A novel segmentation algorithm for the ARM user facility all-sky imagers using machine learning applications

doi:10.5194/amt-19-5457-2026

A novel segmentation algorithm for the ARM user facility all-sky imagers using machine learning applications

2026-08-01

0

PRE

AI

DOI：10.5194/amt-19-5457-2026

原文链接

原文求助

摘要

En 中文

云通过反射入射太阳辐射和捕获出射长波辐射，在调节地球能量收支方面发挥着关键作用。地基全天候成像仪能够客观评估云量覆盖，可用于估算太阳辐照度、分类云类型、追踪云运动，并作为评估卫星和再分析数据产品的基准。大气辐射测量（ARM）用户设施已使用全天候成像仪超过25年，用于监测云量覆盖并增强其综合的大气测量套件。随着其Total Sky Imager（TSI）的退役，ARM最近部署了TSI的继任者——All-Sky Imager（ASI-16相机系统）。为促进TSI多年积累的丰富知识平稳过渡和保持连续性，同时解决典型的部署问题，我们开发了一种新型像素分割算法——ASI Sky Cover（ASISKYCOVER）。ASISKYCOVER结合了TSI处理算法的不同优势和特性，并整合机器学习技术，确保在多样化大气条件下数据的有效性和准确性。它通过新增特征（如伪影检测和不确定性量化）增强云量覆盖表征。ASISKYCOVER还包含近天顶（窄视场）的云量估计，并降低误检的易感性。本研究介绍了ASISKYCOVER，详细阐述了其算法框架，并使用ARM南方大平原站点的一年期数据集展示了其能力。与共址TSI数据的比较初步表明，每场景的主导云类型可能是不同云检测算法间一致性的最佳预测因子。ASI-TSI比较以及对其他ARM测量（如天顶指向雷达和激光雷达）的评估，凸显了ASISKYCOVER在改进云量覆盖分析和数据评估方面的潜力，以及将其整合到高级数据产品中（这些产品通过协同仪器套件生成新见解信息）的可行性。

Keyword:

MIDLATITUDE CONTINENTAL CLOUDS

SGP CENTRAL FACILITY

COVER

SATELLITE

CLIMATOLOGY

SIMULATIONS

FRACTION

IMPACT

SITE

A novel segmentation algorithm for the ARM user facility all-sky imagers using machine learning applications

摘要

期刊

机构

引用论文