基于卷積神經(jīng)網(wǎng)絡(luò)的全天空地基云圖分類研究*

崔 順，許允飛，蘇麗穎，崔辰州，樊東衛(wèi)，韓 軍，王川中，張 磊，張 潔

(1. 北京工業(yè)大學(xué)機(jī)械工程與應(yīng)用電子技術(shù)學(xué)院，北京 100124；2. 中國科學(xué)院國家天文臺(tái)，北京 100101；3. 中國科學(xué)院大學(xué)，北京 100049；4. 中國極地研究中心，上海 200136)

1 研究背景與意義

對(duì)于天文選址，云量是首先需要考慮的因素之一。觀測(cè)目標(biāo)發(fā)射的光線到達(dá)地基望遠(yuǎn)鏡的終端時(shí)，受到大氣中云的散射和吸收，大氣中云量的多少，決定了觀測(cè)數(shù)據(jù)質(zhì)量的好壞，從而決定了天文可用時(shí)間和天文觀測(cè)可視域。然而，現(xiàn)在對(duì)云的觀測(cè)還是以人工觀測(cè)為主，觀測(cè)結(jié)果受人為主觀因素影響較大[1]。因此，實(shí)現(xiàn)云量的自動(dòng)檢測(cè)尤為重要。

全天相機(jī)主要由電荷耦合元件(Charge Coupled Device, CCD)和魚眼鏡頭組成，通過全天相機(jī)拍攝的全天空地基云圖，具有很高的空間和時(shí)間分辨率，其分析結(jié)果能夠準(zhǔn)確反映當(dāng)?shù)氐脑屏扛采w與變化特征，適合用于全天云量信息監(jiān)測(cè)[2]。

全天相機(jī)在拍攝地基云圖時(shí)，會(huì)受到時(shí)間、天氣、光照的影響，導(dǎo)致獲取圖像的內(nèi)容、質(zhì)量有所差異。在進(jìn)行云量自動(dòng)檢測(cè)工作時(shí)，針對(duì)不同時(shí)段(如白天與黑夜)的圖像，云量檢測(cè)方法也不同。因此，在進(jìn)行云量檢測(cè)之前，去除不可靠圖像，區(qū)分圖像場(chǎng)景是晴天數(shù)與晴夜數(shù)自動(dòng)化統(tǒng)計(jì)的重要步驟，也是接下來云量分析工作的基礎(chǔ)。實(shí)現(xiàn)自動(dòng)化的分類方法將減少選址人員在數(shù)據(jù)處理上的工作量。

本文根據(jù)圖像質(zhì)量、應(yīng)用場(chǎng)景等因素對(duì)全天空地基云圖做了詳細(xì)的類別劃分并基于雪龍?zhí)柸炜盏鼗茍D數(shù)據(jù)集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)[3]分類模型，提出了全天空地基云圖的自動(dòng)化分類處理方法。

使用中國科學(xué)院云南天文臺(tái)麗江觀測(cè)站全天空地基云圖數(shù)據(jù)集對(duì)模型進(jìn)行分類測(cè)試，取得了不錯(cuò)的分類效果，證明了模型擁有較強(qiáng)的泛化性能，適用于天文選址時(shí)全天空地基云圖的分類。

2 數(shù)據(jù)集以及分類標(biāo)準(zhǔn)介紹

全天相機(jī)拍攝的全天空地基云圖種類復(fù)雜多樣，質(zhì)量也不盡相同，使用大量不同且具有代表性的訓(xùn)練數(shù)據(jù)能夠提高分類模型的泛化能力，使模型在新數(shù)據(jù)集上擁有較好的適應(yīng)性，從而實(shí)現(xiàn)任意地區(qū)全天空地基云圖的自動(dòng)化分類，為云檢測(cè)自動(dòng)化系統(tǒng)的實(shí)現(xiàn)和快速部署提供支撐。

