气溶胶层高(ALH)和光学厚度(AOD)是刻画气溶胶垂直结构和表征气溶胶辐射效应的关键参数。当前高精度的气溶胶层高反演仍然面临很大的挑战：基于查找表的算法因为插值维度问题通常只能利用两三个通道，无法发挥卫星高光谱的观测优势；基于贝叶斯的最优估计方法能利用高光谱数据，但计算成本高昂且依赖先验假设，容易导致反演结果出现系统性偏差。现有算法很难兼顾高精度及高效率的同步反演能力。

为了解决这一问题，我们提出了一种名为SIMART（Simultaneous Inversion of ALH and AOT using Machine learning and Radiative Transfer）的物理与AI融合的高性能反演新算法。该算法充分挖掘高光谱传感器的光谱数据，通过融合O₂A、O₂B、蓝光和短波红外波段的高光谱观测信息，基于敏感性分析和主动激光雷达观测数据，确定了具有代表性的气溶胶垂直廓线形状假设并提取了最优光谱特征；随后，利用团队自主研发的高光谱-全矢量-海气耦合辐射传输模式（CARE-RTM）构建了涵盖广泛气溶胶光学特性、类型及卫星观测几何条件的辐射传输模拟数据集；基于该数据集，构建了双分支人工神经网络模型，成功建立了卫星高光谱信号与ALH和AOT之间复杂的非线性映射关系。

针对全球沙尘和烟雾事件，与CALIOP的对比验证表明，SIMART在ALH反演方面具有卓越的准确性，其平均偏差（MBE）小于0.1 km，相关系数（R）大于0.75。此外，SIMART反演的AOT与AERONET（MBE = 0.004，R = 0.96）和VIIRS产品（MBE < 0.05，R = 0.92）表现出高度的一致性。值得注意的是，与TROPOMI官方ALH产品相比，SIMART将均方根误差（RMSE）降低了约49%，相关性提高了约40%。

SIMART为ALH和AOT的业务化反演提供了一种快速、高精度且适应性强的解决方案，展示了一个可轻松扩展至未来高光谱卫星任务的算法框架。

气溶胶层高（ALH）；气溶胶光学厚度（AOT）；辐射传输；机器学习；高光谱