雲在地球-大氣系統中扮演著重要的角色，雲物理參數如雲相態（CLP）🦹🏿♀️、雲頂高度（CTH）🥭、雲光學厚度（COT）和雲有效粒子半徑（CER）的準確獲取對於極端天氣預測預警和氣候變化等研究至關重要🫷🏿。衛星遙感是獲取雲物理參數的最主要手段，目前使用的衛星遙感雲產品主要源於太陽同步軌道衛星（極軌衛星）和地球同步軌道衛星（靜止衛星）。靜止衛星以較高的頻次對地球表面約1/3的區域進行連續觀測，可以捕捉到雲的日變化特征。與之相比，極軌衛星Aqua和Terra搭載的中分辨率光譜成像儀（MODIS）位於較低的軌道高度（約700公裏）🧑🏻🤝🧑🏻，能夠提供更精確的雲遙感數據集。然而MODIS每次過境時只能掃描約2000 km × 2330 km的小範圍區域，無法滿足更大空間覆蓋範圍的需求。此外🚶🏻♀️，傳統的可見光/短波紅外雙光譜反演算法雖然可以在白天反演得到雲的物理參數，但其對薄雲的反演能力明顯不足，並且在太陽耀光區無法應用；傳統的紅外分裂窗和基於紅外多通道的最優估計等物理算法雖然可以得到夜間的雲物理參數🏪，但由於熱紅外輻射穿透能力弱♻️，在估計光學厚雲（COT大於6）的物理參數時存在局限性🧑🏿🏫。
圖1. ResUnet結構示意圖
為了解決傳統物理反演算法在太陽耀光區和夜間存在的反演問題🧓🏿，彌補現有靜止衛星官方雲產品缺乏光學特性和夜間雲產品等缺陷📭，沐鸣2張峰教授團隊利用深度學習模型提出了一種基於圖像（包含雲空間結構信息）的靜止衛星全天時雲遙感反演算法。該算法以靜止衛星觀測的熱紅外通道亮溫和輔助氣象場資料作為輸入，以日本靜止衛星Himawari-8（H8）的AHI官方雲產品（只有白天）數據作為標簽進行訓練🤦🏼♀️，建立靜止衛星觀測亮溫等輸入特征與雲產品之間的面到面映射關系，然後將此關系應用在夜間，從而發展一套靜止衛星全天時雲遙感反演算法。與傳統的物理反演算法和基於單個像元的機器學習方法相比，該算法在反演精度和效率上均有明顯的優勢，可在1分鐘左右對靜止衛星成像儀全圓盤觀測區域的雲物理參數進行高精度反演➜。研究中使用的深度學習模型-ResUnet結構框架如圖1所示，其主要是由經典的語義分割網絡Unet和殘差網絡Resnet相構成。內部的殘差模塊和跳躍鏈接能有效避免和緩解由於網絡層數增加而帶來的梯度爆炸和梯度消失等問題👨🚀，在雲物理參數的反演中起到了很好的效果👨🏼🦳。
圖2. RseUnet模型在測試集上的（a）CLP，（b）CTH🧚🏿♂️，（c）CER和（d）COT反演效果
團隊將該算法成功應用在了新一代國產靜止衛星風雲四號（FY4A）/AGRI和日本靜止衛星H8/AHI傳感器上，並且都取得了良好的反演效果。下面以FY4A/AGRI上的應用結果為例，展示ResUnet模型在整體精度和空間分布上的表現能力👰🏻。如圖2所示，在獨立的測試集上，模型對於CLP識別的總體準確率為90.64%，對CTH，CER和COT反演的均方根誤差（RMSE）為0.95km，9.84µm和19.12，這說明ResUnet模型具有良好的雲反演能力。此外👷🏻♀️，從圖3所示的AHI官方雲產品和ResUnet模型反演的雲物理參數空間分布上看🪭，二者之間具有較好的對應關系🥢。在AHI官方雲產品的缺測區域🍧，其中包括夜間區域和太陽耀光區域，ResUnet模型均可以反演得到有效的雲物理參數，並且在空間上具有很好的連續性💂🏽。以上結果說明基於深度學習模型發展的全天時雲遙感反演算法可以在太陽耀光區和夜間進行有效的雲物理參數反演。此外，由於AGRI官方並未發布全天時的CER和COT產品，所以該算法的發展和應用也很好的彌補了國產靜止衛星官方雲產品在雲微物理特性產品方面的缺陷。
圖3. 2020年04月26日UTC_04:00 AHI官方雲產品（a-c）和ResUnet模型（d-e）反演的CTH（a和d）🤲🏼， CER (b和e)和COT（c和f）的空間分布圖（白色部分為缺測區域）😢。
雖然該算法在全天時雲物理參數的反演方面取得了不錯的效果，但由於深度學習模型的反演效果依賴於標簽產品的質量和精度，導致該算法反演得到的雲產品精度會受限於日本靜止衛星H8/AHI官方雲產品的精度👨🏽🦳。為了進一步提升靜止衛星雲產品的反演精度，張峰團隊進一步提出了一種基於圖像（包含雲空間結構信息）的全天時雲遙感反演遷移學習算法。該遷移學習算法首先將上述以靜止衛星AHI官方雲產品作為標簽訓練得到的模型作為預訓練模型👩🏻🏫，然後以極軌衛星MODIS官方雲產品作為標簽進行遷移訓練💆🏻♀️，使得該算法可以充分結合靜止衛星觀測頻次高、觀測範圍廣以及極軌衛星的觀測精度高等優勢，實現靜止衛星的全天時🦯、高精度、高頻次👩🏿✈️👩🏼🏫、大範圍雲物理參數遙感反演🧜🏿。
圖4. 基於主動探測衛星遙感數據集檢驗AHI官方雲產品和遷移學習模型反演的（a）CLP，（b）CTH▫️，（c）CER和（d）COT在白天和夜間的精度🔆。
