典型地基云图云状的智能识别理论与技术

Cloud plays an important role in atmospheric radiative transfer and climate change. The recently increasing development of the whole sky imagers improves the spatial and temporal resolution of the observations of the cloud. And cloud classification is a fundamental and difficult issue for achieving ground-based cloud automatic observation. In this study, we obtained the typical nephogram from a colour digital camera and a whole-sky infrared cloud-measuring system. For cloud recognition, we proposed BEMD, Contourlet, Brushlet Multiscale Geometric Analysis theory and researched the nephogram feature selection algorithm by imitating meteorological observers thinking. An automatic selection method of sensitive characteristic and spectral feature of nephogram is developed on feature fusion. Decision level fusion is designed using Bays or Neyman-Pearson theory after considering routine surface meteorological variables. A combination classifier is designed by the introduction of intelligent pattern recognition technology, such as kernel-based classifier. It is important for achieving automated identification the cloud type of typical ground-based cloud to improve the recognition rate and identified cloud types of the typical nephogram. These results have significant application value for ground-based cloud automatic identification and lay a theoretical foundation and offer technological support for the meteorological elements automation observing system of independent intellectual property.

云在大气辐射传输和气候变化中起着重要作用。地基测云仪的发展极大地提高了云观测的时空分辨率，地基云图云状的识别是实现地面测云仪器观测自动化的重难点问题。本项目针对可见光成像设备获得的可见光云图和红外测云仪获得的红外云图等资料中的典型云图，拟采用BEMD、Contourlet、Brushlet等多尺度几何分析理论，通过模仿气象观测员的思维，研究云图特征选择算法，提取地基云图的纹理和光谱等多种特征，自动选择敏感的云图特征进行特征级融合；同时利用地面常规观测资料，采用基于Bays或Neyman-Pearson理论的决定论，进行决策级融合；引入智能模式识别技术，如核分类方法，设计组合分类器，提高对地基云图典型云状的识别率和识别种类，实现典型地基云图云状的自动识别。本研究对地基云图云状的自动识别具有重要应用价值，可为研发具有我国自主知识产权的气象要素自动化观测系统奠定理论基础和提供技术支撑。

云在大气辐射传输和气候变化中起着重要作用。地基测云仪的发展极大地提高了云观测的时空分辨率，但难以对云状实现定量化自动识别。地基云图云状识别研究对于云状自动观测具有非常重要的意义。本项目在分析可见光云图的形成过程、几何形态和纹理特征的基础上，对典型云图资料进行了整理和分类。为了解决因光照、雨水、雾霾、灰尘等干扰造成的云图质量下降问题，研究了云图预处理方法，以尽可能多地提取地基云图的有效信息。如针对可见光地基云图云状识别中的光照补偿问题，提出了一种基于BEMD与Closed-Form景物提取算法结合的地基云图光照补偿算法。针对可见光地基云图的云块与晴空等背景的分割问题，采用了基于感知颜色空间的透明度自然抠图算法。针对可见光地基云图的自然纹理复杂、特征难以提取的问题，提出了一种基于自适应分数阶微分的云图增强算法。为了从经过预处理后的地基云图中有效、稳定地提取云图特有的纹理特征，研究了适用于地基云图识别的特征提取方法。如根据云的基本形态特征，利用灰度共生矩阵的算法可有效提取云图的二阶矩、对比度、相关性和熵四个纹理特征。为增加云的识别种类，提出了一种融合纹理图像的二维经验模式分解和Tamura纹理特征分析法来提取云的特征值。根据云的纹理频率特征，提出了一种基于二维经验模式分解的Hilbert谱的云图特征提取方法。为了更有效地捕获云图的边缘轮廓、纹理几何结构，提出了一种基于超小波和功率谱的地基云图特征提取方法，能灵活地对云图进行多尺度多方向的分解，提取丰富的云图纹理信息。提取地基云图的纹理特征后，分别采用平均样本法、近邻法、BP神经网络法、支持向量机等分类算法对云图进行分类，计算了云图样本的识别率，从而检验云图识别算法的有效性。本研究对地基云图云状的自动识别具有重要理论意义和应用价值，为研发具有我国自主知识产权的气象要素自动化观测系统奠定了理论基础，提供了技术支撑。