王山海，劉 謙，馬鑫鑫

(河南省人工影響天氣中心，河南 鄭州 450000)

0 引 言

圖像是客觀事物在人腦中形成的影像，是一種重要的信息來源。它具有很強的直觀性，而且便于理解。隨著計算機與人工智能(artificial intelligence，AI)技術(shù)的快速發(fā)展以及硬件水平的提高，圖像處理的應(yīng)用越來越廣泛，并在學(xué)術(shù)界和工業(yè)界都取得了一定的成果。圖像識別(image recognition)是利用計算機對圖像進(jìn)行處理，以識別各種不同模式的目標(biāo)和對象的技術(shù)。它著重強調(diào)圖像與圖像之間進(jìn)行的交換，或者對圖像進(jìn)行加工以改善圖像的視覺效果，從而為后期的圖像識別打下基礎(chǔ)[1]。在很多場景中，圖像比文字或者其他形式的信息能夠更直觀地展示信息。將景物、圖像、字符等信息經(jīng)過預(yù)處理，然后進(jìn)行識別，讓計算機具有機器視覺，能夠與外界進(jìn)行交互，具有類似人類所擁有的識別物體的能力，這就是圖像識別的目的。根據(jù)圖像識別的具體結(jié)果，可以進(jìn)一步處理，使其在不同的場景中發(fā)揮特定的作用。

人工影響天氣(簡稱“人影”)，指在適當(dāng)條件下，人們通過科技手段對局部大氣的過程進(jìn)行影響，使某些局地天氣朝著有利于人類的方向轉(zhuǎn)化，從而避免或者減輕氣象災(zāi)害，合理利用氣候資源實現(xiàn)增雨(雪)、防雹、消雨等目的[2]。目前實施人工影響天氣作業(yè)主要通過地面和空中兩種方式。地面作業(yè)通常利用高炮或者火箭架向空中具有一定條件的目標(biāo)云發(fā)射含有催化劑的炮彈、火箭彈，它們在云中爆炸，把催化劑播撒在云中，以影響云物理過程。另外一種方式是利用飛機，在具有一定條件的云中直接播撒含有催化劑的物質(zhì)，進(jìn)行人工作業(yè)，影響云物理過程。

無論是采用地面人影作業(yè)方式還是飛機作業(yè)方式，對作業(yè)潛力區(qū)的分析都是必不可少的步驟。只有將催化劑播撒到潛力區(qū)內(nèi)，才能取得良好的作業(yè)效果，實現(xiàn)人影作業(yè)目的。而對人影作業(yè)潛力區(qū)的研究，是一項比較困難的工作，目前還沒有非常準(zhǔn)確的定量化的指標(biāo)來界定潛力區(qū)邊界，大部分都是依賴經(jīng)驗，靠手工劃定。因此，傳統(tǒng)方法劃定人影作業(yè)潛力區(qū)的隨意性較大，可靠性不高。如果能結(jié)合圖像識別技術(shù)，以衛(wèi)星云圖、雷達(dá)回波圖、溫度壓強場為基礎(chǔ)，配合模式預(yù)報來確定合適的人影作業(yè)潛力區(qū)，勢必可以提高作業(yè)潛力區(qū)劃定的準(zhǔn)確性，提高作業(yè)效益，使人影業(yè)務(wù)發(fā)揮更大的作用。

1 人影作業(yè)潛力區(qū)的研究

1.1 云霧降水的基本機制

由大氣中的水汽凝結(jié)(凝華)形成水滴、冰雪晶或它們的混合物組成的可見懸浮體形成云霧[3]，構(gòu)成降水的必要條件。云粒子在空中繼續(xù)吸附水汽，體積與重量逐漸增長，獲得較大的下落速度，并且在下落過程中沒有被蒸發(fā)掉，才能形成降水。云霧降水微物理機制如圖1所示。

