一种基于实景图像的低能见度识别算法

为了利用大量视频监控设备提高能见度数据采集密度,提出一种基于实景图像转换的、采用简单卷积神经网络分类提取能见度等级的算法。该算法假设视频设备水平安装且具备开阔视野, 对原始视频图像进行水平分块,提取各分块的梯度、饱和度和亮度信息组成新的图像,基于简单卷积神经网络建模。采用2019年9月—2020年12月上海洋山港气象站29668张视频图像进行训练,建立识别模型,并采用2021年1—5月5757张视频图像对模型进行测试。采用该算法建立的模型参考雾的预报等级(GB/T 27964—2011)将能见度分为5个等级进行检验,白天准确率为87.99%,夜间准确率为81.32%,优于直接采用AlexNet模型。对1000 m以下低能见度天气的识别准确率达95%以上。利用现有的视频摄像头,可有效弥补气象站点能见度仪数据不足的问题,在气象业务上有一定的应用价值。     

基于多尺度融合网络的高速公路能见度估计

为了实现近实时公里级的高速公路能见度监测,提出了一种基于多尺度融合网络的能见度估计方法。首先,从道路监控视频中提取道路场景图像,并对图像进行质量控制;分别采用引导滤波、光谱滤波、景深估计模型从路面场景图像中提取细节结构特征、光谱特征与场景深度特征;然后,构建多尺度融合网络自适应融合结构特征、光谱特征与场景深度特征,并从中提取能见度特征;最后在网络末端输出图像场景所对应的能见度等级。此外,为了训练与测试模型,构建了真实道路场景图像数据集,共包含18 000张标注图像。实验结果表明,多尺度融合网络可显著提升高速公路能见度估计的准确性,能见度等级分类准确率可达81.76%。     

MODIS遥感数据在我国台湾海峡海雾监测中的应用

海雾是一种常见的灾害性天气现象。以我国台湾海峡为示范研究区, 利用新一代卫星传感器MODIS的可见光和红外探测通道数据, 在分析海洋、中高云、低云和海雾等不同下垫面的MODIS光谱辐射特征基础上, 选择对海雾具有敏感反应的探测通道, 通过综合判识建立台湾海峡海雾遥感监测模型。利用该模型对2004-2007年我国台湾海峡海雾事件进行监测, 并用福建沿海5个地面气象观测站的能见度数据对监测结果进行验证分析。结果表明:基于MODIS数据的海雾遥感监测模型能够较准确地对台湾海峡海雾分布和发展过程进行监测, 从地面观测数据与卫星监测结果对比验证来看, 海雾监测的准确率可达80 %以上, 具有较高的业务化应用前景。     

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%。     

基于多灰度共生矩阵特征值的黄渤海白天海雾识别算法

本文基于多灰度共生矩阵特征值,即相关性、对比度、同质性和能量,进行联合海雾遥感判识,提出一种高准确率黄渤海白天海雾识别算法。采用第二代静止气象卫星FY-4A可见光、近红外和红外数据,将该算法应用于黄渤海区域白天海雾判识,并利用2019—2020年沿黄渤海气象站点能见度实测数据及CALIPSO卫星数据产品对本算法识别结果进行精度验证。结果表明：海雾识别平均检测率(POD)为92%,误报率(FAR)为27%,临近成功指数(CSI)为69%,可以实现对海雾的动态监测,为海上交通等领域提供较好的数据支持。     

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。     

基于深度学习的天气雷达异常数据识别技术

天气雷达基数据中因观测设备故障或标定问题而产生的异常数据, 直接影响天气雷达数据质量、定量估测降水及天气系统的分析和判断。目前在中国气象局气象探测中心实时业务中, 通过人工勘误环节对异常数据进行处理。针对2020—2022年业务中勘误较多的、大面积故障异常和易与降水数据混合的局部电磁干扰或故障的两类异常数据, 分别构建和训练R-ResNet和R-LinkNet两种模型, 提取雷达硬件故障、电磁干扰等特征, 实现异常数据的识别和处理。评估结果表明:两种模型在提取异常数据特征方面均具有很强的学习能力, R-ResNet在分类判识异常数据与正常数据的准确率超过99%, R-LinkNet在分离电磁干扰杂波和降水回波的准确率超过98%。两种模型可用于实时业务中监控和勘误电磁干扰、故障等异常数据, 实现异常数据的自动勘误处理。     

基于亮度对比度和暗原色先验原理的白天道路图像能见度检测方法

低能见度是对道路通行影响最为严重的气象要素之一。随着数字摄像技术和图像识别技术的发展以及气象和交通部门间信息共享工作的开展,利用高速公路沿线摄像头视频数据快速识别能见度成为提高能见度时空监测精度的重要手段。本文提出了一种基于亮度对比度和暗原色先验原理的白天道路图像能见度检测方法。首先根据霍夫变换直线检测方法提取道路兴趣域,然后根据亮度对比度方法检测人眼可分辨最远像素点,将其作为目标点,最后基于暗原色先验原理求取目标点的透射率,并根据能见度与消光系数的关系公式求取图像能见度值。利用安徽省京台高速吴玗北段和宁绩高速宁国互通段视频图像资料和邻近交通气象站能见度监测资料,采用绝对误差和能见度等级误差对能见度检测效果进行检验。结果表明,本方法对能见度的变化较为敏感,能见度等级的检测效果较好,准确度可达95%,对开展公路交通视频图像能见度识别工作具有较好借鉴应用意义。     

