基于纸质气象档案数字化的图像识别算法研究浅析

随着深度学习技术的不断发展，扫描图像识别技术在提高准确率方面取得了显著进展。本文着重介绍了卷积神经网络和循环神经网络，并比较了它们在图像识别和文字识别任务中的表现。基于卷积神经网络的方法通过构建多层神经网络模型，可以自动学习图像的特征和规律，从而提高识别的准确率，显示出卓越的性能。而循环神经网络在文字识别领域展现了其独特的优势，实验结果表明，循环神经网络能够处理序列数据，并自动学习序列之间的关系。本文的研究结果表明，深度学习算法在扫描图像识别技术中具有广阔的应用前景，卷积神经网络在图像识别任务中表现出色，而循环神经网络在文字识别任务中具有良好的性能。     

锦州地区玉米农田生态系统水汽通量变化特征及其调控机制

基于2014年辽宁省锦州地区雨养玉米农田生态系统涡度相关观测数据,分析了锦州地区玉米农田生态系统水汽通量的变化特征,并结合小气候观测数据探讨了水汽通量的调控机制。结果表明:2014年锦州地区玉米农田生态系统各月水汽通量均呈明显的单峰型变化规律,玉米农田生态系统生长季日平均水汽通量可达非生长季的10.31倍。锦州玉米农田生态系统7月水汽通量最大,日最大水汽通量可达0.1202 g·m-2·s-1。玉米农田年蒸散量为417.37 mm,非生长季蒸散总量为49.57 mm,略大于同期降水量;生长季前期5月和6月玉米农田蒸散量占降水量的比例分别为52.0%、71.0%;7月、8月和9月玉米农田的蒸散量大于降水量,其中7月玉米农田的蒸散量为降水量的3.00倍,而此期间正值玉米开花授粉阶段,水分胁迫严重影响玉米产量。玉米农田生长季的水汽通量与净辐射存在显著的正相关关系,同时水汽通量在一定程度上受气温和饱和水汽压差的调控影响。     

农作物实景监测中的图像数据质量控制方法研究

农作物实景自动监测系统具有自动、非接触、非破坏性等优点,是传统农业气象观测的补充。开展图像质量控制是合理使用农作物实景自动监测系统资料的基础。利用郑州、泰安和固城三地的历史农作物实景图像资料,设计了基于颜色特征参数检测和基于暗通道先验直方图检测的图像数据质量控制方法。通过对2010—2012年三年夏玉米和冬小麦等不同天气条件下得到的农作物实景自动观测资料进行质量控制与应用效果检验。结果表明:两种质量控制方法均可判断出农作物实景自动监测系统中图像观测资料的异常数据;基于颜色特征参数检测方法可有效识别出像素缺失图像,准确率达100%;基于暗通道先验直方图检测方法能有效识别出污染图像,平均准确率为95.7%,平均召回率为87.5%。该质量控制方法可减小模型估算值与观测数据之间的误差,目前已应用于省级农业自动观测业务系统。     

基于AEZ模型的产量动态预报研究

利用洛阳地区1981-2014年夏玉米产量资料、9个气象站点的逐日观测资料、农田0-50 cm土壤墒情资料,结合夏玉米生物学特性,采用农业生态区域法(AEZ模型),计算了夏玉米不同生长阶段的气候生产潜力,通过气候生产潜力与夏玉米产量的相关关系,建立以旬为尺度的夏玉米产量动态预报模型,并进行历史回代和试报检验。结果表明:气候生产潜力与夏玉米单产增减率呈显著正相关,气候生产潜力可以客观地反映夏玉米单产水平及其动态变化。构建的产量动态预报模型对1981-2010年单产历史回代检验的准确率为88.3%~90.7%,单产丰歉趋势回代检验准确率为65.5%~75.9%;对2011-2014年模型准确性试报检验,单产预报准确率为82.7%~87.5%,趋势预报准确率为50.0%~100.0%。     

