基于機(jī)器學(xué)習(xí)的地基云圖分類(lèi)研究進(jìn)展

項(xiàng)洪印,韓磊樂(lè),石超君,張 珂,李星寬,楊世芳

(1.華北電力大學(xué)電子與通信工程系,河北 保定 071003;2.華北電力大學(xué)河北省電力物聯(lián)網(wǎng)技術(shù)重點(diǎn)實(shí)驗(yàn)室,河北 保定 071003;3.華北電力大學(xué) 電力工程系,河北 保定 071003)

1 引 言

云是一種常見(jiàn)而重要的自然現(xiàn)象,其為大氣中水滴、冰晶或兩者的聚合體,占全球陸地面積的60 %以上[1]。云通過(guò)抑制太陽(yáng)短波和長(zhǎng)波輻射在維持大氣輻射收支平衡中起重要作用[2]。光伏發(fā)電功率預(yù)測(cè)受局部區(qū)域云類(lèi)別、云量變化、太陽(yáng)輻照度和太陽(yáng)能電池性能等多重因素影響,其中云類(lèi)別是影響光伏發(fā)電功率預(yù)測(cè)的重要原因[3]。因此,通過(guò)云觀測(cè)準(zhǔn)確獲取天空云信息進(jìn)而對(duì)云準(zhǔn)確分類(lèi)對(duì)光伏發(fā)電功率精準(zhǔn)預(yù)測(cè)有重要意義[4]。傳統(tǒng)地基云觀測(cè)方式主要為人工觀測(cè),此方式嚴(yán)重依賴(lài)觀測(cè)員的經(jīng)驗(yàn),無(wú)法實(shí)現(xiàn)標(biāo)準(zhǔn)化,效率較低。因此,地基云自動(dòng)觀測(cè)受到相關(guān)學(xué)者們的廣泛關(guān)注[5]。基于傳統(tǒng)機(jī)器學(xué)習(xí)的地基云圖分類(lèi)方法大多通過(guò)人工設(shè)計(jì)云圖特征對(duì)云圖分類(lèi),而基于深度學(xué)習(xí)的地基云圖分類(lèi)方法主要通過(guò)深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)自主學(xué)習(xí)云圖特征對(duì)云圖分類(lèi)[8]。

早年,相關(guān)學(xué)者對(duì)基于傳統(tǒng)機(jī)器學(xué)習(xí)的地基云圖分類(lèi)方法進(jìn)行了大量研究。Singh等人[9]提出了用于自動(dòng)訓(xùn)練云分類(lèi)器紋理功能的方法,該方法在對(duì)云進(jìn)行特征提取時(shí),分別用到了自相關(guān)、共發(fā)生矩陣、邊緣頻率、Laws紋理分析和原始長(zhǎng)度五種特征提取方法,較其他云分類(lèi)方法具備準(zhǔn)確率高和分類(lèi)速度快的優(yōu)勢(shì),但其對(duì)混合云分類(lèi)能力不足。Heinle等人[10]通過(guò)提取云圖顏色和紋理特征,采用K鄰近法(K-Nearest Neighbor,KNN)將云分為七類(lèi)。Buch等人[11]先提取云圖中紋理測(cè)量、位置信息和像素亮度等特征,再采用二進(jìn)制決策樹(shù)方法將云分為高積云、卷云、積云和層云。Neto等人[12]使用多維歐幾里得幾何距離和貝葉斯分類(lèi)器分別對(duì)云圖進(jìn)行特征描述和模式分類(lèi)。Liu等人[13]提出了一種顯著的局部二值模式(Salient Local Binary Pattern,SLBP)對(duì)地基云圖分類(lèi),其利用SLBP來(lái)捕獲描述性信息,可抑制噪聲,提高分類(lèi)精度。Cheng等人[14]結(jié)合統(tǒng)計(jì)紋理和局部紋理特征,提出了一種基于塊的混合云分類(lèi)方法,分類(lèi)精度高于傳統(tǒng)紋理特征。Kliangsuwan等人[15]采用紋理、二維函數(shù)距、abs-FFT、log-FFT和快速傅里葉變換投影提取云圖特征。Li等人[16]將地基云圖視為圖像塊映射的微觀結(jié)構(gòu)集合,通過(guò)支持向量機(jī)(Support Vector Machines,SVM)將云圖分為卷云、積云、層云、混合云和晴空等五類(lèi)。Liu等人[17]提出了聯(lián)合稀疏編碼的新穎編碼策略,克服了傳統(tǒng)稀疏編碼在訓(xùn)練階段忽略對(duì)同一類(lèi)的異構(gòu)特征和編碼系數(shù)的關(guān)系,有效提升了云分類(lèi)性能。Zhang等人[18]基于顯著的局部二值模式(Salient Local Binary Pattern,SLBP)提出了PSLBP(Pyramid Salient Local Binary Pattern)描述符,可提取云圖分辨率信息,并通過(guò)級(jí)聯(lián)SLBP信息描述紋理分辨率的變化,進(jìn)而提升云圖分類(lèi)精度。Tang等人[19]提出基于黎曼特征代碼本對(duì)云圖區(qū)域協(xié)方差描述符進(jìn)行編碼提取直方圖特征,并通過(guò)SVM對(duì)云圖分類(lèi)。此類(lèi)方法對(duì)人工設(shè)計(jì)的地基云圖特征依賴(lài)性強(qiáng),而人工設(shè)計(jì)的特征對(duì)復(fù)雜云描述不夠準(zhǔn)確,因而難以獲取良好的分類(lèi)結(jié)果。

