报告由复旦大学张峰撰写，主要探讨了人工智能技术在云遥感反演及天气预报中的应用，涵盖人工智能基础知识、云遥感反演研究、辐射传输模式以及天气预报应用等内容。

1. 人工智能基础知识：介绍卷积神经网络（CNN）的三层结构，卷积层通过卷积核提取图像特征，卷积核类似图像的基本线条 。池化层进行下采样，保留主要特征并降维 。全连接层用于分类，将经过卷积和池化处理的数据进行分类判断 。

2. 云遥感研究：云在地球大气系统中对全球能量平衡和极端天气有重要影响，卫星遥感是获取云物理特性的主要手段 。传统云反演方法存在问题，基于人工智能的方法逐渐兴起。利用ResUnet框架等进行云物理特性反演，以MODIS和CALIOP官方云产品为基准评估，结果显示该方法在云检测、云顶高度（CTH）、云有效粒子半径（CER）和云光学厚度（COT）等方面反演精度较高，能提供全天时、大范围、高分辨率的云产品 。

3. “大禹”快速辐射传输模式：为满足高分辨率卫星遥感对快速辐射传输计算的需求，开发了“大禹”模式 。该模式涵盖可见到热红外波段，采用六棱柱冰晶模型、分段排序相关K分布方案等 。其气体吸收方案（OMCKD）通过减少模拟次数提高计算效率，云的光学特性参数化针对冰云和水云分别采用不同理论和拟合函数 。离散纵标累加法用于求解辐射传输方程，能处理多层大气的辐射传输过程。经评估，“大禹”模式在计算效率上比标准模式高几个数量级，在台风等应用案例中，模拟反射率和亮温与卫星观测结果一致性良好 。

4. 辐射模式与AI联合的云检测和反演：传统云检测算法基于阈值测试和决策树，多层云识别算法利用不同通道敏感性差异 。将辐射模式与AI联合，通过敏感性实验确定输入因子，构建DNN模型进行云检测和分类 。考虑晴空亮温可提升模型精度，该模型在实际案例中对多层云的识别能力优于官方产品 。在多层云定量反演方面，利用迁移学习方法，结合辐射模式模拟数据和主动雷达观测数据，可降低云顶高度反演误差，提升微物理特性反演精度 。

5. 人工智能在天气预报中的应用：传统天气预报依赖高性能计算、强物理基础和编程能力，投入大 。人工智能在气象领域应用广泛，如地球系统建模、遥相关研究、天气预报后处理、未来气候情景预测、气候影响评估、气候数据集处理和极端气候事件预测等 。还介绍了Transformer block通过自注意力机制提取非局部特征，以及利用热力图窥探人工智能 “黑箱” 的方法 。

免责声明：我们尊重知识产权、数据隐私，只做内容的收集、整理及分享，报告内容来源于网络,报告版权归原撰写发布机构所有，通过公开合法渠道获得，如涉及侵权，请及时联系我们删除，如对报告内容存疑，请与撰写、发布机构联系