基于深度学习的公路能见度分类及应用

以VGG16为基准模型,融合批归一化处理、全局平均池化和联合损失函数,提出了一种基于卷积神经网络的高速公路雾天能见度等级分类方法。实验结果表明,改进后的神经网络模型的平均识别正确率达83.9%,相较于其他几种模型具有较高的正确率和较好的收敛性。将模型封装入业务系统后进行业务化检验,其平均识别正确率可达84.9%,且白天识别效果要优于夜间。通过系统监测到2019年4月4日京沪高速发生了一次团雾动态生消过程。该次团雾过程具有移动快、范围小、生存时间短的特征。系统的应用能够为交通管理部门应对团雾发生时的智能管控和决策调度提供技术支持。     

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。     

毫米波雷达在港口海雾观测和能见度反演中的应用

利用2014年12月和2015年3月浙江省宁波市北仑海港光明码头毫米波雷达观测数据及分布在毫米波雷达附近的4部前向散射能见度仪观测数据,开展海雾联合观测实验,建立雷达反射率与海雾能见度的关系。结果表明:(1)毫米波雷达可以获取海雾的内部结构、分布范围、云雾强度随距离和高度的变化趋势;(2)当雷达反射率上升时,能见度降低,反之升高。通过毫米波雷达反演的能见度与能见度仪观测值有较好的相关性;(3)订正后的反演算法进一步提高了毫米波雷达反演海雾能见度的准确性。     

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%。     

融合能见度预报的烟雨景观气象指数研究

利用2021年兰溪市国家站高精度气象资料和大气成分资料对烟雨景观天气进行定义和分析,建立大气能见度预报模型,结合降水强度构建了烟雨景观气象指数等级。结果表明,影响烟雨景观天气的主要因素是大气能见度和降水,其中大气能见度受气象因子和大气成分影响,相对湿度、风速、PM_2.5是影响大气能见度的主要因素,采用Bayesian Regularization算法的神经网络模型能较好地预测烟雨景观天气时的大气能见度。结合大气能见度和降水强度,将烟雨景观气象指数分为5级,分别为极易、较大可能、有可能、较小可能、不易。     

基于神经网络的广州市能见度预报

在研究了广州市能见度变化特征及低能见度发生的主要影响因素的基础上,利用广州市环境监测站2007-2009年的空气污染物（PM10、SO2、NO2）监测数据及同期地面气象要素（10min平均风速、最大风速、气温、相对湿度、露点温度、气压、24h降水量）观测资料筛选出主要的预报因子,用径向神经网络建立预报模型,并对2009年9月1日到12月25日的能见度进行预报试验.结果表明径向神经网络预报模型在能见度低于10km时预报准确率明显高于统计回归预报方程.采用分级方法统计得出在未出现低能见度情况下,中低能见度,中高能见度预报准确率分别为80％,69.6％,均高于线性回归预报方程（40％,47.8％）.     

基于视频监控的能见度测量

针对目前白天气象能见度观测的手段和方法,提出了利用视频监控进行能见度测量的思路,同时设计基于边缘存量的神经网络能见度检测算法并获得了与前向散射能见度仪相近的测量结果,能有效测量气象能见度值,有助于实现利用分布较广的多点监控视频补充前向散射能见度仪的单点测量,从而可得到格点更为精细的能见度测量结果。     

基于深度学习的气象要素预测方法

针对气象预测内容繁多且影响因素多样的问题,提出了一种基于长短时记忆(LSTM)的气象预测方法.方法能够对繁杂的气象数据进行自动预处理,提取相应的特征信息.通过神经网络的前向训练、长短时记忆反馈学习,经过多隐藏层地自主训练,对能见度、温度、露点、风速、风向以及压力气象信息实现准确预测.通过实验以及与经典机器学习预测方法的...     

基于WRF模式的青岛近海能见度算法比较研究

采用GFS背景场资料和ADAS资料同化系统,使用WRF模式对2014—2016年青岛近海17个海雾个例进行了模拟,分析了3种能见度算法的预报效果。结果表明, FSL（Forecast Systems Laboratory）算法对于沿海站、岸基站雾的预报较SW99（Steolinga and Warner 1999）算法有优势;对于海岛站而言,SW99算法则优于FSL算法。混合算法CVIS（Combined Visibility）较单一算法预报雾准确率有所提高。3种能见度算法基本上是高估能见度的,SW99算法能见度预报均方根误差最大。另外,SW99算法对沿海站、岸基站雾开始时间预报较实况多偏晚,结束时间预报较实况多偏早,持续时间预报较实况多偏短。     

