云作为大气系统的重要组成部分，其宏微观特性（如云顶高度、云顶温度、光学厚度、有效粒子半径等）直接影响地气辐射平衡、降水形成过程及天气系统演变（Stephens，2005；Xie et al.，2013；Ma et al.，2018）。内蒙古地处我国北方干旱半干旱区，气候复杂多变，干旱、冰雹等气象灾害频发，精准的云物理参量反演是提升该区域人工影响天气作业效率、降低灾害损失的关键前提。

当前，静止气象卫星凭借高时空分辨率优势，已成为云物理参量反演的核心数据源。风云四号（FY-4）卫星作为我国新一代静止气象卫星，搭载的先进静止轨道辐射成像仪（Advanced Geostationary Radiation Imager，AGRI）具备14~15个光谱通道（0.45~13.80 μm），空间分辨率达0.5~4.0 km，时间分辨率为15 min，为云特性高精度监测提供了数据基础（范思睿和王维佳，2018）。然而，FY-4卫星官方云产品在重污染天气下易出现云霾误判，且针对内蒙古高原复杂地形的适应性不足，难以直接满足本地化业务需求。

云遥感技术的核心研究领域之一是实现云特性参数的精确反演，包括云宏观和微观参数。其中，云量和云相态是反演其他云参数的前提，准确识别云及其相态对提高后续云参数反演精度尤为重要（Riedi et al.，2010）。近年来，国内外学者在云检测和云相态识别的研究领域已取得显著进展。在云检测方面，基于云和非云区卫星观测反射率和亮温等物理量差异特征的多光谱阈值法，已被广泛应用于高分辨率辐射计（Advanced Very High Resolution Radiometer，AVHRR）、中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer，MODIS）、向日葵成像仪（Advanced Himawari Imager，AHI）、静止轨道辐射成像仪（Advanced Geostationary Radiation Imager，AGRI）等卫星载荷的云探测（Frey et al.，2008）。例如，美国国家海洋和大气管理局（National Oceanic and Atmospheric Administration，NOAA）的AVHRR云检测采用AVHRR陆地、海洋和云处理方案（the AVHRR Processing Scheme Over Clouds，Land and Ocean，APOLLO）和NOAA高分辨率辐射计云检测算法（the NOAA Cloud Advanced Very High Resolution Radiometer，CLAVR）等方法，结合反射率比值、温差等经验阈值对云进行辨别（Stowe et al.，1999）；MODIS云检测算法则结合国际卫星云气候计划（International Satellite Cloud Climatology Project，ISCCP）、APOLLO、CLAVR和CO₂薄片法等多种算法，进行了浑浊视野下的云识别（Platnick et al.，2003）。在云相态探测方面，反射率比值法、热红外温差法等算法被用于不同类型卫星载荷的云相态辨认（Shang et al.，2020）。例如，AGRI云相态识别算法利用1.6 μm和2.2 μm波段信息区分单层云的相态（Pilewskie and Twomey，1987）；而MODIS则通过8.5 μm和11.0 μm波段亮温差实现云相态识别（Platnick et al.，2003）。国内相关研究利用风云卫星资料反演粒子有效半径、云顶温度、云光学厚度等（刘健等，2003；陈英英等，2007；周青等，2010），以及利用MODIS卫星资料和AVHRR观测资料反演云光学厚度和云滴有效半径（赵凤生等，2002；邓军等，2006；叶晶等，2009）。

然而，现有研究多聚焦单一云参量反演，缺乏面向干旱半干旱区的多参量协同反演体系，此外FY‑4卫星官方算法在内蒙古高原复杂地形与冬春季云霾混合条件下适应性不足、云霾误判率高，算法研究与业务应用脱节，缺少配套的本地化运行与发布平台。因此，本文以内蒙古地区为研究区，以FY-4静止卫星数据为主要信息源，结合随机森林等人工智能方法，构建适配内蒙古地形与云系特征的多源卫星协同反演模型，并搭建集多源遥感数据接收、分析、产品生成、分发以及存储为一体的综合处理平台，同时开展算法精度验证与区域适应性分析，以期为区域人工影响天气作业条件监测与预警提供技术支撑。