自然界中的云具有不同的外形和空間尺度，可以存在于不同的高度，其組成也有固態(tài)或液態(tài)之分。云的分布及其演變過程，不僅反映了當(dāng)時的天氣形勢和水汽狀況，而且也是預(yù)示未來天氣變化的重要征兆之一。人工影響天氣作業(yè)的開展，正是基于對云進(jìn)行充分的宏、微觀研究，掌握云霧降水機制，開發(fā)空中水資源，增加降水。但長期以來，由于云霧、降水和可降水量有很大的不確定性，尤其是對云的了解還很不透徹，人工影響天氣作業(yè)中存有很大的盲目性[4]。這樣導(dǎo)致了作業(yè)資源的浪費，殆誤了作業(yè)時機，不能充分發(fā)揮人影作業(yè)效益。

圖1 云霧降水微物理機制

1.2 云霧降水的宏觀特征

目前對人影增雨作業(yè)潛力區(qū)的研究主要從天氣形勢、高空探測、數(shù)值模式等云降水微觀特征方面展開，選取適宜人工增雨作業(yè)的云系。通過查閱相關(guān)文獻(xiàn)，Grant和Elliott(1974)提出了一個重要的概念—播云溫度窗，他指出云頂溫度介于-10 °C到-24 ℃之間時具有最佳的催化劑播撒效果；而Rokicki和Young(1978)則提出了云最充分降水對應(yīng)的最佳冰晶濃度；Cooperand Marwitz(1980)則將云的不穩(wěn)定能量與增雨潛力聯(lián)系起來進(jìn)行研究，Hill(1980)觀測分析將-22 ℃的云頂溫度作為地形云增雨的分界線是比較合適的，Vali等(1988)在研究時，重點關(guān)注過冷水含量與冰晶濃度，他將過冷水含量大于0．05 g/m3和冰晶濃度小于0．1 L-1百分比作為指標(biāo)，該指標(biāo)值越大就越利于開展人工增雨；另外，Hudak和List在1988年的研究表明，當(dāng)熱帶海洋氣團的云頂溫度高于-20 ℃時播撒效果最好；Sassen和Zhao(1993)也用到過冷水含量來分析云的增雨潛力，他們同時關(guān)注云底溫度對增雨潛力的影響；類似的，Long和Carter(1996)用云中水平過冷水通量與地面垂直降水通量兩個指標(biāo)來研究地形云增雨潛力。另外，曾光平等、馮彬等、汪學(xué)林等、張連云等、龔佃俐和邊道相等相關(guān)研究人員也從天氣形勢的結(jié)構(gòu)上分析了云降水特征及人工增雨的潛力[5]。

云的宏觀特征是指將云作為一個整體來看時所表現(xiàn)出來的特征，一般包括云的外形、空間尺度、生命史等。云霧復(fù)雜多樣的宏觀特征，不僅反映了云霧內(nèi)部過程的復(fù)雜性，同時也反映了云霧出現(xiàn)的天氣條件。它對人們了解云的內(nèi)部過程有很大的幫助，對人工影響天氣作業(yè)，例如作業(yè)對象的選取、云中水分多少的估計、作業(yè)的方法選擇都有很大的幫助。

云的水平范圍有很大不同，由幾千米到幾千千米，依賴于成云過程的水平范圍而定。厚度也有很大的不同，由幾百米甚至到十幾千米。層狀云系是一種主要的大范圍降水系統(tǒng)，尤其是層狀冷云，它是國內(nèi)北方冬半年的主要降水源，也是為緩解北方春季干旱開展人工增雨的主要作業(yè)對象。因此，對層狀云的研究是人影作業(yè)需要重點關(guān)注的方向。圖2是幾種層狀云實拍圖。

圖2 層狀云實拍圖

1.3 衛(wèi)星云圖的應(yīng)用

衛(wèi)星云圖是由氣象衛(wèi)星自上而下觀測到的地球上的云層覆蓋和地表面特征的圖像。目前接收的云圖主要有紅外云圖、可見光云圖及水汽圖等。利用衛(wèi)星云圖可以識別不同的天氣系統(tǒng)，確定它們的位置，估計其強度和發(fā)展趨勢，為天氣分析提供依據(jù)。一次臺風(fēng)演變過程中的衛(wèi)星云圖如圖3所示。

