| 基于纹理特征和机器学习的卫星云图分类实验 |
| |
| 引用本文： | 顾天红,杜小玲,李力,朱育雷,张艳梅,吴昌航,李典南. 基于纹理特征和机器学习的卫星云图分类实验[J]. 中低纬山地气象, 2023, 47(5): 32-37 |
| |
| 作者姓名： | 顾天红 杜小玲 李力 朱育雷 张艳梅 吴昌航 李典南 |
| |
| 作者单位： | 贵州省气象台,贵州省气象台,贵州省气象台,贵州省气象台,贵州省气象台,贵州省气象台,贵州省气象台 |
| |
| 基金项目： | 贵州省气象局研究型业务关键技术公关团队（GGTD-202212）、贵州省山地气候与资源重点实验室基金项目（QHLSSLJ[2022]-12） |
| |
| 摘 要： | 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。
|
| 关 键 词： | 灰度共生矩阵 纹理特征 卫星云图 支持向量机 随机森林 |
| 收稿时间： | 2022-10-29 |
| 修稿时间： | 2023-08-25 |
Classificaiton of Satellite Cloud Image Based on Texture Features and Machine Learning |
| |
| GU Tianhong,DU Xiaoling,LI Li,ZHU Yulei,ZHANG Yanmei,WU Changhang and LI Diannan. Classificaiton of Satellite Cloud Image Based on Texture Features and Machine Learning[J]. Mid-low Latitude Mountain Meteorology, 2023, 47(5): 32-37 |
| |
| Authors: | GU Tianhong DU Xiaoling LI Li ZHU Yulei ZHANG Yanmei WU Changhang LI Diannan |
| |
| Affiliation: | Guizhou Meteorological Observatory,Guizhou Meteorological Observatory,Guizhou Meteorological Observatory,Guizhou Meteorological Observatory,Guizhou Meteorological Observatory,Guizhou Meteorological Observatory,Guizhou Meteorological Observatory |
| |
| Abstract: | |
| |
| Keywords: | GLCM texture feature satellite cloud image SVM RF XGBoost |
|
| 点击此处可从《中低纬山地气象》浏览原始摘要信息 |
|
点击此处可从《中低纬山地气象》下载免费的PDF全文 |
|
