在气象数值预测中，多层云的检测至关重要。本研究将基于阈值算法的通道选择嵌入到1D-CNN中，利用机器学习（ML）学习潜在的物理关系，以简化物理提取过程，便于操作部署。
结果表明，1D-CNN在多层云概率检测（$\text{POD}_{\text{mul}}$）上达到了0.620，误报率（$\text{FAR}_{\text{mul}}$）为0.240，明显优于传统阈值算法（$\text{POD}_{\text{mul}} = 0.558$，$\text{FAR}_{\text{mul}} = 0.369$）。这些结果证明，基于辐射传输理论的先前物理知识可以作为有效的特征工程先验。
此外，进一步实验显示，机器学习揭示的物理机制也可以增强传统算法。将AGRI通道12（C12，中心波长为$10.8~\mu\text{m}$）替换为通道13（C13，中心波长为$12.0~\mu\text{m}$）使$\text{POD}_{\text{mul}}$从0.558提升至0.609，而对$\text{FAR}_{\text{mul}}$几乎没有影响。
然而，对于AHI来说，将$11.2~\mu\text{m}$通道替换为$12.3~\mu\text{m}$通道的改进效果微乎其微。除了光谱响应函数（SRF）不匹配外，通道在轨辐射稳定性也是主要影响因素。
因此，基于物理知识的机器学习方法在推进遥感AI方面显得前景广阔，但在操作转移过程中必须考虑传感器特性。
博主点评： 本文展示了物理知识如何有效增强机器学习模型的表现，尤其是在复杂的气象数据处理中。通过结合物理原理与现代深度学习方法，研究为多层云检测提供了新的思路，值得在其他领域借鉴与推广。