基于机器学习的重庆长江航道雾图像特征识别研究

doi:10.3969/j.issn.1673-503X.2021.01.014

摘要/Abstract

摘要：

基于重庆市境内长江航道雷达站拍摄的雾天气过程影像资料，利用K最近邻、支持向量机、BP神经网络、随机森林等机器学习算法，对无雾和5类有雾天气个例进行图像识别训练，构建雾图像识别模型，并检验了识别准确率。结果表明：机器学习能够有效识别雾图像，随机森林算法的识别效果优于其余3种算法。对于能见度超过1500 m的无雾天气，模型的识别准确率为100%，对于能见度在1000—1500 m范围内的轻雾、能见度低于50 m的强浓雾，模型的识别准确率在90%以上，对于能见度在50—1000 m范围内的雾、大雾和浓雾，识别准确率超过70%。

关键词: 雾, 机器学习, 图像识别, 图形用户界面

Abstract:

Based on the image data of fog events taken by radar stations on the Yangtze River waterways in Chongqing, images without fog events and with five types of fog events were trained using algorithms including K-nearest neighbor, support vector machine, back propagation neural network, and random forest.According to the training results, a fog image identification model was built, and the identification accuracy was tested.The results show that machine learning can effectively identify fog images, and random forest performances better than the other three algorithms.The model has a recognition accuracy of 100% for non-fog recognition, over 90% for light fog and strong dense fog events, and over 70% for fog, heavy fog, and dense fog events.

Key words: Fog, Machine learning, Pattern recognition, Graphical user interface

中图分类号:

P409

王远谋,李家启,陈施吉,唐家萍,夏佰成,韩世刚. 基于机器学习的重庆长江航道雾图像特征识别研究[J]. 气象与环境学报, 2021, 37(1): 106-112.

Yuan-mou WANG,Jia-qi LI,Shi-ji CHEN,Jia-ping TANG,Bai-cheng XIA,Shi-gang HAN. Identification of the fog image features on the Yangtze River waterways in Chongqing based on machine learning[J]. Journal of Meteorology and Environment, 2021, 37(1): 106-112.

图/表 9

图1

图2

图3

表1

表2

图4

表3

图5

图6

参考文献 21

1	赵慧霞, 王维国, 李泽椿, 等. 雾对我国交通运输的不利影响及对策[J]. 气象与环境学报, 2010, 26 (2): 58- 62.
2	居为民, 孙涵. 卫星遥感资料在沪宁高速公路大雾监测中的初步应用[J]. 遥感信息, 1997, (3): 25- 27.
3	李亚春, 孙涵, 李湘阁, 等. 用GMS-5气象卫星资料遥感监测白天雾的研究[J]. 南京气象学院学报, 2001, 24 (3): 343- 349.
4	梁超圣, 柳健, 王志成. 低能见度前下视航拍图像中机场跑道的自动检测[J]. 华中科技大学学报: 自然科学版, 2005, 33 (3): 27- 29.
5	孙晓宁, 陆文骏. 一种新的雾天图像显著性检测方法[J]. 计算机与数字工程, 2015, 43 (11): 2029- 2034.
6	李才媛, 韦惠红, 邓红. SVM方法在武汉市大雾预警预报中的应用[J]. 暴雨灾害, 2008, 27 (3): 264- 267.
7	项文书. 基于交通视频的能见度估计研究[D]. 上海: 上海交通大学, 2014.
8	史达伟, 李超, 史逸民, 等. 基于机器学习的大雾天气背景下特强浓雾本地化诊断研究[J]. 灾害学, 2018, 33 (2): 193- 199.
9	马啸, 邵利民, 徐冠雷, 等. 基于K均值聚类算法的雾霾天气自动识别[J]. 舰船电子工程, 2018, 38 (12): 124- 128.
10	周建平, 苗开超, 江春, 等. 高速公路夜间大雾图像特征及其识别[J]. 气象科技, 2019, 47 (1): 29- 34.
11	朱熙文. 大数据下的在线机器学习算法研究与应用[D]. 成都: 西南交通大学, 2017.
12	闫蕾芳. 基于深度学习的图像分类的研究[D]. 济南: 山东大学, 2017.
13	骞宇澄, 刘昭策. 深度学习的实现与发展-从神经网络到机器学习[J]. 电子技术与软件工程, 2017, (11): 30- 31.
14	林丹. 基于小波变换的K-means算法在遥感图像分类中的应用研究[D]. 邯郸: 河北工程大学, 2015.
15	居红云, 张俊本, 李朝峰, 等. 基于K-means与SVM结合的遥感图像全自动分类方法[J]. 计算机应用研究, 2007, 24 (11): 324- 326.
16	贺皓, 罗慧. 基于支持向量机模式识别的大雾预报方法[C]//第27届中国气象学会年会论文集, 北京: 中国气象学会, 2012: 1-6.
17	刘年庆, 蒋建莹, 吴晓京. 基于支持向量机的遥感大雾判识[J]. 气象, 2007, 33 (10): 75- 79.
18	陈贝, 徐洪刚, 王明天, 等. 成乐高速公路大雾预报方法研究[J]. 高原山地气象研究, 2012, 32 (2): 70- 76.
19	袁志康, 张韧, 周树道, 等. 基于人工神经网络算法的某机场雾的模式识别预报[J]. 解放军理工大学学报: 自然科学版, 2002, 3 (4): 82- 86.
20	金宝刚, 张韧, 王晓蕾, 等. 基于BP神经网络与纹理分析优化的雾检测[J]. 解放军理工大学学报: 自然科学版, 2009, 10 (2): 195- 199.
21	包红军, 陈辉, 田华, 等. 京珠高速公路低能见度(雾)神经网络预测模型[C]//第28届中国气象学会年会-S10公共气象服务政策体制机制和学科建设. 厦门: 中国气象学会, 2011.

