基于混合深度Kronecker网络-ResNeXt的云分类与云量估算方法研究

针对地面云图像分类精度低、云量估算困难等问题，研究人员提出了一种结合深度Kronecker网络(DKN)与残差网络(ResNeXt)的混合模型DKN-ResNeXt。通过Swin-Unet分割、熵中值二值模式(EMBP)特征提取及统计特征融合，实现了10类云的高精度分类（准确率0.915）和云量估算，为气象预测和气候研究提供了自动化解决方案。

　　

云层作为覆盖地球表面66%的气象现象，在调节太阳辐射、影响气候变化和维持水文循环中扮演着核心角色。然而，传统云分类方法依赖人工目视观测或手工特征提取，难以应对云形态的快速变化和复杂背景干扰。例如，积雨云(Cb)与雷暴关联，层积云(Sc)则影响太阳辐射强度，但现有技术对10类云的分类准确率不足，且云量估算误差较大。这些问题严重制约了气象预测、航空安全和可再生能源研究的精度。

针对上述挑战，研究人员开发了混合深度Kronecker网络-ResNeXt（DKN-ResNeXt）模型。该研究首先通过Kalman滤波预处理地面云图像，利用Swin-Unet完成云分割；随后融合熵中值二值模式(EMBP)与统计特征（均值、标准差等），将特征与原始图像共同输入DKN-ResNeXt进行分类。模型整合了ResNeXt的聚合变换能力和DKN的高效特征交互机制，最终输出10类云（包括卷云Ci、积云Cu等）的分类结果及云量估算值。

关键技术方法
研究采用Kalman滤波降噪、Swin-Unet分割、EMBP纹理特征提取及统计特征计算，结合DKN-ResNeXt模型进行分类。数据集包含多类地面云图像，模型通过真阳性率(TPR)、准确率等指标评估，实验显示分类准确率达0.915，TPR为0.896。

研究结果

• Motivation：传统方法依赖低层次视觉特征，难以区分形态相似的云类别。
• Proposed method：DKN-ResNeXt通过混合深度网络实现特征深层挖掘，Swin-Unet分割提升云量估算精度。
• Result and discussion：模型在测试中准确率显著优于基线，对卷层云(Cs)等薄云分类效果突出。
• Conclusion：该方法为气象自动化观测提供新工具，尤其适用于极端天气预警和太阳能预测。

结论与意义
该研究通过融合深度学习和传统特征工程，首次将DKN与ResNeXt结合应用于云分类领域。其0.915的准确率和0.923的真阴性率(TNR)证实了模型在复杂气象场景下的鲁棒性。成果发表于《Engineering Applications of Artificial Intelligence》，不仅推动了气象AI技术的发展，也为全球气候变化研究和可再生能源管理提供了关键技术支撑。例如，精确的积雨云(Cb)分类可提升雷暴预警时效性，而云量估算结果对光伏发电调度具有直接经济价值。未来工作可进一步优化模型在极端天气条件下的泛化能力。