2024基于人工智能技术的云遥感反演-复旦大学_张峰_55页_14mb

报告内容总结：大气科学与人工智能在遥感和天气预报中的应用

人工智能基础知识

• 卷积核的概念：图像处理中的基本单元，代表局部特征，如线条和点，卷积核的组合形成复杂图像。
• 色彩处理：图像由RGB三种颜色通道构成，计算机通过灰度值和数值计算处理色彩。
• 池化操作：实现特征提取和降维，保留关键信息。
• 卷积神经网络（CNN）结构：包括卷积层（提取特征）、池化层（下采样）、全连接层（分类）。

云遥感反演应用

• 背景与目标：基于卫星观测（静止卫星 vs 极轨卫星）反演云物理特性，如云顶高度、云有效粒子半径、云光学厚度，服务于全球能量平衡和极端天气预警。
• 方法与进展：使用卷积神经网络（CNN）和深度神经网络（DNN），显著提高反演精度。例如，通过“大禹”快速辐射传输模式整合光学特性参数化，减少计算时间。
• 批次示例：与MODIS或AHI官方产品相比，新方法在云检测和特性反演（如全天时覆盖、夜间反演）上表现更优，RMSE误差降低。
• 挑战与问题：云反演受云层类型影响，多层云需特殊处理（如迁移学习）提升精度。

辐射传输模式：“大禹”模型

• 概述：“大禹”是高效的快速辐射传输模式，涵盖气溶胶、气体吸收和云参数化（基于六棱柱冰晶模型）。
• 优势：计算效率高，支持可见到热红外波段，减少计算时间三个至五个数量级。
• 应用：用于卫星遥感反演，模拟反射率和亮温对比卫星观测，验证在晴空和云系下的良好模拟能力。

人工智能在天气预报与气候应用

• 与数值预报comparison：AI方法更轻量、门槛低，精度超过传统数值预报，依赖较少高性能计算资源。
• AI应用领域：包括地球系统建模（如参数化改进）、天气预报后处理、气候预测（如贝叶斯方法整合多模型）、极端事件识别（使用CNN等）。
• 示例研究：多项AI技术如随机森林、自组织地图被用于气候数据分析，提升分类和预测性能。

其他讨论与结论

• AI的透明性问题：AI有时被视为“黑箱”，需工具如热力图验证其决策。
• 整体价值：AI在大气科学中的整合推动云遥感、数值模拟和气候预测的效率与准确性提升。感谢聆听，需进一步讨论以深入验证。

这个总结基于报告内容，涵盖了结构性技术点和综述。