深度学习在印度洋偶极子预报中的应用研究

印度洋偶极子（IOD）是热带印度洋秋季最强的年际变率,它会通过大气遥相关来影响世界许多地区的气候。目前耦合气候模式对IOD预报技巧仍非常有限,远低于热带太平洋的厄尔尼诺事件的预报技巧。鉴于深度学习具备高效的数据处理能力,本文使用深度学习中的卷积神经网络（CNN）与人工神经网络中的多层感知机（MLP）处理再分析观测资料,从而进行IOD预报。由于当预报初始时刻为北半球冬春季时,对IOD事件的预报技巧较低。因此,为探索CNN的预报能力,本文仅使用三种（1～3月、2～4月、3～5月）初始时刻的海表温度异常（SSTA）作为CNN的输入数据,来预报其后续七个月的印度洋偶极子指数（DMI）、东极子指数（EIOI）和西极子指数（WIOI）。结果表明:CNN对DMI、EIOI和WIOI的有效预测时效均超过了6个月。与现在耦合动力模式相比,CNN模型能够显著提升DMI和EIOI的预报技巧,但对WIOI的预报技巧提升有限。当预报提前时间为7个月时,CNN模型能够比较准确地预报1994、1997与2019年的IOD事件。由于CNN模型能够更好地抓住印度洋海温的空间结构特征,它对IOD事件的预报技巧比传统神经网络MLP高。     

基于数字摄像技术测量气象能见度--双亮度差方法和试验研究

数字摄像技术在地基、空基定量化大气遥感上的应用是一个方兴未艾的研究领域.作者阐述了基于数字摄像技术,利用地平线附近两个不同距离的目标物和其对应水平天空背景亮度差的比值计算白天气象能见度的方法(简称双亮度差方法)及其标准观测条件,该方法能够消除CCD(电荷耦合器件)数字摄像系统暗电流和背景杂散光的影响,可以增大数字摄像能见度观测系统(DPVS)的测量范围,提高测量精度.2002年在合肥骆岗机场进行了DPVS同V(a)is(a)l(a)前向散射仪、透射仪以及目测的对比试验,大量实测数据表明:DPVS和V(a)is(a)l(a)仪器以及目测的一致性相当好,采用双亮度差方法,即使能见度达到基线长度的200倍,DPVS也能给出可信的测量结果.     

基于循环神经网络的单站能见度短临预报试验

由于能见度具有局地性和复杂的非线性变化特征,一直是精细化预报的难点。人工神经网络对复杂变化过程的模拟能力较高,为解决这一难题提供了可能性。本文采用循环神经网络,利用福州气象观测站地面观测数据,建立了福州单站能见度短临预报模型,并就预报能力进行了评估。随机检验结果表明,在1 h、3 h、6 h时效上,循环神经网络的预报与观测的变化趋势一致性较好;均方根误差比基于实况的预报分别减小15.75%、31.66%、41.26%,说明具备较好的预报能力;平均绝对值误差比传统BP神经网络分别减小12.90%、24.45%、 38.99%,表明循环神经网络对能见度预报具有优势,为能见度的精细化短临预报提供了新途径。     

基于深度学习的天气雷达回波序列外推及效果分析

天气雷达探测资料是进行强对流天气临近预报的主要参考数据。针对传统雷达回波外推方法中存在资料信息利用率不足和外推时效有限的问题,文中利用神经网络进行雷达回波的外推、利用预测神经网络模型进行2 h以内的回波变化预报。回波外推问题的关键是回波时、空序列预测问题,该网络具有解决时间记忆问题的长、短时记忆单元（Long Short-Term Memory,LSTM）和提取空间特征的卷积模块。应用福建、江苏和河南多年的雷达探测资料构造训练和测试数据集。为消除降水的不平衡和提高对强回波的预报准确率,网络采用带权重的损失函数进行训练。对光流法和预测神经网络进行测试集检验以及个例分析,结果表明,在相同外推时效和检验反射率阈值的情况下,预测神经网络的临界成功指数、命中率均高于光流法,虚警率低于光流法。不同类型降水预测神经网络的SSIM值（structural similarity）均高于光流法,且层状云降水的SSIM值比对流云降水的大。因此,预测神经网络对强回波的预报能力高于光流法;在预报时效性上,预测神经网络模型具有一定的优越性;预测神经网络对层状云降水预报的准确率比对流云降水的高。      

