云通过散射和吸收太阳辐射显著影响卫星观测信号，是制约地表、气溶胶及痕量气体等遥感反演精度的重要因素。准确识别云覆盖及其空间分布，是开展高质量卫星遥感监测的重要基础。近期，北京大学环境科学与工程学院韦晶研究员团队围绕卫星云检测中复杂地表识别困难、不同传感器适应性不足以及高光谱信息维度高、物理可解释性有限等挑战，结合多源卫星观测、辐射传输模拟与人工智能方法，在多源多尺度卫星云检测和高光谱大气环境卫星云概率反演等方面取得系列进展。相关成果发表于 Remote Sensing of Environment、Journal of Geophysical Research: Atmospheres 等期刊，并获得国家发明专利授权。
面向多源卫星的通用深度学习云检测
针对不同卫星传感器在光谱配置、空间分辨率和观测方式等方面存在显著差异，以及传统云检测方法依赖经验阈值、跨传感器适用性有限等问题，团队首先从多源卫星通用云检测出发，融合Swin Transformer的全局特征建模能力与UPerNet的多尺度特征融合优势，构建了STUPmask深度学习云检测模型（图1）。该模型利用Landsat 8和Sentinel-2全球人工云掩膜数据进行训练与验证，对破碎云、薄云、半透明云以及城市、裸地、冰雪等复杂场景具有良好的识别能力，在Landsat 8和Sentinel-2上的总体精度分别达到97.51%和96.27%。进一步将模型拓展至高分二号、MODIS和Himawari-8等不同传感器，覆盖4 m–2 km空间分辨率以及极轨和静止卫星观测，总体精度达到94.21%–97.11%，表现出良好的跨传感器适应能力。该研究构建了融合局地与全局、多尺度特征的通用云检测框架，为不同类型卫星遥感数据的自动化云识别提供了新的技术支撑。
图1. 基于Swin Transformer与UPerNet的多源卫星云检测深度学习框架（STUPmask）
该成果以“Enhancing cloud detection across multiple satellite sensors using a combined Swin Transformer and UPerNet deep learning model”为题，于2026年3月1日在线发表于Remote Sensing of Environment。博士生逄淑林为论文第一作者，韦晶研究员为共同通讯作者。
从数据驱动进一步走向物理引导的高光谱卫星云检测
团队进一步将研究拓展至新一代高光谱大气成分卫星。与传统多光谱成像传感器相比，TEMPO、GEMS等高光谱卫星具有数千个光谱通道，云信号与大气吸收、地表反射及观测几何相互耦合，海量光谱信息给特征筛选、计算效率和物理可解释性带来了新的挑战。为此，团队发展了物理引导特征选择机器学习（PGML）云概率反演框架（图2）：首先利用辐射传输模拟从TEMPO的2,056个光谱通道中识别对云最敏感的波段，再结合可解释人工智能进行特征重要性筛选，最终将模型输入精简至25个紫外—可见光通道及观测几何信息，并利用LightGBM实现云概率反演与云掩膜生成。该方法在TEMPO上的平衡总体精度达到84.43%，明显优于Level 1B云掩膜的73.86%；AERONET独立验证的平衡总体精度由54.88%提高至78.54%。进一步将该框架迁移至亚洲GEMS观测，并通过Himawari、AERONET和CALIPSO等独立数据进行验证，展现出良好的跨传感器泛化能力。该研究将辐射传输物理机理与人工智能相结合，实现了从高维光谱信息中筛选关键云敏感特征并开展云概率反演，为新一代高光谱大气环境卫星云检测提供了新的技术路径。
图2. 物理引导的高光谱卫星云概率反演与检测机器学习框架（PGML）
该成果以“A physics-guided feature selection machine learning approach for cloud probability retrieval and detection from TEMPO imagery”为题，于2026年8月24日在线发表于Journal of Geophysical Research: Atmospheres。博士生史晓航和范玉龙为论文共同第一作者，韦晶研究员为通讯作者。
基于上述研究，团队进一步将相关研究成果凝练形成“一种面向高光谱大气环境监测卫星的云覆盖特征反演方法、装置及存储介质”，并于2026年10月20日获国家发明专利授权（图3），专利号为ZL 2026 1 0334608.X，授权公告号为CN 122221674 B。专利权人为北京大学，发明人为韦晶、史晓航、文中冠、邱兴华和朱彤。
图3. 面向高光谱大气环境监测卫星的云覆盖特征反演方法发明专利证书
上述系列研究以人工智能为纽带，融合多源卫星观测、辐射传输模拟与地基观测等数据，逐步实现从多光谱到高光谱、从单一传感器到多源跨传感器、从数据驱动到物理与人工智能融合、从云掩膜到云概率反演的拓展。系列成果提升了不同卫星、复杂地表及多种观测条件下云检测与云概率反演的精度、适应性和泛化能力，为气溶胶、痕量气体等大气环境参数的高精度卫星遥感反演提供了重要技术支撑。
课题组近期在卫星云检测与智能反演方面的近期研究
1. Wei, J., Huang, W., Li, Z., Sun, L., Zhu, X., Yuan, Q., Liu, L., and Cribb, M. Cloud detection for Landsat imagery by combining the random forest and super-pixels extracted via energy-driven sampling segmentation approaches. Remote Sensing of Environment, 2020, 248, 112005. https://doi.org/10.1016/j.rse.2020.112005
2. Pang, S., Li, Z., Sun, L., Cao, B., Wang, Z., Xi, X., Shi, X., Xu, J., and Wei, J.* Enhancing cloud detection across multiple satellite sensors using a combined Swin Transformer and UPerNet deep learning model. Remote Sensing of Environment, 2026, 334, 115206. https://doi.org/10.1016/j.rse.2025.115206
Shi, X, Fan, Y., Yang, K., Li, Z., Liu, X., Kim, J., Sun, L., Pang, S., Liu, C., and Wei, J.* A physics-guided feature selection machine learning approach for cloud probability retrieval and detection from TEMPO imagery. Journal of Geophysical Research: Atmospheres, 2026, 131, e2026JD046434. https://doi.org/10.1029/2026JD046434
