基于神经网络的昼夜连续全天空图像云量估算

《Atmospheric Research》：Continuous day-and-night Cloud Cover estimation from all-sky images with neural networks

　　

GOA-ALLSKY基准数据集简介，包含白天和夜间图像。
现代网络架构（ConvNeXt v2、Swin和EfficientNet）显著优于VGG等传统骨干网络。
实现了一种少样本自适应策略，有效缓解了由地理和仪器变化导致的性能下降。
识别出AOD440nm ? 0.6处的性能边界。

**引言**

云被世界气象组织（WMO）定义为由悬浮液态水或冰晶组成的水凝物（WMO, 2017），是水循环和大气环流的基本要素。它们通过双重机制调节地球的辐射平衡：反射太阳辐射并吸收地面红外辐射，后者在夜间是主要效应（Boucher et al., 2013, Forster et al., 2021）。历史上，这种平衡对气候系统产生了净冷却效应，但仍然是气候建模中的主要不确定性来源（Bony et al., 2015）。然而，当前联合国政府间气候变化专门委员会（IPCC）模型预测，由于云的分布变化，云对全球变暖的正反馈将增加。模型预测低空云（反照率效应最大）将减少，高空云顶（对温室效应贡献最大）将增加，从而削弱其净冷却效应（Forster et al., 2021, Wu et al., 2025）。

虽然云的辐射强迫从根本上取决于特定的光学和微物理特性（Rogers and Yau, 1989），但一个基本的宏观指标是云量（CC），定义为天空半球中被云占据的比例（WMO, 2017）。海洋云量的波动在全球气候现象的动力学过程中起着至关重要的作用，如季风、赤道辐合带（ITCZ）的移动以及大规模振荡（厄尔尼诺-南方涛动、北大西洋涛动和太平洋年代际振荡）（Krinitskiy et al., 2021）。Cox等（2020）发现，白天和夜间变暖的不对称性与云量存在相关关系。云量监测也与其他领域相关，如太阳能发电或空中交通管理（Krinitskiy et al., 2021）。因此，全球范围地监测白天和夜间的云量，使我们能够识别相关性和气候趋势。

传统上，云量获取依赖以八分法标准化的观测人员观测。然而，这种方法存在固有的主观性，且需要专门的观测人员，严重限制了时间分辨率和空间覆盖范围（WMO, 2012）。卫星遥感作为一种替代方案，提供了更高的空间覆盖，但在局部尺度监测方面面临挑战（Arking and Childs, 1985, Rossow and Schiffer, 1999, Zhao and Di Girolamo, 2006）。地球静止卫星平台往往缺乏检测小型积云所需的空间分辨率，而极轨卫星对每个地点提供的时间分辨率不足。关于地面仪器，激光雷达（LiDAR）、云底仪和云雷达等主动传感器可提供精确的垂直廓线并反演包括云量在内的云底高度等属性。然而，这些主动设备的空间覆盖范围有限（Costa-Surós et al., 2014, Martucci et al., 2010, Wagner and Kleiss, 2016）。类似地，辐射表、光谱辐射计或日照计等被动设备可提供积分辐射指标，但无法解析云场的空间分布（Clothiaux et al., 1995, Vasaras et al., 2001, Orsini et al., 2002, Kollias et al., 2007, Mateos et al., 2014, Tapakis and Charalambides, 2013）。为弥合高时间分辨率与全空间覆盖之间的差距，全天相机已成为一种稳健且经济的解决方案。

全天相机以红、绿、蓝（RGB）三个通道拍摄天空半球数字图像，以高时间分辨率运行。所得图像提供了云场的连续空间特征，克服了主动传感器和其他被动传感器的局限（Antu?a-Sánchez, 2022, Román et al., 2025）。要从这些图像中提取云量，早期方法依赖固定的颜色阈值来区分云和非云像素；然后通过两类像素的比例推导云量。最突出的方法是红蓝比（RBR；Long and DeLuisi, 1998, Long et al., 2006, Long, 2010, Shields et al., 2013, Calbó and Sabburg, 2008, Silva and Pereira de Souza Echer, 2015, Lothon et al., 2019, Kim and Cha, 2020），以及蓝红比（BRR；Johnson et al., 1989, Kreuter et al., 2009）或归一化红蓝差（NRBD；(B?R)/(B+R)；Kazantzidis et al., 2012, Tohsing et al., 2014, Chauvin et al., 2015）等变体。

