Abstract Cloud detection and screening constitute critically important first steps required to derive many satellite data products. Traditional threshold-based cloud mask algorithms require a complicated design process and fine tuning for each sensor, and they have difficulties over areas partially covered with snow/ice. Exploiting advances in machine learning techniques and radiative transfer modeling of coupled environmental systems, we have developed a new, threshold-free cloud mask algorithm based on a neural network classifier driven by extensive radiative transfer simulations. Statistical validation results obtained by using collocated CALIOP and MODIS data show that its performance is consistent over different ecosystems and significantly better than the MODIS Cloud Mask (MOD35 C6) during the winter seasons over snow-covered areas in the mid-latitudes. Simulations using a reduced number of satellite channels also show satisfactory results, indicating its flexibility to be configured for different sensors. Compared to threshold-based methods and previous machine-learning approaches, this new cloud mask (i) does not rely on thresholds, (ii) needs fewer satellite channels, (iii) has superior performance during winter seasons in mid-latitude areas, and (iv) can easily be applied to different sensors.

中文翻译：

---

基于辐射传输模拟的新型神经网络云掩模算法

摘要 云检测和筛选是获得许多卫星数据产品所需的至关重要的第一步。传统的基于阈值的云掩模算法需要复杂的设计过程和对每个传感器的微调，并且它们在部分被雪/冰覆盖的区域上存在困难。利用机器学习技术和耦合环境系统的辐射传输建模方面的进步，我们开发了一种新的、无阈值的云掩模算法，该算法基于由广泛的辐射传输模拟驱动的神经网络分类器。使用并置的CALIOP和MODIS数据获得的统计验证结果表明，其在不同生态系统中的表现是一致的，并且在中纬度积雪地区的冬季，其性能明显优于MODIS Cloud Mask（MOD35 C6）。使用较少数量的卫星通道进行的模拟也显示出令人满意的结果，表明它可以灵活地针对不同的传感器进行配置。与基于阈值的方法和以前的机器学习方法相比，这种新的云掩模 (i) 不依赖于阈值，(ii) 需要更少的卫星通道，(iii) 在中纬度地区的冬季具有优越的性能，以及(iv) 可以很容易地应用于不同的传感器。表明它可以灵活地为不同的传感器进行配置。与基于阈值的方法和以前的机器学习方法相比，这种新的云掩模 (i) 不依赖于阈值，(ii) 需要更少的卫星通道，(iii) 在中纬度地区的冬季具有优越的性能，以及(iv) 可以很容易地应用于不同的传感器。表明它可以灵活地为不同的传感器进行配置。与基于阈值的方法和以前的机器学习方法相比，这种新的云掩模 (i) 不依赖于阈值，(ii) 需要更少的卫星通道，(iii) 在中纬度地区的冬季具有优越的性能，以及(iv) 可以很容易地应用于不同的传感器。