各种天气现象的变化都伴随着云的运动，气象卫星获取的连续卫星云图含大量的时空序列信息，即连续卫星云图具有显著的时序特征，可作为云图预测的基本信息。云图预测本质上是一种处理云图时空序列特性的视频预测问题，为了准确预测云的位置变化，针对云的不稳定、非线性运动特性，基于CrevNet视频预测模型提出SmartCrevNet云图预测算法。在该算法中设计了一种时空注意力门控循环预测单元（STA-GRU），同时在CrevNet原有的双向自编码模块中引入轻量型注意力模块（SGE），可在不增加计算量的情况下增强云图语义信息，提高特征提取能力。将该算法分别在公共数据集MovingMNIST数据集及FY-4A卫星云图数据集上进行实验，结果表明，在FY-4A卫星云图数据集和MovingMNIST数据集上，SmartCrevNet的均方误差（MSE）分别比CrevNet降低了7.3%和6.1%，结构相似性（SSIM）分别提升了7.9%和1.2%，预测效果优于CrevNet和传统的视频预测算法。

针对目前大多数云与云阴影检测方法容易产生误检、边缘细节丢失严重以及检测不够精确的问题,提出一种基于双注意力卷积神经网络模型(RDA-Net)的遥感影像云与云阴影检测方法。模型中引入双注意力模块可以有效捕获全局特征的依赖关系,使用递归残差模块可以避免深层网络出现退化,改进空洞空间金字塔池化模块在不改变特征图尺寸的前提下可以提取图像的多尺度特征。首先对遥感影像数据集进行预处理并制作对应的标签,然后利用高分一号WFV遥感影像数据集进行训练和测试。实验结果表明,所提方法有效提高云与云阴影的检测精度,在复杂条件下仍能获得较好的云与云阴影的边缘细节。

RGB彩色图像中云没有明显的颜色分布与纹理模式,导致云检测易产生误检且细节丢失严重。针对这一问题,提出一种改进的M型卷积网络(RM-Net)模型,实现端到端的像素级语义分割。对原始数据集进行增强,并标注对应的像素级标签。利用空洞空间金字塔池化,在不丢失信息的前提下提取图像多尺度特征,并结合残差单元使网络不易出现退化。利用编码器模块与左路径提取图像全局上下文信息,利用解码器模块与右路径恢复图像空间分辨率,根据融合后的特征判别每个像元的类别概率,将其输入分类器进行像素级的云和非云分割。对Landsat8和高分一号WFV RGB彩色图像进行训练和测试,实验结果表明本文方法在不同条件下能很好地检测云边缘细节,并取得较高精度的云阴影检测,由此证明本文方法具有较好的泛化性与稳健性。

将月球作为热发射波段定标参考源, 在无需月表发射率和温度信息条件下, 通过引入UDER参数, 建立了不同热发射波段观测辐亮度间定量关系, 并导出了新的波段间交叉定标方法.同时, 利用FY-2E卫星多波段月球观测结果, 以辐射精度较高的热红外波段为基准, 在无星载全光路黑体情况下, 初步实现了水汽波段在轨高精度辐射定标, 且在200～220 K低温区间内的定标精度平均提高约3.5 K, 并显著改善了云分类等定量产品的性能.

对FY2C时间序列图像的研究分析表明，时间序列云图的像元亮温／温度时较差(一小时之内亮温／温度差，也称亮温／温度时变化)规律可以用于标称图云检测，能较好地实现运动剧烈的云和运动云区的边缘云检测。以中国区域内地面站资料为标准进行对比分析，利用时间序列结合晴空背景场方法进行云检测，在2007年1月和6月的准确率分别为72．89%和79．94%。与目前业务云检测相比，利用静止卫星高时间分辨率特征在一定程度上改善了低云和薄云的检测。利用了静止卫星高时间分辨率的特点，并为动态求取阈值提供了一种新思路，具有一定的应用价值。