基于人工和地基器测数据的AI云识别方法

doi:10.11755/j.issn.1006-7639-2025-05-0810

摘要/Abstract

摘要：

为弥补“天气现象视频智能观测仪”在云状识别中存在的纯视觉观测局限，以2023年5月1日至2024年4月30日张掖国家气候观象台试验外场的毫米波云雷达、全天空成像仪等器测数据为基础，结合人工观测云状记录及地面自动站气象资料，构建多源融合的人工智能（Artificial Intelligence，AI）云状识别样本库。选取多种类型机器学习算法开展训练与性能评估，结果表明，支持向量机模型在综合识别精度与稳定性方面表现最佳，可实现对卷积云、卷云、高积云、高层云、雨层云、层云、层积云、积雨云、积云9种云状及降水天气的自动识别。通过4个典型日云分类个例的验证显示，模型能精准识别多层云结构，识别结果与人工观测高度一致。本文在数据集构建的多源融合性及算法适配性方面均有明显改进，云状识别种类增加33%，准确率提升15%。

关键词: 地基器测云, AI云识别, 毫米波云雷达, 全天空成像仪, 人工云状

Abstract:

To compensate for the limitations of the Weather Phenomena Video Intelligent Observation Instrument in purely visual cloud classification, an AI (Artificial Intelligence) cloud classification sample library was constructed by integrating millimeter-wave cloud radar and all-sky imager measurements from the Zhangye National Climate Observatory experimental field during the period from May 1, 2023 to April 30, 2024, together with manual cloud observations and ground automatic station meteorological data. Multiple machine learning algorithms were applied for training and performance evaluation, and the Support Vector Machine model was identified as the most effective in terms of overall accuracy and stability. This model enables the automatic recognition of nine cloud types, cirrocumulus, cirrus, altocumulus, altostratus, nimbostratus, stratus, stratocumulus, cumulonimbus, and cumulus, as well as precipitation weather. Verification based on four typical daily cloud classification cases demonstrated that the model can accurately identify multilayer cloud structures, with results highly consistent with manual observations. This study achieves significant improvements in both data integration and algorithm adaptability, increasing the number of identifiable cloud types by 33% and enhancing classification accuracy by 15%.

Key words: ground-based cloud observation, AI cloud classification, millimeter-wave cloud radar, all-sky imager, artificial cloud shape

中图分类号:

P426.5+6

张德玉, 胡树贞, 秦三杰, 张强, 白明, 庞成, 魏荣妮. 基于人工和地基器测数据的AI云识别方法[J]. 干旱气象, 2025, 43(5): 810-819.

ZHANG Deyu, HU Shuzhen, QIN Sanjie, ZHANG Qiang, BAI Ming, PANG Cheng, WEI Rongni. AI cloud classification based on manual and ground-based instrumental data[J]. Journal of Arid Meteorology, 2025, 43(5): 810-819.

图/表 11

表1 Ka波段毫米波云雷达主要性能指标

Tab.1 Main performance indicators of Ka-band millimeter-wave cloud radar

技术体制	工作频率	天线口径/m	探测高度范围	距离分辨率/m	观测模式	脉冲宽度/us	灵敏度/dBm
全固态，全相参多普勒	35 GHz±200 MHz	1.8	100 m~15 km	30	垂直顶空、多普勒、脉冲压缩	0.2、5、12、24	-119.0、-133.0、-136.8、-139.8

表2 全天空成像仪主要性能指标

Tab.2 Main performance indicators of all-sky imager

红外波长/μm	可见光视场角/（°）	红外视场角/（°）	采样周期/min	可见光图像解析度/pixel	红外图像解析度/pixel
8~14	180	160	10	2 592×1 944	640×512

图1 总体流程图

Fig.1 Overall flow chart

表3 张掖市不同地区云状出现频次及云分类

Tab.3 Frequency of cloud types and cloud classification in different regions of Zhangye City

云族	云属	云码	分类标签	出现频次/次							百分比/%
云族	云属	云码	分类标签	临泽	山丹	张掖	民乐	肃南	高台	合计	百分比/%
高云	卷积云	Cc	1	19	3	2	1	11	4	40	0.4
	卷层云	Cs	1	0	0	0	0	0	0	0	0
	卷云	Ci	2	960	741	664	887	1 005	810	5 067	44.8
中云	高积云	Ac	3	833	517	413	453	969	498	3 683	32.6
中云	高层云	As	4	184	250	171	287	124	222	1 238	11.0
低云	雨层云	Ns	5	11	8	9	8	6	9	51	0.5
	层云	St	6	13	11	10	7	13	19	73	0.6
	层积云	Sc	7	11	17	42	45	14	34	163	1.4
	积雨云	Cb	8	7	7	5	8	9	7	43	0.4
	积云	Cu	9	117	223	68	167	243	125	943	8.3

