基于新一代静止卫星数据的陆域夜间云检测算法开发与验证——以澳大利亚Himawari成像仪为例

本研究针对光学遥感中夜间云检测精度不足的难题，开发了基于Himawari-8/9 AHI数据的双模态算法，结合代理发射率(proxy emissivity)时序变异和月尺度数据库，经CALIPSO LiDAR验证准确率达96%，为霜冻监测等对云污染敏感的应用提供了高效近实时（2小时内）解决方案。

　　

在气候变化研究中，云层作为地球能量平衡的关键调节者，其夜间行为却长期缺乏有效监测手段。传统基于光谱对比的云检测算法（如MODIS产品）在夜间面临巨大挑战——可见光波段失效，仅能依赖热红外波段（如3.9μm、10.4μm）的有限信息。这一问题严重制约了霜冻预警（frost detection）等对地表温度精度要求极高的应用，据Holmes等研究，云污染可导致地表温度反演误差高达5K。更棘手的是，现有Himawari业务化云掩膜产品存在20%的漏检率，使得澳大利亚农业区的夜间霜冻监测举步维艰。

针对这一技术瓶颈，中国科学院的Yi Qin团队在《Remote Sensing of Environment》发表突破性研究。他们创新性地提出"代理发射率"概念，通过融合时序变异分析和动态数据库构建，开发出首个适用于静止卫星AHI传感器的全自动夜间云检测算法。该研究历时6年验证，覆盖整个澳大利亚大陆，首次实现96%的检测准确率，且无需辅助数据即可在2小时内完成处理，为高时效性农业气象服务树立新标杆。

关键技术包括：1）基于AHI的8.6μm（band 11）与10.4μm（band 13）波段构建代理发射率指数；2）利用像素级1小时标准差量化时序变异（temporal variation）；3）建立每日更新的月尺度晴空发射率数据库；4）采用CALIPSO LiDAR的6年垂直剖面数据作为验证基准。

【数据与方法】
研究选取Himawari-8/9的3.9μm（band 7）、8.6μm（band 11）和10.4μm（band 13）波段，通过Band11与Band13的亮温比构建代理发射率。其物理基础在于：云层会显著改变该比值的时间稳定性——晴空地表发射率月变异系数<0.02，而薄云覆盖区域可达0.15以上。

【Example cloud detection results】
典型案例显示，算法能有效识别澳大利亚东海岸的薄层云（optical thickness<1），这些在传统亮温图像（T_b）中几乎不可见的云层，通过代理发射率时空分析被准确捕捉。特别值得注意的是，横跨大陆北部的条带状云系（长度>2000km）虽在单时相影像中难以分辨，但借助时序变异特征被成功检出。

【Discussion】
算法的核心优势在于：1）代理发射率直方图呈现尖锐单峰（FWHM<0.015），使晴空/有云状态阈值易于确定；2）动态更新的月尺度数据库可适应地表季节性变化（如植被物候）；3）计算效率较传统机器学习方法提升20倍，满足业务化需求。但作者也指出，火山喷发等导致的大气气溶胶异常可能引发误判，这将是未来改进方向。

【Conclusion】
该研究开创性地将静止卫星的高时间分辨率优势转化为云检测精度提升，其双模态架构既保留了物理算法的可解释性，又通过动态数据库融入数据驱动思维。不仅为霜冻敏感型农业提供关键技术支撑，更填补了IPCC云辐射强迫评估中夜间数据的空白。随着下一代静止卫星（如风云四号）的部署，该算法框架有望实现全球推广。