云在地球水循环和能量循环中发挥着关键作用，准确表征云的物理特性，对提升数值模拟能力和天气预报水平具有重要意义。机器学习方法已被广泛应用于云物理特性反演，但现有大多数方法为确定性反演，难以量化结果背后的不确定性。近年来，生成式机器学习在自然语言处理、图像生成等领域取得了突破性进展；特别是在天气预报领域，该类算法通过实现集合预报成功量化了预测不确定性，这为云遥感反演技术的发展提供了新的契机。
近日，我系张峰教授及其合作者提出了一种基于生成扩散模型的云物理特性反演新方法—CloudDiff。该方法基于生成扩散模型，利用葵花-8号卫星（Himawari-8）先进成像仪的热红外亮温通道信息，实现了1公里、10分钟高时空分辨率的全天时云参数反演。与现有的确定性反演方法不同，CloudDiff能够从潜在概率分布中生成多个可能样本，从而提供多种合理的反演结果。这一特性不仅实现了对反演结果不确定性的有效量化，也使得模型在处理台风等复杂极端天气时具有好的鲁棒性与可信度。
通过对比实验发现（图1），随着生成样本数量的增加，反演误差呈现显著下降趋势。当样本数达到30个时，集合平均结果的反演误差趋于稳定：云光学厚度（COT）、云粒子有效半径（CER）及云顶高度（CTH）的均方根误差分别为12.43、8.83 μm和2.32 km，云相态（CLP）的总体识别准确率达到85%。相较于确定性模型，CloudDiff的集合平均结果在各项统计指标上均表现出优势。结果表明，基于生成式人工智能的集合平均策略能够有效提升遥感反演精度。
图1.模型性能评估结果:单个样本和不同样本集合规模下CloudDiff/确定性模型反演COT、CER、CTH及CLP的精度变化。
与CALIPSO卫星激光雷达云产品相比（图2），CloudDiff的云顶高度反演结果与CALIPSO云产品具有较好一致性，平均误差为1.73 km，均方根误差（RMSE）为2.81 km；在云相态识别中，模型能够较好地区分晴空、液态云与冰云类别，显示出该算法在精细化云物理特性反演方面的优势。
图2. CloudDiff、Himawari-8、MODIS反演的CTH与CLP结果与CALIPSO激光雷达云产品的对比结果。
为了验证模型在极端天气条件下的应用潜力，CloudDiff被应用于2021年台风“烟花”（In-Fa）过程来进行分析（图3）。在台风发展的旺盛阶段，CloudDiff生成的1 km分辨率云属性场不仅有效重建了台风眼及眼墙区域的精细结构，不同生成样本均能较为完整地表征台风形态特征，并保持清晰的纹理细节。此外，CloudDiff还可利用集合样本标准差定量表征反演参数的空间不确定性分布，为极端天气系统的监测与预报提供了新的视角。
图3. 2021年7月21日02:20 UTC，台风“烟花”发生期间（中心位置24.1°N，127.8°E），MODIS云产品与扩散模型反演的云物理特性空间分布对比。各列依次为：MODIS云产品（空白区域表示缺测数据）、扩散模型反演的单个样本结果、扩散模型反演的集合平均结果、确定性模型反演结果及扩散模型反演的不确定度。
该方法已成功拓展至全天时多层云微物理特性反演，课题组进一步研发了Overlap-CloudDiff模型。评估结果表明（图4），与主动遥感观测相比，该模型对上层冰云和下层水云COT反演的RMSE分别为 2.78 和 11.76，均优于 XGB-IR 模型（2.79 和 12.83）。值得注意的是，扩散模型显著改善了光学厚云反演不敏感的问题：相较于 XGB-IR 模型较低的回归斜率（Slope: 0.11）及其在厚云区的性能饱和，扩散模型的 Slope 达到 0.28，有效提高了热红外通道对光学厚度较大的（COT > 10）云的反演能力，云有效粒子半径的反演结果也展现出类似的结论。综上，扩散模型在多层云反演中表现较好，有效提升了热红外通道对下层水云的反演能力。目前，CloudDiff模型和Overlap-CloudDiff模型均已经集成于“大禹”云分析系统（DaYu-CLAS）。
图4. 基于主动遥感卫星评估云光学厚度的反演精度（其中a-c代表上层冰云，d-f代表下层水云）。第1、2、3行分别是XGB-VIS-IR、XGB-IR和DaYu-CLAS反演结果的散点密度分布图。
该方法具有良好的可扩展性，未来可推广至其他静止气象卫星平台，并为解决对流系统临近预报、台风监测预报以及基于集合平均的云数据同化等涉及复杂不确定性的科学难题，提供了新的解决路径。
上述相关成果已发表在npj Climate and Atmospheric Science和Advances in Atmospheric Sciences杂志上，复旦大学博士生肖海霞、李经纬分别为第一作者，张峰教授为通讯作者。论文共同作者还包括日本理化学研究所王凌霄研究员、中国科学院大气物理研究所潘宝祥副研究员、南京大学大气科学学院朱延年副教授、南京大学大气科学学院汪名怀教授、上海理工大学光电信息与计算机工程学院李雯雯博士、浙江师范大学物理与电子信息工程学院郭斌博士以及国家卫星中心李俊研究员、复旦大学未来信息创新学院蒋耿明副教授等人。
论文信息：
Xiao, H., Zhang, F.*, Wang, L., Pan, B., Zhu, Y., Wang, M., Li, W., Guo, B., & Li, J. (2025). High-resolution ensemble retrieval of cloud properties for all-day based on geostationary satellite. npj Climate and Atmospheric Science, 8, 386. https://doi.org/10.1038/s41612-025-01263-x
Li, J., Pan, B., Zhang, F.*, Guo, B., Li, W., Jiang, G. M., Wu, X., & Wang, Q. (2026). Probabilistic Retrieval of All-Day Overlapping Cloud Microphysical Properties. Advances in Atmospheric Sciences, 43, 6. https://doi.org/10.1007/s00376-025-5234-7
