基于深度學習的全天空云圖分類方法研究.pdf

1、云是大氣中熱力過程和動力過程的外部表現(xiàn)，同時也是水汽循環(huán)的重要環(huán)節(jié)。它在天空中表現(xiàn)出來的水汽狀況、穩(wěn)定程度以及高度和厚度，都是實時預測天氣的關鍵性特征。因而對于人類的生產(chǎn)生活來說，云的實時觀測有著重要意義。傳統(tǒng)的地基云觀測主要是依賴氣象員的目視觀測，這樣不僅效率底下，而且嚴重依賴氣象員的經(jīng)驗，很難做到實時性。近年來，隨著數(shù)字圖像采集設備的發(fā)展，國內(nèi)外涌現(xiàn)了許多地基全天空云圖像采集設備。越來越多的設備投入使用，數(shù)字地基全天空云圖的數(shù)量和規(guī)

2、模日益龐大。由于云圖正確分類是一個龐大的工程，需要專業(yè)人員花費很多時間來完成，因此，自動高效的圖像分類方法有著很強的應用需求。
　　本文借鑒傳統(tǒng)的基于內(nèi)容的圖像分類技術，結合詞袋模型理論，研究數(shù)字地基全天空云圖的特征表示以及分類建模方法。本文提出了基于微結構模型的云圖分類方法。微結構云圖是指對全天空云圖像進行過采樣取塊并抽取其局部圖像特征，對特征進行無監(jiān)督聚類后形成視覺詞典，從而映射為基礎特征圖。該方法將全天空云圖像視為從圖像塊映

3、射的微結構的集合而不再是傳統(tǒng)的像素的集合。通過統(tǒng)計微結構的加權直方圖作為圖像的特征向量，最后使用支持向量機分類器重新識別云圖像的類別。
　　針對云圖數(shù)據(jù)集標注樣本少、圖像分辨率大的特點，本文提出了兩種深度網(wǎng)絡結構和不同的訓練方法。第一，根據(jù)深度學習理論及其實驗表明，網(wǎng)絡的第一層卷積層的濾波器模板主要是提取顏色特征和紋理特征，之后的特征看作是顏色紋理特征的更高級組合，因而通過遷移學習進行深度網(wǎng)絡微調(diào)，訓練出識別全天空云圖的深度模型;

4、第二，提出了一種無監(jiān)督的自我學習與有監(jiān)督的導向?qū)W習相結合的方法來解決標注樣本少，圖像分辨率大的分類任務。使用大量未標注數(shù)據(jù)的無監(jiān)督自我學習過程可以起到數(shù)據(jù)降維和特征學習的作用，同時把大部分參數(shù)學習轉移到無監(jiān)督網(wǎng)絡中，最后使用標注數(shù)據(jù)進行導向?qū)W習訓練出識別全天空云圖的深度模型。
　　對于本文提出的方法，本文使用中國氣象科學研究院和北京交通大學共同發(fā)布的全天空云圖數(shù)據(jù)集。實驗表明，基于微結構模型的分類方法和基于深度學習的分類方法分類準