云反演进展和存在的科学问题深度学习方法Vector(13)ComvolutionsRORSImage-samoline(6,32, 32)UpsamplingORS+Vector(5)值UyconneceSResampingConcatenationTask卷积神经网络（CNN）卷积神经网络（CNN）(Xinyue Wang, et al. RSE, 2022)(QuanWang,etal.RSE,2022)深度神经网络（DNN）深度神经网络（DNN)(Wenwen Li, Feng Zhang*,et al.TGRS,2022)(WenwenLi,FengZhang*,etal.TGRS,2024)11
卷积神经网络（CNN） (Quan Wang, et al. RSE, 2022) 卷积神经网络（CNN） (Xinyue Wang, et al. RSE, 2022) 深度神经网络（DNN） (Wenwen Li, Feng Zhang*, et al. TGRS, 2022) 深度神经网络（DNN） (Wenwen Li, Feng Zhang*,et al. TGRS, 2024) 云反演进展和存在的科学问题 11
云遥感研究背景卫星遥感已成为获取云物理特性的主要途径静止卫星极轨卫星仪器FY4A/H8（AGRI/AH)Aqua/Terra(MODIS)轨道高度~705km-36000km空间分辨率4km/5km（热红外通道）1km（热红外通道）时间分辨率一天两次过境15min/10min观测特点观测范围广：观测频次高光谱分辨率高：轨道高度低H8: Himawari-8 satellite; AHl: Advanced Himawari Imager;, FY4A: Fengyun-4A satellite; AGRI: Advanced Geostationary Radiation Imager,MODIS:ModerateResolutionImagingSpectroradiometer,12
仪器 FY4A/H8 (AGRI/AHI) Aqua/Terra (MODIS) 轨道高度 ~36000km ~ 705km 空间分辨率 4km/5km（热红外通道） 1km（热红外通道） 时间分辨率 15min/10min 一天两次过境 观测特点 观测范围广; 观测频次高 光谱分辨率高; 轨道高度低 静止卫星 极轨卫星 云遥感研究背景 H8: Himawari-8 satellite; AHI: Advanced Himawari Imager; FY4A: Fengyun-4A satellite; AGRI: Advanced Geostationary Radiation Imager; MODIS: Moderate Resolution Imaging Spectroradiometer; 12
算法>1.结合静止卫星和极轨卫星观测优势极轨卫星静止卫星口观测高度低观测范围广观测精度高FY-2G观测频次高FY-2118FY-4A99.57104.7123.5>2.采用深度学习网络建立面到面的映射关系从面到面的反演角度获取云的空间信息弥补厚云反演不准的缺陷考虑云空间特征的深度学习方法
算法 13 q 观测高度低 q 观测精度高 q 观测范围广 q 观测频次高 + 极轨卫星 静止卫星 从面到面的反演角度获取云的空间信息， 弥补厚云反演不准的缺陷
算法>流程图ITLMH8/AHICLPModelBands 9-14BTsSZAFY4A/AGRI(b)Pre-trainingtargetCTH Model(d)Output(a) InputImage-BasedResUnetSECERModelCFAqua/MODIS(e)Transfer-trainingtargetCOT ModelCORHPSKTTCWVATPCERCOTERASAquaandTerra/MODIS(Xuan Tong,Jingwei Li, Feng Zhang*,et al.GRL,2023; Jingwei Li, Feng Zhang*,et al.TGRS,2023; Zhijun Zhao,FengZhang*,et al. arXiv,2024)14
14 算法 (Xuan Tong, Jingwei Li, Feng Zhang*, et al. GRL, 2023; Jingwei Li, Feng Zhang*, et al. TGRS, 2023; Zhijun Zhao, Feng Zhang*, et al. arXiv, 2024)
算法>ResUnet框架：语义分割网络（Unet）+残差网络（Resnet)Resblock4ResblockaResblock2ResBlocBN&ReLUInput&OutputConvUpsampleDownsampleSkipConnectionResidualConnectionInput ConvDeconv4-Output跳跃连接和残差连接：有助于缓解随着网络深度增加而出现的梯度消失和梯度爆炸等问题(XuanTong,JingweiLi,FengZhang*,etal.GRL,2023;ZhijunZhao,FengZhang*,etal.TGRS,2023)15
算法 跳跃连接和残差连接： 有助于缓解随着网络深度增加而出现的梯度消失和梯度爆炸等问题 (Xuan Tong, Jingwei Li, Feng Zhang*, et al. GRL, 2023; Zhijun Zhao, Feng Zhang*, et al. TGRS, 2023) 15