基于深度学习的卫星多通道图像融合的海雾监测处理方法

海雾无论在海上还是在沿岸地带，都因其恶劣的能见度对交通运输、海洋捕捞和海洋开发工程以及军事活动等造成不良影响，因此对于海雾的实时监测和预报就显得尤为重要。本文提出了基于深度学习的静止气象卫星多通道图像融合分割算法，使用D LinkNet深度卷积神经网络语义分割算法模型对黄渤海海域范围的16通道、空间分辨率为0.5 km的Himawari 8卫星数据进行研究。分别采用均交并比（mIOU）以及观测值检验作为评价指标，在测试集上的mIOU为0.9436，并且用卫星测试数据结果与海上观测数据结果进行对比，得出雾区准确率（检测有雾且真实有雾/检测有雾）为66.5%，雾区识别率（检测有雾且真实有雾/（真实有雾-云覆盖））为51.9%，检测正确率(检测正确/总样本)93.2%。本文提出的方法能为海雾监测提供一个可靠的参考。     

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。     

不同场景下的交通能见度估算模型的应用

能见度监测是交通出行安全的重要保障,尤其对机场和高速公路的大范围低能见度的监测和预警更为重要。在传统人工目测方法的基础上,以激光透射能见度仪为代表的仪器测量方法更为准确,但存在探测范围小、维护成本高、全覆盖耗资大的局限性。为了克服以上缺陷,使交通能见度的估计更为灵活、高效,本文基于机场气象站点观测数据、机场大雾以及高速公路低能见度图像,构建优化三种不同场景下的能见度估计模型,并探讨了不同模型的适用性。1)基于气象站点观测的能见度估计,运用相关系数矩阵和特征重要性分析筛选出相对湿度、温度、水平风速3个变量,并考虑昼夜分别构建三元三次多项式拟合模型,模型的决定系数(R²)可达0.9以上;2)基于机场大雾图像的能见度估计深度学习模型,利用尺度不变特征变换方法提取图像关键点的特征向量,输入全连接神经网络(fully connected neural network)模型,加快训练过程并提高模型的可解释性;3)基于高速公路图像的能见度估计的反演模型,根据暗通道先验理论和能见度测量基本方程,计算大气光亮度和透射率,并根据图像距离信息得到单目图像的能见度,该方法无须预置目标物和...     

基于迁移学习的卫星云图云分类

针对在基于机器学习的云图识别中,由于不存在公认的云分类样本库的现实条件下,带来的训练样本数量不足和不平衡,从而难以获得可靠的分类模型的问题,利用迁移学习中的多源加权Tradaboost算法(内部采用极限学习机作为分类器)来进行卫星云图云的检测。利用多人(多源)标注的大量厚云的样本,构成多源辅助样本集;利用少量标注的薄云样板构成目标样本集。使用迁移学习和辅助样本集,对仅在薄云样本集下的训练获得的极限学习机分类器进行辅助训练,提高其薄云识别率。基于国家卫星气象中心的HJ-1A/B的卫星数据实验结果表明,迁移学习可以充分利用容易获得的大样本厚云辅助样本知识,对同类型有关联的小样本薄云分类器进行识别提高。实验表明,迁移学习算法可以进一步用于更多多源样本和其他云分类的任务。     

KNN数据挖掘算法在北京地区霾等级预报中的应用

利用北京地区2013年气象数据以及PM2.5浓度数据与能见度数据进行对比分析,结果发现气温、气压、相对湿度、露点温度、地面U风、地面V风以及PM2.5小时浓度这7个要素是影响北京地区霾等级的关键因素。利用气温、地面气压、相对湿度、露点温度、U风、V风分量以及PM2.5浓度作为7个属性特征,以霾等级做为标志量构建训练样本集,结合KNN（K Nearest Neighbor）数据挖掘算法构建霾等级预报分类器,并开展霾等级客观识别实验。结果表明K=3时该分类器的分类预报效果最佳,其13个站点的分类准确率高达88.2%。基于该算法构建的KNN模型预报无霾时的漏报概率很小,准确率高达91.8%;预报有轻度霾、中度霾以及重度霾时,空报的概率仅分别为4.7%、1.4%和2.6%。2014年8月29日至9月2日北京地区一次霾天气过程的预报结果表明：南郊观象台、密云和延庆3站的预报准确率分别达到74%、64%和84%,但霾等级的精度方面还有待于进一步提高。     

