基于机器学习的地基云量多阈值识别方法研究OA

针对复杂气象场景下地基云量的自动化观测,提出了一种太阳高度—能见度驱动的动态多阈值云量判识方法。基于全国8个区域24个基本气象站2021—2023年190628张地基云图样本,利用机器学习方法,通过融合地基云图可见光辐射特性、实时气象光学视程及太阳高度角参数,构建自适应多阈值生成模型,突破传统固定阈值法在晨昏、薄云及低能见度场景下的适应性瓶颈,并对多阈值方法进行了验证。结果表明:云天分割阈值随太阳高度角升高而增大,低太阳高度角和高太阳高度角的阈值范围分别为0.95~1.15和1.30~1.45;云天分割阈值随能见度降低而减小,当能见度>10 km或<1 km时,太阳高度角阈值范围分别为1.07~1.45、0.95~1.15,当能见度<500 m时,阈值分割法判识结果失去可靠性。通过交互场景阈值验证和云类差异化验证表明,该判识方法在太阳高度角<10°与低能见度<10 km复杂场景下,云量判识平均绝对误差降至11.3%,较固定阈值法提升22.0%;0~1成、1~3成、3~7成、>7成云量识别准确率分别达93.8%、89.5%、95.3%、93.7%,较现有最优基线(DeepLab V3+)法分别提升3.6、6.8、2.2、2.5个百分点。