基于機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的地基云識(shí)別進(jìn)展

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2025）18-0022-07

Abstract：Withtherapid developmentofdeeplearning technology，transfer learning hasalsobeensucesfullyappliedin thefieldofimageprocessingbasedondeeplearning.Inordertoverifythefeasibilityofdeeplearningtechnologycombnedwith transferleaninginground-basedcloudspeciesidentification，andtheefectivenessandadvancementcomparedwithtraditional machine learning methods，thispaperconductsmachine learningandtransferdeep learningonthe SWIMCATground-based clouddataset.Experimentalcomparisonoflearningmethods，experimentalcomparisonoftransferlearningandnon-transfer learning，andvisualanalysisofthecharacteristicsofground-basedcloudsinconvolutionaleuralnetworks.Theadvantagesnd disadvantagesofmachinelearningandtransferdeeplearninginground-basedcloudrecognitionarecomparedandanalyzed throughxperiments，layingatheoreticalfoundationforsubsequentin-depthresearchondeeplearningground-basedcloud recognition algorithms.

Keywords： deep learning; transfer learning; machine learning; ground-based cloud map; visualization

近年來(lái)，云及其特性的研究成為各學(xué)者的研究重點(diǎn)，尤其是在云檢測(cè)與分類、云量估計(jì)、云移動(dòng)軌跡預(yù)測(cè)以及云類型演變趨勢(shì)預(yù)測(cè)等動(dòng)態(tài)行為預(yù)測(cè)領(lǐng)域。這些研究對(duì)未來(lái)天氣變化的預(yù)測(cè)具有重要意義。云圖是分析云相關(guān)信息的重要載體，由于地基云的種類繁多，不同類別間的形狀相似且會(huì)不斷變化，所以對(duì)地基云的準(zhǔn)確識(shí)別一直具有很大的挑戰(zhàn)。

隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)的發(fā)展，這些方法也被應(yīng)用于地基云識(shí)別領(lǐng)域。機(jī)器學(xué)習(xí)主要使用各種特征提取方法來(lái)提取選擇好的特征，然后使用分類器進(jìn)行識(shí)別。Singh和Glennen等4使用自相關(guān)、共現(xiàn)矩陣、邊緣頻率和運(yùn)行長(zhǎng)度編碼，4種經(jīng)典的紋理特征提取方法進(jìn)行云圖特征提取。Zhuo等引入顏色普查變換和自動(dòng)塊分類方法提取紋理和結(jié)構(gòu)信息，對(duì)6種天空條件進(jìn)行識(shí)別。Heinle等對(duì)多種特征進(jìn)行測(cè)試，提取了包括光譜特征、基于共現(xiàn)矩陣的特征和云量特征的多個(gè)云圖特征。Cheng和 Yu 等使用貝葉斯分類器對(duì)6種天空條件進(jìn)行識(shí)別，最終準(zhǔn)確率達(dá)到 90% 。Taravat等分別使用多層感知機(jī)和SVM對(duì)250張?jiān)茍D樣本進(jìn)行識(shí)別，準(zhǔn)確率達(dá)到 93.66% 。

深度學(xué)習(xí)方法在地基云識(shí)別領(lǐng)域的成功應(yīng)用使得云圖的多種特征可以被卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取，大大提高了地基云識(shí)別的準(zhǔn)確率。Ye等提出了 Deep-Cloud特征提取方法，通過(guò)模式挖掘和選擇策略從多個(gè)卷積層采集局部視覺(jué)特征，并使用Fisher向量進(jìn)行編碼來(lái)實(shí)現(xiàn)云識(shí)別。Li等采用SENet網(wǎng)絡(luò)，增大有效特征圖的權(quán)重，同時(shí)減小無(wú)效特征圖的權(quán)重。Zhang等[12]設(shè)計(jì)了一種輕量級(jí)的卷積神經(jīng)網(wǎng)絡(luò)模型LCCNet，在

11類云識(shí)別任務(wù)中達(dá)到 97.25% 的準(zhǔn)確率。Zhang等[13]通過(guò)集成多個(gè)卷積神經(jīng)網(wǎng)絡(luò)和殘差神經(jīng)網(wǎng)絡(luò)，提升了云識(shí)別準(zhǔn)確率，超過(guò)了任何單一深度學(xué)習(xí)模型。