人工智能新技术在国家气象中心台风业务中的应用探索

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-4）卫星云图数据,结合人工智能新技术,将深度学习模型应用于台风涡旋识别、台风定位定强、台风强度突变预测等方面,具体内容主要包括基于深度图像目标检测的台风涡旋识别模型、基于图像分类和检索的台风智能定强模型以及融合时空序列特征的台风快速增强判别模型,构建了一套台风智能监测和预报系统。通过对2020年全年样本进行了测试,结果显示:该系统对强热带风暴级及以上强度的台风涡旋正确识别率达90%以上,台风强度估测的MAE和RMSE分别为3.8 m/s和5.05 m/s,对全年独立样本强度快速加强预测的综合准确率达到65.3%,该系统实现了业务上利用高时空分辨率卫星图像实时对热带气旋进行自动识别、定位定强和智能追踪的功能,为进一步提高我国台风监测和预报预警的能力提供了有利支撑。      

中国主产区玉米冠层对降水的截留研究

基于13个农业气象试验站2010—2017年逐日气象观测数据和玉米观测数据,采用针对玉米的截留模型,研究自然降雨条件下中国主产区玉米冠层截留及其变化规律。结果表明:在不同气候条件和生长状况下,玉米全生育期冠层截留差异较大。玉米冠层生长季平均截留量为4.3～23.5 mm,拔节到成熟期降水量≤70 mm时,截留量不足8 mm,随着降水量增加,截留量先是同时受降水量和最大面积指数制衡,后变为对最大叶面积指数更敏感。平均截留率为1.9%～11.6%,中国四大玉米主产区中的黄淮海夏播玉米区截留率最稳定,生长季降水量120 mm的地区截留率超过10%,按玉米主产区和气候干湿度两种分类提供平均截留率范围。依据拔节到成熟期降水量、最大叶面积指数及截留变化规律可以估算不同地区玉米冠层截留量和截留率,为有效降水评估、干旱指标修正、农田水分循环等方面提供科学依据。     

基于自动土壤水分观测数据的吉林省西部干旱预报方法研究

利用吉林省西部10个自动土壤水分观测站数据与人工取土烘干法实测土壤湿度数据,制作吉林省西部土壤墒情监测及干旱预报模型.结果表明:不同气候背景下在作物不同生育期、土壤不同深度、不同初始湿度下的土壤湿度的变化趋势大致相同,但在相同的无降水日数或降水量时,不同台站不同深度的土壤湿度变化率却有一定的差异.各站农田土壤初始湿度越大,无降水时初期墒情下降速率越明显;而土壤湿度初始值越低,则失墒速率越慢.土壤不同深度均是开始时间失墒较快,后期变化逐渐趋于减弱状态.土壤深度越深则水分变化速率越缓,降水量越大,0～50 cm土壤湿度变化曲线整体越接近一致,直到从上而下几层土壤湿度全部达到饱和.通过对2017—2019年吉林省西部玉米农田土壤湿度预报结果和实测值进行对比检验,基于自动土壤水分观测数据的吉林省西部干旱模型预报的准确率超过80％.     

内蒙古雨养农业区土壤水分动态监测模式

文章根据多年实际观测资料,在土壤水分平衡参数模拟方法的基础上,利用初始土壤有效水分贮存量、降水量和实际蒸散量3要素,建立了0～50 cm土层的土壤水分动态监测模式,确定了各项参数的计算方法。通过11个站点两年的检验和试用,对主要农作物春小麦和春玉米农田的水分状况监测准确率达80%以上。同时,对两个站点的土壤水分进行了预报,准确率平均为92%。     

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。     

基于多任务学习的地基云图识别与分割技术北大核心CSCD

云在天气预报中扮演着一个至关重要的角色,准确识别和分割地基云图可以有效指导天气预报。针对大部分现有数据集只适用于单任务学习,地基云图识别和分割技术多以单任务实现,识别检测效率低且算法鲁棒性差等问题,构建了带标签且适合多任务学习的地基云图数据集(GBCD)和GT数据集(GBCD-GT),在此基础上设计了一种基于多任务学习的地基云图识别与分割联合网络模型(GCRSegNet)。该模型首先通过卷积神经网络提取共享特征,再为每个任务设计特定网络,提取更具辨识度的特征,分割网络通过学习共享特征实现地基云图分割,识别网络通过结合共享特征和分割特征实现地基云图识别。经过多组对比试验表明,该网络能准确表征地基云图特征,使识别任务准确率达到94.28%,分割任务像素准确率达到93.85%,平均交并比达到71.58%,为实际应用提供了可能性。     

