光学卫星图像常受云层遮挡或雾霾扭曲影响，导致用于监测气候、农业及城市发展的遥感数据部分失效。一项新研究提出名为SenseNet的混合人工智能系统，旨在解决这一难题。该系统能够从卫星传回的图像中基本去除云层，并更精准地重建下方地表，其精度优于早期技术。

传统去云方法依赖物理模型或多图像对比技术，虽有效但难以处理云层厚度不一或大面积完全遮挡的情况。近年基于机器学习的系统有所改进，但通常需要清晰的参考图像，否则易在遮挡区域生成模糊画面。

SenseNet采用一种深度去噪方法，将有云或雾霾的图像像素视为结构性噪声进行处理。其核心采用一种受自然启发的混合优化算法，通过模拟特定社交与协作行为来优化网络参数，有助于避免训练陷入局部最优解，从而提升学习效果。

与现有方法相比，该系统在信噪比等关键指标上实现了性能提升。通过有效去除云层，它能更清晰地划分农田边界、绘制道路网络与水体分布，从而支持对森林变化、农作物生长及基础设施建设的更细致观测。在常年多云区域，此类可靠的去云技术可减少数据缺口，为依赖近实时卫星数据的气候适应与灾害应对策略提供更好支持。人工智能去云技术的进步，有望整体提升高分辨率地球观测数据的可靠性与实用性。