[发明专利]一种基于卷积神经网络的云分类方法

说明书

本发明的基于卷积神经网络的云分类方法，基于Alexnet框架，包括如下步骤：步骤1）去掉Alexnet框架的conv_3层形成改进的Alexnet框架CloudNet模型；使用CloudNet对SWIMCAT数据集与自建的CCSN云图数据集进行训练；步骤3）将尾迹云作为新的类别加入到已有的SWIMCAT数据集和CCSN数据集；步骤4）通过对SWIMCAT数据集和CCSN数据集两个数据集中按照训练集与测试集设定的比例进行划分，在caffe中通过多次训练调整参数，并通过训练好的CloudNet模型进行云分类。本方法可以对云的类别进行准确分类，同时在数据集中将地基观测到的尾迹云图做为一个新的类别，扩充了数据量，增加了云分类难度，使训练好的模型具有很强的泛化能力。

技术领域

本发明属于气象领域，特别涉及了一种基于卷积神经网络的云分类方法。

背景技术

云是在不同天气系统演变过程之中形成的，可以预示未来天气变化。云同时是大气辐射系统中重要的组成部分，云覆盖率的改变会影响整个大气辐射的收支平衡，进而对气候系统产生影响(P.Duda,Minnis,Khlopenkov,L.Chee,Boeke,2013)。现在对云的研究主要包括卫星和地面观测所获得的数据，但是大尺度的卫星图像很难获得云的详细的信息，因此现在的对云的研究主要集中在地面观测仪器所获的图像(LiuZhang,2016)，随着观测仪器的不断发展，如whole-sky imager(WSI)(Shields等，2003),total-skyimager(TSI)(Pfister 等，2003)，all-skyimager(ASI)(Lu等，2004)。这些仪器可以提供连续并且高分辨率的云图，基于这些仪器许多学者在云分类做了许多研究。利用图像纹理测度算法(Buch等， 1995)，局部二值模式(LBP)(Ojala,2000)，借助自相关和共生矩阵从云图中提取特征(SinghGlennen,2005)，利用自动分类算法提取光谱特征和一些简单的纹理特征去分类7种不同类别的云(Heinle,Macke,Srivastav,2010)，通过统计颜色的变形去获得纹理和颜色信息(Zhuo,Cao,Xiao,2014)，整合颜色和纹理两种信息在云分类中取得很好的效果(Dev,Lee,Winkler,2015)。尽管这些工作对云分类起到了推动作用，但是云分类问题还没有得到很好地解决。这些方法中都有一些相同的问题。例如，数据集中样本有限，类别不能包括气象中最基本的十类云，最重要是分类精度较低。近年来，卷积神经网络在其他领域(如人脸识别，图像分类)取得显著的成果，该方法基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。利用该方法不仅有助于提高云分类的准确度，同时也避免了传统的依靠许多经验性的分类误差。根据我们的文献调研，迄今为止，利用深度学习对云进行分类的研究甚少，准确的云分类将对大气数值模式，气候模式中提高模式预报准确度以及具体的业务工作中将产生重要的影响。

发明内容