.2.2 反演结果分析

进一步将OWSP方法和OSP方法的通道选择结果应用在CH4廓线的反演中，来对OWSP 方法在微弱红外辐射气体廓线反演中的优越性进行分析。图8和图9分别为4个研究区域在冬季和夏季大气条件下CH4反演结果对应的RMSE值。表4中的RMSEp和精度提升比率的计算方法见式（9）和式（10）。

表4 不同大气条件下，OWSP法和OSP方法对应CH4廓线反演精度比较Table 4 Accuracy comparisons of the retrieved CH4 profiles by the OWSP and OSP channel selection methods in different airmasses

图8 冬季大气条件下通过OWSP通道集和OSP通道集进行CH4廓线反演所得结果的RMSEFig.8 RMSEs of the retrieved CH4 profiles by the OWSP and OSP channel selection methods in winter airmasses

图9 夏季大气条件下通过OWSP通道集和OSP通道集进行CH4廓线反演所得结果的RMSEFig.9 RMSEs of the retrieved CH4 profiles by the OWSP and OSP channel selection methods in summer airmasses

结合CH4的通道选择结果，对其反演所得廓线的精度进行分析。可得：（1）在所研究的所有大气条件下，OWSP方法选取的通道集合反演精度均优于OSP 方法的，平均精度提升比率为4.90%，这进一步说明了OWSP方法可以有效挖掘受干扰较大通道中的特有反演信息。（2）与其他相对较为干燥的大气状况相比，采用OWSP 方法获取的夏季YRD 和PRD 地区CH4廓线精度较差，分别为32.72和60.61 ppbv，这说明了大气中水汽是CH4反演中的重要干扰因素。

4 结论

本研究针对超光谱热红外数据反演痕量气体廓线时通道选择结果信息冗余及有效信息提取不足的问题，深入分析了精细大气分层上的通道可反演信息，构建了一种新型的基于大气敏感度和雅可比剖面的通道选择方法（OWSP 法）。将该方法应用在O3和CH4廓线的反演研究中，对通道选择结果及其对应的廓线反演结果进行分析后，可以得到如下结论：

（1）在热红外敏感区干扰因素少的情况下，OSP方法获取的通道集合可以较为全面地包含反演目标参数廓线的有效信息，然而该方法获取的通道数量非常庞大，无法对包含相似信息的相邻通道进行优选。而OWSP法在保证所选通道总信息容量的同时，可以自动剔除一些低信息容量的冗余信息，大大提高了反演的效率，同时，降低了反演方程的病态性，提升了反演的精度。

（2）在热红外敏感区干扰因素多的情况下，OSP方法放大了干扰因素对反演结果精度的抑制作用，所选通道集合中包含的信息容量不充分。OWSP方法可以对部分较少受到干扰的通道进行二次筛选，通过对精细大气分层上的信息容量进行半定量化研究来提取超光谱热红外数据中的特有信息，达到提高反演廓线精度的目标。

（3）将OWSP 方法应用在超光谱热红外数据中，在本文所研究的大气条件下，与OSP 方法相比，反演O3和CH4廓线结果精度分别提升了9.30%和4.90%。以上结果证明了OWSP 方法可以有效提升超光谱热红外数据反演强红外辐射气体和微弱红外辐射气体廓线的精度，具有较高的应用价值。

（4）除本文提到的干扰气体及仪器噪声之外，其他大气和表面热力学组分也会对O3和CH4的吸收波段造成影响。今后还需要进一步研究其他因素对痕量气体反演过程中通道选择及反演精度的影响。此外，还应考察本文提出的通道选择方法在实际超光谱热红外数据反演痕量气体中的适用性。