近年來(lái),在不同學(xué)科和人工智能交叉融合大背景下,基于深度學(xué)習(xí)的地基云圖分類(lèi)方法以其優(yōu)越分類(lèi)性能成為研究熱點(diǎn)。針對(duì)地基云圖獨(dú)有特征,Shi等人[20]提出基于深度卷積激活的特征(Deep Convolutional Activations-Based Features,DCAFs)對(duì)地基云圖分類(lèi),結(jié)果優(yōu)于人工設(shè)計(jì)的云圖特征。Ye等人[21]借助卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)提取云圖特征,并提出基于地基云圖局部模式挖掘方法優(yōu)化云圖局部特征,提升了云圖分類(lèi)精度。Zhang等人[22]首次將尾跡云作為新型云納入地基云圖數(shù)據(jù)庫(kù),提出基于CloudNet的地基云圖分類(lèi)方法,并提升了地基云圖分類(lèi)精度。Wang等人[23]提出基于AlexNet[24]改進(jìn)的CloudA網(wǎng)絡(luò),在SWIMCAT(Singapore Whole-Sky Imaging Categories)地基云圖數(shù)據(jù)集上的分類(lèi)精度超過(guò)傳統(tǒng)地基云圖分類(lèi)方法。Liu等人[25]通過(guò)融合異構(gòu)特征、本地視覺(jué)特征和多模式信息提出多特征提取和多模式融合的網(wǎng)絡(luò)(Multi-Evidence and Multi-Modal Fusion Network,MMFN),顯著提升了云圖分類(lèi)精度。針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對(duì)地基云圖類(lèi)內(nèi)和類(lèi)間分類(lèi)能力不足的問(wèn)題,Zhu等人[3]提出采用改進(jìn)的組合卷積神經(jīng)網(wǎng)絡(luò)對(duì)云圖分類(lèi),分類(lèi)精度較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)有了較大提升。與此同時(shí),Yu等人[26]通過(guò)兩個(gè)子卷積神經(jīng)網(wǎng)絡(luò)對(duì)地基云圖進(jìn)行特征提取,并采用加權(quán)稀疏表示編碼進(jìn)行分類(lèi),解決了多模式地基云圖數(shù)據(jù)中遮擋的問(wèn)題,大大的提升了云圖分類(lèi)的魯棒性。Liu等人[27]首次提出基于圖卷積(Graph Convolutional Network,GCN)的地基云圖分類(lèi)方法,但GCN分配的權(quán)重不能準(zhǔn)確反映連接節(jié)點(diǎn)的重要性,從而降低了聚合云圖特征的辨別力。為彌補(bǔ)該方面的不足,Liu等人[28]提出用于地基云分類(lèi)的上下文注意力網(wǎng)絡(luò),并公開(kāi)發(fā)布新的云圖分類(lèi)數(shù)據(jù)集。此外,Liu等人[29]結(jié)合CNN和GCN提出基于異構(gòu)深度特征學(xué)習(xí)的多模態(tài)地基云圖分類(lèi)方法。Wang等人[30]結(jié)合深度學(xué)習(xí)和遷移學(xué)習(xí),提出一種基于遷移式卷積網(wǎng)絡(luò)(Transfer Convolutional Neural Network,TCNN)的地基云圖分類(lèi)方法。上述基于深度學(xué)習(xí)的地基云圖分類(lèi)方法的性能較傳統(tǒng)機(jī)器學(xué)習(xí)方法有了顯著提升。

本文首先歸納了云圖采集設(shè)備和云圖分類(lèi)標(biāo)準(zhǔn),其次介紹了2種典型的地基云圖分類(lèi)數(shù)據(jù)集,接著從傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)兩方面詳細(xì)論述了典型的地基云圖分類(lèi)方法,此外在兩種不同地基云圖分類(lèi)數(shù)據(jù)集上比較了不同方法的性能,最后對(duì)地基云圖分類(lèi)方法進(jìn)行了總結(jié)和展望。

2 地基云圖采集及分類(lèi)標(biāo)準(zhǔn)介紹

2.1 地基云圖采集

地基云圖主要通過(guò)地基全天空成像儀獲取[31]。地基全天空成像儀起源于19世紀(jì)初,由美國(guó)物理學(xué)教授Wood依據(jù)魚(yú)從水中觀看水上景物的光學(xué)原理提出[32]。1915年,Fassig首次在氣象文獻(xiàn)中描述了可觀測(cè)180°大視場(chǎng)全天空地基云的全天空相機(jī)[33]。1924年,Hill提出了一種復(fù)雜度魚(yú)眼相機(jī)成像系統(tǒng),為全天空成像儀的成功研制奠定了重要基礎(chǔ)[34]。1950年,Abe成功研制出全天空成像儀,實(shí)現(xiàn)了全天空成像[35]。目前,具有代表性的地基全天空成像儀有ASI(All Sky Imager)[36-37]、ASC(All-Sky-View Camera)[38]、WSI(Whole Sky Imager)[39]、WSC(Whole Sky Camera)[40]和TSI(Total Sky Imager)[41]。

ASI由GFAT研發(fā),包括彩色CCD相機(jī)和魚(yú)眼鏡頭。其中,彩色CCD相機(jī)提供三通道全色圖像,可區(qū)分曝光時(shí)間相同、曝光度不同的圖像細(xì)節(jié),減少暗噪聲。魚(yú)眼鏡頭體積減少了33 %,視場(chǎng)從180°拓寬至185°,能顯示出整個(gè)天空?qǐng)A頂,降低圖像失真程度,其太陽(yáng)跟蹤器的遮光球能使相機(jī)避陽(yáng),使電荷耦合器件免受太陽(yáng)直接輻射的影響。ASI可每5 min連續(xù)拍攝地基云圖,分辨率為900×900,設(shè)備外觀和拍攝的地基云圖如圖1所示。

圖1 ASI地基全天空成像儀和拍攝的地基云圖

ASC配備了180°視場(chǎng)魚(yú)眼鏡頭的CCD相機(jī),可直接捕捉完整的全天空地基云圖,不需要太陽(yáng)跟蹤器或傳統(tǒng)的遮光球、黑色陰影條等遮光設(shè)備。ASC應(yīng)用高動(dòng)態(tài)范圍技術(shù),將10張曝光時(shí)間不同的照片融合于一張圖像,獲取清晰的全天空?qǐng)D像,拍攝的地基云圖數(shù)據(jù)覆蓋各種云層、不同時(shí)間段和多類(lèi)別太陽(yáng)的方位角和仰角,分辨率為2000×1944,設(shè)備外觀和拍攝的地基云圖如圖2所示。

圖2 ASC地基全天空成像儀和拍攝的地基云圖

美國(guó)Yankee公司研制出不需要魚(yú)眼鏡頭的地基全天空成像儀TSI。TSI通過(guò)安裝在CCD相機(jī)正下方的半球曲面鏡反射全天空地基云圖,接著由CCD相機(jī)對(duì)準(zhǔn)半球曲面鏡拍照獲取全天空地基云圖和其他天空云狀信息。該設(shè)備因設(shè)計(jì)簡(jiǎn)單、價(jià)格便宜且便于攜帶和維護(hù)而受到學(xué)者們廣泛關(guān)注,設(shè)備外觀和拍攝的地基云圖如圖3所示。此外,基于海上環(huán)境的地基全天空成像儀[42]由德國(guó)基爾大學(xué)萊布尼茨海洋科學(xué)研究所研發(fā),其裝備了183°視場(chǎng)魚(yú)眼鏡頭的CCD相機(jī),可獲取高品質(zhì)無(wú)鏡頭陰影的分辨率為3648×2736的全天空地基云圖,成本較低,其設(shè)備外觀及其拍攝的地基云圖如圖4所示。

