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

基于人工和地基器测数据的AI云识别方法

张德玉^,¹, 胡树贞^,², 秦三杰³, 张强¹, 白明¹, 庞成¹, 魏荣妮¹

1.甘肃省张掖市气象局，甘肃张掖 734000

2.中国气象局气象探测中心，北京 100081

3.甘肃省气象局观测与网络处，甘肃兰州 730020

AI cloud classification based on manual and ground-based instrumental data

ZHANG Deyu^,¹, HU Shuzhen^,², QIN Sanjie³, ZHANG Qiang¹, BAI Ming¹, PANG Cheng¹, WEI Rongni¹

1. Zhangye Meteorological Bureau of Gansu Province， Zhangye 734000， Gansu， China

2. CMA Meteorological Observation Center， Beijing 100081， China

3. Department of Observation and Network，Gansu Meteorological Bureau， Lanzhou 730020， China

通讯作者: 胡树贞（1985—），男，山东德州人，高级工程师，主要从事毫米波雷达资料分析及应用研究。E-mail：052310421hu@163.com。

责任编辑: 邓祖琴；校对：黄小燕

收稿日期: 2024-11-28 修回日期: 2025-05-2

基金资助:

中国气象局气象探测中心观测试验项目(GCSYJH23-23)
甘肃省气象局科研项目(Zd2024-A-1-A)

Received: 2024-11-28 Revised: 2025-05-2

作者简介 About authors

张德玉（1978—），男，甘肃民乐人，高级工程师，主要从事气象雷达与大气探测研究。E-mail：zydeyu@163.com。

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%.

Keywords： ground-based cloud observation; AI cloud classification; millimeter-wave cloud radar; all-sky imager; artificial cloud shape

PDF (12662KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

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

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]. Arid Meteorology, 2025, 43(5): 810-819 DOI:10.11755/j.issn.1006-7639-2025-05-0810

0 引言

云的观测是气象业务中的核心内容，涵盖云高、云状和云量等关键要素。云观测方式经历了从人工到自动的演变。人工观测因其主观性强、误差较大、难以实现连续观测等问题，正逐步被自动观测取代。当前自动观测主要包括天基（如卫星）、空基（如飞机、飞艇、探空气球）和地基（如激光云高仪、云雷达、成像仪）3种方式（夏德深等，1999；路志英等，2000；周著华等，2005；张艳品等，2014）。天基观测能够实现对全球云况的监测，但空间分辨率较低（李晨蕊等，2022），且被动观测方式难以获取云顶以下的结构信息（Tan et al.，2024）；空基观测能获取高质量垂直剖面信息，但观测范围有限、成本高，难以实现业务化运行；相比之下，地基观测部署灵活、成本较低，适用于长期业务化运行，成为当前主流的云观测手段。近年来，激光云高仪、全天空成像仪和毫米波云雷达的快速发展明显提升了地基观测的技术水平。其中，全天空成像仪在量监测方面趋于成熟，而毫米波云雷达因其可探测云顶、云底及云内部结构（Ming et al.，2021），并输出云内部反射率、垂直速度等多种云微物理量，是当前最有效的地基测云设备之一（李海飞等，2017；刘光普等，2019；姬雪帅等，2022；徐路扬等，2023；李慧等，2023；郭立平等，2024）。

目前，气象业务中广泛使用的“天气现象视频智能观测仪”主要依赖图像识别技术，通过卷积神经网络（Convolutional Neural Networks，CNN）等深度学习模型处理多路视频数据，实现天气现象与云分类的自动识别。然而，该系统作为纯视觉观测方式，存在以下缺陷：1）对多层云的识别能力较弱，尤其在低层云遮挡高层云时；2）夜间观测能力下降；3）云状识别准确性受限。针对上述问题，已有研究尝试融合云物理特征和图像纹理特征改进分类方法，如基于多通道红外图像和纹理特征的云类识别（孙学金等，2009），或基于毫米波云雷达特征参数的分级多阈值判别方法（杨晓等，2019）。此外，也有研究采用卷积神经网络、反向传播神经网络等AI方法对地基数据进行云状分类（余安安等，2021），但在观测数据融合与方法对比分析方面仍存在不足，尤其是在多源数据融合和垂直结构识别方面尚需改进。基于张掖国家气候观象台试验外场（简称“张掖外场”）2023年5月1日至2024年4月30日的观测数据，结合毫米波云雷达、全天空成像仪、人工观测记录和地面自动站资料，构建多源高质量AI训练样本库，并利用多种机器学习算法开展对9类云状及降水天气的自动识别研究，旨在提升地基云观测的智能化和精细化水平。