基于深度卷积神经网络的阵风锋识别算法

阵风锋作为强对流的冷性出流特征,是重要的边界层辐合系统,对其自动监测识别一直是日常气象业务中的难点,该文基于深度卷积神经网络设计了阵风锋的自动识别算法。通过对输入和输出端的重新设计,在Faster RCNN算法和Inception V2网络模型的基础上实现了通过雷达回波数据对阵风锋窄带回波实现端到端自动识别。利用雷达数据绕雷达中心旋转不变性特点,增加了数据样本,降低了需提取特征的复杂度。利用2007—2011年南京雷达数据,对该模型进行了20万步的训练,总损失函数值收敛到0.003。对识别效果的分析表明,在训练样本中识别率100%,漏识率0%,准确率87%。通过对合肥雷达2009年6月5日阵风锋天气过程的32个体扫进行模型泛化能力评估,得到识别率91.7%,漏识率8.3%,正确率73.3%。     

基于热量指数的东北春玉米冷害指标

构建春玉米冷害指标是冷害研究的基础,对我国春玉米安全生产和品种布局具有重要参考意义。以我国东北三省春玉米为研究对象,以具有明确生物学意义的热量指数为春玉米冷害指示因子,利用气象资料、春玉米生育期资料和冷害灾情资料,计算春玉米不同生育阶段平均热量指数,建立春玉米冷害样本序列,基于K-S分布拟合检验和95%置信区间上限阈值的方法,厘定春玉米冷害指标阈值,构建我国东北春玉米不同生育阶段冷害指标,并采用独立的春玉米冷害灾情样本验证指标的合理性。研究结果表明:东北三省春玉米冷害指标在生殖生长和营养生长与生殖生长并进期热量指数的阈值较高,营养生长期略低;指标验证结果与历史灾情记录完全吻合的比率为80.0%,完全吻合和相差1级的比率为100%,且各灾害程度验证得到的准确率均高于75%。     

基于改进遗传小波神经网络的雷暴预报方法

为了进一步提高雷暴预报的准确率,在分析研究雷暴预报方法的基础上,提出了一种了基于改进遗传算法优化小波神经网络的雷暴预报方法(IGA-WNN).该方法利用聚类分析和牛顿迭代法对多种群遗传算法的收敛方向和精度进行改进,避免了种群同质化与局部最优问题,采用改进的遗传算法对小波神经网络的初始权值阈值进行了优化.选用南京地区2008—2009年6—8月的探空和闪电定位资料,使用灰关联法挖掘出关联程度较大的对流参数作预报因子,归一化处理后输入模型,采用独立样本进行预报检验.结果表明,与BP神经网络等方法相比,IGA-WNN预报准确率更高,具有更好的非线性处理能力和泛化性.     

基于机器学习的重庆长江航道雾图像特征识别研究

基于重庆市境内长江航道雷达站拍摄的雾天气过程影像资料,利用K最近邻、支持向量机、BP神经网络、随机森林等机器学习算法,对无雾和5类有雾天气个例进行图像识别训练,构建雾图像识别模型,并检验了识别准确率。结果表明：机器学习能够有效识别雾图像,随机森林算法的识别效果优于其余3种算法。对于能见度超过1500 m的无雾天气,模型的识别准确率为100%,对于能见度在1000—1500 m范围内的轻雾、能见度低于50 m的强浓雾,模型的识别准确率在90%以上,对于能见度在50—1000 m范围内的雾、大雾和浓雾,识别准确率超过70%。     

基于ANOVA和BP神经网络的最优肌电信号测量位置选择

基于肌电信号的手部动作识别中,肌电信号测量位置的选择直接关系到动作识别的准确率.本文以使用最少的肌电传感器和获得较高的动作识别率为目标,提出一种基于ANOVA （方差分析）和BP神经网络的肌电信号测量位置优选方法.使用4个肌电传感器采集受试者做出指定动作时的肌电信号,提取肌电信号的时域特征,并按测量位置组合构成15个不同的样本进行BP神经网络的训练和测试.采用单因素ANOVA分析测量位置对动作识别结果影响的显著性,采用Tukey HSD将测量位置进行归类,并从动作识别率最高的子集中选择测量位置最少但识别准确率最高的测量位置组合作为最优的肌电信号测量位置.实验结果表明,测量位置对动作识别的结果具有显著的影响,随着测量位置数的增加,动作识别准确率呈上升趋势,最优的测量位置组合为P1+P3+P4,其动作识别准确率为94.6%.     

