本文结合辐射传输模型和机器学习提出了一种从FY-3D卫星MERSIⅡ传感器光学影像中识别云像元的方法CRMC(Combine Reflectance simulation and Machine learning for Cloud detection)。该方法通过设置变化的地物和大气内在光学特性IOPs(I...本文结合辐射传输模型和机器学习提出了一种从FY-3D卫星MERSIⅡ传感器光学影像中识别云像元的方法CRMC(Combine Reflectance simulation and Machine learning for Cloud detection)。该方法通过设置变化的地物和大气内在光学特性IOPs(Inherent Optical Properties),达到考虑多种下垫面的二项反射特征和不同大气条件下气溶胶和云参数的目的。CRMC方法主要包含3个步骤:(1)通过聚类分析从MODIS二项反射参数产品中分离出11种典型下垫面地表反射参数;(2)将随机设置的气溶胶和云参数以及地表反射率参数(即IOPs)输入SBDART辐射传输模型,得到模拟的反射率值数据集,并以此训练浅层神经网络模型;(3)利用浅层神经网络模型逐像元预测云概率,并根据实际需要确定区分云像元和非云像元的云概率阈值。通过与CALIPSO垂直特性掩膜产品(VFM)逐像元对比验证发现,CRMC方法总正确率为79.6%,且在陆地和海面上分别为78.5%和81.2%。通过与MODIS云掩膜产品横向对比(MYD35)发现,当云阈值设定为0.2时,CRMC方法在陆地,主要是阔叶林、农田、城市和裸土等地表上的云识别效果较好,但在海面的云识别效果仍待进一步提高。展开更多
文摘目前还没有基于国产卫星的1 km分辨率的全天候陆表温度(LST)产品,FY-3D卫星提供了中分辨率成像仪(MERSI)Ⅱ型1 km分辨率晴空LST产品与微波成像仪(MWRI)25 km全天候LST产品,因此可结合两者优势开展全天候1 km分辨率LST的融合研究。基于地理加权回归(GWR)方法,选择海拔、FY-3D归一化植被指数和归一化建筑指数等建立GWR模型对FY-3D/MWRI 25 km LST降尺度到1 km,并与MERSI 1 km LST进行融合;同时针对MWRI轨道间隙,利用前后1天融合后的云覆盖像元1 km LST进行补值,可以得到接近全天候下的1 km LST。基于以上融合算法,选择了中国区域多个典型日期FY-3D/MERSI和MWRI LST官网产品进行了融合试验,并利用公开发布的全天候1 km LST产品(TPDC LST)对FY-3D 1 km LST融合结果进行了评估。研究结果表明,基于GWR法的LST降尺度方法,可以有效避免传统微波LST降尺度方法中存在的“斑块”效应和局地温度偏低等问题;LST融合结果有值率从融合前的22.4%~36.9%可提高到融合后69.3%~80.7%,融合结果与TPDC LST的空间决定系数为0.503~0.787,均方根误差为3.6~5.8 K,其中晴空为2.6~4.9 K,云下为4.1~6.1 K;分析还表明目前官网产品FY-3D/MERSI和MWRI LST均存在缺值较多与精度偏低等问题,显示其存在较大改进潜力,这有利于进一步改进FY-3D LST融合质量。