研究区以内蒙古地区为核心，考虑云微物理过程的空间连续性，扩展至32°N—54°N、85°E—130°E区域（图1），涵盖蒙古高原东部、黄土高原北部及东北平原西部，平均海拔超过1 300 m，地形以高原、山地、草原为主。该区域气候呈明显的大陆性特征，冬春季冷空气活动频繁，夏秋季对流云发育旺盛，是人工影响天气作业的重点区域（Platnick et al.，2003）。

多源卫星资料与再分析数据见表1，FY-4A/B卫星数据为核心反演数据源，CloudSat/CALIPSO、Himawari-8及MODIS数据用于真值验证；欧洲中期天气预报中心ERA5的土地利用、积雪、地表温度数据，以及美国航天飞机雷达地形测绘（Shuttle Radar Topography Mission，SRTM）高程（Digital Elevation Model，DEM）数据用于云检测与地形校正，辅助区分低海拔霾与低云，降低误判率。

FY-4卫星L1数据预处理包括辐射定标与几何纠正。

1）辐射定标。对FY‑4卫星L1数据进行辐射定标，将卫星传感器的原始数字量化值（DN值）转换为物理辐射量，并基于普朗克公式（Pilewskie and Twomey，1987）计算亮温，过程中剔除异常填充值：

式中：T_b为亮温，单位：K；C₁、C₂为第一、第二辐射常数，其值分别为3.741 8×10⁸ W·μm⁴·m^-2、1.438 8×10⁴ μm·K；λ为通道中心波长，单位：μm；L为辐射亮度，单位：W·m^-2·sr^-1·μm^-1。

2）几何纠正。基于FY-4 GEO行列号矩阵与卫星轨道参数，通过投影变换计算像元经纬度，采用三次插值法重投影，地理坐标误差小于0.01°（刘健等，2003）。预处理后的数据以NetCDF（Network Common Data Form）与GeoTIFF格式输出。

以FY-4卫星观测时间为基准，设置±15 min时间窗口完成多源数据时间匹配；采用双线性插值将参考数据重采样至FY-4卫星网格，保留像元重叠度超过80%的样本；依据质量控制标识（QC Flag，其值为零代表高质量有效像元）筛选最优观测数据，剔除异常、云污染、缺测及低质量样本，确保验证样本可靠。

针对内蒙古地区冬春季云霾混合的问题，在传统多波段阈值法基础上引入DEM数据，通过空间叠加分析，为每个观测像元匹配地形高程，用于识别低海拔（<500 m）平原霾与低云（>500 m）的垂直差异，构建双层阈值判断模型。第一层阈值利用可见光与红外波段差异区分云与非云，若满足以下任一条件，则判定为云像元：1）基于内蒙古地区2019—2021年FY-4A卫星数据统计，晴空下垫面（草原/高原）的0.65 μm波段反射率（R_0.65）均值为0.08±0.05，云的R_0.65均值为0.32±0.10，取0.16为云和非云反射率临界值，R_0.65≥0.16；2）统计CALIPSO卫星匹配数据，内蒙古地区云顶温度的25%分位数为267.0 K，低于该值的像元中92%为云，10.80 μm波段亮温（BT_10.80）小于267.0 K；3）基于PM_2.5重污染天数据，霾的亮温均值为-18.2±2.1 K，云的均值为-8.5±3.2 K，结合低海拔（<500 m）霾的分布特征，取-16.5 K为临界值，BT_10.80-BT_3.72（3.72 μm波段亮温）<-16.5 K且DEM<500 m（排除低海拔霾影响）。第二层阈值结合植被指数（Normalized Difference Vegetation Index，NDVI）、雪指数（Normalized Difference Snow Index，NDSI）进一步区分晴空、云与不确定像元，其中NDVI=（R_0.83-R_0.65）/（R_0.83+R_0.65），NDSI=（R_0.47-R_1.61）/（R_0.47+R_1.61），R_0.83、R_0.47、R_1.61分别为0.83、0.47、1.61 μm波段反射率。第二层阈值选取依据：1）NDSI用于区分云与积雪，积雪在0.47 μm与1.61 μm波段具有显著反射差异，取NDSI>0.4为积雪判据；2）NDVI用于区分云与植被、晴空地表，植被区NDVI>0.40、水体/裸土区NDVI<-0.18，可有效剔除晴空地表干扰；3）结合7.10 μm波段亮温约束，避免积雪与云混淆。通过双指数约束，实现晴空、云、积雪、霾的精准区分。在此基础上进行判别：若NDSI>0.4且BT_7.10（7.10 μm波段亮温）>240.0 K，或R_0.83/R_0.65<0.8，判定为雪或霾；若NDVI>0.40或NDVI<-0.18，判定为晴空；其余情况判定为不确定像元。

