Die Arktis, gekennzeichnet durch umfangreiche Eis- und Schneedecken mit anhaltend niedrigen Sonnenstandwinkeln und langen Polarnächten, stellt erhebliche Herausforderungen für konventionelle spektrale Schwellenwertmethoden bei der Wolkenerkennung und der Klassifizierung der thermodynamischen Phasen der Wolkenoberkante dar. Die Studie adressierte diese Einschränkungen, indem sie aktive und passive Fernerkundung kombinierte und ein maschinelles Lernframework zur Wolkenerkennung und Klassifizierung der thermodynamischen Phasen der Wolkenoberkante entwickelte. Unter Verwendung des CALIOP (Cloud-Aerosol Lidar with Orthogonal Polarization) Wolkenprodukts von 2021 als Wahrheitsreferenz wurde das Modell mit räumlich und zeitlich koordinierten Datensätzen von FY3D/MERSI-II (Medium Resolution Spectral Imager-II) und CALIOP trainiert. Der AdaBoost (Adaptive Boosting) Algorithmus für maschinelles Lernen wurde verwendet, um das Modell zu erstellen, wobei sechs unterschiedliche Arctic-Oberflächentypen zur Verbesserung der Leistung berücksichtigt wurden. Die Testergebnisse zur Genauigkeit zeigten, dass das Wolkenerkennungsmodell eine Genauigkeit von 0.92 erreichte und das Wolkenidentifikationsmodell eine Genauigkeit von 0.93 erzielte. Die Inversionsleistung des finalen Modells wurde dann rigoros mit einem völlig unabhängigen Datensatz bewertet, der im Juli 2022 gesammelt wurde. Unsere Ergebnisse zeigten, dass die Ergebnisse unseres Modells gut mit den Ergebnissen von CALIOP übereinstimmen und dass die Erkennungs- und Identifizierungsergebnisse über verschiedene Oberflächenszenarien hinweg eine hohe Konsistenz mit den tatsächlichen Situationen in Falschfarbbildern aufweisen.
Yu et al. (Tue,) untersuchten diese Frage.