多阈值和神经网络卫星云图云系自动分割试验

卫星云图自动分割是实现卫星云图云系自动识别的基础.选用1992~1994年和1997~1998年夏季有典型天气系统的177幅GMS红外云图建立了云系模型库, 云系分类样本3079个, 包含16类云系, 云系分割样本2764个.利用云系分割样本集进行神经网络试验, 训练集为从32幅云图中抽取的484个样本, 测试集为从145幅云图中抽取的2280个样本, 神经网络模型训练正确率达到98.8%, 测试正确率为86.4%.用1997年7月18~21日和1998年6月15~17日的两组卫星云图做自动分割应用试验, 结果经专家判识, 正确率达到90%以上.本文的工作表明:用多阈值和人工神经网络相结合方法对卫星云图进行云分割在实际应用中是可行的. 卫星云图自动分割系统的输入是GMS红外云图, 输出是分割出的每一个云区, 同时还包括云区的边界链码、起始点、周长、面积, 并保留了原始图像数据.在下一步的云系识别过程中, 可以在此基础上进行云系分类识别试验.     

基于纹理特征和机器学习的卫星云图分类实验

准确识别云对提升天气预报和气候预测准确性有着重要意义,传统的阈值法和聚类法很难找出统一通用的阈值标准和方法,随着机器学习在云分类领域的应用和发展,在分类速度和分类精度上都有了明显提升。本实验对风云二号G星的红外云图进行预处理并构建卫星云图样本库,通过提取云图纹理特征再结合支持向量机（SVM）、随机森林（RF）和XGBoost分类器实现了对“晴空”、“层积云或高积云”、“积雨云”、“密层云”和“卷层云”的分类,实验结果表明：①三种分类器对该实验云分类的平均准确率分别为RF（62.5%）＞XGBoost（61.7%）＞SVM（60.0%）;②三种分类器对“层积云或高积云”的分类都最好且稳定,平均分类精度均达到了90%以上,最高为91.5%;③SVM对密层云（67.9%）、RF对卷层云（68.9%）、XGboost对晴空（68.3%）的分类效果次之,平均分类精度均达67%以上。     

基于迁移学习和Xception网络的海雾能见度等级估测研究

采用基于Xception卷积神经网络算法构建了一个海雾能见度识别的框架,通过对海雾能见度探测设备同位置摄像头监控图像的采集,将图像样本结合能见度数据进行标签分类,利用迁移学习结合Xception网络进行训练,提取图像能见度特征,构建能见度等级估测模型,实现能见度等级的估测。通过对浙江省宁波市北仑区三山大闸摄像头监控进行图像的采集,抽取万余有效样本进行训练,进行能见度等级识别结果分析,结果显示模型识别精度可达99.36%,验证集准确率可达99.20%。基于Xception算法的海雾能见度等级估测方法如果在数据集健康准确的情况下,能够满足海雾能见度实时性和识别准确率的要求,可以作为未安装能见度探测设备地区的能见度等级辅助监测方法。     

基于压缩感知的地基红外云图云状识别

为了对地基全天空红外测云仪获得的云图进行分类,该文从压缩感知理论出发,提出了一种利用云图灰度稀疏性进行云状识别的新方法。首先运用典型云图样本构造冗余字典,然后通过梯度投影 (GPSR) 算法和正交匹配 (OMP) 算法求取测试样本在冗余字典中的l1范式最优解,最后利用残差法和稀疏比例法对云状进行判别并输出。采用压缩感知理论进行云状识别,降低了对特征提取技术的要求,为云状的自动识别提供了新思路,对典型波状云、层状云、积状云、卷云和晴空的总体识别率分别达到75%,91%,70%,85%和93%,平均识别率为82.8%。     

