云图纹理特征的抽取与云的自动分类

根据卫星云图的灰度分布，计算灰度共生矩阵，然后抽取一组纹理识别特征量，组成卫星云图云自动分类方程，从而实现云图微机自动分类。     

北疆降雹云团卫星云图特征的分类研究

北疆降雹云团按其卫星云图特征分为对流性和系统性两大类，又将对流性降雹云团按尺度大小分为雷暴云和对流云，系统性降雹云团按所处位置分为冷云核、云系云区和云系边缘。据此方法对1998-2001年4-9月期间北疆出现310个降雹云团进行归类分析。北疆降雹云团以对流性云团为主，它们尺度小、形状不规则、云顶亮温较高。主要出现在北疆西部和北疆沿天山中段。各类降雹云团在各地区的出现机率不同。     

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。     

双光谱云图的云分类探讨

依据各类云在红外和可见光波段不同的光谱特性，考察了近百个数字云图样本，在红外－可见光二维光谱特征空间上基本确定了与种类相应的集群分布范围，由此判识出积雨云、薄卷云、厚卷云、中云、低云、沈积云和多层云系等７种主要云类及晴空区。并以１９９０年３月１５日１４时云图为例进一步讨论了诸云类在光谱特征空间上高频数分布区的形状和分布特点。     

地基可见光全天空云图云量图像处理识别方法

为增强地基可见光全天空云图中云与天空的特征和区别,提高云检测率,基于图像复原和图像增强技术提出一种改善云图质量的方法。该方法采用暗通道去雾算法进行图像复原;采用亮度直方图均衡增强图像纹理细节;综合两种方法,先图像复原,再图像增强。按低能见度薄云、低能见度厚云、高能见度薄云、高能见度厚云4种情况分别进行讨论,结果表明:除高能见度薄云采用单一的图像复原使云检测效果降低外,图像复原和图像增强都能使云检测和云量识别准确率提高;综合二者,云检测和云量识别准确率进一步提高;该方法对薄云和低能见度云图的改善最为显著。     

GMS云图的自动分类及其在暴雨监测中的应用

本文利用一种自动分类方法把GMS S·VISSR图象分成主要的几类:地表、中低云、强降水云区及卷云,并在分类云图上叠加6小时地面降水资料加以对照分析。最后,对分类后的图象进行数据压缩。压缩后的数据量为原来的1/8左右,有利于产品存档及向远程用户的通信传输。     

基于模糊纹理光谱的全天空红外图像云分类

为了对全天空红外测云系统获得的红外图像进行云类自动识别, 提出了基于模糊纹理光谱结合云物理属性的全天空云类识别方法。首先根据不同滤波窗口的模糊纹理光谱图像特征, 确定了滤波窗口大小, 然后通过分析不同天空类型下的FUTS谱 (fuzzy uncertainty texture spectrum) 以及同一种天空类型下的FUTS谱, 考察了FUTS进行云类识别的适用性, 最后利用最小距离分类法和云基本物理属性对全天空红外图像进行了分类测试。在200个测试样本中, 层状云、积云、高积云、卷云和晴空的识别率分别为100%, 100%, 90%, 100%, 100%, 平均识别率达到98%。基于模糊纹理光谱的云分类算法对单一云空具有很好的分类效果, 可进一步应用于全天空红外图像的云分类识别。     

基于自适应阈值的地基云自动检测方法

云的高精度检测是云量计算的基础,利用晴朗天空下天空呈蓝色、云呈白色的属性, 该文提出一种基于最大类间方差的自适应阈值云检测方法, 并分别基于蓝红波段比值、差值和归一化差值处理进行试验。相比固定阈值的云检测方法, 自适应阈值具有更大的通用性, 且定量的评估结果表明:归一化差值处理在云检测的正确率和精确度方面都获得了令人满意的检测效果。     

基于云类型匹配和距离误差权重的单层云云底高度估计

云底高度(cloud base height,CBH)的观测对地气系统的辐射模拟和保障飞行安全有重要意义。本文结合CloudSat/CPR、CALIPSO/CALIOP和Aqua/MODIS的主被动观测资料,建立了基于云类型和距离的CBH估计算法。本文云分类方法采取国际卫星云气候计划(International Satellite Cloud Climatology Project,ISCCP)的云分类法,并利用A-Train数据对估计结果进行验证。结果表明,CBH的平均误差小于3 km,而低云CBH的平均误差小于1 km。在0~500 km的估计范围内,CBH估计的绝对误差主要在1 km以内,均方根误差不超过3 km。最后,基于此方法,本文重建了一个锋面云系的三维结构。     

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%。     

高原边坡复杂地形下短时强降水的云型特征分类

利用逐时雨量资料、常规高低空观测资料及FY-2卫星云图,对2010—2015年5—9月甘肃省高原边坡复杂地形下76次短时强降水过程个例的天气形势配置及卫星云图演变特征进行统计分析。结果表明,与甘肃省短时强降水过程相关的特征云型共有6类:副热带高压边沿型、逗点云型、冷锋前部型、冷锋尾部与南亚高压东侧叠置型、冷涡后部型、弱冷锋前部椭圆形MαCS型。其中,副热带高压边沿型、冷锋前部型、弱冷锋前部椭圆形MαCS型与低层暖平流强迫有关。逗点云型、冷锋尾部与南亚高压东侧叠置型主要受高低空冷暖平流强烈交汇影响。冷涡后部型是高空冷平流强迫下形成。冷锋尾部与南亚高压东侧叠置型具有较好的预报指示意义。     

用雷达反射率作对流性降水和层状云降水自动分类

为提高雷达定量测量降水的精度,利用武汉CINRAD/SA雷达反射率数据,研究提出了对流性降水和层状云降水自动分类算法(ACSS)。该算法在二维反射率结构场初步分类降水的基础上,识别亮带并从体扫描数据中提取降水的三维结构特征,然后对初步分类结果进行订正。试验表明,ACSS能较准确地实现对流性降水和层状云降水的自动分类,相对于只根据二维结构分类降水性能上有较大提高,主要表现在能正确识别出亮带特征明显的强层状云和对流核外沿的对流弱回波区。     

用三通道合成彩色图像进行云的分类解释判读

为更好地利用FY-3A气象卫星上中分辨率光谱成像仪 (MERSI) 资料高空间分辨率及多光谱的优势,细致分析云系在宏、微观方面的多重特征,首先利用平面平行辐射传输模式 (SBDART) 证明了MERSI的0.65,1.6 μm和11.25 μm通道能够分别反映云光学厚度、云粒子大小、云顶高度的信息,然后采用三通道合成彩色图像的方法,对FY-3A气象卫星云图进行云的分类解释判读。该技术可直观区分有云区、无云区,显示海陆分界,并且使不同云类在云图上体现为不同颜色。同时,FY-3A气象卫星高达1000 m甚至250 m的空间分辨率也使云的细致结构更为清晰,两项优势的叠加,大大提升了云的分类解释判读的准确程度和精细化水平。文中还尝试寻找典型云系的三通道特征值,以期为模糊C均值聚类 (FCM) 方法中聚类中心的选定提供经验值参考。     

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％。     

用三通道合成彩色图像进行云的分类解释判读

为更好地利用FY-3A气象卫星上中分辨率光谱成像仪(MERSI)资料高空间分辨率及多光谱的优势,细致分析云系在宏、微观方面的多重特征,首先利用平面平行辐射传输模式(SBDART)证明了MERSI的0.65,1.6 μm和11.25 μm通道能够分别反映云光学厚度、云粒子大小、云顶高度的信息,然后采用三通道合成彩色图像的...