2.1 雪龍?zhí)柸煜鄼C(jī)數(shù)據(jù)介紹

雪龍?zhí)柺俏覈鴺O地綜合科學(xué)考察專用船。2017年7月20日雪龍?zhí)枏纳虾３霭l(fā)，7月31日進(jìn)入北極圈，10月9日返回上海長江口水域，共航行20 590海里，成功完成了第8次北極科學(xué)考察任務(wù)。搭載在雪龍?zhí)柹系娜煜鄼C(jī)每5分鐘采集一次數(shù)據(jù)，航行期間共獲得數(shù)據(jù)89.8 GB，共13 484張，圖像單張分辨率為1 000 × 625。航行沿途經(jīng)過區(qū)域廣，環(huán)境因素復(fù)雜，獲取的全天影像數(shù)據(jù)類型豐富、覆蓋性強(qiáng)，很適合作為模型的訓(xùn)練數(shù)據(jù)。

2.2 分類標(biāo)準(zhǔn)

根據(jù)應(yīng)用場(chǎng)景做如下分析，將云圖劃分為夜晚(dark)、雨露雪(rain_snow)、過曝光(overlight)、晴空(bluesky)、少云(cloudimage)、多云(overcast)6類。

晝夜給圖像帶來不同的特性，研究的內(nèi)容和方法也往往不同。云點(diǎn)識(shí)別時(shí)，對(duì)于白天拍攝的全天空地基云圖，通過圖像可見光波段的性質(zhì)確定有云點(diǎn)[4]；夜間則將測(cè)得的星場(chǎng)圖像與計(jì)算的星像圖作比較，確定那些已知的明亮恒星被云遮蓋，從而識(shí)別云[5]。因此，晝夜圖像分類便于之后的科學(xué)研究，將夜晚拍攝圖像劃分為一類，如圖1。

圖1 夜晚類典型圖像
Fig.1 Typical image of dark

對(duì)白天圖像做如下更為細(xì)致的劃分。拍攝過程中，鏡頭會(huì)受到惡劣天氣的影響，雨露雪對(duì)鏡頭的覆蓋，嚴(yán)重影響成像質(zhì)量，使得這部分圖像很難應(yīng)用于之后的云量檢測(cè)工作。將受雨露雪影響的圖像劃分為單獨(dú)一類，并且結(jié)合拍攝時(shí)的氣象信息，可用于輔助驗(yàn)證當(dāng)時(shí)的天氣狀況。雨露雪類圖像如圖2。

圖2 雨露雪類典型圖像
Fig.2 Typical image of rain_snow

正午光線充足，在強(qiáng)光照射下拍攝圖片容易發(fā)生過曝光現(xiàn)象，將這類數(shù)據(jù)劃分為單獨(dú)一類，可區(qū)分更有研究價(jià)值的全天空云圖數(shù)據(jù)。當(dāng)曝光面積大于全天圖像面積三分之一時(shí)，認(rèn)為該圖片屬于過曝光類。過曝光類典型圖像如圖3。

在去除質(zhì)量較差的圖像后，根據(jù)云量的多少將剩余圖像劃分為3類，晴空類、多云類和少云類。晴空不含云，整個(gè)天空幾乎完全被云覆蓋定義為多云，其他則認(rèn)為是少云，少云類也是白天云量分析工作的主要部分。為了能更好地解釋劃分標(biāo)準(zhǔn)，各類別典型代表圖像如下：晴空類如圖4，多云類如圖5，少云類如圖6。

圖3 過曝光類典型圖像
Fig.3 Typical image of overlight

圖4 晴空類典型圖像
Fig.4 Typical image of bluesky

圖5 多云類典型圖像
Fig.5 Typical image of overcast

圖6 少云類典型圖像
Fig.6 Typical image of cloudimage

在獲取的圖像中選取6 160張，進(jìn)行人工分類及標(biāo)注。標(biāo)注具體數(shù)量如下：過曝光1 124張、多云1 128張、雨露雪1 117張、少云1 115張、夜晚1 119張、晴空557張。

