复杂天空云状的特征描述及自动识别研究

Cloud type which is one of the important indices for changes in the weather, is mainly observed by human being at present. With the development of ground-based cloud measurement technology, automatic cloud classification is becoming the research hotspot. Some studies focused on the cloud classification on simplex sky conditions, and it's found that clouds are so complicated and changeful that it is hard to find a nice way to extract the effective features. In fact, there is generally more than one type of cloud in the sky at the same time, and we define these as complex sky conditions. Based on the previous work and experiences, we try to do some research on cloud classification on complex sky conditions. Specifically includes:(1)Studies on the traditional pattern recognition methods of cloud classification technology. This content focuses on how to extract effective characteristic factors of cloud shapes, texture, color, contour, range, process of change and some other features on the complex sky conditions. In addition, we will study how to use these features to do cloud classification on complex sky conditions. (2)Studies on cloud classification based on compressed sensing theory. This content focuses on how to construct training samples as an over complete learned dictionary and solve the most sparse coefficient solution. On the basis of the above, we try to use the sparse matrix coefficients to do cloud classification on complex sky conditions.

云状是反映天气变化征兆的重要气象要素，主要依靠人工目测进行观测。随着云的地基观测仪器的不断发展，云状自动识别问题成为研究热点。由于云的复杂多变，一直以来难以找到合适的方法进行特征描述，目前国内外主要利用纹理特征进行单一天空条件下的云状分类。但实际天空常常是多种云状并存的复杂天空，在前期有关研究的基础上，我们尝试开展复杂天空云状识别研究。具体内容包括：（1）研究基于传统模式识别方法的云状识别技术。重点是解决复杂天空条件下有关云的形状、纹理、颜色、轮廓、范围、演变过程等特征描述问题，研究根据这些特征进行复杂天空下的云状识别的方法。（2）研究基于压缩感知的云状识别技术。重点是构造训练样本的超完备基并求解最稀疏的系数解，在此基础上研究利用稀疏矩阵系数实现对复杂天空下的云状识别。

云状是基本的气象观测要素，在现场保障、天气预报和气候研究中有重要作用，但其自动识别一直未能得到有效解决，是目前的研究热点和难点。主要从两方面开展了研究，一是研究了基于人工目测经验的云状特征提取方法；二是研究了基于压缩感知的复杂天空云状识别技术。在上述工作的基础上形成了实用的云状自动识别算法。主要研究成果包括：（1）建立人工目测云状经验的多尺度结构特征描述方法，并建立了基于支持向量机的云状识别方法。通过多尺度分析的方法，在原有云图的基础上增加尺度信息，模拟人眼观测，对不同尺度的云图进行结构特征提取。该方法对典型云状的识别正确率超过90%；（2）建立了波状云排列信息的提取方法。通过对云图进行金字塔变换，提取了高层图像的云条骨架，然后利用一组新的寻找骨架三叉点的图形模板进行去毛刺处理，从而提取出波状云的云条方向；（3）研究了利用压缩感知理论进行云状自动识别的可行性。在建立了云图字典的基础上，试验了梯度投影算法（GPSR）和正交匹配算法（OMP）进行稀疏矩阵的求解的方案，研究了采用残差法和稀疏比例法进行云状判别的方法。结果表明，可以利用压缩感知理论进行云状识别，但准确性提高不明显；（4）研究并分析了多种纹理特征的云状识别方法。包括基于二维经验模态分解的Hilbert谱的地基云图特征提取算法、利用小波能量特征与纹理特征相结合的云状特征提取方法、基于尺度不变换特征（SIFT）的云状识别方法等。研究表明，云状的纹理特征是结构特征的有益补充；（5）分析了云检测及云底高测量结果的准确性并研究了其在云状识别中的应用。包括实现了基于实时辐射传输模式计算的晴空阈值确定方法、分析了激光云高仪和红外测云仪获得的云底高度的差异，实现了将云底高度加入云状识别流程的方法；（6）建立了典型云状样本库，明确了人工目测云状与课题组提出的五种基本云型的对应关系，开展了比对试验。该研究对于解决云状自动观测难题，实现云宏观参数业务化自动观测具有推动作用。