通过高程数据有效降低低云（DEM<150 m）与霾的误判率，算法流程如图2所示。

经特征优选，选取经度、纬度、高程及红外波段（第7通道、第9~14通道）反射率共10个特征构建随机森林模型。以CALIPSO云顶参数为真值开展结果验证：FY-4卫星反演的云顶高度（Cloud Top Height，CTH）与CALIPSO真值在验证数据集中的判定系数（R²）为0.928，均方根误差（Root Mean Square Error，RMSE）为0.901 km，均方误差（Mean Square Error，MSE）为0.817 km²；FY-4卫星反演的云顶温度（Cloud Top Temperature，CTT）与CALIPSO卫星云顶温度真值的R²为0.922，RMSE为5.968 K，MSE为35.618 K²，精度优于FY-4卫星官方产品（R²约0.880）。

过冷层厚度（Supercooled Layer Thickness，SCT）定义为云层中温度低于0 ℃的垂直厚度，结合CTH、云底高度（Cloud Base Height，CBH）与大气温度直减率进行计算，其中CBH来源于FY-4A卫星官方云产品中的云垂直结构数据集（FY-4A AGRI Level2 Cloud Vertical Profile Product），该产品通过多波段辐射传输模型反演云的垂直分层信息，空间分辨率为4 km，时间分辨率与FY-4A L1数据一致（15 min）。针对该产品的质量控制，首先筛选QC Flag=0的有效CBH数据，剔除云底高度异常值（CBH<0或CBH>CTH），对缺失的CBH数据采用临近像元插值法（空间窗口3×3像元）进行补全，确保CBH数据的空间连续性。CTH、CBH与大气温度直减率的时空匹配方式以FY-4A L1数据的观测时间为基准，将CBH数据与CTH数据进行空间重采样（统一为4 km分辨率）与时间对齐（±15 min时间窗口），以确保参数的时空一致性。

若CTH<6 km，采用标准温度直减率（6.0 ℃·km^-1）：0 ℃层高度（H_{0 ℃}）=（T_sfc-0）/6.0，其中T_sfc为地表温度（来自ERA5）；若CTH≥6 km，采用对流层中上部直减率（6.5 ℃·km^-1）：H_{0 ℃}=6+（T_{_6 km}-0）/6.5，其中T_{_6 km}为6 km高度温度（通过探空数据拟合）。

若H_{0 ℃}≤CBH，SCT=0（无过冷层）；若CBH<H_{0 ℃}<CTH，SCT=CTH-H_{0 ℃}；若H_{0 ℃}≥CTH，SCT=CTH-CBH。

云光学厚度（Cloud Optical Thickness，COT）与有效粒子半径分冰云、水云反演。冰云、水云分别采用优选波段与几何参数作为模型输入，基于随机森林完成反演，保证相态差异适应性。

云检测是在卫星影像上标识出云和晴空的分布。大气中云、气溶胶等成分和雪、水、植被等地物在不同波段具有不同反射率和亮温特性：可见光波段观测到的云和地物反射特性不同，可以通过比较反射率进行区分；近红外波段，云反射率较高，而雪则较低；热红外波段对于检测高云具有显著优势。由于霾主要分布在海拔较低的平原和山谷地区，而云产生在高处，云和霾在海拔高处和低处的分布具有明显垂直差异。以MODIS传感器云检测结果为真值，统计自研算法云检测、FY-4卫星官方云检测与真值的差值。选取2018年8、11月及2019年2、5月的每月1、11、21日02：00—09：00（世界时）自研算法结果和FY-4卫星官方产品，采用同类卫星云检测产品，包括MODIS/MYD35，进行定量对比验证（表2）。结果显示，自研算法不同季节云检测产品精度平均值为90.07%，春夏两季云检测精度较高（分别为91.01%和92.61%），秋冬两季精度较低（分别为87.99%和88.68%）。FY-4卫星官方云检测精度的平均值为88.96%，春夏两季云检测精度较高（分别为89.20%和90.92%），秋冬两季云检测精度较低（分别为87.43%和88.30%）。自研算法云检测与FY-4卫星官方云检测相比精度平均提高约1.11%。