2.3 麗江天文觀測(cè)站全天相機(jī)數(shù)據(jù)介紹

中國科學(xué)院云南天文臺(tái)麗江觀測(cè)站是我國南方重要的天文觀測(cè)基地。目前擁有多臺(tái)望遠(yuǎn)鏡：2.4 m望遠(yuǎn)鏡、1.8 m望遠(yuǎn)鏡、BOOTES-4和臺(tái)灣自動(dòng)化望遠(yuǎn)鏡(Taiwan Automated Telescope, TAT)等，麗江觀測(cè)站全天相機(jī)為這些望遠(yuǎn)鏡的夜晚觀測(cè)提供實(shí)時(shí)的云量信息，在天文觀測(cè)中起著必不可少的輔助作用。

數(shù)據(jù)集選取2016年11月26日到2016年12月26日期間麗江觀測(cè)站全天相機(jī)拍攝的全天空云圖數(shù)據(jù)，共5 807張，單張圖像分辨率為720 × 480。按照2.2節(jié)中描述的分類標(biāo)準(zhǔn)對(duì)數(shù)據(jù)進(jìn)行人工分類，用于測(cè)試模型在其他全天空地基云圖數(shù)據(jù)集上的泛化能力。

3 卷積神經(jīng)網(wǎng)絡(luò)與模型介紹

卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域擁有巨大的優(yōu)勢(shì)，它可以直接使用圖像的像素點(diǎn)作為輸入，通過訓(xùn)練提取最有效的特征，并且對(duì)縮放、平移、旋轉(zhuǎn)等畸變具有不變性，有很好的泛化效果。卷積的權(quán)值共享結(jié)構(gòu)，可以大幅減少神經(jīng)網(wǎng)絡(luò)的參數(shù)量，在防止過擬合的同時(shí)降低了神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度。

3.1 LeNet5與AlexNet

LeNet5[6]是Yann LeCun在1998年設(shè)計(jì)的用于手寫數(shù)字識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)，是最早的卷積神經(jīng)網(wǎng)絡(luò)之一。LeNet5擁有如下特點(diǎn)：每個(gè)卷積層包含3部分，卷積、池化和非線性激活函數(shù)；使用卷積提取空間特征；降采樣的平均池化層；雙曲正切或S型的激活函數(shù)；多層感知機(jī)作為最后的分類器；層與層之間的稀疏連接減少計(jì)算的復(fù)雜度。到現(xiàn)在，許多特性仍在當(dāng)前主流的卷積神經(jīng)網(wǎng)絡(luò)中使用。

AlexNet[7]是由Hinton和他的學(xué)生Alex Krizhevsky設(shè)計(jì)，它將LeNet5的思想發(fā)揚(yáng)光大，并把卷積神經(jīng)網(wǎng)絡(luò)的基本原理應(yīng)用到很深、很寬的網(wǎng)絡(luò)中。在2012年的ImageNet圖像分類競(jìng)賽中，AlexNet以顯著優(yōu)勢(shì)獲得冠軍。AlexNet成功地將線性整流函數(shù)(Rectified Linear Unit, ReLU)作為卷積神經(jīng)網(wǎng)絡(luò)的激活函數(shù)，并驗(yàn)證其效果在較深的網(wǎng)絡(luò)超過了S型函數(shù)(Sigmoid function)。訓(xùn)練時(shí)隨機(jī)失活(Dropout)的使用減輕了模型過擬合現(xiàn)象，使用重疊的最大池化，避免平均池化的模糊化效果，并提出步長小于池化核的尺寸，提升特征的豐富性。隨機(jī)從256 × 256的原始圖像中截取224 × 224大小的區(qū)域，極大限度地?cái)U(kuò)大了數(shù)據(jù)量，減輕模型過擬合現(xiàn)象，提升模型的泛化能力。