圖3 一次臺風(fēng)衛(wèi)星云圖

紅外云圖，是氣象衛(wèi)星上的掃描輻射計利用紅外輻射通道感測并向地面站發(fā)送的云圖，其亮度大致反映了云層頂?shù)臏囟?，因而也反映了云頂?shù)母叨取Ｒ话銣囟仍降?，高度越高的云層，圖上的色調(diào)過白，反之色調(diào)越黑。由于紅外遙感可以晝夜感測并向地面站發(fā)送云圖，并可分析高云和云頂溫度，提供了可見光云圖不能提供的大量信息，但紅外云圖的分辨率低于可見光云圖。實際上要把兩者結(jié)合起來使用，互相取長補短，從而獲得了廣泛的應(yīng)用。

可見光云圖，是氣象衛(wèi)星上的掃描輻射計(早期用的是電視攝像機)用可見光通道感測并向地面站發(fā)送的衛(wèi)星云圖，圖上亮度明暗反映了云的反照率的強弱?？梢姽庠茍D在研究云團、云系等的移動和發(fā)展方面，在監(jiān)測臺風(fēng)和其他天氣系統(tǒng)的發(fā)生、發(fā)展及移動方面，均獲得廣泛應(yīng)用，并取得了較好成效。但由于云圖是利用可見光波段所拍，其亮度和色調(diào)取決于云的性質(zhì)和太陽高度角，同晝夜間又拍不到，故受到一定的限制。

目前在學(xué)術(shù)界已有大量基于衛(wèi)星云圖應(yīng)用展開的研究，文獻(xiàn)[6]以FY2號氣象衛(wèi)星云圖為研究對象，利用圖像分割技術(shù)，去掉非臺風(fēng)云系，定位臺風(fēng)中心；文獻(xiàn)[7]選取了1995-1998年的冰雹衛(wèi)星云圖，分析了產(chǎn)生冰雹衛(wèi)星云圖的特征，為冰雹預(yù)報提供了技術(shù)方法；文獻(xiàn)[8]針對中尺度強對流云團的衛(wèi)星云圖識別，設(shè)計了短時臨近預(yù)報系統(tǒng)；文獻(xiàn)[9]利用衛(wèi)星云圖及其他資料分析了2002年7月17日在華北地區(qū)上空出現(xiàn)的中尺度渦旋成因，對于提升對流性天氣預(yù)報質(zhì)量有很好的幫助作用。這些文獻(xiàn)的研究內(nèi)容大部分都是針對天氣預(yù)報方面而開展，如果能夠借助衛(wèi)星云圖，結(jié)合當(dāng)前先進(jìn)的圖形識別技術(shù)，將研究內(nèi)容延展到人影領(lǐng)域，充分挖掘衛(wèi)星云圖實用潛力，必將提高人影作業(yè)效果和水平。

1.4 新一代多普勒天氣雷達(dá)的應(yīng)用

雷達(dá)在人工影響天氣領(lǐng)域的應(yīng)用已開展了大量的試驗研究工作。青海省氣象局、中國科學(xué)院大氣物理研究所利用711雷達(dá)回波、地面和高空加密觀測等資料在黃河上游的瑪曲地區(qū)開展人工增雨試驗，研究表明降水云系的變化和回波強度具有直接的關(guān)系，天氣雷達(dá)在這一工作中發(fā)揮了重要作用[10-11]。但由于受到雷達(dá)性能的限制，無法實現(xiàn)定量觀測。新一代多普勒天氣雷達(dá)的建設(shè)為人工影響天氣作業(yè)和外場試驗提供了先進(jìn)的探測工具和手段。新一代天氣雷達(dá)在暴雨外場試驗中得到應(yīng)用，如973“中國暴雨”項目在長江中、下游的實施，就是利用雙多普勒雷達(dá)同步觀測系統(tǒng)和單多普勒雷達(dá)對暴雨的中尺度結(jié)構(gòu)特別是三維風(fēng)場結(jié)構(gòu)進(jìn)行觀測研究的。2002秋季和2003年春季，分別在青海省、河南省開展了云和降水的雷達(dá)觀測，為人工影響天氣研究工作提供了參考數(shù)據(jù)[12]。文獻(xiàn)[12]研究表明，多普勒天氣雷達(dá)風(fēng)場資料可為降水系統(tǒng)的中尺度結(jié)構(gòu)分析和人工增雨作業(yè)區(qū)域選擇提供更多信息，在開展人工影響天氣作業(yè)指揮、作業(yè)效果評估、云和降水動力機制研究等領(lǐng)域具有較大應(yīng)用潛力。

