福州大学数字中国研究院（福建）青年教师林瀚在遥感领域权威期刊《Remote Sensing of Environment》（中科院一区Top，影响因子：11.1）上发表了题为《基于静止卫星成像仪的三维云量估计神经网络模型》（CLANN: Cloud amount neural network for estimating 3D cloud from geostationary satellite imager）的研究成果。该研究提出了一种基于机器学习的云量估算方法——CLANN（Cloud Amount Neural Network），用于在静止卫星被动观测覆盖范围内构建三维（3D）云量数据。主要合作者包括福州大学邬群勇研究员、中国气象局李俊研究员、复旦大学张峰教授、中山大学闵敏教授和福州大学硕士研究生王珂月。研究工作获得国家自然科学基金、福建省教育厅项目资助。

该研究结合卫星主动传感器（CALIPSO/CALIOP）、被动传感器（FY4A/AGRI）的观测数据和大气再分析数据（ERA5），通过机器学习方法估算云量垂直结构。研究使用来自风云4A卫星的AGRI成像仪遥感数据和ERA5大气再分析数据，并以CALIOP云量作为标签数据进行训练和验证。研究结果表明，CLANN模型的云量加权高度与CALIOP数据的高度位置具有较高的一致性，均方根误差（RMSE）为1.88 km，皮尔逊相关系数为0.92，体现了模型获得云在三维空间中精确位置的能力。研究通过置换重要性分析，揭示了水汽带亮温和大气上层温度等关键特征对云量估算的重要作用。此外，敏感性测试表明，1.375微米波段信息在探测云层高度时起到了关键作用。研究还展示了基于CLANN模型统计2019年各季节条件下，云在三维空间中的分布，进一步揭示了云分布的季节性变化，展现了该模型在气候分析中的应用价值。研究成果为气候监测和气候变化研究提供了便捷可用的三维云量数据，尤其是在气候变化背景下，理解云量分布的变化具有重要的意义。

  论文引用：Lin, H., Li, J., Min, M., Zhang, F., Wang, K., & Wu, Q. (2025). CLANN: Cloud amount neural network for estimating 3D cloud from geostationary satellite imager. Remote Sensing of Environment, 318, 114600. https://doi.org/10.1016/j.rse.2025.114600