利用地球静止轨道卫星Himawari-8气溶胶光学厚度 (AOD) 产品能够估算空间覆盖范围广、时间分辨率高的近地表 PM_2.5 浓度。基于三维变分同化系统将AOD估算得到的 PM_2.5 资料同化进入WRF-Chem大气化学模式中，通过控制实验与同化实验的对比与分析，探讨了AOD估算得到的PM_2.5资料同化对 PM_2.5 污染模拟的改进作用。实验结果表明：(1) AOD估算得到的 PM_2.5 资料同化能够改进 PM_2.5 污染模拟效果；(2) PM_2.5 污染模拟改进效果存在时空差异。此外，与其他研究中使用AOD观测算子直接同化AOD的方法相比，该方法的操作更加简单。

遥感卫星具有覆盖范围广、连续观测等特点，被广泛应用于海雾识别相关研究。本文首先借助能够穿透云层，获取大气剖面信息的星载激光雷达(cloud-aerosol LiDAR with orthogonal polarization, CALIOP)对中高云、低云、海雾、晴空海表样本进行了标注。然后结合葵花8号卫星(Himawari-8)多通道数据提取了各类样本的亮温特征与纹理特征。最后根据海雾监测的需求，抽象出海雾监测的推理决策树，并据此建立深度神经决策树模型，实现了高精度监测夜间海雾的同时具备较强的可解释性。选择2020年6月5日夜间Himawari-8每时次连续观测数据进行测试，监测结果能够清晰地展现此次海雾事件的动态发展过程。同时本文方法海雾监测平均命中率(probability of detection, POD)为87.32%，平均误判率(false alarm ratio, FAR)为13.19%，平均临界成功指数(critical success index, CSI)为77.36%，为海上大雾的防灾减灾提供了一种新方法。

准确的云分类模型对气象监测有重要的意义，传统机器学习云分类模型依赖手工特征提取，容易受噪声数据影响，模型泛化能力较差。深度网络分类模型能自动学习图像深度特征，但是对于图像边缘与细节分类效果不佳。本文针对上述问题进行研究。首先提取Himawari-8卫星云图光谱特征、纹理特征用以训练模糊支持向量机（Fuzzy Support Vector Machine，FSVM）模型；同时利用不同通道云图训练深度网络，学习云图深度特征；最后，根据不同模型特性，训练元分类器对各模型输出进行融合，设计了一种基于深度网络与FSVM集成学习的云分类方法，该方法综合不同模型优势，利用不同模型间的互补性提高云分类结果的鲁棒性和可信度。相比单独使用FSVM或深度网络的分类模型，本文集成学习方法在众多评价指标中有更好的表现，平均命中率、平均误报率和平均临界成功指数分别达到0.924 5、0.079 6、0.858 1；与其它云分类模型相比，本文方法也有更好的分类效果；在具体案例测试中也发现，该方法对于不同云类混合区有更高的识别精度，而且能更加准确的识别云团边缘及细节。本文模型能够满足云分类模型稳定可靠、高精度、泛化性能强的要求。

为提高毫米波雷达对高原地区云宏观参数的观测能力，提出一种改进的反演方法，对比了该方法结果与激光云高仪（CL31）、Himawari-8卫星（HW8） 观测结果的差异，并研究了那曲夏季空中云宏观参数的垂直分布和日变化特征。结果表明，提出的方法可以改善以往云边界检测法的云层错位和距离旁瓣回波影响的不足。雷达反演的云底比CL31高、云顶比HW8高，但雷达与二者结果的垂直分布和日变化非常一致。雷达对多层云的云底探测优于CL31，对云顶反演也较HW8可靠。距离旁瓣对不同云类的宏观参数探测都有显著影响。

在统计分析“降水”和“非降水”视场点的Himawari-8（H8）成像仪（Advanced Himawari Imager，AHI）红外不同光谱亮温梯度变化基础上，开展了H8/AHI资料反演降水初步应用研究。以安徽区域为例，当有降水发生时，AHI通道7至通道16亮温梯度均有变化。采用字典学习和正则化约束法开展降水反演，首先构建匹配的AHI光谱“亮温”和GPM“降水”字典，作为历史样本库；其次基于“字典”利用K-最近邻法进行待反演红外光谱亮温“降水”和“非降水”信号识别；最后在降水信号“子空间”基于正则项约束完成红外资料反演降水。初步试验结果表明基于Gamma概率分布贝叶斯模型平均反演的降水与GPM降水具有较好的结构相似性，误差较小，临界成功指数值较高。进一步将该方法推广应用到AHI光谱亮温反演台风“玛莉亚”降水，得到此方法能够反演出台风的螺旋云雨带。