圖3 TSI地基全天空成像儀和拍攝的地基云圖

圖4 德國(guó)基爾大學(xué)研制的地基全天空成像儀和拍攝的地基云圖

國(guó)內(nèi)學(xué)者也推動(dòng)了地基全天空成像儀的研究和發(fā)展,中國(guó)科學(xué)院大氣物理研究所研發(fā)出可見(jiàn)光全天空云特性自動(dòng)觀測(cè)系統(tǒng),最高可每30 s拍攝一張分辨率為2272×1704的24位彩色全天空?qǐng)D像[43]。由于地基全天空成像儀拍攝的夜間云圖質(zhì)量遠(yuǎn)遠(yuǎn)低于白天云圖,一些紅外云觀測(cè)設(shè)備便相繼問(wèn)世,實(shí)現(xiàn)了對(duì)云量、云狀和云底高度的全天連續(xù)觀測(cè)的效果。常見(jiàn)的紅外云觀測(cè)設(shè)備主要有紅外云分析儀(Infrared Cloud Analyzer,ICA)[44]、紅外云成像儀(Infrared Cloud Imager,ICI)[45-48]和全天空紅外測(cè)云系統(tǒng)(Whole Sky Infrared Cloud Measuring System,WSIRCMS)[49]等。

綜上所述,地基云圖拍攝成像設(shè)備的成本遠(yuǎn)低于空天云圖拍攝成像設(shè)備,經(jīng)過(guò)不斷發(fā)展從單一的、有限的地基云圖至包含云高、降水等信息的云圖,不僅為地基云圖分類(lèi)任務(wù)提供大量數(shù)據(jù)支持,成為眾多研究人員的最佳選擇,還推進(jìn)了地基云自動(dòng)化觀測(cè)的發(fā)展。

2.2 地基云圖分類(lèi)標(biāo)準(zhǔn)

云的形成和演變對(duì)光伏發(fā)電功率預(yù)測(cè)具有重要影響。國(guó)際氣象組織根據(jù)云的外部形狀、云高、形成原因及內(nèi)部結(jié)構(gòu),將云分為為3族10屬29類(lèi),如表1所示[50]。其中,3族是把云從低到高分為低云、中云和高云族,每一族云又經(jīng)過(guò)劃分確定了10屬,包括積云、高積云、積雨云、層積云、層云、高層云、雨層云、卷云、卷層云和卷積云。此外,云的類(lèi)別根據(jù)云的透明度和排列還能細(xì)分成不同變種,總共超過(guò)100種組合。因此,在不同科研任務(wù)中,學(xué)者需根據(jù)研究任務(wù)需求采用合理的云圖分類(lèi)標(biāo)準(zhǔn)。

表1 10屬云分類(lèi)

3 基于機(jī)器學(xué)習(xí)的地基云分類(lèi)

隨著人工智能的不斷發(fā)展,機(jī)器學(xué)習(xí)已廣泛應(yīng)用于地基云圖分類(lèi)任務(wù)。目前,基于機(jī)器學(xué)習(xí)的地基云圖分類(lèi)方法主要基于傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)范式提出。基于傳統(tǒng)機(jī)器學(xué)習(xí)的地基云圖分類(lèi)方法大多通過(guò)人工設(shè)計(jì)云圖特征對(duì)云圖分類(lèi),而基于深度學(xué)習(xí)的地基云圖分類(lèi)方法主要通過(guò)深度神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)云圖特征對(duì)云圖分類(lèi)。

3.1 基于傳統(tǒng)機(jī)器學(xué)習(xí)的地基云分類(lèi)研究

基于傳統(tǒng)機(jī)器學(xué)習(xí)的地基云圖分類(lèi)方法先對(duì)云圖特征提取再用分類(lèi)器進(jìn)行分類(lèi)[51]。常用的特征提取方法有直方圖紋理特征提取[52-53]、灰度共生矩陣法[54]、小波變換紋理特征提取[55]、二值模式特征提取[56]等。除了特征提取外,分類(lèi)器也是云圖分類(lèi)的關(guān)鍵。常用的分類(lèi)器有KNN[10,57-58]、貝葉斯網(wǎng)絡(luò)[4,59]、SVM[2]等。

3.1.1 SLBP特征提取方法

局部二值模式(Local Binary Pattern,LBP)作為經(jīng)典的紋理描述符,通過(guò)描述局部圖像紋理空間結(jié)構(gòu)的灰度紋理提取圖像特征0。均勻LBP將結(jié)構(gòu)信息與直線或低曲率邊緣相結(jié)合,較大幅度提升了圖像分類(lèi)的精度。然而,地基云圖特征復(fù)雜,包含曲率邊緣、交叉邊界和拐角等復(fù)雜結(jié)構(gòu),均勻LBP特征提取方法對(duì)云圖特征描述不精確。基于均勻LBP的不足,基于顯著模式的SLBP特征提取方法被提出,其可降低對(duì)噪聲的敏感性,對(duì)云圖特征描述更加精確。SLBP表達(dá)式如式(1)所示:

(1)

SLBP方法的計(jì)算復(fù)雜度為O(P·V)。其中,P為每個(gè)中心像素的相鄰像素?cái)?shù);V為單幅云圖總像素?cái)?shù);R為圓周半徑。P和R是指定參數(shù),可以看作常數(shù)。由此得知SLBP計(jì)算復(fù)雜度是線性的,可在不增加計(jì)算復(fù)雜度的同時(shí)提升云圖分類(lèi)性能。

3.1.2 HOG特征提取方法

HOG顏色描述符是依據(jù)不同顏色在整幅圖中所占的比例,適用于難以自動(dòng)分類(lèi)的圖像。多數(shù)圖像基于RGB顏色空間,但RGB顏色空間結(jié)構(gòu)并不符合地基云圖顏色相似性的主觀判斷。因此,HSV顏色空間被提出替代RGB顏色空間應(yīng)用在地基云圖分類(lèi)任務(wù),其三個(gè)分量分別代表色彩(Hue)、飽和度(Saturation)和值(Value)。從RGB空間到HSV空間的轉(zhuǎn)換如式(5)所示。在提取特征向量過(guò)程中還引入了L2正則化來(lái)提高模型的泛化能力。

v=max(r,g,b)

(2)

(3)

(4)

(5)

