基于地球同步卫星的一天中云属性的高分辨率集合检索
大气与海洋物理
2025-10-24 v2
摘要
云在地球水循环和能量循环中发挥着关键作用，准确表示其属性对有效的数值模式和天气预报至关重要。机器学习方法已被广泛用于云属性检索；然而，大多数现有技术是确定性的，不包含不确定性量化。生成式机器学习在各个领域取得了显著进展，包括自然语言处理、图像生成，尤其是在天气预报领域，使能够进行集合预测并量化预报不确定性。这一量化不确定性的能力为云遥感提供了有价值的机会。本研究提出一种新颖的云属性检索方法CloudDiff，基于生成式扩散模型。通过利用Himawari-8 Advanced Himawari Imager（AHI）的热红外观测，CloudDiff生成针对白天和夜间条件的高时空分辨率云属性，将Himawari-8/AHI云检索分辨率从2公里提高到1公里。与确定性检索方法不同，CloudDiff从底层概率分布中生成多个样本，允许生成一系列可能的检索结果，并逐步实现不确定性评估。此外，CloudDiff产生的样本更锐利，更好地捕捉细微局部特征，增强了云属性检索的精度。通过对生成的多个样本进行平均，我们展示了检索结果的准确性和可靠性均显著提高。这些高分辨率云属性已成功应用于分析极端天气事件，如台风，为理解大气过程提供了潜在的有价值见解。
引用
@article{arxiv.2405.04483,
title = {High-resolution ensemble retrieval of cloud properties for all-day based on geostationary satellite},
author = {Haixia Xiao and Feng Zhang and Lingxiao Wang and Baoxiang Pan and Yannian Zhu and Minghuai Wang and Wenwen Li and Bin Guo and Jun Li},
journal= {arXiv preprint arXiv:2405.04483},
year = {2025}
}