本文围绕利用机器学习方法重建高分辨率太阳光谱辐照度展开研究。由于高精度光谱辐射仪成本高、维护复杂，导致地面高分辨率光谱数据稀缺，限制了其在光伏发电、农业生产及建筑能耗分析中的应用。为此，文章提出采用基于Transformer的表格数据基础模型TabPFN，对太阳光谱辐照度进行1 nm分辨率的重建，从而以较低成本获取高质量光谱数据。

研究基于美国国家可再生能源实验室三年观测数据，结合太阳几何参数、气象要素及大气指标等24个输入变量，对全球水平辐照度（GHI）、直射辐照度（BNI）和散射辐照度（DHI）进行统一建模。与传统辐射传输模型和常规机器学习方法相比，TabPFN无需复杂参数调优，能够通过一次前向传播完成预测，兼具高精度与高效率。

实验结果表明，TabPFN在整体性能上显著优于多元线性回归、随机森林、XGBoost及LightGBM等基准模型。在全波段范围内，其预测值与观测值高度一致，相对误差接近于零，尤其在水汽吸收带及近红外复杂区域仍保持最佳表现。同时，模型在直射辐照度上的重建精度最高，而散射辐照度由于受多重散射和云层影响，误差相对较大。

在物理一致性方面，研究通过对可见光（VIS）、近红外（NIR）、紫外（UVA）及光合有效辐射（PAR）等波段进行积分验证，发现重建光谱与宽带观测值高度一致，决定系数普遍超过0.99，说明模型在保持能量守恒方面表现优异。此外，在晴天、多云和阴天等不同天气条件下，模型均展现出良好的泛化能力，尤其在复杂气象条件下仍保持较高精度和稳定性。

综上，本文提出的TabPFN方法为高分辨率太阳光谱重建提供了一种高效、准确且具有良好物理一致性的解决方案，可为光伏系统优化、农业光环境调控及建筑节能模拟等领域提供重要数据支持。