3.1.3K鄰近(KNN)分類(lèi)方法

K鄰近法指從訓(xùn)練集中獲取K個(gè)樣本來(lái)預(yù)測(cè)當(dāng)前待預(yù)測(cè)樣本的目標(biāo)屬性值,其包括K值選取、距離度量和分類(lèi)預(yù)測(cè)三要素。對(duì)于K值選擇,一般先根據(jù)樣本分布選擇一個(gè)較小的值,然后通過(guò)交叉驗(yàn)證來(lái)選擇一個(gè)較為合適的最終值。當(dāng)選擇較小K值時(shí),表示使用較小領(lǐng)域中的樣本進(jìn)行預(yù)測(cè),訓(xùn)練誤差會(huì)減小,但會(huì)導(dǎo)致模型變復(fù)雜,容易過(guò)擬合。當(dāng)選擇較大K值時(shí),表示使用較大領(lǐng)域中的樣本進(jìn)行預(yù)測(cè),訓(xùn)練誤差會(huì)增大,同時(shí)會(huì)使模型變簡(jiǎn)單,容易導(dǎo)致欠擬合。通過(guò)度量樣本空間中點(diǎn)與點(diǎn)間的距離來(lái)表示兩個(gè)樣本點(diǎn)間的相似度。距離越短,表示相似度越高;反之,相似度越低。距離度量的方式一般有:閔可夫斯基距離、歐氏距離、曼哈頓距離、切比雪夫距離、余弦距離、卡方距離。其中卡方距離度量和歐式距離度量為常用的距離度量方式,主要衡量?jī)蓚€(gè)體間的差異性,表達(dá)式如式(6)～(7)所示:

(6)

(7)

K鄰近法的分類(lèi)規(guī)則通常由多數(shù)表決法或加權(quán)多數(shù)表決法決定。多數(shù)表決法是指每個(gè)臨近樣本的權(quán)重是一樣的,即最終預(yù)測(cè)結(jié)果為出現(xiàn)類(lèi)別最多的類(lèi)。加權(quán)多數(shù)表決法指每個(gè)鄰近樣本權(quán)重不同,一般采用權(quán)重和距離成反比的方式來(lái)計(jì)算,即最終預(yù)測(cè)結(jié)果為出現(xiàn)權(quán)重最大的類(lèi)。KNN通過(guò)計(jì)算待測(cè)樣本數(shù)據(jù)和訓(xùn)練數(shù)據(jù)中不同類(lèi)別數(shù)據(jù)點(diǎn)間的相似度對(duì)待測(cè)樣本分類(lèi)。相比其他分類(lèi)器算法,KNN具有訓(xùn)練復(fù)雜度低、準(zhǔn)確度高、對(duì)異常點(diǎn)不敏感的特點(diǎn)。其中,通過(guò)構(gòu)建KD樹(shù)來(lái)獲取鄰近樣本數(shù)據(jù)。算法的具體步驟如圖5所示。

圖5 KNN方法的實(shí)現(xiàn)過(guò)程

3.2 基于深度學(xué)習(xí)的地基云分類(lèi)研究

深度學(xué)習(xí)屬于機(jī)器學(xué)習(xí)范疇,其以大量訓(xùn)練樣本數(shù)據(jù)為基礎(chǔ),發(fā)展出一系列深度網(wǎng)絡(luò)如深度自動(dòng)編碼器(Deep Auto Encoder,DAE)[60]、受限玻爾茲曼機(jī)(Restricted Boltzmann Machine,RBM)[61]、深度置信網(wǎng)絡(luò)(Deep Belief Network,DBN)[62-64]和CNN[24]等,是人工智能的核心技術(shù)之一。當(dāng)前在人工智能與不同學(xué)科交叉融合進(jìn)一步增強(qiáng)的新態(tài)勢(shì)下,基于深度學(xué)習(xí)的地基云圖分類(lèi)方法以其優(yōu)越分類(lèi)性能成為研究熱點(diǎn)。本節(jié)主要介紹幾種典型基于深度學(xué)習(xí)的地基云圖分類(lèi)網(wǎng)絡(luò)。

3.2.1 CloudNet網(wǎng)絡(luò)

傳統(tǒng)地基云分類(lèi)方法對(duì)學(xué)者的主觀經(jīng)驗(yàn)依賴(lài)性強(qiáng),致使云圖分類(lèi)結(jié)果準(zhǔn)確率不高、誤差較大且耗時(shí)長(zhǎng)。針對(duì)傳統(tǒng)地基云圖分類(lèi)方法的不足,Zhang等人[22]提出了一種卷積神經(jīng)網(wǎng)絡(luò)模型CloudNet對(duì)云圖分類(lèi),網(wǎng)絡(luò)模型結(jié)構(gòu)如圖6所示。CloudNet是由AlexNet[24]改進(jìn)而來(lái)的,是一種優(yōu)化的CNN。CloudNet包括5個(gè)卷積層和2個(gè)全連接層,可用于序列到序列之間學(xué)習(xí)任務(wù),其網(wǎng)絡(luò)架構(gòu)較之前網(wǎng)絡(luò)更簡(jiǎn)單,參數(shù)量更少[65]。CloudNet架構(gòu)簡(jiǎn)單化致使其更適合學(xué)習(xí)地基云圖特征,提高地基云分類(lèi)的準(zhǔn)確性,可避免傳統(tǒng)依賴(lài)人為經(jīng)驗(yàn)分類(lèi)造成的誤差。由于地基云圖特征難以提取[21],預(yù)處理后的彩色圖片通過(guò)魯棒策略輸入網(wǎng)絡(luò);第三卷積層和第四卷積層直接相連;同時(shí)在網(wǎng)絡(luò)第五層和第六層間應(yīng)用Dropout[66];最后通過(guò)激活函數(shù)Softmax輸出包含所有類(lèi)別概率的分布。

圖6 CloudNet網(wǎng)絡(luò)結(jié)構(gòu)

CloudNet是卷積神經(jīng)網(wǎng)絡(luò)在地基云圖分類(lèi)領(lǐng)域的初步探索,其分類(lèi)性能較傳統(tǒng)地基云圖分類(lèi)方法有了較大提升,為后續(xù)基于卷積神經(jīng)網(wǎng)絡(luò)的系列地基云圖分類(lèi)方法的研究奠定了堅(jiān)實(shí)基礎(chǔ)。但該網(wǎng)絡(luò)結(jié)構(gòu)較為簡(jiǎn)單,對(duì)地基云圖特征提取能力有限,分類(lèi)結(jié)果仍有提升空間。

