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