冰雹是一種頻發(fā)的災(zāi)害性天氣，具有發(fā)生范圍小，持續(xù)時間短，突發(fā)性強，破壞性大的特點，會給農(nóng)業(yè)、建筑、通訊、電力、交通以及人民生命財產(chǎn)帶來重大損失。在人工消雹方面多普勒天氣雷達(dá)具有重要的使用價值，是探測冰雹等強對流天氣的重要工具之一(張培昌等，2001)。分析冰雹云的回波特征，可以為人工防雹作業(yè)提供指標(biāo)。目前已有利用多普勒天氣雷達(dá)來研究冰雹特征的大量文獻(xiàn)。在國外，Boston等(1969)使用多種波長雷達(dá)來區(qū)分冰雹粒子；Battan(1975)使用多普勒天氣雷達(dá)反射率、速度、譜寬數(shù)據(jù)分析降雹風(fēng)暴內(nèi)部結(jié)構(gòu)，指出最大反射率往往處于上升氣流的外部；Robert等(1989)使用多普勒雷達(dá)探測了中緯度的中尺度對流風(fēng)暴。在國內(nèi)，張鴻發(fā)等(1997;2002)對平?jīng)龅貐^(qū)冰雹云雷達(dá)回波特征進(jìn)行了分析；北京(王令等，2004)、重慶(江玉華等，2005)、河北唐山(王秀玲等，2012)，廣西(農(nóng)孟松等，2013)、滇南(段鶴等，2014)、福建(陳秋萍等，2015)等地的氣象科技人員也對當(dāng)?shù)氐膹妼α骼走_(dá)回波進(jìn)行了分析研究。冰雹云在雷達(dá)回波中有許多共性：回波強度特別強，回波頂高度高，PPI上容易出現(xiàn)“V”型缺口、鉤狀回波和耀斑回波，RHI上容易出現(xiàn)有界弱回波區(qū)(BWER)等(龔乃虎等，1982)。文獻(xiàn)[13]利用新一代多普勒天氣雷達(dá)的探測資料，結(jié)合地面實況資料，基于風(fēng)暴的識別和追蹤算法(SCIT)，提取反射率因子數(shù)據(jù)，計算出風(fēng)暴單體結(jié)構(gòu)，統(tǒng)計分析了雷達(dá)回波特征，對雷達(dá)等強對流天氣的預(yù)報和人工消雹具有較強的指導(dǎo)作用。

從1998年開始在全國布設(shè)新一代多普勒天氣雷達(dá)系統(tǒng)。普遍使用的新一代多普勒天氣雷達(dá)產(chǎn)品包含以下三種：反射率因子產(chǎn)品反映了回波的強度，可以確定風(fēng)暴的結(jié)構(gòu)、強弱以及強降雨(雪)帶分布，另外還能夠根據(jù)反射率因子隨時間的變化來推測未來的天氣趨勢等。平均徑向速度可以用來導(dǎo)出大氣結(jié)構(gòu)，了解風(fēng)暴特征，從而可以幫助產(chǎn)生、調(diào)整和更新高空分析圖等。與傳統(tǒng)雷達(dá)相比，多普勒雷達(dá)可以監(jiān)測到距離垂直地面8～12 km的高空中的對流云層的演變規(guī)律，能夠提高氣象人員對超級單體、雷暴、降水、冰雹等重大災(zāi)害性天氣的監(jiān)測和預(yù)報能力。但目前對多普勒天氣雷達(dá)的應(yīng)用還僅僅限于人工讀圖，氣象工作人員根據(jù)雷達(dá)回波圖的不同色標(biāo)變化趨勢來預(yù)測天氣過程，對經(jīng)驗依賴較強，隨意性較大。將圖像識別技術(shù)應(yīng)用于雷達(dá)回波圖的判定，實現(xiàn)智能化預(yù)報，減少人為干預(yù)將是未來發(fā)展方向。