3.2.2 CloudA網(wǎng)絡(luò)

針對(duì)小規(guī)模地基可見(jiàn)光云分類(lèi),Wang等[23,67]提出一種網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單的新型卷積神經(jīng)網(wǎng)絡(luò)CloudA,大幅減少需要學(xué)習(xí)的參數(shù)量,可有效避免過(guò)擬合問(wèn)題,網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。CloudA包含4個(gè)卷積層、4個(gè)池化層和3個(gè)全連接層。CloudA網(wǎng)絡(luò)第一層為內(nèi)核大小5×5且輸出通道數(shù)量32的卷積層,第二層為內(nèi)核大小5×5且輸出通道數(shù)量為64的卷積層,第三、四層為卷積核大小3×3,輸出通道數(shù)量128的卷積層;每個(gè)卷積層使用ReLU[68]激活函數(shù),連接的池化層為最大池化層。最后,經(jīng)過(guò)三個(gè)全連接層連接分類(lèi)器對(duì)云圖進(jìn)行分類(lèi)運(yùn)算。CloudA網(wǎng)絡(luò)參數(shù)迭代訓(xùn)練過(guò)程中,不斷通過(guò)前向計(jì)算和反向傳播更新權(quán)重至模型收斂,繼而利用驗(yàn)證集來(lái)檢測(cè)模型性能。

圖7 CloudA網(wǎng)絡(luò)結(jié)構(gòu)

3.2.3 TGCN網(wǎng)絡(luò)

研究大規(guī)模地基云圖數(shù)據(jù)集的分類(lèi)精度,CNN云圖分類(lèi)方法較傳統(tǒng)云圖分類(lèi)方法有極大提升。但CNN表示過(guò)程僅涉及圖像特征和固定圖像節(jié)點(diǎn)結(jié)構(gòu),易忽略圖像節(jié)點(diǎn)結(jié)構(gòu)間的聯(lián)系,致使對(duì)圖像表示能力不足[69-71],進(jìn)而限制地基云圖分類(lèi)性能的進(jìn)一步提升。具體來(lái)說(shuō),CNN以地基云圖像及其標(biāo)簽作為輸入,沒(méi)有考慮地基云圖節(jié)點(diǎn)間的聯(lián)系,無(wú)法發(fā)現(xiàn)地基云圖間內(nèi)在的數(shù)據(jù)結(jié)構(gòu)。圖卷積神經(jīng)網(wǎng)絡(luò)的提出為提升地基云圖分類(lèi)精度提供了新思路,其以自動(dòng)學(xué)習(xí)圖像特征信息和結(jié)構(gòu)信息的優(yōu)勢(shì)在圖像分類(lèi)領(lǐng)域掀起了熱潮。Liu等[27]首次將GCN應(yīng)用在地基云圖分類(lèi)領(lǐng)域,提出采用圖譜卷積網(wǎng)絡(luò)建立不同云圖間的聯(lián)系,搭建更適合地基云圖分類(lèi)的深度網(wǎng)絡(luò)(Task-Based Graph Convolutional Network,TGCN),進(jìn)一步提升地基云圖分類(lèi)精度,網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示。TGCN包括圖譜構(gòu)造、圖譜特征矩陣、鄰接矩陣構(gòu)造、圖譜表征學(xué)習(xí)和分類(lèi)模塊。TGCN將圖譜計(jì)算融入到深度網(wǎng)絡(luò)為地基云圖構(gòu)建了一個(gè)相似圖譜,其中每個(gè)節(jié)點(diǎn)對(duì)應(yīng)于一個(gè)基于CNN的地基云圖特征,學(xué)習(xí)地基云分類(lèi)的圖像關(guān)系并區(qū)分特征。此外,TGCN充分利用CNN特征學(xué)習(xí)過(guò)程的標(biāo)簽信息,以監(jiān)督學(xué)習(xí)方式來(lái)學(xué)習(xí)云圖特征,提出一種基于地基云圖相似性的有效鄰接矩陣來(lái)描述結(jié)點(diǎn)之間的關(guān)系,并且鄰接矩陣在特征優(yōu)化過(guò)程中進(jìn)行更新來(lái)保證節(jié)點(diǎn)關(guān)系的有效性。同時(shí),具有圖卷積的圖譜允許節(jié)點(diǎn)信息沿圖譜邊緣傳播。因此,每個(gè)節(jié)點(diǎn)的特征表示是由本節(jié)點(diǎn)和其他節(jié)點(diǎn)信息得到。最后,將基于GCN[72-75]的特征與基于CNN的特征融合,進(jìn)行云圖分類(lèi)。

圖8 TGCN網(wǎng)絡(luò)結(jié)構(gòu)

3.2.4 CGAT網(wǎng)絡(luò)

基于傳統(tǒng)機(jī)器學(xué)習(xí)方法和多數(shù)深度學(xué)習(xí)方法的地基云圖分類(lèi),側(cè)重學(xué)習(xí)云圖的表示特征。基于圖卷積神經(jīng)網(wǎng)絡(luò)(Graph Convolutional Network,GCN)的地基云圖分類(lèi)方法則以加權(quán)的方式對(duì)云圖連通節(jié)點(diǎn)的信息進(jìn)行聚合,進(jìn)而形成聚合特征,如TGCN網(wǎng)絡(luò)。但GCN對(duì)云圖連通節(jié)點(diǎn)所分配的權(quán)重并不能準(zhǔn)確反映其重要性,致使分類(lèi)器降低了對(duì)聚合特征(Aggregated Features,AFs)的識(shí)別能力。為提升TGCN網(wǎng)絡(luò)對(duì)聚合特征的識(shí)別能力,Liu等人[28]提出一種適用于地基云圖分類(lèi)的上下文圖譜注意機(jī)制網(wǎng)絡(luò)(Context Graph Attention Network,CGAT),其網(wǎng)絡(luò)結(jié)構(gòu)如圖9所示。CGAT網(wǎng)絡(luò)由圖譜構(gòu)造、上下文圖譜注意機(jī)制層(Context Graph Attention layer,CGA layer)、最終表征和分類(lèi)器組成。CGAT首先利用CNN提取地基云圖的深度特征(Deep Features,DFs)并計(jì)算DFS相似度,將云圖的DFs視為節(jié)點(diǎn),并將DFs相似度大于預(yù)設(shè)閾值的節(jié)點(diǎn)視作邊界構(gòu)造圖譜。圖譜輸入CGA層,通過(guò)學(xué)習(xí)上下文圖譜注意力機(jī)制系數(shù)(Context Attention Coefficients,CACs)[76]作為節(jié)點(diǎn)權(quán)重,其系數(shù)可準(zhǔn)確反映不同節(jié)點(diǎn)的重要性,不僅能獲取重要地基云圖連接節(jié)點(diǎn)的AFs,還能提升AFs穩(wěn)定性。最后,將DFs和AFs連接,獲得云結(jié)構(gòu)和紋理信息豐富且云圖相關(guān)性信息豐富的最終表征。CGAT利用兩個(gè)分類(lèi)器對(duì)云圖進(jìn)行分類(lèi),獲得云圖的預(yù)測(cè)概率,并利用交叉熵?fù)p失函數(shù)訓(xùn)練CGAT整體框架。

