气象卫星系统的云图自动分类识别研究

论文摘要

气象卫星实现了从太空对地球及其大气层的气象要素观测,全天24小时不间断地生成卫星云图,其观测范围广、信息量大,涵盖了各种云型的辐射信息及分布情况。气象人员通过人工经验判断卫星云图中的云型信息、分析其可能出现的天气现象,该手段主观性强;同时,云图产品量大,需要耗费大量的精力去分析,效率低下。因此,利用计算机高效、准确的进行卫星云图中云的自动分类识别,客观精确分析天气现象,便具有实际的研究意义,也是今后气象工作的发展趋势。本文依托于航空气象业务需求开展云的分类识别研究。数据集选取自葵花八号和风云二号卫星云图。由于云的“同物异谱、同谱异物”及色调相近等因素对分类结果有影响,提出了基于多纹理特征的云分类方法,通过融合Gabor变换和灰度共生矩阵算法实现特征提取,利用支持向量机使积状云、层状云、卷状云3种云型图像分类精度达到93.33%,积云、积雨云、层状云、卷状云、晴空5种云型图像分类精度达到69.2%。为进一步提高分类精度,本文提出了基于深度学习的云分类方法。在数据增强操作有效扩大训练集数据量的基础上,利用GoogLeNet网络将上述3种云型图像分类精度提高到95.67%,5种分类精度提高到96.8%。然而,GoogLeNet对云的分类精度仍未满足要求,并出现了严重的过拟合现象。因此,通过缩减inception模块个数、调整网络参数、精简网络层数的方法,对GoogLeNet作出了改进。最终,改进后的网络对上述3种云型图像分类精度能达到98%,5种分类精度能达到98.4%,满足业务需求,并且有效缓解了GoogLeNet云分类网络中的过拟合、计算资源消耗大等问题。为便于气象人员监测由积状云引起的灾害天气,利用YOLO深度卷积神经网络实现了卫星云图中积状云的检测,和人工判别结果基本保持一致,满足航空气象业务需求。

论文目录

摘要

abstract

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 云分类研究现状

1.2.2 深度学习的研究现状

1.3 本文组织和架构

2 气象卫星云图理论综述

2.1 气象卫星云图

2.2 云的判别依据

2.3 云的种类

2.4 本文数据集的建立

2.5 本章小结

3 基于多纹理特征的云分类

3.1 云的多纹理特征提取

3.1.1 Gabor变换

3.1.2 灰度共生矩阵

3.2 云的分类实现

3.3 本章小结

4 基于深度学习的云分类

4.1 深度学习理论基础

4.1.1 深度卷积神经网络结构

4.1.2 网络结构选取

4.2 基于GoogLeNet的云分类实现

4.2.1 数据增强

4.2.2 云分类实现

4.3 基于改进GoogLeNet的云分类实现

4.3.1 模型设计

4.3.2 特征图可视化分析

4.3.3 分类结果分析

4.4 本章小结

5 基于YOLO网络的积状云检测

5.1 YOLO网络相关理论概述

5.1.1 YOLO网络结构

5.1.2 边界框预测及置信度理论

5.2 积状云的检测

5.2.1 检测过程

5.2.2 检测结果分析

5.3 本章小结

6 总结与展望

6.1 总结

6.2 展望

致谢

参考文献

附录

文章来源

类型: 硕士论文

作者: 李冰洁

导师: 吴冬梅,陈齐亚

关键词: 气象卫星云图,云分类,纹理特征,深度卷积神经网络,目标检测

来源: 西安科技大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,信息科技

专业: 气象学,航空航天科学与工程,计算机软件及计算机应用

单位: 西安科技大学

分类号: TP391.41;P414.4

总页数: 67

文件大小: 4575K

下载量: 270

气象卫星系统的云图自动分类识别研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