為評(píng)估深度學(xué)習(xí)在云識(shí)別領(lǐng)域的有效性和先進(jìn)性，本文使用3種機(jī)器學(xué)習(xí)方法與6種使用了遷移學(xué)習(xí)的CNN模型在SWIMCAT數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，遷移學(xué)習(xí)與深度學(xué)習(xí)結(jié)合的識(shí)別效果顯著優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)方法。同時(shí)，通過(guò)CNN可視化地基云圖像各卷積層的激活特征，分析了淺層和深層網(wǎng)絡(luò)所提取的不同特征所表達(dá)的含義，為后續(xù)進(jìn)行深度學(xué)習(xí)地基云識(shí)別算法的深入研究奠定理論基礎(chǔ)。

1地基云分類的機(jī)器學(xué)習(xí)方法

詞袋模型（Bagofwords，BOW）[4]，局部二值模式（Localbinarypattern，LBP）[5]、完全局部二值模式（CompletedLocal Binary Pattern，CLBP）[等機(jī)器學(xué)習(xí)方法在地基云分類任務(wù)中應(yīng)用較為廣泛。

1.1 詞袋模型

詞袋模型是一種常用的地基云特征提取方法，最初用于文本分類。其假定忽略文本的詞序和語(yǔ)法，將文本視為詞匯集合，統(tǒng)計(jì)詞匯出現(xiàn)頻次并形成多維直方圖，再進(jìn)行分類。

在圖像處理領(lǐng)域，BOW將圖像視作一篇文檔，圖像特征相當(dāng)于文檔中的句子，也就是將圖像當(dāng)成一個(gè)局部圖像塊的無(wú)序集合。詞袋模型通過(guò)特征聚類生成包含SIFT特征描述符的詞典，再基于詞典統(tǒng)計(jì)特征出現(xiàn)頻率，將BOW構(gòu)建為一個(gè)直方圖，最終通過(guò)分類器進(jìn)行分類。BOW模型的主要步驟如下： ① 提取圖像的特征； ② 聚類生成視覺(jué)詞典； ③ 統(tǒng)計(jì)詞典中每個(gè)詞的出現(xiàn)頻率，將圖像表示為多維直方圖。

如圖1所示，B0W將每幅圖像轉(zhuǎn)換為一個(gè)多維直方圖后，通過(guò)分類器進(jìn)行分類并識(shí)別，常用分類器包括KNN、SVM等。

1.2 局部二值模式

局部二值模式是常用的圖像局部紋理特征提取方法之一。LBP將圖像劃分為多個(gè)小區(qū)域，通過(guò)比較每個(gè)區(qū)域內(nèi)像素值與其周圍像素的大小關(guān)系來(lái)生成LBP值：若像素值大于周圍像素，則置為1，反之則為0，從而構(gòu)建特征向量。LBP的具體流程如圖2所示。

得到的LBP特征向量可用于分類任務(wù)。目前較為常用的LBP形式為圓形LBP，通過(guò)將圖像劃分為圓形的小區(qū)域，來(lái)增加旋轉(zhuǎn)不變性。圓形LBP的2個(gè)核心參數(shù) P 和 R ，分別表示中心像素點(diǎn)周圍的采樣點(diǎn)數(shù)量及采樣區(qū)域的半徑。計(jì)算圓形LBP像素值的計(jì)算公式如下所示

式中： {g_c} 表示中心像素的灰度值， g_p 表示鄰域像素的灰度值。一般情況下，參數(shù) P 和 R 的比值設(shè)為8：1。使用LBP方法提取圖像的LBP像素值后，對(duì)圖像中所有的LBP像素值進(jìn)行遍歷，建立一個(gè)表示圖像的紋理特征的直方圖，最后，選擇合適的分類器對(duì)圖像進(jìn)行分類。

1.3 完全局部二值模式

完全局部二值模式是LBP的改進(jìn)版本，其可以提取到LBP遺漏的部分圖像信息。CLBP由3個(gè)描述子組成，包括全局對(duì)比度（CLBP_C）、幅度二值（CLBP_M）和正負(fù)二值（CLBP_S）。其中CLBP_M和CLBP_S由鄰域像素和中心像素的差值分出的符號(hào)分量和梯度分量得來(lái)，CLBP_C由中心像素灰度計(jì)算得出。3個(gè)描述子的公式如下所示