3.2 模型介紹及訓(xùn)練

本文在LeNet5和AlexNet的啟發(fā)下搭建卷積神經(jīng)網(wǎng)絡(luò)模型，模型結(jié)構(gòu)如圖7。卷積層層數(shù)設(shè)定為2，卷積核大小均為5 × 5。每個(gè)卷積層后連接一個(gè)核大小為3 × 3、步長為2的最大池化層，最后連接兩個(gè)全連接層， 并通過一個(gè)Softmax[8]層確定最終分類結(jié)果。在全連接層使用隨機(jī)失活方法忽略了一部分神經(jīng)元，卷積層后使用線性整流函數(shù)。

圖7 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
Fig.7 The structure of a convolutional neural network

4 模型訓(xùn)練

本節(jié)主要包括數(shù)據(jù)預(yù)處理、模型訓(xùn)練過程以及對(duì)模型效果的評(píng)價(jià)。

4.1 數(shù)據(jù)預(yù)處理

對(duì)數(shù)據(jù)進(jìn)行合適的預(yù)處理，使其符合模型輸入的要求，并最大限度地包含有效信息。

4.1.1 劃分訓(xùn)練集與測(cè)試集

在已經(jīng)做好人工標(biāo)注的6 160張圖像中，選取晴空的圖像500張，其余每類圖像1 000張作為訓(xùn)練集，余下的圖像作為驗(yàn)證集。訓(xùn)練集和驗(yàn)證集沒有交叉圖像。驗(yàn)證集數(shù)據(jù)不用于對(duì)模型的訓(xùn)練，僅用于判斷模型對(duì)未知圖像的分類準(zhǔn)確度。

4.1.2 獲取感興趣區(qū)域

將所有分辨率為1 000 × 625的原始圖像(如圖8(a))做中心裁剪，去掉兩端無關(guān)的信息，裁剪后圖像分辨率為800 × 625(如圖8(b))。

圖8 對(duì)全天圖像進(jìn)行感興趣區(qū)域裁剪。(a) 裁剪前，(b) 裁剪后
Fig.8 Crop all-sky images to get the region of interest. Image (a) as before cropping, image (b) as after cropped

4.1.3 數(shù)據(jù)增強(qiáng)

模型訓(xùn)練過程中，為了防止過擬合現(xiàn)象的發(fā)生，通常需要輸入充足的數(shù)據(jù)量。在數(shù)據(jù)量較小的情況下，通過數(shù)據(jù)增強(qiáng)的方法，在保證數(shù)據(jù)特征不變的基礎(chǔ)上對(duì)圖像數(shù)據(jù)進(jìn)行幾何變換，增加數(shù)據(jù)量。數(shù)據(jù)增強(qiáng)的操作包含翻轉(zhuǎn)變換、縮放變換、平移變換、尺度變換、對(duì)比度變換、噪聲擾動(dòng)、顏色變換等。

結(jié)合數(shù)據(jù)特征，對(duì)訓(xùn)練集采取如下數(shù)據(jù)增強(qiáng)的方法：(1)對(duì)訓(xùn)練集圖像做偏移處理，分別以右下、右上、中心、左下、左上為坐標(biāo)原點(diǎn)，裁剪大小為700 × 550的區(qū)域；(2)通過左右翻轉(zhuǎn)操作，將數(shù)據(jù)擴(kuò)充10倍(如圖9)，對(duì)數(shù)量較少的無云晴空，增加上下翻轉(zhuǎn)過程；(3)最終得到每類10 000張圖像。

將經(jīng)過上述操作的圖像分辨率壓縮至128 × 128，減小圖像尺度，減輕模型訓(xùn)練的負(fù)擔(dān)；其次對(duì)圖像進(jìn)行隨機(jī)截取，大小為100 × 100，相當(dāng)于將數(shù)據(jù)量擴(kuò)大了(128-100)2=784倍；最后進(jìn)行隨機(jī)上下翻轉(zhuǎn)，隨機(jī)改變圖像的對(duì)比度、亮度、飽和度、色調(diào)等特征，進(jìn)一步擴(kuò)大數(shù)據(jù)量。實(shí)驗(yàn)證明，使用上述數(shù)據(jù)增強(qiáng)的手段將大大減輕過擬合現(xiàn)象，提升模型的泛化能力。 船上固定景物和部分可能出現(xiàn)的視場(chǎng)外數(shù)據(jù)進(jìn)行翻轉(zhuǎn)平移后作為噪聲，有利于提高模型的泛化能力。

