基于机器学习的地基可见光云图分类方法研究

利用光学摄像系统获取的地基可见光云图，分别建立积状云、层状云和波状云三类典型云状的标准云图数据库，综合分析地基云图的色彩、纹理和形状特征，提取适合表征各典型云状的多维特征向量。以数据库中的标准云图作为训练样本，基于机器学习方法，利用支持向量机技术对三类典型云状进行训练学习，确定适合云图分类的核函数和相关参数，建立一种基于机器学习的地基云图分类方法，实现典型云状的准确判别。在此基础上结合激光云高仪同步获取的云底高度信息，得到具体的云图分类结果。通过与人工目测结果进行比对，改进并完善地基云图的特征提取和云状识别算法，为地基云的全面自动观测奠定坚实的理论基础。这一研究成果能够有效提高气象台站云状观测资料的时效和标准化水平，有利于改进地基云观测资料在天气预报和气候变化研究中的应用，具有重要的科学意义和应用前景。

本项目改进了自主研发的地基全天空云观测系统软硬件，设计了一种基于中央重点平均测光的全天空鱼眼图像自动曝光方案，在北京、从化和日喀则等多个不同气候区域开展了长期的地基全天空云外场观测试验，获取到了大量的有效地基云图资料。提出了一种器测云图分类方案，开发了云状人工识别分类软件系统，建立了具有积状云、层状云、卷云和晴空四类的标准云图数据库。. 发展了一种全天空云检测算法，根据图像特征首先将全天空云图分成多云、全天云和晴空中的一种，再对不同的天空类型云图，分别采用不同的云检测阈值策略。提出了一种基于背景去除的卷云检测算法，利用数学形态学方法模拟出不均一的天空亮度背景，用原始图像减去模拟出的背景亮度可得到背景去除后的卷云图像，再对该图像采用阈值算法可得到更精确的卷云检测结果。. 深入研究了地基云图的色彩、纹理和形状特征分析和提取算法，研究的色彩特征包括颜色直方图、累计直方图和颜色矩，纹理特征包括灰度共生矩阵和Tamura纹理，形状特征主要为形状无关矩。比较研究了KNN、神经网络、极限学习机、支持向量机等分类器算法在地基云图分类方面的分类精度，确定出KNN结合极限学习机是最适合地基云图分类的分类器方案。项目组从欧氏距离计算公式入手，开展了特征优化工作，通过对特征量赋予不同的权值，比较识别结果，来确定最佳特征量组合。开展了激光云高仪数据分析工作，建立了云底高度结合分类器分类结果的云图进一步细分类方案。. 另外，项目组分析了全天空图像中太阳区域的高亮度像元数量与太阳直接辐射强度之间的对应关系，通过拟合分析在全天空图像与太阳直接辐射强度之间建立起了关联，为太阳直接辐射强度的测量和日照时数的计算提供了一种新颖的方法。全天空图像也能获取到闪电的通道信息，项目组开展了闪电通道的识别研究，为全天空图像的深入应用奠定了坚定的基础。