1 设备、资料与方法

1.1 观测设备

Ka波段毫米波云雷达型号为YLU4型，生产厂家为无锡智鸿达电子有限公司，具体性能指标见表1。观测的物理量包括反射率因子、径向速度、谱宽、云顶高度及云底高度等；主要产品包含质控后的基数据、液态含水量、衰减订正后的反射率、有效粒子半径等。

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

新窗口打开| 下载CSV

全天空成像仪型号为ASC200型（表2），安徽云能天智能科技有限责任公司生产。其主要产品包括可见光原图、可见光云图、红外原图、红外增强图、红外云图及云量等。

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

新窗口打开| 下载CSV

1.2 资料与方法

1.2.1 资料

2023年5月1日至2024年4月30日08：00、14：00、20：00张掖外场的人工观测数据、毫米波云雷达数据、全天空成像仪数据以及来自“天擎·甘肃”的地面自动站相关数据。

1.2.2 方法

基于多源观测数据的融合结果确定云分类，进而构建AI样本库；采用多种机器学习算法对样本数据进行训练与评估，并通过优中选优的方法确定最优模型；对最优模型在各类别上的识别性能开展进一步评估；最后结合实况资料验证模型的可靠性并得出结论（杨晓等，2019；余安安等，2021；倾鹏程等，2022；宋冬昊等，2025）（图1）。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 总体流程图

Fig.1 Overall flow chart

1.2.3 云状分类

依据《地面气象观测规范》（全国气象仪器与观测方法标准化技术委员会，2017）将云状划分为3族10属29类。鉴于研究初期技术条件限制，本研究以自动识别“10属”为目标。选取“天擎·甘肃”地面资料中张掖市6个地面站2023年5月1日至2024年4月30日的云状观测数据，共获得11 301次有效观测。结果显示，卷云、高积云、高层云和积云的出现频率分别为45%、33%、11%和8%；卷层云、卷积云、积雨云出现的次数分别为0次、40次和43次，属于低频类别。

卷层云数量为0，无法单独做为一类，同时卷层云与卷积云在物理特征上具有相似性，且卷积云数量有限，因此将卷积云和卷层云合并为一类，其余各属单独划分，最终形成9个分类，并据此对AI样本库进行标注（表3）。

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

新窗口打开| 下载CSV

1.2.4 AI样本库构建

AI样本库的构建包括特征量提取、辅助资料提取、云分类标注及样本筛选等关键步骤，详细流程见图2。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 AI样本库构建流程

Fig.2 The construction process of the AI sample library

1）格式解析

毫米波云雷达的四类数据文件（质控后基数据、订正后反射率、液态水含量、有效粒子半径）存储结构一致，仅数据内容有所差异。以质控后基数据为例：文件由公共块和径向数据块构成，前者记录站点和任务等基础信息，后者包括多个子块，每个子块由径向头（观测要素及空间大小）、径向数据头（采样数量与存储规则）和径向数据（探测值）组成。观测要素包括反射率、径向速度和谱宽，每个要素含500个采样点，共计1 500个数据，径向分辨率为30 m、时间分辨率1 min、最大探测距离15 m（胡树贞等，2022；任丹阳等，2023；李慧等，2023；顾桃峰等，2023；张德玉等，2024a；张德玉等，2024b；张德玉等，2024c；王卫民等，2024）。

2）特征量提取

以反射率为例，定义序列X_k（k为采样点，k=1，2，3，……，500）为第k个高度层的反射率因子，采样间隔D为30 m。通过逐点扫描，提取连续存在回波的区段并视为1层云体（张晋茹和杨莲梅，2019；陈冬冬等，2019；黄兴友等，2020；张志坚等，2020；胡树贞等，2020）。

（1）

\{\begin{matrix} Z = \sum_{k = S}^{E} X_{k} \\ Z_{a} = \frac{Z}{E - S} \\ Z_{m} = m a x \{X_{S}, X_{S + 1}, X_{S + 2}, . . ., X_{E}\} \\ Z_{n} = m i n \{X_{S}, X_{S + 1}, X_{S + 2}, . . ., X_{E}\} \end{matrix}

