人工智能基础知识卷积和池化后的效果鸟Convolution卷积一张新的图片Pooling可以Fully Connected重复Feedforward network多次Convolution池化5*5图片Pooling2*2Flatten
鸟 卷积和池化后的效果 人工智能基础知识 6
人工智能基础知识1小结卷积神经网络CNN的三层结构1.卷积层：提取特征2.池化层：下采样，却不会损坏识别结果3.全连接层：分类卷积全连接拉平池化平面变RGB3通道*层数不变根据各特征及相对1张彩色图但降维向量位置判定为鸟卷积核数birdPuirdsunsetPsunsetdogPdogO00catPecat0000o多次卷积与池化Ovecconvolutionl+00nonlinearity
人工智能基础知识 RGB3通道* 卷积核数 1张彩色图 拉平 多次卷积与池化 全连接 卷积神经网络CNN的三层结构 1.卷积层：提取特征 2.池化层：下采样，却不会损坏识别结果 3.全连接层：分类 卷积 池化 层数不变， 但降维 平面变 向量 根据各特征及相对 位置判定为鸟 n 小结 7
目录人工智能技术基础2人工智能技术在云遥感反演中的应用3人工智能技术在天气预报中的应用
目录 人工智能技术基础 人工智能技术在云遥感反演中的应用 人工智能技术在天气预报中的应用
云遥感研究背景云在地气系统中的重要性极端天气全球能量平衡340100239(340,341)196.100(236242)Low cloud coverCO, doublingincreases by 4%warming effectJatentheat2009185(179.189)201618439834215.2(338:348(70.85(394,400)imbaiance0.6iDsolarabsorbedhenhomoaup surfacedown surfaceratior预警调节云顶高度(CTH)云有效粒子半径（CER）云顶气压（CTP)云物理特性微观和光学特性宏观特性云相态(CLP)云光学厚度（COT)云底高度(CBH)9
云遥感研究背景 9 全球能量平衡 极端天气 l 调节 l 预警 云物理特性 云顶高度(CTH) 云底高度(CBH) 云有效粒子半径(CER) 云光学厚度(COT) 云相态(CLP) 微观和光学特性 宏观特性 云顶气压(CTP) Low cloud cover increases by 4% CO2 doubling warming effect
云反演进展和存在的科学问题传统物理算法T:Cloud optical thickness(COTre=2umre=20umre:Cloudeffectiveradius(CER)re=40μmre=4umre-7umre-100umre=12μm8012(a)T=1water(Mie)CEResennziei10-T=2128-ice(Voronoi)6432604t=0.5168-688126-8401220T=4t=0.216284-40COT22T=6()160202.80001T11208004060100120230240250260270280290BT (K) @11-um BandBand3(0.64um)Reflectance(%)CTH(Im红外分裂窗方法可见光/短波红外双光谱方法(Nakajimaetal.1990,Letuetal.2020)(Inoue,1985,Iwabuchi,2014)太阳耀光区10
云反演进展和存在的科学问题 可见光/短波红外双光谱方法 (Nakajima et al. 1990; Letu et al. 2020) �: Cloud optical thickness (COT) re : Cloud effective radius (CER) 10 红外分裂窗方法 (Inoue, 1985; Iwabuchi, 2014) Band 3 (0.64um) Reflectance (%) B a n d 6 (2.2 5 u m) R e fle cta n c e (%)