2024年基于人工智能技術(shù)的云遙感反演報(bào)告

禾禾人工智能基礎(chǔ)知識(shí)n卷積核的物理意義任何一個(gè)漢字都是由基本筆畫“橫豎撇捺點(diǎn)”構(gòu)成的，如：犬&術(shù)&基本筆畫的不同組合，構(gòu)成了近10萬漢字。卷積核就是圖像中的基本筆畫，構(gòu)成了無數(shù)圖片2即任何一張圖片都是由基本線條構(gòu)成的，即局部放大后是各種斜線或圓點(diǎn)，這些基本線條就是卷積核。23人工智能基礎(chǔ)知識(shí)n卷積核的物理意義從上到下：萬物局部放大之后都是卷積核從下到上：同樣的卷積核的不同組合勾勒出萬物人工智能基礎(chǔ)知識(shí)n色彩每一張圖是由RGB三種顏色表示由黑到白的灰度值。含“藍(lán)”量越多，就越含“藍(lán)”量越多，就越白電腦看到的是數(shù)值紅綠同理人眼看到的是色彩紋理，電腦看到的是數(shù)值紅綠同理紅通道R藍(lán)通道紅通道R藍(lán)通道B4人工智能基礎(chǔ)知識(shí)池化計(jì)算過程pooling取局部最大值保留信息556人工智能基礎(chǔ)知識(shí)卷積和池化后的效果鳥人工智能基礎(chǔ)知識(shí)卷積1張彩色圖3.全連接層：分類RGB3通道*卷積核數(shù)池化拉平平面變?nèi)B接根據(jù)各特征及相對(duì)位置判定為鳥多次卷積與池化多次卷積與池化7/p/6720608979云遙感研究背景全球能量平衡全球能量平衡LowcloudLowcloudcoverincreasesby4%COCO2doublingwarmingeffect極端天氣極端天氣云相態(tài)云相態(tài)(CLP)微觀和光學(xué)特性宏觀特性云物理特性云反演進(jìn)展和存在的科學(xué)問題re:Cloudeffective云反演進(jìn)展和存在的科學(xué)問題(XinyueWang,etal.R(QuanWang,etal.R云遙感研究背景靜止衛(wèi)星極軌衛(wèi)星靜止衛(wèi)星~36000km~705km觀測(cè)特點(diǎn)H8:Himawari-8satellite;AHI:AdvancedHimawariImager;FY4A:Fengyun-4Asatellite;AGRI:AdvancedGeostationaryRadiatMODIS:ModerateResolutionImagingSpectroradiomete算法極軌衛(wèi)星靜止衛(wèi)星++從面到面的反演角度獲取云的空間信息，彌補(bǔ)厚云反演不準(zhǔn)的缺陷算法(XuanTong,Jingwei算法跳躍連接和殘差連接：有助于緩解隨著網(wǎng)絡(luò)深度增加而出現(xiàn)的梯度消失和梯度爆炸等問題FY4A/AGRI云物理特性反演結(jié)果評(píng)估AGRI(Official)AHI(Official)AGRI(Pre(d)OA=84.09%MODIS(Official)MODIS(Official)MODIS(Official)云檢測(cè)AGRI(Official)AHI(Official)AGRI(Pre-trainedModel)AGRI(OurMethod)整體準(zhǔn)確率79.54%84.57%82.09%88.12%(ZhijunZhao,FengZhang*,etal.TGRS,2023FY4A/AGRI云物理特性反演結(jié)果評(píng)估(f)CER(f)CERNoProductNoProductMODIS(Official)MODIS(Official)MODIS(Official)(ZhijunZhao,FengZhang*,etal.TGRS,2023FY4A/AGRI夜間云物理特性反演結(jié)果評(píng)估AGRI(Official)AGRI(OuCALIOP(Official)(ZhijunZhao,FengZhang*,etal.RMSE:4.00kmRMSE:2.33RMSE:4.00kmRMSE:4.86kmRMSE:2.99RMSE:4.86km個(gè)例分析個(gè)例分析(UTC_2020-04-2600:00)uu與AGRI官方云產(chǎn)品相比,我們的方法可以提供全天時(shí)CER和COT產(chǎn)品AGRI(OurMethod)AGRI(Official)AHIAGRI(OurMethod)未發(fā)布未發(fā)布未發(fā)布未發(fā)布uu與AHI官方云產(chǎn)品相比,我們的方法可以在夜間和太陽耀光區(qū)進(jìn)行反演(ZhijunZhao,FengZhang*,etal.