Los modelos convencionales de transferencia radiativa (RT) a menudo adoptan la aproximación de plano-paralelo (PP), que ignora la curvatura de la Tierra y conduce a errores significativos en el camino óptico bajo grandes ángulos cenitales solares o de sensor, particularmente en regiones de alta latitud y condiciones de crepúsculo. El método esférico de Monte Carlo ofrece alta precisión pero es computacionalmente costoso, y la aproximación pseudo-esférica (PSS) comúnmente utilizada falla cuando el ángulo cenital de visión supera los 80 grados. Con la creciente aplicación del aprendizaje automático en la ciencia atmosférica, se pueden superar las limitaciones de eficiencia y ángulo de las simulaciones esféricas de RT. Este estudio proporciona una base física y cuantitativa para desarrollar un marco híbrido de RT que integre modelado físico con aprendizaje automático. Al cuantificar sistemáticamente las discrepancias entre los modelos de RT PP y esféricos bajo diversos escenarios atmosféricos, se identificaron factores clave que influyen, incluidos la longitud de onda, los ángulos cenitales solares y de visión, las propiedades de los aerosoles (por ejemplo, el albedo de dispersión simple y el factor de asimetría), y la radiancia derivada de PP. Estas variables afectan significativamente la transferencia radiativa esférica y sirven como características de entrada efectivas para modelos impulsados por datos. Usando la radiancia esférica correspondiente como variable objetivo, el marco propuesto permite una inferencia rápida y precisa de los resultados radiativos esféricos basados en simulaciones PP computacionalmente eficientes.