基于GRU神经网络的雷州半岛近海岸能见度短临预报研究

近海岸大气能见度变化具有复杂的非线性和局地性特征,且近海岸气象观测站少,一直是精细化预报业务的难点。利用GRU(Gated Recurrent Unit)神经网络,采用广东省湛江市国家基本气象站及其周边上下游观测资料,构建了雷州半岛近海岸能见度1 h时效短临预报的多站GRU模型、单站GRU模型和逐步回归预报模型,并进行了检验评估。结果表明,相比传统的逐步回归方法,GRU神经网络能更好地识别上下游能见度的时空变化特征,多站GRU模型平均绝对误差(MAE)、均方根误差(RMSE)、决定系数(R2)评分均明显好于多元逐步回归模型。模型结构对能见度短临预报效果至关重要,将上下游的气象特征引入到能见度短临预报模型可显著提升预报效果。多站GRU模型在个例检验中较单站GRU模型的MAE、RMSE分别下降了36%和29%,R2提高了30%,表明多站GRU神经网络对能见度预报具有明显优势,为近海岸能见度的精细化短临预报提供了新思路。     

基于气象业务零中断的存储数据迁移探讨研究

在广东省气象局2015年建设高性能存储设备逐渐老化,厂商即将停止设备技术支持服务背景下,针对存储所承载的气象业务系统面临着数据丢失或业务中断的风险问题,结合气象业务具有时效性、连续性等特点,通过运用异构迁移技术,对新存储建设要求、数据迁移原则、存储规划、风险评估、回退方案、数据迁移进行探讨研究,实现50多个核心关键业务系统的430TB数据在82小时完成平稳迁移,数据迁移速度最高达2.1GB/秒,平均速度1.5GB/秒,相比在应用层上做数据迁移的传统方法,异构虚拟化迁移技术具有迁移速度快、时间短、工作量少、业务无中断和可集中迁移的特点。     

基于深度学习的FY3D/MERSI和EOS/MODIS云检测模型研究

针对FY3D/MERSI和EOS/MODIS的云检测问题,提出了一种基于深度学习技术的全自动云检测算法,首次将深度学习引入到卫星影像云检测领域。本算法使用深度全卷积神经网络(Deep Convolutional Neural Networks)作为核心结构,基于EOS/MODIS基本云检测原理选择合适的通道作为特性向量参数,针对不同的场景进行分类和网络模型的训练,最终得到基于深度学习的云检测模型。经过EOS/MODIS数据和FY3D/MERSI数据的测试,云检测的精度达到98%以上,可以看出基于深度学习的云检测算法能够用于云检测,该算法具有效率高、精度高等特点,云检测效果理想。     

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。     

成都市民航气象行业标准下的低能见度时空分布特征研究

本文采用1980~2010年成都市14个站31年能见度资料,对于民航气象行业标准下的低能见度时空分布进行了统计分析。结果表明:对飞行有影响的低能见度(<600m)浓雾天气早上最易出现在成都市南部、西南部及东部,且该区域部分站点浓雾较难消散,其中新津县和蒲江县夜间开始就易出浓雾天气。西北部早上不易出现浓雾天气,但位于该区域的郫县早上和都江堰下午至夜间相对易出能见度在600~1000m的雾。1980~2010年期间,成都市多数站点年浓雾天数呈下降趋势,只有新津站随时间逐年上升。出现其它级别低能见度的天数年变化多为波动形式。      

同构迁移学习理论和算法研究进展

迁移学习的目的是解决目标领域中训练样本不足的学习问题,可以把一些在其他相关的源领域中获得的知识,迁移到目标领域中.它放宽了传统机器学习中的两个基本假设：用于学习的训练样本与新的测试样本满足独立同分布的条件;必须有足够可利用的训练样本才能学习得到一个较好的分类模型.按照源领域和目标领域的特征空间是否相同可划分为同构迁移学习和异构迁移学习.本文主要针对同构迁移学习的相关研究进展进行了综述,从理论、算法、应用方面介绍了在该领域所做的研究工作,并指出了同构迁移学习未来可能的研究方向.     

气象领域深度学习知识体系框架及前沿应用

介绍了数据挖掘、机器学习和深度学习的概念和相互关系,按照整体性学习理论建立了气象领域深度学习知识体系框架,简要介绍了当前主流的深度学习框架工具Caffe和TensorFlow,以及深度学习在气象领域的几个前沿应用,最后提出了推进深度学习技术在气象领域研究应用应当重视的三个关键环节。