在晴天空下，瑞利散射占主导，导致蓝光强烈散射，使蓝通道强度较高。另一方面，云和气溶胶通过米氏散射散射光线，在所有可见波长上均匀散射，使天空看起来更白或更灰（Long et al., 2006, Johnson et al., 1989）。然而，上述静态方法（如BRR和NRBD）表现出有限的鲁棒性：高气溶胶负载常常模拟云的信号（由于米氏散射，红通道值较高），而光学薄云由于对比度低经常被错误分类。为了缓解这些不准确之处，后续方法引入了自适应阈值技术（Olmo et al., 2008, Cazorla et al., 2008, Cazorla et al., 2015, Kim et al., 2016, Bin Mohd Rashid et al., 2021, Niu et al., 2024）或无云天空库（Li et al., 2011, Huo and Lu, 2012, Ghonima et al., 2012, Lothon et al., 2019, Chauvin et al., 2015, Yang et al., 2016）。此外，全天相机与其他仪器（如云底仪）相结合的协同方案也已被探索（Martínez-Chico et al., 2011, Wacker et al., 2015, Román et al., 2017）。

在全天图像领域，研究人员广泛部署了神经网络，特别是卷积神经网络（CNN）（Krizhevsky et al., 2012a），以实现云检测自动化。大多数方法侧重于生成优于传统阈值方法的像素级分割掩膜（Cazorla et al., 2008, Dev et al., 2019, Xie et al., 2020, Shi et al., 2021, Li et al., 2024, Li et al., 2025b, Li et al., 2025a, Zhang et al., 2022, Shi et al., 2024b, Fabel et al., 2022, Magiera et al., 2025），而其他研究则集中于云类型分类（Zhang et al., 2018, Liu et al., 2020, Shi et al., 2024a）。与这些方法不同，Onishi和Sugiyama（2017）、Krinitskiy等（2021）以及González-Fernández等（2024a）避免了分割步骤，直接从全天图像中提取云量。语义分割方法的一个主要缺点是数据集标注的时间成本很高；手动为单张图像创建像素级地面真值掩膜可能需要专家花费15到30分钟，具体取决于云的复杂性和空间分布（Krinitskiy et al., 2021）。为了克服这一局限，本工作采用端到端估计方法，直接从输入图像预测云量。

该领域大量数据驱动研究可能暗示云量提取是一个已解决的问题；然而，Krinitskiy等（2021）的研究警告称，尚未证明对传统算法具有普遍性和显著性的改进。尽管夜间云量与白天观测同样重要，因为其显著的增温效应，但文献主要关注白天时段，而夜间时段仍基本未被触及（Dev et al., 2017b, Kim and Cha, 2020, Buntin et al., 2025）。除了夜间方法的局部缺失之外，现有研究通常未能充分评估这些模型的鲁棒性。具体而言，这些模型在高气溶胶光学深度（AOD）条件下的性能很少被评估，少数例外如Román等（2017）和González-Fernández等（2024a）。此外，除Krinitskiy等（2021）外，研究倾向于忽略这些模型在遭遇地理或仪器变化时可能遭受的性能下降。此外，缺乏标准化基准数据集来适当评估这些模型，且大多数工作依赖相对陈旧的网络架构，并缺乏性能消融研究。虽然某些基准数据集（Li et al., 2011, Xie et al., 2020, Dev et al., 2017a, Fabel et al., 2025）和现代架构（Shi et al., 2024b, Li et al., 2025a, Li et al., 2025b）已被用于云分割任务，但它们在直接云量估计中仍然基本缺席。

在此框架下，本工作的主要目标是开发一种基于CNN的鲁棒框架，能够在白天和夜间条件下预测云量，同时评估模型在地理位移（伴随轻微仪器变化）和不同AOD负载下的性能。为此，一个补充目标是创建一个新的开源基准数据集，命名为GOA-ALLSKY。最后，旨在建立可靠的基线，本工作的次要目标是训练和评估多种历史上重要的最先进方法。

本文结构如下。第2节详细介绍了仪器和GOA-ALLSKY基准数据集的创建过程。第3节描述了方法论，包括所选的CNN架构、训练策略和评估指标。第4节呈现了模型在验证集、测试集和AOD测试集上的性能评估结果。最后，第5节总结了本工作的主要结论。