基于支持向量机的双偏振雷达对流降水类型识别方法研究

利用基于T矩阵法建立的降水粒子雷达探测模型,建立了基于支持向量机(Support Vector Machine,SVM)的雷达降水类型识别模型。通过样本数据归一化预处理,并考虑到样本集中各偏振参量间是非线性的,择优选径向基核函数作为非线性支持向量机的核函数,采用粒子群优化算法(Particle Swarm Optimization,PSO)获取最优核函数参数C和γ,使模型达到较高分类预测准确率。建立的SVM雷达降水类型识别模型,在各仰角的预测准确率于X波段可达80%以上,于S波段可达95%左右。进一步分析发现,当多波长下预测降水类型相同时,分类预测结果准确率可达97.3%,而错误的概率仅为2.7%。可见,所建立的SVM雷达降水类型识别模型,有效提高了雷达对流天气下降水类型的识别能力。     

基于百度AI卷积神经网络的茶树结霜智能识别北大核心

基于采集的近20000张茶园图像,分别筛选出1000张茶园结霜和1000张未结霜图像作为训练样本,利用百度AI开放平台的EasyDL经典版图像识别功能,应用卷积神经网络算法,建立茶园结霜识别模型,进行茶树结霜图像智能判别。茶树结霜智能识别模型的准确率、F1评分、精确率、召回率分别为99.2%、99.2%、99.3%、99.1%。模型检验结果为:样本地20张结霜图像的平均识别置信度为95.51%,20张非结霜图像的平均识别置信度为99.99%;非样本地(江南茶区)80张结霜图像的平均识别置信度为97.53%,80张非结霜图像的平均识别置信度为95.11%。     

模糊逻辑法在双线偏振雷达识别降水粒子相态中的研究

利用基于T矩阵法建立的降水粒子雷达探测模型,建立了基于支持向量机（Support Vector Machine,SVM）的雷达降水类型识别模型。通过样本数据归一化预处理,并考虑到样本集中各偏振参量间是非线性的,择优选径向基核函数作为非线性支持向量机的核函数,采用粒子群优化算法（Particle Swarm Optimization,PSO）获取最优核函数参数C和γ,使模型达到较高分类预测准确率。建立的SVM雷达降水类型识别模型,在各仰角的预测准确率于X波段可达80%以上,于S波段可达95%左右。进一步分析发现,当多波长下预测降水类型相同时,分类预测结果准确率可达97.3%,而错误的概率仅为2.7%。可见,所建立的SVM雷达降水类型识别模型,有效提高了雷达对流天气下降水类型的识别能力。

     

一个黄渤海海雾大气水平能见度算法

为了提高对黄渤海海雾天气海面大气水平能见度（以下简称“能见度”）的数值预报能力,利用黄渤海23个沿岸和岛屿测站2013—2017年雾天的地面观测数据,构建了基于湿度信息的能见度算法（A-F算法）,并将之应用于黄渤海海雾的能见度数值预报。结果表明,与常用的根据模式预报的云水含量诊断能见度的SW算法（Stoelinga and Warner,1999）相比,A-F算法表现更优,尤其可以诊断出被SW算法漏报的能见度为1～3 km的轻雾,说明A-F算法对黄渤海海雾天气能见度的数值预报具有一定应用价值。若将来加入浮标与船舶观测数据,可以进一步改进A-F算法能见度公式的具体形式;依据本文构建A-F算法的思路,可以发展适合其他海域的海雾天气能见度诊断公式。     

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。     

基于决策树算法的海州湾地区海雾预测北大核心

基于连云港西连岛站点2014—2018年逐小时气象观测资料,经过对海雾事件及气象要素特征的统计分析探寻海州湾海雾发生发展的基本规律,并基于机器学习中的经典的C4.5算法对海雾天气建立气象要素预测模型。结果表明:基于C4.5算法的决策树预测模型能够较为直观准确的对海州湾海雾进行预测,并且该决策树模型具有较高的泛化能力。利用2014—2017年的样本数据进行学习,模型的学习准确率为92.85%,利用2018年的样本数据对模型的泛化能力进行测试,测试准确率为93.51%。决策树算法在海雾预测中具有方便简洁、科学实用,准确率高等特点。     

人工智能在冰雹识别及临近预报中的初步应用

基于广东10部S波段多普勒天气雷达的三维拼图资料,利用机器学习技术开发了一种冰雹识别和临近预报的人工智能算法。算法设计时以雷达回波反射率的垂直和水平扫描数据为基础训练集,将冰雹云的雷达反射率扫描数据作为正样本,将其他雷达反射率扫描数据作为负样本,通过贝叶斯分类法对正、负样本数据集进行机器学习,训练人工智能识别冰雹云内在规律的能力。训练时以广东省2008-2013和2015-2016年的数据作为训练集,使用了2014年广东省12次冰雹过程的数据做检验。对比检验的结果表明,人工智能法比传统的概念模型法击中率高9个百分点。研究结果表明了人工智能对冰雹这类非线性强天气过程具有较强的识别能力。