天气类型	无雾	轻雾	雾	大雾	浓雾	强浓雾
饱和度方差	(500, +∞)	(300, 500]	(100, 300]	(100, 300]	(100, 300]	(0, 100]
熵	(0.26, +∞)	(0.26, +∞)	(0.25, 0.26]	(0.24, 0.25]	(0.21, 0.24]	(0, 0.21]
样本数	2532	158	284	291	216	209

天气类型	无雾	轻雾	雾	大雾	浓雾	强浓雾
能量	0.128302	0.10812	0.126735	0.128953	0.126922	0.141890
熵	0.299417	0.280122	0.261399	0.249963	0.225267	0.205715
对比度	2.461470	2.596750	2.411628	2.368502	2.341374	2.212856
相关性	0.947251	0.962863	0.963829	0.970463	0.974697	0.976354
饱和度均值	56.06066	18.5819	12.62698	12.03518	11.22345	9.212304
饱和度方差	1159.287	425.4326	191.4073	181.1989	151.9692	96.43077

天气类型	K最近邻	SVM	BP神经网络	随机森林(1000棵)	随机森林(5000棵)	随机森林(50000棵)
无雾	100	100	100	100	100	100
轻雾	100	95.83	79.17	100	100	100
雾	78.33	48.33	76.67	93.33	91.67	91.67
大雾	77.19	66.67	40.35	89.47	89.47	89.47
浓雾	72.22	51.85	75.93	81.48	5.93	77.78
强浓雾	89.74	84.62	0	97.44	97.44	97.44

[1]	阎琦, 李爽, 滕方达, 吴芳妮, 梁淑娥, 张爱忠. 2018年辽宁地区两次大雾天气成因分析[J]. 气象与环境学报, 2020, 36(6): 91-97.
[2]	张翠艳,阎琦,白雪,张广梅,娄芳蕾,周福然,常姝婷. 1999—2018年锦州地区大雾气候特征及成因分析[J]. 气象与环境学报, 2020, 36(3): 87-92.
[3]	聂凯, 王京丽, 雷鸣, 韩微, 刘金城. 基于数字摄像能见度仪的北京地区降雨和雾霾天气能见度对比分析[J]. 气象与环境学报, 2020, 36(1): 28-35.
[4]	王博妮,张雪蓉,孙明,田力,濮梅娟. 江苏地区雨雾天气特征及成因研究[J]. 气象与环境学报, 2020, 36(1): 58-66.
[5]	张婉莹,孙秀博,李岚,张建强,孙丽,齐昕. 辽宁沿海高速公路浓雾气候特征及气象影响因子[J]. 气象与环境学报, 2020, 36(1): 67-73.
[6]	吴杰, 周建平, 邓学良, 王传辉, 周文鳞. 巢湖地区能见度特征及其影响因子分析[J]. 气象与环境学报, 2019, 35(2): 40-45.
[7]	郭渠, 李瑞, 阮定伦, 张天宇. 重庆地区冬季雾气候变化特征及其成因分析[J]. 气象与环境学报, 2018, 34(5): 47-56.
[8]	陈跃浩, 熊明明, 曹经福, 杨艳娟. 雾霾天气对天津市太阳辐射影响的量化研究[J]. 气象与环境学报, 2018, 34(5): 25-30.
[9]	陈翔翔, 许爱华, 许彬, 肖安. 2000-2012年江西省三类区域性大雾时空分布及影响因素特征[J]. 气象与环境学报, 2018, 34(3): 37-47.
[10]	夏凡, 李昌义. 基于3种能见度方案山东地区雾天气预报试验研究[J]. 气象与环境学报, 2018, 34(3): 48-57.
[11]	于志明, 王驷鹞, 马冬亮. 渤海海洋气象灾害天气分型与预报指标研究[J]. 气象与环境学报, 2018, 34(1): 106-111.
[12]	朱佳蓉, 漆梁波. 上海地区辐射雾演变成因及模式预报[J]. 气象与环境学报, 2017, 33(1): 1-11.
[13]	金巍, 曲姝霖, 王业修, 沈玉敏, 戴萍, 郜凌云, 曲岩, 原久淞. 鞍山地区大雾天气气候特征及成因探讨[J]. 气象与环境学报, 2016, 32(6): 69-76.
[14]	李杨, 马舒庆, 贾小芳, 郑宇, 鲁赛, 赵胡笳. 基于无人直升机探测的北京地区重雾霾天气大气颗粒物垂直变化特征分析[J]. 气象与环境学报, 2016, 32(6): 179-183.
[15]	张婉莹, 孙秀博, 李岚, 吴侃, 秦美欧, 李晓岚. 1961-2014年辽宁地区雾日变化特征[J]. 气象与环境学报, 2016, 32(6): 77-84.