圖9 CGAT網(wǎng)絡(luò)結(jié)構(gòu)

3.2.5 ICN網(wǎng)絡(luò)

盡管將GCN網(wǎng)絡(luò)用于大規(guī)模地基云圖分類(lèi)可極大提升其分類(lèi)精度,但仍無(wú)法完美克服云圖類(lèi)內(nèi)差異性和類(lèi)間相似性帶來(lái)的問(wèn)題,傳統(tǒng)卷積網(wǎng)絡(luò)在區(qū)分能力方面明顯不足[77-80]。為提高基于深度學(xué)習(xí)方法的地基云圖分類(lèi)性能,Zhu等人[3]將多通道深度學(xué)習(xí)方法引入地基云圖分類(lèi),提出了一種改進(jìn)的組合卷積網(wǎng)絡(luò)(Improved Combined Network,ICN)對(duì)地基云圖進(jìn)行分類(lèi),網(wǎng)絡(luò)結(jié)構(gòu)如圖10所示。為了解決由像素信息冗余引起的子網(wǎng)絡(luò)過(guò)擬合問(wèn)題,ICN將VGG-16中最大池化層改為重疊池化層,消除信息冗余并降低過(guò)擬合風(fēng)險(xiǎn)。同時(shí),VGG-16特征傳輸信道引入信道注意模塊ECA-WS,致使網(wǎng)絡(luò)表達(dá)信道信息能力提升,并實(shí)現(xiàn)子網(wǎng)絡(luò)間參數(shù)同步優(yōu)化。兩個(gè)子網(wǎng)絡(luò)對(duì)輸入圖像進(jìn)行特征提取后,采用決策融合算法對(duì)多尺度的子網(wǎng)絡(luò)輸出進(jìn)行融合。再根據(jù)每個(gè)類(lèi)別中云圖像的數(shù)量,對(duì)融合結(jié)果賦予不同的權(quán)值,從而解決了網(wǎng)絡(luò)規(guī)模限制和數(shù)據(jù)集不平衡的問(wèn)題[81]。最后,對(duì)兩個(gè)子網(wǎng)絡(luò)的輸出進(jìn)行加權(quán),以提高分類(lèi)精度。子網(wǎng)絡(luò)分別引入ResNet-50[82]和VGG-16[83]深度卷積神經(jīng)網(wǎng)絡(luò),來(lái)獲取地基云圖特征。VGG-16通過(guò)堆疊多個(gè)3×3大小的卷積核來(lái)取代更大尺寸的卷積核,確保網(wǎng)絡(luò)在獲得相同接受域的同時(shí)學(xué)習(xí)更復(fù)雜的非線性映射模式。ResNet-50由多個(gè)殘余結(jié)構(gòu)組成,每個(gè)殘余結(jié)構(gòu)添加了一個(gè)直接連接信道。殘差學(xué)習(xí)可以減少特征傳播到更深的網(wǎng)絡(luò)時(shí)的信息損失。EAC(Efficient Channel Attention)注意力模塊[84]是在SE(Squeeze-and-Excitation)注意力模塊[85]上的改進(jìn),是基于SE不降維的局部跨通道交互策略,可自適應(yīng)選擇一維卷積核的大小。

圖10 ICN網(wǎng)絡(luò)結(jié)構(gòu)

3.2.6 RIWSRC網(wǎng)絡(luò)

地基云圖存在不同云屬遮擋問(wèn)題。雖然卷積神經(jīng)網(wǎng)絡(luò)可極大提高地基云圖分類(lèi)準(zhǔn)確率,但處理不同云屬遮擋問(wèn)題時(shí)魯棒性較差,易對(duì)不同云屬產(chǎn)生誤判。為解決上述問(wèn)題,Yu等人[26]提出一種新的地基云圖分類(lèi)方法(RIWSRC)。RIWSRC使用雙通道卷積神經(jīng)網(wǎng)絡(luò)對(duì)地基云圖進(jìn)行特征提取,并采用加權(quán)稀疏表示編碼[86-87]來(lái)對(duì)云圖分類(lèi),有效提升卷積神經(jīng)網(wǎng)絡(luò)處理不同云屬遮擋問(wèn)題時(shí)的魯棒性,具體網(wǎng)絡(luò)結(jié)構(gòu)如圖11所示。RIWSRC采用基于ResNet-50和Inception-v3的雙通道網(wǎng)絡(luò)提取云圖特征,其魯棒性?xún)?yōu)于單通道網(wǎng)絡(luò)。殘差結(jié)構(gòu)內(nèi)置于ResNet-50,能阻止梯度消失發(fā)生,數(shù)據(jù)通過(guò)其中可快速傳播。同時(shí),該網(wǎng)絡(luò)連接ReLU激活函數(shù)使其具有稀疏性,得以降低梯度消失的可能性。Inception-v3是一種基于Inception模型[65]的卷積神經(jīng)網(wǎng)絡(luò),由不同類(lèi)型的Inception模塊堆疊,以提取不同空間尺寸信息[88],通過(guò)減小分辨率來(lái)降低計(jì)算復(fù)雜性并提高性能。云圖特征提取后進(jìn)行向量化并加權(quán)求和,并將其輸入到基于編碼的稀疏分類(lèi)算法中進(jìn)行分類(lèi)[89]。其中,基于編碼的稀疏分類(lèi)算法是基于傳統(tǒng)稀疏分類(lèi)算法改進(jìn)的,具有更好的魯棒性[90]。由于每個(gè)卷積神經(jīng)網(wǎng)絡(luò)的性能不同,RIWSRC融合多個(gè)卷積神經(jīng)網(wǎng)絡(luò)提取云圖特征效果更佳。

圖11 RIWSRC網(wǎng)絡(luò)結(jié)構(gòu)

4 數(shù)據(jù)集和地基云分類(lèi)方法性能比較

本節(jié)將在Kiel-F和MGCD兩種地基云圖分類(lèi)數(shù)據(jù)集上比較不同地基云圖分類(lèi)方法的性能。

4.1 地基云圖分類(lèi)數(shù)據(jù)集介紹

4.1.1 Kiel-F數(shù)據(jù)集

Kiel-F數(shù)據(jù)集由地基全天空成像儀拍攝,該成像儀由德國(guó)基爾大學(xué)萊布尼茨海洋科學(xué)研究所聯(lián)合Shirshov海洋研究所開(kāi)發(fā),配備魚(yú)眼鏡頭CCD數(shù)碼相機(jī),能夠?qū)崿F(xiàn)183°的視場(chǎng),相比其他天空成像儀沒(méi)有鏡頭陰影。Kiel-F數(shù)據(jù)集包含1500張高質(zhì)量彩色、JPEG格式地基云圖,最大分辨率為3648×2736,涵蓋高積云(altocumulus)、卷云(cirrus)、晴空(clear sky)、積雨云(cumulonimbus)、積云(cumulus)、層積云(stratocumulus)、層云(stratus)7類(lèi)云,具體信息如表2所示。盡管Kiel-F數(shù)據(jù)集在海上拍攝,較陸地拍攝的圖像更清晰且分辨率更高,但其中所有地基云圖均有設(shè)備遮擋部分,網(wǎng)絡(luò)提取地基云圖特征時(shí)會(huì)產(chǎn)生誤差。具體圖樣如圖12所示。