基于神经网络技术的天气雷达超折射回波识别

基于SA多普勒天气雷达资料,从其基本反射率、径向速度和谱宽3个基本产品中提取出6个能反映它们之间差异的特征参量,并对它们进行概率统计分析,作为BP神经网络的识别因子。通过建立适当的训练集对神经网络进行训练,从而得到最优的网络结构,再利用测试集对经过训练的网络做进一步测试,对其识别效果进行评判。结果表明:当神经网络的输入层、隐含层和输出层的神经元个数分别为6、6、2时,能够对超折射回波达到最优的识别效果。最终通过实际个例对识别效果做再次验证。     

基于深度学习的强对流高分辨率临近预报试验

强对流天气临近预报、预警在气象灾害防御中具有极为重要的地位。在气象业务中,因对强对流天气临近预报、预警准确率和时、空分辨率的极高要求,使其成为业务难点和研究热点之一。对于高时、空分辨率强对流临近预报问题,尝试用深度学习方法来解决。首先将强对流临近预报抽象成同时包含时间和空间的序列预测问题;然后基于改进的循环神经网络算法形成的自编码模型,使用京津冀地区长序列、高时空分辨率天气雷达组网拼图数据进行模型训练;最后利用基于历史0.5 h雷达回波拼图数据训练得到的端到端神经网络,预报未来1 h内的逐6 min回波演变特征。通过基于传统外推算法的临近预报方法与深度学习算法的临近预报方法进行对比,发现使用的深度学习方法可以有效“学习”到高时、空分辨率序列雷达数据特征的内在关联,通过多层神经网络构造出抽象的深层特征,能够有效捕捉到雷达回波的演变规律和运动状态。通过计算雷达回波预报的命中率（POD）、虚警率（FAR）、临界成功指数（CSI）等检验表明,相较传统外推临近预报方法,在强对流回波临近预报准确率上有较明显提高。      

CINRAD/SAD双偏振雷达非降水回波识别技术

双偏振雷达观测特征参量（如相关系数、差分反射率等）能有效抑制地物、超折射、电磁干扰、海浪和晴空等非降水回波。在上海南汇WSR-88D双偏振雷达非降水回波识别算法基础上,对我国升级布网且纳入业务运行的CINRAD/SAD双偏振雷达数据进行算法测试、算法模块适应性改进,利用江苏、广东的双偏振雷达观测冰雹、融化层、台风降水及各种杂波个例进行算法检验评估,并在组网拼图中展示质量控制效果。结果表明:总体上算法对非降水回波的识别准确率达到95.2%,降水回波的误判率为2.6%。但对夏秋季节夜晚的大面积晴空回波算法识别准确率低于90%,有待尝试利用深度学习方法改进。     

玉米冠层反射率及净辐射的估算

在1994~1996年3年田间试验的基础上,根据玉米生长状况及其冠层特征,选取包括植株高度、平均叶面积密度、农田覆被率等植物特征量组成的植物参数——综合植被系数来描述玉米冠层状况,并以此为因子来估算玉米冠层的反射率和净辐射,取得了良好的结果。     

夏玉米不同生育期叶片和冠层含水量的遥感反演

高光谱遥感技术监测作物含水量是了解作物生长状况的重要技术。为实现夏玉米不同生育期叶片和冠层含水量的快速、精细化、无损监测,本文基于2014年和2015年的6—10月华北夏玉米不同生育期不同灌水量干旱模拟试验数据构建了植被水分指数（W_I,M_SI,G_VMI）、复比指数（W_NV和W_CG）和红边反射率曲线面积（D_area）的夏玉米冠层等效水厚度（E_WTC）和叶片可燃物含水量（F_MC）的反演模型。结果表明:6个指标反演夏玉米三叶期的E_WTC模型均未达到0.05显著性水平,三叶期后各指标反演E_WTC模型均达到0.01的显著性水平,且总体而言模型精度从高到低为抽雄期、拔节期、灌浆期、成熟期和七叶期。6个指标反演七叶期和拔节期的F_MC均达到0.01显著性水平。因此,同一光谱指标反演夏玉米不同生育期叶片和冠层含水量的精度差异较大。光谱指标反演夏玉米叶片和冠层含水量指标的精度与夏玉米生育期有很大关系,进而提出了夏玉米不同生育期含水量反演模型。研究结果可为准确模拟夏玉米不同生育期含水量提供技术支撑。