多光谱卫星图像的一种模糊聚类方法

基于二维光谱特征空间，用模糊C均值(FCM)聚类方法，对多光谱静止卫星(GMS-5)图像进行了云分类试验，得到了比较合理的分类结果。该方法利用不同光谱通道的卫星云图光谱特征构造出一个二维光谱特征空问，对云图在特征空间上的光谱特征点进行FCM聚类，然后与已知云类样本的特征进行比较，确定出各聚类域的类属，进而得到二维光谱空间的云分类图，实况接收的云图可通过查验特征像素点在分类图中的落区位置来实现云的分类。     

基于深度图像目标检测的智能台风涡旋识别技术

基于2005—2020年的中国气象局台风最佳路径数据集以及葵花(Himawari)8和风云(FY)卫星云图数据,首先将卫星原始数据转换为FULLDISK灰度图像作为台风涡旋识别技术的图像来源,并制定新的VOC (Visual Object Classes)标注规范,构建了样本标注数据集。利用运行速度快、识别准确率高的人工智能领域经典目标检测SSD(Single Shot MultiBox Detector)模型作为台风涡旋识别的基础模型,并针对台风涡旋识别的独特性,特别是弱涡旋识别困难,提出一种迭代的SSD目标检测模型,明显提高了台风涡旋的识别精度。通过目标检测技术对卫星云图进行智能特征分析、抽取、识别和定位,实现了自动涡旋正确识别和定位,最终建立了智能台风涡旋识别技术。测试结果显示:该技术对强热带风暴级以下强度台风涡旋正确识别率为40%~80%,对强热带风暴级及以上强度台风涡旋正确识别率达90%以上,能够精准识别强台风级及以上强度涡旋,该技术为今后业务利用高时空分辨率卫星图像对台风进行实时精密监测提供了技术支撑。      

基于KNN的地基可见光云图分类方法

云图的自动分类是实现地基云自动化观测的技术保障。该文探讨了一种先将云图分为积状云、层状云和卷云3大类的分类方案,通过对3大云类和晴空这4种天空类型的纹理特征、颜色特征和形状特征进行分析,选取了21个特征参量,并采用K最近邻分类器 (K-Nearest Neighbor,KNN), 在不同的K取值情况下对这几类天空类型进行了分类识别。结果表明:新的分类方案是可行的,且当纹理特征、颜色特征和形状特征结合使用时获取了比单独利用纹理特征、颜色特征和形状特征以及它们两两组合时更好的识别效果。当K=7且使用21个特征参量时,KNN算法对积状云、层状云、卷云和晴空的识别最好, 识别正确率分别为91.1%,74.4%,70.0%和100.0%,平均正确率为83.9%。     

基于LBP算法的全天空红外云图的分类研究

利用局部二值模式（Local Binary Patterns,LBP）,结合局部云图的方差信息（VAR）,对全天空红外测云系统获得的红外云图进行了分类研究。首先建立了器测云状分类与传统分类的对应关系,其次分析了层状云、积状云、波状云、卷云和晴空5种类型天空的LBP谱和VAR特征,最后对274个样本进行了分类识别,并与人工观测结果比较,结果表明,层状云、积状云、波状云、卷云和晴空的识别正确率分别为100．0％、84．2％、70．3％、64．7％、99．0％,平均正确率达到87．2％。     

基于深度语义分割的FY-2E遥感影像云检测方法

本文提出了一种基于深度语义分割技术的全自动云检测算法,可提高FY-2E遥感影像的云检测精度。首先,将FY-2EL1数据与精度较高的云检测结果进行匹配,获得用于训练和评估样本的数据集;其次,设计了深度语义分割网络,并针对训练集中正负样本严重失衡的问题,改进了损失函数,可以有效提取云的边界;最后,分别以FY-2E和MODIS数据作为训练和标签样本训练网络,得到了可用于FY-2EL1影像检测的四分类模型。试验结果表明,在四分类检测中,所提方法的准确率达到了75%,Kappa系数为0.53左右。与现有多通道阈值法相比,采用所提方法进行二分类检测可提高约90%样本的准确率,部分样本的准确率提升20%以上。此外,所提方法对云边缘、破碎云等细节识别能力较强,且具有一定的鲁棒性,受训练样本中的误判类别影响较小。未来通过扩充数据集并优化网络,可提高FY-2全圆盘影像的数据质量。     

基于BP网络的汉语普通话声调识别

研究了一种常用的模式分类器——BP神经网络,分析了BP网络的训练及识别过程,提取了能体现声调特性的特征数据组成分类特征向量,设计了具有一个隐含层的3层前馈网络作为分类器,对普通话声调样本库做了分类识别实验,分析了不同隐含层节点数的识别实验结果.实验结果表明,提取的音频特征基本有效,分类效果良好,具有一定的应用价值.     

