clouds-decoded-rain-check

该数据集为Sentinel-2云属性检索结果，覆盖英国和印度各四个MGRS tile（英国：T29VMC、T30UVA、T31UDA、T31VDF；印度：T42QYE、T43PDM、T44PNB、T45QWB），约8400个场景，时间跨度从2015年至2026年。每个场景约110×110 km。每个场景包含多个PNG图层：真彩色合成（true_colour.png）、云/晴空掩膜（cloud_mask.png）、云顶高度（cloud_height.png，单位米）、冰/相态合成（ice_composite.png）、云光学厚度（properties_tau.png）、液态有效半径（properties_r_eff_liq.png，单位微米）、冰有效半径（properties_r_eff_ice.png，单位微米）、冰/液比（properties_ice_liq_ratio.png，热力学相态）、检索不确定性（properties_uncertainty.png）以及多面板总览图（overview.png）。文件结构为figures/<SCENE_ID>/<layer>.png，其中SCENE_ID是Sentinel-2 L1C产品标识符，包含采集日期、相对轨道和MGRS tile信息。数据通过clouds-decoded处理链从Sentinel-2 MSI L1C影像生成，由ARIA资助的clouds decoded项目开发。许可证为CC-BY-4.0。该数据集可用于遥感云属性研究、云检测算法验证、气候模型评估等任务。This dataset contains Sentinel-2 cloud property retrieval results covering four MGRS tiles each in the UK (T29VMC, T30UVA, T31UDA, T31VDF) and India (T42QYE, T43PDM, T44PNB, T45QWB), with approximately 8400 scenes spanning from 2015 to 2026. Each scene covers about 110×110 km. Each scene includes multiple PNG layers: true colour composite (true_colour.png), cloud/clear sky mask (cloud_mask.png), cloud top height (cloud_height.png, in meters), ice/phase composite (ice_composite.png), cloud optical thickness (properties_tau.png), liquid effective radius (properties_r_eff_liq.png, in micrometers), ice effective radius (properties_r_eff_ice.png, in micrometers), ice/liquid ratio (properties_ice_liq_ratio.png, thermodynamic phase), retrieval uncertainty (properties_uncertainty.png), and a multi-panel overview (overview.png). The file structure is figures/<SCENE_ID>/<layer>.png, where SCENE_ID is the Sentinel-2 L1C product identifier containing acquisition date, relative orbit, and MGRS tile information. The data is generated from Sentinel-2 MSI L1C imagery via the clouds-decoded processing chain, developed by the clouds decoded project funded by ARIA. The license is CC-BY-4.0. This dataset can be used for remote sensing cloud property research, cloud detection algorithm validation, climate model evaluation, etc.

原始信息汇总

数据集概述

该数据集名为 Sentinel-2 Cloud Property Retrievals over the UK and India，由 asterisk-labs 提供，采用 CC-BY-4.0 许可协议。

核心内容

数据集包含从 Sentinel-2（MSI）Level-1C 影像中反演的云光学和微物理属性图像，覆盖英国和印度的八个 MGRS 瓦片（英国四个、印度四个），共约 8,400 个场景，时间跨度为 2015 至 2026 年，每个瓦片覆盖约 110 × 110 千米的区域。

覆盖范围

区域	瓦片（MGRS）
英国	T29VMC, T30UVA, T31UDA, T31VDF
印度	T42QYE, T43PDM, T44PNB, T45QWB

数据图层

每个场景目录包含以下 PNG 图层文件：

文件名	描述
true_colour.png	RGB 真彩色合成
cloud_mask.png	云/晴空掩膜
cloud_height.png	云顶高度（米）
ice_composite.png	冰/水相合成
properties_tau.png	云光学厚度（τ）
properties_r_eff_liq.png	液态有效半径（微米）
properties_r_eff_ice.png	冰态有效半径（微米）
properties_ice_liq_ratio.png	冰/液比（热力学相态）
properties_uncertainty.png	反演不确定性
overview.png	多面板组合概览

目录结构

数据按以下路径组织：

figures/<SCENE_ID>/<layer>.png

其中 <SCENE_ID> 为 Sentinel-2 L1C 产品标识符（如 S2A_MSIL1C_20150712T111036_N0500_R137_T31UDA_20231010T005751），编码了采集日期、相对轨道和 MGRS 瓦片信息。

数据来源

• 由 clouds-decoded 处理链生成，应用于 Sentinel-2 L1C 影像
• 数据源：Sentinel-2 MSI L1C（Copernicus / ESA）
• 相关处理代码：clouds-decoded 检索代码（GitHub 仓库）
• 所属项目：clouds decoded 项目（由 ARIA 资助）