式中： 是中心像素的灰度值， c_I 為圖像像素的平均灰度值， s_p 為符號(hào)分量， m_p 為梯度分量， c 為自適應(yīng)閾值，P 是鄰域點(diǎn)數(shù)， R 是鄰域半徑。

得到這3個(gè)描述子后，可以通過(guò)串聯(lián)、并聯(lián)等方式得到融合的特征直方圖，最后利用分類器對(duì)特征進(jìn)行分類。

2地基云分類的深度學(xué)習(xí)方法

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN），是一種專為處理圖像和類似數(shù)據(jù)設(shè)計(jì)的深度學(xué)習(xí)模型，通過(guò)卷積層提取局部特征、池化層減少特征維度，以及全連接層實(shí)現(xiàn)分類或回歸任務(wù)。目前CNN的深度模型經(jīng)過(guò)不斷改良和創(chuàng)新，有越來(lái)越多的優(yōu)秀模型被提出，這些模型在地基云識(shí)別領(lǐng)域被應(yīng)用并獲得了令人滿意的效果。

2.1卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)如圖3所示，CNN的基本結(jié)構(gòu)主要由三維神經(jīng)元組成，輸入的高度、寬度和深度對(duì)應(yīng)彩色圖像的RGB三色通道。CNN包含：卷積層、池化層和全連接層，堆疊這些層即可構(gòu)成一個(gè)簡(jiǎn)單的CNN模型。

2.1.1 卷積層

卷積層（ConvolutionLayer）是卷積神經(jīng)網(wǎng)絡(luò)的核心組件，主要由多個(gè)卷積核組成，用于提取輸入的特征。當(dāng)數(shù)據(jù)到達(dá)卷積層時(shí)，該層將每個(gè)卷積核在輸入的空間維度上進(jìn)行卷積，以生成2D激活映射，即該層的特征圖。

在矩陣計(jì)算中，卷積層卷積計(jì)算過(guò)程如圖4所示，隨著卷積核在輸人上的滑動(dòng)，每一次滑動(dòng)就會(huì)計(jì)算該卷積核中每個(gè)標(biāo)量與輸入的標(biāo)量的積，也就是說(shuō)，卷積操作會(huì)保持輸人數(shù)據(jù)和卷積核相同位置上的值，即大于等于1的值，而其他值被置為0。

圖4中， x （如 x1、x2、x3、x4 ）表示卷積核里的權(quán)重參數(shù)，y（如 _{y1、y2、y3、y4} ）表示輸入矩陣?yán)锏脑刂担潦浅朔ǚ?hào)。卷積操作在連續(xù)區(qū)間的公式如下

式中： （f^?g）（t） 表示卷積對(duì)象 f 與 g 被卷積對(duì)象在連續(xù)時(shí)間 Φ_t 的卷積運(yùn)算 表示對(duì)積分變量 τ 執(zhí)行從負(fù)無(wú)窮到正無(wú)窮的積分 ?_I（τ） 表示輸入函數(shù)。

在卷積神經(jīng)網(wǎng)絡(luò)中，卷積操作是在離散區(qū)間的。給定一個(gè)多維輸入和卷積核，卷積層中卷積計(jì)算公式 （6）

式中：輸出 s 通常由特征圖表示。

由于人工神經(jīng)網(wǎng)絡(luò)的神經(jīng)元采用完全連接，較大網(wǎng)絡(luò)模型會(huì)因?yàn)閰?shù)量過(guò)大而難以訓(xùn)練。而在卷積層中，每個(gè)神經(jīng)元僅連接到前一層的小區(qū)域，稱為感受野，這大大減少了計(jì)算參數(shù)量。例如，輸入大小為 224× 224×3 ，感受野為 7×7 時(shí)，卷積層每個(gè)神經(jīng)元有147個(gè)權(quán)重（ 7×7×3 ，而人工神經(jīng)網(wǎng)絡(luò)則有150528個(gè)權(quán)重，因此卷積層顯著降低了計(jì)算復(fù)雜度。