驗(yàn)證集數(shù)據(jù)以圖像中心為坐標(biāo)原點(diǎn)，裁剪大小為700 × 550區(qū)域，再壓縮至128 × 128，最后做中心裁剪，得到分辨率為100 × 100的圖像，保證驗(yàn)證集圖像保留足夠多的有效信息并和訓(xùn)練集圖像在輸入模型時(shí)具有相同的尺度。

圖9 數(shù)據(jù)增強(qiáng)操作的部分示例。第1行分別是以右下、右上、中心、左下、左上為坐標(biāo)原點(diǎn)裁剪后的圖像；

第2行是對(duì)第1行圖像進(jìn)行左右翻轉(zhuǎn)操作后的圖像

Fig.9 Data augmentation example. The first line is the image cropped at the lower right, upper right, center, lower left,

and upper left; The second line is the image after the left and right flip operations of the first line

4.1.4 標(biāo)準(zhǔn)化

在圖像輸入模型前，對(duì)圖像進(jìn)行標(biāo)準(zhǔn)化處理，將降低輸入圖像的冗余性，使得網(wǎng)絡(luò)對(duì)圖片的動(dòng)態(tài)范圍變化不敏感。主要有如(1)式的操作：

(1)

其中，Iin為圖片的紅綠藍(lán)三通道像素值；M為三通道像素的均值；AS如(2)式：

(2)

其中，S為三通道像素的標(biāo)準(zhǔn)差；N為三通道各自的像素個(gè)數(shù)。訓(xùn)練集及驗(yàn)證集數(shù)據(jù)經(jīng)過標(biāo)準(zhǔn)化處理后，輸入模型進(jìn)行訓(xùn)練與驗(yàn)證。

4.2 實(shí)驗(yàn)結(jié)果與分析

網(wǎng)絡(luò)訓(xùn)練過程中，隨著訓(xùn)練批次的增加，損失值(loss)逐漸下降，準(zhǔn)確率(accuracy)不斷上升(如圖10)?？梢钥闯觯谶x取合適訓(xùn)練批次大小以及學(xué)習(xí)率的情況下，模型損失值下降平穩(wěn)，在訓(xùn)練迭代次數(shù)達(dá)到50之后，下降速度明顯放緩，模型逐漸收斂。當(dāng)?shù)螖?shù)達(dá)到100時(shí)，損失值逐漸趨近于0.15，并不再有明顯下降，訓(xùn)練集以及驗(yàn)證集的準(zhǔn)確率整體趨勢(shì)較為相似。在迭代次數(shù)達(dá)到50之后，驗(yàn)證集準(zhǔn)確率逐漸趨于平穩(wěn)，訓(xùn)練集準(zhǔn)確率在95%與100%之間不斷波動(dòng)，這是由于訓(xùn)練集圖像在輸入模型前進(jìn)行隨機(jī)的對(duì)比度、亮度變換等操作，導(dǎo)致在當(dāng)前迭代次數(shù)下，模型并沒有完全擬合所有可能出現(xiàn)的圖像數(shù)據(jù)。訓(xùn)練在迭代次數(shù)達(dá)到220之后，驗(yàn)證集準(zhǔn)確率穩(wěn)定為95.5%，不再發(fā)生變化，表示模型已經(jīng)收斂。