在引入高程分布辅助数据后，在重污染天气下（PM_2.5质量浓度大于150 μg·m^-³）的云识别精度较FY-4卫星官方算法提升了8%~12%，提高了重污染天气下云霾分布范围识别精度，但对暗地表（如水体）可能误判为霾。

对FY-4A卫星L1数据和CloudSat/CALIPSO卫星L2云宏观物理参数数据时空匹配后筛选得到模型构建数据集，分别包含约115万条训练集记录和29万条验证集记录，用于云顶高度、云顶温度的模型训练。模型验证结果如图3所示，可见在57 516条匹配记录中，云顶高度、云顶温度反演结果与CALIPSO真值具有较高的一致性，其中云顶高度与云顶温度反演的R²分别为0.928、0.922，RMSE分别为0.901 km和5.963 K，平均偏差误差（Mean Bias Error，MBE）分别为0.087 km、0.067 K。表明模型在云顶高度、云顶温度预测方面具有较高的准确性和良好的泛化能力。

对FY-4A卫星L1数据和Himawari-8卫星L2云光学厚度产品时空匹配后筛选出冰云、水云光学厚度模型构建数据集，分别包含约94万（冰云）、118万（水云）条训练集记录和24万（冰云）、29万（水云）条验证集记录，用于不同相态的云光学厚度模型训练。经特征优选与模型迭代优化，冰云光学厚度反演模型输入特征为经度、纬度、高程、可见光波段（第1、2、3通道）与红外波段（第9、11、14通道）反射率、太阳方位角和卫星方位角，水云输入特征为经度、纬度、高程、红外波段（第9、11、14通道）反射率、太阳方位角和卫星方位角。该模型在验证集上与Himawari-8卫星冰云、水云云光学厚度的R²值分别达0.693、0.582，RMSE分别为3.119、3.188，MSE分别为9.731和10.165。

基于随机森林构建冰云、水云有效粒子半径反演模型，经特征优选与模型迭代优化，冰云最终选取经度、纬度、高程、可见光波段（第1通道）及红外波段（第4、7、8、9、10、12、14通道）反射率、太阳天顶角和卫星天顶角，水云选择纬度、高程、可见光波段（第1通道）及红外波段（第4、5、7、8、9、10、11、14）反射率、太阳方位角和卫星天顶角作为模型输入特征。该模型在验证集上与CloudSat卫星冰云、水云云滴有效粒子半径真值的R²值分别达0.562、0.809，满足业务应用需求。

图4为模型架构图，算法部署采用“天擎数据下载—本地预处理—模型反演—产品存储”业务流程，所需数据直接从天擎获取，下载至本地目录，通过模型、气象内网、中心控制与边缘计算方式，实现反演FY-4卫星云物理特性，并进行智能分析，将处理后的数据进行产品化处理，存储在特定目录。模型可实现遥感数据接收、处理、分发、存储功能，满足卫星云图监测预警等整个业务流程的自动化和智能化，能提高人影作业条件监测预警能力，增强人影作业效率。

云参数反演运行平台采用“前后端分离”架构，基于Spring Boot与Vue开发，具备数据预处理、参量反演、产品管理、系统监控功能，支持自动化业务运行。

以MODIS MOD06、CALIPSO、Himawari-8数据为真值，以2019年7月1日12：00（北京时，下同）内蒙古地区FY-4A卫星数据为例，对反演产品进行展示检验与精度检验。

图5为FY-4A卫星云检测影像与彩色合成影像。从风云-4A彩色合成影像可以看出，内蒙古中部地区云体呈现明亮白色、边缘不规则、分散但成串的条带状分布，为积云典型形态；东部地区云体呈现灰白色、纹理较均匀，为层云形态。云检测影像验证了上述云区的空间分布，云区与晴空区界限清晰，云区边缘连续平滑。以MODIS云掩膜产品（MOD35）为参考，逐像元空间叠置分析显示两者空间重合度达92%，表明云检测算法在云区判识方面具有较高可靠性，可为人影作业提供有效的云区识别依据。

