ImageNet数据能否帮助改进基于深度学习的云图分类准确率?

摘要

精准的云属分类，对于区域天气形势预测和全球能量收支平衡具有重要意义。然而，准确客观地识别地基云图目前仍然存在挑战，尤其是当前可获得的标准云图数据不足，因此以数据驱动的深度学习云图分类模型性能有待进一步提高。本文探索了如何利用非气象云图数据，如ImageNet数据集，帮助改进地基云图分类技巧。以世界气象组织定义的10类标准云属和1类尾迹云为分类对象，构建了基于卷积结构的ResNet50、MobileNet-V2和基于自注意力结构的ViT云图分类模型。结果表明，仅使用原始云图训练时，参数量较小的传统卷积结构网络要优于参数量庞大的ViT模型。然而，通过使用ImageNet数据集进行预训练后，ViT模型的云图分类技巧有了显著提升，预训练策略将平均F₁评分由0.78提高至0.96,超过了当前的主流分类模型。这表明，利用深度学习模型来实现云图分类是可靠且有效的途径，而预训练策略对于类似于ViT的大型网络而言更为重要。此外进一步将训练稳定的模型部署至移动端口（http://43.142.162.19:5174/）,实现了通过上传拍摄云图进行实时分类，并提供相关的云类科普信息，推动气象云知识在社会公众中的普及程度。

关键词

迁移学习 / 云图分类 / ViT模型 / 预训练模型 / 非常规气象数据