打开文本图片集

摘要：基于区域自动站临近的高清视频监控视频，利用图像识别和人工智能技术，识别区域站点附近的天气现象等信息，与区域自动站观测数据相结合，极大的减少大风、冰雹等天气现象的漏测，增加判别降水等疑误数据的手段，为观测质控和气象服务提供有利的技术支撑；实时获取气象应急观测站点周边实景监控画面，气象应急观测相结合，更加全面的掌握监测现场的气象状况，为防灾减灾救灾等提供更完备的气象监测资料，有效提升应急气象观测能力。

关键词：实景监测、人工智能、分析、业务服务

1.发展背景

天气识别随着计算机计算能力的增强，处理方法也从传统的手工方法逐步过渡到利用深度卷积网络学习并自动分类的阶段。

Martin Roser对车内摄像机获取的单一颜色图像进行了晴天、小雨和大雨三种天 气状况的分类，首先提取图像中的感兴趣区域并计算其局部对比度、最小亮度、锐度及饱和度来构造直方图特征，最后通过 SVM 分类器对图像进行天气的识别。

Qian Li等分析了图像的功率谱斜率、对比度、噪声和饱和度等特征的差异，基于不同特征距离构建了决策树，并在决策树的叶节点添加 SVM 分类器以实现天气的分类。

Chen Zichong则通过图像分割提取天空部分图像，应用多核学习策略选择有用的特征，然后基于 SVM 分类器进行天气的分类。

Cewu Lu首先对图像的天空、阴影、反射、对比度和雾霾六种目标进行识别，并根据图像中的目标存在部分对每一状态作概率分析，结合每一状况及其概率作为特征向量进行 SVM 分类识别天气类型。

Mohamed Elhoseiny应用卷积神经网络对晴天和阴天识别算法进行了研究，分析了不同的网络层次对识别精度的影响，并在 ImageNet 图像识别的深度学习模型基础上进行微调，使得天气识别精度提高到 82.2%。

Ziqi Zhu等人认为对于天气的手工特征描述不能很好地区分不同的天气状况，因此其收集了不同极端天气状态下图像作为数据库，并通过卷积神经网络自动提取图像的特征进行天气的分类，在其构建的数据库上，天气识别算法的精度达到了 94.5%。

Di Lin提出基于深度学习的一种区域选择及模式识别模型，首先是对图像进行区域分割，然后提取每个区域的 CNN 特征进行天气类型判断，实现了晴天、阴天、雨天、雪天、雾天和雷天的识别。

从中可以看到，具有良好质量的数据库是深度学习成功的必要条件。从两方面入手，一个是已有的高质量公开数据集，一个是特定场景的数据集。

2.数据集制作及预处理

2.1.开源数据集

收集天气相关数据集，如：MWI （Multi-class Weather Image） 、Image2Weather、MWD （Multi-class Weather Dataset）等。

以Image2Weather为例，该数据集包括五种不同天气类型的图片数量。数据集总共包含 183，798张图像。收集的图像地理范围从西经9.25度到东经30.4度，从北纬35度到北纬62.21度，温度范围为-25摄氏度至45摄氏度，湿度范围为4%至100%。

2.2.特定场景数据集

收集大量自动站天气环境样本，样本来源于多个自动站的视频监控图像，将样本分为 5个类别：晴天、阴天、雾天、雨天、雪天和镜头雨滴。同时收集多角度、多场景数据，包括但不限于：城市道路，高速公路，乡村道路。图片来源包括空中摄影，摄像机，新闻，交通事故，以及车辆自动驾驶记录数据。

数据集示例：

2.3.数据扩充及增强

从公开数据资料中寻找已标注好的非道路场景的样本来扩充数据集，从观测设备中收集存在多个不同场景的样本，以及存在同一场景中不同天气环境的样本来增加数据的丰富性。除此外，还通过数据增强技术来增加数据的多样性，包括：中心裁剪、随机角度翻转、随机水平（左右）翻转等。

数据增强实例

3.网络结构

众所周知，随着网络复杂度的增加，训练样本也必须增加。而且参数训练的复杂度是超线性增长。在实际运用中，应该选取相对较为容易训练的网络入手，节省训练成本。根据相关的文献，所采用的网络结构深度并没有特别高。

训练网络可以利用目前现成的网络进行，有VGG16（41层）和ResNet18（71层）等浅层网络。利用已知的网络可以减少开发成本，MATLAB和Python都提供了非常完备的支持。都具备GPU运算能力。

基于深度学习的天气识别流程

天气识别训练流程图

4.后续检验

利用实况视频监控验证模型准确率，选取含降雨过程的图片约500张进行测试，模型识别准确率在90%以上。部分识别结果如下：

检验过程除了利用训练样本外样本检验，同时可以利用特征层的输出主观判断特征是否被机器捕捉到。

5.存在问题及展望

灾害性天气图像识别虽然在近年来得到了较大的改进和提升，但仍然存在一些问题和挑战。图像识别受多个算法和图片因素的综合影响，数据的不确定性是天气现象图像识别中的主要问题之一。图片的质量和精度对预测结果有较大影响，因此数据质量和准确性的提高是一个关键问题。

下一步将进一步增加自贡各区县的图像数据集，特别是增加灾害性天气现象的图片的训练集，继续优化算法，提升大风、冰雹、强降水等强对流天气的识别能力，提升气象监测能力。

作者简介：

第一作者：余永福（1980.09-） 男 汉族 本科 高级工程师 研究方向：大气探测

通讯作者：肖佩 （1993.08-） 女 汉族 研究生  工程师 研究方向：大气探测