式中：Z为总反射率， $Z_{a}$ 为平均反射率， $Z_{m}$ 为最大反射率， $Z_{n}$ 为最小反射率，单位均为dBZ； $S$ 、 $E$ 为该层的起始索引和结束索引。

（2）

\{\begin{matrix} H_{b} = L + S \times D \\ H_{t} = L + E \times D \\ T_{h} = (E - S) \times D \end{matrix}

式中： $H_{b}$ 、 $H_{t}$ 分别为云底高度和云顶高度，L为探测起始距离， $T_{h}$ 为云层厚度，单位均为m。

3）辅助资料提取和样本筛选

辅助资料包括全天空成像仪总云量、自动气象站逐小时观测资料（包括区站号、总云量、天气现象、高、中、低云状）及人工观测云状记录。

张掖外场毫米波云雷达为固定天线，仅观测天顶方向（90°仰角），而人工和自动站则面向全天空，观测覆盖范围存在差异。理论上，总云量越接近10成，云雷达数据越能代表全天空状况。以总云量作为阈值进行样本筛选时需在代表性和数量之间权衡，阈值过高会造成样本量太小，难以满足模型训练需求；阈值过低，则数据代表性不足，降低结果可靠性。经反复测试，最终选取总云量≥8成作为筛选阈值。此外，降水天气会显著影响毫米波云雷达的探测性能，为保证数据质量，结合自动站天气现象资料，剔除所有降水时段样本。依上述标准处理2023年5月1日至2024年4月30日的文件与数据，共获样本64 258条，经总云量与降水条件双重筛选后得到有效样本20 090条。

4）云分类标注

毫米波云雷达可穿透观测多层云，而人工与地面自动站观测仅限于视觉识别，导致云层数目存在差异，难以直接标注。对无法直接标注的样本，引入半监督分类方法，对未标注样本进行二次标注。比较转导支持向量机（Transductive Support Vector Machine，TSVM）、自训练分类器和标签传播算法三者的分类精度，结果表明转导支持向量机准确率最高，因此最终选择该算法。首先利用有标注样本训练初始支持向量机（Support Vector Machine，SVM）分类器，并对未标注样本进行预测，随后基于最大化间隔准则，迭代更新分类边界及样本标注，直至收敛或达到迭代次数上限。由于TSVM本质为二分类算法，多分类问题通过“一对一”方式转化为多个二分类任务实现。标注流程如图3所示，主要有以下4个步骤：1）依据《地面气象观测规范》（全国气象仪器与观测方法标准化技术委员会，2017）中各云属常见云底高度范围，结合观测数据将样本初步划分为高云、中云和低云；2）利用人工观测资料对各类样本进行标注；3）结合自动站观测数据进行辅助修正；4）采用TSVM对剩余未标注样本进行迭代标注。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 云分类标注流程

Fig.3 Cloud classification labeling process

2 模型训练与评估

全部样本经洗牌与标准化处理，划分为训练集与测试集，各占样本总数的75%、25%。选择最佳特征量，依次输入支持向量机、逻辑回归、决策树、随机森林4种机器学习算法开展模型训练，各类学习模型借助网格搜索交叉验证（GridSearchCV）进行最佳参数匹配。训练结束后，通过模型评估和对比分析确定最佳模型。

2.1 特征量选择

特征量选择旨在从原始特征集合中筛选出对模型预测性能起关键作用的变量（陈挺等，2025），以减少冗余和过拟合风险。特征选择方法主要有3类：过滤法（Filter）、包裹法（Wrapper）和嵌入法（Embedded）（李郅琴等，2019），本文采用过滤法，具体流程如下：首先，采用方差阈值法剔除方差低于阈值0.1的特征，保留约80 %的主要特征；其次，通过卡方检验评估特征与目标变量的相关性，剔除低相关性特征；最后，结合相关系数和协方差矩阵筛选与目标变量高度相关的特征，最终获得27个特征量（表略）。

2.2 模型参数选择

采用GridSearchCV优化参数的基本流程为：1）明确参数（学习率、正则化参数等超参数）及候选取值范围；2）遍历所有参数组合，并交叉验证评估模型性能。其中交叉验证是将数据集划分为k个子集，每次选取其中一个子集作为验证集，剩余部分作为训练集，最终将平均值作为评估结果；3）根据交叉验证结果选择最优参数配置。

