人工智能基础知识
卷积核是图像的基本构成元素,类似于汉字由基本笔画构成。图像局部放大后呈现为各种线条或圆点,这些基本线条即为卷积核。色彩由RGB三通道构成,数值范围0~1(或255),表示灰度或红绿蓝三色。池化层通过下采样提取主要特征,不损害识别结果。
卷积神经网络(CNN)在云遥感反演中应用广泛。跳跃连接和残差连接有助于缓解深度网络中的梯度消失和爆炸问题。FY4A/AGRI卫星云物理特性反演结果显示,该方法可提供全天时CER和COT产品,具有大范围空间连续性、高时间分辨率和高精度。
云遥感研究背景
云反演进展主要基于可见光/短波红外双光谱方法,以及CNN等人工智能技术。传统算法依赖阈值测试和决策树,而机器学习方法更适用于处理复杂非线性问题。辐射模式与AI联合的多层云检测算法流程包括辐射模式模拟、AI分类和综合指标评估,考虑晴空亮温可显著提升云分类精度。
“大禹”快速辐射传输模式
“大禹”模式适用于遥感应用的快速辐射传输计算,涵盖可见光到红外光谱。OMCKD方案通过分段排序减少计算次数,提高效率。云的光学特性参数化包括冰云(六棱柱)和水云(Mie散射理论),光学特性参数通过多项式拟合函数计算。离散纵标累加法实现长短波统一处理,计算效率比标准模式提高数个数量级。
“大禹”模式应用案例
利奇马台风云光学性质模拟结果与卫星观测高度一致,证明模式在晴空和有云大气下均具有较好的模拟能力。辐射模式与AI联合的多层云检测算法基于SWIR和LWIR通道差异,与传统算法相比,DNN模型对薄卷云探测能力更强,可提供有效识别。
人工智能技术在云遥感定量反演中的应用
主动雷达观测数据与辐射模式模拟数据结合,可同时反演高层冰云和下层水云物理特性。迁移学习方法可有效降低云顶高度反演误差,红外观测亮温和晴空亮温可显著提升微物理特性反演精度。CNN-TL模型反演结果与主动雷达观测具有较高一致性,MODIS和AHI产品整体上低估云顶高度,且易忽略上层冰云。
数值预报与人工智能对比
人工智能方法在气象领域应用前景广阔,仅需少量投入即可实现高精度全球预报。机器学习方法可通过热力图等可视化工具检测AI策略,解决“黑箱”问题。
研究结论
- CNN在云遥感反演中具有高精度和全天时能力,跳跃连接和残差连接提升模型性能。
- “大禹”模式通过OMCKD方案和离散纵标累加法实现高效辐射传输计算,模拟结果与卫星观测高度一致。
- 辐射模式与AI联合的多层云检测算法显著提升薄卷云探测能力,CNN-TL模型反演结果与主动雷达观测具有较高一致性。
- 人工智能方法在气象领域具有高效率和高精度,可有效解决传统数值预报的局限性。