用途

这些图像用于驱动交互式报告，可访问相关静态空间页面查看可视化效果。

搜集汇总

数据集介绍

构建方式

该数据集依托于英国与印度两地的八个MGRS轨道网格（英国四个、印度四个），自2015年至2026年间采集了约8,400景Sentinel-2 MSI Level-1C影像。通过clouds-decoded反演流程，对每景影像逐一生成涵盖云掩膜、云顶高度、云光学厚度、液/冰有效半径及热力学相态等多层次云属性图层，并将结果以PNG格式按场景标识符存储于figures目录下，便于直接检索与快速预览。

特点

特征在于其高时空覆盖与精细化云属性刻画。空间上覆盖约110×110公里的典型区域，时间跨度逾十年，能够支撑长期云微物理过程研究。数据产品包含十个互补图层，从真彩色合成到反演不确定性，全面捕获云的光学与微观特征，尤其强调了冰水相态区分及有效半径的独立反演，为气候模式验证与遥感算法比对提供了宝贵基准。

使用方法

使用者可依据场景标识符（如S2A_MSIL1C_20150712T111036_N0500_R137_T31UDA_20231010T005751）直接定位并加载对应目录下的PNG图层。若需分析特定区域，可选取相应MGRS瓦片，或通过时间序列对比同一瓦片不同时期的图层以开展动态研究。图层间可组合使用，例如将cloud_mask与properties_tau叠加，以评估云掩盖下光学厚度的空间异质性。

背景与挑战

背景概述

云层在地球辐射平衡和水循环中扮演着关键角色，其光学与微物理特性（如光学厚度、有效半径和热力学相态）的精确反演对于气候建模和气象预报至关重要。随着遥感技术的发展，高分辨率卫星数据为云特性研究提供了前所未有的机遇。在此背景下，由Asterisk Labs团队主导、并获得ARIA资助的“Clouds Decoded”项目，于近年开发了一套基于Sentinel-2 MSI影像的云特性反演算法。该数据集收录了覆盖英国与印度八个MGRS像元（~110公里×110公里）的约8400幅场景，时间跨度自2015年至2026年，提供了云顶高度、云掩膜、光学厚度、有效半径等多元图层。作为首个公开的、针对中纬度与热带地区的高分辨率云特性反演数据集，它填补了区域尺度云微物理研究的空白，为遥感与大气科学界提供了宝贵的基准资源。

当前挑战

该数据集的核心挑战在于解决从多光谱卫星影像中准确提取云微物理特性的科学难题。具体而言，云层光学厚度与有效半径的反演受地表反射率、大气校正及气溶胶干扰等多重因素影响，尤其是在印度和英国等具有高动态地表特征和复杂大气环境的区域，反演不确定性显著。此外，数据集构建过程亦面临严峻技术挑战：处理近万幅Sentinel-2场景需高效计算资源，云检测算法需对不同云型（如薄卷云与厚积云）具有鲁棒性，而冰水相态的判别和气溶胶-云相互作用需精细建模。同时，验证反演结果的真实性需依赖地面观测或雷达数据，这在部分覆盖区域尤其困难。最终，生成的多层PNG产品需确保时空一致性，以支持长期气候分析，这要求严格的质量控制与不确定性量化，是该数据集发展过程中持续攻克的难题。

常用场景

经典使用场景

该数据集是遥感领域的一项宝贵资源，尤其适用于云属性反演算法的验证与改进。基于Sentinel-2 MSI影像，数据集提供了云顶高度、光学厚度、有效半径等关键参数的逐像元估计，覆盖英国和印度八个MGRS tiles，时间跨度自2015年至2026年，约8400景影像。经典使用场景包括云微物理特性的时空分布分析、云相态分类研究，以及云掩膜算法的精度评估。研究人员可基于这些高质量标注层，深入探索不同地理环境下云属性的变化规律，为气候模型中的云参数化提供实测依据。

实际应用

在实际应用中，该数据集可直接服务于天气预报中的云量初始化、航空安全中的云顶高度监测，以及太阳能发电功率预测中云遮挡效应评估。其高分辨率云图可为农业遥感中的光照条件分析提供辅助，也可用于环境监测中云污染去除的参考。此外，数据集的快速可视化层（如true_colour和cloud_mask）便于应急响应和灾害管理，支持近实时云况评估，为气象服务和可再生能源行业提供决策支持。

衍生相关工作

围绕该数据集，预计将衍生出多项经典研究，如基于深度学习的云检测与云属性反演模型的训练与测试，利用其高质量标注提升模型泛化能力。同时，可推动云微物理参数与再分析资料的融合研究，以及长时间序列云气候学的构建。数据集的开放许可和结构化布局（按场景ID组织）鼓励研究者开发自动化处理流程和云属性检索工具，进一步促进云遥感领域的开源生态发展。