地面积雪天气现象人工智能观测识别研究
Meteorological Monthly(2019)
摘要
通过在湖南南岳高山气象观测站及怀化国家气候基准站设立的外场试验,采集2018年1—3月两站逐分钟积雪天气现象摄像图片,采用卷积神经网络技术对南岳站积雪试验图片进行建模训练,并用南岳站和怀化站的测试图片进行检验,在此基础上探讨了基于深度学习的积雪天气现象图像识别的采集环境布局要求.主要结论如下:南岳站识别的正确率为99.23%,空判率为0.49%,漏判率为0.28%,白天识别结果优于夜间;判识积雪出现的概率在积雪形成初期明显增加,维持期接近99.99%,且十分稳定,融雪时逐步降低;地面积雪形成初期和积雪结束期凝结物较少时偶尔出现漏判,当有雨凇、雾凇及其他背景污染时会出现个别时刻空判现象.怀化站测试结果与南岳站相似,正确率为97.78%,空判率为1.92%,漏判率为0.3%;但概率曲线波动较大,一方面由于怀化站图片没有参与建模训练,另一方面可能与怀化站的摄像头固定不佳、对焦不准、拍摄不清晰有关.测试结果表明:该人工智能判识模型较好地提取了积雪不同发展阶段的关键特征,识别效果良好,并可通过增加气象要素条件和根据判识的前后一致性进一步消除空漏判,可为此类天气现象自动观测提供重要技术支撑.
更多AI 理解论文
溯源树
样例
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要