图2 AI样本库构建流程

Fig.2 The construction process of the AI sample library

图3 云分类标注流程

Fig.3 Cloud classification labeling process

表4 各种模型评估指标

Tab.4 Evaluation indicators of each model

模型	准确率	精确率	召回率	F1分数	均值	综合排名
支持向量机	0.94	0.85	0.78	0.81	0.85	1
逻辑回归	0.89	0.63	0.60	0.61	0.68	2
决策树	0.88	0.49	0.46	0.46	0.57	3
随机森林	0.88	0.46	0.41	0.41	0.54	4

图4 支持向量机模型9类云训练集（a、c、e）和测试集（b、d、f）的分类性能指标（a、b）、混淆矩阵（c、d）和ROC（e、f）

Fig.4 Classification performance metrics (a, b), confusion matrix (c, d), and ROC curves (e, f) of the SVM model for the 9-class cloud dataset on the training set (a, c, e) and test set (b, d, f)

图5 各种云分类的样本数量

Fig.5 Sample size of different cloud categories

图6 特征量重要性评估

Fig.6 Evaluation of the importance of feature quantities

图7 张掖外场2024年5月17日06:00—08:00（a、b）、9月4日14:00—16:00（c、d）、7月18日15:00—17:00（e、f）及7月18日18:00—20:00（g、h）AI云分类（a、c、e、g）和毫米波云雷达反射率因子（单位：dBZ）（b、d、f、h）

Fig.7 AI-based cloud classification (a, c, e, g) and millimeter-wave cloud radar reflectivity factors (Unit: dBZ) (b, d, f, h) from the Zhangye field campaign during the periods of 06:00-08:00 on 17 May (a, b), 14:00-16:00 on 4 September (c, d), 15:00-17:00 on 18 July (e, f), and 18:00-20:00 on 18 July (g, h), 2024

