FU Yashuai1,2,3,*, ZHANG Wenhao1,2,3, JIN Yongtao1,2,3, LIU Qiyue1,2,3..., ZHANG Lili4,5, BING Fangfei1,2,3 and MA Yu1,2,3|Show fewer author(s)
Author Affiliations
1School of Remote Sensing and Information Engineering, North China Institute of Aerospace Engineering,Langfang 065000, China2Institute of Remote Sensing Applications, North China Institute of Aerospace Engineering, Langfang 065000, China3Heibei Spacer Remote Sensing Information Processing and Application of Collaborative Innovation Center,Langfang 065000, China4National Engineering Laboratory for Satellite Remote Sensing Applications, Aerospace Information Research Institute,Chinese Academy of Sciences, Beijing 100094, China5Zhongke Langfang Institute of Spatial Information Applications, Langfang 065001, Chinashow less
Fig. 1. Standard diagram of cloud types in International Satellite Cloud Climatology Project (ISCCP)
Fig. 2. Example of Himawari-8 official cloud type product at UTC 5:00 on June 1, 2020.(a) The original image ; (b) cloud type products
| 卫星 | 传感器 | 波段数 | 空间分辨率/m | 时间分辨率 | 发射时间 | 状态 | 机构 | 轨道 |
|---|
| NOAA-7 | AVHRR | 5 | 1100 | 0.5 d | 1981-06-23 | 服役 | NOAA | 极轨 | | NOAA-15 | AVHRR | 5 | 4000 | 101.2 min | 1998-05-13 | 服役 | NOAA | 极轨 | | Landsat-7 | ETM+ | 8 | 15, 30, 60 | 16 d | 1999-04-15 | 服役 | USGS, NASA | 极轨 | | Landsat-8 | OLI/TIRS | 11 | 15, 30 | 16 d | 2013-02-11 | 服役 | USGS, NASA | 极轨 | | Landsat-9 | OLI-2/TIRS-2 | 9 | 15, 30 | 16 d | 2021-09-27 | 服役 | USGS, NASA | 极轨 | | Sentinel-2 | MSI | 13 | 10, 20, 60 | 5 d | 2015-06-23 | 服役 | ESA | 极轨 | | Aqua | MODIS | 36 | 1000 | 1 d | 2002-05-04 | 服役 | NASA | 极轨 | | Terra | MODIS | 36 | 1000 | 1 d | 1999-12-18 | 服役 | NASA | 极轨 | | GMS-5 | VISSR | 4 | 1250, 5000 | 3 h | 1995-03-18 | 退役 | JMA | 静止 | | MTSat-2 | Imager | 5 | 1000, 4000 | 30 min | 2005-02-26 | 退役 | JMA | 静止 | | Himawari-8 | AHI | 16 | 500, 1000, 2000 | 10 min | 2014-10-07 | 服役 | JMA | 静止 | | Himawari-9 | AHI | 16 | 500, 1000, 2000 | 10 min | 2016-11-02 | 服役 | JMA | 静止 | | FY-2C | VISSR | 5 | 1250, 5000 | 30 min | 2004-10-19 | 退役 | CMA | 静止 | | FY-2E | VISSR-II | 5 | 1250, 5000 | 30 min | 2008-12-23 | 退役 | CMA | 静止 | | FY-4A | AGRI | 14 | 500, 1000, 2000, 4000 | 15 min | 2016-12-11 | 服役 | CMA | 静止 | | FY-4B | AGRI | 15 | 500, 1000, 2000, 4000 | 15 min | 2021-06-03 | 服役 | CMA | 静止 | | GOES-16 | ABI | 16 | 500, 1000, 2000 | 15 min | 2016-11-19 | 服役 | NASA | 静止 |
|