全天時(shí)云物理特性反演產(chǎn)品展示u2022年08月07日云物理特性的全天時(shí)變化(ZhijunZhao,FengZhang*,etal.全圓盤全天時(shí)高頻次高效率高精度青藏高原地區(qū)云時(shí)空分布特征分析(ZhijunZhao,FengZhang*,etal.青藏高原地區(qū)云時(shí)空分布特征分析(ZhijunZhao,FengZhang*,etal.arXiv,2024)“大禹”快速輻射傳輸模式衛(wèi)星被動(dòng)遙感觀測(cè)?氣溶膠特性?大氣溫濕度?地/海表參量高分辨率衛(wèi)星遙感的廣泛應(yīng)用對(duì)快速輻射傳輸計(jì)算需求日益增大?！按笥怼笨焖佥椛鋫鬏斈Ｊ竭m用于遙感應(yīng)用的快速輻射模式“大禹”0.51μm3.9μm12.4μm3.9μm分段排序分段排序相關(guān)K分布方案(OMCKD)基于六棱柱基于六棱柱冰晶模型的冰云參數(shù)化方案涵蓋涵蓋可見到熱紅外的輻射傳輸算法適用于遙感應(yīng)用的快速輻射傳輸模式“大禹”快速輻射傳輸模式如何處理重疊吸收帶是CKD計(jì)算中的一個(gè)核心問題。OMCKD方案對(duì)HimawariAHIB12通道（9.6347μm）的處理。（a）吸收系數(shù)隨波數(shù)的變化。（b）衛(wèi)星響應(yīng)函數(shù)隨波數(shù)的變化。（c）分段排序后,吸收系數(shù)隨累積概率函數(shù)的變化。在特定氣壓下，ki可擬合為隨溫度變化的多項(xiàng)式?分段排序相關(guān)K分布?xì)怏w吸收方案（OMCKD）分段排序相關(guān)K分布?xì)怏w吸收方案（OMCKD）通過減少衛(wèi)射傳輸?shù)哪M次數(shù)來提高計(jì)算效率。(W“大禹”快速輻射傳輸模式冰云：六棱柱（solidhexagonalcolumn）水云：Mie散射理論對(duì)于特定波長(zhǎng)，多項(xiàng)式擬合函數(shù)為op(λ):光學(xué)特性ai(λ):擬合系數(shù)Leff:有效直徑通道平均的光學(xué)特性為冰云的光學(xué)性質(zhì)（a）非對(duì)稱因子,（b）單次散射反照率c）消光系數(shù)隨有效直徑的變化。φ(λ):光譜響應(yīng)函數(shù)B(λ,Tc):普朗克函數(shù)Fsolar(λ):太陽常數(shù)“大禹”快速輻射傳輸模式單層求解單層求解對(duì)于平面平行大氣，輻射傳輸方程可表示為：將強(qiáng)度I和相函數(shù)P進(jìn)行傅里葉分解：采用離散縱標(biāo)法求解方程，使用高斯求積處理積分項(xiàng)：其中,2N是流數(shù);μi=-μ-i(i=1,2,...,N),μj=-μ-j,aj=a-j(j=1,2,...,N)。“大禹”快速輻射傳輸模式涵蓋全波段的大氣輻射方案—離散縱標(biāo)累加法多層傳輸多層傳輸中同時(shí)處理太陽直射和普朗克發(fā)射可見光到紅外（包括太陽-紅外光譜重疊區(qū)）的輻射傳輸過程“大禹”快速輻射傳輸模式冰云水云標(biāo)準(zhǔn)大氣廓線下輻射傳輸算法的評(píng)估AMCKD耦合64DISORT作為標(biāo)準(zhǔn)模式不同流數(shù)輻射算法模擬的觀測(cè)輻射值的相對(duì)誤差“大禹”快速輻射傳輸模式冰云水云標(biāo)準(zhǔn)大氣廓線下輻射傳輸算法的評(píng)估LBLRTM耦合64DISORT作為標(biāo)準(zhǔn)模式不同流數(shù)輻射算法模擬亮溫與精確模式結(jié)果之差—亮溫差（BTD）“大禹”快速輻射傳輸模式不同輻射算法計(jì)算時(shí)間的對(duì)比標(biāo)準(zhǔn)Dayu(OMCKD+4DDA)Dayu(OMCKD+8DDA)Dayu(OMCKD+OMCKD+OMCKD+64DISORTLBLRTM+64DISORT短波1556672104025太陽光-熱紅外光譜重疊通道142642332663256長(zhǎng)波12635444989823標(biāo)準(zhǔn)在短波或光譜重疊通道，與標(biāo)準(zhǔn)模式相比，“大禹”模式計(jì)算效率高了約三個(gè)數(shù)量級(jí)在熱紅外通道，與標(biāo)準(zhǔn)模式相比，“大禹”模式計(jì)算效率高了約五個(gè)數(shù)量級(jí)“大禹”快速輻射傳輸模式OMCKD“大禹”快速輻射傳輸模式臺(tái)風(fēng)應(yīng)用案例利奇馬臺(tái)風(fēng)（Lekima）時(shí)間:20190808,06UTC地區(qū):15-35°N,117-137°E“大禹”快速輻射傳輸模式“大禹”模式應(yīng)用案例“大禹”模式模擬反射率與衛(wèi)星觀測(cè)反射率的對(duì)比觀測(cè)反射率與模擬反射率空間分布高度一致，證明模式在晴空和有云大氣下都具有較好的反射率模擬能力。