2 圖像識別研究

近年來，隨著人工智能的發(fā)展，基于機器視覺的圖像識別技術(shù)得到了廣泛的應(yīng)用。對于一個復(fù)雜場景，基于機器視覺的圖像識別技術(shù)更加穩(wěn)定、客觀和準(zhǔn)確[14]。特別是深度學(xué)習(xí)技術(shù)的興起，在日常生活中受到廣泛的應(yīng)用和關(guān)注。傳統(tǒng)的圖像識別方法需要人工設(shè)計特征，對識別經(jīng)驗依賴較強，且識別率較低[15]。在氣象領(lǐng)域，產(chǎn)生的海量圖像數(shù)據(jù)由于沒有科學(xué)的智能化識別方法而無法充分利用，大部分還是依靠人工讀圖來分析，效率低下且準(zhǔn)確性不高。將基于深度學(xué)習(xí)的圖像識別技術(shù)應(yīng)用于人影行業(yè)，可以充分挖掘衛(wèi)星云圖、雷達(dá)回波圖的信息，從而提高作業(yè)效率，降低氣象災(zāi)害。深度學(xué)習(xí)網(wǎng)絡(luò)是一個多層的網(wǎng)絡(luò)結(jié)構(gòu)，通過模擬人腦，能夠自動地學(xué)習(xí)和提取特征，充分發(fā)揮大數(shù)據(jù)的優(yōu)勢。

2.1 圖像識別基礎(chǔ)理論

圖像識別也屬于模式識別的一種，它是模式識別在圖像領(lǐng)域中的具體應(yīng)用。其基本原理是對輸入的圖像建立識別模型，提取圖像的特征參數(shù)，然后建立分類器，根據(jù)圖像的特征進(jìn)行分類識別。一般的圖像識別系統(tǒng)結(jié)構(gòu)如圖4所示。

圖像的特征是圖像識別的基礎(chǔ)，特征對一個模型的作用至關(guān)重要。特征從表示的粒度上可以分為初級特征(淺層特征)和高級特征(結(jié)構(gòu)性特征)。初級特征是由底層的像素特征組成的一些邊緣特征；結(jié)構(gòu)性特征是由邊緣特征組成的更結(jié)構(gòu)化、抽象化、復(fù)雜化的特征。底層的特征可以向高層的特征傳遞，層層遞進(jìn)，可以得到更高層的特征表示。圖像的特征提取包含兩個層次：第一層是對底層的特征進(jìn)行抽取；第二層是對圖像的高層特征進(jìn)行抽取[16]。常用的底層特征分為形狀特征、顏色特征以及紋理特征等，這些特征魯棒性強，計算的復(fù)雜度低。高層的特征更抽象，需要根據(jù)淺層的特征抽取并學(xué)習(xí)得到，利用這些特征可以進(jìn)行更高級的操作[17]。

圖4 圖像識別系統(tǒng)結(jié)構(gòu)

圖像識別的常用方法有：模板匹配法、貝葉斯分類法、人工神經(jīng)網(wǎng)絡(luò)法等。模板匹配法通過將目標(biāo)圖像與模板進(jìn)行匹配比較，在某種事先定義的代價損失函數(shù)最小者即為識別對象。這種方法需要研究者具有一定的經(jīng)驗知識，且有設(shè)計合適的模板。貝葉斯分類法是一類基于概率統(tǒng)計的識別方法，屬于統(tǒng)計學(xué)的一類。常見的貝葉斯分類算法有樸素貝葉斯算法和TAN算法(樹增強型樸素貝葉斯算法)。人工神經(jīng)網(wǎng)絡(luò)法起源于對生物神經(jīng)系統(tǒng)的研究，模擬人的大腦來智能化處理問題。該方法的發(fā)展?jié)摿薮螅Ｓ玫挠心：窠?jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、SOFM神經(jīng)網(wǎng)絡(luò)等。以上是傳統(tǒng)的圖像識別方法。2006年深度學(xué)習(xí)概念的提出，使得基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)在圖像識別中取得了很大的突破和進(jìn)展，是目前圖像識別研究領(lǐng)域的主流方法。