同樣該遷移學習算法在新一代國產靜止衛星FY4A/AGRI和日本靜止衛星H8/AHI傳感器上得到了很好的應用。為了客觀評估遷移學習模型的反演效果，選取CALIPSO和CloudSat衛星官方發布的主動探測遙感數據集進行雲產品的精度檢驗。圖4展示了該遷移學習算法在H8/AHI上的應用效果，可以發現模型反演的雲產品在白天的精度（CLP: 86.7%，CTH: 1.99 km， CER: 9.62 µm👟，COT: 15.60）顯著高於H8/AHI的官方雲產品的精度（CLP: 78.8%💏，CTH: 2.99 km，CER: 14.81 µm，COT: 23.71）🍈，並且該模型在白天和夜間的精度（CLP: 81.6%🤚🏻🪮，CTH:3.00 km✊🏼，CER: 12.64 µm，COT: 17.10 ）相差不大。此外，從圖5某個相同時刻下AHI官方雲產品↙️，MODIS官方雲產品以及遷移學習模型反演的雲物理特性產品空間分布來看🐠，AHI官方雲產品只提供白天雲產品數據⏱，MODIS只提供小部分區域的雲產品數據⌛️，而遷移學習模型不僅可以得到完整的全雲盤雲產品數據，並且其空間分布特征相比於AHI官方雲產品也更加接近於MODIS官方雲產品。綜合，靜止衛星全天時雲遙感反演遷移學習算法在進行遷移訓練後大大提升了模型的雲反演能力，其反演的雲產品精度不僅可達到極軌衛星MODIS的雲產品精度水平，而且在白天和夜間具有穩定的反演能力。
圖5. 同一時刻下AHI官方雲產品，MODIS官方原產品和遷移學習模型反演的雲物理特性空間分布（黑色區域為夜間）。
目前，相關算法已成功應用在多顆靜止衛星傳感器上，並取得到了不錯的反演效果🧫。這充分說明了張峰團隊發展的靜止衛星雲遙感反演算法具有廣泛的適用性，也為構建更多的全天時🔯、高精度、高頻次🩰、大範圍的雲物理參數遙感數據集提供了可能。未來，隨著人工智能技術的不斷發展，希望可以利用最先進、最前沿的技術繼續改善深度學習雲遙感反演算法😸，提升靜止衛星雲產品反演的精度🈶，，幫助人們更好地理解雲在地氣系統中起到的重要作用。上述相關成果已發表在IEEE Transactions on Geoscience and Remote Sensing和Geophysical ResearchLetters雜誌🏹，通訊作者為沐鸣2的張峰教授，文章的第一作者分別是沐鸣2平台的學生趙誌軍、李經緯🚾↘️、郭斌以及博後童宣。
論文信息：
Zhao, Z., Zhang, F*., Wu, Q., Li, Z., Tong, X., Li, J., & Han, W. (2023). Cloud identification and properties retrieval of the Fengyun-4A satellite using a ResUnet model. IEEE Transactions on Geoscience and Remote Sensing, 61,10.1109/TGRS.2023.3252023.
Li, J., Zhang, F*., Li, W., Tong, X., Pan, B., Li, J., Lin, H., Letu, H., & Mustafa, F. (2023). Transfer-learning-based approach to retrieve the cloud properties using diverse remote sensing datasets. IEEE Transactions on Geoscience and Remote Sensing, 61, 10.1109/TGRS.2023.3318374.
Guo, B., Zhang, F*., Li, W., & Zhao, Z. (2024). Cloud Classification by machine learning for Geostationary Radiation Imager. IEEE Transactions on Geoscience and Remote Sensing, 61, 10.1109/TGRS.2024.3353373.
Tong, X., Li, J., Zhang, F*., Li, W., Pan, B., Li, J., & Letu, H. (2023). The Deep‐Learning‐Based Fast Efficient Nighttime Retrieval of Thermodynamic Phase From Himawari‐8 AHI Measurements. Geophysical Research Letters, 50(11), https://doi. org/10.1029/2009JD012152.