参考文献 34

[1]	陈冬冬, 赵静, 王柏林, 等, 2019. FY-2F卫星和毫米波云雷达云高观测的个例对比分析[J]. 气象科技, 47(3):495-501.
[2]	陈挺, 刘香君, 臧璇, 等, 2025. 深度特征选择方法研究综述[J]. 计算机应用与软件, 42(7):1-11.
[3]	顾桃峰, 岳海燕, 伍光胜, 等, 2023. 毫米波云雷达与激光云高仪气象探测性能对比分析[J]. 环境科学学报, 43(1):275-283.
[4]	郭立平, 刘姝, 李敬海, 等, 2024. 毫米波云雷达在高影响天气中的预警应用[J]. 干旱气象, 42(3):465-472. DOI
[5]	胡树贞, 曹晓钟, 陶法, 等, 2020. 船载毫米波云雷达观测西太平洋云宏观特征对比分析[J]. 气象, 46(6):745-752.
[6]	胡树贞, 陶法, 张雪芬, 等, 2022. 基于毫米波云雷达的寒潮过程回波特征分析[J]. 气象水文海洋仪器, 39(1):8-11.
[7]	黄兴友, 陆琳, 洪滔, 等, 2020. 利用毫米波云雷达数据反演层云微物理参数和云内湍流耗散率[J]. 大气科学学报, 43(5):908-916.
[8]	姬雪帅, 王丽婧, 郭宏, 等, 2022. 基于多源观测资料对张家口一次雨雪天气降水相态特征的分析[J]. 干旱气象, 40(3):507-515. DOI
[9]	李晨蕊, 伏晶, 刘维成, 等, 2022. 应用FY卫星产品分析陇东半干旱区特大暴雨事件云特征[J]. 干旱气象, 40(6):954-967. DOI
[10]	李海飞, 乐满, 杨飞跃, 等, 2017. 基于地基云雷达资料的淮南地区冬季云宏观特征[J]. 干旱气象, 35(6):1 011-1 014.
[11]	李慧, 郑旭程, 苏立娟, 等, 2023. 基于毫米波云雷达的黄河流域内蒙古段云宏观特征分析[J]. 干旱气象, 41(3):434-441. DOI
[12]	李郅琴, 杜建强, 聂斌, 等, 2019. 特征选择方法综述[J]. 计算机工程与应用, 55(24):10-19. DOI
[13]	刘光普, 黄思源, 梁莺, 等, 2019. 毫米波雷达在港口海雾观测和能见度反演中的应用[J]. 干旱气象, 37(6):993-1 004.
[14]	路志英, 王长桥, 王萍, 等, 2000. 用小波分析提取云图纹理梯度特征[J]. 模式识别与人工智能, 13(4):434-438.
[15]	倾鹏程, 陶法, 胡树贞, 等, 2022. 联合毫米波测云仪和全天空成像仪云分类方法[J]. 广东气象, 44(2):73-77.
[16]	全国气象仪器与观测方法标准化技术委员会, 2017. 地面气象观测规范总则:GB/T 35221—2017[S]. 北京: 中国标准出版社.
[17]	任丹阳, 曹梅, 王瑞英, 等, 2023. 毫米波云雷达及探空反演的云垂直结构对比分析[J]. 陕西气象(6):1-9.
[18]	宋冬昊, 王文明, 王敏仲, 等, 2025. 基于轻量级梯度提升机对毫米波雷达云回波数据分类[J]. 科学技术与工程, 25(17):7 072-7 079.
[19]	孙学金, 刘磊, 高太长, 等, 2009. 基于模糊纹理光谱的全天空红外图像云分类[J]. 应用气象学报, 20(2):157-163.
[20]	王卫民, 徐八林, 雷勇, 等, 2024. Ka波段毫米波云雷达对青藏高原东南缘降水回波的分析[J]. 气象, 50(3):291-302.
[21]	夏德深, 金盛, 王健, 1999. 基于分数维与灰度梯度共生矩阵的气象云图识别(Ⅱ):灰度梯度共生矩阵对纹理统计特征的描述[J]. 南京理工大学学报, 23(4):289-292.
[22]	徐路扬, 翟亮, 王媛媛, 等, 2023. 多源遥感数据在北京春季沙尘天气监测中的应用评估[J]. 干旱气象, 41(2):318-327. DOI
[23]	杨晓, 黄兴友, 杨军, 等, 2019. 毫米波雷达云回波的自动分类技术研究[J]. 气象学报, 77(3):541-551.
[24]	余安安, 吴雪菲, 李栋, 等, 2021. 基于神经网络的毫米波测云雷达云状识别研究[J]. 国外电子测量技术, 40(4):82-86.
[25]	喻皓, 2024. 基于卷积神经网络的地基云人工智能分类器研究[J]. 自动化与仪器仪表(2):24-28.
[26]	张德玉, 秦三杰, 魏荣妮, 等, 2024a. 天气雷达实时回波省级直显系统设计与应用[J]. 计算机技术与发展, 34(11):21-28.
[27]	张德玉, 魏荣妮, 张强, 等, 2024b. 天气雷达基数据通用工具包设计与实现[J]. 信息技术与信息化(5):153-156.
[28]	张德玉, 张启超, 张强, 等, 2024c. 基于天擎的天气雷达基数据显示分析系统[J]. 气象水文海洋仪器, 41(4):112-115.
[29]	张晋茹, 杨莲梅, 2019. 基于毫米波云雷达的伊犁河谷两次强降雪过程云特征观测分析[J]. 沙漠与绿洲气象, 13(5):41-48.
[30]	张艳品, 章文星, 吕达仁, 等, 2014. 卫星(IASI探测仪)观测云顶高与地基云雷达观测的对比验证[J]. 大气科学, 38(5):874-884.
[31]	张志坚, 张静, 蔡英琪, 2020. 毫米波云雷达系统观测试验结果分析[J]. 气象水文海洋仪器, 37(3):17-20.
[32]	周著华, 白洁, 刘健文, 等, 2005. MODIS多光谱云相态识别技术的应用研究[J]. 应用气象学报, 16(5):678-684.
[33]	MING H, WANG M Z, WEI M, et al, 2021. Study on the clouds detected by a millimeter-wave cloud radar over the hinterland of the Taklimakan Desert in April-June 2018[J]. Journal of Meteorological Research, 35(6): 1 074-1 090. DOI
[34]	TAN Z H, WANG J, GUO J P, et al, 2024. Improving satellite-retrieved cloud base height with ground-based cloud radar measurements[J]. Advances in Atmospheric Sciences, 41(11): 2 131-2 140. DOI