2.3 模型评估指标

主要有准确率（ $A c c u r c a y$ ）、精确率（ $P r e c i s i o n$ ）、召回率（ $R e c a l l$ ）、F1分数、混淆矩阵、受试者工作特征曲线（Receiver Operating Characteristic Curve，ROC）、曲线下面积（Area Under the Curve，AUC）等，具体公式如下：

（3）

\{\begin{matrix} A c c u r c a y = \frac{T P + T N}{T P + T N + F P + F N} \\ P r e c i s i o n = \frac{T P}{T P + F P} \\ R e c a l l = \frac{T P}{T P + F N} \\ F 1 = 2 \times \frac{P r e c i s i o n \times R e c a l l}{P r e c i s i o n + R e c a l l} \\ F P R = \frac{F P}{T N + F P} \end{matrix}

式中：Accuracy为分类正确的样本数占总样本数的比例，用于衡量模型整体的分类性能；TP为真正例，即实际为正类且被模型判定为正类的样本数量；TN为真负例，即实际为负类且被模型判定为负类的样本数量；FP为假正例，即实际为负类但被模型判定为正类的样本数量；FN为假负例，即实际为正类但被模型判定为负类的样本数量；Precision为模型判定为正类的样本中，真正例的比例，用于衡量正类预测的准确性；Recall也叫真正率，即在实际为正类的样本中，被模型正确判定为正类的样本所占比例，表示模型对正类的覆盖程度，TPR含义同召回率；F1为Precision和Recall的调和平均，取值范围为0~1；FPR为假正率，即实际为负类但被预测为正类的样本比例；；混淆矩阵用于直观展示分类模型预测结果与实际观测结果之间的对应关系。

ROC是以FPR为横坐标，TPR为纵坐标绘制的曲线，反映模型在不同阈值下的性能表现；AUC表示ROC下的面积，取值范围为0.5~1.0，数值越大表示模型性能越好；宏平均是对每个类别分别计算AUC后取算数平均，能够反映各类别的整体表现；微平均是将所有类别的混淆矩阵元素相加，计算总体的TPR和FPR，进而得到微平均AUC。

2.4 最优模型选择

通过对比4类算法在测试集上的性能，结果表明SVM的各项评估指标上均表现最佳（表4），因而被确定为最终模型。

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

新窗口打开| 下载CSV

2.5 支持向量机在各分类上的评估

评估结果如图4所示，训练集的表现整体优于测试集。性能指标中，测试集的分类2、3、9表现最好，分类8和1表现最差；混淆矩阵主要数值集中在对角线上，表明模型整体分类效果良好，测试集上，分类2、3、9表现最好，分类8和1表现最差；微平均和宏平均AUC均在0.98以上，进一步表明模型整体性能优异。测试集的各分类中，AUC均在0.95以上，其中分类2、9、3表现最佳，分类8和1表现最差。

图4

新窗口打开| 下载原图ZIP| 生成PPT

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)

综上，支持向量机在各分类上的整体表现良好。其中，分类效果最佳的是2、9、3类，最差的是8和1类。由图5可见，分类2、9、3样本数量最多，分类8和1样本数量最少。样本数量与分类效果高度一致，即样本数量越多，分类效果越好；反之则越差，表明模型在各类别的分类效果与样本数量成正比。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 各种云分类的样本数量

Fig.5 Sample size of different cloud categories

2.6 特征量重要性评估

进一步采用夏普利可加性解释（SHapley Additive exPlanations，SHAP）方法对支持向量机进行特征量重要性评估（图6），排名前5的特征量依次为云底高度、云顶高度、云体厚度、液态水含量以及订正后反射率，表明几何结构和微物理特征在云分类中起关键作用。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 特征量重要性评估