由于樣本種類較多，并且存在數(shù)量不均衡的特點(diǎn)。因此，對(duì)于分類效果的評(píng)判，采用精確率(Precision)、召回率(Recall)以及F1-Score進(jìn)行評(píng)價(jià)。精確率表示預(yù)測(cè)為正的樣本里有多少是真正的正樣本，即預(yù)測(cè)為正樣本有兩種可能，一種是將正類預(yù)測(cè)為正類(PT)，另一種是將負(fù)類預(yù)測(cè)為正類(PF)，則精確率P可以表示為

(3)

召回率是針對(duì)原有樣本而言的，它表示樣本中的正例有多少被正確預(yù)測(cè)了，同樣也有兩種可能，一種是把原來的正類預(yù)測(cè)成正類(PT)，另一種就是把原來的正類預(yù)測(cè)為負(fù)類(NF)，即召回率R可以表示為

(4)

圖10 訓(xùn)練過程中的準(zhǔn)確率與損失值變化曲線，橫軸為訓(xùn)練迭代數(shù)，縱軸為損失值和準(zhǔn)確率

Fig.10 Loss and accuracy curve of training.The horizontal axis is the number of training epochs,and the vertical axis is the loss value and accuracy

F1-Score(F1)是精確率和召回率的調(diào)和均值，相當(dāng)于精確率和召回率的綜合評(píng)價(jià)指標(biāo)，可由(5)式推導(dǎo)：

(5)

變換后F1表示為

(6)

各項(xiàng)類別的精確率、召回率和F1-Score如圖11。

圖11 各項(xiàng)類別的精確率、召回率和F1-Score
Fig.11 Precision, Recall and F1-Score for each category

由圖11可見，卷積神經(jīng)網(wǎng)絡(luò)在各個(gè)類別都取得了非常好的效果，其分類精度、召回率、F1-Score均達(dá)到了90%以上，絕大多數(shù)類別在95%以上。

5 基于麗江觀測(cè)站全天相機(jī)數(shù)據(jù)集的模型測(cè)試

5.1 數(shù)據(jù)預(yù)處理與測(cè)試

全天空地基云圖拍攝過程中，由于拍攝設(shè)備、相機(jī)參數(shù)的不同，圖像尺度也有所差異。對(duì)圖像進(jìn)行一些簡(jiǎn)單的預(yù)處理，使圖像在輸入模型前尺度信息盡可能與訓(xùn)練數(shù)據(jù)一致，可以提高模型對(duì)數(shù)據(jù)的判別準(zhǔn)確率。

對(duì)麗江5 807張圖像做人工標(biāo)注，其中夜晚4 257張、晴空454張、過曝光614張、少云321張、多云115張、雨露雪46張。原始圖像(如圖12(a))分辨率為720 × 480，以圖像中心為基準(zhǔn)，截取400 × 320大小的圖像(如圖12(b))，獲取與訓(xùn)練數(shù)據(jù)近似長寬比的有效信息。再壓縮至128 × 128，最后做中心裁剪，得到分辨率為100 × 100的圖像，保持輸入尺度與訓(xùn)練集圖像一致。經(jīng)過4.1.4節(jié)中的標(biāo)準(zhǔn)化處理后，輸入模型中進(jìn)行預(yù)測(cè)。

圖12 麗江站全天相機(jī)數(shù)據(jù)預(yù)處理樣例。(a) 原始圖像，(b) 裁剪后的圖像

Fig.12 All-sky images classification example of Lijiang station. Image (a) as the original picture, image (b) as the cropped image

5.2 預(yù)測(cè)結(jié)果及分析

模型對(duì)測(cè)試集各項(xiàng)類別預(yù)測(cè)結(jié)果的精確率、召回率和F1-Score如圖13。結(jié)果顯示，模型在全新數(shù)據(jù)集上有著不錯(cuò)的表現(xiàn)，對(duì)數(shù)量最多的夜晚類判定精準(zhǔn)，并且對(duì)少云、晴空、過曝光、多云類也有較好的區(qū)分能力。但對(duì)雨露雪類劃分結(jié)果較差，并且晴空的召回率、多云的召回率、少云的準(zhǔn)確率相對(duì)較低，因此，對(duì)這幾部分做了深入的研究和分析。