**第2节摘录**

仪器和站点

本工作主要使用的仪器是OMEA-3C全天相机（Alcor System）。该设备配备Sony IMX178 CMOS传感器和提供180°×180°视场的鱼眼镜头，全部封装在防护外壳内。系统配备BK7玻璃穹顶、外部温度和湿度传感器以及内部加热系统，以防止穹顶上结露和积水的积聚。传感器采用Bayer RGGB（红、绿、绿、

**第3节摘录**

架构和实验设置

本工作使用了九个不同的图像分类模型来预测云量。这些模型使用新创建的GOA-ALL-SKY数据集（第2.2节）进行训练。这些模型根据其结构范式和所需训练策略被分为两组。第一组为基于CNN的方法：视觉几何组网络（VGG）（Simonyan and Zisserman, 2015）、残差网络（ResNet）（He et al., 2015）、Inception v3（Szegedy et al., 2015）、DenseNet（Huang et al., 2018）、

**第4节摘录**

结果与讨论

本节呈现第3节所述训练方法在验证集和测试集上的结果。首先介绍验证集上的结果，以展示模型在与训练数据集来自同一相机和同一地点的数据集上的表现。需要注意，早停机制在验证集上的性能达到最优时被触发。因此，所呈现的指标应

**结论**

本研究开发了一种基于神经网络的连续云量（CC）提取方法，解决了数据驱动方法缺乏标准化以及传统阈值方法的局限性。为支持该框架，创建了GOA-ALLSKY数据集作为新的开源基准，通过包含用于训练和评估的夜间图像，弥合了关键的观测空白。为确保严格评估，该数据集包含

**缩略语列表**

| 缩略语 | 定义 |
|---|---|
| AEMET | 西班牙国家气象局（Agencia Estatal de Meteorología） |
| AERONET | 气溶胶机器人网络 |
| AOD | 气溶胶光学深度 |
| BRR | 蓝红比 |
| CC | 云量 |
| CMOS | 互补金属氧化物半导体 |
| CNN | 卷积神经网络 |
| DWD | 德国气象局（Deutscher Wetterdienst） |
| EMA | 指数移动平均 |
| FEDER | 欧洲区域发展基金 |
| FLOPs | 每秒浮点运算次数 |
| GOA | 大气光学小组 |
| GPU | 图形处理单元 |
| HDR | 高动态范围 |

**CRediT作者贡献声明**

Bruno Longarela：写作 – 审阅与编辑、原创稿件撰写、可视化、验证、软件、方法学、调查、正式分析、数据管理、概念构思。Roberto Román：写作 – 审阅与编辑、可视化、验证、监督、资源、项目管理、方法学、资金获取、概念构思。Fernando Buitrago：写作 – 审阅与编辑、监督、资源、资金获取、概念构思。Daniel González-Fernández：

**代码可用性**

用于所有模型训练和开发的完整代码库已公开托管于GitHub：https://github.com/brulonga/Cloud-Cover-Retrieval-with-Neural-Networks

**生成式AI及AI辅助技术在写作过程中的声明**

在本文撰写过程中，作者使用Gemini 3仅辅助完成稿件的语法检查和拼写纠正。Gemini 3未生成任何内容、分析、结果或科学论断。

所有文本、图表和结论均由作者撰写，作者对本出版物的内容承担全部责任。

**利益冲突声明**

作者声明，他们不存在任何已知的竞争性经济利益或个人关系，这些情况可能被认为会影响本论文所报告的工作。

**致谢**

本工作得到科学与创新部（MICINN）的资助，资助编号为 PID2024-157697OB-I00。本工作属于项目 TED2021-131211B-I00375 的一部分，该项目由 MCIN/AEI/10.13039/501100011033 和欧盟"下一代欧盟"复苏计划（PRTR）资助，并基于 COST 行动 CA21119 HARMONIA 的工作成果。衷心感谢卡斯蒂利亚-莱昂自治区教育部和欧洲区域发展基金（FEDER）的资金支持（参考编号：CLU-2023-1-05）。本工作属于西班牙布鲁诺·隆加雷拉、罗伯托·罗曼、费尔南多·布伊特拉戈、丹尼尔·冈萨雷斯-费尔南德斯、哈维尔·加顿、塞莉亚·埃雷罗德尔巴里奥、萨拉·埃雷罗-安塔、安赫尔·德·迪亚戈-费尔南德斯、拉米罗·冈萨雷斯、大卫·马特奥斯、莱昂内尔·多普勒、非利西亚·巴雷托、玛丽亚·何塞·格拉纳多斯-穆尼奥斯、卡洛斯·托莱达诺和维多利亚·E·卡乔罗的协作成果的一部分。