2.1.2 池化層

池化層（PoolingLayer）的主要目的是減少卷積層之間的連接數(shù)量來(lái)降低計(jì)算復(fù)雜度，并通過(guò)降低特征映射分辨率實(shí)現(xiàn)移位不變性。池化層通常位于2個(gè)卷積層之間，該層的每個(gè)特征映射都與前一個(gè)卷積層對(duì)應(yīng)的特征映射相連接。常見(jiàn)的池化方法有最大池化和平均池化。最大池化通過(guò)選取 2×2 過(guò)濾器內(nèi)的最大值形成新的矩陣，保持圖像的關(guān)鍵特征；平均池化則計(jì)算過(guò)濾器內(nèi)所有值的平均值。圖5展示了最大池化和平均池化過(guò)程。

2.1.3 全連接層

全連接層（FullyConnectedLayer）首先通過(guò)展平操作，將多維數(shù)據(jù)展平為一維。全連接層結(jié)構(gòu)與ANN中的層結(jié)構(gòu)類似，每個(gè)相鄰的層的神經(jīng)元互相連接，

并嘗試從激活中得到類分?jǐn)?shù)，用于最終的分類。在全連接層中使用激活函數(shù)如Relu、Softmax等可以顯著提高網(wǎng)絡(luò)的性能。

2.2 常見(jiàn)的分類卷積神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)方法中，常用的CNN模型包括 VGG16^[18] ，VGG19 [9]ResNet5O[20]、ResNet101[1]InceptionV3 [2]和Xception23，其中VGG16和VGG19通過(guò)堆疊多個(gè) 3×3 卷積核替代大卷積核，減少了參數(shù)并提高了適應(yīng)性。ResNet50和ResNet101引入殘差連接，使淺層輸出可直接傳遞至深層，充許更深的網(wǎng)絡(luò)結(jié)構(gòu)并提高性能。InceptionV3通過(guò)將大卷積分解為小卷積，減少計(jì)算量并增強(qiáng)非線性表示能力。Xception使用深度可分離卷積分開(kāi)處理通道和空間相關(guān)性，進(jìn)一步提升網(wǎng)絡(luò)性能。表1為各種典型CNN網(wǎng)絡(luò)參數(shù)，其中Top-5錯(cuò)誤率均是在ImageNet數(shù)據(jù)集上的測(cè)試結(jié)果

2.3地基云在GNN中的激活特征

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是深度學(xué)習(xí)的代表算法，本質(zhì)上是由多個(gè)卷積層組成的特征提取機(jī)制，不同的卷積層提取不同的特征圖像，因此，可視化CNN中不同卷積層的激活特征對(duì)地基云識(shí)別研究具有重要意義。

為對(duì)地基云在CNN中的激活特征進(jìn)行可視化，如圖6所示，設(shè)計(jì)了一個(gè)包含5個(gè)卷積塊的CNN模型，每個(gè)卷積塊有2個(gè)卷積層和1個(gè)池化層。輸入地基云圖像后，得到各卷積層的特征圖。如圖7所示，第一個(gè)卷積塊中的卷積層conv1_1和convl_2提取的特征圖顯示了清晰的邊緣和紋理信息，而后續(xù)卷積層的紋理特征逐漸變得模糊，直到最后一個(gè)卷積塊的卷積層conv5_1，提取的特征變得更加抽象。因此得出結(jié)論，CNN的淺層提取地基云的紋理特征，而深層提取抽象語(yǔ)義特征。

2.4 遷移學(xué)習(xí)

遷移學(xué)習(xí)（TransferLearning）是一種旨在將已經(jīng)在某一領(lǐng)域或任務(wù)中學(xué)到的知識(shí)遷移到新的但相關(guān)的領(lǐng)域或任務(wù)中的技術(shù)，特別適用于目標(biāo)任務(wù)數(shù)據(jù)不足或模型訓(xùn)練資源有限的情況

傳統(tǒng)的機(jī)器學(xué)習(xí)或深度學(xué)習(xí)方法需要在同一任務(wù)和領(lǐng)域的大量數(shù)據(jù)上從零開(kāi)始訓(xùn)練，而遷移學(xué)習(xí)通過(guò)重用預(yù)訓(xùn)練模型的特征、參數(shù)或結(jié)構(gòu)，可以快速適應(yīng)新的任務(wù)。其基本思想是從原領(lǐng)域提取知識(shí)，轉(zhuǎn)移到目標(biāo)領(lǐng)域，遷移學(xué)習(xí)通過(guò)預(yù)訓(xùn)練模型在源任務(wù)中學(xué)到的通用特征，可以為目標(biāo)任務(wù)提供有用的信息，并且通過(guò)遷移預(yù)訓(xùn)練模型，降低對(duì)目標(biāo)任務(wù)大規(guī)模標(biāo)注數(shù)據(jù)的依賴，同時(shí)減少模型訓(xùn)練時(shí)間和計(jì)算資源。目前遷移學(xué)習(xí)已被廣泛用于計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等多個(gè)領(lǐng)域，遷移學(xué)習(xí)的架構(gòu)如圖8所示。