2.2 基于深度學(xué)習(xí)的圖像識別

近年興起的深度學(xué)習(xí)算法(deep learning，DL)逐漸成為機器學(xué)習(xí)領(lǐng)域的一個新的熱點。2006年機器學(xué)習(xí)領(lǐng)域的教授Hinton和他的學(xué)生Salakhutdinov在《Science》上發(fā)表了一篇文章，在這篇論文中他們提出了深度學(xué)習(xí)的概念[18]，引起了學(xué)術(shù)界的廣泛關(guān)注，從此以后深度學(xué)習(xí)成為了機器學(xué)習(xí)領(lǐng)域內(nèi)的研究熱點[19]。深度學(xué)習(xí)是一種機器學(xué)習(xí)算法，它利用多層神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行有監(jiān)督或者無監(jiān)督的學(xué)習(xí)，對原始信號進(jìn)行非線性變換，提取其特征進(jìn)行模式分類或識別[20]。

多層神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)如圖5所示。

深度學(xué)習(xí)通過模仿人腦多層次的模型結(jié)構(gòu)逐步處理信息，來發(fā)現(xiàn)數(shù)據(jù)的本質(zhì)特征。常用的深度學(xué)習(xí)結(jié)構(gòu)有深信度網(wǎng)絡(luò)(deep belief networks，DBN)和深自動編碼器(deep autoencoders，DAE)結(jié)構(gòu)。深度學(xué)習(xí)算法在做有監(jiān)督學(xué)習(xí)前要先做非監(jiān)督學(xué)習(xí)進(jìn)行預(yù)訓(xùn)練(pre-training)，然后將非監(jiān)督學(xué)習(xí)得到的網(wǎng)絡(luò)參數(shù)當(dāng)作有監(jiān)督學(xué)習(xí)的初值，利用BP算法進(jìn)行精調(diào)(fine-tuning)。深度學(xué)習(xí)目前在語音、圖像、自然語音等方面都已開發(fā)了相關(guān)的服務(wù)和應(yīng)用，并取得了顯著性成果。它具有多層次非線性信息處理的特點，根據(jù)其不同的使用目的和架構(gòu)，大致可以分為三類[21]：

圖5 多層神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)

(1)生成型深層結(jié)構(gòu)(generative deep architectures)，該結(jié)構(gòu)主要用來生成觀測到的可見數(shù)據(jù)和它的所屬類別的聯(lián)合概率分布。常見的一種生成型深層結(jié)構(gòu)是深度信念網(wǎng)絡(luò)(DBN)。這種結(jié)構(gòu)重點關(guān)注的是觀測數(shù)據(jù)和它所屬類別的聯(lián)合概率分布，得到這個數(shù)據(jù)后就可以用這個概率來對它的先驗概率和后驗概率進(jìn)行估計[22]。

(2)區(qū)分型深度結(jié)構(gòu)(discriminative deep architectures)，這種結(jié)構(gòu)較多的應(yīng)用場景是模式分類，可以用來描述已知數(shù)據(jù)類別的后驗概率分布。這種結(jié)構(gòu)的典型例子是卷積神經(jīng)網(wǎng)絡(luò)(CNN)，它是第一個真正成功應(yīng)用的深度學(xué)習(xí)算法。這種算法受動物視覺系統(tǒng)結(jié)構(gòu)的啟示從而被研究人員提出。

(3)混合型深度結(jié)構(gòu)(hybrid deep architectures)，這種結(jié)構(gòu)綜合了生成型和區(qū)分型兩種特征，在預(yù)訓(xùn)練階段能夠結(jié)合其他區(qū)分型學(xué)習(xí)算法來對神經(jīng)網(wǎng)絡(luò)初始權(quán)值進(jìn)行優(yōu)化，具有更容易優(yōu)化系統(tǒng)的優(yōu)勢，同時還有較高的泛化能力。