Fig.6 Evaluation of the importance of feature quantities

3 效果检验

为验证模型在实况数据中的适用性，开发了“基于人工和地基器测数据的AI云分类系统”。该系统将毫米波云雷达、全天空成像仪等设备获取的历史与实时数据存储于后台数据库，并通过前台调用AI模型实现云分类功能。系统可连续输出时间分辨率为20 s的云分类产品。张掖外场典型日AI云分类和毫米波云雷达反射率因子如图7所示，实况云状以地面自动站观测数据作为参照标准。2024年5月17日06：00—08：00，模型识别出2层云，低层主要为高积云、积云和层积云，并随时间发生转化，高层为卷云；实况观测到高积云和层积云，整体与模型结果基本一致。2024年9月4日14：00—16：00，模型识别出3层云，低层为积云，中层为高积云，高层为卷云（其中少量层积云属于分类误差）；实况观测为积云和高积云，未出现卷云，推测为低层云遮挡所致，模型整体与实况相符。2024年7月18日15：00—17：00，模型在低层识别出降水和积云，在中高层识别出高层云、高积云和卷云；实况显示降水、高积云、高层云和积云，未观测到卷云，整体与模型结果基本一致。2024年7月18日18：00—20：00，模型识别出降水、积云和高积云，且反映出云底高度随时间逐渐升高、降水天气逐渐结束的过程，与实况观测完全一致。

图7

新窗口打开| 下载原图ZIP| 生成PPT

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

4 讨论和结论

4.1 讨论

基于以上个例和系统性分析，发现毫米波云雷达可探测到最多的云层信息，地面自动站次之，人工观测最少，三者存在明显的层次性包含关系。说明自动站数据可作为人工观测的有效补充，甚至在部分情景下替代人工观测用于云分类标注。地面自动站与人工观测结果具有较高一致性，而人工观测的标注成本较高，因此利用自动站数据进行云分类标注具有可行性和效率优势，尤其适合大范围、长时序研究。样本数量不均衡明显影响分类效果，样本数量较少的云类识别效果较差，验证了样本均衡性对模型训练的重要性，在构建AI样本库时，应尽可能保证各分类样本均匀分布，以提高模型泛化能力。弱降水条件下，雷达探测的“云底”往往实际为“雨底”，易引起分类偏差。本研究提出将云和降水分开识别，并规定当云底高度低于200 m时统一识别为降水，以改善识别精度，但该阈值仍需进一步优化。单部雷达的一致性问题影响较小，但在未来多部雷达或跨厂家设备融合研究中，回波强度差异可能对分类结果产生显著影响，需要开展一致性校准与评估。

4.2 结论

本文基于2023年5月1日至2024年4月30日张掖外场的毫米波云雷达和全天空成像仪资料，结合人工和地面自动站观测的云状及天气现象，通过“确定云状分类、特征量提取、辅助资料提取、样本筛选、样本标注”等步骤，构建了多源融合的AI样本库。采用支持向量机、逻辑回归、决策树、随机森林4种算法进行训练和评估对比，最终确定支持向量机为最优模型。该模型可实现卷积云、卷云、高积云、高层云、雨层云、层云、层积云、积雨云、积云9类云状及降水天气的自动识别，准确率、精确率、召回率、F1分数分别达0.94、0.85、0.78和0.81。与已有研究相比，云状识别种类提升约33%，准确率提高约15%（余安安等，2021；喻皓，2024）。基于该模型开发的“基于人工和地基器测数据的AI云分类系统”进一步验证了其应用效果，结合地面自动站数据的典型个例分析表明，模型能够准确识别垂直方向上的多层云结构，有效弥补了“天气现象视频智能观测仪”纯视觉识别的不足。

相比CNN视觉识别方法（喻皓，2024），本文模型通过引入毫米波云雷达数据，显著改善了对云垂直结构的探测能力；在多源数据融合方面，也较BP神经网络更具优势，能够整合多类观测数据以增强模型泛化能力。尽管BP神经网络具备自动特征提取的优点，但在样本数量有限时其学习效果较差；本文通过人工特征提取结合多算法对比选择的方法，提升了模型的稳定性与适应性。

综上所述，本文在数据融合和方法论上均有明显改进，在云状识别种类、识别精度以及时间分辨率方面均较现有方法有显著提升，具备较高的业务化应用潜力。但由于研究基于单站资料，样本规模和空间分布存在局限，未来仍需通过引入更多站点及更长时间序列的数据，进一步优化模型性能，并最终实现对《地面气象观测规范》（全国气象仪器与观测方法标准化技术委员会，2017）中10属云状的全面自动识别，为构建面向未来的智能化云观测系统提供参考。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[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.