3機(jī)器學(xué)習(xí)與深度學(xué)習(xí)實(shí)驗(yàn)對(duì)比

為了驗(yàn)證機(jī)器學(xué)習(xí)方法與深度學(xué)習(xí)方法在地基云識(shí)別中的優(yōu)劣，分別使用常用的機(jī)器學(xué)習(xí)方法與深度學(xué)習(xí)方法在SWIMCAT數(shù)據(jù)集上進(jìn)行對(duì)比，將數(shù)據(jù)集的訓(xùn)練集與測(cè)試集的比值劃分為4：1。

3.1 SWIMCAT數(shù)據(jù)集

2020年之前，國(guó)內(nèi)外常用的標(biāo)準(zhǔn)云圖小數(shù)據(jù)集主要有SWIMCAT23]和CCSN[24]。近些年新發(fā)布的大規(guī)模地基云數(shù)據(jù)集有MGCD[2、GCD[和HBMCD[]等。SWIMCAT數(shù)據(jù)集的全稱為新加坡全天空成像分類數(shù)據(jù)集，由Dev等2利用廣角高分辨率天空成像設(shè)備WSI收集制作。該數(shù)據(jù)集包含784張精選云圖，被劃分為5類：晴空（clearsky）混合云（patternedclouds）厚黑云（thickdarkclouds）厚白云（thickwhiteclouds）和薄云（veil clouds）。

數(shù)據(jù)集樣本云圖如圖9所示，數(shù)據(jù)集信息見(jiàn)表2。

3.2 分類評(píng)定指標(biāo)

在多分類任務(wù)中，準(zhǔn)確率是用來(lái)評(píng)定分類模型的分類性能好壞最常用的指標(biāo)。準(zhǔn)確率（Accuracy）表示為所有正確預(yù)測(cè)的數(shù)量除于數(shù)據(jù)集的總數(shù)。準(zhǔn)確率計(jì)算公式如下所示

式中： TP，F(xiàn)P，F(xiàn)N，TN 為二分類中混淆矩陣根據(jù)真實(shí)值與預(yù)測(cè)值的不同包括的真正類、假負(fù)類、假正類和真負(fù)類4種，具體定義見(jiàn)表3。

3.3 實(shí)驗(yàn)設(shè)置

為驗(yàn)證遷移學(xué)習(xí)技術(shù)在地基云識(shí)別領(lǐng)域上的優(yōu)越性，在SWIMCAT數(shù)據(jù)集上分別進(jìn)行了使用遷移學(xué)習(xí)技術(shù)與不適用遷移學(xué)習(xí)技術(shù)實(shí)現(xiàn)地基云識(shí)別的實(shí)驗(yàn)，設(shè)置訓(xùn)練集、測(cè)試集、驗(yàn)證集比例為3：1：1，使用VGG16網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

在SWIMCAT數(shù)據(jù)集上訓(xùn)練前，每個(gè)CNN模型使用遷移學(xué)習(xí)加載預(yù)訓(xùn)練權(quán)重，并以學(xué)習(xí)率0.0001訓(xùn)練20輪，學(xué)習(xí)率衰減設(shè)置每個(gè)步長(zhǎng)衰減值為0.96，優(yōu)化器使用Adam，損失函數(shù)使用交叉熵?fù)p失。對(duì)比實(shí)驗(yàn)的機(jī)器學(xué)習(xí)方法有BOW、LBP、CLBP三種，其中LBP和CLBP的參數(shù) P 和 R 的比值設(shè)為8：1，直方圖的維度設(shè)為256，3種方法的分類器都使用SVM分類。