图6为FY-4A云顶高度与云顶温度的反演结果。从云顶高度反演结果可以看出，内蒙古中部云顶高度集中在4~8 km，呈现起伏较大、空间分布不连续的特征，对应图5（b）中积云分布区；东部云顶高度集中在2~4 km，呈现起伏平缓、空间分布连续的特征，对应图5（b）中层云分布区。与CALIPSO实测值相比，云顶高度的RMSE小于1 km，反演结果稳定可靠。云顶温度反演结果显示，云顶温度随云顶高度升高而降低，4~8 km对流云区云顶温度约-45~-20 ℃，2~4 km层云区云顶温度约-20~-10 ℃，符合大气热力学垂直分布规律，温度场与高度场空间分布高度吻合，可有效支撑云系热力结构的诊断分析。

图7为FY-4A卫星的过冷层厚度、云光学厚度及云滴有效粒子半径的反演结果。从过冷层厚度反演结果可以看出，内蒙古中部对流云区过冷层厚度为2.0~4.0 km，呈厚度大、空间变化明显的特征，表明过冷水丰度高，具备良好增雨潜力；东部层云区过冷层厚度为0.5~1.5 km，呈厚度小、空间分布均匀的特征，过冷水含量相对较低，与区域云系结构及降水效率特征一致。从云光学厚度反演结果可以看出，积云区云光学厚度为5~15，层云区为4~12，积云区云光学厚度明显大于层云区，空间分布与云顶高度、过冷层厚度高度相关。云滴有效粒子半径反演结果显示，积云区有效粒子半径为15~25 μm，层云区为8~15 μm，积云区粒子半径明显大于层云区，冰云与水云微物理参数差异明显。上述反演结果符合云系发展规律，可为人影催化时机与部位选择提供科学依据。

本文针对内蒙古地区人工影响天气业务对云物理特性高精度监测的核心需求，整合多源数据、优化反演算法并构建业务化平台，形成“数据—算法—平台—应用”的完整技术体系。

1）构建了多源云参量数据库，整合FY-4、CloudSat/CALIPSO等6类数据，实现了云宏微观参量的统一管理，为反演算法提供数据支撑。

2）提出的云检测算法通过引入高程数据，有效解决了内蒙古地区云霾误判问题，总体精度达90.07%；基于随机森林的云顶参数反演模型R²均超0.920，微观参量反演精度满足业务需求，可为人工增雨开展云宏微观特性监测提供依据。

3）开发的云参数反演运行平台与数据发布网站，实现了“数据—算法—产品—应用”的闭环，可直接服务于人工影响天气作业。

与现有FY-4卫星官方云产品相比，构建的云物理参量反演模型将经度、纬度、高程等地理协变量纳入训练，利用内蒙古“高原、山地、草原”的地形差异（平均海拔超1 300 m）区分低海拔霾（多分布于平原谷地）与低云（多形成于海拔较高区域），重污染天气下云识别精度提升明显。此外针对内蒙古中西部对流云高发、东部层云集中的云系分布特点，优化冰云与水云的输入通道组合，使微观参量反演更贴合区域云系特性，模型具有一定的跨区域拓展潜力，可在直接或少量调整后拓展应用在与内蒙古地理特征相似的中高纬度干旱半干旱区。但本文反演算法的云微观产品精度明显低于云宏观产品精度，特别是云光学厚度与有效粒子半径反演结果中，冰云与水云的精度差异较大，这可能是由于水云粒子以球形水滴为主，光学特性均一且稳定，卫星观测的辐射信号具有明确的物理响应规律，而冰云粒子形态复杂（含柱状、片状、辐枝状等），非球形特征显著，易形成冰、水混合相态结构，导致辐射散射和吸收过程更复杂，难以通过固定模型精准刻画。另外，研究真值数据时间局限于2019—2021年，真值数据本身的不确定性带来的误差传递及模型对复杂特征的适配性差异都有可能导致冰云反演精度下降，在后续业务使用过程中，需要补充更多数据，进一步提升反演产品在本地化及跨区域的适用性。