Evaluation of clouds and radiative fluxes in the EC-Earth general circulation model

Observations, mostly from the International Satellite Cloud Climatology (ISCCP), are used to assess clouds and radiative fluxes in the EC-Earth general circulation model, when forced by prescribed observed sea surface temperatures. An ISCCP instrument simulator is employed to consistently compare model outputs with satellite observations. The use of a satellite simulator is shown to be imperative for model evaluation. EC-Earth exhibits the largest cloud biases in the tropics. It generally underestimates the total cloud cover but overestimates the optically thick clouds, with the net result that clouds exert an overly strong cooling effect in the model. Every cloud type has its own source of bias. The magnitude of the cooling due to the shortwave cloud radiative effect ( \(\mid \hbox {SWCRE}\mid\) ) is underestimated for the stratiform low-clouds, because the model simulates too few of them. In contrast, \(\mid \hbox {SWCRE}\mid\) is overestimated for trade wind cumulus clouds, because in the model these are too thick. The clouds in the deep convection regions also lead to overestimate the \(\mid \hbox {SWCRE}\mid\) . These clouds are generally too thick and there are too few mid and high thin clouds. These biases are consistent with the positive precipitation bias and the overly strong mass flux for deep convective plumes. Potential sources for the various cloud biases in the model are discussed.     

一种人工神经网络云分类方法的改进与应用

采用2005—2009年FY-2C静止气象卫星可见光和红外自旋扫描辐射计的红外1(IR1)、红外2(IR2) 和水汽 (WV) 亮温资料,选取2449个云分类样本。设计两层嵌套的前向传递后向反馈 (BP) 人工神经网络模型,第1层网络选取IR1,IR2,WV亮温及IR1与WV亮温差和IR2与WV亮温差5个特征量,第2层网络选取特征量IR1与IR2亮温差,两层网络都采用一层隐含层且带有附加动量法的简单网络,降低了网络的冗余度。误差分析表明:嵌套BP人工神经网络模型的分类准确率在中云和薄卷云这两类上分别提高了42.7%和11.3%,整个分类模型的平均平方误差和标准化平均平方误差分别降低了6.1%和44.7%,相关系数提高了3.4%。通过3个个例的对比分析发现,嵌套模型的分类结果比传统模型的分类结果更合理,特别是在中低云和薄卷云的云量和位置分辨能力上有了较大提高。     

Shapley-模糊神经网络方法在华南台风卫星云图的长时效滚动预测中的应用

为了更好地利用大量的卫星云图观测资料来提高台风暴雨的预报能力,解决并提高对台风强降水云系变化的预报精度,延长对未来云系变化的预报时效,构建基于合作对策Shapley-模糊神经网络的华南区域台风卫星云图非线性智能计算滚动集合预测模型,对增强卫星云图资料在台风暴雨天气预报中的实用性和及时性具有重要意义。依据2013—2016年华南区域台风影响过程的卫星云图,采用类似于数值预报模式的集合预报方法,通过对间隔6 h的卫星云图云顶亮温样本序列做经验正交函数分解,将提取出的时间系数作为云图预报建模的预报分量。考虑台风云系的发展变化主要受云团环境物理量场的影响,利用数值预报模式的物理量预报产品作为各预报分量的预报因子,并采用k-近邻互信息估计的分步式变量选择算法,通过两步过程实现相关变量的选择与弱相关变量的剔除,分别建立相应时间系数的Shapley-模糊神经网络集合预报模型,进一步将预报得到的各时间系数与空间向量合成,重构得到未来时刻的卫星云图预报图,实现了云图6—72 h的长时效客观滚动预测。试验结果表明,新方案所预测的云图与实况云图相关较高,重构云图的基本轮廓、纹理特征分布、清晰度以及云系强弱方面都比较接近原始云图。另外,研究进一步基于相同的云图预报因子,针对同样的建模和预报样本采用多元线性回归方案进行和新方案一致的云图预测。对比结果表明,这种非线性预报模型比线性方案能更好地预报未来较长时效台风云团的发展、移动的主要特征和变化趋势,其预测的云图与实际云图的主要特征更相似。云图预报时效达到了72 h,具有业务实用价值。      

