有效的云检测与云相态判识对于农业、气候及人类生活具有重要意义, 而这些数据的获取离不开卫星遥感。 卫星遥感数据在当今社会的生产和生活中都扮演着至关重要的角色, 众多领域的发展都离不开卫星遥感数据的支持。随着高精度传感器的发展, 传统研究方法无法满足大规模、高维度数据的高效挖掘与处理, 因此深度学习技术在遥感领域得到了快速的发展。基于深度学习技术提出了一种结合多波段遥感影像的云检测及云相态判识的方法。 该方法采用 MODIS 云产品影像作为样本, 将不同波段信息作为特征值, 分别建立针对云检测与云相态判识研究任务的多个数据库, 并采用 DeepLab V3+ 模型进行训练并预测, 从而完成高精度的云检测及云相态判识任务。与传统方法相比, 该方法高效便捷、特征提取能力较强, 将多波段作为特征值输入模型进行预测时, 该方法展现了良好的结果。

基于聚类思想设计了二维和三维云相态聚类识别算法,结合偏振激光雷达、微波辐射计和毫米波雷达资料,进行了云相态的精细识别与分类方法研究。将云粒子的体退偏比、温度和反射率因子作为聚类网络学习的输入特征量,通过无监督学习区分云层中不同相态的簇划分结果,利用簇划分结果实现了对云相态的精细识别,解决了传统云相态识别中采用单一阈值算法导致的结果误判问题。所设计算法可以实现云中过冷水区、暖云液态水区和冰相的高效识别,同时对混合云相态实现了冰占主导和水占主导的细分。利用偏振激光雷达、微波辐射计和毫米波雷达对西安市上空云层进行了观测,反演了三台仪器的同步观测数据。利用所设计的聚类识别算法对2021年1月9—10日和2021年6月8—9日观测到的云数据进行了二维聚类和三维聚类识别与分析,实现了云层内暖云滴、混合相(冰占主导、水占主导)、过冷水和冰相的区分。通过比较与分析,发现三维聚类识别算法比二维聚类识别算法更能详细地展现相态转换过程的细节信息,整体识别结果与实际天气变换过程吻合。