表2 Kiel-F數(shù)據(jù)集具體信息

圖12 Kiel-F數(shù)據(jù)集樣本圖例

4.1.2 MGCD數(shù)據(jù)集

多模態(tài)地基云圖數(shù)據(jù)集(MGCD)是第一個(gè)由地基云圖和多模態(tài)信息組成的數(shù)據(jù)集。MGCD數(shù)據(jù)集共有8000個(gè)地基云圖樣本,訓(xùn)練集和測(cè)試集各4000個(gè)樣本,包含高積云(altocumulus)、卷云(cirrus)、晴空(clear sky)、積雨云(cumulonimbus)、積云(cumulus)、層積云(stratocumulus)、混合云(mix)7類(lèi)云。每個(gè)地基云圖樣本包含同時(shí)間拍攝的地基云圖和捕獲的多模態(tài)信息。此外,云量不超過(guò)10 %的云圖被歸類(lèi)為晴空,其中,地基云圖由帶有魚(yú)眼鏡頭的全天空相機(jī)采集獲得,其數(shù)據(jù)存儲(chǔ)格式為JPEG,像素分辨率為1024×1024;多模態(tài)信息由氣象站采集,包括溫度、濕度、壓力、風(fēng)速,并將這四個(gè)要素存儲(chǔ)至同一矢量中。圖13為部分MGCD數(shù)據(jù)集云圖示例,具體信息如表3所示。

表3 MGCD數(shù)據(jù)集具體信息

圖13 MGCD數(shù)據(jù)集樣本圖例

4.2 地基云圖分類(lèi)方法在Kiel-F數(shù)據(jù)集上的比較

4.2.1 實(shí)驗(yàn)細(xì)節(jié)

本組實(shí)驗(yàn)在Kiel-F數(shù)據(jù)集上比較SLBP+KNN、HOG+KNN、CloudNet、CloudA和ResNet-50[91]不同地基云圖分類(lèi)方法的性能。SLBP將(P,R)設(shè)置為(24,3),并將輸入圖像歸一化,有效降低圖像間光照變化的影響。HOG采用顏色直方圖方法提取圖像特征向量,并統(tǒng)計(jì)各個(gè)特征向量的均值進(jìn)行歸一化處理,能有效減少分類(lèi)誤判。SLBP和HOG都采用KNN分類(lèi)器對(duì)測(cè)試樣本分類(lèi)識(shí)別,且K=11。另外,CloudNet、CloudA和ResNet-50方法設(shè)置相同參數(shù),且輸入其中的地基云圖分辨率為224×224。訓(xùn)練過(guò)程中,所有CNN網(wǎng)絡(luò)的學(xué)習(xí)初始率設(shè)為0.002,批量大小(Batchsize)設(shè)置為32,并使用adam優(yōu)化器[92]優(yōu)化網(wǎng)絡(luò)中所有可使用的參數(shù)。實(shí)驗(yàn)采用Windows11操作系統(tǒng),基于pycharm平臺(tái)的python語(yǔ)言和pytorch框架,CUP設(shè)備型號(hào)為inter-i7-10,顯卡設(shè)備型號(hào)為GTX-1050Ti。此外,從Kiel-F數(shù)據(jù)集的每個(gè)類(lèi)中隨機(jī)抽取80 %的樣本作為訓(xùn)練數(shù)據(jù),余下每個(gè)類(lèi)中20 %的樣本作為測(cè)試數(shù)據(jù)。訓(xùn)練周期(epoch)設(shè)為40。

4.2.2 實(shí)驗(yàn)結(jié)果分析

本組實(shí)驗(yàn)采用平均準(zhǔn)確率和平均召回率兩種評(píng)價(jià)指標(biāo)來(lái)評(píng)估不同地基云圖分類(lèi)方法的性能,結(jié)果如表4所示。由表4可知,SLBP+KNN在數(shù)據(jù)集Kiel-F上的平均準(zhǔn)確率和平均召回率高于HOG+KNN,表明SLBP比HOG對(duì)地基云圖提取特征更有優(yōu)勢(shì);基于SLBP+KNN的地基云圖分類(lèi)方法和基于深度學(xué)習(xí)地基云圖分類(lèi)方法性能相差不大,甚至略高于結(jié)構(gòu)簡(jiǎn)單、網(wǎng)絡(luò)層數(shù)較少的深度學(xué)習(xí)方法;而基于HOG+KNN的地基云圖分類(lèi)方法性能遠(yuǎn)低于基于深度學(xué)習(xí)的地基云圖分類(lèi)方法。實(shí)驗(yàn)結(jié)果表明,深度學(xué)習(xí)分類(lèi)方法在地基云圖分類(lèi)方面具有優(yōu)越性能,但在小數(shù)據(jù)集上分類(lèi)性能較傳統(tǒng)機(jī)器學(xué)習(xí)分類(lèi)方法優(yōu)勢(shì)較小。此外,3種深度學(xué)習(xí)分類(lèi)方法的平均準(zhǔn)確率和平均召回率均超過(guò)90 %,但基于ResNet-50的地基云圖分類(lèi)方法平均準(zhǔn)確率和平均召回率比其他2種深度學(xué)習(xí)分類(lèi)方法高,表明增加網(wǎng)絡(luò)提取特征層數(shù)和結(jié)構(gòu)復(fù)雜度能夠提高地基云圖分類(lèi)精度。

表4 五種地基云圖分類(lèi)方法結(jié)果

4.3 地基云圖分類(lèi)方法在MGCD數(shù)據(jù)集上的比較

4.3.1 實(shí)驗(yàn)細(xì)節(jié)