FY 2F卫星和毫米波云雷达云高观测的个例对比分析

风云二号静止卫星上装载有可见光、水汽、中长波红外等探测通道,其中红外通道资料可提供卫星云顶温度数据。基于FY-2F静止卫星云顶温度资料,结合局地实时探空数据对北京南郊和朝阳站点上空云层进行云高反演,并展开与地基毫米波云雷达探测云顶高关系的对比,分析3种不同云厚(薄云、适中、厚云)条件下的云高观测结果。研究结果表明,二者云顶高匹配度受几何云厚的影响,其吻合度呈现出厚云最佳,薄云最差的特征。     

冬小麦田午时冠层温度与气温和地温的关系

基于野外实测数据，分晴日、阴日及不区分阴晴3种情况，研究了湿润与较干冬小麦田午时冠层温度、气温和地温间的定量关系。结果表明:湿润麦田晴日使用气温预测冠温效果最好，基于最终模型估算冠温的平均误差仅1.03℃，标准差为1.26℃。较干麦田晴日与阴日用地温估算冠温效果最佳，基于最终模型估算冠温的平均误差分别为1.64，1.54 ℃；其估算冠温的标准分别为2.05，1.89℃。用本文统计建模法预测结果的误差低于目前用NOAA影像反演冠温时2~3℃的均方根误差。研究结果也说明使用气温和地温预测麦田冠温是切实可行的。这就为冠温数据的获取提供了廉价有效的新方法；同时也使利用遥感影像与地面气象站常规观测资料相结合的方法，在较大的区域范围内进行冬小麦需水预测成为可能。     

一次西风槽过程过冷云水分布特征观测研究

过冷云水生消演变规律是云物理学和人工影响天气的重要研究领域。根据Hobbs 1974年提出的假定,利用飞机、卫星、雷达和雨量计等观测资料,对2012年9月21日河北一次西风槽天气过程进行观测研究,分析其过冷云水分布特征及演变规律。结果表明,槽前云系过冷水区宽厚并且过冷水含量较高,云滴浓度和均立方根直径较大并且均匀,冷云区厚而且没有分层,没有暖云配合;近槽云系中冷云区小粒子浓度降低但云滴直径增大,冷云区夹有干层,云系变厚出现暖云配合,冷暖云液态水含量较高,冷暖云区大粒子和降水粒子浓度和尺度增大,中尺度云团移动较快;槽后云系中云滴浓度最大,但云滴均立方根直径明显减小,过冷水区出现的高度下降、厚度很薄、过冷水含量较低,冷、暖云之间有干层,暖云对应的大粒子浓度和降水粒子浓度非常大,地面降水主要由暖云过程产生;云水(过冷水)含量峰值常出现在云内逆温层的上方;利用云粒子测量系统(PMS)资料分析过冷云水生消演变特征与卫星和雷达资料具有较高的一致性。     