為了更好地尋找誤判原因，主要分析了分類的混淆矩陣(如圖14)。從圖14可以看出，雨露雪大部分預(yù)測(cè)為過曝光，誤判圖像如圖15，雨滴數(shù)量較少且存在嚴(yán)重的過曝光現(xiàn)象。模型更加關(guān)注過曝光的特征，可能是誤判的主要原因?？傮w來講，測(cè)試集中雨露雪類的雨滴數(shù)量較訓(xùn)練集明顯減少，也可能是導(dǎo)致雨露雪分類準(zhǔn)確度整體較低的主要原因。

從圖14可以看出，晴空召回率、少云精確率較低的主要原因是一部分晴空預(yù)測(cè)為少云，典型誤判圖像如圖16，根據(jù)對(duì)圖像的觀察，這些圖像與訓(xùn)練集中的晴空有較大差異，并且存在較明顯的3個(gè)污點(diǎn)，可能是導(dǎo)致誤判的原因。

多云的召回率較低，由圖14可知，多云主要誤判為過曝光，典型誤判圖像如圖17，誤判圖像亮度較高，整體特征與訓(xùn)練集中過曝光類較為相近。訓(xùn)練集中多云類亮度均比較低，主要是由于相機(jī)拍攝時(shí)的參數(shù)設(shè)置不同所致。

圖13 測(cè)試集數(shù)據(jù)各項(xiàng)類別的精確率、召回率和F1-ScoreFig.13 Precision, Recall and F1-Score for each category of test set

圖14 測(cè)試集數(shù)據(jù)分類的混淆矩陣
Fig.14 Confusion matrix for test set data

圖15 誤判為過曝光類的雨露雪類圖像
Fig.15 Rain_snow misjudged as overlight

圖16 誤判為少云類的晴空類圖像
Fig.16 Bluesky misjudged as cloudimage

圖17 誤判為過曝光類的多云類圖像
Fig.17 Overcast misjudged as overlight

6 總結(jié)與展望

本文基于雪龍?zhí)柸炜盏鼗茍D數(shù)據(jù)集，提出了可用于天文選址的全天空地基云圖分類處理方法，并使用麗江觀測(cè)站全天空地基云圖數(shù)據(jù)進(jìn)行測(cè)試，證明了模型在從未接觸過并且尺度不同的全天空地基云圖數(shù)據(jù)集上仍能擁有不錯(cuò)的分類效果，模型具有較強(qiáng)的泛化能力以及良好的可移植性。

但是從測(cè)試結(jié)果可以看出，如下兩種因素對(duì)分類結(jié)果存在較大影響：

(1)云圖種類復(fù)雜多樣，當(dāng)云圖同時(shí)具有兩種或兩種以上類別特征時(shí)，并不能完全將云圖準(zhǔn)確劃分開來，如誤判為過曝光類的雨露雪圖像。

(2)圖像受相機(jī)拍攝參數(shù)影響較大，導(dǎo)致訓(xùn)練集并沒有包含所有可能出現(xiàn)的種類，從而識(shí)別錯(cuò)誤，如誤判為少云的晴空類。

針對(duì)以上問題，尋找多樣化的數(shù)據(jù)進(jìn)行訓(xùn)練將有效提高分類精度，并使模型在其它全天空地基云圖數(shù)據(jù)集上有更好的表現(xiàn)。

致謝：本文得到中國虛擬天文臺(tái)和中國天文數(shù)據(jù)中心提供的數(shù)據(jù)資源和技術(shù)支持。感謝國家天文臺(tái)-阿里云天文大數(shù)據(jù)聯(lián)合研究中心對(duì)本文工作的支持。感謝中國極地研究中心、中國科學(xué)院云南天文臺(tái)麗江觀測(cè)站提供的數(shù)據(jù)資源。