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。

高分五号卫星多角度偏振探测仪(DPC)是国内首台具备业务化多光谱多角度偏振探测能力的星载遥感器。发展了一套针对DPC观测数据的处理算法,可获取观测区域上空云检测结果、相态分布和云光学厚度。利用670 nm、865 nm反射率、490 nm几何归一化偏振辐亮度和865 nm线偏振度进行云检测;利用865 nm归一化偏振辐亮度进行相态识别;利用670 nm、865 nm反射率以及相态识别结果反演云光学厚度。由于尚未获取可反演的DPC L1级观测数据,仅将算法应用于地球反射率多角度偏振观测仪(POLDER)数据,以验证算法有效性。对比POLDER云产品,得到判云一致性和判晴一致性分别为93.3%和92.9%;水云、冰云和混合相态判别一致性分别为87.4%,76.6%和22.8%;云光学厚度的相关系数为0.89,故该算法可行有效。该算法为DPC发展业务化云产品提供参考。

云相态分类在气象预报和气候研究中具有重要的地位。我国新一代气象卫星风云四号的成像仪在光谱通道数量和空间分辨率较上一代风云二号有较大提升，这为云相态的研究提供了新的遥感数据。本文首先对风云四号相隔 15 min的遥感图像进行分析，然后提出亮温云相态指数，该指数可以进行初步云相态分类，最后在此基础上提出基于集成学习的云相态分类算法。实验结果与风云四号官方云相态分类结果进行比较，水云的一致率达到 91.69%，冰云的一致率达到 76.10%。

云与生活息息相关,云参量的定量研究便显得极其重要 ,其中包括云相态的精确判识。由于传统基于单传感器的云相态识别 算法都存在一定的局限性,提出了联合CloudSat-CALIPSO-MODIS多传感器进行云相态检测的新方法,提高了云相态的识别精度。 利用2008年5月2日和2010年2月1日的CloudSat、CALIPSO、MODIS综合观测数据,获取了6种云相态,包括不确定云,混合云, 水云,过冷水云,冰云和晴空。 结果表明协同算法可以更精确地进行云相态识别,并为数值天气预报提供条件,具有重要的科学意义。

云相态是气候模式中的重要参数, 也是遥感反演过程中进行云滴有效半径、 云水含量等微物理参数反演的重要前提。 在研究了云层有效发射率光谱对云相态敏感性的基础上, 提出了基于云层有效发射率光谱的云相态表达特征, 包括800～900 cm-1区域的有效发射率斜率、 900～1 000 cm-1区域的有效发射率斜率、 上述两个区域的有效发射率斜率之差、 862.1与989.8 cm-1的有效发射率之比、 862.1与989.8 cm-1的有效发射率之差、 1 900.1与2 029.3 cm-1的有效发射率之比、 远红外窗区有效发射率平均值与900 cm-1有效发射率之比等7个特征。 建立了利用支持向量机进行云相态判别的方法, 开展了模拟数据验证试验, 并利用遗传算法优化了支持向量机的径向基核函数参数和惩罚因子。 将该方法用于处理ARM计划中SGP站点的AERI仪器获得的数据, 得到的云相态判别结果与Shupe提出的多仪器综合判别结果进行了比较。 结果表明, 利用红外波段不同窗区的有效发射率光谱特征可以实现发射率低于0.95的云层的相态判别, 建立的基于支持向量机的云相态判别方法与Shupe方法的总体判别结果较为一致, 但有约30%的云层由于发射率较大而标记为不透明云。 基于红外高光谱发射率数据的云相态判别技术充分考虑了光谱斜率、 比值和差值等信息, 是较为稳定有效的薄云相态判别方法。

为快速高效地进行云检测和云相态识别,提出了基于BP神经网络的云检测和云相态识别方法,并针对中分辨率成像光谱仪(MODIS)的相关数据建立了BP神经网络。利用该算法对MODIS图像进行了云检测和云相态识别,并把识别结果与MOD06数据进行了对比,对比结果表明,该算法对冰云、水云以及混合云的识别准确率分别达到了100%、100%以及99.94%。该算法快速、准确,消除了未确定态,具有很强的自主学习能力。

针对使用阈值方法反演云相态存在的不足，本文提出了一种基于Self-Organizing Feature Map(SOFM)神经网络的云相态反演方法。采用覆盖中国地域的FengYun-3A/Visible and InfRared Radiometer(FY-3A/VIRR)多光谱图像开展了云相态反演实验。实验结果表明：SOFM 神经网络方法与K-means 方法的结果具有较好的一致性，且SOFM神经网络方法反演云相态的准确性优于FY-3A 业务产品。此外，SOFM 神经网络方法反演云相态所需时间仅为FY-3A 业务产品的约1/3。