2024基于人工智能技术的云遥感反演-复旦大学.pptx

禾;

人工智能基础知识;

人工智能基础知识;

n池化

池化计算过程pooling取局部最大值;

人工智能基础知识;;

人工智能技术基础

人工智能技术在云遥感反演中的应用

人工智能技术在天气预报中的应用;

云遥感研究背景;

云反演进展和存在的科学问题;;

仪器;

算法;

算法;

跳跃连接和残差连接：

有助于缓解随着网络深度增加而出现的梯度消失和梯度爆炸等问题

)15;

(d)OA=84.09%;

FY4A/AGRI云物理特性反演结果评估;

FY4A/AGRI夜间云物理特性反演结果评估;

个例分析(UTC_2020-04-2600:00);

全圆盘

l大范围空间连续

l空间分辨率：4km

全天时

l全天时时间连续

l可获取全日的连续变化特征

高频次

l时间分辨率较高

l时间分辨率：15min

高效率

l反演速度比较快

l可在1min内反演整个全盘

高精度

l云产品精度较高

l云极轨卫星云产品相一致;

青藏高原地区云时空分布特征分析;

首次分析并给出了

青藏高原地区总云和深对流云的云量和云特性

全日变化特征

CCF:CloudCoverFraction;

卫星被动遥感观测;;

OMCKD方案对HimawariAHIB12通道（9.6347μm）的处理。

（a）吸收系数随波数的变化。（b）卫星响应函数随波数的变化。（c）分段排序后,吸收

系数随累积概率函数的变化。

在特定气压下，ki可拟合为随温度变化的多项式

射传输的模拟次数来提高计算效率。25;

冰云：六棱柱

（solidhexagonalcolumn）

水云：Mie散射理论

对于特定波长，多项式拟合函数为

Yop(λ):光学特性ai(λ):拟合系数Leff:有效直径

通道平均的光学特性为

;

将强度I和相函数P进行傅里叶分解：

采用离散纵标法求解方程，使用高斯求积处理积分项：

其中,2N是流数;μi=-μ-i,μj=-μ-j,aj=a-j27;

涵盖全波段的大气辐射方案—离散纵标累加法多层传输

长短波统一的累加法：;

标准大气廓线下

辐射传输算法的评估

AMCKD耦合64DISORT作为标准模式

不同流数辐射算法模拟的观测辐射值的相对误差;

标准大气廓线下

辐射传输算法的评估

LBLRTM耦合64DISORT作为标准模式

不同流数辐射算法模拟亮温与精确模式结果之差—亮温差（BTD）;;

“大禹”快速辐射传输模式;

台风应用案例

利奇马台风（Lekima）

时间:06UTC

地区:15-35°N,117-137°E;

“大禹”快速辐射传输模式;

“大禹”快速辐射传输模式;

传统的云检测算法通常是基于一系列阈值测试和决策树实现的。

对于云相态分类，传统的算法主要是基于冰云和水云散射和吸收特性随光谱变化的差异发展的，算法中采用了各种阈值测试，例如反射率差(e.g.,2.1和1.6μm),或亮温差（8.5和11μm)。

（Pilewskie等（1987），Wang等(2018)，Baum等(2000);Pavolonis等(2010)）

目前已有的多层云识别算法多是基于SWIR通道和LWIR通道对上层冰云和下层水云的敏感性存在差异实现的。（Wang等(2019)）;

辐射模式与AI联合的多层云检测;

辐射模式与AI联合的多层云检测;

辐射模式与AI联合的多层云检测;

（a）以CPR/CALIOP观测为标准，DNN模型以及MODIS和AHI官方产品中单层云和多层云的识别比例。左图和右图分别是总COT（来自CALIOP5km云层产品）大于和小于