GRAPES三维云初始场形成及在短临预报中的应用

围绕GRAPES_Meso的云初始场形成,以ARPS模式云分析方案为基础,优化诊断后应用我国风云二号静止气象卫星云产品、多普勒天气雷达三维组网拼图产品等观测资料结合模式背景信息,根据云热力-动力学原理及观测试验经验关系等,对云初始场的信息进行分析并通过松弛逼近同化方法实现对云内微物理信息同化应用。GRAPES_Meso中采用优化后的云初始场方案,水平分辨率为0.03°×0.03°和0.1°×0.1°的1个月（2014年7月15日-8月14日）连续试验和个例分析结果显示:云初始场形成方案能够分析出飑线等天气系统的云系和云内微物理变量特征。从模拟云图看,包含云初始场信息的GRAPES_Meso的云系的形态特征和分布范围短时临近预报结果更为准确。云初始场信息同化应用后,在1 h的时间尺度上,即可预报出与实况更为接近的降水;0~12 h时间范围内对降水均有积极的影响,可满足短时临近预报的需求,降水量级略偏大。批量连续试验（水平分辨率为0.03°×0.03°和0.1°×0.1°）的各个量级降水ETS（equitable threat score）评分都显著提高。     

主要卫星云气候数据集评述

自20世纪70年代气象卫星进入业务化观测以来,气象卫星已提供了40余年的观测数据。长时间序列的卫星数据为云气候研究提供了可能。基于长时间序列的卫星数据,构建云气候数据集会涉及诸如定标、反演算法、反演数据精度验证等方面。目前国际上也已生成了一系列的云气候数据集,如ISCCP,Patmos-x,CLARA和MODIS-ST等,这些数据集所选用的探测数据、反演算法不尽一致,数据集产品的时空属性各异。如何发挥极轨和静止气象卫星各自优势,融合两类卫星数据,形成高时间分辨率、质量稳定的长时间序列云气候数据集是未来需要解决的问题。     

风云二号气象卫星红外观测在云团降水监测中的应用

提升灾害性对流天气的监测预警能力是短临天气预报的首要目标,但对流性降水在时间、空间上分布高度不均,观测难度大。卫星遥感监测降水的传统红外、水汽亮温判识方法,报警云团数量多,空报率高,指示意义不稳定,需要结合背景因素寻找方法提炼卫星辐射观测中更多的内在隐含信息,建立云顶亮温与此类灾害天气间的联系。此文尝试使用FY-2气象卫星红外云图数据和逐时加密地面降水观测资料,通过追踪云团移动进而分类、提取参数,然后用模糊支持向量机（FSVM）方法建立地面观测雨强与云团特征动态演变间的机器学习数学关系,标识出有监测预警意义的云团和强降水中心,对检验地域和时间的卫星强降水云团检测识别率达80％左右。     

多光谱卫星图像降水强度场的分析

文中将单位特征空间归类方法应用于多光谱GMS卫星图像的降水强度场分析 ,该方法可交互式地进行多光谱卫星信息和地面实测降水的协同分析 ,准确划分各强度样本集群的光谱特征空间分布 ,为可靠确定各波段卫星测值与小时降水量之间的统计关系提供了一条可行的途径。为尽量减少分界点附近数据可能造成的不确定性和误差 ,文中首先按模糊集合论的隶属度原则 ,建立了模糊划分公式。按所在降水强度等级 ,通过对多维光谱空间的各单位特征空间内计算和比较晴空、多云 (无雨 )、小雨、中雨、大雨和暴雨 6种情况发生的概率 ,经归一化处理后 ,分别建立相应的降水强度类属矩阵 ,为多光谱卫星图像降水强度场的分析确定了判识依据。就IR1 VIS降水强度类属矩阵而言 ,经 5 0 0余个实测有雨样本的检验 ,其对暴雨、大雨、中雨和小雨等各强度等级有雨样本的实测命中率均在 70 %左右。近 14 0 0个有云样本降水强度等级判识的总准确率为 73.88%。把样本仅分成无雨、中小雨和大、暴雨 3个等级进行分析 ,实测命中率和分析成功率都显著提高 ,总准确率达到 84 .4 9%。IR1 WV ,TIR1-IR2 降水强度类属矩阵 ,各项指标虽然均略低于IR1 VIS降水强度类属矩阵 ,但对无雨、中小雨和大到暴雨的 3个级判识 ,总准确率也能够达到 75 %。