本組實(shí)驗(yàn)在MGCD數(shù)據(jù)集上比較CloudNet、CloudA、TGCN、CGAT、ICN、RIWSRC不同基于深度學(xué)習(xí)的地基云圖分類(lèi)方法性能。實(shí)驗(yàn)中,6種方法設(shè)置相同權(quán)重參數(shù),且輸入地基云圖分辨率為224×224。訓(xùn)練期間,所有CNN網(wǎng)絡(luò)的學(xué)習(xí)初始率設(shè)為0.002,批量大小(Batchsize)設(shè)置為32,并使用adam優(yōu)化器[92]優(yōu)化網(wǎng)絡(luò)中所有可使用的參數(shù)。實(shí)驗(yàn)同樣采用Windows11操作系統(tǒng),基于pycharm平臺(tái)的python語(yǔ)言和pytorch框架,CUP設(shè)備型號(hào)為inter-i7-10,顯卡設(shè)備型號(hào)為GTX-2060。此外,從MGCD數(shù)據(jù)集的每個(gè)類(lèi)中隨機(jī)抽取50 %的樣本作為訓(xùn)練數(shù)據(jù),余下每個(gè)類(lèi)中50 %的樣本作為測(cè)試數(shù)據(jù)。

4.3.2 實(shí)驗(yàn)結(jié)果分析

本組實(shí)驗(yàn)采用平均準(zhǔn)確率和平均召回率兩種評(píng)價(jià)指標(biāo)來(lái)評(píng)估不同地基云圖分類(lèi)方法的性能,實(shí)驗(yàn)結(jié)果如表5所示。由表5可知,網(wǎng)絡(luò)層數(shù)少、結(jié)構(gòu)簡(jiǎn)單的CloudNet和CloudA準(zhǔn)確率和召回率遠(yuǎn)低于TGCN、CGAT、ICN和RIWSRC,表明增加深度學(xué)習(xí)網(wǎng)絡(luò)層數(shù)或提升網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性能夠提升分類(lèi)精度。TGCN利用GCN和CNN提取地基云圖特征并融合,其過(guò)程增加了地基云圖間關(guān)聯(lián)性功能、深度特征監(jiān)督學(xué)習(xí),并將其平均準(zhǔn)確率和平均召回率分別提升至89.48 %和90.43 %。CGAT解決了TGCN無(wú)法完全反映連接節(jié)點(diǎn)的重要性且降低聚合特征識(shí)別等問(wèn)題,通過(guò)添加上下文圖譜注意機(jī)制層,增強(qiáng)對(duì)聚合特征的識(shí)別能力,將聚合特征和深度特征融合對(duì)地基云圖進(jìn)行分類(lèi)。根據(jù)表5顯示,CGAT的平均準(zhǔn)確率和平均召回率高于TGCN,表明在獲得聚合特征方面,CGAT通過(guò)上下文圖譜注意力機(jī)制層比TGCN通過(guò)圖譜卷積網(wǎng)絡(luò)聚合特征具有優(yōu)勢(shì)。ICN和RIWSRC是2種應(yīng)用組合卷積神經(jīng)網(wǎng)絡(luò)提取地基云圖特征的分類(lèi)方法。ICN利用改進(jìn)的VGG-16子網(wǎng)絡(luò)和ResnNet-50子網(wǎng)絡(luò)提取云圖特征,而RIWSRC利用Inception-V3子網(wǎng)絡(luò)和ResNet-50子網(wǎng)絡(luò)提取云圖特征。表5中的數(shù)據(jù)顯示RIWSRC的平均準(zhǔn)確率和平均召回率比ICN高,表明Inception-V3的優(yōu)越性。另外,基于圖譜卷積和組合卷積神經(jīng)網(wǎng)絡(luò)的地基云圖分類(lèi)方法的精度比網(wǎng)絡(luò)層數(shù)少、結(jié)構(gòu)簡(jiǎn)單的深度學(xué)習(xí)分類(lèi)方法高。

表5 六種地基云圖分類(lèi)方法結(jié)果

5 結(jié)論與展望

地基云圖分類(lèi)具有廣闊的應(yīng)用價(jià)值,近年來(lái)得到了越來(lái)越多的關(guān)注與研究。云圖分類(lèi)不僅是光伏功率預(yù)測(cè)的基礎(chǔ),還是氣象天氣預(yù)測(cè)的關(guān)鍵,更是改善和推演氣候環(huán)境的重要因素。為應(yīng)對(duì)不同使用場(chǎng)景,我們需要開(kāi)發(fā)更好的地基云圖分類(lèi)模型,不斷提升地基云圖分類(lèi)精度。本文首先歸納了地基云圖分類(lèi)標(biāo)準(zhǔn)和多種采集設(shè)備,并簡(jiǎn)要介紹了8種地基云圖分類(lèi)方法。同時(shí),本文介紹了Kiel-F和MGCD兩種常用的全天空地基云圖分類(lèi)數(shù)據(jù)集,該數(shù)據(jù)集可支撐更復(fù)雜的深度學(xué)習(xí)模型在地基云圖分類(lèi)領(lǐng)域得到評(píng)估和應(yīng)用。此外,本文從傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)角度對(duì)近幾年地基云圖分類(lèi)研究方法進(jìn)行對(duì)比。實(shí)驗(yàn)數(shù)據(jù)表明,對(duì)多模式、多樣本地基云圖數(shù)據(jù)集分類(lèi),基于深度學(xué)習(xí)的地基云圖分類(lèi)方法性能優(yōu)于基于傳統(tǒng)機(jī)器學(xué)習(xí)的地基云圖分類(lèi)方法,合理增加深度學(xué)習(xí)模型的網(wǎng)絡(luò)層數(shù)并提升其結(jié)構(gòu)復(fù)雜程度能進(jìn)一步提升地基云圖分類(lèi)精度。

目前最先進(jìn)的地基云圖分類(lèi)方法研究大多基于卷積神經(jīng)網(wǎng)絡(luò)模型上的評(píng)估和驗(yàn)證,其性能隨著不斷優(yōu)化現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)或提出新的卷積神經(jīng)網(wǎng)絡(luò)而提升。即便如此,現(xiàn)有深度學(xué)習(xí)方法在處理規(guī)模大、分類(lèi)情況復(fù)雜的地基云圖時(shí)仍顯得捉襟見(jiàn)肘。因此,如何提升復(fù)雜情況下地基云圖分類(lèi)精度、增強(qiáng)其方法魯棒性需要更多研究。放眼未來(lái),我們將根據(jù)不同的應(yīng)用需求并結(jié)合目前的研究熱點(diǎn),深度挖掘最新圖像分類(lèi)方法在地基云圖分類(lèi)上的潛能并優(yōu)化其適用性,以如何提升復(fù)雜情況下地基云圖的分類(lèi)精度、魯棒性、訓(xùn)練速度和最優(yōu)參數(shù)為研究方向,研究云量信息、云狀和云高等關(guān)鍵因素在地基云圖分類(lèi)中的影響,開(kāi)發(fā)性能更優(yōu)的云圖分類(lèi)方法。