3.4 結(jié)果分析

非遷移學(xué)習(xí)與遷移學(xué)習(xí)的實(shí)驗(yàn)的訓(xùn)練曲線如圖10所示，圖中橫坐標(biāo) x 表示訓(xùn)練輪次，縱坐標(biāo) y 表示準(zhǔn)確率，圖中用小數(shù)表示，計(jì)算方式為（ （y×100）% 。在測(cè)試集上非遷移學(xué)習(xí)得到了 87.90% 的識(shí)別準(zhǔn)確率，而遷移學(xué)習(xí)得到了 99.36% 的識(shí)別準(zhǔn)確率。

從實(shí)驗(yàn)結(jié)果可知，遷移學(xué)習(xí)在訓(xùn)練速度上也顯著優(yōu)于非遷移學(xué)習(xí)，非遷移學(xué)習(xí)訓(xùn)練了8輪才收斂，而遷移學(xué)習(xí)只用了2到3輪就成功收斂。由此可以看出，在利用深度學(xué)習(xí)對(duì)地基云進(jìn)行識(shí)別時(shí)，遷移學(xué)習(xí)能夠使模型的準(zhǔn)確率迅速提升，同時(shí)加快收斂速度，并顯著提高最終的分類精度。采用遷移學(xué)習(xí)加載預(yù)訓(xùn)練權(quán)重的模型，其初始權(quán)重相比隨機(jī)初始化或常規(guī)初始化方法生成的權(quán)重，更接近于訓(xùn)練后的理想權(quán)重。此外，遷移學(xué)習(xí)能夠有效將損失降低到局部最小值，從而顯著提升模型的訓(xùn)練效率和分類性能。

機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的實(shí)驗(yàn)結(jié)果見(jiàn)表4。可以看出，6種結(jié)合遷移學(xué)習(xí)的CNN模型在SWIMCAT數(shù)據(jù)集上的準(zhǔn)確率均超過(guò) 98% ，遠(yuǎn)高于3種機(jī)器學(xué)習(xí)方法的最高準(zhǔn)確率 （73.89% ）。這是因?yàn)闄C(jī)器學(xué)習(xí)方法依賴于手工特征，特征提取有限，而CNN能自動(dòng)從圖像中提取特征，遷移學(xué)習(xí)使得CNN的初始權(quán)重更接近預(yù)測(cè)值，減少了梯度消失和過(guò)擬合等問(wèn)題，大大提高了識(shí)別精度和速度。通過(guò)對(duì)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的實(shí)驗(yàn)對(duì)比，可以證明，在地基云分類領(lǐng)域遷移學(xué)習(xí)與深度學(xué)習(xí)方法結(jié)合的性能顯著優(yōu)于機(jī)器學(xué)習(xí)方法。

4結(jié)論

本文在SWIMCAT數(shù)據(jù)集上對(duì)比了3種機(jī)器學(xué)習(xí)方法和6種基于遷移學(xué)習(xí)的CNN模型。實(shí)驗(yàn)結(jié)果顯示，深度學(xué)習(xí)方法在地基云識(shí)別領(lǐng)域具有顯著優(yōu)勢(shì)，結(jié)合遷移學(xué)習(xí)能使模型的準(zhǔn)確率快速上升，曲線快速收斂，并且可以顯著提高最終識(shí)別的準(zhǔn)確率。深度學(xué)習(xí)卓越的性能和簡(jiǎn)便的實(shí)驗(yàn)操作使其成為研究者們的首選，這種優(yōu)勢(shì)也激勵(lì)研究者們探索更多網(wǎng)絡(luò)結(jié)構(gòu)和深度學(xué)習(xí)算法，以進(jìn)一步推進(jìn)地基云識(shí)別任務(wù)的研究，為后續(xù)進(jìn)行地基云識(shí)別算法的深入研究奠定理論基礎(chǔ)。

參考文獻(xiàn)：

[1] LI S，WANG M， SUN S， et al.CloudDenseNet： Lightweight Ground-Based Cloud Classification Method for Large-Scale Datasets Based on Reconstructed DenseNet[J]. Sensors，2023，23（18）：7957.

[2] MORF H. Sunshine and cloud cover prediction based on Markov processes[J]. Solar Energy，2014，110：615-626.

[3]邵東威.協(xié)同GAN與自注意力時(shí)空LSTM的臺(tái)風(fēng)云圖預(yù)測(cè) 研究[D].：，2021.

[4] SINGH M，GLENNEN M. Automated ground-based cloud recognition[J].Pattern analysis and applications，2Oo5，8：258- 271.

