平流层老化野火烟尘气溶胶的微物理特性对精确评估全球大气辐射平衡与气候变化效应至关重要。然而，基于卫星遥感信号实现复杂烟尘气溶胶粒径分布的快速、精准反演一直是该领域的难点。鉴于此，本研究结合CALIPSO偏振激光雷达实测数据与机器学习算法，开发出适用于极端野火事件的平流层烟尘微物理参数高效反演方法，为突破大尺度气溶胶光学建模瓶颈提供了有效路径。研究精心选取了2017年加拿大山火、2019-2020年澳洲黑夏及2020年美国西海岸大火三大全球代表性事件，并构建了四类具有代表性的混合比例模型（1v1v1、1v2v3、3v1v1与5v1v1），以对应不同燃烧基质与老化程度的烟尘气溶胶。在参数反演中，引入对数正态分布函数，系统提取了烟尘的几何平均半径（R_g）与几何标准差（σ），并以决定系数（R²）等指标量化评估ML算法的物理反演性能。
研究结果表明，微物理混合假设对气溶胶反演性能存在显著的约束作用。对于以非吸收性颗粒主导的1v2v3模型，其反演的粒径参数呈现剧烈震荡，严重偏离物理实际；而包含较高吸收性组分（如黑碳）的3v1v1模型则展现出优异的反演稳定性。在三大事件的高空核心烟尘区，3v1v1模型均成功反演出高度收敛的细模态（Fine-mode）分布，有效半径范围为0.20-0.25um，与典型老化烟尘的微物理特征高度契合。该研究提出的基于机器学习的气溶胶微物理建模与验证方法，不仅证实了平流层老化烟尘高度的微物理时空稳定性，也为构建全球尺度野火气溶胶光学特性数据库提供了高效、可靠的科学方案，可广泛应用于未来的气候强迫评估与辐射传输模型模拟。
 

机器学习，气溶胶