目前已有基于深度學(xué)習(xí)進(jìn)行天氣預(yù)報、雷達(dá)回波外推、云圖分類等方面的研究。文獻(xiàn)[23]提出了基于物理量參數(shù)和深度學(xué)習(xí)模型的DBN短時強降水天氣識別預(yù)報模型，根據(jù)模型檢驗的結(jié)果，能夠取得較好的提前預(yù)報的效果。文獻(xiàn)[24]嘗試?yán)镁矸e神經(jīng)網(wǎng)絡(luò)進(jìn)行雷達(dá)回波外推，在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)之上，通過增加DSN和PPL，提出了基于輸入的動態(tài)卷積神經(jīng)網(wǎng)絡(luò)，該模型具有較強的適用性，能夠提高雷達(dá)回波外推的準(zhǔn)確性，并有效提高外推時效。文獻(xiàn)[25]借鑒傳統(tǒng)的基于內(nèi)容的圖像分類技術(shù)，結(jié)合詞袋模型理論，研究數(shù)字地基全天空云圖的特征表示以及分類建模方法。以深度學(xué)習(xí)為基礎(chǔ)，提出了在小樣本數(shù)據(jù)下進(jìn)行遷移學(xué)習(xí)的訓(xùn)練方法，提出了基于無監(jiān)督深度學(xué)習(xí)進(jìn)行特征自學(xué)習(xí)和有監(jiān)督深度學(xué)習(xí)進(jìn)行特征導(dǎo)向?qū)W習(xí)相結(jié)合方法。

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)是基于深度學(xué)習(xí)的一種重要網(wǎng)絡(luò)模型，由于CNN具有特殊的網(wǎng)絡(luò)結(jié)構(gòu)，在圖像處理領(lǐng)域具有深遠(yuǎn)的研究前景，近年來得到高度重視并得到了廣泛研究[26-27]。CNN是一種具有多層結(jié)構(gòu)的網(wǎng)絡(luò)，其低層由卷積層和下采樣層交替組成，是網(wǎng)絡(luò)提取圖像特征的重要環(huán)節(jié)，高層為分類器，一般為全連接層。目前這種網(wǎng)絡(luò)結(jié)構(gòu)已經(jīng)成功應(yīng)用在圖像識別領(lǐng)域。如果能夠在人影方面利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)對衛(wèi)星云圖、雷達(dá)回波圖進(jìn)行處理，提取圖形中的深度特征，劃定人影作業(yè)潛力區(qū)，可以減少人工判別的主觀性、隨意性，減少人影作業(yè)盲目性，提高作業(yè)效益，發(fā)揮人影價值。

3 結(jié)束語

在實施人工影響天氣作業(yè)過程中，無論采用哪種作業(yè)方式，對作業(yè)潛力區(qū)的劃定會直接影響作業(yè)效果。而對人影作業(yè)潛力區(qū)的研究，目前還沒有非常準(zhǔn)確的定量化指標(biāo)來界定潛力區(qū)邊界，大部分都是依賴經(jīng)驗，靠手工劃定。傳統(tǒng)方法劃定人影作業(yè)潛力區(qū)的隨意性較大，可靠性不高。當(dāng)前基于深度學(xué)習(xí)的圖像識別技術(shù)發(fā)展迅猛，在學(xué)術(shù)界和工業(yè)界已取得巨大進(jìn)展并有了具體應(yīng)用。結(jié)合圖像識別技術(shù)，構(gòu)造一個卷積神經(jīng)網(wǎng)絡(luò)對衛(wèi)星云圖、雷達(dá)回波圖等海量圖片數(shù)據(jù)進(jìn)行處理，提取圖片深層信息，配合模式預(yù)報來確定合適的人影作業(yè)潛力區(qū)，勢必可以提高人影作業(yè)的準(zhǔn)確性，提高作業(yè)效益，使人影業(yè)務(wù)發(fā)揮更大的作用。