[5] ZHUO W，CAO Z， XIAO Y. Cloud classification of ground -based images using texture-structure features [J]. Journal of Atmospheric and Oceanic Technology，2014，31 （1）：79-92.

[6]HEINLE A，MACKE A，SRIVASTAV A. Automatic cloud classification of whole sky images[J]. Atmospheric Measurement Techniques，2010，3（3）：557-567.

[7] CHENG H Y，YU C C.Block-based cloud classification withstatistical features and distribution of local texture features [J]. Atmospheric Measurement Techniques，2O15，8（3）： 1173-1182.

[8] TARAVAT A，DEL FRATE F，CORNARO C，et al. Neural networks and support vector machine algorithms for automatic cloud classification of whole-sky ground-based images[J].IEEE Geoscience and remote sensing letters，2014，12 （3）：666-670.

[9] DENGL，YUD.Deep learning：methods and applications[J]. Foundations and trends in signal processing，2014，7（3/4）： 197-387.

[10] YE L，CAO Z，XIAO Y.DeepCloud：Ground-based cloud image categorization using deep convolutional features [J].IEEE Transactions on Geoscience and Remote Sensing，2017，55（10）：5729-5740.

[11]LI G.A novel computer-aided cloud type classification methodbasedonconvolutional neuralnetworkwith squeeze-and-excitation [Cl//Journal of Physics： Conference Series.IOP Publishing，2021，1802（3）：032-051.

[12]ZHANGL，JIAK，LIUP，etal.Cloud recognitionbased onlightweight neural network [C]//2O2O Asia-Pacific Signal and Information Processing Association Annual Summit and Conference （APSIPA ASC）. IEEE，2020：1033-1042.

[13] ZHANG J，LIU P，ZHANG F，etal.Ensemble meteorological cloud classification meets internet of de pendable and controllable things[J].IEEE Internet of Things Journal，2020，8（5）：3323-3330.

[14] LI W，GONG Y，LIUJ，et al.Peripheral and central pathological mechanisms of chronic low back pain：a narrativereview[J].Journal ofPain Research，2O21：1483-1494.

[15] HE F，LIU T，TAO D.Why resnet works？ residuals generalize [J].IEEE transactions on neural networks and learningsystems，2020，31（12）：5349-5362.

[16] KUNCAN M. An intelligent approach for bearing fault diagnosis： combination of 1D-LBP and GRA [J]. IEEE Access，2020，8：137517-137529.

[17] GAN J，LU W，LIQ，et al.Cloud type classification of total-sky images using duplex norm-bounded sparse coding[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2017，10（7）：3360-3372.

[18]SIMONYAN K，ZISSERMAN A.Very deep convolutional networks for large-scale image recognition. arXiv 2014[J]. arXivpreprintarXiv：1409.1556，2019，1556.

[19]BANSALM，KUMARM，SACHDEVA M，et al.Transfer learning for image classification using VGG19：Caltech101 image data set [J].Journal of ambient intelligence and humanized computing，2021：1-12.

[20] HE K，ZHANG X，REN S，et al. Deep residual learning forimage recognition [C]//Proceedings of the IEEE conference on computer vision and pattern recognition.2016： 770-778.

[21] ZHANG Q. A novel ResNet1O1 model based on dense dilated convolution for image classification[J]. SN Applied Sciences，2022，4：1-13.

[22] WANG C，CHEN D，HAO L，et al. Pulmonary image classification based on inception-v3 transfer learning model[J].IEEE Access，2019，7：146533-146541.

[23]胡樹(shù)貞，馬舒慶，陶法，等.地基雙波段測(cè)云系統(tǒng)及其對(duì)比試 驗(yàn)[J].應(yīng)用氣象學(xué)報(bào)，2012，23（4）：441-450.

[24] ZHANG J，LIU P，ZHANG F，et al. CloudNet：Groundbased cloud classification with deep convolutional neural network [J].Geophysical Research Letters，2018，45（16）： 8665-8672.

[25] DEV S，LEE Y H，WINKLER S. Categorization of cloud image patches using an improved texton-based approach[C] //2015 IEEE international conference on image processing （ICIP）.IEEE，2015：422-426.

[26] LIU S，DUAN L，ZHANG Z，et al. Ground-based remote sensing cloud classification via context graph attention network [J].IEEE Transactions on Geoscience and Remote Sensing，2021，60：1-11.