通道的對(duì)比g-i）為兩者之差?！按笥怼笨焖佥椛鋫鬏斈Ｊ健按笥怼蹦Ｊ綉?yīng)用案例“大禹”模擬亮溫與衛(wèi)星觀測(cè)亮溫的對(duì)比觀測(cè)亮溫與模擬亮溫空間分布較一致，證明IERTM在晴空和有云大氣下都具有較好的亮溫模擬能力。輻射模式與AI聯(lián)合的多層云檢測(cè)傳統(tǒng)的云檢測(cè)算法通常是基于一系列閾值測(cè)試和決策（Pilewskie等（1987Wang等(2018)，Baum等(2000);Pavolonis等(2010)）機(jī)器學(xué)習(xí)方法非常適用于處理涉及復(fù)雜非線性問題并受輻射模式與AI聯(lián)合的多層云檢測(cè)反射率之差亮溫之差Pλ1,λ2BTclr,λ：模擬晴空亮溫單層冰云單層水云單層混合相態(tài)云多層云（上層冰云，下層水云）輻射模式與AI聯(lián)合的多層云檢測(cè)多層云多層云輻射模式與AI聯(lián)合的多層云檢測(cè)全天的模型日間的模型考慮晴空亮溫可提升神經(jīng)網(wǎng)絡(luò)模型的云分類精度，尤其在全天的模型上提升更加顯著。輻射模式與AI聯(lián)合的多層云檢測(cè)COT>1COT<1（a）以CPR/CALIOP觀測(cè)為標(biāo)準(zhǔn)，DNN模型以及MODIS和AHI官方產(chǎn)品中單層云和多層云的識(shí)別比例。左圖和右圖分別是總COT（來自CALIOP5km云層產(chǎn)品）大于和小于1下的結(jié)果。輻射模式與AI聯(lián)合的多層云檢測(cè)垂直廓線圖型的多層云識(shí)別結(jié)果與主動(dòng)雷達(dá)觀測(cè)更多層云輻射模式與AI聯(lián)合的多層云定量反演由于高層冰云的由于高層冰云的遮擋，不能得到低層水云物理特性，特別是臺(tái)風(fēng)云系。已有的多層云研究多基于最優(yōu)估計(jì)方法，如Iwabuchi等（2016，2017Teng輻射模式模擬數(shù)據(jù)ObservedActiveSensorDataset(ObservedActiveSensorDataset(Smalldata)fromRTM(Bigdata)上層冰云和下層水云云物理性質(zhì)同時(shí)反演輻射模式與AI聯(lián)合的多層云定量反演宏觀特性單層云多層云（上層冰云）多層云（下層水云）輻射模式與AI聯(lián)合的多層云定量反演宏觀特性輻射模式與AI聯(lián)合的多層云定量反演微觀特性（第一行光學(xué)厚度、第二行有效粒子半徑）單層云多層云（上層冰云）多層云（下層水云）輻射模式與AI聯(lián)合的多層云定量反演微觀特性使用遷移學(xué)習(xí)方法可有效提升微物理特性的反演精度,特別是下層云的光學(xué)厚度和有效粒子半徑使用紅外觀測(cè)亮溫和晴空亮溫可顯著提升多層云中上層冰云有效粒子半徑的反演精度輻射模式與AI聯(lián)合的多層云定量反演第一列CTH云頂高度第二列COT云光學(xué)厚度第三列CER有效粒子半徑新算法結(jié)果(上層冰云)新算法結(jié)果(下層水云)傳統(tǒng)算法(AHI官方產(chǎn)品)輻射模式與AI聯(lián)合的多層云定量反演云存在情況下CNN-TL模型反演的下層水云C1）CNN-TL模型反演的臺(tái)風(fēng)云系CTH與主動(dòng)雷達(dá)觀測(cè)具有較高的一致性，而MODIS產(chǎn)品特別是AHI產(chǎn)品整體上低估了CTH。2）當(dāng)多層云存在時(shí)，MODIS和AHI產(chǎn)品傾向于忽略上層較薄的冰云，給出下層水云的CTH。傳統(tǒng)的天氣預(yù)報(bào)網(wǎng)格：方程離散化觀測(cè)：提供初值網(wǎng)格：方程離散化觀測(cè)：提供初值超算超算：計(jì)算和存儲(chǔ) 同