Table 1. Statistical table of parameters of some optical remote sensing satellite commonly used in cloud classification
| 方法 | 数据集 | 云类型数 | 特点 | 参考文献 |
|---|
| 线性关系算法 | 红外阈值法 | MTSAT2全圆盘数据 | 6 | 方法简单、易操作, 但通道数据损失, 需结合云掩膜结果 | 鞠未了[31] | | 多光谱阈值法 | GMS-5 | 5 | 可应用于实时云分类业务, 云分类准确率在80%以上, 但受时空局限性大、无法精细化区分不同类云 | 杨澄等[32] | | 最小距离多阈值判定 | MODIS | 6 | 云微观物理特征和宏观特征结合, 但分类结果依赖卫星反演产品, 局限性大 | 吴晓等[33] | | 灰度特性阈值 | 水域遥感图像 | 3 | 检测出云区, 对其进行操作减小云层遮盖对遥感图像数据利用率的影响 | 周雪珺等[34] | | 统计阈值 | FY-2C | 9 | 解决普通阈值法中阈值不确定性的问题 | 黄勇等[35] | | 数理统计算法 | 极大似然 | MODIS | 8 | 云分类不受辐射或亮温阈值影响, MODIS云掩膜为ML分类器提供了较好初始数据 | Li 等[36] | | 改进最大似然法 | MODIS | 5 | 原理简单、较常规算法收敛速度快, 但此算法基于中国独特地形开发, 具有地理局限性 | 刘志刚等[37] | | 最大似然二维阈值 | MTSAT | 8 | 可更好地提取局部或孤立云 | Suseno和Yamada[38] | | 最小距离最大似然 | MTSAT-2结合CloudSat | 7 | 光谱数据结合云廓线雷达数据为后期云分类研究提供了新思路, 但CloudSat无夜间数据, 全天时云分类不够精确 | 王远谋和 郁凡[39] | | K-均值 | GOES-16 | 5 | 分辨率提高, 增加了云顶温度信息, 细化云分类 | Hu等[40] | | 模糊C均值聚类 | GMS-5 | 10 | 引入隶属度来改善常规聚类方法无法准确分类边缘云系的问题, 提高了云分类准确率 | 吴咏明等[41] | | GMS-5 | 8 | 将GA和FCM优点互补, 提高云分类准确率 | 洪梅等[42] | | FY-2 | 3 | 引入半监督思想改善FCM不可全局寻优的缺点 | 来旭等[43] | | 机器学习法 | 极大似然随机森林 | Himawari-8/CloudSat | 9 | 同时使用多个通道显著提高了云类的辨别能力, 算法依赖训练样本和数据整体质量 | 张成伟[44] | | 随机森林 | FY-4A | 8+12 | 数据集中、层云数量较少, 造成层云分类效果差, 需要增大数据集 | Yu等[45] | | 支持向量机 | Landsat-8 FY-2C | 9 | 选用三个可见光 + 热红外共4个通道, 效果更好 | Wohlfarth等[46] | | ELM支持向量机 | 8 | 学习速度快、时间成本低 | 陈晨[47] | | 模糊支持向量机 | 5 | 该模型具有更好的稳定性和自适应性 | 田文哲等[48] | | 自组织映射 | METEOSAT7 | 6 | SOFM在云类型有重叠情况下具有优势, SOFM和KNN结合的云分类算法进一步提高分类精度 | Christodoulou等[49] | GHSOM FY-2E | 8 | 缺乏夜间云类检验标准, SOM网络结构不够灵活 | 闫廷亚[50] | | 自组织特征映射 | 8 | 验证SOM在卫星云图进行云分类是可行有效的 | 石小云[51] | | 深度学习算法 | BP神经网络 FY-2C | 6 | 改进的BP神经网络模型对薄卷云分类效果有所提高 | 张振华等[52] | | 深度卷积神经网络FY-2C | 5 | 分类精度高、鲁棒性好 | Cai和Wang[53] | | 深度神经网络 (DNN)GOES-16 | 8 | 准确率高, 为开发高效的近实时模型提供了参考, 但显示低层云和晴空之间出现混淆, 且无法区分层云和底层云 | Afzali Gorooh等[54] | | 径向基函数 | 6 | 在提取特征时小波分解可以更好地表现空间特征而不是光谱特征 | 蒋德明等[55] | | 深度信念网络 | 9 | 实现了对强对流云团有效的自动识别 | 郑益勤等[56] | | 混合模型 | FSVM/ U-Net | 8 | 充分利用空-谱信息, 整体提高云分类的准确率 | 符冉迪等[57] | | SOFM-PNN | 7 | 充分考虑样本的空间特征, 降低错判概率 | 黄兵等[58] | | CNN-LSTM | 3 | 提出集成学习的思想, 改善传统机器学习泛化能力差和深度学习对图像边缘分类效果不佳的缺点 | 王杉等[59] |
|
Table 2. Statistical table of cloud classification methods
| 云族 | 云属 | 云类 |
|---|
| 高云 | 卷云 | 毛卷云、密卷云、伪卷云、钩卷云 | | 高云 | 卷积云 | | 卷层云 | 毛卷层云、匀卷层云 | | 中云 | 高积云 | 透光高积云、蔽光高积云、荚状高积云 积云性高积云、絮状高积云、堡状高积云 | | 高层云 | 透光高层云、蔽光高层云 | | 低云 | 雨层云 | 雨层云、碎雨云 | | 层积云 | 透光层积云、蔽光层积云、荚状层积云 积云性层积云、堡状层积云 | | 层云 | 层云、碎层云 | | 积云 | 淡积云、浓积云、碎积云 | | 积雨云 | 秃积雨云、鬃积雨云 |
|
Table 3. Classification criteria for ground-observed clouds
